基于協(xié)同表示和深度學(xué)習(xí)的極化sar圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域,特別涉及極化SAR圖像分類方法,可用于地物識 別。
【背景技術(shù)】
[0002] 雷達(dá)是一種可以實現(xiàn)全天候工作的主動探測系統(tǒng),它可以穿透一定的地表,并且 可以改變發(fā)射波的頻率、強度。合成孔徑雷達(dá)SAR是成像雷達(dá)技術(shù)的一種,它是利用雷達(dá)與 目標(biāo)的相對運動把尺寸較小的真實無線孔徑用數(shù)據(jù)處理的方法合成一個較大的等效天線 孔徑雷達(dá),具有全天候、全天時、高分辨的優(yōu)勢。而極化SAR是用來測量回波信號的新型雷 達(dá),它可以記錄不同極化狀態(tài)組合回波的相位差信息,能對目標(biāo)進(jìn)行全極化測量成像,大大 提高了對地物的識別能力。極化SAR圖像分類是極化SAR圖像解譯的重要步驟,是邊緣提 取、目標(biāo)檢測和識別的基礎(chǔ),可廣泛應(yīng)用于軍事偵察、地形測繪、農(nóng)作物生長監(jiān)測等領(lǐng)域。
[0003]目前經(jīng)典的極化SAR圖像分類方法有:
[0004] 1997年,Cloude等人提出了一種基于H/a極化分解的分類方法,該方法通過 Cloude分解得到特征參數(shù)散射熵H和散射角a,然后根據(jù)兩個特征參數(shù)不同的值,將目標(biāo) 分成8類。該方法的缺陷是位于類別邊界特征相似的像素點會以隨機(jī)的方式分配給不同的 類別并且這兩個特征不足以表示所有的極化SAR信息。
[0005] 1999年,Lee等人提出了一種基于H/a極化分解和復(fù)Wishart分類器的H/ a -Wishart分類方法,該方法將H/ a極化分解方法得到的結(jié)果作為復(fù)Wishart分類器的初 始分類,對劃分好的8個類別中的每一個像素進(jìn)行重新劃分,從而提高分類的精度。該方法 的缺陷是將分類類別數(shù)固定為8類,不能適應(yīng)不同類別數(shù)的地物分類。
[0006] 2004年,J. S. Lee等人提出了一種基于Freeman-Durden分解的極化SAR圖像分類 方法,該方法首先通過Freeman分解獲取表征散射體散射特征的三個特征:平面散射功率、 二面角散射功率和體散射功率,然后根據(jù)這三個特征的大小對數(shù)據(jù)進(jìn)行初始劃分,然后利 用Wishart分類器進(jìn)行進(jìn)一步精確劃分。但是該方法由于Freeman分解中的多類的劃分以 及合并,計算復(fù)雜度較高。
【發(fā)明內(nèi)容】
[0007] 本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)方法的不足,提出了一種基于協(xié)同表示和深 度學(xué)習(xí)的極化SAR圖像分類方法,以降低極化SAR圖像分類的計算復(fù)雜度,提高分類精度。
[0008] 為實現(xiàn)上述目的,本發(fā)明的技術(shù)方案包括如下步驟:
[0009] (1)將極化SAR圖像中每個3*3大小像素點的極化相干矩陣T作為輸入數(shù)據(jù),計算 每個3*3大小像素點的極化協(xié)方差矩陣C,這兩個矩陣T和C中均包括9個元素;用T的對 角線上的三個元素T n、T22、T33構(gòu)成總功率特征參數(shù):S = T n+T22+T33;
[0010] (2)從每個像素點的極化相干矩陣T中通過克勞德Cloude分解方法分解出散 射熵H和反熵A兩個散射參數(shù);從每個像素點的極化協(xié)方差矩陣C中通過弗里曼-德登 Freeman-Durden分解方法分解出表面散射功率Ps、二面角散射功率P d和體散射功率P 個功率參數(shù);
[0011] (3)用所述參數(shù)H、A、Ps、Pd、匕和極化相干矩陣T的9個元素、極化協(xié)方差矩陣C 的9個元素、總功率特征參數(shù)S,這24個特征作為每個像素點的特征矩陣B;用所有像素點 的特征矩陣組成整幅圖像的特征矩陣F= 其中Bk表示第k個像素 點的特征矩陣,k = 1,2,…,N,N為整幅圖像的總像素點數(shù);
[0012] (4)根據(jù)實際地物分布,從每類像素點所對應(yīng)的特征矩陣中選取100個像素點的 特征矩陣作為訓(xùn)練樣本集Y,取整幅圖像的特征矩陣F作為測試樣本集;
[0013] (5)將訓(xùn)練樣本集Y作為初始字典,利用K-SVD算法學(xué)習(xí)得到學(xué)習(xí)字典D;
[0014] (6)用步驟(5)得到的學(xué)習(xí)字典D協(xié)同表示訓(xùn)練樣本集Y和測試樣本集F,利用最 小二乘法求解訓(xùn)練樣本集Y的表示系數(shù)毛、測試樣本集F的表示系數(shù)冬;
[0015] (7)將步驟(6)得到的訓(xùn)練樣本集的表示系數(shù)<輸入到一個兩層的稀疏自編碼 器中訓(xùn)練,得到第一層稀疏自編碼器的權(quán)值A(chǔ)和偏置bi,第二層稀疏自編碼器的權(quán)值^和 偏置b 2,然后固定兩層稀疏自編碼器的參數(shù),將訓(xùn)練樣本集的表示系數(shù)&輸入,得到輸出值 hy;
[0016] (8)將測試樣本集的表示系數(shù)<輸入到步驟(7)固定的兩層稀疏自編碼器中,得 到測試樣本集的表示系數(shù)+的輸出值hf;
[0017] (9)將步驟(7)得到的輸出值hy輸入到libSVM分類器中進(jìn)行訓(xùn)練,并將步驟(8) 得到的輸出值h f輸入到已訓(xùn)練好的libSVM分類器中,得到最終的分類結(jié)果。
[0018] 本發(fā)明與現(xiàn)有技術(shù)相比,具有以下優(yōu)點:
[0019] 1、本發(fā)明結(jié)合了協(xié)同表示技術(shù),有效地降低了計算復(fù)雜度;
[0020] 2、本發(fā)明利用稀疏自編碼器對表示系數(shù)進(jìn)行深度學(xué)習(xí),得到極化SAR圖像特征更 本質(zhì)的表示,提高了分類精度;
[0021] 3、本發(fā)明結(jié)合了 libSVM分類器,降低了分類消耗的時間,提高了分類精度;
[0022] 仿真結(jié)果表明,本發(fā)明方法較經(jīng)典的H/ a極化分解的分類方法和H/ a -Wishart 分類方法能更有效的對極化SAR圖像進(jìn)行分類。
【附圖說明】
[0023] 圖1是本發(fā)明的流程圖;
[0024] 圖2是本發(fā)明仿真所用的兩幅測試圖像;
[0025] 圖3是本發(fā)明與現(xiàn)有兩種方法對San Francisco數(shù)據(jù)的分類實驗結(jié)果對比圖;
[0026] 圖4為本發(fā)明與現(xiàn)有兩種方法對Flevoland數(shù)據(jù)的分類實驗結(jié)果對比圖。
【具體實施方式】
[0027]參照圖1,本發(fā)明的具體實現(xiàn)步驟如下:
[0028] 步驟一,計算極化協(xié)方差矩陣C、總功率特征參數(shù)S。
[0029] (la)輸入極化SAR圖像每個3*3大小像素點的極化相干矩陣T;
[0030](lb)通過下式計算每個像素點的極化協(xié)方差矩陣C :C = M*T*M',
[0031]式中,M = [l/sqrt(2)]*m,m = [101 ;10_1 ;0sqrt(2)0],sqrt(2)表示 2 的平方 根,M'表示M的轉(zhuǎn)置矩陣。
[0032] (lc)用T的對角線上的三個元素Tn、T 22、T33構(gòu)成總功率特征參數(shù):S = Tn+T22+T33。
[0033]