基于稀疏深度堆棧網(wǎng)絡(luò)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，更進(jìn)一步涉及極化合成孔徑雷達(dá)圖像分類技術(shù)領(lǐng) 域中的一種基于稀疏深度堆棧網(wǎng)絡(luò)的極化合成孔徑雷達(dá)SAR圖像分類方法。本發(fā)明可應(yīng)用 于雷達(dá)圖像的地物分類和目標(biāo)識別。
【背景技術(shù)】
[0002] 合成孔徑雷達(dá)SAR是一種工作在微波波段的相干成像雷達(dá)，是一種主動式遙感傳 感器。極化SAR屬于SAR的范疇，與傳統(tǒng)的SAR相比，它可以通過控制變換雷達(dá)發(fā)射和接收 電磁波的極化方式大大提高對目標(biāo)各種信息的獲取能力，為更加深入地研究目標(biāo)散射機(jī)理 提供了重要依據(jù)。對極化SAR圖像的理解與解譯屬于圖像處理范疇，還涉及信號處理，模式 識別及機(jī)器學(xué)習(xí)等眾多學(xué)科。極化SAR圖像分類作為極化SAR圖像理解與解譯的關(guān)鍵環(huán)節(jié) 之一，受到國內(nèi)外研究者的廣泛關(guān)注。
[0003] 根據(jù)是否需要訓(xùn)練樣本，極化SAR圖像分類方法可以分為有監(jiān)督和無監(jiān)督兩種。 對于這兩種方法，特征提取和分類方法是兩個基本要素。極化SAR圖像的分類結(jié)果很大程 度上依賴于提取的特征，基于這個原因，很多關(guān)于極化SAR圖像分類研究的重點(diǎn)都放在了 特征提取上。到目前為止，極化SAR圖像分類中用到的特征主要包括兩大類，一類基于測量 數(shù)據(jù)的簡單組合和變換，另一類基于目標(biāo)分解。
[0004] 西安電子科技大學(xué)在其申請的專利"基于Cloude分解和K-wishart分布的極化 SAR圖像分類方法"（專利【申請?zhí)枴?01210414789. 6,公布號：CN102999761A)中提出了一種 利用Cloude分解進(jìn)行初始分類并結(jié)合K-wishart分布進(jìn)行二次分類的極化SAR圖像分類 方法。該方法利用傳統(tǒng)的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H/α平面將極化SAR圖像劃分為8類，并利用K-wishart分類器在初分類的基 礎(chǔ)上進(jìn)行二次迭代分類。該方法雖然能合理地解釋分類結(jié)果的散射機(jī)理，而且不需要數(shù)據(jù) 的先驗(yàn)知識，但是仍然存在的不足之處是，僅利用單一的極化散射特征量，并不能完整的表 征復(fù)雜目標(biāo)的特性，對具有復(fù)雜目標(biāo)的極化SAR圖像的分類準(zhǔn)確度低；該方法將極化SAR圖 像直接劃分為8類，對于類別數(shù)多于8類或少于8類的數(shù)據(jù)來說缺乏靈活性。
[0005] 由于單一的目標(biāo)分解不能完全描述地物的散射機(jī)理，其形成的特征不足以表征實(shí) 際地物。鑒于此，張祥、鄧喀中、范洪冬和趙慧在其論文"基于目標(biāo)分解的極化SAR圖像SVM 監(jiān)督分類"（《計算機(jī)應(yīng)用研究》，2013年1月第30卷第1期295-298頁）中提出了一種基 于多種目標(biāo)分解方法并結(jié)合SVM的極化SAR圖像有監(jiān)督分類方法。該方法首先對極化SAR 圖像使用多種目標(biāo)分解方法進(jìn)行處理，得到相應(yīng)的分量信息，然后在極化SAR圖像特征提 取的基礎(chǔ)上將SVM應(yīng)用于極化SAR圖像分類。該方法雖然能充分利用極化SAR圖像的散射 特征，但是仍然存在的不足之處是，該方法需要預(yù)先獲取數(shù)據(jù)的各種特性和先驗(yàn)知識進(jìn)行 人工選擇特征，同時，得到的特征冗余性高，導(dǎo)致時間復(fù)雜度大大增加。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于稀疏深度堆棧網(wǎng)絡(luò) 的極化SAR圖像分類方法。本發(fā)明以提取極化SAR圖像的深度特征，避免利用單一的極化 散射特征量造成分類準(zhǔn)確度低的問題。
[0007] 本發(fā)明實(shí)現(xiàn)上述目的的思路是：利用稀疏深度堆棧網(wǎng)絡(luò)對極化SAR數(shù)據(jù)進(jìn)行自動 特征學(xué)習(xí)，提取出其數(shù)據(jù)的深度特征，利用這些深度特征對極化SAR圖像分類。
[0008] 實(shí)現(xiàn)本發(fā)明目的的具體步驟如下：
[0009] (1)輸入極化SAR圖像：
[0010] 輸入一幅待分類的極化合成孔徑雷達(dá)SAR圖像的相干矩陣，其大小是3X3XN的 矩陣，N表示極化合成孔徑雷達(dá)SAR圖像象素點(diǎn)的個數(shù)；
[0011] ⑵選取訓(xùn)練樣本和測試樣本：
[0012] (2a)將相干矩陣的上三角6個元素的實(shí)部和虛部作為極化SAR圖像的特征，組成 一個9XN大小的樣本集；
[0013] (2b)從樣本集中隨機(jī)選取10 %的樣本作為訓(xùn)練樣本，剩余90 %的樣本作為測試 樣本；
[0014] (3)構(gòu)造稀疏深度堆棧網(wǎng)絡(luò)：
[0015] 將三個單層的稀疏深度網(wǎng)絡(luò)，以上層、中層和下層的位置關(guān)系，構(gòu)成稀疏深度堆棧 網(wǎng)絡(luò)，所述的上層、中層和下層網(wǎng)絡(luò)各包括一個輸入層、一個隱含層和一個輸出層，隱含層 的節(jié)點(diǎn)個數(shù)為100 ;
[0016] ⑷訓(xùn)練稀疏深度堆棧網(wǎng)絡(luò)：
[0017] (4a)隨機(jī)生成一組服從均值為0和標(biāo)準(zhǔn)差為0. 01的正態(tài)分布數(shù)據(jù)，將正態(tài)分布數(shù) 據(jù)作為下層稀疏深度堆棧網(wǎng)絡(luò)中連接輸入層和隱含層的系數(shù)矩陣的初始值；
[0018] (4b)按照下式，計算下層稀疏深度堆棧網(wǎng)絡(luò)中隱含層的輸出矩陣：
[0020] 其中，氏表示下層稀疏深度堆棧網(wǎng)絡(luò)中隱含層的輸出矩陣，〇 (·)表示取閾值操 作，1表示下層稀疏深度堆棧網(wǎng)絡(luò)中連接輸入層和隱含層的系數(shù)矩陣，X表示訓(xùn)練樣本集；
[0021] (4c)按照下式，計算下層稀疏深度堆棧網(wǎng)絡(luò)中連接隱含層和輸出層的系數(shù)矩陣：
[0023] 其中，U1表示下層稀疏深度堆棧網(wǎng)絡(luò)中連接隱含層和輸出層的系數(shù)矩陣，H 1表示 下層稀疏深度堆棧網(wǎng)絡(luò)中隱含層的輸出矩陣，R表示對訓(xùn)練樣本集中樣本的歸屬類別進(jìn)行 編碼后得到的編碼矩陣，T表示矩陣的轉(zhuǎn)置操作，（·）1表示求逆矩陣操作；
[0024] (4d)將下層稀疏深度堆棧網(wǎng)絡(luò)中隱含層的輸出矩陣輸入到下層稀疏深度堆棧網(wǎng) 絡(luò)中的輸出層，按照下式，計算下層稀疏深度堆棧網(wǎng)絡(luò)中輸出層的輸出矩陣：
[0025] Y1 = U1iHl
[0026] 其中，Y1表示下層稀疏深度堆棧網(wǎng)絡(luò)中輸出層的輸出矩陣，U i表示下層稀疏深度 堆棧網(wǎng)絡(luò)中連接隱含層和輸出層的系數(shù)矩陣，H1表示下層稀疏深度堆棧網(wǎng)絡(luò)中隱含層的輸 出矩陣，T表示矩陣的轉(zhuǎn)置操作；
[0027] (4e)按照下式，計算下層稀疏深度堆棧網(wǎng)絡(luò)的均方誤差：
[0028] E = Tr [ (Y1-R) (Y1-R)τ]
[0029] 其中，E表示下層稀疏深度堆棧網(wǎng)絡(luò)的均方誤差，Tr[ ·]表示矩陣對角線上的元素 之和，1表示下層稀疏深度堆棧網(wǎng)絡(luò)中輸出層的輸出矩陣，R表示對訓(xùn)練樣本集中樣本的歸 屬類別進(jìn)行編碼后得到的編碼矩陣，T表示矩陣的轉(zhuǎn)置操作；
[0030] (4f)在下層稀疏深度堆棧網(wǎng)絡(luò)中加入結(jié)構(gòu)稀疏約束，按照下式，計算下層稀疏深 度堆棧網(wǎng)絡(luò)的稀疏正則項(xiàng)：
[0032] 其中，Ψ表示下層稀疏深度堆棧網(wǎng)絡(luò)的稀疏正則項(xiàng)，N表示訓(xùn)練樣本的個數(shù)，Σ表 示求和操作，I I · I I2表示2范數(shù)操作，I I · I I i表示1范數(shù)操作，h (k)表示對下層稀疏深度 堆棧網(wǎng)絡(luò)中隱含層輸出矩陣H1進(jìn)行2范數(shù)歸一化后得到的矩陣的第k列，h ,表示對下層稀 疏深度堆棧網(wǎng)絡(luò)中隱含層輸出矩陣H1進(jìn)行2范數(shù)歸一化后得到的矩陣的第j行，h ,表示下 層稀疏深度堆棧網(wǎng)絡(luò)中隱含層輸出矩陣H1的第j行；
[0033] (4g)按照下式，計算下層稀疏深度堆棧網(wǎng)絡(luò)的損失項(xiàng)：
[0034] F1= Ε+β Ψ
[0035] 其中，F(xiàn)1表示下層稀疏深度堆棧網(wǎng)絡(luò)的損失項(xiàng)，E表示下層稀疏深度堆棧網(wǎng)絡(luò)的均 方誤差，β表示衰減系數(shù)，其取值范圍為〇.〇〇〇1〈β <0.1，Ψ表示下層稀疏深度堆棧網(wǎng)絡(luò) 的稀疏正則項(xiàng)；
[0036] (4h)利用梯度下降法，對下層稀疏深度堆棧網(wǎng)絡(luò)的損失項(xiàng)進(jìn)行優(yōu)化，在下層稀疏 深度堆棧網(wǎng)絡(luò)的損失項(xiàng)達(dá)到最小值時，得到訓(xùn)練好的下層稀疏深度堆棧網(wǎng)絡(luò)，將訓(xùn)練樣本 輸入到訓(xùn)練好的下層稀疏深度堆棧網(wǎng)絡(luò)中，得到下層稀疏深度堆棧網(wǎng)絡(luò)中輸出層的最優(yōu)輸 出矩陣；
[0037] (4i)將下層稀疏深度堆棧網(wǎng)絡(luò)中輸出層的最優(yōu)輸出矩陣和訓(xùn)練樣本一起輸入到 中層稀疏深度堆棧網(wǎng)絡(luò)，將訓(xùn)練好的下層稀疏深度堆棧網(wǎng)絡(luò)的系數(shù)矩陣作為中層稀疏深度 堆棧網(wǎng)絡(luò)的系數(shù)矩陣^和1]2的初始值，執(zhí)行步驟（4b)、步驟（4c)、步驟（4d)、步驟（4e)、步 驟（4f)、步驟（4g)、步驟（4h)，得到訓(xùn)練好的中層稀疏深度堆棧網(wǎng)絡(luò)；將訓(xùn)練樣本輸入到訓(xùn) 練好的中層稀疏深度堆棧網(wǎng)絡(luò)中，得到中層稀疏深度堆棧網(wǎng)絡(luò)中輸出層的最優(yōu)輸出矩陣；
[0038] (4j)將下層稀疏深度堆棧網(wǎng)絡(luò)中輸出層的最優(yōu)輸出矩陣、中層稀疏深度堆棧網(wǎng)絡(luò) 中輸出層的最優(yōu)輸出矩陣和訓(xùn)練樣本一起輸入到上層稀疏深度堆棧網(wǎng)絡(luò)，將訓(xùn)練好的中層 稀疏深度堆棧網(wǎng)絡(luò)的系數(shù)矩陣作為上層稀疏深度堆棧網(wǎng)絡(luò)的系數(shù)矩陣1和1]3的初始值，執(zhí) 行步驟（4b)、步驟（4c)、步驟（4d)、步驟（4e)、步驟（4f)、步驟（4g)、步驟（4h)，得到訓(xùn)練好 的上層稀疏深度堆棧網(wǎng)絡(luò)；
[0039] (5)輸入測試樣本：
[0040] 將測試樣本輸入到訓(xùn)練好的三層稀疏深度堆棧網(wǎng)絡(luò)中，得到待分類的極化合成孔 徑雷達(dá)SAR圖像的分類標(biāo)簽；
[0041] (6)獲得分類結(jié)果圖：
[0042] 根據(jù)分類標(biāo)簽對待分類的極化合成孔徑雷達(dá)SAR圖像上色，將具有相同標(biāo)簽值的 象素設(shè)置為同一種顏色，得到待分類的極化合成孔徑雷達(dá)SAR圖像的分類結(jié)果圖。
[0043] 本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：
[0044