欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2018107581263
申请人: 华东交通大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于卷积神经网络的Sentinel-1雷达图像分类方法,其特征在于:包括以下步骤:

步骤A、图像输入之后,对图像进行预处理,其中,图像预处理包括ROI剪裁、归一化处理、CFAR算法处理和RGB图形分析;

步骤B、对预处理的图像进行训练,选取一组函数f1、f2...fn,对数据进行训练,选取最佳函数f;

步骤C、对步骤B选取的最佳函数f进行测试,从而对采集的图像进行分类。

2.根据权利要求1所述的一种基于卷积神经网络的Sentinel-1雷达图像分类方法,其特征在于:所述步骤A中的ROI剪裁时,将雷达采集到的卫星图像通过剪裁的方式剪为75*75大小的ROI图像,卫星图像经裁剪后,生成1604幅HH及HV波段的ROI图像数据集。

3.根据权利要求1所述的一种基于卷积神经网络的Sentinel-1雷达图像分类方法,其特征在于:所述步骤A中的CFAR算法,确定三个窗口的大小及位置,分别是:the box CFAR window,the cell under test及guard window,the box CFAR window为进行统计计算的范围,设置the box CFAR window与ROI后的图像一样大小,大小为75*75;cell under test设置在图像的中心位置,一个75*75的中心点,按像素坐标从0开始编号应为(75-1)/2,中心点的坐标为(37,37),guard window根据目标的大致大小,设定为21*21像素;

阈值的确定使用累计分布函数,通过公式来确定阈值;

threshold=Φ-1(1-Pfa)    (1)

其中,Pfa代表虚警率,Φ-1表示累计分布函数的反函数,最后依据阈值构建掩膜;对于掩膜过滤后的目标图像中孔洞及少数孤立点进行孔洞填充及移除孤立点;孔洞填充主要使用膨胀算法进行,为避免待处理图像的(0,0)位置像素是孔洞的情况,将原图像向外延展1个像素,膨胀算法填充完毕后,去掉延展部分,取反加上初始图像即为孔洞填充后的图像;孤立点的剔除根据图像中灰度分布密度来进行,设定一个密度阈值,低于这个阈值的孤立点进行剔除,如公式(2)所示:

4.根据权利要求1所述的一种基于卷积神经网络的Sentinel-1雷达图像分类方法,其特征在于:所述步骤A中的归一化处理:归一化用来减少目标中一些强的后向散射信号,而强的后向散射信号通常具有较高的灰度值,将影响训练过程稳定性,将像素值被归一化为

0-1的范围;构建CNN模型:CNN模型采用多输入的方式,将预处理后的HH极化图像,HV极化图像特征输入进CNN模型;CNN模型由输入层,卷积层,取样层,全连接层及输出层构成;卷积层是一个权值矩阵,它由多个特征面组成,每个特征面由多个神经元组成,每一个神经元通过卷积核与上一层特征面的局部区域相连;卷积层通过卷积操作提取输入的不同特征,第一层卷积提取低级特征;取样层在语义上把相似的特征合并起来,通过池化操作使得特征对噪声和变形具有鲁棒性;各层所提取的特征以增强的方式从不同的角度表现原始图像,并且随着层数的增加,提取的特征也越来越抽象。

5.根据权利要求4所述的一种基于卷积神经网络的Sentinel-1雷达图像分类方法,其特征在于:卷积层和取样层交替设置,即一个卷积层连接一个取样层,取样层后再连接一个卷积层;全连接层中每个神经元与其前一层进行全连接,将前期所提取的各种局部特征综合起来,最后通过输出层得到每个类别的后验概率。

6.根据权利要求1所述的一种基于卷积神经网络的Sentinel-1雷达图像分类方法,其特征在于:所述步骤B训练中:使用数据增强、正则化二种方法,dropout是正则化方法的一种,指在CNN训练过程中,对于神经网络单元,通过在反向传播误差更新权值时随机选择一部分权值不更新,通过这样的方法防止过拟合;在数据增强上所做的工作是对原始ROI图像拉伸变形,通过增加输入图像的数量来对抗过拟合,提高模型的泛化能力。

7.根据权利要求6所述的一种基于卷积神经网络的Sentinel-1雷达图像分类方法,其特征在于:训练过程中预先估计学习率,然后在训练过程中依据算法进行调整。