[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

技術領域

本發明屬于圖像處理技術領域，具體涉及極化合成孔徑雷達圖像地物分類技術領域中的一種的基于棧式編碼進行特征學習和用softmax分類器進行分類的極化合成孔徑雷達(Synthetic Aperture Radar，SAR)圖像分類方法。可用于對極化SAR圖像的地物分類和目標識別，能有效的提高極化SAR圖像分類的精度。

背景技術

合成孔徑雷達(SAR)系統能夠得到具有全天候、全天時、分辨率高的遙感圖像，極化合成孔徑雷達(極化SAR)是先進的SAR系統，通過發射和接收極化雷達波來描述觀察到的土地覆蓋物和目標。

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。如今，一些星載平臺，如TerraSAR-X衛星，RADARSAT-2衛星，和ALOS-PALSAR衛星不斷地提供著數據量巨大的極化SAR數據。手動解釋這些大量極為復雜的圖像是不靠譜的。因此，迫切地需要開發自動或半自動系統來對極化SAR圖像進行解釋和信息挖掘。

根據是否需要訓練樣本和人工干預，極化SAR圖像分為監督分類和非監督分類。對于這兩種方法，特征提取和分類技術是兩個基本要素。極化SAR圖像分類的性能在很大程度上依賴于特征。出于這個原因，許多極化SAR圖像分類方法著力于極化SAR圖像特征的提取。許多已發表的學術論文基于極化SAR數據的一些性質提出了各種方法來獲得極化SAR特征。

Cloude等人提出了基于H/α目標分解的極化SAR圖像非監督分類方法，見Cloude S R，Pottier E.An entropy based classification scheme for land applications of polarimetric SAR[J].IEEE Trans.Geosci.Remote Sensing.1997，35(1)：549-557.就是一種特征提取的方法，該方法主要是通過Cloude分解獲取H和α兩個表征極化數據的特征，然后根據H和α組成的H/α平面人為的將其劃分為9個區域，去掉一個理論上不可能存在的區域，最終將圖像劃分為8類。H/α分類存在的一個缺陷是區域的劃分過于武斷，當數據分布區域邊界上時可能會被錯誤的劃分，另外，同一類別的地物可能會劃分不到不同的區域內，同時，同一區域內也可能存在不同類別的地物。

Yoshio Yamaguchi等提出了一種基于四分量目標分解的極化圖像非監督分類算法，見Yoshio Yamaguchi,Toshifumi Moriyama,Motoi Ishido,and Hiroyoshi Yamada,“Four-Component Scattering Model for Polarimetric SAR Image Decomposition,”IEEE Trans.Geosci.Remote Sens,vol.43,no.8,Aug.2005.是另一種特征提取的方法。該方法將極化SAR數據分解為四個簡單的散射機制相結合。這四個散射機制分別為：平面散射、二面角散射、體散射和螺旋散射。

這些特征的提取的方法是根據要解決的問題以及數據的特征人工設計設計出來的，與此同時，這些提取特征的方法人工勞動強度特別大。

棧式編碼是一種無監督特征學習框架，它能夠提取多層特征。類似于人腦的層次模型，棧式編碼能提取從低層次到高層次的特征。一般而言，較高層次的特征能更好地反映數據的性質，更有利于分類。棧式編碼不需要任何數據的先驗知識就可以提取特征。因此，它更有利于應用于新的問題和新的數據。

發明內容

本發明的目的在于針對上述已有技術的不足，提出一種基于棧式編碼和softmax的極化SAR圖像分類方法，以提高分類效果和精度。

實現本發明的技術思路是：首先，對極化合成孔徑雷達SAR圖像進行濾波；其次，對每個像素提取出9個獨立的元素，構成一個行向量，就得到了每個像素點適合棧式編碼用于學習特征的原始輸入數據；然后，用棧式編碼對這些數據學習特征；再用學習得到的特征向量輸入到softmax分類器中進行分類，之后用反向傳播算法對棧式編碼與softmax分類器組成框架進行微調，得到更好的特征和分類結果。

為實現上述目的，本發明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；