基于去噪自動(dòng)編碼的極化sar圖像的分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及極化SAR圖像分類技術(shù)領(lǐng)域中的數(shù) 據(jù)特征提取方式和深度網(wǎng)絡(luò)分類等，可用于極化SAR圖像的地物識(shí)別。
【背景技術(shù)】
[0002] 極化SAR是一種高分辨率主動(dòng)式有源微波遙感成像雷達(dá)，具有全天候、全天時(shí)、分 辨率高、可測(cè)視成像等優(yōu)點(diǎn)，可應(yīng)用于軍事、農(nóng)業(yè)、導(dǎo)航、地理監(jiān)視等諸多領(lǐng)域。與SAR相比， 極化SAR進(jìn)行的是全極化測(cè)量，能獲得目標(biāo)更豐富的信息。近年來，利用極化SAR數(shù)據(jù)進(jìn)行 的分類在國際遙感領(lǐng)域受到高度重視，已成為圖像分類的主要研宄方向。
[0003] 隨著極化SAR的發(fā)展，極化SAR圖像分類的方法也是層出不窮。許多無監(jiān)督的和有 監(jiān)督的方法使極化SAR分類正確率有了很大的提升。無監(jiān)督的方法分為兩類：一類是采用 聚類的方式，如K均值、Isodata等；另一類是采用數(shù)據(jù)的非相干特性，如Cloude和Pottier 提出的基于摘H和a角的分布分類（1997)、Lee等結(jié)合Freeman-Durden分解和基于復(fù) Wishart分布的最大后驗(yàn)概率分類（2004)等；這兩類方法均需要花費(fèi)很大的計(jì)算代價(jià)，而 且正確率相對(duì)較低。有監(jiān)督的方法主要有以下幾種：Heermann和Khazanie等人提出的人 工神經(jīng)網(wǎng)絡(luò)ANN分類方法（1992)、Burges和Vapnik提出的基于支持向量機(jī)SVM的分類方 法，這些有監(jiān)督的方法大大提高了運(yùn)算速率和正確率，但在特征的選取上具有非常強(qiáng)的依 賴性，因而對(duì)分類結(jié)果的正確率影響比較大。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明目的在于針對(duì)上述已有技術(shù)的不足，提出一種基于去噪自動(dòng)編碼的極化 SAR圖像分類方法，以有效保留極化SAR圖像的有用信息，提高極化SAR圖像的分類精度。
[0005] 本發(fā)明的技術(shù)思路是：通過深度網(wǎng)絡(luò)在原始數(shù)據(jù)的基礎(chǔ)之上提取更加高級(jí)有用的 特征，使得特征擁有比較強(qiáng)的泛化性能，同時(shí)利用去噪自動(dòng)編碼DA網(wǎng)絡(luò)具有濾除噪聲的能 力，避免使用濾波器而造成的部分有用信息丟失，使得數(shù)據(jù)更加魯棒的表達(dá)，提高分類結(jié)果 的正確率。
[0006] 根據(jù)上述思路，本發(fā)明的技術(shù)步驟包括如下：
[0007] (1)輸入任選一幅待分類的極化SAR圖像，提取該極化SAR圖像的原始特征以及其 鄰域特征；
[0008] (2)對(duì)原始特征及鄰域特征取對(duì)數(shù)處理，使其噪聲滿足高斯分布；
[0009] (3)確定去噪自動(dòng)編碼DA網(wǎng)絡(luò)的層數(shù)、各層節(jié)點(diǎn)數(shù)以及數(shù)據(jù)噪聲；
[0010] ⑷訓(xùn)練去噪自動(dòng)編碼DA網(wǎng)絡(luò)
[0011] (4a)根據(jù)實(shí)際地物參照?qǐng)D，確定參照?qǐng)D中地物的類別數(shù)，在每類中選取10%的地 物標(biāo)記作為訓(xùn)練樣本，并將訓(xùn)練樣本的特征輸入到所述自動(dòng)編碼DA網(wǎng)絡(luò)中，逐層的進(jìn)行貪 婪訓(xùn)練；
[0012] (4b)使用反向傳播算法BP，微調(diào)去噪自動(dòng)編碼DA網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)以及噪聲參數(shù)， 得到訓(xùn)練好的去噪自動(dòng)編碼DA網(wǎng)絡(luò)；
[0013] (5)利用訓(xùn)練好的去噪自動(dòng)編碼DA網(wǎng)絡(luò)，對(duì)待分類的極化SAR圖像進(jìn)行分類，得到 極化SAR圖像的分類結(jié)果。
[0014] 本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)：
[0015] 第一，本發(fā)明由于在對(duì)極化SAR數(shù)據(jù)時(shí)取對(duì)數(shù)變換，使得噪聲近似服從高斯分布， 簡(jiǎn)化了噪聲模型，更易于分類學(xué)習(xí)算法濾除極化SAR數(shù)據(jù)的噪聲；
[0016] 第二，本發(fā)明直接用極化SAR數(shù)據(jù)的原始特征和鄰域特征輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，保 留了極化SAR的有用信息，提高了分類正確率；
[0017] 第三，本發(fā)明對(duì)自動(dòng)編碼網(wǎng)絡(luò)加入了高斯噪聲，使網(wǎng)絡(luò)在學(xué)習(xí)過程中盡量去除這 種噪聲而獲得被少量噪聲污染過的特征數(shù)據(jù)，提高了分類的精確度。
【附圖說明】
[0018] 圖1是本發(fā)明的實(shí)現(xiàn)流程圖；
[0019] 圖2是本發(fā)明仿真使用的極化SAR圖像的分類標(biāo)簽圖；
[0020] 圖3是使用現(xiàn)有深度信念網(wǎng)絡(luò)DBN對(duì)待分類的極化SAR圖像的分類結(jié)果圖；
[0021] 圖4是使用現(xiàn)有自動(dòng)編碼網(wǎng)絡(luò)對(duì)待分類的極化SAR圖像的分類結(jié)果圖；
[0022] 圖5是用本發(fā)明對(duì)待分類的極化SAR圖像的分類結(jié)果圖。
【具體實(shí)施方式】
[0023] 以下結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案和效果做進(jìn)一步詳細(xì)描述。
[0024] 參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下：
[0025] 步驟1、提取待分類極化SAR圖像的原始特征以及其鄰域特征。
[0026] (la)輸入任選的一幅待分類的極化SAR圖像，按照下式分解該極化SAR圖像的相 干矩陣：
[0027]
【主權(quán)項(xiàng)】
1. 一種基于去噪自動(dòng)編碼DA網(wǎng)絡(luò)的極化SAR圖像分類方法，包括如下步驟： (1) 輸入任選一幅待分類的極化SAR圖像，提取該極化SAR圖像的原始特征以及其鄰域 特征； (2) 對(duì)原始特征及鄰域特征取對(duì)數(shù)處理，使其噪聲滿足高斯分布； (3) 確定去噪自動(dòng)編碼DA網(wǎng)絡(luò)的層數(shù)、各層節(jié)點(diǎn)數(shù)以及數(shù)據(jù)噪聲； ⑷訓(xùn)練去噪自動(dòng)編碼DA網(wǎng)絡(luò) (4a)根據(jù)實(shí)際地物參照?qǐng)D，確定參照?qǐng)D中地物的類別數(shù)，在每類中選取10%的地物標(biāo) 記作為訓(xùn)練樣本，并將訓(xùn)練樣本的特征輸入到所述自動(dòng)編碼DA網(wǎng)絡(luò)中，逐層的進(jìn)行貪婪訓(xùn) 練； (4b)使用反向傳播算法BP，微調(diào)去噪自動(dòng)編碼DA網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)以及噪聲參數(shù)，得到 訓(xùn)練好的去噪自動(dòng)編碼DA網(wǎng)絡(luò)； (5)利用訓(xùn)練好的去噪自動(dòng)編碼DA網(wǎng)絡(luò)，對(duì)待分類的極化SAR圖像進(jìn)行分類，得到極化 SAR圖像的分類結(jié)果。
2. 根據(jù)權(quán)利要求1所述的去噪自動(dòng)編碼的極化SAR圖像分類方法，其中所述步驟（1) 中的提取極化SAR圖像的原始特征及鄰域特征，采用滑動(dòng)窗口的方式，其步驟如下： (2. 1)按照下式分解極化SAR圖像的相干矩陣：
其中T表示極化SAR圖像的相干矩陣，i表示復(fù)數(shù)虛部單位
極化SAR圖像的 每個(gè)點(diǎn)的值都是一個(gè)3*3的相干矩陣，a表示極化SAR圖像的對(duì)稱因子，c表示極化SAR圖 像的構(gòu)型因子，d表示極化SAR圖像的局部曲率，h表示極化SAR圖像的方向性，g表示極化 SAR圖像對(duì)稱部分間的耦合度，b表示極化SAR圖像的非規(guī)則性因子，e表示極化SAR圖像 的表面扭轉(zhuǎn)性，f表示極化SAR圖像的螺旋性，1表示極化SAR圖像的非對(duì)稱因子； (2. 2)從相干矩陣T中，得到12個(gè)原始特征參數(shù)，分別為對(duì)稱因子a，非規(guī)則性因子b， 構(gòu)型因子c，局部曲率d，表面扭曲性因子e，螺旋性因子f，耦合度因子g，方向性因子h，非 對(duì)稱因子1以及表示復(fù)數(shù)特征的|c-id|，|h+ig|，|e+if| ; (2. 3)將上述提取的12組原始特征的每一組特征表示為一幅圖像，在每一幅圖像上選 擇一個(gè)5*5的滑動(dòng)窗口，用窗口除中心點(diǎn)像素外所有點(diǎn)的像素值表示中心點(diǎn)像素的鄰域特 征，將12幅圖像的同一個(gè)坐標(biāo)點(diǎn)的鄰域特征組合起來，構(gòu)成每個(gè)樣本的鄰域特征。
3. 根據(jù)權(quán)利要求1所述的基于去噪自動(dòng)編碼的極化SAR圖像分類方法，其中步驟（3) 所述的確定去噪自動(dòng)編碼DA網(wǎng)絡(luò)的層數(shù)、各層節(jié)點(diǎn)數(shù)以及數(shù)據(jù)噪聲，包括如下步驟： (3. 1)建立基于去噪自動(dòng)編碼的4層網(wǎng)絡(luò)，這4層依次為輸入層，兩個(gè)隱含層和分類 層； (3. 2)指定去噪自動(dòng)編碼的輸入層節(jié)點(diǎn)數(shù)為300,第一個(gè)隱含層節(jié)點(diǎn)數(shù)為100,第二個(gè) 隱含層節(jié)點(diǎn)數(shù)為100,分類層節(jié)點(diǎn)數(shù)為9 ; (3. 3)根據(jù)極化SAR的相干斑噪聲服從伽馬分布的特性，在獨(dú)立視數(shù)大于3情況下，對(duì) 伽馬分布取對(duì)數(shù)作為數(shù)據(jù)噪聲。
4.根據(jù)權(quán)利要求1所述的基于去噪自動(dòng)編碼的極化SAR圖像分類方法，其中所述步驟 (4)中的訓(xùn)練去噪自動(dòng)編碼DA網(wǎng)絡(luò)，按如下步驟進(jìn)行： (4. 1)給去噪自動(dòng)編碼DA網(wǎng)絡(luò)的輸入層加入均值為0、方差為0.0 l的高斯噪聲； (4. 2)使用重構(gòu)誤差最小方法對(duì)去噪自動(dòng)編碼DA網(wǎng)絡(luò)的前兩層進(jìn)行參數(shù)調(diào)整，得到第 一層與第二層之間的權(quán)值和偏置； (4. 3)將調(diào)整后的第二層結(jié)果輸入到第三層，再次使用重構(gòu)誤差最小方法對(duì)去噪自動(dòng) 編碼DA網(wǎng)絡(luò)的第二層和第三層進(jìn)行參數(shù)調(diào)整，得到第二層與第三層之間的權(quán)值和偏置； (4. 4)將調(diào)整后的第三層結(jié)果輸入到去噪自動(dòng)編碼DA網(wǎng)絡(luò)的分類層，用神經(jīng)網(wǎng)絡(luò)NN進(jìn) 行參數(shù)調(diào)整，得到輸出結(jié)果； (4. 5)使用反向傳播算法對(duì)整個(gè)去噪自動(dòng)編碼DA網(wǎng)絡(luò)的進(jìn)行整體調(diào)整，優(yōu)化去噪自動(dòng) 編碼DA網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，得到訓(xùn)練好的去噪自動(dòng)編碼DA網(wǎng)絡(luò)。
【專利摘要】本發(fā)明公開了一種基于去噪自動(dòng)編碼DA網(wǎng)絡(luò)的極化SAR圖像分類方法，主要解決現(xiàn)有技術(shù)提取特征過程復(fù)雜、特征泛化能力差及分類精度低的問題。其實(shí)現(xiàn)步驟是：首先輸入任選一幅待分類的極化SAR圖像，提取該極化SAR圖像的原始特征以及其鄰域特征；然后對(duì)原始特征及鄰域特征取對(duì)數(shù)處理，使其噪聲滿足高斯分布；其次確定去噪自動(dòng)編碼DA網(wǎng)絡(luò)的層數(shù)、各層節(jié)點(diǎn)數(shù)以及數(shù)據(jù)噪聲并訓(xùn)練去噪自動(dòng)編碼DA網(wǎng)絡(luò)；然后利用訓(xùn)練好的去噪自動(dòng)編碼DA網(wǎng)絡(luò)，對(duì)待分類的極化SAR圖像進(jìn)行分類，得到極化SAR圖像的分類結(jié)果。本發(fā)明由于使用了去噪自動(dòng)編碼DA網(wǎng)絡(luò)，簡(jiǎn)化特征提取的過程，提高了特征的泛化能力和對(duì)圖像的分類精度，可用于極化SAR圖像的地物識(shí)別。
【IPC分類】G06K9-62
【公開號(hào)】CN104751172
【申請(qǐng)?zhí)枴緾N201510108639
【發(fā)明人】焦李成, 馬文萍, 高蓉, 王爽, 屈嶸, 侯彪, 馬晶晶, 劉紅英, 楊淑媛
【申請(qǐng)人】西安電子科技大學(xué)
【公開日】2015年7月1日
【申請(qǐng)日】2015年3月12日