[發明專利]基于棧式稀疏自編碼網絡的多時相PolSAR散射特征的降維算法

在審

• 申請號: 201910877875.2
• 申請日: 2019-09-17
• 公開（公告）號: CN111079505A
• 公開（公告）日: 2020-04-28
• 發明（設計）人: 郭交;李恒輝;劉健;韓文霆;秦立峰
• 申請（專利權）人: 西北農林科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于棧式稀疏自編碼網絡的多時相PolSAR散射特征降維算法，包括如下步驟：

(1)輸入S個時相,大小為N1×N2的PolSAR圖像數據；

(2)通過原始的PolSAR圖像數據計算出每個像素的極化協方差矩陣[C]和極化相干矩[T]；

(3)采用多種極化分解方法對每個時相的PolSAR數據中[C]和[T]矩陣的進行特征分解，然后將每個時相中每個像素分解得到的M個特征以矩陣形式保存，將會得到一個N1×N2×M大小的三維特征矩陣[A]；

(4)將S個時相所獲得的三維特征矩陣進行再次堆疊，形成N1×N2×(M*S)大小的高維特征矩陣[B]；

(5)建立地面真值分布圖，結合高維特征矩陣選擇訓練樣本；

a)在高在高維特征矩陣中隨機抽取m個無監督訓練樣本，獲得大小為(M*S)×m的無監督訓練樣本矩陣[D]；

b)結合地面真值分布圖，對隨機抽取的m個有無監督訓練樣本添加標簽；

(6)構建降維至L維的S-SAE網絡，使用訓練樣本對S-SAE網絡進行訓練；

a)將無監督訓練樣本[D]作為S-SAE網絡的輸入進行逐層訓練，并得到降維至L維的訓練數據[E]，其大小為L×m；

b)使用降維至維的訓練數據[E]作為softmax分類器的輸入，結合訓練標簽樣本對softmax分類器進行預訓練；

c)將逐層訓練完成的S-SAE網絡與訓練完成的softmax分類器進行結合，然后使用有標簽的訓練樣本對S-SAE網絡進行優化訓練；

(7)使用優化訓練后的S-SAE網絡參數，對高維散射特征[B]進行降維運算，得到指定降維維度的多時相散射降維特征矩陣[F]，其大小為N1×N2×L；

(8)結合降維特征和地面分布真值，隨機選取支持向量機SVM(Support VectorMachine，SVM)分類器的訓練樣本；

(9)采用SVM分類器對多時相散射特征的降維特征[F]進行分類；

(10)輸出分類后的農作物分布圖。

2.根據權利要求1所述的基于棧式稀疏自編碼網絡的多時相PolSAR散射特征降維算其特征在于：(均使用matlab語言實現)

步驟(1)輸入S個時相,大小為N1×N2的PolSAR圖像數據具體步驟如下：

第一步，按照下式，先將每個時相的PolSAR數據讀入，生成一個行向量。

tem1＝fread(fid,num1·num2·BandNo,'double','ieee-le')；

其中，num1和num2表示該圖像在二維平面上縱向和橫向的像素點個數，BandNo表示該SAR圖像數據的層數

第二步，通過下式將讀取進來的SAR數據進行維數的變化，使其變為BandNo·num2行，num1列，然后通過矩陣轉置，使讀取的數據變為num1行，BandNo·num2列

xx＝reshape(tem1,BandNo*num2,num1)；

xx＝xx’；

其中，reshape表示將tem1進行維數變化，行數列數分別對應后邊兩個輸入，xx＝xx'表示矩陣的轉置

第三步，通過循環語句，將轉置后的PolSAR數據，存入目標矩陣中去，目標矩陣具有和xx相同的列數和行數，目標矩陣的層數與PolSAR圖像的層數相同

for i＝1:BandNo

PolSARData(:,:,i)＝xx(:,1+(i-1)·num2:i·num2)；

end

其中PolSARData為目標矩陣，按照層的順序存儲xx中的PolSAR數據，使其變為具有，num1行，num2列，BandNo層的一個三維矩陣，在這樣的矩陣中，PolSARData(:,:,i)即在二維的橫向和縱向相等的情況下，每層的數據都對應著PolSAR圖像中同一個像素點。