[發明專利]一種基于棧式編碼和softmax的極化SAR圖像分類方法

有效

• 申請號: 201410334397.8
• 申請日: 2014-07-14
• 公開（公告）號: CN104156728B
• 公開（公告）日: 2017-05-24
• 發明（設計）人: 王爽;馬文萍;謝慧明;霍麗娜;馬晶晶;雷曉珍
• 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: 西安吉盛專利代理有限責任公司61108
• 代理人: 張恒陽

1.一種基于棧式編碼和softmax的極化SAR圖像分類方法，包括如下步驟：

(1)讀入一幅待分類的極化SAR圖像，采用精致極化LEE濾波方法對待分類的極化SAR圖像進行濾波，去除斑點噪聲，得到去噪后的極化SAR圖像；

(2)從去噪后的極化SAR圖像每個像素點的相干矩陣T中提取出9個獨立的元素，構成一個向量，就得到了每個像素點適合棧式編碼網絡用于學習特征的原始輸入數據；

(3)根據真實的地物標記，對極化SAR圖像的每個地物類別分別隨機選取10％的有標記原始輸入數據作為訓練樣本，剩下的90％有標記原始輸入數據作為測試樣本，并對選取的訓練樣本做白化處理,得到能更好進行特征學習的輸入數據；

(4)構造棧式編碼網絡學習特征向量，棧式編碼網絡第二層學習得到的特征向量就是極化SAR圖像的高級特征向量；構造棧式編碼網絡的參數設置按如下進行：

(4a)訓練棧式編碼網絡第一層：設置棧式網絡編碼第一層的隱藏層節點數為25，稀疏性懲罰因子β為3，稀疏性參數ρ為0.1，衰減參數λ為3×10^-3；

(4b)訓練棧式編碼網絡第二層：設置棧式編碼網絡第二層的隱藏層節點數為50，稀疏性懲罰因子β為3，稀疏性參數ρ為0.1，衰減參數λ為3×10^-3；

(5)訓練分類器：將學習得到的特征向量及其真實的地物標記放入softmax分類器中進行訓練，同時用反向傳播算法對棧式編碼和softmax分類器構成的框架進行微調；

(6)預測分類結果并計算正確率：將測試樣本做相應的白化處理，然后將白化后的測試數據輸入到訓練好的框架中得到預測的分類結果，將預測得到的分類結果與真實的地物標記進行對比并計算正確率；

(7)輸出結果：

在分類后的極化SAR圖像上，分類結果中相同類別賦給相同的RGB顏色，得到上色后的分類結果圖，輸出上色后分類結果圖。

2.根據權利要求1所述的一種基于棧式編碼和softmax的極化SAR圖像分類方法，其特征在于：步驟(1)所述的精致極化LEE濾波方法的滑動窗口大小為7×7像素。

3.根據權利要求1所述的一種基于棧式編碼和softmax的極化SAR圖像分類方法，其特征在于：步驟(2)所述的從極化SAR圖像每個像素點的相干矩陣T中提取出9個獨立的元素，按如下步驟進行：

讀入濾波后圖像的每個像素點，這些像素點為一個3×3的相干矩陣T：

$T=\left[\begin{array}{ccc}\<|S_{HH}+S_{VV}{|}^2\>& \<(S_{HH}+S_{VV}){(S_{HH}-S_{VV})}^{*}\>& 2\<(S_{HH}+S_{VV}){S_{HV}}^{*}\>\\ \<(S_{HH}-S_{VV}){(S_{HH}+S_{VV})}^{*}\>& \<|S_{HH}-S_{VV}{|}^2\>& 2\<(S_{HH}-S_{VV}){S_{HV}}^{*}\>\\ 2\<S_{HV}{(S_{HH}+S_{VV})}^{*}\>& 2\<S_{HV}{(S_{HH}-S_{VV})}^{*}\>& 4\<|S_{HV}{|}^2\>\end{array}\right]$

其中H表示水平極化，V表示垂直極化，S_HH表示水平向發射和水平向接收的回波數據，S_VV表示垂直向發射和垂直向接收的回波數據，S_HV表示水平向發射垂直向接收的回波數據，()*表示這個數據的共軛，<>表示按視數平均，可以看出T矩陣是一個共軛復矩陣，它只有9個獨立的元素，分別為T₁₁、T₂₂、T₃₃、T₁₂的實部和虛部、T₁₃的實部和虛部以及T₂₃的實部和虛部；將這9個元素組合成一個行向量，就得到了每個像素點的原始輸入數據。