[發(fā)明專利]基于極限學(xué)習(xí)機(jī)的極化SAR圖像分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201510512066.3
• 申請(qǐng)日: 2015-08-19
• 公開（公告）號(hào): CN105205491A
• 公開（公告）日: 2015-12-30
• 發(fā)明（設(shè)計(jì)）人: 焦李成;李玲玲;曾杰;馬文萍;張丹;屈嶸;侯彪;王爽;馬晶晶;尚榮華
• 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;G06K9/66
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;朱紅星

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及極化合成孔徑雷達(dá)SAR圖像處理，可用于極化SAR圖像的地物分類與目標(biāo)識(shí)別。

背景技術(shù)

極化SAR有全天時(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)，從而被廣泛應(yīng)用于遙感和地圖測(cè)繪等領(lǐng)域。在過去的二十年中，研究表明，極化SAR在目標(biāo)檢測(cè)、地物分類、參數(shù)反演、地形提取應(yīng)用方面能夠提供比單極化SAR更多有用的信息。

傳統(tǒng)有監(jiān)督的極化SAR圖像分類方法主要包括如下算法：Wishart監(jiān)督分類，該算法精度較低，并且時(shí)間效率低；基于反向傳播的神經(jīng)網(wǎng)絡(luò)BPNN，該方法因迭代求解導(dǎo)致運(yùn)行時(shí)間長(zhǎng)；支持向量機(jī)SVM方法，該方法存在預(yù)測(cè)時(shí)間較長(zhǎng)的問題。

目前較流行的方法有深度學(xué)習(xí)算法，如稀疏自編碼器SSAEs。西安電子科技大學(xué)申請(qǐng)的專利“基于稀疏自動(dòng)編碼器的極化SAR圖像分類方法”(專利申請(qǐng)?zhí)?CN201410140571.5，公布號(hào):CN103886336A)。該方法的實(shí)現(xiàn)過程為，首先輸入待分類的極化SAR圖像的相干矩陣，濾波后選取樣本,再獲取稀疏主分量，之后訓(xùn)練稀疏自動(dòng)編碼器，提取特征，最后用支持向量機(jī)分類，輸出分類結(jié)果。該方法雖然能進(jìn)行特征提取和變換，提高精度，但算法模型復(fù)雜，且運(yùn)行時(shí)間太長(zhǎng)。

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，提出了一種基于極限學(xué)習(xí)機(jī)的極化SAR圖像分類方法，在保證較高精度的前提下，降低了極化SAR圖像分類的處理時(shí)間。

為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括如下步驟：

(1)輸入待分類極化SAR圖像標(biāo)記信息，輸入一幅大小為3×3×M的待分類極化SAR圖像的相干矩陣，并用Lee濾波器濾除相干噪聲，得到濾波后的相干矩陣，其中，濾波后的相干矩陣中每個(gè)元素是一個(gè)3×3矩陣，M表示待分類的極化SAR圖像像素點(diǎn)的總數(shù)；

(2)將濾波后相干矩陣中每個(gè)元素對(duì)應(yīng)的3×3矩陣，拉成一個(gè)9維的特征向量，獲得大小為9×M的數(shù)據(jù)矩陣；

(3)將數(shù)據(jù)矩陣進(jìn)行歸一化處理，獲得數(shù)據(jù)集其中n＝9為特征的維數(shù)，x_i為特征向量；

(4)從數(shù)據(jù)集中獲得訓(xùn)練集和測(cè)試集

(4a)根據(jù)標(biāo)記信息從數(shù)據(jù)集中獲得標(biāo)記集其中m為類別總數(shù)，N為標(biāo)記樣本的總數(shù)，t_i為類別向量；

(4b)將標(biāo)記集隨機(jī)選取1％作為訓(xùn)練集剩余99％作為測(cè)試集其中K訓(xùn)練集樣本個(gè)數(shù)，S為測(cè)試集的樣本個(gè)數(shù)；

(5)用訓(xùn)練集訓(xùn)練極限學(xué)習(xí)機(jī)：

(5a)設(shè)置極限學(xué)習(xí)機(jī)隱含層節(jié)點(diǎn)的激活函數(shù)為G(a,b,x)＝exp(-b||x-a||²)，隱含層單元個(gè)數(shù)為L(zhǎng)，且K＞L；

(5b)隨機(jī)設(shè)置輸入權(quán)值a_j和偏值b_j,j＝1,...,L；

(5c)輸入層為訓(xùn)練集計(jì)算隱藏層輸出矩陣為H，