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。而现有的深度学习模型：栈式自编码器(SAE)，限制玻尔兹曼机(RBM)，深度置信网(DBN),卷积神经网络(CNN)等都需要调节很多参数。比如说学习速率(learning rates)、动量(momentum)、稀疏度惩罚系数(sparsity penalties)等等，而这些参数最终的确定需要通过交叉验证获得，这就需要花费大量的时间和精力。随着遥感领域的不断发展，环境监测、地球资源勘测、军事系统等应用对极化SAR图像处理的需求加大，想要对极化SAR图像的地物分类取得理想的结果，虽然深度学习在机器学习方法中有着较为明显的优势，但传统的深度学习网络需要大量的参数调节，这将消耗大量的时间，不当的参数选择将直接影响深度学习网络的性能以及最终的分类结果，这就制约深度学习方法在遥感领域的应用。
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，提出了一种基于半监督深度稀疏滤波网络的极化SAR分类方法，提高地物分类正确率。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，同一种地物的分布由同样的类别标号表示，不能确定类别的地物分布在标签矩阵中用0表示，根据极化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)，至此，基本的数据处理完成。(4)开始优化深度网络，初始化深度网络的基本参数，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，确定深度稀疏滤波网络的整体结构。(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，深度稀疏滤波网络的权重得到初步优化。(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，使网络变得更稳定，至此，深度稀疏滤波网络优化完成。(7)测试深度稀疏滤波网络的性能，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，根据训练样本和步骤(7)中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。本专利技术的技术思路是：将单层的稀疏滤波器拓展为一种新颖的深度稀疏滤波网络，在拥有少量标记样本的情况下，结合半监督思想，对极化SAR数据进行特征学习，通过分类器实现地物分类，提高分类准确度。本专利技术具有如下优点：1、本专利技术由于采用了深度学习的方法，利用深度稀疏滤波网络来自主地学习极化SAR图像的特征，因而避免了传统方法中人工学习特征的繁琐，并且深度稀疏滤波网络可以学习到极化SAR图像更为抽象本质的特征，这些特征更加有利于极化SAR图像的地物分类。2、本专利技术方法由于在稀疏滤波器的基础上拓展得到深度稀疏滤波网络，此深度学习网络有着较少的参数和稳定的性能，因而有效弥补了传统深度学习网络参数复杂，难以调节的缺陷，适当避免了因参数调节不当造成分类结果不理想的情况。3、本专利技术方法由于采用了半监督学习的方法，在预训练的过程中加入了半监督正则项，因而改善了在标记样本较少的情况下分类器分类正确率较低，以及大量无标记样本造成的信息浪费的问题。附图说明图1是本专利技术的实现流程示意图；图2是对极化SAR地物仿真图像的实验结果图，其中图2(a)是极化SAR仿真图的Pauli分解图，图2(b)是仿真图的标签图，图2(c)是采用对比方法DNN的分类结果图，图2(d)是采用对比方法SAE的分类结果图，图2(e)是采用对比方法DSF的分类结果图，图2(f)是采用本专利技术方法的分类结果图。具体实施方式下面结合附图对本专利技术详细说明实施例1因遥感技术的发展，在环境监测、地球资源勘测、军事系统等领域有着广泛的应用，对极化SAR图像处理的需求也不断加大，深度学习在机器学习方法中有着较为明显的优势，而传统的深度学习网络需要大量的参数调节，会消耗大量的时间，且可能直接影响深度学习网络的性能以及最终的分类结果，因此，本专利技术提出一种基于半监督深度稀疏滤波网络的极化SAR分类方法，参见图1，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，同一种地物无论分布如何，在标签矩阵中由同样的类别标号表示，不能确定类别的地物分布在标签矩阵中用0表示，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。1a、取极化SAR图像的极化相干矩阵T的上三角位置的6个元素的模值作为每个像素点的原始特征；1b、利用MATLAB软件中的reshape函数将T矩阵转化为二维的样本矩阵X∈RP×N，P＝6为样本矩阵的维数，N为样本总数，每一列表示一个样本，这是对极化SAR数据的基本处理。(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。...

【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