基于深度自适应脊波网络的极化SAR图像分类制造技术

本发明专利技术公开了一种基于深度自适应脊波网络的极化SAR图像分类方法，本方法实现步骤为：(1)对待分类的极化SAR图像进行滤波；(2)提取滤波后的极化SAR图像的特征；(3)特征组合并归一化；(4)训练受限玻尔兹曼机RBM；(5)训练自适应脊波网络；(6)调整自适应脊波网络参数；(7)图像分类。本发明专利技术相对于已有的方法对极化SAR图像特征的表达能力更强，能更好地从原始的低级高维特征中学习出更高级的特征，且分类器具有更灵活的结构、快速并行的处理速度以及强容错性和鲁棒性。本发明专利技术能够有效地提高极化SAR图像分类的精度，并且降低计算复杂度，同时具有更好的去噪效果，提高图像质量的优点。

【技术实现步骤摘要】
基于深度自适应脊波网络的极化SAR图像分类
本专利技术属于图像处理
，具体涉及一种基于深度自适应脊波网络的极化 SAR图像分类，可用于极化SAR图像的分类与识别，能有效地提高极化SAR图像分类的精度。
技术介绍
极化合成孔径雷达（SyntheticApertureRadar,SAR)已成为遥感领域最先进的 传感器之一，而极化SAR图像分类是SAR图像解译的重要研究技术。极化SAR(Polarimetric SAR，PolSAR)能对目标进行更全面的描述，其测量数据包含了更丰富的目标信息，因此极化 SAR在目标检测、分类及参数反演等方面具有非常明显的优势。极化SAR图像分类的目的是 利用机载或星载极化SAR传感器获得的极化测量数据确定每个像素所属的类别。经典的极 化SAR分类方法包括： 1997年，Cloude等人提出了基于H/a目标分解的极化SAR图像非监督分类方法。 该方法主要是通过clouded分解获取H和a两个表征极化数据的特征，然后根据H和a 组成的H/a平面人为的将其划分为9个区域，去掉一个理论上不可能存在的区域，最终将 图像划分为8类。H/a分类存在的一个缺陷是区域的划分过于武断，当同一类的数据分布 在两类或几类的边界时，分类器性能将变差，另一个不足之处是，当同一个区域里共存几种 不同的地物时，将不能有效区分。 1999年，Lee等人提出了基于H/a目标分解和复Wishart分类器的H/a-Wishart 分类方法。该方法是在原始H/a分类基础上增加复Wishart迭代分类过程，主要是利用复 Wishart分类器对H/a划分后的8个类别中的每一个像素进行类别重新划分，从而提高分 类的精度。但是该算法存在的不足是：不能很好的保持各类的极化散射特性，且由于将分类 类别数固定为8类，不能适应不同类别数的地物分类，因此对于类别多于8类或少于8类的 数据来说，该算法的分类效果会有所影响。 2004年，Lee等人又提出了一种基于Freeman分解的性能优良的极化SAR分类算 法。该算法思想简单，易于理解，很好地保持各类的极化散射特性，但是该算法仍然存在着 一定的局限性，最终分类结果易受Freeman分解性能的影响，对于不同波段的极化数据该 算法的普适性差。 随着各种极化SAR系统获取的地面数据日益增加，对于分类方法的自适应性及普 适性的要求越来越高，分类效果的评价也逐渐严苛起来，如细节信息的完整性，图像分类精 度以及时间复杂度等。上述这些方法尽管提高了图像分类效果，但是仍然存在不能适应不 同波段极化数据及不同类别数的地物分类，图像细节信息保持较差，分类准确度低，时间复 杂度高等问题。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出一种基于深度自适应脊波网络 的极化SAR图像分类方法，自适应地寻找并充分挖掘极化SAR数据的极化和方向特征，以克 服传统方法自适应性差的缺点，同时提高极化SAR图像的分类精度，并减少时间复杂度。 为实现上述目的，本专利技术包括如下步骤： (1)对待分类的极化SAR图像进行滤波： 采用精致极化LEE滤波方法，对待分类的极化SAR图像进行滤波，去除斑点噪声， 得到滤波后的极化SAR图像； ⑵提取滤波后的极化SAR图像的图像特征： (2-1)取滤波后的极化SAR图像相干矩阵的主对角线上的元素tn，t22,t33 ; (2-2)对上述相干矩阵采用克劳德Cloude分解得到H，a，其中H表示散射熵，a 表示平均散射角； (2-3)对上述相干矩阵采用Freeman分解，得到散射功率矩阵Ps，Pd，Pv，其中Ps表 示表面散射功率矩阵，Pd表示二面角散射功率矩阵，Pv表示体散射功率矩阵； (3)特征组合并归一化： 将tn，t22,t33,H，a，Ps，Pd，Pv组成极化SAR图像的8维特征，并该8维特征的特 征值归一到[0, 1]之间的数值； ⑷训练受限玻尔兹曼机RBM: 先确定RBM的网络层数及各层节点数量，从滤波后的极化SAR图像上选取对应比 例的像素作为训练样本，再将训练样本的8维特征输入RBM，逐层贪婪训练RBM，得到训练好 的权值和偏置； (5)训练自适应脊波网络： 先用受限玻尔兹曼机RBM训练好的权值和偏置初始化自适应脊波网络参数a，b，u 和w，再根据能量最小化原理训练自适应脊波网络，其中，a表示脊波的尺度，b表示脊波的 方向，u表示脊波的位置，w表示脊波网络的权值； (6)调整自适应脊波网络参数： 通过调整自适应脊波网络隐层的神经元数目，动量参数和学习率，得到训练好的 自适应脊波网络； ⑵图像分类： 通过调整自适应脊波网络隐层的神经元数目，动量参数和学习率，得到训练好的 自适应脊波网络； 本专利技术与现有的技术相比具有以下优点： 第一，本专利技术采用受限玻尔兹曼机（RBM)，它是目前研究和应用最为广泛的深度学 习结构，深度学习与传统的浅层学习的最大区别在于，它强调了网络结构的深度，并且突出 了特征学习的重要性，通过多个隐层的非线性变化，使得深度网络拥有比浅层网络更加优 异的特征表达能力。极化SAR图像数据包含了丰富的信息，通常是海量且高分辨的，深度网 络能更好地从原始的低级高维特征中学习出更高级的特征，为其后的分类做好铺垫。 第二，本专利技术采用自适应脊波网络作为分类器对极化SAR图像进行分类，首先，它 克服了采用经典分类器对极化SAR图像进行分类时，存在同物异谱及异物同谱现象而使得 区域一致性差，不同区域划分边界模糊的问题；再者，因为小波网络框架通过尺度伸缩和平 移对数据进行多尺度分析，能有效提取数据的局部信息，具有自学习、自适应和容错性等特 点，可以避免BP神经网络等结构设计上的盲目性，且它具有更强的学习能力，结构更简单， 收敛速度更快；还有，由于脊波表征高维信息的稳定性和逼近线型奇异性的稀疏性，脊波网 络能够以更小的网络规模逼近广泛的多变量函数类型，相对固定的脊波变换具有更灵活的 结构、快速并行的处理速度以及强容错性和鲁棒性，能够有效地提高极化SAR图像分类的 精度，并且降低计算复杂度。 第三，本专利技术采用精致极化LEE滤波法，对待分类的极化SAR图像进行滤波，克服 了现有技术因未对极化SAR图像进行滤波，引入了相干斑噪声，导致图像质量降低的问题， 使得本专利技术既能避免极化通道之间的串扰，又能保持极化通道之间的极化信息和统计相关 性，使极化SAR图像的轮廓、边缘更加清晰，提高图像质量，改善极化SAR图像分类性能。 【附图说明】 图1是本专利技术的总流程图； 图2是本专利技术输入的极化SAR图像的PauliRGB合成图像； 图3是现有方法和本专利技术所分类的极化SAR图像； (a)是现有的H/a分类法对所用极化SAR图像的分类结果图； (b)是深信度网络（DBN)对所用极化SAR图像的分类结果图； (c)是本专利技术对所用极化SAR图像的分类结果图。 【具体实施方式】 下面结合附图对本专利技术做进一步的描述。 参照图1，本专利技术的实现步骤如下： 步骤一：对待分类的极化SAR图像进行滤波，得到滤波后的极化SA本文档来自技高网...

【技术保护点】
一种基于深度自适应脊波网络的极化SAR图像分类方法，包括如下步骤：(1)对待分类的极化SAR图像进行滤波，得到滤波后的极化SAR图像：(2)提取滤波后的极化SAR图像的图像特征：(2‑1)取滤波后的极化SAR图像相干矩阵的主对角线上的元素t11，t22，t33；(2‑2)对所述相干矩阵采用克劳德Cloude分解得到H，α，其中H表示散射熵，α表示平均散射角；(2‑3)对所述相干矩阵采用Freeman分解，得到散射功率矩阵Ps，Pd，Pv，其中Ps表示表面散射功率矩阵，Pd表示二面角散射功率矩阵，Pv表示体散射功率矩阵；(3)特征组合并归一化：用t11，t22，t33，H，α，Ps，Pd，Pv组成极化SAR图像的8维特征，并将该8维特征的特征值t11，t22，t33，H，α，Ps，Pd，Pv归一到[0,1]之间的数值；(4)训练受限玻尔兹曼机RBM：先确定RBM的网络层数及各层节点数量，从滤波后的极化SAR图像上选取对应比例的像素作为训练样本，再将训练样本的8维特征输入RBM，逐层贪婪训练RBM，得到训练好的权值和偏置；(5)训练自适应脊波网络：先用受限玻尔兹曼机RBM训练好的权值和偏置初始化自适应脊波网络参数a，b，u和w，再根据能量最小化原理训练自适应脊波网络，其中，a表示脊波的尺度，b表示脊波的方向，u表示脊波的位置，w表示脊波网络的权值；(6)微调自适应脊波网络的网络参数：通过调整自适应脊波网络隐层的神经元数目，动量参数和学习率，得到训练好的自适应脊波网络；(7)图像分类：用训练好的自适应脊波网络，对滤波后的极化SAR图像进行分类，得到极化SAR图像的像素类别。...

【技术特征摘要】
1. 一种基于深度自适应脊波网络的极化SAR图像分类方法，包括如下步骤： (1) 对待分类的极化SAR图像进行滤波，得到滤波后的极化SAR图像： (2) 提取滤波后的极化SAR图像的图像特征： (2-1)取滤波后的极化SAR图像相干矩阵的主对角线上的元素tn，t22,t33 ; (2-2)对所述相干矩阵采用克劳德Cloude分解得到Η，α，其中H表示散射熵，α表示 平均散射角； (2-3)对所述相干矩阵采用Freeman分解，得到散射功率矩阵Ps，Pd，Pv，其中Ps表示表 面散射功率矩阵，Pd表示二面角散射功率矩阵，Pv表示体散射功率矩阵； (3) 特征组合并归一化： 用tn，t22,t33,Η，α，Ps，Pd，Pv组成极化SAR图像的8维特征，并将该8维特征的特征 值tn，t22,t33,Η，α，Ps，Pd，Pv 归一到[〇, 1]之间的数值； (4) 训练受限玻尔兹曼机RBM: 先确定RBM的网络层数及各层节点数量，从滤波后的极化SAR图像上选取对应比例的 像素作为训练样本，再将训练样本的8维特征输入RBM，逐层贪婪训练RBM，得到训练好的权 值和偏置； (5) 训练自适应脊波网络： 先用受限玻尔兹曼机RBM训练好的权值和偏置初始化自适应脊波网络参数a，b，u和w， 再根据能量最小化原理训练自适应脊波网络，其中，a表示脊波的尺度，b表示脊波的方向， u表示脊波的位置，w表示脊波网络的权值； (6) 微调自适应脊波网络的网络参数： 通过调整自适应脊波网络隐层的神经元数目，动量参数和学习率，得到训练好的自适 应脊波网络； (7) 图像分类： 用训练好的自适应脊波网络，对滤波后的极化SAR图像进行分类，得到极化SAR图像的 像素类别。2. 根据权利要求1所述的基于深度自适应脊波网络的极化SAR图像分类方法，其中，采 用精致极化LEE滤波方法，对待分类的极化SAR图像进行滤波。3. 根据权利要求2所述的基于深度自适应脊波网络的极化SAR图像分类方法，其中，所 述的精致极化LEE滤波方法包括如下步骤： 第一步，设定精致极化LEE滤波的滑动窗口，该滑动窗口的大小为5X5像素； 第二步，将滑动窗口在输入的极化SAR图像的像素上，从左到右、从上到下漫游，每漫 游一步时，将滑动窗口按照像素空间位置，从左到右、从上到下依次分成9个子窗口，每个 子窗口的大小是3X3像素，子窗口之间有重叠； 第三步，将9个子窗口对应位置的像素值求平均值，将所得到的均值构成3X3像素的 均值窗口； 第四步，选择水平、垂直、45度和135度的四个方向的梯度模板，将均值窗口分别与四 个模板进行加权，对所得到的加权结果求绝对值，选出所有绝对值中的最大值，将该最大值 对应的方向作为边缘方向； 第五步，从9个子窗口中取中心窗口边缘方向的左右2个子窗口，分别对2个窗口内的 所有像素值求均值，用得到的两个均值分别减去中心窗口所有像素值的均值，将均值差值 中绝对值小的值所对应的子窗口作为方向窗口，其中，中心窗口是指5X5窗口中心的3X3 的子窗口； 第六步，按照下式，得到精致极化LEE滤波的权值：其中，b表示精致极化LEE滤波的权值，var(y)表示方向窗口内极化SAR总功率图像像 素的方差值，y表示方向窗口内极化SAR总功率图像的像素，p表示方向窗口内极化SAR总 功率图像所有像素的均值，〇 v2表示输入的极化SAR图像相干斑噪声的方差值； 第七步，按照下式，得到滤波后极化SAR图像中心像素的相干矩阵； X=w+b(y~w) 其中，x表示滤波后极化SAR图像中心像素的相干矩阵，w表示方向窗口内极化SAR图 像像素的相干矩阵的均值，b表示精致极化LEE滤波的权值，z表示极化SAR图像中心像素 的相干矩阵。4. 根据权利要求1所述的基于深度自适应脊波网络的极化SAR图像分类方法，步骤 (2-2)所述的对所述相干矩阵采用克劳德Cloude分解得到Η，α包括如下步骤： 第一步，按照下式，得到滤波后的极化SAR图像克劳德Cloude分解的两个参数；i=l 其中，H表示极化SAR图像散射矩阵的散射熵参数，Pi表示极化SAR图像相干矩阵的第i个特征值与所有特征值总和的比值，α表示极化SAR图像的散射类型，Cii表示极化SAR 图像相干矩阵第i个特征值对应的平均散射点，下标i= 1，2, 3 ; 第二步，输出极化SAR图像克劳德Cloude分解出的2个参数作为特征，分别为H和α。5. 根据权利要求1所述的基于深度自适应脊波网络的极化SAR图像分类方法，步骤 (2-3)所述的对所述相干矩阵采用Freeman分解，得到散射功率矩阵Ps，P...

【专利技术属性】
技术研发人员：焦李成，马文萍，张亚楠，杨淑媛，侯彪，王爽，马晶晶，刘红英，熊涛，张向荣，
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