基于深度小波神經(jīng)網(wǎng)絡(luò)的極化sar圖像分類方法
【專利摘要】本發(fā)明公開了一種基于深度小波神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類方法，主要解決現(xiàn)有技術(shù)中由于特征數(shù)較少或特征提取不合理而造成的分類精度下降的問題。其實(shí)現(xiàn)步驟是：輸入圖像；預(yù)處理；選取樣本；利用訓(xùn)練樣本訓(xùn)練深度小波神經(jīng)網(wǎng)絡(luò)；提取特征；分類；計(jì)算分類精度。本發(fā)明采用逐層化方式訓(xùn)練深度小波神經(jīng)網(wǎng)絡(luò)，避免了網(wǎng)絡(luò)層數(shù)較多時(shí)出現(xiàn)梯度擴(kuò)散的問題，并且能夠提取出反映數(shù)據(jù)本質(zhì)特性，刻畫數(shù)據(jù)細(xì)節(jié)特征，突出不同地物類型之間差別的高維特征。由于本發(fā)明利用深度小波神經(jīng)網(wǎng)絡(luò)提取數(shù)據(jù)的深層高維特征，成功避免了分類技術(shù)中存在的特征數(shù)較少或者特征學(xué)習(xí)不充分，不合理的問題，提高了極化合成孔徑雷達(dá)SAR圖像的分類精度。
【專利說明】基于深度小波神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，特別是涉及極化SAR圖像的處理，具體是一種基 于深度小波神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類方法。可用于極化SAR圖像中地面目標(biāo)的分類與 識別。

【背景技術(shù)】
[0002] 合成孔徑雷達(dá)是一種高分辨率成像雷達(dá)。由于微波具有穿透特性，不受光線強(qiáng)度 的影響，因此合成孔徑雷達(dá)具有全天時(shí)、全天候的工作能力。與其他傳感器圖像相比，它能 呈現(xiàn)更多的細(xì)節(jié)，能更好的區(qū)分臨近目標(biāo)的特性。隨著技術(shù)的發(fā)展，合成孔徑雷逐漸向高分 辨、多極化、多通道的方向發(fā)展。相比于傳統(tǒng)的單極化SAR，多極化SAR能夠提供更加豐富的 目標(biāo)信息，有利于確定和理解散射機(jī)制，提高目標(biāo)檢測和分類識別的能力。因此，極化SAR 數(shù)據(jù)特別適用于圖像的解譯和理解。
[0003] 近幾年，已經(jīng)提出了許多極化SAR圖像分類方法。根據(jù)是否需要人工指導(dǎo)，極化 SAR分類方法可以分為有監(jiān)督分類和無監(jiān)督分類。這些方法都是直接利用已經(jīng)獲取的極化 SAR圖像的協(xié)方差矩陣、相干矩陣等極化信息，得到極化SAR圖像的分類結(jié)果
[0004] 中山大學(xué)申請的專利"一種基于目標(biāo)散射鑒別的POLSAR圖像無監(jiān)督分類方 法"（申請?zhí)枺?01210222987. 2,公布號：CN102799896A)中提出了一種基于目標(biāo)散射鑒別的 POLSAR圖像無監(jiān)督分類方法。該方法具體步驟包括：計(jì)算POLSAR圖像極化散射熵，以及表 面散射、偶次散射和體散射的相似性參數(shù)，并利用這些參數(shù)將POLSAR圖像初始劃分類別； 接著選取以表面散射為主的地物的最小天線接收功率特征極化作為天線極化狀態(tài)，計(jì)算每 個(gè)像素的天線接收功率；計(jì)算每一類的聚類中心并根據(jù)極化散射差異度量將所有像素重新 分類并更新聚類中心，重復(fù)這一過程直到聚類中心不再發(fā)生變化。該方法屬于無監(jiān)督的分 類方法，具有能夠準(zhǔn)確地描述地物散射，并且能很好對應(yīng)實(shí)際散射情況，減少類別調(diào)整的運(yùn) 算時(shí)間等優(yōu)點(diǎn)，但是該方法仍然存在的不足是，由于該方法屬于無監(jiān)督的分類，不能利用已 經(jīng)標(biāo)記的樣本信息，只能依靠散射信息對地物進(jìn)行聚類，使得分類準(zhǔn)確率偏低，并且浪費(fèi)了 有標(biāo)記的樣本信息。
[0005] 西安電子科技大學(xué)申請的專利"一種基于半監(jiān)督SVM和MeanShift的極化SAR圖 像分類方法"（申請?zhí)枺?01410076676. 9,公布號：CN103914704A)中提出一種基于半監(jiān)督 SVM和MeanShift的極化SAR圖像分類方法。該方法具體步驟包括：用S4VMs算法獲得極化 SAR圖像分類結(jié)果；選取S4VMs分類結(jié)果置信度高的樣本集并用MeanShift結(jié)果修改S4VMs 分類結(jié)果，更新樣本集；更新訓(xùn)練集、測試集和分類模型；用分類模型對極化SAR圖像進(jìn)行 分類。該方法采用閾值軟化分類，提高了算法的自適應(yīng)性；通過MeanShift結(jié)果修改樣本 集，完善了圖像信息，避免了人工標(biāo)記困難的問題，獲得了更好的分類結(jié)果。但是該方法仍 然存在的不足是，由于該方法直接利用極化SAR圖像的相干矩陣訓(xùn)練S4VMs分類器，無法從 相干矩陣提取更高維的特征，使得分類精度較低。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提出了一種基于深度小波神經(jīng)網(wǎng)絡(luò) 的極化SAR圖像分類方法。本發(fā)明與現(xiàn)有技術(shù)中其他極化合成孔徑雷達(dá)SAR圖像分類技術(shù) 相比，能夠利用相干矩陣獲取極化SAR數(shù)據(jù)更深層的高維特征表示，并且實(shí)現(xiàn)過程簡單，分 類精度高。
[0007] 本發(fā)明實(shí)現(xiàn)上述目的的思路是：先對極化合成孔徑雷達(dá)SAR圖像的相干矩陣進(jìn)行 濾波，再將濾波后的相干矩陣作為特征向量組成一個(gè)樣本集，從樣本集中隨機(jī)選取樣本組 成訓(xùn)練樣本、測試樣本，利用訓(xùn)練樣本訓(xùn)練深度小波神經(jīng)網(wǎng)絡(luò)，得到深度小波神經(jīng)網(wǎng)絡(luò)的最 優(yōu)權(quán)重和小波參數(shù)，利用獲得的最優(yōu)權(quán)重和小波參數(shù)對測試樣本進(jìn)行特征提取，最后利用 支撐向量機(jī)SVM對提取的特征進(jìn)行分類，得到最終分類結(jié)果。
[0008] 本發(fā)明實(shí)現(xiàn)的具體步驟包括如下：
[0009] 步驟1 :輸入圖像，輸入一幅待分類的極化合成孔徑雷達(dá)SAR圖像的相干矩陣，其 中，相干矩陣是大小為3X3XN的矩陣，N是極化合成孔徑雷達(dá)SAR圖像像素點(diǎn)的總數(shù)；
[0010] 步驟2 :預(yù)處理，采用窗口大小為7X7的Lee濾波器對相干矩陣進(jìn)行濾波，得到濾 波后的相干矩陣；
[0011] 步驟3:選取樣本
[0012] 3a、將濾波后的相干矩陣作為極化合成孔徑雷達(dá)SAR圖像的特征，組成一個(gè)NX9 大小的樣本集；
[0013] 3b、從樣本集中隨機(jī)選取5 %的樣本作為極化合成孔徑雷達(dá)SAR圖像訓(xùn)練樣本，將 剩余95%的樣本作為極化合成孔徑雷達(dá)SAR圖像測試樣本；
[0014] 步驟4 :利用訓(xùn)練樣本訓(xùn)練深度小波神經(jīng)網(wǎng)絡(luò)
[0015] 4a、隨機(jī)生成深度小波神經(jīng)網(wǎng)絡(luò)第一層網(wǎng)絡(luò)和第二層網(wǎng)絡(luò)的初始權(quán)值和小波激活 函數(shù)縮放因子和平移因子；
[0016] 4b、將訓(xùn)練樣本輸入到第一層的小波神經(jīng)網(wǎng)絡(luò)中，利用第一層網(wǎng)絡(luò)隱層和輸入層 節(jié)點(diǎn)的初始權(quán)值W/，輸出層和隱層節(jié)點(diǎn)的初始權(quán)值W1 "、小波激活函數(shù)的縮放因子和 平移因子bi分別計(jì)算第一層網(wǎng)絡(luò)隱層的輸出UT1和輸出層的輸出hi ;
[0017] 4c、利用均方誤差公式計(jì)算第一層網(wǎng)絡(luò)中訓(xùn)練樣本的輸出誤差E1 ;
[0018] 4d、采用梯度下降法，得到第一層網(wǎng)絡(luò)的最優(yōu)權(quán)值、小波激活函數(shù)的最優(yōu)縮放因子 和最優(yōu)平移因子以及最優(yōu)隱層輸出；
[0019] 4e、將第一層小波神經(jīng)網(wǎng)絡(luò)的隱層輸出作為第二層小波神經(jīng)網(wǎng)絡(luò)的輸入，并利用 第二層網(wǎng)絡(luò)隱層和輸出層節(jié)點(diǎn)的初始權(quán)值W2 '，輸出層和隱層節(jié)點(diǎn)的初始權(quán)值W2 "、小波 激活函數(shù)縮放因子a2和平移因子b2計(jì)算第二層網(wǎng)絡(luò)隱層的輸出V2和輸出層的輸出h 2 ;
[0020] 4f、利用均方誤差公式計(jì)算第二層網(wǎng)絡(luò)中訓(xùn)練樣本的輸出誤差E2 ;
[0021] 4g、采用梯度下降法，得到第二層網(wǎng)絡(luò)的最優(yōu)權(quán)值、小波激活函數(shù)的最優(yōu)縮放因子 和最優(yōu)平移因子以及最優(yōu)隱層輸出；
[0022] 步驟5 :提取特征，將訓(xùn)練樣本和測試樣本分別輸入到訓(xùn)練好的深度小波神經(jīng)網(wǎng) 絡(luò)中，得到訓(xùn)練樣本特征集和測試樣本特征集；
[0023] 步驟6 :分類，將訓(xùn)練樣本特征集和測試樣本特征集輸入到IibSVM工具箱，得到極 化合成孔徑雷達(dá)SAR圖像的最終分類結(jié)果；
[0024] 步驟7 :計(jì)算分類精度，統(tǒng)計(jì)待分類的極化合成孔徑雷達(dá)SAR圖像中與分類結(jié)果中 類別標(biāo)簽相同的像素點(diǎn)個(gè)數(shù)，計(jì)算類別標(biāo)簽相同像素點(diǎn)個(gè)數(shù)占待分類的極化合成孔徑雷達(dá) SAR圖像總像素?cái)?shù)的百分比，得到分類精度。
[0025] 本發(fā)明與現(xiàn)有技術(shù)相比有以下優(yōu)點(diǎn)：
[0026] 第一，由于本發(fā)明采用了深度小波神經(jīng)網(wǎng)絡(luò)的分類方法，相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò) 的分類方法，本發(fā)明利用了深度學(xué)習(xí)的訓(xùn)練模型，逐層構(gòu)建單個(gè)神經(jīng)元，這樣每次都是訓(xùn)練 一個(gè)單層網(wǎng)絡(luò)，而傳統(tǒng)神經(jīng)網(wǎng)絡(luò)通常都是利用反向傳播算法訓(xùn)練網(wǎng)絡(luò)，當(dāng)網(wǎng)絡(luò)層數(shù)較多時(shí)， 誤差傳播到前面就非常小了，從而導(dǎo)致傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)層數(shù)較多時(shí)產(chǎn)生梯度擴(kuò)散的問 題，本發(fā)明的網(wǎng)絡(luò)模型很好的解決了梯度擴(kuò)散的問題，使得本發(fā)明具有更好的魯棒性，進(jìn)而 使得本發(fā)明應(yīng)用范圍更廣。
[0027] 第二，由于本發(fā)明在構(gòu)建深度網(wǎng)絡(luò)模型時(shí)，采用小波函數(shù)作為激活函數(shù)，小波變換 具有良好的時(shí)頻局部性質(zhì)，并且對數(shù)據(jù)具有更強(qiáng)的逼近和容錯(cuò)能力，而傳統(tǒng)技術(shù)中采用的 激活函數(shù)不具有時(shí)頻局部特性，不能刻畫數(shù)據(jù)的細(xì)節(jié)特征，從而導(dǎo)致提取的特征不能很好 的反映數(shù)據(jù)的特性，本發(fā)明很好的解決了這一問題，進(jìn)而提高了本發(fā)明的分類精度。
[0028] 第三，由于本發(fā)明采用深度小波神經(jīng)網(wǎng)絡(luò)的分類方法，深度小波神經(jīng)網(wǎng)絡(luò)能夠從 相干矩陣中提取更高維深層表示特征，這些特征更能反映數(shù)據(jù)的本身的特性，使得分類精 度更高，克服了現(xiàn)有技術(shù)中只能利用低層特征進(jìn)行分類而導(dǎo)致分類精度較低的缺點(diǎn)，進(jìn)而 提高了本發(fā)明的適用性。

【專利附圖】

【附圖說明】
[0029] 圖1是本發(fā)明的流程圖；
[0030] 圖2為1989年AIRSAR平臺獲得的Flevoland, Netherlands地區(qū)的L波段的多視 極化SAR數(shù)據(jù)的合成圖；
[0031] 圖3為1989年AIRSAR平臺獲得的Flevoland, Netherlands地區(qū)的L波段的多視 極化SAR數(shù)據(jù)的合成圖對應(yīng)的實(shí)際地物標(biāo)記圖；
[0032] 圖4為本發(fā)明對1989年AIRSAR平臺獲得的Flevoland, Netherlands地區(qū)的L波 段的多視極化SAR數(shù)據(jù)的合成圖進(jìn)行分類的分類結(jié)果圖。

【具體實(shí)施方式】
[0033] 下面結(jié)合附圖對本發(fā)明做詳細(xì)描述。
[0034] 實(shí)施例1 :
[0035] 本發(fā)明是一種基于深度小波神經(jīng)網(wǎng)絡(luò)的極化合成孔徑雷達(dá)SAR圖像的分類方法， 參照附圖1，對本發(fā)明的具體實(shí)施步驟詳細(xì)描述：
[0036] 步驟1 :輸入圖像，實(shí)際上是輸入一幅待分類的極化合成孔徑雷達(dá)SAR圖像的相干 矩陣，具體參見圖2,圖2所示的是1989年AIRSAR平臺獲得的Flevoland, Netherlands地 區(qū)的L波段的多視極化SAR圖像，該圖像的相干矩陣是大小為3X3XN的矩陣，N是極化合 成孔徑雷達(dá)SAR圖像像素點(diǎn)的總數(shù)。
[0037] 步驟2 :預(yù)處理，采用窗口大小為7X7的Lee濾波器對上述的相干矩陣進(jìn)行濾波， 得到濾波后的相干矩陣，在具體的仿真實(shí)驗(yàn)中，可以采用3X3,5X5,7X7等大小的窗口對 極化合成孔徑雷達(dá)SAR圖像的相干矩陣進(jìn)行濾波處理，去除相干斑噪聲，得到濾波后的極 化合成孔徑雷達(dá)SAR圖像相干矩陣。在本實(shí)施例中，采用窗口大小為7 X 7的Lee濾波器對 相干矩陣進(jìn)行濾波，是因?yàn)?X 7大小的窗口既能很好的去除相干斑噪聲，避免噪聲對下一 步分類處理的影響，又能充分保持圖像的極化信息，使得濾波后的圖像邊緣清晰可辨。
[0038] 步驟3 :選取樣本，從濾波后的極化合成孔徑雷達(dá)SAR圖像相干矩陣中選取訓(xùn)練樣 本
[0039] 3a、將濾波后的相干矩陣作為極化合成孔徑雷達(dá)SAR圖像的特征，組成一個(gè)NX9 大小的樣本集，樣本集中的每一列都表示了極化合成孔徑雷達(dá)SAR圖像的一種特征，每個(gè) 像素點(diǎn)總共包含9個(gè)特征，在具體的仿真實(shí)驗(yàn)中，可以采用不同特征作為樣本的特征，在本 實(shí)施例中，采用極化相干矩陣作為極化合成孔徑雷達(dá)SAR圖像的特征，是因?yàn)橄喔删仃嚹?夠很好的表示極化合成孔徑雷達(dá)SAR圖像的散射機(jī)理，并包含有幾乎全部的極化信息。
[0040] 3b、從樣本集中隨機(jī)選取5%的樣本作為極化合成孔徑雷達(dá)SAR圖像的訓(xùn)練樣本， 將剩余95%的樣本作為極化合成孔徑雷達(dá)SAR圖像的測試樣本。在具體的仿真實(shí)驗(yàn)中，可 以選取不同數(shù)量的樣本作為訓(xùn)練樣本來訓(xùn)練深度小波神經(jīng)網(wǎng)絡(luò)，但采用過多數(shù)量的訓(xùn)練樣 本會導(dǎo)致計(jì)算過程復(fù)雜，訓(xùn)練時(shí)間過長，采用較少數(shù)量的樣本則會導(dǎo)致分類器過擬合，分類 精度過低。在本實(shí)施例中，采用5%的樣本作為訓(xùn)練樣本避免了訓(xùn)練樣本的過多或過少選擇 所導(dǎo)致的問題，進(jìn)一步使得本發(fā)明在保持較高分類精度的同時(shí)降低了算法的復(fù)雜度和計(jì)算 時(shí)間。
[0041] 步驟4 :利用上述選取的訓(xùn)練樣本訓(xùn)練深度小波神經(jīng)網(wǎng)絡(luò)
[0042] 4a、隨機(jī)生成深度小波神經(jīng)網(wǎng)絡(luò)第一層網(wǎng)絡(luò)和第二層網(wǎng)絡(luò)的初始權(quán)值和小波激活 函數(shù)縮放因子和平移因子；
[0043] 4b、將訓(xùn)練樣本輸入到第一層的小波神經(jīng)網(wǎng)絡(luò)中，利用第一層網(wǎng)絡(luò)隱層和輸入層 節(jié)點(diǎn)的初始權(quán)值W/，輸出層和隱層節(jié)點(diǎn)的初始權(quán)值W1 "、小波激活函數(shù)的縮放因子和 平移因子bi分別計(jì)算第一層網(wǎng)絡(luò)隱層的輸出UT1和輸出層的輸出hi ;
[0044] 4c、利用均方誤差公式計(jì)算第一層網(wǎng)絡(luò)中訓(xùn)練樣本的輸出誤差E1 ;
[0045] 4d、采用梯度下降法，得到第一層網(wǎng)絡(luò)的最優(yōu)權(quán)值、小波激活函數(shù)最優(yōu)縮放因子和 最優(yōu)平移因子以及最優(yōu)隱層輸出；
[0046] 4e、將第一層小波神經(jīng)網(wǎng)絡(luò)的隱層輸出作為第二層小波神經(jīng)網(wǎng)絡(luò)的輸入，并利用 第二層網(wǎng)絡(luò)隱層和輸出層節(jié)點(diǎn)的初始權(quán)值W2 '，輸出層和隱層節(jié)點(diǎn)的初始權(quán)值W2 "、小波 激活函數(shù)縮放因子a2和平移因子b2計(jì)算第二層網(wǎng)絡(luò)隱層的輸出V2和輸出層的輸出h 2 ;
[0047] 4f、利用均方誤差公式計(jì)算第二層網(wǎng)絡(luò)中訓(xùn)練樣本的輸出誤差E2 ;
[0048] 4g、采用梯度下降法，得到第二層網(wǎng)絡(luò)的最優(yōu)權(quán)值、小波激活函數(shù)最優(yōu)縮放因子和 最優(yōu)平移因子以及最優(yōu)隱層輸出。
[0049] 在本實(shí)施例中，是將兩個(gè)單層的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行堆疊來構(gòu)建深度小波神經(jīng)網(wǎng) 絡(luò)模型，并采用逐層化的訓(xùn)練方式逐層訓(xùn)練深度小波神經(jīng)網(wǎng)絡(luò)，采用這種網(wǎng)絡(luò)模型和訓(xùn)練 方法，是因?yàn)檫@種網(wǎng)絡(luò)模型和訓(xùn)練方法可以很好的避免網(wǎng)絡(luò)層數(shù)較多時(shí)出現(xiàn)梯度擴(kuò)散的問 題，并且能夠從原始數(shù)據(jù)中提取出更能表示數(shù)據(jù)特性的深層高維特征。利用深度小波神經(jīng) 網(wǎng)絡(luò)提取的高維特征，能夠反映極化合成孔徑雷達(dá)SAR數(shù)據(jù)的本質(zhì)特性，刻畫出數(shù)據(jù)的細(xì) 節(jié)特征，突出各種不同地物類型之間的差別，從而進(jìn)一步提高了極化合成孔徑雷達(dá)SAR圖 像的分類精度，圖4的分類結(jié)果示意圖表明采用本發(fā)明得到的分類結(jié)果圖在油菜籽、裸地 和草地地區(qū)的雜點(diǎn)相對較少，并且邊緣保持良好。在對每一個(gè)單層小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，采 用梯度下降的方法，是因?yàn)槔锰荻认陆捣◤?fù)雜度較低，實(shí)現(xiàn)簡單，并且運(yùn)行速度快，從而 使得整個(gè)深度小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度加快，進(jìn)一步提高了極化合成孔徑雷達(dá)SAR圖像的 分類效率。
[0050] 步驟5 :提取特征，將訓(xùn)練樣本和測試樣本分別輸入到訓(xùn)練好的深度小波神經(jīng)網(wǎng) 絡(luò)中，得到訓(xùn)練樣本特征集和測試樣本特征集。
[0051] 步驟6 :分類，將訓(xùn)練樣本特征集和測試樣本特征集輸入到IibSVM工具箱，得到極 化合成孔徑雷達(dá)SAR圖像的最終分類結(jié)果。在本實(shí)施例中，采用支撐向量機(jī)SVM作為分類 器對極化合成孔徑雷達(dá)SAR圖像進(jìn)行分類，是因?yàn)镾VM分類器算法思想成熟，并對很多不同 類型的數(shù)據(jù)都有很好的魯棒性，達(dá)到很好的分類效果，從而使得本發(fā)明對極化合成孔徑雷 達(dá)SAR圖像的分類精度較高。
[0052] 步驟7 :計(jì)算分類精度，統(tǒng)計(jì)待分類的極化合成孔徑雷達(dá)SAR圖像中與分類結(jié)果中 類別標(biāo)簽相同的像素點(diǎn)個(gè)數(shù)，計(jì)算類別標(biāo)簽相同像素點(diǎn)個(gè)數(shù)占待分類的極化合成孔徑雷達(dá) SAR圖像總像素?cái)?shù)的百分比，直接得到分類精度。
[0053] 在本實(shí)施例中，本發(fā)明采用深度小波神經(jīng)網(wǎng)絡(luò)從原始數(shù)據(jù)中提取數(shù)據(jù)的深層高維 特征，并利用SVM分類器對提取的高維特征進(jìn)行分類，得到極化合成孔徑雷達(dá)SAR圖像的最 終分類結(jié)果。相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)分類方法，本發(fā)明利用深度學(xué)習(xí)的網(wǎng)絡(luò)模型構(gòu)建深度 小波神經(jīng)網(wǎng)絡(luò)，并采用逐層訓(xùn)練的方法對深度小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，而傳統(tǒng)神經(jīng)網(wǎng)絡(luò)通 常都是利用反向傳播算法訓(xùn)練網(wǎng)絡(luò)，當(dāng)網(wǎng)絡(luò)層數(shù)較多時(shí)，誤差傳播到前面就非常小了，從而 導(dǎo)致傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)層數(shù)較多時(shí)產(chǎn)生梯度擴(kuò)散的問題，本發(fā)明構(gòu)建的深度小波神經(jīng)網(wǎng) 絡(luò)模型解決了梯度擴(kuò)散的問題，實(shí)現(xiàn)了對極化合成孔徑雷達(dá)SAR圖像數(shù)據(jù)深層高維特征的 提取，進(jìn)一步提高了本發(fā)明的分類精度和適用范圍。
[0054] 實(shí)施例2 :
[0055] 基于深度小波神經(jīng)網(wǎng)絡(luò)的極化合成孔徑雷達(dá)SAR圖像分類方法同實(shí)施例1，其中 步驟4b和步驟4e所述的計(jì)算隱層輸出公式如下：

【權(quán)利要求】
1. 一種基于深度小波神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類方法，其特征在于，圖像分類過程 包括有以下步驟： 步驟1 :輸入圖像，輸入一幅待分類的極化合成孔徑雷達(dá)SAR圖像的相干矩陣，其中，相 干矩陣是大小為3X3XN的矩陣，N是極化合成孔徑雷達(dá)SAR圖像像素點(diǎn)的總數(shù)； 步驟2 :預(yù)處理，采用窗口大小為7X7的Lee濾波器對相干矩陣進(jìn)行濾波，得到濾波后 的相干矩陣； 步驟3 :選取樣本 3a、將濾波后的相干矩陣作為極化合成孔徑雷達(dá)SAR圖像的特征，組成一個(gè)NX9大小 的樣本集； 3b、從樣本集中隨機(jī)選取5%的樣本作為極化合成孔徑雷達(dá)SAR圖像訓(xùn)練樣本，將剩余 95%的樣本作為極化合成孔徑雷達(dá)SAR圖像測試樣本； 步驟4 :利用訓(xùn)練樣本訓(xùn)練深度小波神經(jīng)網(wǎng)絡(luò) 4a、隨機(jī)生成深度小波神經(jīng)網(wǎng)絡(luò)第一層網(wǎng)絡(luò)和第二層網(wǎng)絡(luò)的初始權(quán)值和小波激活函數(shù) 縮放因子和平移因子； 4b、將訓(xùn)練樣本輸入到第一層的小波神經(jīng)網(wǎng)絡(luò)中，利用第一層網(wǎng)絡(luò)隱層和輸入層節(jié)點(diǎn) 的初始權(quán)值W/，輸出層和隱層節(jié)點(diǎn)的初始權(quán)值1"、小波激活函數(shù)的縮放因子&1和平移 因子h分別計(jì)算第一層網(wǎng)絡(luò)隱層的輸出^和輸出層的輸出h; 4c、利用均方誤差公式計(jì)算第一層網(wǎng)絡(luò)中訓(xùn)練樣本的輸出誤差Ei; 4d、采用梯度下降法，得到第一層網(wǎng)絡(luò)的最優(yōu)權(quán)值、小波激活函數(shù)的最優(yōu)縮放因子和最 優(yōu)平移因子以及最優(yōu)隱層輸出； 4e、將第一層小波神經(jīng)網(wǎng)絡(luò)的隱層輸出作為第二層小波神經(jīng)網(wǎng)絡(luò)的輸入，并利用第二 層網(wǎng)絡(luò)隱層和輸出層節(jié)點(diǎn)的初始權(quán)值W' 2，輸出層和隱層節(jié)點(diǎn)的初始權(quán)值W" 2、小波激活 函數(shù)縮放因子a2和平移因子b2計(jì)算第二層網(wǎng)絡(luò)隱層的輸出化和輸出層的輸出h2 ; 4f、利用均方誤差公式計(jì)算第二層網(wǎng)絡(luò)中訓(xùn)練樣本的輸出誤差E2 ; 4g、采用梯度下降法，得到第二層網(wǎng)絡(luò)的最優(yōu)權(quán)值、小波激活函數(shù)的最優(yōu)縮放因子和最 優(yōu)平移因子以及最優(yōu)隱層輸出； 步驟5 :提取特征，將訓(xùn)練樣本和測試樣本分別輸入到訓(xùn)練好的深度小波神經(jīng)網(wǎng)絡(luò)中， 得到訓(xùn)練樣本特征集和測試樣本特征集； 步驟6 :分類，將訓(xùn)練樣本特征集和測試樣本特征集輸入到libSVM工具箱，得到極化合 成孔徑雷達(dá)SAR圖像的最終分類結(jié)果； 步驟7 :計(jì)算分類精度，統(tǒng)計(jì)待分類的極化合成孔徑雷達(dá)SAR圖像中與分類結(jié)果中類別 標(biāo)簽相同的像素點(diǎn)個(gè)數(shù)，計(jì)算類別標(biāo)簽相同像素點(diǎn)個(gè)數(shù)占待分類的極化合成孔徑雷達(dá)SAR 圖像總像素?cái)?shù)的百分比，得到分類精度。
2. 根據(jù)權(quán)利要求1所述的基于深度小波神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類方法，其特征在 于：步驟4b和步驟4e所述的計(jì)算隱層輸出公式如下：
其中，V(j)表不隱層節(jié)點(diǎn)j的輸出，此處V是隱層節(jié)點(diǎn)輸出的一個(gè)總的表不，第一層 網(wǎng)絡(luò)隱層節(jié)點(diǎn)輸出用L表示，第二層網(wǎng)絡(luò)隱層節(jié)點(diǎn)輸出用化表示，m是輸入節(jié)點(diǎn)數(shù)，rjk 表示隱層節(jié)點(diǎn)j和輸入節(jié)點(diǎn)k之間的權(quán)值，此處W'是隱層和輸入層節(jié)點(diǎn)權(quán)值的一個(gè)總的表 示，第一層網(wǎng)絡(luò)隱層和輸入層節(jié)點(diǎn)權(quán)值用W/表示，第二層網(wǎng)絡(luò)隱層和輸入層節(jié)點(diǎn)權(quán)值用 W' 2表示，xk表示輸入節(jié)點(diǎn)k的輸入，h表示隱層節(jié)點(diǎn)j的小波激活函數(shù)的平移因子，此處 b是小波平移因子的一個(gè)總的表示，第一層網(wǎng)絡(luò)的小波平移因子用h表示，第二層網(wǎng)絡(luò)的小 波平移因子用b2表示，a」表示隱層節(jié)點(diǎn)j的小波激活函數(shù)的縮放因子，此處a是小波激活 函數(shù)縮放因子的一個(gè)總的表示，第一層網(wǎng)絡(luò)的小波激活函數(shù)縮放因子用表示，第二層網(wǎng) 絡(luò)的小波激活函數(shù)縮放因子用a2表示； 計(jì)算輸出層輸出公式如下：
其中，h⑴表不輸出節(jié)點(diǎn)i的輸出，此處h是輸出層輸出的一個(gè)總的表不，第一層網(wǎng)絡(luò) 的輸出層輸出用4表示，第二層網(wǎng)絡(luò)的輸出層輸出用h2表示，p是隱層節(jié)點(diǎn)數(shù)，W" u表示 輸出節(jié)點(diǎn)i和隱層節(jié)點(diǎn)j之間的權(quán)值，此處W"是輸出層節(jié)點(diǎn)和隱層節(jié)點(diǎn)權(quán)值的一個(gè)總的表 示，第一層網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)和隱層節(jié)點(diǎn)權(quán)值用A"表示，第二層網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)和隱 層節(jié)點(diǎn)權(quán)值W" 2表示，v(j)表示隱層節(jié)點(diǎn)j的輸出，此處V是隱層節(jié)點(diǎn)輸出的一個(gè)總的 表示，第一層網(wǎng)絡(luò)隱層節(jié)點(diǎn)輸出用^表示，第二層網(wǎng)絡(luò)隱層節(jié)點(diǎn)輸出用化表示。
3. 根據(jù)權(quán)利要求1所述的基于深度小波神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類方法，其特征在 于：步驟4c和步驟4f?所述的均方誤差公式如下：
其中，E表示樣本的均方誤差，此處E是均方誤差一個(gè)總的表示，第一層網(wǎng)絡(luò)的誤差用Ei表示，第一層網(wǎng)絡(luò)的誤差用&表示，S是訓(xùn)練樣本數(shù)，n是輸出節(jié)點(diǎn)數(shù)，h⑴表示輸出節(jié) 點(diǎn)i的輸出，此處h是輸出層輸出的一個(gè)總的表不，第一層網(wǎng)絡(luò)的輸出層輸出用h表不，第 二層網(wǎng)絡(luò)的輸出層輸出用h2表不，Xi表不輸入節(jié)點(diǎn)i的輸入。
4. 根據(jù)權(quán)利要求1所述的基于深度小波神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類方法，其特征在 于：步驟4d和步驟4g所述的梯度下降法的具體步驟如下： 第一步，按照下式，計(jì)算深度小波神經(jīng)網(wǎng)絡(luò)的隱層和輸出層之間的權(quán)值：
其中，W"t+1表示第t+1次迭代時(shí)隱層和輸出層之間的權(quán)值，t表示深度小波神經(jīng)網(wǎng)絡(luò) 權(quán)值訓(xùn)練迭代的次數(shù)，Wt"表示第t次迭代時(shí)隱層和輸出層之間的權(quán)值，n表示隱層和輸出 層之間權(quán)值的學(xué)習(xí)速率，一般取值范圍為〇〈n〈i，
'表示第t次迭代時(shí)樣本的均方誤差 對隱層和輸出層之間權(quán)值的偏導(dǎo)數(shù)操作，a為動量因子，一般取值范圍為0.9〈a〈l，AWt" 表不第t次迭代時(shí)的隱層和輸出層之間的權(quán)值修正量。 第二步，按照下式，計(jì)算深度小波神經(jīng)網(wǎng)絡(luò)的輸入層和隱層之間的權(quán)值：
其中，rt+1表示第t+i次迭代時(shí)輸入層和隱層之間的權(quán)值，t表示深度小波神經(jīng)網(wǎng)絡(luò) 權(quán)值訓(xùn)練迭代的次數(shù)，w/表示第t次迭代時(shí)輸入層和隱層之間的權(quán)值，n表示輸入層和隱 層之間權(quán)值的學(xué)習(xí)速率，一般取值范圍為〇〈n〈i，
表示第t次迭代時(shí)樣本的均方誤差 對輸入層和隱層之間權(quán)值的偏導(dǎo)數(shù)操作，a為動量因子，一般取值范圍為0.9〈a〈l，AW/ 表不第t次迭代時(shí)的輸入層和隱層之間的權(quán)值修正量。 第三步，按照下式，計(jì)算深度小波神經(jīng)網(wǎng)絡(luò)隱層小波激活函數(shù)的縮放因子：
其中，at+1表示第t+1次迭代時(shí)隱層小波激活函數(shù)的縮放因子，t表示深度小波神經(jīng)網(wǎng) 絡(luò)權(quán)值訓(xùn)練迭代的次數(shù)，at表示第t次迭代時(shí)隱層小波激活函數(shù)的縮放因子，n表示隱層 小波激活函數(shù)縮放因子的學(xué)習(xí)速率，一般取值范圍為〇〈n〈i，
?表示第t次迭代時(shí)樣本 的均方誤差對隱層小波激活函數(shù)縮放因子的偏導(dǎo)數(shù)操作，a為動量因子，一般取值范圍為 0. 9〈a〈1，Aat表示第t次迭代時(shí)隱層小波激活函數(shù)縮放因子的修正量。 第四步，按照下式，計(jì)算深度小波神經(jīng)網(wǎng)絡(luò)隱層小波激活函數(shù)的平移因子：
其中，bt+1表示第t+1次迭代時(shí)隱層小波激活函數(shù)的平移因子，t表示深度小波神經(jīng)網(wǎng) 絡(luò)權(quán)值訓(xùn)練迭代的次數(shù)，bt表示第t次迭代時(shí)隱層小波激活函數(shù)的平移因子，n表示隱層 小波激活函數(shù)平移因子的學(xué)習(xí)速率，一般取值范圍為〇〈n〈i，
表示第t次迭代時(shí)樣本 的均方誤差對隱層小波激活函數(shù)平移因子的偏導(dǎo)數(shù)操作，a為動量因子，一般取值范圍為 0. 9〈a〈1，Abt表示第t次迭代時(shí)隱層小波激活函數(shù)平移因子的修正量。 第五步，判斷是否達(dá)到最大迭代次數(shù)，若否，返回第一步，若是，停止迭代，得到網(wǎng)絡(luò)的 最優(yōu)權(quán)值，小波激活函數(shù)的最優(yōu)縮放因子和最優(yōu)平移因子以及最優(yōu)隱層輸出。
【文檔編號】G06N3/08GK104408481SQ201410741410
【公開日】2015年3月11日 申請日期:2014年12月5日 優(yōu)先權(quán)日:2014年12月5日
【發(fā)明者】焦李成, 李玲玲, 姜紅茹, 屈嶸, 楊淑媛, 侯彪, 王爽, 劉紅英, 熊濤, 馬文萍, 馬晶晶 申請人:西安電子科技大學(xué)