基于半监督深度稀疏滤波网络的极化SAR分类方法技术

本发明专利技术公开了一种基于半监督稀疏滤波的半监督深度学习方法。解决了传统深度学习方法参数调节复杂，在拥有较低标签数据时分类精度不高的技术问题，其步骤包括：输入待分类的极化SAR图像数据；提取训练样本和测试样本；求训练样本的Wishart近邻样本；初始化深度稀疏滤波网络的参数；对深度稀疏滤波网络预训练；对深度稀疏滤波网络微调；对测试样本进行类别预测；输出待分类的极化SAR图像的分类图像和分类精度。本发明专利技术通过构建新颖的深度稀疏滤波网络模型，并在预训练过程中加入半监督正则项的方法，降低了深度学习网络参数调节的复杂度，提高了极化SAR图像地物分类的精度。可用于环境监测、地球资源勘测和军事系统等技术领域。

【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图像地物分类方法，具体是一种基于半监督深度稀疏滤波网络的极化SAR分类方法。可用于环境监测、地球资源勘测和军事系统等。
技术介绍
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。在极化SAR图像分类领域，机器学习已经有了许多突破性的进展，例如Wishart maximum likelihood(WML)，支持矢量机(support vector machines，SVM)等方法。常见的机器学习方法大都运用人工提取特征的方法，费时费力，且不一定能够取得令人满意的特征。深度学习是机器学习研究中的一个新的领域，它是一种模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据。对于极化SAR图像分类，深度学习网络能够自主地从极化SAR数据中学习到更为抽象的高层表示属性或者特征，学习到的特征可以更有效地运用到地物分类、环境监测等研究。而现有的深本文档来自技高网...

【技术保护点】
本专利技术是一种基于半监督深度稀疏滤波网络的极化SAR分类方法，其特征在于，包括如下步骤：(1)输入待分类的极化SAR图像数据，即极化SAR图像的相干矩阵T，根据极化SAR图像的地物分布信息得到标签矩阵Y，由极化SAR图像的相干矩阵T生成样本矩阵N是样本的总个数，xi表示第i个样本；(2)提取训练样本和测试样本，根据极化SAR图像的样本数据X和标签矩阵Y，随机提取出L个训练样本，M个测试样本，其中L+M＝N，根据所有样本的类别信息，每类随机选取1％的样本作为训练样本，其余的为测试样本；(3)求训练样本的Wishart近邻样本，在所有的样本数据中，求取每个训练样本xi(i＝1,2...L)所对应...

【技术特征摘要】
1.本发明是一种基于半监督深度稀疏滤波网络的极化SAR分类方法，其特征在于，包括如下步骤：(1)输入待分类的极化SAR图像数据，即极化SAR图像的相干矩阵T，根据极化SAR图像的地物分布信息得到标签矩阵Y，由极化SAR图像的相干矩阵T生成样本矩阵N是样本的总个数，xi表示第i个样本；(2)提取训练样本和测试样本，根据极化SAR图像的样本数据X和标签矩阵Y，随机提取出L个训练样本，M个测试样本，其中L+M＝N，根据所有样本的类别信息，每类随机选取1％的样本作为训练样本，其余的为测试样本；(3)求训练样本的Wishart近邻样本，在所有的样本数据中，求取每个训练样本xi(i＝1,2...L)所对应的K个Wishart近邻样本xj(j＝1,2...K)；(4)初始化深度稀疏滤波网络的基本参数，随机初始化深度稀疏滤波网络的权重参数W，设定深度稀疏滤波网络每层的节点数；(5)对深度稀疏滤波网络预训练，将训练样本及其对应的Wishart近邻样本送入到深度稀疏滤波网络中进行预训练，采用逐层贪婪的预训练方法，前一层的输出作为后一层的输入，直到训练完最后一个隐层，同时在每层的预训练中加入半监督近邻保持正则项，与稀疏滤波器共同优化网络的权重；(6)对深度稀疏滤波网络微调，利用训练样本及其标签信息，结合Softmax分类器对深度稀疏滤波网络进行微调，进一步优化网络的权重；(7)对测试样本进行类别预测，将测试样本送入到深度稀疏滤波网络，利用Softmax分类器对测试样本的类别标签进行预测，得到每个测试样本的预测类别；(8)输出待分类的极化SAR图像的分类结果图和分类精度，根据训练样本和已预测出类别的测试样本，输出待分类的极化SAR图像的最终分类结果并计算本次分类的精度。2.根据权利要求1所述的基于半监督深度稀疏滤波网络的极化SAR分类方法，其特征在于，步骤(3)所述的求每个训练样本的Wishart近邻样本，是按如下步骤获得：3a、训练样本矩阵为利用下面的公式求取训练样本和其它样本之间的Wishart距离：d(xi,xj)＝ln((xi)-1xj)+Tr((xj)-1xi)-q(x＝1,2,...,L,j＝1,2,...,N)，其中，Tr()表示矩阵的迹，对于发送与接收是一体的雷达，由于互易性，q＝3；对于发送与接收不是一体的雷达，q＝4；3b、利用MATLAB中的sort函数，将3a中求得的Wishart距离d(xi,xj)按绝对值升序排列，取前K个，找到与其对应的前K个样本，作为训练样本xi的Wishart近邻样本，记为：3.根据权利要求1所述的基于半监督深度稀疏滤波网络的极化SAR分类方法，其特征在于，步骤(4)中所述初始化深度网络的参数为：4a、深度稀疏滤波网络的隐层数为3，每层的节点数分别为：25，100，50；4b、初始化深度稀疏滤波网络的权重W1,W1∈RD×Q，D是输入信号的维数，Q是第一个隐层的节点数。4.根据权利要求1所述的基于半监督深度稀疏滤波网络的极化SAR分类方法，其特征在于，其中步骤(5)所述的对深度稀疏滤波网络的预训练过程为：5a、输入深度稀疏滤波网络的预训练样本，将训练样本xi及其对应的K个Wishart近邻样本作为预训练样本输入到深度网络中，i＝1,2,...,L；5b、利用第一个隐层学习新的样本特征，将传统的非线性sigmoid函数作为激活函数：φ(z)＝(1+exp(-z))-1，x∈RD×1是输入向量，则第一个隐层的输出为：h1＝φ(W1Tx)，第i个样本的输出表示为h1(xi)，作为新的样本特征；5c、优化网络权重W，每一层稀疏滤波网络利用LBFGS算法求解下面的目标函数，从而优化网络的权重W，目标函数为： L 1 ( W ) = min m i z e W Σ i = 1 L | | h ~ 1 ( x i ) | | h ~ 1 ( ...

【专利技术属性】
技术研发人员：刘红英，闵强，杨淑媛，焦李成，慕彩虹，熊涛，王桂婷，冯婕，朱德祥，
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