[發明專利]基于超像素與稀疏自編碼器的極化SAR圖像分類方法

在審

• 申請號: 201710543565.8
• 申請日: 2017-07-05
• 公開（公告）號: CN107341511A
• 公開（公告）日: 2017-11-10
• 發明（設計）人: 李陽陽;柴英特;焦李成;劉芳;尚榮華;馬文萍;馬晶晶;緱水平
• 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;G06K9/40;G06K9/66
• 代理公司: 陜西電子工業專利中心61205
• 代理人: 韋全生,王品華

1.一種基于超像素與稀疏自編碼器的極化SAR圖像分類方法，包括如下步驟：

(1)輸入一幅像素集合為{p₁,p₂,…,p_k,…,p_w}的待分類極化SAR圖像，其中，p_k表示極化SAR圖像里的第k個像素，且k＝1,2,…,w，w表示極化SAR圖像的像素個數；

(2)對待分類極化SAR圖像進行濾波：

去除待分類極化SAR圖像的相干斑噪聲，得到濾波后的極化SAR圖像；

(3)對濾波后的極化SAR圖像進行超像素分割：

(3a)采用Pauli分解方法，對極化SAR圖像中每個像素點的極化散射矩陣S進行分解，得到極化SAR圖像像素的三個強度信息值，并將該三個強度信息作為三個通道信息，合成極化SAR圖像的偽彩圖；

(3b)對偽彩圖進行超像素分割，得到多個超像素塊{I₁,I₂,…,I_h,…,I_c}和每個像素p_k的所在的超像素塊標簽，其中，I_h表示對偽彩圖分割后的第h個小塊里的像素個數，且h＝1,2,…,C，C表示分割的塊數；

(4)獲取極化SAR圖像各像素的原始特征：

利用極化SAR圖像每個像素的極化相干矩陣T，構造9維特征向量，并將該特征向量作為極化SAR圖像每個像素的原始特征；

(5)構造極化SAR圖像像素的局部空間特征：

(5a)利用當前像素p_k的超像素塊標簽，找到像素p_k所在的超像素塊

(5b)在超像素塊內隨機地選取k₁個像素，將這k₁個像素的原始特征和像素p_k的原始特征進行組合，并將組合得到的特征向量作為極化SAR圖像每個像素p_k的局部空間特征，其中，k₁≤min{I₁,I₂,…,I_h,...,I_C}；

(6)選取極化SAR圖像的訓練數據集U₁和測試數據集V：

從極化SAR圖像所有帶標簽的每類像素中，隨機選取g％像素構成訓練數據集U₁＝{z₁,z₂,...,z_l,...,z_s}，剩余的像素構成測試數據集V，其中，z_l表示訓練數據集U₁里的第l個像素，且l＝1,2,...,s，s表示訓練數據集U₁里的像素個數；

(7)對極化SAR圖像訓練數據集U₁進行擴充：

(7a)利用像素z_l的超像素塊標簽，找出像素z_l所在的超像素塊

(7b)從像素z_l所在的超像素塊內隨機地選取k₂個像素，并以像素z_l的標簽作為k₂個像素的標簽，其中，k₂≤min{I₁,I₂,...,I_h,...,I_C}；

(7c)將k₂個像素加入到訓練數據集U₁中來，構成擴充后的訓練數據集U₂；

(8)利用訓練數據集U₂對稀疏自編碼器進行訓練：

(8a)將訓練數據集U₂輸入到三層稀疏自編碼器中進行訓練，得到第一層稀疏自編碼器的權重W₁和偏置b₁，第二層稀疏自編碼器的權重W₂和偏置b₂，第三層稀疏自編碼器的權重W₃和偏置b₃；

(8b)將第一層、第二層和第三層稀疏自編碼器的權重和偏置固定，并將訓練數據集U₂再次輸入到三層稀疏自編碼器中，得到訓練數據集U₂的輸出O_U；

(9)利用訓練數據集U₂的輸出O_U對softmax分類器進行訓練：

將訓練數據集U₂的輸出O_U輸入到softmax分類器中，對其進行訓練，得到softmax分類器的權重W_F和偏置b_F；

(10)對測試數據集V進行預測分類：

(10a)將測試數據集V輸入到第一層稀疏自編碼器的權重W₁和偏置b₁，第二層稀疏自編碼器的權重W₂和偏置b₂，第三層稀疏自編碼器的權重W₃和偏置b₃的三層稀疏自編碼器中，得到測試數據集V的輸出O_v；

(10b)將測試數據集V的輸出O_v輸入到權重為W_F，偏置為b_F的softmax分類器中，得到測試數據集的分類標簽。