[發(fā)明專利]基于SSAE和FSALS?SVM極化SAR圖像分類

有效

• 申請(qǐng)?zhí)枺?/td>: 201410395368.2
• 申請(qǐng)日: 2014-08-13
• 公開(kāi)（公告）號(hào): CN104166859B
• 公開(kāi)（公告）日: 2017-09-22
• 發(fā)明（設(shè)計(jì)）人: 焦李成;劉芳;劉宸榮;馬文萍;馬晶晶;王爽;侯彪;李陽(yáng)陽(yáng)
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 北京科億知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙)11350
• 代理人: 湯東鳳

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理領(lǐng)域，針對(duì)極化SAR圖像分類問(wèn)題，提出了一種基于棧式稀疏自動(dòng)編碼器(SSAE)和快速稀疏逼近最小二乘支持向量機(jī)(FSALS-SVM)的極化SAR圖像分類方法，可用于開(kāi)展航空航天影像、天文學(xué)影像、軍事等領(lǐng)域的數(shù)字圖像預(yù)處理。

背景技術(shù)

合成孔徑雷達(dá)(SAR)由于其全天時(shí)、全天候的工作能力，以及其分辨率高、能有效識(shí)別偽裝和穿透掩蓋物等特點(diǎn)而被廣泛應(yīng)用于遙感和地圖測(cè)繪等領(lǐng)域。在近二十年來(lái)，極化SAR已被證明能夠獲得比傳統(tǒng)的單極化SAR更加豐富的地物信息。目前，全球許多極化SAR系統(tǒng)，如TerraSAR-X、RADARSAT-2、ALOS-PALSAR等，已經(jīng)提供了大量的極化SAR數(shù)據(jù)以供研究。然而，對(duì)這些大規(guī)模、復(fù)雜的數(shù)據(jù)進(jìn)行人為手動(dòng)研究是不現(xiàn)實(shí)的。因此，對(duì)極化SAR數(shù)據(jù)進(jìn)行全自動(dòng)或半自動(dòng)研究是迫切需要的，其中極化SAR圖像分類是極化SAR信息處理的一個(gè)重要分支。

極化SAR圖像分類作為極化SAR圖像解譯的重要步驟，許多學(xué)者都對(duì)其進(jìn)行了深入的研究，所提出的方法大致可以分為以下三類：1、基于極化散射機(jī)制的分類方法，它的特點(diǎn)是利用不同類的先驗(yàn)知識(shí)對(duì)圖像進(jìn)行分類；2、基于極化SAR圖像統(tǒng)計(jì)特性的分類方法，以最大似然法和最大后驗(yàn)概率法為代表；3、基于二者結(jié)合的分類方法。然而，所有這些方法都可歸結(jié)成基于像素的方法。基于像素的方法即：僅利用單個(gè)像素本身的特性對(duì)圖像進(jìn)行分類。這類方法在確定當(dāng)前像素類別時(shí)，將每個(gè)像素都看成是獨(dú)立的，不受周圍像素的影響，能較好的保留圖像細(xì)節(jié)。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)已有技術(shù)的不足，提出一種基于SSAE和FSALS-SVM的極化SAR圖像分類方法，以提高分類效果，使分類結(jié)果更吻合真實(shí)地物。

為實(shí)現(xiàn)上述目的，本發(fā)明包括如下步驟：

步驟1，對(duì)待輸入的所有極化SAR圖像數(shù)據(jù)進(jìn)行預(yù)處理，獲得無(wú)標(biāo)記訓(xùn)練樣本和帶標(biāo)記訓(xùn)練樣本；

步驟2，將每個(gè)稀疏自動(dòng)編碼器(SAE)均作為構(gòu)成棧式稀疏自動(dòng)編碼器(SSAE)的一個(gè)基本單元，并將前一個(gè)SAE的輸出作為后一個(gè)SAE的輸入來(lái)逐個(gè)訓(xùn)練SAE，以獲得每個(gè)SAE的模型參數(shù)，其中，步驟1中得到的所有無(wú)標(biāo)記訓(xùn)練樣本作為首個(gè)SAE的輸入，優(yōu)選地，本發(fā)明中的SAE個(gè)數(shù)為2；

步驟3，將步驟2中獲得的多個(gè)SAE級(jí)聯(lián)在一起構(gòu)成SSAE，并將步驟1中得到的帶標(biāo)記訓(xùn)練樣本輸入該SSAE，進(jìn)行前饋傳導(dǎo)計(jì)算，獲得這些帶標(biāo)記訓(xùn)練樣本的深度特征；

步驟4，將深度特征進(jìn)行歸一化處理后，輸入到快速稀疏逼近最小二乘支持向量機(jī)(FSALS-SVM)，通過(guò)迭代訓(xùn)練獲得訓(xùn)練后的FSALS-SVM分類器；

步驟5，將預(yù)處理后的待分類極化SAR圖像數(shù)據(jù)，即步驟1中得到的無(wú)標(biāo)記訓(xùn)練樣本，輸入到棧式稀疏自動(dòng)編碼器，獲得數(shù)據(jù)的深度特征，并將這些特征輸入到訓(xùn)練后的FSALS-SVM分類器，獲得圖像的最終分類結(jié)果。

本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)：

1.本發(fā)明在獲得圖像分類特征時(shí)，利用了棧式稀疏自動(dòng)編碼器，輸入僅為經(jīng)過(guò)簡(jiǎn)單預(yù)處理后的原始極化SAR協(xié)方差數(shù)據(jù)，避免了傳統(tǒng)在對(duì)極化SAR圖像進(jìn)行分類前，復(fù)雜的基于極化目標(biāo)的特征分解過(guò)程；

2.由于棧式稀疏自動(dòng)編碼器具有多隱層的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它具有優(yōu)異的特征學(xué)習(xí)能力，學(xué)習(xí)得到的特征對(duì)數(shù)據(jù)有更本質(zhì)的刻畫(huà)，從而有利于可視化和分類；

3.本發(fā)明用FSALS-SVM代替了傳統(tǒng)深度學(xué)習(xí)常用的Softmax分類器，它能夠獲得問(wèn)題的稀疏解，克服了LS-SVM因計(jì)算復(fù)雜度高而不利于大規(guī)模數(shù)據(jù)分類的缺點(diǎn)，降低了分類所耗的時(shí)間復(fù)雜度，與棧式稀疏自動(dòng)編碼器結(jié)合，提高了分類精度，并在一定程度上加強(qiáng)了分類結(jié)果中勻質(zhì)區(qū)域的連貫性。

附圖說(shuō)明

圖1是本發(fā)明的主流程圖；

圖2是本發(fā)明仿真使用的極化SAR數(shù)據(jù)的PauliRGB合成圖；

圖3是用現(xiàn)有基于SVM的分類方法對(duì)圖2的分類結(jié)果圖；

圖4是用現(xiàn)有基于Wishart分布的分類方法對(duì)圖2的分類結(jié)果圖；

圖5是用本發(fā)明對(duì)圖2的分類結(jié)果圖。

具體實(shí)施方式

參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下：

步驟1，對(duì)待輸入的所有極化SAR圖像數(shù)據(jù)進(jìn)行預(yù)處理，獲得無(wú)標(biāo)記訓(xùn)練樣本和帶標(biāo)記訓(xùn)練樣本。

(1a)對(duì)待輸入的所有極化SAR圖像數(shù)據(jù)進(jìn)行滑窗大小為7×7的Lee濾波；

(1b)Lee濾波后的極化SAR圖像的任一像素點(diǎn)n均可表示為一個(gè)3×3協(xié)方差矩陣M_n：