基于深度學(xué)習(xí)和度量學(xué)習(xí)的極化sar地物分類方法
【專利摘要】本發(fā)明公開一種基于深度學(xué)習(xí)和度量學(xué)習(xí)的極化SAR地物分類方法，實現(xiàn)步驟為：(1)輸入圖像；(2)濾波；(3)提取特征；(4)選擇訓(xùn)練樣本和測試樣本；(5)訓(xùn)練棧式稀疏自編碼器，得到訓(xùn)練樣本集的深層特征和測試樣本集的深層特征；(6)訓(xùn)練度量學(xué)習(xí)分類器，得到分類結(jié)果；(7)對分類結(jié)果進(jìn)行上色；(8)輸出上色后的分類結(jié)果圖。本發(fā)明用基于深度學(xué)習(xí)和度量學(xué)習(xí)的極化SAR地物分類方法對圖像進(jìn)行分類，對特征的提取比較全面合理，分類結(jié)果更吻合真實地物，降低了時間復(fù)雜度并提高了分類精度。
【專利說明】
基于深度學(xué)習(xí)和度量學(xué)習(xí)的極化SAR地物分類方法
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)一步設(shè)及圖像分類技術(shù)領(lǐng)域的一種基于深度 學(xué)習(xí)和度量學(xué)習(xí)的極化（Polarimetric Synthetic Ape;rture Radar,PolSAR)地物分類方 法。本發(fā)明可用于對極化SAR圖像進(jìn)行特征提取和地物分類。
【背景技術(shù)】
[0002] 極化SAR圖像分類是圖像解譯過程中的一個重要步驟，也是極化SAR圖像處理的一 個重要研究方向。極化SAR能獲得比傳統(tǒng)的單極化SAR更豐富的地物信息，面對運(yùn)些大規(guī)模、 復(fù)雜的數(shù)據(jù)，傳統(tǒng)的方法想要快速對其處理，并達(dá)到很高的分類精度是不現(xiàn)實的，因而急需 提出一些能夠處理大數(shù)據(jù)，且時間復(fù)雜度低的分類方法。
[0003] 近年來，極化SAR圖像分類日益受到人們的重視，但一些現(xiàn)有的分類方法:稀疏自 編碼、支持矢量積、wishad分類、C順、字典學(xué)習(xí)等方法，處理信息量比較大的極化SAR圖像 時，分類精度較低，處理速度過慢，時間復(fù)雜度過高，本發(fā)明提出的基于深度學(xué)習(xí)和度量學(xué) 習(xí)的極化SAR地物分類方法:一方面，對特征的提取比較全面合理，對原始數(shù)據(jù)更逼近，因而 分類精度較高;另一方面，可W直接使用現(xiàn)有的支持向量機(jī)工具包，克服了傳統(tǒng)分類方法時 間復(fù)雜度過高的問題。
[0004] Wang F, Zuo W, Zhang L, et al.在其發(fā)表的論文 "A Kernel Classif ication Framework for Metric Learning''（Neural Networks and Learning Systems, IEEE Transactions on,2015)中公開了一種A Kernel Classification Framework for Metric Learning方法。運(yùn)篇文章提出的框架為研究人員提出新的度量學(xué)習(xí)模型提供了一個良好的 平臺。而且基于該框架提出了兩個度量學(xué)習(xí)模型Doublet-SVM和化iplet-SVM。運(yùn)兩個模型 可W使用SVM工具包有效地求解。實驗結(jié)果表明，Doublet-SVM和化iplet-SVM的訓(xùn)練速度遠(yuǎn) 高于目前很多先進(jìn)的度量學(xué)習(xí)方法，并且識別率與運(yùn)些度量學(xué)習(xí)方法差別不大。但是該方 法存在的不足之處是，其一，對于其使用的人臉庫，直接用訓(xùn)練樣本訓(xùn)練分類器，無法對圖 像進(jìn)行分層表示。其二，由于該方法中的兩個模型Doublet-SVM和Triplet-SVM通過一個兩 步的貪婪策略來學(xué)習(xí)半正定度量矩陣具有一定的局限性。
[0005] 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)?01210414789.6,公開號CN102999761A)中公開了一種基于 Cloude分解和K-wi shad分布的極化SAR圖像分類方法。該方法首先對圖像的每個像素點進(jìn) 行Cloude分解，然后依據(jù)分解得到的賭Η，散射角α對圖像進(jìn)行初始劃分，再對劃分結(jié)果進(jìn)行 K-wishad迭代，能一定程度上提高分類的準(zhǔn)確度，降低計算復(fù)雜度，但是該方法存在的不 足之處是，其一，對每個像素點進(jìn)行Cloude分解，得到賭H，散射角α兩個特征，對特征的提取 不夠全面合理，使得本發(fā)明對原始數(shù)據(jù)不夠逼近，因而分類精度受限。其二，對于信息量更 大的數(shù)據(jù)，處理速度太慢，時間復(fù)雜度太高。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于針對已有技術(shù)的不足，提出了一種基于深度學(xué)習(xí)和度量學(xué)習(xí)的 極化SAR地物分類方法，本發(fā)明用找式稀疏自編碼器提取極化SAR圖像的深層特征，然后利 用度量學(xué)習(xí)分類器對深層特征進(jìn)行分類，降低了時間復(fù)雜度并提高了分類精度，使分類結(jié) 果更吻合真實地物。
[0007] 實現(xiàn)本發(fā)明目的基本思路是:首先，對待分類的極化SAR圖像進(jìn)行濾波、提取特征； 然后，用找式稀疏自編碼器提取極化SAR圖像的深層特征;最后，依據(jù)深層特征，利用度量學(xué) 習(xí)分類器對極化SAR圖像進(jìn)行分類。
[0008] 為實現(xiàn)上述目的，本發(fā)明具體實現(xiàn)步驟包括如下：
[0009] (1)輸入待分類的極化SAR圖像；
[0010] (2)濾波：
[0011] 采用濾波窗口大小為7 X 7的Lee濾波方法，對待分類的極化SAR圖像進(jìn)行濾波，去 除相干斑噪聲，得到濾波后的極化SAR圖像；
[001^ (3)提取特征：
[0013] (3a)計算散射賭、散射角兩個散射參數(shù)；
[0014] (3b)利用Freeman分解公式，計算散射功率；
[0015] (3c)將濾波后的極化SAR圖像中每個像素點的協(xié)方差矩陣、每個像素點的相干矩 陣、散射賭H、散射角al地a、表面散射功率Ps、二面角散射功率Pd、體散射功率Pv、總功率特征 參數(shù)SPAN，依次首尾相連組成每個像素點的特征向量；
[0016] (4)選擇訓(xùn)練樣本和測試樣本：
[0017] (4a)根據(jù)真實的地物標(biāo)記，將待分類的極化SAR圖像分為15類；
[0018] (4b)從每種類別中任意選取10%有標(biāo)記樣本的特征向量作為訓(xùn)練樣本集；
[0019] (4c)將所選取訓(xùn)練樣本集后剩余90%有標(biāo)記樣本的特征向量，作為測試樣本集；
[0020] (4d)判斷是否選取完訓(xùn)練樣本集和測試樣本集，如果是，則執(zhí)行步驟巧），否則，執(zhí) 行步驟(4b);
[0021] (5)訓(xùn)練找式稀疏自編碼器：
[0022] (5a)將訓(xùn)練樣本集輸入到未經(jīng)過訓(xùn)練的二層找式稀疏自編碼器中，對自編碼器進(jìn) 行訓(xùn)練，得到并保存找式稀疏自編碼器的模型參數(shù)；
[0023] (5b)將模型參數(shù)輸入到softmax分類器中，訓(xùn)練softmax分類器；
[0024] (5c)利用反向傳播方法，對整個找式稀疏自編碼器進(jìn)行微調(diào)，得到訓(xùn)練好的找式 稀疏自編碼器；
[0025] (5d)將訓(xùn)練樣本集和測試樣本集輸入到訓(xùn)練好的找式稀疏自編碼器中，得到訓(xùn)練 樣本集的深層特征和測試樣本集的深層特征；
[00%] (6)訓(xùn)練度量學(xué)習(xí)分類器：
[0027] (6a)將訓(xùn)練樣本集的深層特征輸入到未經(jīng)過訓(xùn)練的二元組支持向量機(jī)模型中，利 用二元組支持向量機(jī)模型的優(yōu)化公式，計算模型參數(shù)，訓(xùn)練二元組支持向量機(jī)模型；
[0028] (6b)將訓(xùn)練樣本集的深層特征輸入到未經(jīng)過訓(xùn)練的Ξ元組支持向量機(jī)模型中，利 用Ξ元組支持向量機(jī)模型的優(yōu)化公式，計算模型參數(shù)，訓(xùn)練Ξ元組支持向量機(jī)模型；
[0029] (6c)將測試樣本集的深層特征輸入到訓(xùn)練好的二元組支持向量機(jī)模型中，得到分 類結(jié)果；
[0030] (6d)將測試樣本集的深層特征輸入到訓(xùn)練好的Ξ元組支持向量機(jī)模型中，得到分 類結(jié)果；
[0031] (7)上色：
[0032] (7a)將分類結(jié)果中標(biāo)簽相同的作為同一類別；
[0033] (7b)按照紅色、綠色、藍(lán)色Ξ基色上色法，對分類結(jié)果進(jìn)行上色，同一類別上相同 的顏色，得到上色后的分類結(jié)果圖；
[0034] (8)輸出上色后的分類結(jié)果圖。
[0035] 本發(fā)明與現(xiàn)有技術(shù)相比具有W下優(yōu)點：
[0036] 第一，本發(fā)明在提取極化SAR圖像特征時，將濾波后的極化SAR圖像中每個像素點 的協(xié)方差矩陣、每個像素點的相干矩陣、散射賭H、散射角al地a、表面散射功率Ps、二面角散 射功率Pd、體散射功率Pv、總功率特征參數(shù)SPAN,依次首尾相連組成每個像素點的特征向量， 克服了現(xiàn)有技術(shù)的傳統(tǒng)算法對特征的提取不夠全面合理的問題，使得本發(fā)明具有對原始數(shù) 據(jù)更逼近，提高了分類精度的優(yōu)點。
[0037] 第二，本發(fā)明通過引入二層找式稀疏自編碼器，克服了現(xiàn)有技術(shù)的傳統(tǒng)算法對特 征的提取不夠深刻的問題，使得本發(fā)明具有對極化SAR圖像的特征學(xué)習(xí)的更加深刻，提高了 分類精度的優(yōu)點。
[0038] 第Ξ，本發(fā)明用度量學(xué)習(xí)分類器代替了傳統(tǒng)深度學(xué)習(xí)中常用的Softmax分類器，可 W通過已有的SVM工具包進(jìn)行求解，克服了現(xiàn)有技術(shù)的傳統(tǒng)算法分類精度低，時間復(fù)雜度過 高的問題，使得本發(fā)明具有對極化SAR圖像分類過程中時間復(fù)雜度低，提高了分類精度的優(yōu) 點。
【附圖說明】
[0039] 圖1是本發(fā)明的流程圖；
[0040] 圖2是本發(fā)明仿真圖。
【具體實施方式】
[0041] 下面結(jié)合附圖對本發(fā)明做進(jìn)一步的描述。
[0042] 參照附圖1，本發(fā)明的具體步驟如下：
[0043] 步驟1，輸入待分類的極化SAR圖像。
[0044] 步驟2,濾波。
[0045] 采用濾波窗口大小為7 X 7的Lee濾波方法，對待分類的極化SAR圖像進(jìn)行濾波，去 除相干斑噪聲，得到濾波后的極化SAR圖像。
[0046] 步驟3,提取特征。
[0047] (1)計算散射賭、散射角兩個散射參數(shù)；
[004引第1步，按照下式，計算極化SAR圖像的散射賭：
[0049]
[0050] 其中，Η表示極化SAR圖像的散射賭，Η的取值范圍是:0含Η含1，Σ表示求和操作，i 表示特征值的位置，i的取值是：i = 1，2，3，Pi表示極化SAR圖像相干矩陣的第i個特征值與 所有特征值總和的比值，l〇g3表示W(wǎng)3為底的對數(shù)操作；
[0051]第2步，按照下式，計算極化SAR圖像的散射角：
[0化2]
[0053] 其中，alpha表示極化SAR圖像的散射角，Σ表示求和操作，i表示特征值的位置，i 的取值是：i = l，2,3，Pi表示極化SAR圖像相干矩陣的第i個特征值與所有特征值總和的比 值，αι表示極化SAR圖像相干矩陣第i個特征值對應(yīng)的平均散射點。
[0054] (2)利用Freeman分解公式，計算散射功率，具體步驟如下：
[0055] 第1步，用下式表示協(xié)方差矩陣的第一種形式：
[0化6]
[0057]其中，Cl表示協(xié)方差矩陣的第一種形式，〈·〉表示按視數(shù)平均操作，I · I2表示做絕 對值平方操作，Η表示水平極化方向，V表示垂直極化方向，Shh表示水平發(fā)射水平接收的回波 數(shù)據(jù)，Svv表示垂直發(fā)射垂直接收的回波數(shù)據(jù)，Shv表示水平發(fā)射垂直接收的回波數(shù)據(jù)，*表示 取矩陣的共輛操作；
[005引第2步，用下式表示協(xié)方差矩陣的第二種形式：
[0化9]
[0060] 其中，C2表示協(xié)方差矩陣的第二種形式，fs表示布拉格表面散射成份的權(quán)值系數(shù)， ? I2表示做絕對值平方操作，0表示水平發(fā)射水平接收后向散射反射系數(shù)與垂直發(fā)射垂直 接收后向散射反射系數(shù)的比值，*表示取矩陣的共輛操作，fd表示二面角散射成分的權(quán)值系 數(shù)，α表不一個常數(shù)，α的取值為:α = RghRvhRgvRw，Rgh和Rgv分別表不地表的水平和垂直反射系 數(shù)，Rvh和Rvv表示豎直墻體的水平和垂直反射系數(shù)，fv表示體散射成分的權(quán)值系數(shù)；
[0061] 第3步，將協(xié)方差矩陣第一種形式中的元素與協(xié)方差矩陣第二種形式中的元素相 對應(yīng)，得到一個具有五個未知數(shù)和四個方程的方程組：
[0062]
[00創(chuàng)計算像素點協(xié)方差矩陣中的Re(SHHSvv*)的值并判斷正負(fù)，如果Re(SHHSvv*)含0,則α =-1，如果Re(SHHSw*)<0,則β=1，給定α或β的值后，剩余的4個未知數(shù)可根據(jù)上式求解得 出；
[0064] 其中，〈.〉表示按視數(shù)平均操作，I . I2表示做絕對值平方操作，Shh表示水平發(fā)射 水平接收的回波數(shù)據(jù)，Η表示水平極化方向，fs表示布拉格表面散射成份的權(quán)值系數(shù)，β表示 水平發(fā)射水平接收后向散射反射系數(shù)與垂直發(fā)射垂直接收后向散射反射系數(shù)的比值，fd表 示二面角散射成分的權(quán)值系數(shù)，α表示一個常數(shù)，α = RghRvhRgvRvv，Rgh和Rgv分別表示地表的水 平和垂直反射系數(shù)，Rvh和Rvv表示豎直墻體的水平和垂直反射系數(shù)，fv表示體散射成分的權(quán) 值系數(shù)，Svv表示垂直發(fā)射垂直接收的回波數(shù)據(jù)，V表示垂直極化方向，*表示取矩陣的共輛操 作，Shv表示水平發(fā)射垂直接收的回波數(shù)據(jù)，Re( ·)表示取實部操作；
[0065] 第4步，根據(jù)第Ξ步求解出的fs、fV、fd、α、β，按照下式，計算散射功率：
[0066]
[0067]其中，Pv表示體散射功率，Pd表示二面角散射功率，I · I2表示做絕對值平方操作， Ps表示表面散射功率；
[006引第5步，按照下式計算總功率SPAN:
[0069] SPAN=Tii + T22 + T33
[0070] 其中，Τιι、Τ22、Τ33為極化SAR圖像相干矩陣對角線上的立個元素；
[0071] (3)將濾波后的極化SAR圖像中每個像素點的協(xié)方差矩陣、每個像素點的相干矩 陣、散射賭H、散射角al地a、表面散射功率Ps、二面角散射功率Pd、體散射功率Pv、總功率特征 參數(shù)SPAN,依次首尾相連組成每個像素點的特征向量。
[0072] 步驟4,選擇訓(xùn)練樣本和測試樣本。
[0073] (1)根據(jù)真實的地物標(biāo)記，將待分類的極化SAR圖像分為15類；
[0074] (2)從每種類別中任意選取10%有標(biāo)記樣本的特征向量作為訓(xùn)練樣本集；
[0075] (3)將所選取訓(xùn)練樣本集后剩余90%有標(biāo)記樣本的特征向量，作為測試樣本集；
[0076] (4)判斷是否選取完訓(xùn)練樣本集和測試樣本集，如果是，則執(zhí)行步驟(5)，否則，執(zhí) 行步驟(2)。
[0077] 步驟5，訓(xùn)練找式稀疏自編碼器。
[0078] (1)將訓(xùn)練樣本集輸入到未經(jīng)過訓(xùn)練的二層找式稀疏自編碼器中，對自編碼器進(jìn) 行訓(xùn)練，得到并保存找式稀疏自編碼器的模型參數(shù)，具體步驟如下：
[0079] 第1步，隨機(jī)初始化模型參數(shù)；
[0080] 第2步，按照下式，計算前饋傳導(dǎo)包含隱藏單元和輸出單元激活值：
[0081 ] a(k) = f(W(k'i)a(k-i)+b(k'i))
[0082] 其中，表示隱藏單元和輸出單元激活值，k表示第k個稀疏自編碼器，ke {1,2}， f表示一個非線性sigmiod函數(shù)，表示第k個稀疏自編碼器的輸入單元與隱藏單元之間 的連接權(quán)重值，b&'表示第k個稀疏自編碼器隱藏單元的偏置值；
[0083] 第3步，按照下式，求解找式稀疏自編碼器的整體代價函數(shù)最小化：
[0084]
[0085] 其中，J表示最小化后的找式稀疏自編碼器的整體代價函數(shù)，m表示輸入自編碼器 的樣本個數(shù)，Σ表示求和操作，d表示第d個樣本的位置，d的取值是:d=l，2, · · ·，m，M · 12表示做1范數(shù)平方操作，和yW分別表示輸入第d個樣本時得到的實際輸出結(jié)果和理 想輸出結(jié)果，q表示權(quán)重衰減參數(shù)，W表示輸入單元和隱藏單元之間的連接權(quán)重值和輸出單 元之間的連接權(quán)重值的轉(zhuǎn)置的集合，|r||^表示做W的F范數(shù)平方操作，r表示稀疏性懲罰因子 的權(quán)重稀疏參數(shù)，e表示第e個隱藏單元位置，e的取值是:e = l，2, · · ·，s，s表示隱藏單元 個數(shù)，P表示稀疏性參數(shù)，logio表示W(wǎng)10為底的對數(shù)操作，足表示第e個隱藏單元的平均活躍 度。
[0086] (2)將模型參數(shù)輸入到softmax分類器中，訓(xùn)練softmax分類器；
[0087] (3)利用反向傳播方法，對整個找式稀疏自編碼器進(jìn)行微調(diào)，得到訓(xùn)練好的找式稀 疏自編碼器；
[0088] (4)將訓(xùn)練樣本集、測試樣本集輸入到訓(xùn)練好的找式稀疏自編碼器中，訓(xùn)練樣本集 的深層特征和測試樣本集的深層特征。
[0089] 步驟6，訓(xùn)練度量學(xué)習(xí)分類器。
[0090] (1)將訓(xùn)練樣本集的深層特征輸入到未經(jīng)過訓(xùn)練的二元組支持向量機(jī)模型中，利 用二元組支持向量機(jī)模型的優(yōu)化公式，計算模型參數(shù)，訓(xùn)練二元組支持向量機(jī)模型，具體步 驟如下：
[0091] 第1步，二元組支持向量機(jī)模型的核函數(shù)如下：
[OOW] KD(Z〇，Zp)=tr((Xcu-X〇,2)(XM-X〇,2)T(Xpa-Xp,2)(Xpa-Xp,2)T)
[OOW] =[(X0j-X0,2)T(Xp,廣 Χρ,2)]2
[0094]其中，Kd(Z〇，Zp)表示二元組的核函數(shù)，ο表示選取的第一個二元組位置，ο取值為:〇 = 1,2，· · ·，Ν，Ν表示二元組數(shù)目，Ρ表示選取的第二個二元組位置，Ρ取值為：ρ=1, 2, · · ·術(shù)2。=祐,1，乂。,2)，2。=保,1而,2)表示兩對二元組，乂。,1、乂。,2分別表示第0個二元 組中的兩個訓(xùn)練樣本的特征，Χρ,ι、Χρ,2分別表示第Ρ個二元組中的兩個訓(xùn)練樣本的特征，tr (·)表示矩陣的跡，（·）τ上標(biāo)T表示轉(zhuǎn)置操作，（·）2的上標(biāo)2表示平方操作；
[00Μ]第2步，二元組支持向量機(jī)模型的優(yōu)化公式如下：
[0098] 其中，max表示求最大值操作，λ表示拉格朗日乘子，Σ表示求和操作，0表示選取的 第一個二元組位置，0取值為:〇 = 1，2，· · ·，Ν，Ν表示二元組數(shù)目，Ρ表示選取的第二個二 元組位置，Ρ取值為:Ρ = 1，2，· · ·，Ν，λ。表示第0個二元組的拉格朗日乘子，λρ表示第Ρ個二 元組的拉格朗日乘子，h。、hp分別表示第0個、第Ρ個二元組的標(biāo)簽，Kd( Ζ。，Ζρ)表示二元組的核 函數(shù)，Zd、Zp表示第0個、第Ρ個二元組，1表示選取的第Ξ個二元組位置，1取值為：1 = 1， 2，· · ·，Ν，λ讀示第1個二元組的拉格朗日乘子，λι取值范圍是：〇<λι非，K表示一個常 數(shù)，hi表示第1個二元組的標(biāo)簽；
[0099] (2)將訓(xùn)練樣本集的深層特征輸入到未經(jīng)過訓(xùn)練的Ξ元組支持向量機(jī)模型中，利 用Ξ元組支持向量機(jī)模型的優(yōu)化公式，計算模型參數(shù)，訓(xùn)練Ξ元組支持向量機(jī)模型，具體步 驟如下：
[0100] 第一步，Ξ元組支持向量機(jī)模型的核函數(shù)如下：
[0101] Kx(tu,tv)=tr(TuTv)
[0102] 其中，Κτ( tu , tv )表示Ξ元組的核函數(shù)，tu、tv分別表示第U個、第V個Ξ元組，tu = 陸,1而,2而,3)山=曲,1，乂巾,2，乂巾,3)品,1^。,2^。,3分別表示第11個；元組中的；個訓(xùn)練樣 本的特征，U取值為:11 = 1,2, · · ·,化，化表示Ξ元組數(shù)目，Xv,l、Xv,2、Xv,3分別表示第V個Ξ 元組中的Ξ個訓(xùn)練樣本的特征，V表示選取的第二個Ξ元組位置，V取值為:v=l，2，· · ·， 化，tr( ·)表示矩陣的跡，Tu=(Xu,廣 Xu,3)(Xm-Xu,3)T-(Xm-Xu,2)(Xm-Xu,2)t
[010；3] Τν=(Χν,1-Χν,3)(Χν,1-Χν,3)Τ-(Χν,廣Xv,2)(Xv,廣Χν,2)τ，（ ·）τ上標(biāo)T表示轉(zhuǎn)置操作， (· )2的上標(biāo)2表示平方操作；
[0104] 第二步，Ξ元組支持向量機(jī)模型的優(yōu)化公式如下：
[0105]
[0106] 其中，時(tu, tv)表示Ξ元組的核函數(shù)，tu、tv分別表示第U個、第V個Ξ元組，max表示 求最大值操作，λ表示拉格朗日乘子，Σ表示求和操作，U表示選取的第一個Ξ元組位置，U取 值為:u=l,2,· · ·,化，化表示Ξ元組數(shù)目，V表示選取的第二個Ξ元組位置，V取值為:ν = 1，2，· · ·，化，λυ表示第U個Ξ元組的拉格朗日乘子，λν表示第V個Ξ元組的拉格朗日乘子， 時(tu，tv)表示Ξ元組的核函數(shù)，tu、tv分別表示第U個、第V個Ξ元組；
[0107] (3)將測試樣本集的深層特征輸入到訓(xùn)練好的二元組支持向量機(jī)模型中，得到分 類結(jié)果；
[0108] (4)將測試樣本集的深層特征輸入到訓(xùn)練好的Ξ元組支持向量機(jī)模型中，得到分 類結(jié)果。
[0109] 步驟7,上色。
[0110] (1)將分類結(jié)果中標(biāo)簽相同的作為同一類別；
[0111] (2)按照紅色、綠色、藍(lán)色Ξ基色上色法，對分類結(jié)果進(jìn)行上色，同一類別上相同的 顏色，得到上色后的分類結(jié)果圖。
[0112] 步驟8,輸出上色后的分類結(jié)果圖。
[0113] 下面結(jié)合仿真對本發(fā)明的效果做進(jìn)一步的說明：
[0114] 1.仿真實驗條件：
[0115] 本發(fā)明的仿真實驗條件為:軟件采用MTLAB版本8.5.0(R2015a)，電腦型號：Intel Core 巧-34703.20GHz,內(nèi)存：4.00GB，操作系統(tǒng)采用Windows 7。
[0116] 本發(fā)明的仿真實驗中采用的圖像數(shù)據(jù)為美國宇航局噴氣推進(jìn)實驗室，1989年獲取 的荷蘭Flevoland地區(qū)的L波段多視全極化SAR圖像，大小為750X 1024，分辨率為12.1m X 6.7m，該區(qū)域包含15類地物。
[0117] 2.仿真實驗內(nèi)容：
[0118] 本發(fā)明仿真采用現(xiàn)有技術(shù)中的巧中方法和本發(fā)明的巧中方法進(jìn)行實驗。
[0119] 本發(fā)明仿真是對圖2(a)的極化SAR圖像進(jìn)行分類實驗，圖2(a)選取1989年獲取的 荷蘭Flevoland地區(qū)的L波段多視全極化SAR的化uliRGB合成圖像，大小為750X1024,分辨 率為12. lmX6.7m。圖2(b)表示本發(fā)明仿真使用的極化SAR圖像真實地物標(biāo)記圖；圖2(c)表 示采用現(xiàn)有技術(shù)中的支持向量機(jī)SVM的分類方法，對圖2(a)的分類結(jié)果圖；圖2(d)表示采用 現(xiàn)有技術(shù)中的基于SSAE與SVM的分類方法，對圖2(a)的分類結(jié)果圖；圖2(e)表示采用現(xiàn)有技 術(shù)中的基于FSALS_SVM的分類方法，對圖2(a)的分類結(jié)果圖；圖2(f)表示采用本發(fā)明基于 SSAE與二元組的支持向量機(jī)模型的分類方法，對圖2(a)的分類結(jié)果圖，圖2(g)表示采用本 發(fā)明基于SSAE與Ξ元組的支持向量機(jī)模型的分類方法，對圖2(a)的分類結(jié)果圖。
[0120] 3.仿真實驗結(jié)果分析：
[0121] 通過上述仿真實驗W及利用本發(fā)明方法的分類結(jié)果對比圖，可W看出本發(fā)明方法 的分類速度快，分類結(jié)果精確度高。
[0122] W圖2(b)中待分類的極化SAR真實地物標(biāo)記圖像作為精度評價標(biāo)準(zhǔn)，如果算法的 分類精度越高、分類速度越快，那么表示算法的分類效果越好。對本發(fā)明提出的方法和傳統(tǒng) 方法的分類精度、分類時間進(jìn)行統(tǒng)計，結(jié)果如表1。
[0123] 從表1中可W看出，本發(fā)明提出的基于深度學(xué)習(xí)與度量學(xué)習(xí)的極化SAR地物分類方 法，相比于Ξ種對比試驗，對極化SAR圖像的分類精度更高，并且訓(xùn)練速度方面有著很大的 優(yōu)勢，從表中可W明顯看出，訓(xùn)練時間大大縮短了，充分說明了本發(fā)明方法在極化SAR圖像 分類上的優(yōu)越性。
[0124] 本發(fā)明公開了一種基于深度學(xué)習(xí)與度量學(xué)習(xí)的極化SAR地物分類方法，不僅能夠 很好的預(yù)處理極化SAR圖像，而且將深度學(xué)習(xí)與度量學(xué)習(xí)相結(jié)合，既能夠充分利用原始數(shù)據(jù) 的深度特征，又能直接使用已有的支持向量機(jī)工具包，從而方便求解，大大提高了分類速 度。深度學(xué)習(xí)為度量學(xué)習(xí)分類器提供了更深層次的數(shù)據(jù)特征，度量學(xué)習(xí)分類器彌補(bǔ)了極化 SAR影像地物分類過程中時間復(fù)雜度過高的問題，同時又提高了分類精度，而且還解決了現(xiàn) 有方法對分類類別數(shù)目的限制。本實驗中所用的方法，簡而言之，既通用又有效，且時間復(fù) 雜度低。
[0125] 表1本發(fā)明所提出的方法與傳統(tǒng)算法的分類精度對比表
[0126]
【主權(quán)項】
1. 一種基于深度學(xué)習(xí)和度量學(xué)習(xí)的極化SAR地物分類方法，包括以下步驟： (1) 輸入待分類的極化SAR圖像； (2) 濾波； 采用濾波窗口大小為7X7的Lee濾波方法，對待分類的極化SAR圖像進(jìn)行濾波，去除相 干斑噪聲，得到濾波后的極化SAR圖像； (3) 提取特征： (3a)計算散射熵、散射角兩個散射參數(shù)； (3b)利用Freeman分解公式，計算散射功率； (3c)將濾波后的極化SAR圖像中每個像素點的協(xié)方差矩陣、每個像素點的相干矩陣、散 射熵H、散射角alpha、表面散射功率Ps、二面角散射功率Pd、體散射功率Pv、總功率特征參數(shù) SPAN，依次首尾相連組成每個像素點的特征向量； (4) 選擇訓(xùn)練樣本和測試樣本： (4a)根據(jù)真實的地物標(biāo)記，將待分類的極化SAR圖像分為15類； (4b)從每種類別中任意選取10%有標(biāo)記樣本的特征向量作為訓(xùn)練樣本集； (4c)將所選取訓(xùn)練樣本集后剩余90 %有標(biāo)記樣本的特征向量，作為測試樣本集； (4d)判斷是否選取完訓(xùn)練樣本集和測試樣本集，如果是，則執(zhí)行步驟(5)，否則，執(zhí)行步 驟(4b); (5) 訓(xùn)練棧式稀疏自編碼器： (5a)將訓(xùn)練樣本集輸入到未經(jīng)過訓(xùn)練的二層棧式稀疏自編碼器中，對自編碼器進(jìn)行訓(xùn) 練，得到并保存棧式稀疏自編碼器的模型參數(shù)； (5b)將模型參數(shù)輸入到softmax分類器中，訓(xùn)練softmax分類器； (5c)利用反向傳播方法，對整個棧式稀疏自編碼器進(jìn)行微調(diào)，得到訓(xùn)練好的棧式稀疏 自編碼器； (5d)將訓(xùn)練樣本集和測試樣本集輸入到訓(xùn)練好的棧式稀疏自編碼器中，得到訓(xùn)練樣本 集的深層特征和測試樣本集的深層特征； (6) 訓(xùn)練度量學(xué)習(xí)分類器： (6a)將訓(xùn)練樣本集的深層特征輸入到未經(jīng)過訓(xùn)練的二元組支持向量機(jī)模型中，利用二 元組支持向量機(jī)模型的優(yōu)化公式，計算模型參數(shù)，訓(xùn)練二元組支持向量機(jī)模型； (6b)將訓(xùn)練樣本集的深層特征輸入到未經(jīng)過訓(xùn)練的三元組支持向量機(jī)模型中，利用三 元組支持向量機(jī)模型的優(yōu)化公式，計算模型參數(shù)，訓(xùn)練三元組支持向量機(jī)模型； (6c)將測試樣本集的深層特征輸入到訓(xùn)練好的二元組支持向量機(jī)模型中，得到分類結(jié) 果； (6d)將測試樣本集的深層特征輸入到訓(xùn)練好的三元組支持向量機(jī)模型中，得到分類結(jié) 果； (7) 上色： (7a)將分類結(jié)果中標(biāo)簽相同的作為同一類別； (7b)按照紅色、綠色、藍(lán)色三基色上色法，對分類結(jié)果進(jìn)行上色，同一類別上相同的顏 色，得到上色后的分類結(jié)果圖； (8) 輸出上色后的分類結(jié)果圖。2. 根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)和度量學(xué)習(xí)的極化SAR地物分類方法，其特征在 于:步驟(3a)所述的計算散射熵、散射角的具體步驟如下： 第1步，按照下式，計算極化SAR圖像的散射熵：其中，Η表示極化SAR圖像的散射熵，Η的取值范圍是:0<H< 1，Σ表示求和操作，i表示 特征值的位置，i的取值是：i = 1，2，3，Pi表示極化SAR圖像相干矩陣的第i個特征值與所有 特征值總和的比值，l〇g3表示以3為底的對數(shù)操作； 第2步，按照下式，計算極化SAR圖像的散射角：其中，alpha表示極化SAR圖像的散射角，Σ表示求和操作，i表示特征值的位置，i的取 值是：i = 1，2，3，Pi表示極化SAR圖像相干矩陣的第i個特征值與所有特征值總和的比值，cti 表示極化SAR圖像相干矩陣第i個特征值對應(yīng)的平均散射點。3. 根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)和度量學(xué)習(xí)的極化SAR地物分類方法，其特征在 于:步驟(3b)所述的Freeman分解公式如下：其中，Pv表示體散射功率，fv表示體散射成分的權(quán)值系數(shù)，Pd表示二面角散射功率，fd表 示二面角散射成分的權(quán)值系數(shù)，| · |2表示做絕對值平方操作，α表示一個常數(shù)，α的取值為： a = RghRvhRgvRvv，Rgh和R gv分別表示地表的水平和垂直反射系數(shù)，Rvh和Rw表示豎直墻體的水 平和垂直反射系數(shù)，Ps表示表面散射功率，f s表示布拉格表面散射成份的權(quán)值系數(shù)，β表示水 平發(fā)射水平接收后向散射反射系數(shù)與垂直發(fā)射垂直接收后向散射反射系數(shù)的比值。4. 根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)和度量學(xué)習(xí)的極化SAR地物分類方法，其特征在 于:步驟(5a)所述訓(xùn)練二層稀疏自編碼器的具體步驟如下： 第1步，隨機(jī)初始化模型參數(shù)； 第2步，按照下式，計算前饋傳導(dǎo)包含隱藏單元和輸出單元激活值： a(k) = f(ff(k>Da(k-l)+b(k >l)) 其中，a(k)表示隱藏單元和輸出單元激活值，k表示第k個稀疏自編碼器，ke{ 1,2}，f表 示一個非線性sigmiod函數(shù)，W(M)表示第k個稀疏自編碼器的輸入單元與隱藏單元之間的連 接權(quán)重值，b (k，^表示第k個稀疏自編碼器隱藏單元的偏置值； 第3步，按照下式，求解棧式稀疏自編碼器的整體代價函數(shù)最小化：其中，J表示最小化后的棧式稀疏自編碼器的整體代價函數(shù)，m表示輸入自編碼器的樣 本個數(shù)，Σ表示求和操作，d表示第d個樣本的位置，d的取值是:d = l，2, · · ·，m，| I · I I2 表示做1范數(shù)平方操作，f(ii)和y(d)分別表示輸入第d個樣本時得到的實際輸出結(jié)果和理想輸 出結(jié)果，q表示權(quán)重衰減參數(shù)，W表示輸入單元和隱藏單元之間的連接權(quán)重值和輸出單元之 間的連接權(quán)重值的轉(zhuǎn)置的集合，表示做W的F范數(shù)平方操作，r表示稀疏性懲罰因子的權(quán) 重稀疏參數(shù)，e表示第e個隱藏單元位置，e的取值是：e = l，2，· · ·，8,8表示隱藏單元個 數(shù)，Ρ表示稀疏性參數(shù)，l〇g1Q表示以10為底的對數(shù)操作，Λ表示第e個隱藏單元的平均活躍 度。5. 根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)和度量學(xué)習(xí)的極化SAR地物分類方法，其特征在 于:步驟(6a)所述的二元組支持向量機(jī)模型的優(yōu)化公式如下：其中，max表不求最大值操作，λ表不拉格朗日乘子，Σ表不求和操作，〇表不選取的第一 個二元組位置，〇取值為:〇 = 1，2，· · ·，Ν，Ν表示二元組數(shù)目，ρ表示選取的第二個二元組 位置，Ρ取值為:Ρ=1，2，· · ·，Ν，λ。表示第〇個二元組的拉格朗日乘子，λρ表示第ρ個二元組 的拉格朗日乘子，h。、hP分別表示第〇個、第ρ個二元組的標(biāo)簽，K D(Ζ。，ΖΡ)表示二元組的核函 數(shù)，Ζ〇、ΖΡ表示第〇個、第ρ個二元組，1表示選取的第三個二元組位置，1取值為：1 = 1， 2，· · .，ΝΑ表示第1個二元組的拉格朗日乘子，λ:取值范圍是表示一個常 數(shù)，In表示第1個二元組的標(biāo)簽。6. 根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)和度量學(xué)習(xí)的極化SAR地物分類方法，其特征在 于:步驟(6b)中所述的三元組支持向量機(jī)模型的優(yōu)化公式如下：其中，max表不求最大值操作，λ表不拉格朗日乘子，Σ表不求和操作，u表不選取的第一 個三元組位置，U取值為:U=1，2，· · ·，Ν2，Ν2表示三元組數(shù)目，ν表示選取的第二個三元組 位置，ν取值為:ν = 1，2，· · ?JsAu表示第u個三元組的拉格朗日乘子，λν表示第ν個三元 組的拉格朗日乘子，K T(tu，tv)表示三元組的核函數(shù)，tu、tv分別表示第u個、第ν個三元組。
【文檔編號】G06K9/46GK105825223SQ201610132782
【公開日】2016年8月3日
【申請日】2016年3月9日
【發(fā)明人】焦李成, 馬文萍, 王明潔, 馬晶晶, 侯彪, 楊淑媛, 劉紅英, 馮婕, 王蓉芳
【申請人】西安電子科技大學(xué)