[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

技術領域

本發明屬于圖像處理技術領域，更進一步涉及目標識別領域中基于稀疏自動編碼器的極化合成孔徑雷達(Synthetic?Aperture?Radar?SAR)圖像分類方法。本發明可用于對極化合成孔徑雷達SAR圖像的地物分類和目標識別。

背景技術

相比于傳統的合成孔徑雷達，極化合成孔徑雷達SAR利用多個通道的散射信息，可以獲得對目標更加全面的認識。極化合成孔徑雷達SAR圖像分類是極化合成孔徑雷達SAR圖像解譯的重要研究內容，分類圖既可作為中間結果為邊緣提取、目標檢測、識別等提供輔助信息，也可作為最終結果直接輸出給用戶。它在民用和軍用領域均有著巨大的應用價值和理論意義。

近年來，很多極化合成孔徑雷達SAR圖像分類的方法被提取出來，這些方法的基本原理都是利用極化信息，從極化散射矩陣中提取一些與散射機理密切相關的參數，利用這些參數本身，再結合一些其他的方法，對極化合成孔徑雷達SAR圖像場景中的地物目標進行分類。經典的極化合成孔徑雷達SAR圖像分類方法包括：

電子科技大學在其專利申請“一種基于子孔徑分析的極化合成孔徑雷達圖像分類方法”(專利申請號：200910058210.5，公開號：CN101464956A)中提出了一種基于子孔徑分析的極化合成孔徑雷達SAR圖像分類方法。這種方法首先采用H/ɑ平面對全分辨率極化合成孔徑雷達SAR圖像進行初始分類，再對其進行子孔徑分解，然后根據初始分類計算初始類別中心，最后計算所有子孔徑圖像中每一個像素點與各類別中心的距離測度，將像素點歸類于距離測度最小的那一類。該方法雖然綜合了目標在不同視角下的散射特性，以及散射特性的變化，但是仍然存在的不足是，該方法對待分類的極化合成孔徑雷達SAR圖像信息的豐富性要求高，待處理的高維數據具有無關性和冗余性，計算量大，實現過程復雜。

西安電子科技大學在其專利申請“基于譜聚類的極化SAR圖像分類方法”(專利申請號：201110164401.7，公開號：CN102208031A)中提出了一種基于譜聚類的極化合成孔徑雷達SAR圖像分類方法。該方法首先對極化合成孔徑雷達SAR圖像的每一個像素點提取表征極化合成孔徑雷達SAR目標散射特性的散射熵，結合空間坐標信息，利用Mean?Shift算法對圖像進行分割，對各區域進行譜聚類，獲得圖像的預分類結果，最后對預分類得到的整幅圖像用Wishart分類器進行迭代分類。該方法雖然能在任意形狀的樣本空間上聚類并且收斂于全局最優解，但是仍然存在的不足是，采用高斯函數構造相似矩陣時，尺度參數對分類結構影響較大，并且難以得到最優的參數，導致特征提取的不合理，影響圖像分割的穩定性，導致分類精度下降。

發明內容

本發明的目的是克服上述現有技術的不足，提供一種基于稀疏自動編碼器的極化SAR圖像分類方法。本發明與現有技術中其他極化合成孔徑雷達SAR圖像分類技術相比計算量小，分類精度和分類效率高。

本發明實現上述目的的思路是：先對極化合成孔徑雷達SAR圖像的相干矩陣進行濾波，再將去噪后的相干矩陣中的每一列向量的元素作為一個樣本，將所有樣本組成一個樣本集，從樣本集中隨機選取樣本組成無標簽樣本集、訓練樣本集和測試樣本集，然后利用稀疏主分量分析方法獲取無標簽樣本集的稀疏主分量，利用獲得的稀疏主分量對所有樣本集進行投影，再通過稀疏自動編碼器獲取無標簽樣本集的最優權重和偏差，利用獲得的最優權重和偏差對訓練樣本集和測試樣本集進行特征提取，最后利用支持向量機SVM進行對提取到的特征進行分類，得到最終分類結果。

本發明實現的具體步驟包括如下：

(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；