[發明專利]基于深度PCA網絡和SVM的極化SAR圖像分類方法

在審

• 申請號: 201410609939.8
• 申請日: 2014-11-02
• 公開（公告）號: CN104331707A
• 公開（公告）日: 2015-02-04
• 發明（設計）人: 焦李成;劉芳;白雪瑩;楊淑媛;侯彪;馬文萍;王爽;劉紅英;熊濤
• 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;G06K9/66
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 湯東鳳

1.一種基于深度主成分分析(Principal?Component?Analysis,PCA)網絡和SVM的極化SAR圖像分類方法，包括如下步驟：

步驟1，讀入一幅任選的待分類的極化SAR圖像；

步驟2，對待分類的極化SAR圖像采用精致極化LEE濾波法,得到濾波后的極化SAR圖像；

步驟3，

(3-1)對濾波后的極化SAR圖像中表示每個像素點的協方差矩陣C，提取數據分布特征參數α；

(3-2)對濾波后的極化SAR圖像中表示每個像素點的協方差矩陣C，分別通過泡利Pauli分解得到3個散射特征參數、弗里曼—得登Freeman-Durden分解得到7個散射特征參數、克拉徳Cloude分解得到6個散射特征參數、慧能Huynen分解得到9個散射特征參數和克羅艾厄Krogager分解得到3個散射特征參數，將通過這5種非相干極化目標分解方法得到的相應散射特征參數組合為28維散射特征S＝{s₁,s₂,…，s₂₈}；

(3-3)對濾波后的極化SAR圖像中表示每個像素點的協方差矩陣C，提取11維的偏振特征P＝{p₁,p₂,…,p₁₁}；

步驟4，從濾波后的極化SAR圖像表示每個像素點的協方差矩陣C中提取出9個獨立的元素，并與步驟3中得到的數據分布特征參數α、28維散射特征和11維的偏振特征組合，組合后進行歸一化作為原始輸入數據；

步驟5，根據極化SAR圖像的實際地物類別標記，在步驟4中得到的原始輸入數據中標記與每種地物類別對應的數據，并把該數據作為有標記數據，在對應于每種地物類別的有標記數據中隨機選取10％的有標記數據作為訓練樣本，剩下的90％有標記數據作為測試樣本；

步驟6，對選取的訓練樣本做白化處理；

步驟7，用步驟6白化處理后的訓練樣本訓練深度PCA網絡，將深度PCA網絡的輸出即深度PCA網絡最終學習到的特征作為下一步待處理的數據：

(7-1)將步驟6白化處理后的訓練樣本作為輸入數據，輸入到深度PCA網絡第一層中進行訓練，得到能夠表征輸入數據即步驟6白化處理后的訓練樣本的特征作為深度PCA網絡第一層訓練得到的特征；

(7-2)將深度PCA網絡第一層訓練得到的特征輸入到深度PCA網絡第二層中進行訓練，得到能表征深度PCA網絡第一層特征的新特征，即深度PCA網絡第二層訓練得到的特征；

(7-3)對深度PCA網絡第二層訓練得到的特征進行二值化和直方圖統計，得到能夠表征深度PCA網絡的第二層特征的新特征，這個新特征就是深度PCA網絡最終學習到的特征，即深度PCA網絡的輸出；

步驟8，利用步驟7中深度PCA網絡的輸出對SVM分類器進行訓練，得到訓練好的用于分類的SVM分類器；

步驟9，將步驟4中得到的全部原始輸入數據白化處理后，使用與步驟7相同的方法訓練深度PCA網絡，得到深度PCA網絡的輸出，然后將深度PCA網絡的輸出輸入到步驟8訓練好的分類器中預測分類，預測分類結果后對分類后的極化SAR圖像上色顯示，輸出最終結果。