基于深度学习和度量学习的极化SAR地物分类方法技术

本发明专利技术公开一种基于深度学习和度量学习的极化SAR地物分类方法，实现步骤为：(1)输入图像；(2)滤波；(3)提取特征；(4)选择训练样本和测试样本；(5)训练栈式稀疏自编码器，得到训练样本集的深层特征和测试样本集的深层特征；(6)训练度量学习分类器，得到分类结果；(7)对分类结果进行上色；(8)输出上色后的分类结果图。本发明专利技术用基于深度学习和度量学习的极化SAR地物分类方法对图像进行分类，对特征的提取比较全面合理，分类结果更吻合真实地物，降低了时间复杂度并提高了分类精度。

【技术实现步骤摘要】

本专利技术属于图像处理
，更进一步涉及图像分类
的一种基于深度学习和度量学习的极化(PolarimetricSyntheticApertureRadar，PolSAR)地物分类方法。本专利技术可用于对极化SAR图像进行特征提取和地物分类。
技术介绍
极化SAR图像分类是图像解译过程中的一个重要步骤，也是极化SAR图像处理的一个重要研究方向。极化SAR能获得比传统的单极化SAR更丰富的地物信息，面对这些大规模、复杂的数据，传统的方法想要快速对其处理，并达到很高的分类精度是不现实的，因而急需提出一些能够处理大数据，且时间复杂度低的分类方法。近年来，极化SAR图像分类日益受到人们的重视，但一些现有的分类方法：稀疏自编码、支持矢量积、wishart分类、CNN、字典学习等方法，处理信息量比较大的极化SAR图像时，分类精度较低，处理速度过慢，时间复杂度过高，本专利技术提出的基于深度学习和度量学习的极化SAR地物分类方法：一方面，对特征的提取比较全面合理，对原始数据更逼近，因而分类精度较高；另一方面，可以直接使用现有的支持向量机工具包，克服了传统分类方法时间复杂度过高的问题。WangF,ZuoW,ZhangL,etal.在其发表的论文“AKernelClassificationFrameworkforMetricLearning”(NeuralNetworksandLearningSystems,IEEETransactionson,2015)中公开了一种AKernelClassificationFrameworkforMetricLearning方法。这篇文章提出的框架为研究人员提出新的度量学习模型提供了一个良好的平台。而且基于该框架提出了两个度量学习模型Doublet-SVM和Triplet-SVM。这两个模型可以使用SVM工具包有效地求解。实验结果表明，Doublet-SVM和Triplet-SVM的训练速度远高于目前很多先进的度量学习方法，并且识别率与这些度量学习方法差别不大。但是该方法存在的不足之处是，其一，对于其使用的人脸库，直接用训练样本训练分类器，无法对图像进行分层表示。其二，由于该方法中的两个模型Doublet-SVM和Triplet-SVM通过一个两步的贪婪策略来学习半正定度量矩阵具有一定的局限性。西安电子科技大学在其申请的专利“基于Cloude分解和K-wishart分布的极化SAR图像分类方法”(专利申请号201210414789.6，公开号CN102999761A)中公开了一种基于Cloude分解和K-wishart分布的极化SAR图像分类方法。该方法首先对图像的每个像素点进行Cloude分解，然后依据分解得到的熵H，散射角α对图像进行初始划分，再对划分结果进行K-wishart迭代，能一定程度上提高分类的准确度，降低计算复杂度，但是该方法存在的不足之处是，其一，对每个像素点进行Cloude分解，得到熵H，散射角α两个特征，对特征的提取不够全面合理，使得本专利技术对原始数据不够逼近，因而分类精度受限。其二，对于信息量更大的数据，处理速度太慢，时间复杂度太高。
技术实现思路
本专利技术的目的在于针对已有技术的不足，提出了一种基于深度学习和度量学习的极化SAR地物分类方法，本专利技术用栈式稀疏自编码器提取极化SAR图像的深层特征，然后利用度量学习分类器对深层特征进行分类，降低了时间复杂度并提高了分类精度，使分类结果更吻合真实地物。实现本专利技术目的基本思路是：首先，对待分类的极化SAR图像进行滤波、提取特征；然后，用栈式稀疏自编码器提取极化SAR图像的深层特征；最后，依据深层特征，利用度量学习分类器对极化SAR图像进行分类。为实现上述目的，本专利技术具体实现步骤包括如下：(1)输入待分类的极化SAR图像；(2)滤波：采用滤波窗口大小为7×7的Lee滤波方法，对待分类的极化SAR图像进行滤波，去除相干斑噪声，得到滤波后的极化SAR图像；(3)提取特征：(3a)计算散射熵、散射角两个散射参数；(3b)利用Freeman分解公式，计算散射功率；(3c)将滤波后的极化SAR图像中每个像素点的协方差矩阵、每个像素点的相干矩阵、散射熵H、散射角alpha、表面散射功率Ps、二面角散射功率Pd、体散射功率Pv、总功率特征参数SPAN，依次首尾相连组成每个像素点的特征向量；(4)选择训练样本和测试样本：(4a)根据真实的地物标记，将待分类的极化SAR图像分为15类；(4b)从每种类别中任意选取10％有标记样本的特征向量作为训练样本集；(4c)将所选取训练样本集后剩余90％有标记样本的特征向量，作为测试样本集；(4d)判断是否选取完训练样本集和测试样本集，如果是，则执行步骤(5)，否则，执行步骤(4b)；(5)训练栈式稀疏自编码器：(5a)将训练样本集输入到未经过训练的二层栈式稀疏自编码器中，对自编码器进行训练，得到并保存栈式稀疏自编码器的模型参数；(5b)将模型参数输入到softmax分类器中，训练softmax分类器；(5c)利用反向传播方法，对整个栈式稀疏自编码器进行微调，得到训练好的栈式稀疏自编码器；(5d)将训练样本集和测试样本集输入到训练好的栈式稀疏自编码器中，得到训练样本集的深层特征和测试样本集的深层特征；(6)训练度量学习分类器：(6a)将训练样本集的深层特征输入到未经过训练的二元组支持向量机模型中，利用二元组支持向量机模型的优化公式，计算模型参数，训练二元组支持向量机模型；(6b)将训练样本集的深层特征输入到未经过训练的三元组支持向量机模型中，利用三元组支持向量机模型的优化公式，计算模型参数，训练三元组支持向量机模型；(6c)将测试样本集的深层特征输入到训练好的二元组支持向量机模型中，得到分类结果；(6d)将测试样本集的深层特征输入到训练好的三元组支持向量机模型中，得到分类结果；(7)上色：(7a)将分类结果中标签相同的作为同一类别；(7b)按照红色、绿色、蓝色三基色上色法，对分类结果进行上色，同一类别上相同的颜色，得到上色后的分类结果图；(8)输出上色后的分类结果图。本专利技术与现有技术相比具有以下优点：第一，本专利技术在提取极化SAR图像特征时，将滤波后的极化SAR图像中每个像素点的协方差矩阵、每个像素点的相干矩阵、散射熵H、散射角alpha、表面散射功率Ps、二面角散射功率Pd、体散射功率Pv、总功率特征参数SPAN，依次首尾相连组成每个像素点的特征本文档来自技高网...

【技术保护点】
一种基于深度学习和度量学习的极化SAR地物分类方法，包括以下步骤：(1)输入待分类的极化SAR图像；(2)滤波；采用滤波窗口大小为7×7的Lee滤波方法，对待分类的极化SAR图像进行滤波，去除相干斑噪声，得到滤波后的极化SAR图像；(3)提取特征：(3a)计算散射熵、散射角两个散射参数；(3b)利用Freeman分解公式，计算散射功率；(3c)将滤波后的极化SAR图像中每个像素点的协方差矩阵、每个像素点的相干矩阵、散射熵H、散射角alpha、表面散射功率Ps、二面角散射功率Pd、体散射功率Pv、总功率特征参数SPAN，依次首尾相连组成每个像素点的特征向量；(4)选择训练样本和测试样本：(4a)根据真实的地物标记，将待分类的极化SAR图像分为15类；(4b)从每种类别中任意选取10％有标记样本的特征向量作为训练样本集；(4c)将所选取训练样本集后剩余90％有标记样本的特征向量，作为测试样本集；(4d)判断是否选取完训练样本集和测试样本集，如果是，则执行步骤(5)，否则，执行步骤(4b)；(5)训练栈式稀疏自编码器：(5a)将训练样本集输入到未经过训练的二层栈式稀疏自编码器中，对自编码器进行训练，得到并保存栈式稀疏自编码器的模型参数；(5b)将模型参数输入到softmax分类器中，训练softmax分类器；(5c)利用反向传播方法，对整个栈式稀疏自编码器进行微调，得到训练好的栈式稀疏自编码器；(5d)将训练样本集和测试样本集输入到训练好的栈式稀疏自编码器中，得到训练样本集的深层特征和测试样本集的深层特征；(6)训练度量学习分类器：(6a)将训练样本集的深层特征输入到未经过训练的二元组支持向量机模型中，利用二元组支持向量机模型的优化公式，计算模型参数，训练二元组支持向量机模型；(6b)将训练样本集的深层特征输入到未经过训练的三元组支持向量机模型中，利用三元组支持向量机模型的优化公式，计算模型参数，训练三元组支持向量机模型；(6c)将测试样本集的深层特征输入到训练好的二元组支持向量机模型中，得到分类结果；(6d)将测试样本集的深层特征输入到训练好的三元组支持向量机模型中，得到分类结果；(7)上色：(7a)将分类结果中标签相同的作为同一类别；(7b)按照红色、绿色、蓝色三基色上色法，对分类结果进行上色，同一类别上相同的颜色，得到上色后的分类结果图；(8)输出上色后的分类结果图。...

【技术特征摘要】
1.一种基于深度学习和度量学习的极化SAR地物分类方法，包括以下步骤：
(1)输入待分类的极化SAR图像；
(2)滤波；
采用滤波窗口大小为7×7的Lee滤波方法，对待分类的极化SAR图像进行滤波，去除相
干斑噪声，得到滤波后的极化SAR图像；
(3)提取特征：
(3a)计算散射熵、散射角两个散射参数；
(3b)利用Freeman分解公式，计算散射功率；
(3c)将滤波后的极化SAR图像中每个像素点的协方差矩阵、每个像素点的相干矩阵、散
射熵H、散射角alpha、表面散射功率Ps、二面角散射功率Pd、体散射功率Pv、总功率特征参数
SPAN，依次首尾相连组成每个像素点的特征向量；
(4)选择训练样本和测试样本：
(4a)根据真实的地物标记，将待分类的极化SAR图像分为15类；
(4b)从每种类别中任意选取10％有标记样本的特征向量作为训练样本集；
(4c)将所选取训练样本集后剩余90％有标记样本的特征向量，作为测试样本集；
(4d)判断是否选取完训练样本集和测试样本集，如果是，则执行步骤(5)，否则，执行步
骤(4b)；
(5)训练栈式稀疏自编码器：
(5a)将训练样本集输入到未经过训练的二层栈式稀疏自编码器中，对自编码器进行训
练，得到并保存栈式稀疏自编码器的模型参数；
(5b)将模型参数输入到softmax分类器中，训练softmax分类器；
(5c)利用反向传播方法，对整个栈式稀疏自编码器进行微调，得到训练好的栈式稀疏
自编码器；
(5d)将训练样本集和测试样本集输入到训练好的栈式稀疏自编码器中，得到训练样本
集的深层特征和测试样本集的深层特征；
(6)训练度量学习分类器：
(6a)将训练样本集的深层特征输入到未经过训练的二元组支持向量机模型中，利用二
元组支持向量机模型的优化公式，计算模型参数，训练二元组支持向量机模型；
(6b)将训练样本集的深层特征输入到未经过训练的三元组支持向量机模型中，利用三
元组支持向量机模型的优化公式，计算模型参数，训练三元组支持向量机模型；
(6c)将测试样本集的深层特征输入到训练好的二元组支持向量机模型中，得到分类结
果；
(6d)将测试样本集的深层特征输入到训练好的三元组支持向量机模型中，得到分类结
果；
(7)上色：
(7a)将分类结果中标签相同的作为同一类别；
...

【专利技术属性】
技术研发人员：焦李成，马文萍，王明洁，马晶晶，侯彪，杨淑媛，刘红英，冯婕，王蓉芳，
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