[發明專利]基于半監督梯形網絡的極化SAR圖像分類方法

有效

• 申請號: 201711188042.2
• 申請日: 2017-11-24
• 公開（公告）號: CN108133173B
• 公開（公告）日: 2019-07-23
• 發明（設計）人: 王爽;焦李成;梁瑩;翟育鵬;郭巖河;孫莉;侯彪;馬文萍;劉飛航
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

1.一種基于半監督梯形網絡的極化SAR圖像分類方法，其特征在于，包括如下步驟：

(1)輸入圖像：

(1a)輸入一幅750*1024大小的待分類的極化合成孔徑雷達SAR圖像；

(1b)輸入待分類極化合成孔徑雷達SAR圖像的真實地物標記圖像；

(2)精致Lee濾波：

采用精致Lee濾波方法，對待分類的極化合成孔徑雷達SAR圖像進行濾波，去除斑點噪聲，得到濾波后的極化合成孔徑雷達SAR圖像；

(3)選取訓練樣本和測試樣本；

從濾波后極化合成孔徑雷達SAR圖像的有標記分類數據中，選取訓練樣本和測試樣本；

(4)搭建梯形網絡結構：

(4a)搭建梯形網絡中的并行編碼器，隨機初始化并行編碼器的權值和偏置；

所述梯形網絡中的并行編碼器的結構如下：并行編碼器使用全連接的多層感知器作為基模型，并行編碼器分為縱橫兩個編碼路徑，其中，加入高斯噪聲的一個路徑為帶噪聲編碼路徑，不加高斯噪聲的另一個路徑為干凈編碼路徑，兩個編碼路徑的網絡層數、每層神經元個數以及每層的前向編碼函數保持實時一致；

并行編碼器的參數如下：

第一層為輸入層，神經元個數設置為9；

第二層為編碼層，神經元個數設置為1000；

第三層為編碼層，神經元個數設置為500；

第四層為編碼層，神經元個數設置為250；

第五層為編碼層，神經元個數設置為250；

第六層為編碼層，神經元個數設置為250；

第七層為softmax分類器，神經元個數設置為15；

(4b)搭建與帶噪聲編碼路徑對應的解碼器，在帶噪聲編碼路徑的編碼層與解碼器的解碼層之間建立橫向連接，使解碼結果與帶噪編碼層變量非線性組合，獲得對應層的重構；

(5)訓練梯形網絡：

(5a)分別構建有監督損失函數、帶噪聲編碼路徑的無監督損失函數和與帶噪聲編碼路徑對應的解碼器的無監督損失函數，線性組合有監督損失函數和無監督損失函數構成梯形網絡的損失函數；

(5b)設定權值更新迭代的次數，在每次迭代中，利用所有訓練樣本求得當前損失函數的梯度值，并根據梯度下降法更新并行編碼器的權值直至達到設定迭代次數，得到訓練好的梯形網絡；

(6)分類：

利用訓練好的梯形網絡中干凈編碼路徑的softmax分類器，對待分類的極化合成孔徑雷達SAR圖像的每個像素進行分類，得到每個像素所屬地物類別；

(7)計算精度：

將極化合成孔徑雷達SAR圖像的每個像素所屬地物類別與真實地物類別進行比對，將類別一致的像素個數與全部像素個數的比值作為極化SAR圖像的分類精度；

(8)輸出結果：

利用紅、綠、藍三基色，將相同類別的極化合成孔徑雷達SAR圖像像素用同一種顏色標出，得到上色后的極化合成孔徑雷達SAR圖像并輸出圖像。

2.根據權利要求1所述的基于半監督梯形網絡的極化SAR圖像分類方法，其特征在于，步驟(3)所述的從濾波后極化合成孔徑雷達SAR圖像的有標記分類數據中提取訓練樣本和測試樣本的步驟如下：

第一步，從濾波后極化合成孔徑雷達SAR圖像的有標記分類數據的每類數據中，隨機選取10％的樣本，將所有選出的樣本組合在一起，作為訓練樣本；

第二步，從訓練樣本中每類隨機選取100個樣本作為有監督訓練樣本，剩余訓練樣本作為無監督訓練樣本；

第三步，從選取訓練樣本后剩余的極化合成孔徑雷達SAR圖像中，選取有標記的數據作為測試樣本。

3.根據權利要求1所述的基于半監督梯形網絡的極化SAR圖像分類方法，其特征在于，步驟(4b)中所述與帶噪聲編碼路徑對應的解碼器的結構及其參數如下：

第一層為重構層，神經元個數設置為15；

第二次為重構層，神經元個數設置為250；

第三層為重構層，神經元個數設置為250；

第四層為重構層，神經元個數設置為250；

第五層為重構層，神經元個數設置為500；

第六層為重構層，神經元個數設置為1000；

第七層為重構層，神經元個數設置為9。