[發明專利]基于稀疏自動編碼器的極化SAR圖像分類方法

有效

• 申請號: 201410140571.5
• 申請日: 2014-04-09
• 公開（公告）號: CN103886336B
• 公開（公告）日: 2017-02-01
• 發明（設計）人: 焦李成;劉芳;符丹鈺;馬文萍;馬晶晶;侯彪;王爽;楊淑媛;劉靜;高曉瑩
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 陜西電子工業專利中心61205
• 代理人: 田文英,王品華

1.一種基于稀疏自動編碼器的極化SAR圖像分類方法，包括如下步驟：

(1)輸入待分類的極化合成孔徑雷達SAR圖像的相干矩陣；

(2)濾波：

采用濾波窗口大小為7×7的李Lee濾波器，對相干矩陣進行濾波，得到去噪后的相干矩陣；

(3)選取樣本：

(3a)在去噪后的相干矩陣中，將每一列向量的元素作為一個樣本，將去噪后的相干矩陣中的所有樣本組成一個樣本集；

(3b)從樣本集中隨機選取8%的樣本作為無標簽樣本集；

(3c)從樣本集中隨機選取5%的樣本作為訓練樣本集，將剩余95%的樣本作為測試樣本集；

(4)獲取稀疏主分量：

(4a)對無標簽樣本集中的所有樣本取平均值，用無標簽樣本集中的每一個樣本分別減去平均值，獲得去均值后的無標簽樣本集；

(4b)對去均值后的無標簽樣本集，采用稀疏主分量分析方法，得到去均值后的無標簽樣本集的稀疏主分量；

(4c)將去均值后的無標簽樣本集的稀疏主分量分別與訓練樣本集、測試樣本集和去均值后的無標簽樣本集相乘，得到降維后的訓練樣本集、測試樣本集和無標簽樣本集；

(5)訓練稀疏自動編碼器：

(5a)在[-2，2]范圍內任意選取兩個數，分別作為稀疏自動編碼器的權重值和偏差值；

(5b)對選取的稀疏自動編碼器的權重值和偏差值，采用均方差衰減公式，獲取整體樣本均方差衰減值；

(5c)對獲得的整體樣本均方差衰減值，采用梯度下降法，獲取稀疏自動編碼器的最優權重值和最優偏差值；

(6)提取特征：

對降維后的訓練樣本集和測試樣本集，采用特征提取方法，得到訓練樣本特征集和測試樣本特征集；

(7)支持向量機分類：

對訓練樣本特征集和測試樣本特征集進行分類，得到訓練樣本特征集和測試樣本特征集的分類結果；

(8)輸出分類結果。

2.根據權利要求1所述的基于稀疏自動編碼器的極化SAR圖像分類方法，其特征在于，步驟(4b)所述的稀疏主分量分析方法的具體步驟如下：

第一步，對去均值后的無標簽樣本集，進行奇異值分解SVD，得到左奇異矩陣、奇異值矩陣和右奇異矩陣，將右奇異矩陣中的每一列向量作為去均值后的無標簽樣本集的一個特征向量，在所有特征向量中選取前6個特征向量作為去均值后的無標簽樣本集的主分量的初值；

第二步，初始化去均值后的無標簽樣本集的稀疏主分量，選擇零向量作為去均值后的無標簽樣本集的稀疏主分量的初值，設定ε為迭代停止參數，ε的取值范圍為0＜ε＜＜1；

第三步，按照下式，計算去均值后的無標簽樣本集的稀疏主分量的迭代值：

B1=argminB0|X-A0B0TX|2+P(B0)]]>

其中，B₁表示去均值后的無標簽樣本集的稀疏主分量的迭代值，arg?min(·)表示取最小值操作，B₀表示去均值后的無標簽樣本集的稀疏主分量的初值，|·|²表示取模的平方操作，X表示去均值后的無標簽樣本集，A₀表示去均值后的無標簽樣本集的主分量的初值，(·)^T表示轉置操作，P(B₀)表示去均值后的無標簽樣本集的稀疏主分量的稀疏度；

第四步，計算去均值后的無標簽樣本集的協方差矩陣與去均值后的無標簽樣本集的稀疏主分量的迭代值的乘積，對得到的乘積進行奇異值分解SVD，得到左奇異矩陣、奇異值矩陣和右奇異矩陣；

第五步，按照下式，計算去均值后的無標簽樣本集的主分量的迭代值：

A₁＝U₁V₁^T

其中，A₁表示去均值后的無標簽樣本集的主分量的迭代值，U₁表示奇異值分解SVD得到的左奇異矩陣，V₁表示奇異值分解SVD得到的右奇異矩陣，(·)^T表示轉置操作；

第六步，判斷去均值后的無標簽樣本集的稀疏主分量的迭代值是否滿足下式迭代停止條件，若滿足，迭代終止，執行第七步；若不滿足，分別選取去均值后的無標簽樣本集的主分量的迭代值和稀疏主分量的迭代值作為新的去均值后的無標簽樣本集的主分量的初值和稀疏主分量的初值，執行第三步、第四步和第五步，直至滿足停止迭代條件，迭代終止，執行第七步：

||B1||B1||-B0||B0||||≤ϵ]]>

其中，B₁和B₀分別表示去均值后的無標簽樣本集的稀疏主分量的迭代值和初值，ε表示迭代停止參數，ε的取值范圍為0＜ε＜＜1，||·||表示取模操作；

第七步，將迭代終止時去均值后的無標簽樣本集的稀疏主分量的迭代值，作為去均值后的無標簽樣本集的稀疏主分量。