基于多層量子脊波表示的極化sar圖像地物的分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及一種多特征，多類別的極化SAR圖像地 物分類方法，可用于目標(biāo)識別，目標(biāo)跟蹤等領(lǐng)域。
【背景技術(shù)】
[0002] 極化合成孔徑雷達(dá)SAR已成為遙感領(lǐng)域最先進(jìn)的傳感器之一，而極化SAR圖像分 類是SAR圖像解譯的重要研宄技術(shù)。極化SAR能對目標(biāo)進(jìn)行更全面的描述，其測量數(shù)據(jù)包 含了更豐富的目標(biāo)信息，因此極化SAR在目標(biāo)檢測、分類及參數(shù)反演等方面具有非常明顯 的優(yōu)勢。極化SAR圖像分類的目的是利用機(jī)載或星載極化SAR傳感器獲得的極化測量數(shù)據(jù) 確定每個像素所屬的類別。傳統(tǒng)極化SAR分類方法包括：
[0003] 1997年，Cloude等人提出了基于H/ α目標(biāo)分解的極化SAR圖像非監(jiān)督分類方法。 該方法主要是通過Cloude分解獲取H和α兩個表征極化數(shù)據(jù)的特征，然后根據(jù)H和α組 成的H/α平面人為的將其劃分為9個區(qū)域，去掉一個理論上不可能存在的區(qū)域，最終將圖 像劃分為8類。H/α分類存在的一個缺陷是區(qū)域的劃分過于武斷，當(dāng)同一類的數(shù)據(jù)分布在 兩類或幾類的邊界時，分類器性能將變差，另一個不足之處是，當(dāng)同一個區(qū)域里共存幾種不 同的地物時，將不能有效區(qū)分。
[0004] 1999年，Lee等人提出了基于H/α目標(biāo)分解和復(fù)Wishart分類器的H/a-Wishart 分類方法。該方法是在原始H/α分類基礎(chǔ)上增加復(fù)Wishart迭代分類過程，主要是利用復(fù) Wishart分類器對H/ α劃分后的8個類別中的每一個像素進(jìn)行類別重新劃分，從而提高分 類的精度。但是該算法存在的不足是：不能很好的保持各類的極化散射特性，且由于將分類 類別數(shù)固定為8類，不能適應(yīng)不同類別數(shù)的地物分類，因此對于類別多于8類或少于8類的 數(shù)據(jù)來說，該算法的分類效果會有所影響。
[0005] 2004年，Lee等人又提出了一種基于Freeman分解的性能優(yōu)良的極化SAR分類算 法。該算法仍然存在著一定的局限性，最終分類結(jié)果易受Freeman分解性能的影響，對于不 同波段的極化數(shù)據(jù)該算法的普適性差。
[0006] 隨著各種極化SAR系統(tǒng)獲取的地面數(shù)據(jù)日益增加，對于分類方法的自適應(yīng)性及普 適性的要求越來越高，分類效果的評價也逐漸嚴(yán)苛起來，如細(xì)節(jié)信息的完整性，圖像分類 精度以及時間復(fù)雜度等。上述這些方法盡管提高了圖像分類效果，但是仍然存在不能適應(yīng) 不同波段極化數(shù)據(jù)及不同類別數(shù)的地物分類，圖像細(xì)節(jié)信息保持較差，分類準(zhǔn)確度低，時間 復(fù)雜度高等問題。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于多層量子脊波表示的 極化SAR圖像地物分類方法，以自適應(yīng)地尋找并充分挖掘極化SAR數(shù)據(jù)的極化和方向特征， 提高極化SAR圖像的分類精度，減少時間復(fù)雜度。
[0008] 本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：
[0009] 一.技術(shù)原理
[0010] 脊波函數(shù)是描述高維空間的一種維數(shù)不可分的基函數(shù)，能以一種穩(wěn)定和固定的 方式逼進(jìn)任一多變量函數(shù)，并且它對于線型奇異性具有最稀疏的表示，這種脊波函數(shù)可以 作為神經(jīng)網(wǎng)絡(luò)隱含層的核函數(shù)，將小波的優(yōu)點延伸到更高維空間，完成神經(jīng)網(wǎng)絡(luò)的函數(shù)逼 近功能。
[0011] 脊波神經(jīng)網(wǎng)絡(luò)的基本思想是：用脊波函數(shù)作為"隱"單元的基函數(shù)構(gòu)成隱含層空 間，先將數(shù)據(jù)非線性映射到一個高維度的空間中，然后再在高維空間用線性模型來做回歸 或者分類，輸入向量被直接映射到隱含層的空間。脊波神經(jīng)網(wǎng)絡(luò)以任意準(zhǔn)確率逼近任意連 續(xù)函數(shù)。
[0012] 量子化的脊波神經(jīng)網(wǎng)絡(luò)是采用脊波函數(shù)線性疊加作為激勵函數(shù)，既能表示更多的 狀態(tài)和量級，又能提高網(wǎng)絡(luò)收斂精度和速度。
[0013] 傳統(tǒng)圖像分類是通過單層網(wǎng)絡(luò)進(jìn)行分類，學(xué)習(xí)到的特征比較低級，本發(fā)明針對單 層網(wǎng)絡(luò)對特征表達(dá)的不足這一缺點，構(gòu)造多層量子脊波神經(jīng)網(wǎng)絡(luò)，更有效地利用多層網(wǎng)絡(luò) 來提取極化SAR圖像的高級特征，以提高極化SAR圖像地物分類的性能。
[0014] 二.技術(shù)方案
[0015] 根據(jù)上述原理，本發(fā)明的技術(shù)方案包括如下步驟：
[0016] (1)提取極化SAR圖像的特征：
[0017] (Ia)取極化SAR圖像每個像素點的協(xié)方差矩陣C的主對角線上的元素 cn，c22， C33?
[0018] (Ib)對每個像素點的相干矩陣T采用Cloude分解得到散射熵H和平均散射角 α ;
[0019] (Ic)對每個像素點的協(xié)方差矩陣C采用Freeman分解，得到表面散射功率矩陣Ps、 二面角散射功率矩陣P d、體散射功率矩陣Pv;
[0020] (2)特征組合并歸一化：
[0021] 用上述參數(shù)cn，c22, c33, H，a，Ps，Pd，Pji成極化SAR圖像所有像素點的8維特征 矩陣，并將該特征矩陣的8維特征歸一到[0, 1]之間的數(shù)值，構(gòu)造一組8維列向量Feature ;
[0022] (3)將極化SAR圖像地物分為15類，每類選取50個像素點，共750個像素點作為 訓(xùn)練樣本，每類選取1000個像素點，共15000個像素點作為測試樣本，分別組成一個8*750 的訓(xùn)練數(shù)據(jù)集Ul和8*15000的測試樣本集Vl ;
[0023] (4)用兩層量子脊波神經(jīng)網(wǎng)絡(luò)訓(xùn)練訓(xùn)練數(shù)據(jù)集Ul :
[0024] (4a)將訓(xùn)練數(shù)據(jù)集Ul輸入到第一層脊波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到脊波神經(jīng)網(wǎng)絡(luò) 隱層單元的輸出U2,即極化SAR圖像訓(xùn)練數(shù)據(jù)集的高級特征；
[0025] (4b)將上述訓(xùn)練數(shù)據(jù)集的高級特征U2輸入到第二層量子脊波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn) 練，得到量子脊波神經(jīng)網(wǎng)絡(luò)隱層單元的輸出U3,即極化SAR圖像訓(xùn)練數(shù)據(jù)集的更高級特征；
[0026] (5)將上述訓(xùn)練數(shù)據(jù)集的更高級特征U3輸入到人工神經(jīng)網(wǎng)絡(luò)NN網(wǎng)絡(luò)分類器進(jìn)行 訓(xùn)練，得出訓(xùn)練數(shù)據(jù)集Ul的分類標(biāo)簽，統(tǒng)計標(biāo)簽相同的樣本個數(shù)，得到訓(xùn)練分類準(zhǔn)確率，通 過微調(diào)網(wǎng)絡(luò)各層的參數(shù)得到最優(yōu)訓(xùn)練分類準(zhǔn)確率。
[0027] (6)極化SAR圖像分類：
[0028] 將測試數(shù)據(jù)集Vl輸入到兩層量子脊波神經(jīng)網(wǎng)絡(luò)中，得出輸出值V3 ;將輸出值V3 輸入到訓(xùn)練好的人工神經(jīng)網(wǎng)絡(luò)NN網(wǎng)絡(luò)分類器中，得出測試數(shù)據(jù)集Vl的分類標(biāo)簽。
[0029] 本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點：
[0030] 第一，本發(fā)明由于采用量子脊波神經(jīng)網(wǎng)絡(luò)訓(xùn)練極化SAR圖像的特征，具有如下優(yōu) 點
[0031] 1)克服了傳統(tǒng)方法對極化SAR圖像進(jìn)行分類時，存在同物異譜及異物同譜現(xiàn)象使 得區(qū)域一致性差、不同區(qū)域劃分邊界模糊的問題；
[0032] 2)能有效提取數(shù)據(jù)的局部信息，具有自學(xué)習(xí)、自適應(yīng)、容錯性和更強的學(xué)習(xí)能力， 且結(jié)構(gòu)更簡單，收斂速度更快；
[0033] 3)能夠以更小的網(wǎng)絡(luò)規(guī)模逼近廣泛的多變量函數(shù)類型，相對固定的脊波變換具有 更靈活的結(jié)構(gòu)、快速并行的處理速度以及強容錯性和魯棒性，有效地提高了極化SAR圖像 分類的精度，并且降低計算復(fù)雜度。
[0034] 第二，本發(fā)明利用了極化SAR圖像的極化特征，不僅使得樣本的數(shù)目大大降低，提 高了網(wǎng)絡(luò)學(xué)習(xí)的效率，而