基于深度稀疏主分量分析的极化SAR图像分类方法技术

本发明专利技术公开了一种基于深度稀疏主分量分析的极化SAR图像分类方法，主要解决现有技术中对于极化SAR图像分类，其过程复杂、分类精度不高的问题。其实现步骤是：(1)输入待分类的极化SAR图像的相干矩阵，并对其进行滤波，得到去噪后的相干矩阵；(2)将去噪后的相干矩阵中每一列向量的元素作为一个样本，从中随机选取训练样本集和测试样本集；(3)对极化SAR图像的训练样本集进行深层特征的学习，训练出一个两层的稀疏主分量分析网络；(4)利用训练好的深度稀疏主分量分析网络对极化SAR图像的测试样本集进行分类，完成对极化SAR图像的分类。本发明专利技术分类精度高，可用于地物分类和目标识别。

【技术实现步骤摘要】

本专利技术属于图像处理
，特别涉及一种极化SAR图像分类方法，可用于地物分类和目标识别。
技术介绍
近年来，随着计算机技术的迅速发展，大量的文本，语音，图像，视频等数据与日俱增。因此，如何从海量的数据中挖掘出有价值的信息成为了一个值得关注的问题。数据挖掘的核心原理是通过计算机的先进技术从大量的复杂的数据中攫取出其本质特征，从而可以充分利用其中有价值的数据信息。数据挖掘包含很多方法，其中非常重要的一种是分类，它可以从内容丰富、蕴藏大量信息的数据库中提取描述重要数据的模型，用于智能决策，所以应用非常广泛。分类的目的是学习到一个分类函数或分类模型，通过该分类模型，分析训练数据表现出的特性，描述每个类别的特征，根据类别的描述对测试数据进行分类。极化SAR图像分类是极化SAR图像解译的重要研究内容，分类图既可作为中间结果为边缘提取、目标检测、识别等提供辅助信息，也可作为最终结果直接输出给用户，它在民用和军用领域均有着巨大的应用价值和理论意义。极化SAR数据是以矩阵为基本单位进行像素描述，并且极化散射矩阵往往可以记录更完整的目标后向散射信息，因此其信息的挖掘和提取更为复杂，但也是由于它所描述的目标信息更加完整，所以极化SAR数据成为了国内外所研究的热点之一。近年来，很多极化SAR图像分类的方法被提了出来，这些方法的基本原理都是利用极化信息，从极化散射矩阵中提取一些与散射机理密切相关的参数，利用这些参数本身，再结合一些其他的方法，对极化SAR图像场景中的地物目标进行分类。这些方法是仅含单层非线性变换的浅层学习结构，浅层模型的一个共性是仅含单个将原始输入信号转换到特定问题空间特征的简单结构。电子科技大学在其专利申请“一种基于子孔径分析的极化合成孔径雷达图像分类方法”(专利申请号：200910058210.5，公开号：CN101464956A)中提出了一种基于子孔径分析的极化SAR图像分类方法。这种方法首先采用H/ɑ平面对全分辨率极化SAR图像进行初始分类，再对其进行子孔径分解，然后根据初始分类计算初始类别中心，最后计算所有子孔径图像中每一个像素点与各类别中心的距离测度，将像素点归类于距离测度最小的那一类。该方法虽然综合了目标在不同视角下的散射特性，以及散射特性的变化，但是仍然存在的不足是，该方法对待分类的极化SAR图像信息的丰富性要求高，待处理的高维数据具有无关性和冗余性，计算量大，实现过程复杂。西安电子科技大学在其专利申请“基于谱聚类的极化SAR图像分类方法”(专利申请号：201110164401.7，公开号：CN102208031A)中提出了一种基于谱聚类的极化SAR图像分类方法。该方法首先对极化SAR图像的每一个像素点提取表征极化SAR目标散射特性的散射熵，结合空间坐标信息，利用Mean Shift算法对图像进行分割，对各区域进行谱聚类，获得图像的预分类结果，最后对预分类得到的整幅图像用Wishart分类器进行迭代分类。该方法虽然能在任意形状的样本空间上聚类并且收敛于全局最优解，但是仍然存在的不足是，采用高斯函数构造相似矩阵时，尺度参数对分类结构影响较大，并且难以得到最优的参数，导致特征提取的不合理，影响图像分割的稳定性，导致分类精度下降。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足，提出了一种基于深度稀疏主分量分析的极化SAR图像分类方法，以简化分类过程，降低计算复杂度，提高分类精度。实现本专利技术目的的技术方案是：在充分地考虑极化SAR数据的散射特性后，利用一个两层的稀疏主分量分析网络对极化SAR数据进行深层特征的学习，并利用libSVM工具箱对学习到的深层特征进行分类。其实现步骤包括如下：(1)输入待分类的极化SAR图像的相干矩阵，并对其进行滤波，得到去噪后的相干矩阵；(2)选取样本：(2a)在去噪后的相干矩阵中，将每一列向量的元素作为一个样本，将去噪后的相干矩阵中的所有样本组成一个样本集；(2b)从样本集中随机选取5％的样本作为训练样本集，将剩余95％的样本作为测试样本集；(3)对极化SAR图像的训练样本集进行深层特征的学习，训练出所述的深度稀疏主分量分析网络：(3a)将步骤(2)选取的训练样本集作为深度稀疏主分量分析网络第一层的输入，通过稀疏主分量分析对训练样本集进行训练，得到深度稀疏主分量分析网络的第一层输出，即训练样本集的高级特征，完成深度稀疏主分量分析网络第一层的训练；(3b)通过稀疏主分量分析对训练样本集的高级特征进行训练，得到深度稀疏主分量分析网络的第二层输出，即训练样本集的深层特征，完成深度稀疏主分量分析网络第二层的训练；(4)利用步骤(3)训练好的深度稀疏主分量分析网络对极化SAR图像的测试样本集进行分类：(4a)利用深度稀疏主分量分析网络的第一层对步骤(2)选取的测试样本集进行训练，得到深度稀疏主分量分析网络的第一层输出，即测试样本集的高级特征；(4b)将测试样本集的高级特征通过深度稀疏主分量分析网络的第二层进行训练，得到测试样本集的深层特征，利用libSVM工具箱对该测试样本集的深层特征进行分类，完成对极化SAR图像的分类。本专利技术与现有技术相比，具有以下优点：第一，本专利技术由于引入了稀疏主分量分析方法，采用维数较低的稀疏主分量来表示训练样本集和测试样本集，克服了现有技术中待处理的高维数据的无关性和冗余性，使得本专利技术在对极化SAR图像进行分类时提高了分类精度。第二，本专利技术由于通过引入了一个两层的稀疏主分量分析网络模型，对训练样本集和测试样本集进行深层特征的提取，克服了现有技术中由于特征提取不合理而造成的分类精度的下降，使得本专利技术具有对极化SAR原始数据达到高精度逼近的优点，进而提高了分类精度，并且训练过程较为简单，计算复杂度较低。第三，本专利技术由于在分类过程中仅用到相干矩阵信息，不需要其他散射信息，克服了现有技术中对待分类的极化SAR图像信息的丰富性要求高的不足，使得本专利技术对不同的极化SAR图像信息具有更强的适应性。附图说明图1是本专利技术的实现流程图；图2是本专利技术仿真使用的两组极化SAR数据的图像；图3是本专利技术仿真使用的两组极化SAR数据的真实地物标签图；图4是采用本专利技术对两组极化SAR数据进行分类的仿真结果图。具体实施方式以下结合附图对本专利技术的
技术实现思路
及效果作进一步详细描述。参照图1，本专利技术的实现步骤如下：步骤1，对极化合成孔径雷达SAR数据进行本文档来自技高网...

【技术保护点】
一种基于深度稀疏主分量分析的极化SAR图像分类方法，包括以下步骤： (1)输入待分类的极化SAR图像的相干矩阵，并对其进行滤波，得到去噪后的相干矩阵； (2)选取样本： (2a)在去噪后的相干矩阵中，将每一列向量的元素作为一个样本，将去噪后的相干矩阵中的所有样本组成一个样本集； (2b)从样本集中随机选取5％的样本作为训练样本集，将剩余95％的样本作为测试样本集； (3)对极化SAR图像的训练样本集进行深层特征的学习，训练出所述的深度稀疏主分量分析网络： (3a)将步骤(2)选取的训练样本集作为深度稀疏主分量分析网络第一层的输入，通过稀疏主分量分析对训练样本集进行训练，得到深度稀疏主分量分析网络的第一层输出，即训练样本集的高级特征，完成深度稀疏主分量分析网络第一层的训练； (3b)通过稀疏主分量分析对训练样本集的高级特征进行训练，得到深度稀疏主分量分析网络的第二层输出，即训练样本集的深层特征，完成深度稀疏主分量分析网络第二层的训练； (4)利用步骤(3)训练好的深度稀疏主分量分析网络对极化SAR图像的测试样本集进行分类： (4a)利用深度稀疏主分量分析网络的第一层对步骤(2)选取的测试样本集进行训练，得到深度稀疏主分量分析网络的第一层输出，即测试样本集的高级特征； (4b)将测试样本集的高级特征通过深度稀疏主分量分析网络的第二层进行训练，得到测试样本集的深层特征，利用libSVM工具箱对该测试样本集的深层特征进行分类，完成对极化SAR图像的分类。...

【技术特征摘要】
1.一种基于深度稀疏主分量分析的极化SAR图像分类方法，包括以下步骤： 
(1)输入待分类的极化SAR图像的相干矩阵，并对其进行滤波，得到去噪后的相干矩阵； 
(2)选取样本： 
(2a)在去噪后的相干矩阵中，将每一列向量的元素作为一个样本，将去噪后的相干矩阵中的所有样本组成一个样本集； 
(2b)从样本集中随机选取5％的样本作为训练样本集，将剩余95％的样本作为测试样本集； 
(3)对极化SAR图像的训练样本集进行深层特征的学习，训练出所述的深度稀疏主分量分析网络： 
(3a)将步骤(2)选取的训练样本集作为深度稀疏主分量分析网络第一层的输入，通过稀疏主分量分析对训练样本集进行训练，得到深度稀疏主分量分析网络的第一层输出，即训练样本集的高级特征，完成深度稀疏主分量分析网络第一层的训练； 
(3b)通过稀疏主分量分析对训练样本集的高级特征进行训练，得到深度稀疏主分量分析网络的第二层输出，即训练样本集的深层特征，完成深度稀疏主分量分析网络第二层的训练； 
(4)利用步骤(3)训练好的深度稀疏主分量分析网络对极化SAR图像的测试样本集进行分类： 
(4a)利用深度稀疏主分量分析网络的第一层对步骤(2)选取的测试样本集进行训练，得到深度稀疏主分量分析网络的第一层输出，即测试样本集的高级特征； 
(4b)将测试样本集的高级特征通过深度稀疏主分量分析网络的第二层进行训练，得到...

【专利技术属性】
技术研发人员：焦李成，李玲玲，符丹钰，屈嵘，杨淑媛，侯彪，王爽，刘红英，熊涛，马文萍，马晶晶，
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