基于空间信息和深度学习的极化SAR图像分类方法技术

本发明专利技术提出了一种基于空间信息和深度学习的极化SAR图像分类方法，用于解决现有技术中存在的图像分类准确率低的技术问题，实现步骤为：对极化相干矩阵进行滤波；计算极化SAR图像的空间信息；获取多维特征极化SAR图像；使用多维极化SAR图像对深度置信网络进行深度学习；利用训练好的深度置信网络对待分类图像进行分类；得到分类标签，并得到彩色分类结果图。本发明专利技术结合了极化SAR图像的空间信息，获取了多维特征的极化SAR图像，并使用多维特征的极化SAR图像像素作为深度置信网络的输入，有效提高了极化SAR图像分类的准确率，可用于极化SAR图像的地物分类和识别等。

【技术实现步骤摘要】
基于空间信息和深度学习的极化SAR图像分类方法
本专利技术属于图像处理
，涉及一种极化SAR图像分类方法，具体涉及一种基于空间信息和深度学习的极化SAR图像分类方法，可用于对极化SAR图像的地物进行分类和识别等任务。
技术介绍
SAR是合成孔径雷达，是一种先进的遥感成像系统，具有全天时、全天候、分辨率高等优点。极化SAR是具有多通道的合成孔径雷达，它是SAR的一个重要组成部分，因此，相比SAR可以获取目标更丰富的信息，对极化SAR图像的解译比其他普通的遥感图像相比，更具有研究价值，极化SAR图像分类是一种重要的解译极化SAR数据的方式。随着人工智能的发展，机器学习越来越多的应用到极化SAR图像分类上，深度学习作为机器学习的一个分支，也被应用到极化SAR分类上，并得到了不错的分类效果。根据极化SAR图像分类过程中，是否有人工参与可以将极化SAR分类方法分为有监督分类和无监督分类。无监督分类是指分类过程中不需要人工参与，如大多数的基于散射机理的算法，经典的算法包括Cloude等人提出的基于H/α分解的无监督分类算法，它是根据分解得到散射熵和平均散射角将目标分为八种类别，这种方法只利用了这两个参数，没有充分利用极化SAR的极化信息，导致分类准确率较低；有监督分类是指分类过程中需要人工参与，如基于极化SAR数据分布特性的最大似然分布；基于后向传播神经网络的极化SAR图像分类算法，这种算法收敛速度慢，并且容易陷入局部最优。根据有监督分类算法和无监督分类算法的各自的优缺点，有学者将两者结合，提出了半监督的分类算法，这种方法可以很好地弥补有监督和无监督算法的缺点，并将其优点相结合，如Q.Lv等人利用GRBM，即Gaussian-BernoulliRBM，对极化SAR图像进行分类，见Q.Lvetal，“UrbanlanduseandlandcoverclassificationusingremotelysensedSARdatathroughdeepbeliefnetworks,”J.Sensors，vol.2015，2015，Art.ID538063，公开了一种基于深度置信网络的分类方法，该方法使用极化SAR数据的极化相干矩阵作为深度置信网络的输入数据对城市地图进行分类，利用了深度置信网络的有监督和无监督的优势，但并没有考虑将多维特征极化SAR图像作为输入数据，因此无法提取完备的图像信息，导致图像分类的准确率低。
技术实现思路
本专利技术的目的在于克服上述现有技术存在的缺陷，提出了一种基于空间信息和深度学习的极化SAR图像分类方法，用于解决现有技术中存在的图像分类准确率低的技术问题。本专利技术的技术思路是：利用极化SAR图像的空间信息，结合了极化SAR图像的散射特性和纹理特性，包括H/A/alpha分解、Freeman分解特征和代表不同物理散射机理的SPAN图提取的纹理特征，从而获取多维特征的极化SAR图像，并使用多维特征的极化SAR图像像素训练深度置信网络，从而实现空间信息和深度学习相结合的极化SAR图像分类。根据上述技术思路，实现本专利技术目的采取的技术方案包括如下步骤：(1)将输入的极化SAR图像使用极化相干矩阵表示，并对极化相干矩阵进行滤波，得到滤波后的极化相干矩阵T；(2)根据滤波后的极化相干矩阵T，计算极化SAR图像的空间信息：2a)对滤波后的极化相干矩阵T进行线性变换，得到极化协方差矩阵C，并根据极化协方差矩阵C，计算极化SAR图像总功率；2b)对滤波后的极化相干矩阵T进行特征值分解，并利用分解结果计算H/A/alpha分解参数和极化SAR图像H/A/alpha分解总功率；2c)对滤波后的极化相干矩阵T进行Freeman分解，得到Freeman分解参数，并利用Freeman分解参数计算极化SAR图像Freeman分解总功率；2d)计算极化SAR图像总功率纹理参数、H/A/alpha分解总功率纹理参数和Freeman分解总功率纹理参数；(3)利用极化SAR图像的空间信息，获取多维特征极化SAR图像：3a)对滤波后的极化相干矩阵T进行向量化，得到极化SAR图像的向量表示；3b)将极化SAR图像的向量表示与极化SAR图像的空间信息进行融合，得到多维特征极化SAR图像；(4)利用多维特征极化SAR图像对深度置信网络进行深度学习：4a)将多维特征极化SAR图像像素输入深度置信网络中，并对该深度置信网络的参数进行无监督训练，得到无监督训练后的深度置信网络；4b)从多维特征极化SAR图像中随机选取一定比例的像素作为带标签数据，并利用选取的带标签数据对无监督训练后的深度置信网络的参数进行微调，得到训练好的深度置信网络；(5)将待分类极化SAR图像像素输入到训练好的深度置信网络中，得到每个像素所属的类别标签，并用红色、绿色和蓝色三个颜色作为三基色，对类别标签上色，得到最终彩色分类结果图。本专利技术与现有的技术相比，具有以下优点：本专利技术由于在实现对极化SAR图像进行分类的过程中，结合了极化SAR图像的极化相干矩阵、H/A/alpha分解、Freeman分解以及极化SAR图像的纹理特征，充分利用了极化散射信息和空间纹理信息，提取了极化SAR图像更丰富的特征，与现有技术相比，有效地提高了图像分类的准确率。附图说明图1是本专利技术的实现流程图；图2是本专利技术与现有的基于极化相干矩阵为输入数据的DBN分类算法的西安渭河地区的仿真结果图。具体实施方式以下结合附图和具体实施例，对本专利技术进行进一步详细说明。参照图1，基于空间信息和深度学习的极化SAR图像分类方法，包括如下步骤：步骤1，将输入的极化SAR图像使用极化相干矩阵表示，并对极化相干矩阵进行滤波，得到滤波后的极化相干矩阵T，具体采用的滤波方法为精致Lee滤波；步骤2，根据滤波后的极化相干矩阵T，计算极化SAR图像的空间信息，通过如下步骤实现：步骤2a，对滤波后的极化相干矩阵T进行线性变换，得到极化协方差矩阵C，并根据极化协方差矩阵C，计算极化SAR图像总功率，计算公式为：SPAN1＝C11+C22+C33(1)其中，SPAN1为极化SAR图像总功率，C11、C22和C33分别表示极化协方差矩阵C的主对角线元素，C＝A-1TA，A为变换矩阵，A-1表示变换矩阵A的逆矩阵，且步骤2b，因为极化相干矩阵T为半正定哈密特矩阵，因此进行特征值分解，可以表示为如下形式：T＝UΛU*(2)其中，U为酉矩阵，它的列对应着滤波后的极化相干矩阵T的特征向量，U*表示酉矩阵U的共轭转置矩阵，Λ为对角矩阵，是由滤波后的极化相干矩阵T的特征值构成的实对角矩阵，可以表示为：其中，λ1,λ2和λ3分别表示滤波后的极化相干矩阵T的三个特征值。步骤2c，利用滤波后的极化相干矩阵T的特征值分解结果计算H/A/alpha分解参数和H/A/alpha分解总功率，，计算公式分别为：SPAN2＝λ1+λ2+λ3(7)其中，H为散射熵，用来反应目标散射随机性，A为反熵，反应了优势散射机制以外的两个散射分量间的关系，为平均散射角，∑表示求和操作，λi、λj为滤波后的极化相干矩阵T的特征值，i,j分别对应第几个特征值，cos-1表示反余弦操作，|·|为取模操作，U1i表示酉矩阵U第一行第i列元素，SPAN2为极化SAR图像H/A/alp本文档来自技高网...

【技术保护点】
基于空间信息和深度学习的极化SAR图像分类方法，包括如下步骤：(1)将输入的极化SAR图像使用极化相干矩阵表示，并对极化相干矩阵进行滤波，得到滤波后的极化相干矩阵T；(2)根据滤波后的极化相干矩阵T，计算极化SAR图像的空间信息：2a)对滤波后的极化相干矩阵T进行线性变换，得到极化协方差矩阵C，并根据极化协方差矩阵C，计算极化SAR图像总功率；2b)对滤波后的极化相干矩阵T进行特征值分解，并利用分解结果计算H/A/alpha分解参数和极化SAR图像H/A/alpha分解总功率；2c)对滤波后的极化相干矩阵T进行Freeman分解，得到Freeman分解参数，并利用Freeman分解参数计算极化SAR图像Freeman分解总功率；2d)计算极化SAR图像总功率纹理参数、H/A/alpha分解总功率纹理参数和Freeman分解总功率纹理参数；(3)利用极化SAR图像的空间信息，获取多维特征极化SAR图像：3a)对滤波后的极化相干矩阵T进行向量化，得到极化SAR图像的向量表示；3b)将极化SAR图像的向量表示与极化SAR图像的空间信息进行融合，得到多维特征极化SAR图像；(4)利用多维特征极化SAR图像对深度置信网络进行深度学习：4a)将多维特征极化SAR图像像素输入深度置信网络中，并对该深度置信网络的参数进行无监督训练，得到无监督训练后的深度置信网络；4b)从多维特征极化SAR图像中随机选取一定比例的像素作为带标签数据，并利用选取的带标签数据对无监督训练后的深度置信网络的参数进行微调，得到训练好的深度置信网络；(5)将待分类极化SAR图像像素输入到训练好的深度置信网络中，得到每个像素所属的类别标签，并用红色、绿色和蓝色三个颜色作为三基色，对类别标签上色，得到最终彩色分类结果图。...

【技术特征摘要】
1.基于空间信息和深度学习的极化SAR图像分类方法，包括如下步骤：(1)将输入的极化SAR图像使用极化相干矩阵表示，并对极化相干矩阵进行滤波，得到滤波后的极化相干矩阵T；(2)根据滤波后的极化相干矩阵T，计算极化SAR图像的空间信息：2a)对滤波后的极化相干矩阵T进行线性变换，得到极化协方差矩阵C，并根据极化协方差矩阵C，计算极化SAR图像总功率；2b)对滤波后的极化相干矩阵T进行特征值分解，并利用分解结果计算H/A/alpha分解参数和极化SAR图像H/A/alpha分解总功率；2c)对滤波后的极化相干矩阵T进行Freeman分解，得到Freeman分解参数，并利用Freeman分解参数计算极化SAR图像Freeman分解总功率；2d)计算极化SAR图像总功率纹理参数、H/A/alpha分解总功率纹理参数和Freeman分解总功率纹理参数；(3)利用极化SAR图像的空间信息，获取多维特征极化SAR图像：3a)对滤波后的极化相干矩阵T进行向量化，得到极化SAR图像的向量表示；3b)将极化SAR图像的向量表示与极化SAR图像的空间信息进行融合，得到多维特征极化SAR图像；(4)利用多维特征极化SAR图像对深度置信网络进行深度学习：4a)将多维特征极化SAR图像像素输入深度置信网络中，并对该深度置信网络的参数进行无监督训练，得到无监督训练后的深度置信网络；4b)从多维特征极化SAR图像中随机选取一定比例的像素作为带标签数据，并利用选取的带标签数据对无监督训练后的深度置信网络的参数进行微调，得到训练好的深度置信网络；(5)将待分类极化SAR图像像素输入到训练好的深度置信网络中，得到每个像素所属的类别标签，并用红色、绿色和蓝色三个颜色作为三基色，对类别标签上色，得到最终彩色分类结果图。2.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法，步骤(1)所述的对极化相干矩阵进行滤波，采用精致Lee滤波方法。3.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法，步骤2a)所述的计算极化SAR图像总功率，计算公式为：SPAN1＝C11+C22+C33(1)其中，SPAN1为极化SAR图像总功率，C11、C22和C33分别表示极化协方差矩阵C的主对角线元素，C＝A-1TA，A为变换矩阵，A-1表示变换矩阵A的逆矩阵，且4.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法，步骤2b)所述的计算H/A/alpha分解参数和极化SAR图像H/A/alpha分解总功率，实现步骤为：2b1)将滤波后的极化相干矩阵T进行特征值分解，用如下公式表示：T＝UΛU*(2)其中，U为酉矩阵，U*表示酉矩阵U的共轭转置矩阵，Λ为对角矩阵，可以表示为：其中，λ1,λ2和λ3分别表示滤波后的极化相干矩阵T的三个特征值；2b2)计算极化SAR图像的H/A/alpha分解参数和H/A/alpha分解总功率，计算公式分别为：SPAN2＝λ1+λ2+λ3(7)其中，H为散射熵，A为反熵，为平均散射角，∑表示求和操作，λi、λj为滤波后的极化相干矩阵T的特征值，i,j分别对应第几个特征值，cos-1表示反余弦操作，|·|为取模操作，U1i表示酉矩阵U第一行第i列元素，SPAN2为极化SAR图像H/A/alpha分解总功率。5.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法，步骤2c)所述的计算极化S...

【专利技术属性】
技术研发人员：侯彪，焦李成，侯伟丹，王爽，马晶晶，马文萍，冯婕，张小华，
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