本發(fā)明屬于圖像處理領(lǐng)域，具體涉及一種基于非下采樣輪廓波全卷積網(wǎng)絡(luò)的高分辨sar圖像分類方法，能夠應(yīng)用于高分辨sar圖像，有效提高目標(biāo)的識(shí)別精度。
背景技術(shù)：
：合成孔徑雷達(dá)(syntheticapertureradar，sar)是近年來(lái)得到廣泛研究和應(yīng)用的一種遙感傳感器，與光學(xué)、紅外等其它傳感器相比，sar成像不受天氣、光照等條件的限制，能夠?qū)Ω信d趣的目標(biāo)進(jìn)行全天候、全天時(shí)的偵查。而且sar還具有一定的穿透能力，能夠在有云層干擾、樹(shù)叢遮擋或是目標(biāo)淺埋地表等不利條件下實(shí)現(xiàn)對(duì)目標(biāo)的探測(cè)。此外，由于sar特殊的成像機(jī)理，使得高分辨sar圖像包含與其他傳感器不同的內(nèi)容，給目標(biāo)探測(cè)提供了更豐富全面的信息。由于sar具備眾多顯著的優(yōu)點(diǎn)，具有極大的應(yīng)用潛力。近年來(lái)對(duì)sar技術(shù)的研究引起了廣泛關(guān)注，不少研究成果已被成功應(yīng)用于環(huán)境監(jiān)測(cè)、地形測(cè)量、目標(biāo)探測(cè)等方面。高分辨sar圖像分類的關(guān)鍵是對(duì)高分辨sar圖像的目標(biāo)特征提取，現(xiàn)有的sar圖像分類技術(shù)有基于統(tǒng)計(jì)的分類方法、基于圖像紋理的分類方法以及基于深度學(xué)習(xí)的分類方法?；诮y(tǒng)計(jì)的分類方法是根據(jù)不同性質(zhì)圖像區(qū)域的統(tǒng)計(jì)特性差異進(jìn)行分類，但是該方法忽略了圖像的空間分布特性，因此分類結(jié)果往往不理想。近年來(lái)也出現(xiàn)了一些基于紋理特征的分類方法，如基于灰度共生矩陣(glcm)的方法、基于markov隨機(jī)場(chǎng)(mrf)的方法、gabor小波方法等，但是由于sar圖像相干成像的機(jī)理，導(dǎo)致sar圖像中的紋理不明顯且不穩(wěn)健，此外計(jì)算機(jī)紋理特征需要對(duì)圖像進(jìn)行逐點(diǎn)掃描，計(jì)算量巨大且不能滿足實(shí)時(shí)性要求。以上傳統(tǒng)的sar圖像分類方法只能依靠人工提取一些代表目標(biāo)特性的淺層特征，這些淺層特征僅僅通過(guò)將原始輸入信號(hào)轉(zhuǎn)換到特定問(wèn)題空間得出，并不能完全的表征出目標(biāo)像素點(diǎn)之間的鄰域相關(guān)性。2006年，hinton等人提出了無(wú)監(jiān)督的逐層貪婪訓(xùn)練方法，解決了深度增加所帶來(lái)的“梯度耗散”問(wèn)題。隨后，許多學(xué)者根據(jù)不同的應(yīng)用背景提出了多種dl模型，如深度置信網(wǎng)(deepbeliefnetwork，dbn)、棧式降噪自編碼機(jī)(stackeddenoisingautoencoders，sda)和卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetwork，cnn)等。但是，上述特征提取方法均沒(méi)有考慮到高分辨sar圖像的多尺度、多方向、多分辨特性，因此，對(duì)于背景復(fù)雜的高分辨sar圖像難以得到較高的分類精度。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)中的問(wèn)題，提供一種基于非下采樣輪廓波全卷積網(wǎng)絡(luò)的高分辨sar圖像分類方法，結(jié)合高分辨sar圖像多尺度、多方向、多分辨的特性，提高其圖像分類的準(zhǔn)確率以及分類速度，進(jìn)而有效提高目標(biāo)的識(shí)別精度。為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案包括以下步驟：1)輸入待分類的高分辨sar圖像，對(duì)圖像中的各像素點(diǎn)進(jìn)行多層非下采樣輪廓波變換，獲取各像素點(diǎn)的低頻系數(shù)和高頻系數(shù)；2)將低頻系數(shù)和高頻系數(shù)進(jìn)行選擇并融合，構(gòu)成基于像素點(diǎn)的特征矩陣f；3)將特征矩陣f中的元素值歸一化到[0，1]之間，得到歸一化特征矩陣f1；4)將歸一化特征矩陣f1進(jìn)行切塊，得到特征塊矩陣f2并作為樣本數(shù)據(jù)；5)通過(guò)訓(xùn)練數(shù)據(jù)集d構(gòu)造訓(xùn)練數(shù)據(jù)集特征矩陣w1，通過(guò)測(cè)試數(shù)據(jù)集t構(gòu)造測(cè)試數(shù)據(jù)集特征矩陣w2；6)構(gòu)造基于全卷積神經(jīng)網(wǎng)絡(luò)的分類模型；7)將分類模型通過(guò)訓(xùn)練數(shù)據(jù)集d進(jìn)行訓(xùn)練，得到訓(xùn)練好的模型；8)利用訓(xùn)練好的模型對(duì)測(cè)試數(shù)據(jù)集t進(jìn)行分類，得到測(cè)試數(shù)據(jù)集t中每個(gè)像素點(diǎn)的類別，將得到的每個(gè)像素點(diǎn)類別與類標(biāo)圖進(jìn)行對(duì)比，計(jì)算出分類準(zhǔn)確率。所述的步驟1)對(duì)圖像中的各像素點(diǎn)進(jìn)行三層非下采樣輪廓波變換；非下采樣輪廓波變換包括非下采樣金字塔分解和非下采樣方向?yàn)V波器分解，所述的非下采樣金字塔分解通過(guò)非下采樣濾波器組將時(shí)頻平面分解為一個(gè)低頻子代和多個(gè)環(huán)形高頻子代，非下采樣金字塔分解形成的帶通圖像再通過(guò)非下采樣方向?yàn)V波器分解得到帶通子圖像的系數(shù)。所述的步驟2)將高頻系數(shù)按照從大到小進(jìn)行排序，選取其中前50％的高頻系數(shù)，與第三層變換后的低頻系數(shù)融合，定義基于像素點(diǎn)的特征矩陣f大小為m1×m2×1，m1為待分類sar圖像的長(zhǎng)，m2為待分類sar圖像的寬，將融合結(jié)果賦值給基于像素點(diǎn)的特征矩陣f。步驟3)所述的歸一化通過(guò)特征線性縮放法、特征標(biāo)準(zhǔn)化法或特征白化法實(shí)現(xiàn)；特征線性縮放法先求出基于像素點(diǎn)的特征矩陣f的最大值max(f)；再將基于像素點(diǎn)的特征矩陣f中的每個(gè)元素均除以最大值max(f)，得到歸一化特征矩陣f1。所述的步驟4)將歸一化特征矩陣f1按照大小為128×128、間隔為50進(jìn)行切塊。所述步驟5)的具體操作如下：5a)將sar圖像地物分為3類，記錄每個(gè)類別對(duì)應(yīng)的像素點(diǎn)在待分類圖像中的位置，生成三種分別代表三類地物像素點(diǎn)在待分類圖像中的位置a1、a2、a3；5b)從所述a1、a2、a3中隨機(jī)選取5％的元素，生成三種對(duì)應(yīng)不同類地物、被選作訓(xùn)練數(shù)據(jù)集的像素點(diǎn)位置b1、b2、b3，其中b1為對(duì)應(yīng)第1類地物中被選作訓(xùn)練數(shù)據(jù)集的像素點(diǎn)在待分類圖像中的位置，b2為對(duì)應(yīng)第2類地物中被選作訓(xùn)練數(shù)據(jù)集的像素點(diǎn)在待分類圖像中的位置，b3為對(duì)應(yīng)第3類地物中被選作訓(xùn)練數(shù)據(jù)集的像素點(diǎn)在待分類圖像中的位置，并將b1、b2、b3中的元素合并組成訓(xùn)練數(shù)據(jù)集的所有像素點(diǎn)在待分類圖像中的位置l1；5c)用所述a1、a2、a3中其余95％的元素生成3種對(duì)應(yīng)不同類地物被選作測(cè)試數(shù)據(jù)集的像素點(diǎn)位置c1、c2、c3，其中c1為對(duì)應(yīng)第1類地物中被選作測(cè)試數(shù)據(jù)集的像素點(diǎn)在待分類圖像中的位置，c2為對(duì)應(yīng)第2類地物中被選作測(cè)試數(shù)據(jù)集的像素點(diǎn)在待分類圖像中的位置，c3為對(duì)應(yīng)第3類地物中被選作測(cè)試數(shù)據(jù)集的像素點(diǎn)在待分類圖像中的位置，并將c1、c2、c3中的元素合并組成測(cè)試數(shù)據(jù)集的所有像素點(diǎn)在待分類圖像中的位置l2；5d)定義訓(xùn)練數(shù)據(jù)集d的訓(xùn)練數(shù)據(jù)集特征矩陣w1，在特征塊矩陣f2中依據(jù)l1取對(duì)應(yīng)位置上的值，并賦值給訓(xùn)練數(shù)據(jù)集d的訓(xùn)練數(shù)據(jù)集特征矩陣w1；5e)定義測(cè)試數(shù)據(jù)集t的測(cè)試數(shù)據(jù)集特征矩陣w2，在特征塊矩陣f2中依據(jù)l2取對(duì)應(yīng)位置上的值，并賦值給測(cè)試數(shù)據(jù)集t的測(cè)試數(shù)據(jù)集特征矩陣w2。所述步驟6)構(gòu)造基于全卷積神經(jīng)網(wǎng)絡(luò)的分類模型包括以下步驟：6a)選擇一個(gè)依次由輸入層、卷積層、池化層、卷積層、池化層、卷積層、池化層、卷積層、池化層、卷積層、dropout層、卷積層、dropout層、卷積層、反卷積上采樣層、crop裁剪層、softmax分類器所組成的19層深度神經(jīng)網(wǎng)絡(luò)，每層的參數(shù)如下：對(duì)于第1層輸入層，設(shè)置特征映射圖數(shù)目為3；對(duì)于第2層卷積層，設(shè)置特征映射圖數(shù)目為32，卷積核大小5×5；對(duì)于第3層池化層，設(shè)置下采樣尺寸為2；對(duì)于第4層卷積層，設(shè)置特征映射圖數(shù)目為64，卷積核大小5×5；對(duì)于第5層池化層，設(shè)置下采樣尺寸為2；對(duì)于第6層卷積層，設(shè)置特征映射圖數(shù)目為96，卷積核大小3×3；對(duì)于第7層池化層，設(shè)置下采樣尺寸為2；對(duì)于第8層卷積層，設(shè)置特征映射圖數(shù)目為128，卷積核大小3×3；對(duì)于第9層池化層，設(shè)置下采樣尺寸為2；對(duì)于第10層卷積層，設(shè)置特征映射圖數(shù)目為128，卷積核大小3×3；對(duì)于第11層dropout層，設(shè)置稀疏系數(shù)為0.5；對(duì)于第12層卷積層，設(shè)置特征映射圖數(shù)目為128，卷積核大小1×1；對(duì)于第13層dropout層，設(shè)置稀疏系數(shù)為0.5；對(duì)于第14層卷積層，設(shè)置特征映射圖數(shù)目為2，卷積核大小1×1；對(duì)于第15層上采樣層，設(shè)置特征映射圖數(shù)目為2，卷積核大小32×32；對(duì)于第16層crop層，設(shè)置最終裁剪規(guī)格為128×128；對(duì)于第17層softmax分類器，設(shè)置特征映射圖數(shù)目為2；6b)將第二層卷積層的卷積核大小設(shè)置為5×5，減小感受野。所述的步驟7)將訓(xùn)練數(shù)據(jù)集特征矩陣w1作為分類模型的輸入，將訓(xùn)練數(shù)據(jù)集d中每個(gè)像素點(diǎn)的類別作為分類模型的輸出，求解上述類別與人工標(biāo)記的正確類別之間的誤差，并對(duì)誤差進(jìn)行反向傳播，優(yōu)化分類模型的網(wǎng)絡(luò)參數(shù)，得到訓(xùn)練好的分類模型。所述的步驟8)將測(cè)試數(shù)據(jù)集特征矩陣w2作為訓(xùn)練好的分類模型輸入，訓(xùn)練好的分類模型輸出結(jié)果即為測(cè)試數(shù)據(jù)集t中每個(gè)像素點(diǎn)進(jìn)行分類得到的分類類別。與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：通過(guò)將圖像塊特征擴(kuò)展成像素級(jí)特征，避免了由于使用像素塊而帶來(lái)的重復(fù)存儲(chǔ)和計(jì)算卷積，提高了分類的速度和效率。由于在全卷積神經(jīng)網(wǎng)絡(luò)前引入多層非下采樣輪廓波變換，得到了低頻系數(shù)和高頻系數(shù)，低頻系數(shù)體現(xiàn)對(duì)目標(biāo)的粗略逼近，即目標(biāo)所在區(qū)域等基本信息，高頻系數(shù)能夠比較精確地獲取目標(biāo)的細(xì)節(jié)信息，因此低頻系數(shù)比高頻系數(shù)更具有分類判別能力。本發(fā)明將低頻系數(shù)和高頻系數(shù)進(jìn)行選擇并融合，提高了分類準(zhǔn)確性，由于將卷積神經(jīng)網(wǎng)絡(luò)中的全連接層替換為反卷積層，能夠接受任意大小的輸入圖像，而不要求所有的訓(xùn)練圖像和測(cè)試圖像都具有同樣的尺寸。綜上所述，本發(fā)明高分辨sar圖像分類方法，不僅能提高分類準(zhǔn)確率，還能夠提高分類速度。附圖說(shuō)明圖1本發(fā)明分類方法的流程圖；圖2本發(fā)明對(duì)待分類圖像的人工標(biāo)記圖；圖3本發(fā)明對(duì)待分類圖像的分類結(jié)果圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說(shuō)明。參見(jiàn)圖1，本發(fā)明的圖像分類方法的實(shí)現(xiàn)步驟如下：步驟1、輸入待分類的高分辨sar圖像，對(duì)各像素點(diǎn)進(jìn)行3層非下采樣輪廓波變換，獲取其高、低頻系數(shù)；待分類的高分辨sar圖像為德國(guó)宇航局(dlr)f-sar航空系統(tǒng)于2007年獲取的x波段水平極化圖，分辨率為1m，圖像大小為6187*4278。1a)對(duì)各像素點(diǎn)的分類特征進(jìn)行變換得到變換系數(shù)，其變換方法有小波變換、非下采樣平穩(wěn)小波變換、曲波變換、非下采樣輪廓波變換等方法；1b)本實(shí)例采用非下采樣輪廓波變換對(duì)各像素點(diǎn)進(jìn)行3層變換，非下采樣輪廓波變換包括非下采樣金字塔(nsp)分解和非下采樣方向?yàn)V波器(nsdfb)；1c)非下采樣金字塔(nsp)變換利用非下采樣濾波器組(nsfs)將時(shí)頻平面分解為一個(gè)低頻子代和許多環(huán)形高頻子代；1d)非下采樣方向?yàn)V波器(nsdfb)為二通道非下采樣濾波器組；本實(shí)例中圖像經(jīng)過(guò)3級(jí)nsp濾波，得到1個(gè)低通圖像和3個(gè)帶通圖像的系數(shù)；本實(shí)例的圖像經(jīng)過(guò)nsp的多尺度分解后，其帶通圖像再由nsdfb進(jìn)一步完成圖像的0、1、3級(jí)多方向分解，從而分別得到1、2、8個(gè)帶通子圖像的系數(shù)。步驟2，選擇并融合高、低頻系數(shù)，構(gòu)成基于像素點(diǎn)的特征矩陣f。本實(shí)例將分解得到高頻系數(shù)按照從大到小進(jìn)行排序，選取其中的前50％，與第3層變換后的低頻系數(shù)融合作為變換域分類特征。定義一個(gè)大小為m1×m2×1的矩陣，并將融合結(jié)果賦給矩陣，得到基于像素點(diǎn)的特征f，其中m1為待分類sar圖像的長(zhǎng)，m2為待分類sar圖像的寬。步驟3，對(duì)基于像素點(diǎn)的特征矩陣f進(jìn)行歸一化。常用的歸一化方法有：特征線性縮放法、特征標(biāo)準(zhǔn)化和特征白化。本實(shí)例采用特征線性縮放法，即先求出基于像素點(diǎn)的特征矩陣f的最大值max(f)；再將基于像素點(diǎn)的特征矩陣f中的每個(gè)元素均除以最大值max(f)，得到歸一化特征矩陣f1。步驟4，將歸一化特征矩陣f1按照大小為128×128、間隔為50進(jìn)行切塊處理，構(gòu)成小的特征塊矩陣f2，作為樣本數(shù)據(jù)。步驟5，通過(guò)訓(xùn)練數(shù)據(jù)集d構(gòu)造訓(xùn)練數(shù)據(jù)集特征矩陣w1，通過(guò)測(cè)試數(shù)據(jù)集t構(gòu)造測(cè)試數(shù)據(jù)集特征矩陣w2；具體包括如下步驟：5a)將sar圖像地物分為3類，記錄每個(gè)類別對(duì)應(yīng)的像素點(diǎn)在待分類圖像中的位置，生成3種對(duì)應(yīng)不同類地物像素點(diǎn)的位置a1、a2、a3；其中，a1對(duì)應(yīng)第1類地物像素點(diǎn)在待分類圖像中的位置，a2對(duì)應(yīng)第2類地物像素點(diǎn)在待分類圖像中的位置，a3對(duì)應(yīng)第3類地物像素點(diǎn)在待分類圖像中的位置；5b)從所述不同類地物像素點(diǎn)位置a1、a2、a3中隨機(jī)選取5％的元素，生成3種對(duì)應(yīng)不同類地物被選作訓(xùn)練數(shù)據(jù)集的像素點(diǎn)的位置b1、b2、b3；其中，b1為對(duì)應(yīng)第1類地物中被選作訓(xùn)練數(shù)據(jù)集的像素點(diǎn)在待分類圖像中的位置，b2為對(duì)應(yīng)第2類地物中被選作訓(xùn)練數(shù)據(jù)集的像素點(diǎn)在待分類圖像中的位置，b3為對(duì)應(yīng)第3類地物中被選作訓(xùn)練數(shù)據(jù)集的像素點(diǎn)在待分類圖像中的位置，并將b1、b2、b3中的元素合并組成訓(xùn)練數(shù)據(jù)集的所有像素點(diǎn)在待分類圖像中的位置l1；5c)用所述a1、a2、a3中其余95％的元素生成3種對(duì)應(yīng)不同類地物被選作測(cè)試數(shù)據(jù)集的像素點(diǎn)的位置c1、c2、c3，其中c1為對(duì)應(yīng)第1類地物中被選作測(cè)試數(shù)據(jù)集的像素點(diǎn)在待分類圖像中的位置，c2為對(duì)應(yīng)第2類地物中被選作測(cè)試數(shù)據(jù)集的像素點(diǎn)在待分類圖像中的位置，c3為對(duì)應(yīng)第3類地物中被選作測(cè)試數(shù)據(jù)集的像素點(diǎn)在待分類圖像中的位置，并將c1、c2、c3中的元素合并組成測(cè)試數(shù)據(jù)集的所有像素點(diǎn)在待分類圖像中的位置l2；5d)定義訓(xùn)練數(shù)據(jù)集d的訓(xùn)練數(shù)據(jù)集特征矩陣w1，在基于圖像塊的特征矩陣f2中依據(jù)l1取對(duì)應(yīng)位置上的值，并賦值給訓(xùn)練數(shù)據(jù)集特征矩陣w1；5e)定義測(cè)試數(shù)據(jù)集t的測(cè)試數(shù)據(jù)集特征矩陣w2，在特征塊矩陣f2中依據(jù)l2取對(duì)應(yīng)位置上的值，并賦值給測(cè)試數(shù)據(jù)集特征矩陣w2。步驟6，構(gòu)造基于全卷積神經(jīng)網(wǎng)絡(luò)的分類模型。6a)選擇一個(gè)由輸入層→卷積層→池化層→卷積層→池化層→卷積層→池化層→卷積層→池化層→卷積層→dropout層→卷積層→dropout層→卷積層→上采樣層(反卷積)→crop層(裁剪)→softmax分類器組成的19層深度神經(jīng)網(wǎng)絡(luò)，每層的參數(shù)如下：對(duì)于第1層輸入層，設(shè)置特征映射圖數(shù)目為3；對(duì)于第2層卷積層，設(shè)置特征映射圖數(shù)目為32，卷積核大小5×5；對(duì)于第3層池化層，設(shè)置下采樣尺寸為2；對(duì)于第4層卷積層，設(shè)置特征映射圖數(shù)目為64，卷積核大小5×5；對(duì)于第5層池化層，設(shè)置下采樣尺寸為2；對(duì)于第6層卷積層，設(shè)置特征映射圖數(shù)目為96，卷積核大小3×3；對(duì)于第7層池化層，設(shè)置下采樣尺寸為2；對(duì)于第8層卷積層，設(shè)置特征映射圖數(shù)目為128，卷積核大小3×3；對(duì)于第9層池化層，設(shè)置下采樣尺寸為2；對(duì)于第10層卷積層，設(shè)置特征映射圖數(shù)目為128，卷積核大小3×3；對(duì)于第11層dropout層，設(shè)置稀疏系數(shù)為0.5；對(duì)于第12層卷積層，設(shè)置特征映射圖數(shù)目為128，卷積核大小1×1；對(duì)于第13層dropout層，設(shè)置稀疏系數(shù)為0.5；對(duì)于第14層卷積層，設(shè)置特征映射圖數(shù)目為2，卷積核大小1×1；對(duì)于第15層上采樣層，設(shè)置特征映射圖數(shù)目為2，卷積核大小32×32；對(duì)于第16層crop層，設(shè)置最終裁剪規(guī)格為128×128；對(duì)于第17層softmax分類器，設(shè)置特征映射圖數(shù)目為2。6b)將第二層卷積層的卷積核大小設(shè)置為5×5，減小感受野；步驟7，用訓(xùn)練數(shù)據(jù)集對(duì)分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類模型。將訓(xùn)練數(shù)據(jù)集特征矩陣w1作為分類模型的輸入，訓(xùn)練數(shù)據(jù)集d中每個(gè)像素點(diǎn)的類別作為分類模型的輸出，通過(guò)求解上述類別與人工標(biāo)記的正確類別之間的誤差并對(duì)誤差進(jìn)行反向傳播，優(yōu)化分類模型的網(wǎng)絡(luò)參數(shù)，得到訓(xùn)練好的分類模型，人工標(biāo)記的正確類標(biāo)如圖2所示。步驟8，利用訓(xùn)練好的分類模型對(duì)測(cè)試數(shù)據(jù)集進(jìn)行分類。將測(cè)試數(shù)據(jù)集t的測(cè)試數(shù)據(jù)集特征矩陣w2作為訓(xùn)練好的分類模型的輸入，訓(xùn)練好的分類模型的輸出為對(duì)測(cè)試數(shù)據(jù)集中每個(gè)像素點(diǎn)進(jìn)行分類得到的分類類別。本發(fā)明的效果通過(guò)以下仿真實(shí)驗(yàn)進(jìn)一步說(shuō)明：1、仿真條件：硬件平臺(tái)為：hpz840。軟件平臺(tái)為：caffe。2、仿真內(nèi)容與結(jié)果：用本發(fā)明方法在上述仿真條件下進(jìn)行實(shí)驗(yàn)，即分別從sar數(shù)據(jù)中隨機(jī)選取5％有標(biāo)記的像素點(diǎn)作為訓(xùn)練樣本，其余有標(biāo)記的像素點(diǎn)作為測(cè)試樣本，得到如圖3的分類結(jié)果。從圖3可以看出：分類結(jié)果的區(qū)域一致性較好，農(nóng)田、森林和城鎮(zhèn)這三類的邊緣也較清晰，且保持了細(xì)節(jié)信息。再依次減少訓(xùn)練樣本，使訓(xùn)練樣本占樣本總數(shù)的4％、3％、2％，將本發(fā)明與全卷積神經(jīng)網(wǎng)絡(luò)的測(cè)試數(shù)據(jù)集分類精度進(jìn)行對(duì)比，結(jié)果如表1所示：表1訓(xùn)練樣本所占比例fcn-8本發(fā)明5％94.0039％94.3360％4％93.3933％94.1524％3％92.6727％93.3117％2％91.4413％92.4162％從表1可見(jiàn)，訓(xùn)練樣本占樣本總數(shù)的5％、4％、3％、2％時(shí)，本發(fā)明的測(cè)試數(shù)據(jù)集分類精度均高于單純的全卷積神經(jīng)網(wǎng)絡(luò)。綜上，本發(fā)明通過(guò)在全卷積神經(jīng)網(wǎng)絡(luò)中引入非下采樣輪廓波變換，考慮了高分辨sar圖像的方向信息和空間信息，有效提高了圖像特征的表達(dá)能力，增強(qiáng)了模型的泛化能力，使得在訓(xùn)練樣本較少的情況下仍可以達(dá)到很高的分類精度。當(dāng)前第1頁(yè)12