【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 Wis ...
【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 ...
【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
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。