【技术实现步骤摘要】
基于SSAE和FSALS-SVM极化SAR图像分类
本专利技术涉及图像处理领域,针对极化SAR图像分类问题,提出了一种基于栈式稀疏自动编码器(SSAE)和快速稀疏逼近最小二乘支持向量机(FSALS-SVM)的极化SAR图像分类方法,可用于开展航空航天影像、天文学影像、军事等领域的数字图像预处理。
技术介绍
合成孔径雷达(SAR)由于其全天时、全天候的工作能力,以及其分辨率高、能有效识别伪装和穿透掩盖物等特点而被广泛应用于遥感和地图测绘等领域。在近二十年来,极化SAR已被证明能够获得比传统的单极化SAR更加丰富的地物信息。目前,全球许多极化SAR系统,如TerraSAR-X、RADARSAT-2、ALOS-PALSAR等,已经提供了大量的极化SAR数据以供研究。然而,对这些大规模、复杂的数据进行人为手动研究是不现实的。因此,对极化SAR数据进行全自动或半自动研究是迫切需要的,其中极化SAR图像分类是极化SAR信息处理的一个重要分支。极化SAR图像分类作为极化SAR图像解译的重要步骤,许多学者都对其进行了深入的研究,所提出的方法大致可以分为以下三类:1、基于极化散射机制的分类方法,它的特点是利用不同类的先验知识对图像进行分类;2、基于极化SAR图像统计特性的分类方法,以最大似然法和最大后验概率法为代表;3、基于二者结合的分类方法。然而,所有这些方法都可归结成基于像素的方法。基于像素的方法即:仅利用单个像素本身的特性对图像进行分类。这类方法在确定当前像素类别时,将每个像素都看成是独立的,不受周围像素的影响,能较好的保留图像细节。
技术实现思路
本专利技术的目的在于针 ...
【技术保护点】
一种基于SSAE和FSALS‑SVM极化SAR图像分类方法,包括如下步骤:步骤1,对待输入的所有极化SAR图像数据进行预处理,获得无标记训练样本和带标记训练样本;步骤2,将每个稀疏自动编码器(SAE)均作为构成栈式稀疏自动编码器(SSAE)的一个基本单元,并将前一个SAE的输出作为后一个SAE的输入来逐个训练SAE,以获得每个SAE的模型参数,其中,步骤1中得到的所有无标记训练样本作为首个SAE的输入;步骤3,将步骤2中获得的多个SAE级联在一起,构成SSAE,并将步骤1中得到的带标记训练样本输入该SSAE,进行前馈传导计算,获得这些带标记训练样本的深度特征;步骤4,将深度特征进行归一化处理后,输入到快速稀疏逼近最小二乘支持向量机(FSALS‑SVM),通过迭代训练获得训练后的FSALS‑SVM分类器;步骤5,输入预处理后的待分类极化SAR图像,经过栈式稀疏自动编码器,获得数据的深度特征,并将其输入到训练后的FSALS‑SVM分类器,获得图像的最终分类结果。
【技术特征摘要】
1.一种基于SSAE和FSALS-SVM极化SAR图像分类方法,包括如下步骤:步骤1,对待输入的所有极化SAR图像数据进行预处理,获得无标记训练样本和带标记训练样本;步骤2,将每个稀疏自动编码器SAE均作为构成栈式稀疏自动编码器SSAE的一个基本单元,并将前一个SAE的输出作为后一个SAE的输入来逐个训练SAE,以获得每个SAE的模型参数,其中,步骤1中得到的所有无标记训练样本作为首个SAE的输入;步骤3,将步骤2中获得的多个SAE级联在一起,构成SSAE,并将步骤1中得到的带标记训练样本输入该SSAE,进行前馈传导计算,获得这些带标记训练样本的深度特征;步骤4,将深度特征进行归一化处理后,输入到快速稀疏逼近最小二乘支持向量机FSALS-SVM,通过迭代训练获得训练后的FSALS-SVM分类器;步骤5,输入预处理后的待分类极化SAR图像,经过栈式稀疏自动编码器,获得数据的深度特征,并将其输入到训练后的FSALS-SVM分类器,获得图像的最终分类结果。2.根据权利要求1所述的极化SAR图像分类方法,其中,对待输入的所有极化SAR图像数据进行预处理,获得无标记训练样本和带标记训练样本包括:(1a)对待输入的所有极化SAR图像数据进行滑窗大小为7×7的Lee滤波;(1b)Lee滤波后的极化SAR图像的任一像素点n均可表示为一个3×3协方差矩阵Mn:其中,n∈[1,2,…,N],N为该极化SAR图像所包含的像素点个数,矩阵Mn中的大写字母A~I均为实数,可将这些字母组成列向量tn=[ABCDEFGHI]T,对每个像素点n所表示的列向量tn依次排放,构成整个待分类样本集;(1c)对(1b)中得到的待分类样本集进行简单地处理使其利于分类,根据极化SAR图像数据本身的特点,直接对该待分类样本集统一乘以一个大的整数Q就获得好的分类结果;(1d)将(1c)中简单地处理后的待分类样本集中的所有样本均作为无标记训练样本,并根据真实地物类别,随机选取无标记样本中的一部分进行标记,作为带标记训练样本。3.根据权利要求2所述的极化SAR图像分类方法,其中,Q=500。4.根据权利要求1所述的极化SAR图像分类方法,其中,将每个稀疏自动编码器(SAE)均作为构成栈式稀疏自动编码器(SSAE)的一个基本单元进行训练的过程:(2a)将步骤1中得到的所有无标记训练样本作为首个SAE的输入x,分别设置该SAE输入单元、隐藏单元和输出单元的个数,该SAE的输入单元和输出单元的个数均为9,隐藏单元的个数为50;(2b)随机初始化模型参数W1(1)、W1(2)、其中,W1(1)表示首个SAE中输入单元和隐藏单元间的连接权重,W1(2)表示首个SAE中隐藏单元和输出单元间的连接权重,表示首个SAE中隐藏单元的偏置项,表示首个SAE中输出单元的偏置项,计算隐藏单元和输出单元的激活值,并利用梯度下降法,最小化SSAE的整体代价函数Jsparse,从而获得训练后的模型参数(2c)重新将步骤1中得到的所有无标记训练样本作为首个SAE的输入x,利用求得的模型参数可以计算出该SAE隐藏单元的激活值,并将该激活值作为第二个SAE的输入,设置该SAE输入单元、隐藏单元和输出单元的个数,该SAE的输入单元和输出单元的个数均为50,隐藏单元的个数为100;(2d)随机初始化第二个SAE的模型参数其中,下标2代表第二个SAE,重复步骤(2b)进行训练,即可获得第二个SAE训练后的模型参数(2e)令r表示第r个SAE,若r小于所需SAE的个数R,则随机初始化第r个SAE的模型参数Wr(1)、Wr(2)、将第r-1个SAE中隐藏单元的激活值作为第r个SAE的输入,并设置第r个SAE输入单元、隐藏单元和输出单元的个数,重复步骤(2b)进行训练,即可获得第r个SAE训练后的模型参数否则,停止训练,R=2。5.根据权利要求4所述的极化SAR图像分类方法,其中,随机初始化模型参数,计算隐藏单元和输出单元的激活值,并利用梯度下降法,最小化栈式稀疏自动编码器的整体...
【专利技术属性】
技术研发人员:焦李成,刘芳,刘宸荣,马文萍,马晶晶,王爽,侯彪,李阳阳,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。