基于極限學習機的極化sar圖像分類方法
【技術領域】
[0001] 本發(fā)明屬于圖像處理技術領域，具體涉及極化合成孔徑雷達SAR圖像處理，可用 于極化SAR圖像的地物分類與目標識別。
【背景技術】
[0002] 極化SAR有全天時、全天候的工作能力，以及其分辨率高、能有效識別偽裝和穿透 掩蓋物等特點，從而被廣泛應用于遙感和地圖測繪等領域。在過去的二十年中，研究表明， 極化SAR在目標檢測、地物分類、參數(shù)反演、地形提取應用方面能夠提供比單極化SAR更多 有用的信息。
[0003] 傳統(tǒng)有監(jiān)督的極化SAR圖像分類方法主要包括如下算法：Wishart監(jiān)督分類，該算 法精度較低，并且時間效率低；基于反向傳播的神經網絡BPNN，該方法因迭代求解導致運 行時間長；支持向量機SVM方法，該方法存在預測時間較長的問題。
[0004] 目前較流行的方法有深度學習算法，如稀疏自編碼器SSAEs。西安電子 科技大學申請的專利"基于稀疏自動編碼器的極化SAR圖像分類方法"（專利申請 號：CN201410140571.5,公布號：CN103886336A)。該方法的實現(xiàn)過程為，首先輸入待分類的 極化SAR圖像的相干矩陣，濾波后選取樣本，再獲取稀疏主分量，之后訓練稀疏自動編碼 器，提取特征，最后用支持向量機分類，輸出分類結果。該方法雖然能進行特征提取和變換， 提高精度，但算法模型復雜，且運行時間太長。

【發(fā)明內容】

[0005] 本發(fā)明的目的在于針對已有技術的不足，提出了一種基于極限學習機的極化SAR 圖像分類方法，在保證較高精度的前提下，降低了極化SAR圖像分類的處理時間。
[0006] 為實現(xiàn)上述目的，本發(fā)明的技術方案包括如下步驟：
[0007] (1)輸入待分類極化SAR圖像標記信息，輸入一幅大小為3X3XM的待分類極化 SAR圖像的相干矩陣，并用Lee濾波器濾除相干噪聲，得到濾波后的相干矩陣，其中，濾波后 的相干矩陣中每個元素是一個3X3矩陣，M表示待分類的極化SAR圖像像素點的總數(shù)；
[0008] (2)將濾波后相干矩陣中每個元素對應的3X3矩陣，拉成一個9維的特征向量，獲 得大小為9XM的數(shù)據(jù)矩陣；
[0009] ⑶將數(shù)據(jù)矩陣進行歸一化處理，獲得數(shù)據(jù)集N：=丨A-,iA-,eyr丨,...,M丨，其中n= 9為特征的維數(shù)，Xi為特征向量；
[0010] (4)從數(shù)據(jù)集中獲得訓練集$和測試集％ :
[0011] (4a)根據(jù)標記信息從數(shù)據(jù)集N中獲得標記集 ;三尺"，/;e/T，/ = 1,...，八，卜其中m為類別總數(shù)，N為標記樣本的總數(shù)，h為類別 向量；
[0012] (4b)將標記集隨機選取1 %作為訓練集心二{(x,.,/,) |x,eef:,:/:二1,…，哥，剩 余99%作為測試集心=Uv,.，）|x,_e/?V,.e …義，其中K訓練集樣本個數(shù)，S為測試 集的樣本個數(shù)；
[0013] (5)用訓練集※訓練極限學習機：
[0014] (5a)設置極限學習機隱含層節(jié)點的激活函數(shù)為G(a，b，x) =exp(-b| |x_a| |2)，隱 含層單元個數(shù)為1，且1(>1^
[0015] (5b)隨機設置輸入權值aj和偏值b」，j= 1，? ??，L;
[0016] (5c)輸入層為訓練集》=Ku) |x,.ee/?'/ = ，計算隱藏層輸出矩陣
[0018] (5d)計算輸出權值為點=.好￥ ,其中#為H的Moore-Penrose廣義逆， //'=(/////)'I!1 -T= 為H，
[0017]
[0019] (6)數(shù)據(jù)集&輸入到訓練好的極限學習機中，得到分類結果。
[0020] 本發(fā)明與現(xiàn)有的技術相比具有以下優(yōu)點：
[0021] 1.本發(fā)明利用Lee濾波對原始極化SAR進行預處理，有效降低了相干斑噪聲，提高 圖像的質量和分類性能；
[0022] 2.本發(fā)明利用了極限學習機方法對極化SAR圖像分類，由于該算法有解析解，無 需迭代求解權重參數(shù)，所以訓練速度快，運行時間短；
[0023] 3.本發(fā)明利用了極限學習機方法對極化SAR圖像分類，該算法泛化性能好，分類 精度高。
【附圖說明】
[0024] 圖1是本發(fā)明的實現(xiàn)總流程圖；
[0025] 圖2是本發(fā)明仿真使用的舊金山地區(qū)極化SAR數(shù)據(jù)經過濾波后的偽彩色圖；
[0026] 圖3是本發(fā)明仿真使用的舊金山地區(qū)極化SAR數(shù)據(jù)的實際地物標記圖；
[0027] 圖4是本發(fā)明對本發(fā)明仿真使用的舊金山地區(qū)極化SAR數(shù)據(jù)的分類結果圖。
【具體實施方式】
[0028] 參照圖1，本發(fā)明實現(xiàn)的具體步驟如下：
[0029] 步驟1，輸入待分類極化SAR圖像，濾波后的相干矩陣。
[0030] 輸入待分類極化SAR圖像標記信息，輸入一幅大小為3X3XM的待分類極化SAR 圖像的相干矩陣，并用窗口大小為5X5的Lee濾波器濾除相干噪聲，得到濾波后的相干矩 陣，其中，濾波后的相干矩陣中每個元素是一個3X3矩陣，M表示待分類的極化SAR圖像像 素點的總數(shù)。
[0031] 步驟2,根據(jù)濾波后的相干矩陣獲得數(shù)據(jù)矩陣。
[0032] 將濾波后相干矩陣中每個元素對應的3X3矩陣，拉成一個9維的特征向量，獲得 大小為9XM的數(shù)據(jù)矩陣。
[0033] 步驟3,根據(jù)數(shù)據(jù)矩陣獲得數(shù)據(jù)集。
[0034] 將數(shù)據(jù)矩陣進行歸一化處理，獲得數(shù)據(jù)集丨|x; =丨，其中n= 9 為特征的維數(shù)，Xl為特征向量。
[0035] 歸一化處理常用方法有特征線性縮放，特征標準化和白化，本實例中采用特征標 準化處理。
[0036] 步驟4,從數(shù)據(jù)集中獲得訓練集:心和測試集K2 ;
[0037] (4. 1)根據(jù)標記信息從數(shù)據(jù)集K中獲得標記集反， H= {(XpfJlx,eXVge及= 對，其中m為類別總數(shù)，N為標記樣本的總 向量；
[0038] (4. 2)將標記集隨機選取1%作為訓練集\二=UJh剩 余99%作為測試集※=eUh其中K訓練集樣本個數(shù)，S為測試 集的樣本個數(shù)。
[0039] 步驟5,用訓練集巧訓練極限學習機：
[0040] (5. 1)設置極限學習機隱含層節(jié)點的激活函數(shù)為G(a，b，x) =exp(-b| |x_a| |2)， 隱含層單元個數(shù)為1，且1(>1^
[0041] (5. 2)隨機設置輸入權值aj和偏值bj，j=1，? ??，L;
[0042] (5. 3)輸入訓練集K 為4 = -1，腐，計算隱藏層輸出矩陣為 H，
[0043]
[0044] (5. 4)根據(jù)輸出矩陣H計算輸出權值為J0 =/-/Tr，其中為H的Moore-Penrose 廣義逆，妒二講％)~1，，T=