本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及極化合成孔徑雷達(dá)SAR圖像分類方法，可用于對(duì)極化SAR圖像的地物分類和目標(biāo)識(shí)別。

背景技術(shù)：
極化SAR雷達(dá)能夠獲得豐富的目標(biāo)信息，在農(nóng)業(yè)、林業(yè)、軍事、地質(zhì)學(xué)、水文學(xué)和海洋等方面具有廣泛的研究和應(yīng)用價(jià)值，如地物種類的識(shí)別、農(nóng)作物成長監(jiān)視、產(chǎn)量評(píng)估、地物分類、海冰監(jiān)測、地物沉降監(jiān)測，目標(biāo)檢測和海洋污染檢測等。而極化SAR圖像分類又是極化SAR圖像處理的中的重要內(nèi)容，也是極化SAR圖像解譯的關(guān)鍵技術(shù)之一，它是將解譯系統(tǒng)中的前端部分單獨(dú)提取出來作為具體應(yīng)用的一個(gè)典型實(shí)例?？焖佟?zhǔn)確的極化SAR圖像分類是實(shí)現(xiàn)各種實(shí)際應(yīng)用的前提。首都師范大學(xué)在其專利申請(qǐng)“極化SAR圖像分類方法”(專利申請(qǐng)?zhí)枺?01310685303.7，授權(quán)公告號(hào)：CN103617427A)中提出了一種基于極化SAR圖像散射熵H、反熵A和散射角α的極化SAR分類方法。該方法首先提取極化SAR圖像的散射熵H、反熵A和散射角α并將其作為第一特征集，然后將所述極化SAR圖像分解為兩個(gè)子孔徑圖像，分別提取所述兩個(gè)子孔徑圖像的特征：散射熵H、反熵A和散射角α從而得到兩個(gè)子特征集(H1,A1,α1)、(H2,A2,α2)，并將所述的兩個(gè)子特征集中的各相應(yīng)特征的值相減，得到所述各相應(yīng)特征的差值的集合(ΔH,ΔA,Δα)作為第二特征集，最后將所述第一特征集和所述的第二特征集輸入到?jīng)Q策樹分類模型中，得到所述極化SAR圖像的分類結(jié)果。該專利技術(shù)雖然不僅利用了從極化SAR圖像本身提取的特征集合，同時(shí)利用了兩個(gè)子孔徑圖像提取的特征各相應(yīng)的差值的集合，即兩種不同類型的特征集合，使得所提取的特征相比于以往僅僅提取原極化SAR圖像的散射特征更加豐富，但是該技術(shù)仍然僅僅只是利用了單一的散射特征，而忽略了更加豐富的圖像的底層特征如紋理特征、顏色特征、空間位置關(guān)系等，這在一定程度上限制了極化SAR圖像分類精度的提高。西安電子科技大學(xué)在其專利申請(qǐng)“基于SDIT和SVM的極化SAR圖像分類方法”(專利申請(qǐng)?zhí)枺?01410089692.1，授權(quán)公告號(hào)：CN103824084A)中提出了一種基于SDIT和SVM的極化SAR圖像分類方法。該方法首先對(duì)待分類的極化SAR圖像進(jìn)行精致Lee濾波，然后提取圖像的散射、偏振及紋理特征，將得到的特征進(jìn)行組合并歸一化，最后用歸一化后的特征訓(xùn)練分類器，預(yù)測分類并計(jì)算分類精度。該專利技術(shù)雖然充分利用了極化SAR圖像包含的豐富的紋理信息和偏振信息，彌補(bǔ)了僅僅依靠散射特性對(duì)極化SAR圖像分類的不足，在一定程度上提高了分類的精度，但仍然存在的不足是，該專利技術(shù)只是將所提取的散射、偏振和紋理信息進(jìn)行簡單的堆疊，然后輸入SVM直接用于分類，這導(dǎo)致輸入的特征中包含較多的冗余信息，并且特征維數(shù)過高，使得分類效率大大下降。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于針上對(duì)述現(xiàn)有技術(shù)的不足，提出一種基于深度稀疏ICA的極化SAR圖像分類方法。以充分利用極化SAR的散射特性和圖像的底層特征，提高分類的精度和分類效率。本發(fā)明的技術(shù)方案是：對(duì)待分類的極化SAR圖像進(jìn)行精致Lee濾波，提取圖像的散射、紋理、顏色及協(xié)方差矩陣特征作為原始特征；利用深度稀疏ICA方法提取原始特征的深度稀疏特征表示；用得到的深度稀疏特征表示訓(xùn)練分類器，用訓(xùn)練好的分類器對(duì)整幅待分類極化SAR圖像進(jìn)行地物分類，對(duì)分類后的極化SAR圖像進(jìn)行上色輸出。其實(shí)現(xiàn)步驟包括如下：(1)輸入待分類的極化合成孔徑雷達(dá)SAR圖像T1和待分類SAR圖像的真實(shí)地物標(biāo)記圖像T2；(2)采用精致Lee濾波方法，對(duì)待分類的極化SAR圖像T1進(jìn)行濾波，去除斑點(diǎn)噪聲，得到濾波后的極化SAR圖像T1’；(3)提取濾波后的極化SAR圖像T1’的散射、紋理、顏色及協(xié)方差矩陣特征；(4)將散射特征、紋理特征、顏色特征及協(xié)方差矩陣特征組合成原始樣本特征集，并將該原始樣本特征集的值歸一化到0～1之間，進(jìn)行白化處理；(5)選取無標(biāo)簽樣本集，訓(xùn)練樣本集和測試樣本集；5a)在白化處理過的原始樣本特征集中隨機(jī)選取2％的樣本特征作為無標(biāo)簽樣本集Xun_0；5b)根據(jù)待分類SAR圖像的真實(shí)地物標(biāo)記圖像T2，在白化處理過的原始樣本特征集中選出與該T2中已標(biāo)記真實(shí)地物相同的樣本特征集，并在該樣本特征集中隨機(jī)選取20％的樣本特征作為訓(xùn)練樣本集Xtr_0，剩余的80％的樣本特征作為測試樣本集Xte_0；(6)用深度稀疏ICA方法，分別提取無標(biāo)簽樣本集、訓(xùn)練樣本集和測試樣本集的深度稀疏特征表示；6a)用均值為0，方差為1的正態(tài)分布初始化第一層稀疏ICA的基矩陣W1；6b)利用基矩陣W1，計(jì)算無標(biāo)簽樣本集的方差衰減值，獲取第一層稀疏ICA的最優(yōu)基矩陣WOpt_1；6c)將獲得的最優(yōu)基矩陣WOpt_1分別與無標(biāo)簽樣本集Xun_0，訓(xùn)練樣本集Xtr_0，測試樣本集Xte_0相乘，得到無標(biāo)簽樣本集，訓(xùn)練樣本集，測試樣本集的第一層深度稀疏特征表示Xun_1，Xtr_1，Xte_1；6d)將由第一層稀疏ICA提取到的無標(biāo)簽樣本集的第一層深度稀疏特征表示Xun_1作為第二層稀疏ICA的輸入，重復(fù)6a)～6c)獲得第二層稀疏ICA的最優(yōu)基矩陣WOpt_2，進(jìn)而得到無標(biāo)簽樣本集，訓(xùn)練樣本集，測試樣本的第二層深度稀疏特征表示Xun_2，Xtr_2，Xte_2，其中，稀疏ICA的層數(shù)可以據(jù)分類結(jié)果進(jìn)行調(diào)整，每加一層，都要重復(fù)上述6a)～6c)一次，得到訓(xùn)練樣本集和測試樣本集最終的深度稀疏特征表示分別是Xtr和Xte；(7)將訓(xùn)練樣本集的最終深度稀疏特征表示Xtr輸入到支持向量機(jī)分類器中進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類器；(8)利用訓(xùn)練好的分類器，對(duì)待分類的極化SAR圖像T1的每個(gè)像素進(jìn)行分類，得到極化SAR圖像T1的每個(gè)像素所屬地物類別；(9)對(duì)步驟(8)中的分類結(jié)果，根據(jù)紅、綠、藍(lán)三基色原理，用同一種顏色標(biāo)出同類地物，得到上色后的極化SAR圖像T3，輸出上色后的極化SAR圖像T3。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)：1.本發(fā)明充分利用了極化合成孔徑雷達(dá)SAR圖像的散射、紋理、顏色和協(xié)方差矩陣的特性，提取的特征更加豐富多樣；2.本發(fā)明在提取的原始特征的基礎(chǔ)上，利用深度稀疏ICA方法提取原始特征的深度稀疏特征表示，該深度稀疏特征表示相比于原始特征，冗余性小，提高了分類效率；3.本發(fā)明用提取的深度稀疏特征表示分類，比原始的特征直接輸入分類器進(jìn)行分類精度更高。附圖說明圖1是本發(fā)明的實(shí)現(xiàn)流程圖；圖2是本發(fā)明實(shí)驗(yàn)使用的待分類極化SAR圖像；圖3是本發(fā)明實(shí)驗(yàn)所用的待分類極化SAR圖像真實(shí)地物標(biāo)記圖像；圖4是用Wishart有監(jiān)督分類法對(duì)待分類極化SAR圖像的分類結(jié)果圖；圖5是用本發(fā)明提取的原始特征對(duì)待分類極化SAR圖像的分類結(jié)果；圖6是用本發(fā)明提取的深度稀疏特征對(duì)待分類極化SAR圖像的分類結(jié)果。具體實(shí)施方式參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下：步驟1，輸入圖像。輸入兩幅極化合成孔徑雷達(dá)SAR圖像：一幅為待分類的極化合成孔徑雷達(dá)SAR圖像T1，另一幅為帶有真實(shí)地物標(biāo)記的極化合成孔徑雷達(dá)SAR圖像T2。步驟2，對(duì)待分類圖像進(jìn)行濾波處理。采用精致Lee濾波方法，對(duì)待分類的極化SAR圖像T1進(jìn)行濾波，去除斑點(diǎn)噪聲，得到濾波后極化SAR圖像T1’。步驟3，提取散射、紋理、顏色及協(xié)方差矩陣特征。3a)取濾波后的極化SAR圖像T1’的每個(gè)像素點(diǎn)的協(xié)方差矩陣C，該協(xié)方差矩陣的大小為3×3，C的表示形式如下：其中，H表示水平極化方向，V表示垂直極化方向，SHH表示水平向接收水平向發(fā)射的回波數(shù)據(jù)，SHV表示垂直向接收水平向發(fā)射的回波數(shù)據(jù)，SVV表示垂直向接收垂直向發(fā)射的回波數(shù)據(jù)?！础ぁ当硎景匆晹?shù)平均，*表示共軛，|·|表示取模；3b)由協(xié)方差矩陣C得到相干矩陣：T＝UCUT其中，U表示中間變量(·)T表示轉(zhuǎn)置操作；3c)提取濾波后極化SAR圖像T1’的散射特征：對(duì)濾波后極化SAR圖像T1’的每個(gè)像素，采用Yamaguchi分解方法得到ps，pv，pd，ph，fs，fv，fd，fh共8個(gè)散射參數(shù)，采用Cloude分解方法得到A，H，α，λ1，λ2，λ3共6個(gè)散射參數(shù)，采用Huynen分解方法得到|2A0|，|C-iD|，|H+iG|共3個(gè)散射參數(shù)，將得到的這些散射參數(shù)作為17維的散射特征；3d)提取濾波后極化SAR圖像T1’的紋理特征：由濾波后極化SAR圖像T1’每個(gè)像素點(diǎn)的協(xié)方差矩陣，得到該像素點(diǎn)的水平向接收水平向發(fā)射的回波數(shù)據(jù)|SHH|2，垂直向接收水平向發(fā)射的回波數(shù)據(jù)|SHV|2，垂直向接收垂直向發(fā)射的回波數(shù)據(jù)|SVV|2，分別由每個(gè)像素點(diǎn)的這三個(gè)極化值|SHH|2，|SHV|2，|SVV|2形成和濾波后的極化SAR圖像T1’大小相同的三幅極化通道圖像T4、T5、T6；計(jì)算每幅極化通道圖像的灰度共生矩陣，根據(jù)灰度共生矩陣提取每幅極化通道圖像每個(gè)像素的能量、逆差距、對(duì)比度三個(gè)紋理特征；將三幅極化通道圖像得到的9個(gè)紋理特征，作為濾波后的極化SAR圖像的9維的紋理特征。以極化通道圖像T4為例：按照下式，得到極化通道圖像T4的灰度共生矩陣：G(i,j|θ)＝[(x,y),(x+dx,y+dy)]，其中，G(i,j|θ)表示極化通道圖像T4的灰度共生矩陣，i，j分別是極化通道圖像T4的兩個(gè)像素的像素值，θ表示極化通道圖像T4的坐標(biāo)偏移量的方向，分別取0度，45度，90度，135度共四個(gè)方向，x表示極化通道圖像T4像素的橫坐標(biāo)，y表示極化通道圖像T4像素的縱坐標(biāo)，dx表示極化通道圖像T4像素的橫坐標(biāo)偏移量，dy表示極化通道圖像T4像素的縱坐標(biāo)偏移量；按照下式，分別得到極化通道圖像T4的能量、逆差矩和對(duì)比度特征；能量：逆差矩：對(duì)比度：其中：對(duì)三幅極化通道圖像T4、T5、T6中的每一幅圖像都要分別在0度，45度，90度，135度共四個(gè)方向求相應(yīng)的能量、逆差距和對(duì)比度；然后取四個(gè)方向的能量、逆差距和對(duì)比度平均值作為相應(yīng)極化通道圖像最終的能量、逆差距和對(duì)比度特征，得到三幅極化通道圖像T4、T5、T6的紋理特征EHH，IHH，CHH，EHV，IHV，CHV，EVV，IVV，CVV，將得到的這些值作為9維的紋理特征；3e)提取濾波后極化SAR圖像T1’的顏色特征：根據(jù)待分類SAR圖像T1及其真實(shí)地物標(biāo)記圖像T2，從每類地物中隨機(jī)選擇三個(gè)像素，并求這三個(gè)像素的平均R，G，B顏色值作為該類地物顏色的R，G，B分量，得到K個(gè)RGB顏色值，其中，K為待分類極化SAR圖像T1的地物類別數(shù)目；令這K個(gè)RGB顏色值為聚類中心，對(duì)于濾波后的極化SAR圖像T1’上的每個(gè)像素，計(jì)算其9*9的矩形窗口鄰域中每個(gè)像素的RGB顏色值I＝(r,g,b)到各個(gè)聚類中心的歐式距離；根據(jù)最短距離原則，分別把窗口內(nèi)的每個(gè)像素歸到最小距離對(duì)應(yīng)的地物類別中，再計(jì)算窗口內(nèi)被歸到各個(gè)地物類別的像素個(gè)數(shù)占窗口內(nèi)總像素?cái)?shù)目的比值，用得到的K個(gè)比值作為該窗口中心像素的K維顏色特征；3f)提取濾波后極化SAR圖像T1’的散射協(xié)方差矩陣特征：對(duì)濾波后的極化SAR圖像T1’的協(xié)方差矩陣，計(jì)算下面的各值：HH-VV相關(guān)系數(shù)的幅度：HH-VV相位差：ΦHH-VV＝arg(〈SHHSVV*〉)HV/VV通道比：同極化比：交叉極化：同極化系數(shù)比：去極化系數(shù)比：C(1,2)的角度：C(1,3)的角度：C(2,3)的角度：C(1,1)的模值：abs(C(1,1))C(1,2)的模值：abs(C(1,2))C(1,3)的模值：abs(C(1,3))C(2,2)的模值：abs(C(2,2))C(2,3)的模值：abs(C(2,3))C(3,3)的模值：abs(C(3,3))其中，H表示水平極化方向，V表示垂直極化方向，C(a,b)分別表示協(xié)方差矩陣C第a行第b列的元素。將得到的這16個(gè)值作為16維的協(xié)方差矩陣特征。步驟4，特征歸一化并白化。將散射特征、紋理特征、顏色特征和協(xié)方差矩陣特征組合成原始樣本特征集，并將該原始特征集的值歸一化到0～1之間，進(jìn)行白化處理。步驟5，選取無標(biāo)簽樣本集，訓(xùn)練樣本集和測試樣本集。5a)在白化處理過的原始樣本特征集中隨機(jī)選取2％的樣本特征作為無標(biāo)簽樣本集Xun_0；5b)根據(jù)待分類SAR圖像的真實(shí)地物標(biāo)記圖像T2，在白化處理過的原始樣本特征集中選出與該T2中已標(biāo)記真實(shí)地物相同的樣本特征集，并在該樣本特征集中隨機(jī)選取20％的樣本特征作為訓(xùn)練樣本集Xtr_0，剩余的80％的樣本特征作為測試樣本集Xte_0。步驟6，用深度稀疏ICA方法，分別提取無標(biāo)簽樣本集、訓(xùn)練樣本集和測試樣本集的深度稀疏特征表示。6a)用均值為0，方差為1的正態(tài)分布初始化第一層稀疏ICA的基矩陣W1；6b)利用基矩陣W1，計(jì)算整體無標(biāo)簽樣本集的均方差衰減值，獲取第一層稀疏ICA的最優(yōu)基矩陣WOpt_1；6b1)根據(jù)第一層稀疏ICA，計(jì)算第一層深度特征表示的稀疏度：其中，W1表示選取的第一層稀疏ICA的基矩陣，其初始值服從均值為0，方差為1的正態(tài)分布，W1_j表示基矩陣W1中的第j個(gè)基向量，x(i)表示第i個(gè)無標(biāo)簽樣本，g表示非線性凸函數(shù)，t表示基矩陣W1中基向量的數(shù)目，m表示無標(biāo)簽樣本集中樣本數(shù)；6b2)計(jì)算無標(biāo)簽樣本集與第一層稀疏ICA的輸出W1TW1xi之間的誤差：其中，λ為平衡參數(shù)，用于對(duì)誤差J1(W1,Xun_0)和稀疏度P(W1,Xun_0)進(jìn)行平衡，W1x(i)為第一層深度稀疏特征表示，W1TW1xi為第一層深度稀疏特征表示W(wǎng)1x(i)對(duì)無標(biāo)簽樣本x(i)進(jìn)行恢復(fù)的結(jié)果；6b3)根據(jù)步驟6b1)和6b2)的計(jì)算結(jié)果，計(jì)算整體無標(biāo)簽樣本集的均方差衰減值：J(W1,Xun_0)＝J1(W1,Xun_0)+P(W1,Xun_0)，6b4)對(duì)步驟6b3)得到的整體無標(biāo)簽樣本集的均方差衰減值，采用如下的梯度下降公式，獲取每一次迭代時(shí)的第一層稀疏ICA的基矩陣：其中，n表示迭代的次數(shù)，W1n表示第n次迭代時(shí)第一層稀疏ICA的基矩陣，W1n+1表示第n+1次迭代時(shí)第一層稀疏ICA的基矩陣，β表示對(duì)第一層稀疏ICA基矩陣進(jìn)行學(xué)習(xí)的速率，β的取值范圍為0<β<1，表示對(duì)第n次迭代時(shí)第一層稀疏ICA的基矩陣求偏導(dǎo)數(shù)；6b5)將步驟6b4)每一次迭代得到的第一層稀疏ICA的基矩陣值代入步驟6b3)公式中求整體無標(biāo)簽樣本的均方差衰減值J(W1,Xun_0)，當(dāng)整體無標(biāo)簽樣本的均方差衰減值J(W1,Xun_0)達(dá)到全局最小值時(shí)，停止步驟6b4)的迭代，并將停止迭代時(shí)第一層稀疏ICA的基矩陣作為第一層稀疏ICA的最優(yōu)基矩陣WOpt_1。6c)將獲得的最優(yōu)基矩陣WOpt_1分別與無標(biāo)簽樣本集Xun_0，訓(xùn)練樣本集Xtr_0，測試樣本Xte_0相乘，得到無標(biāo)簽樣本集，訓(xùn)練樣本集，測試樣本的第一層深度稀疏特征表示Xun_1，Xtr_1，Xte_1，即：無標(biāo)簽樣本集的第一層深度稀疏特征表示：Xun_1＝WOpt_1*Xun_0，訓(xùn)練樣本集的第一層深度稀疏特征表示：Xtr_1＝WOpt_1*Xtr_0，測試樣本集的第一層深度稀疏特征表示：Xte_1＝WOpt_1*Xte_0。6d)將由第一層稀疏ICA提取到的無標(biāo)簽樣本集的第一層深度稀疏特征表示Xun_1作為第二層稀疏ICA的輸入，重復(fù)步驟6a)～6c)獲得第二層稀疏ICA的最優(yōu)基矩陣WOpt_2，進(jìn)而得到無標(biāo)簽樣本集，訓(xùn)練樣本集，測試樣本的第二層深度稀疏特征表示Xun_2，Xtr_2，Xte_2，即無標(biāo)簽樣本集的第二層深度稀疏特征表示：Xun_2＝WOpt_2*Xun_1，訓(xùn)練樣本集的第二層深度稀疏特征表示：Xtr_2＝WOpt_2*Xtr_1，測試樣本集的第二層深度稀疏特征表示：Xte_2＝WOpt_2*Xte_1，其中，稀疏ICA的層數(shù)可以據(jù)分類結(jié)果進(jìn)行調(diào)整，每加一層，都要重復(fù)上述步驟6a)～6c)一次，得到訓(xùn)練樣本集和測試樣本集最終的深度稀疏特征表示分別是Xtr和Xte。步驟7，將訓(xùn)練樣本集的最終深度稀疏特征表示Xtr輸入到支持向量機(jī)分類器中進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類器。步驟8，利用訓(xùn)練好的分類器，對(duì)待分類的極化SAR圖像的每個(gè)像素進(jìn)行分類，得到極化SAR圖像的每個(gè)像素所屬地物類別。步驟9，輸出結(jié)果。對(duì)步驟(8)中的分類結(jié)果，將紅色，綠色，藍(lán)色三個(gè)顏色作為三基色，根據(jù)三基色上色法，用同一種顏色標(biāo)出同一類地物，得到上色后的極化SAR圖像T3，輸出上色后的極化SAR圖像T3。本發(fā)明的效果可以通過下面的仿真進(jìn)一步說明：1、仿真條件硬件平臺(tái)為：Intel(R)Xeon(R)CPUE5606@2.13GHZ、8GBRAM；軟件平臺(tái)為：MATLABR2013a；仿真所使用的輸入圖像如圖2所示，圖像尺寸大小為750×1024。該圖為NASA—JPL記載L波段AIRSAR系統(tǒng)于1991年獲取的荷蘭Flevoland農(nóng)田區(qū)域極化合成孔徑雷達(dá)圖像，該圖像分辨率是12.1m×6.7m。該極化合成孔徑雷達(dá)SAR圖像中區(qū)域的地表覆蓋物為各種農(nóng)作物和水域，按15類進(jìn)行分類。2、仿真內(nèi)容與結(jié)果仿真1，用現(xiàn)有的Wishart有監(jiān)督分類方法對(duì)圖2進(jìn)行分類，結(jié)果如圖4。仿真2，用本發(fā)明提取的原始特征直接輸入SVM對(duì)圖2進(jìn)行分類，結(jié)果如圖5。仿真3，用本發(fā)明提取的深度稀疏特征表示輸入SVM對(duì)圖2進(jìn)行分類，結(jié)果如圖6。從圖4、圖5和圖6的對(duì)比可以看出，圖6所示的本發(fā)明提取的深度稀疏特征表示輸入SVM分類得到的分類結(jié)果中，各區(qū)域均劃分的較為細(xì)致，不同區(qū)域之間分類后的邊緣也較為平滑，水域和農(nóng)田的交接處被清晰的劃分出來，邊緣完整且準(zhǔn)確。以圖3中的待分類極化SAR真實(shí)地物標(biāo)記圖像作為精度評(píng)價(jià)標(biāo)準(zhǔn)，對(duì)Wishart有監(jiān)督分類方法、本發(fā)明提取的原始特征直接輸入SVM分類方法及本發(fā)明提取的深度稀疏特征表示輸入SVM的分類方法的分類精度進(jìn)行統(tǒng)計(jì)，結(jié)果見表1。其中，Alg1表示W(wǎng)ishart有監(jiān)督分類方法，Alg2表示直接將本發(fā)明提取的原始特征輸入SVM分類的方法，Alg3表示將本發(fā)明提取的深度稀疏特征表示輸入SVM分類的方法。表1.三種方法在仿真中得到的分類精度從表1中可以看出，用本發(fā)明提取的深度稀疏特征表示輸入SVM分類相比于另外兩種對(duì)比實(shí)驗(yàn)，精度有較大的提高，這主要是因?yàn)楸景l(fā)明提取的深度稀疏特征表示相比與本發(fā)明提取的原始特征和極化SAR圖像的相干矩陣本身，包含了更加豐富的地物信息，且特征冗余性小，有利于分類，分類精度更高。