一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法技术

一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法，属于计算机遥感影像处理与模式识别领域。步骤如下：首先对合成孔径雷达遥感图像进行预处理，得到地理坐标位置准确、相干斑噪声低、图像可视性高的遥感图像；其次，提取雷达遥感图像的纹理特征和轮廓特征；然后，对纹理图像和轮廓图像进行超像素分割；最后，将超像素块特征图像输入到分类识别器中，获得分类识别结果。本发明专利技术的效果和益处是能够大幅度地提高合成孔径雷达遥感图像的有监督分类精度。

A deep cooperative sparse coding network for ocean floating raft recognition in SAR Remote Sensing Images

An ocean raft recognition method for SAR remote sensing images based on depth cooperative sparse coding network belongs to the field of computer remote sensing image processing and pattern recognition. The steps are as follows: firstly, the SAR remote sensing image is preprocessed to obtain the remote sensing image with accurate geographic coordinates, low speckle noise and high visibility; secondly, the texture and contour features of the radar remote sensing image are extracted; secondly, the texture and contour images are segmented by super-pixels; lastly, the texture and contour images are segmented by super-pixels. The super pixel feature image is input to the classifier and the classification result is obtained. The effect and benefit of the present invention is that the supervised classification accuracy of SAR remote sensing images can be greatly improved.

【技术实现步骤摘要】
一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法
本专利技术属于计算机合成孔径雷达(SAR)遥感影像处理与模式识别领域，涉及一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法。
技术介绍
传统聚类方法仅对球状分布的目标样本数据具有较好的聚类效果，然而在实际SAR图像处理过程中通常无法提前获知浮筏养殖分布类型，故采用有监督算法。有监督算法根据SAR图像遥感数据本身的特点，通过训练样本进行学习，从而实现不同类型目标分类。张红等提出面向对象的高分辨率SAR图像处理用于海洋目标识别和提取(张红,叶曦,王超,张波,吴樊,汤益先.面向对象的高分辨率SAR图像处理及应用.中国图象图形学报,2014,19(3):344-357.)。Regniers等采用基于小波变换和纹理特征结合的方法实现潮间带底播贝类养殖分类(RegniersO,BombrunL,IleaI,LafonV,GermainC.Classificationofoysterhabitatsbycombiningwavelet-basedtexturefeaturesandpolarimetricSARdescriptors.2015IEEEInternationalGeoscienceandRemoteSensingSymposium,Milan,Italian,2015,3890-3893.)。将小波特征和灰度共生矩阵特征结合，通过稀疏表示的方法可以实现浮筏养殖自动提取(FanJC,ChuJL,GengJ,ZhangFS.FloatingRaftAquacltureInformationAutomaticExtractionBasedonHighResolutionSARImages.2015InternationalGeoscienceandRemoteSensingSymposium,Milan,Italian,2015,3898-3901.)。谷雨等提取Gabor小波系数和灰度共生矩阵构成候选特征集合，使用二值混合优化算法实现SAR图像特征选择，提高了识别精度(张琴,谷雨,徐英,赖晓平.混合智能优化算法的SAR图像特征选择.遥感学报,2016,20(1):73-79.)。神经网络方法可以基于不同海域数据本身特点进行并行自适应学习，在有监督遥感图像分类领域中，获得广泛地关注。Chen等(利用模糊神经网络进行SAR图像分割，提升了算法的自适应性和灵活性ChenCT,ChenKS,LeeJS.TheuseoffullypolarimetricinformationforthefuzzyneuralclassificationofSARimages.IEEETransactionsonGeoscienceandRemoteSensing,2003,41(9):2089-2100.)。Liu等将稀疏表示和支持向量机相结合，组成决策融合框架提高极化SAR图像目标识别的精度(LiuHC,LiST.DecisionfusionofsparserepresentationandsupportvectormachineforSARimagetargetrecognition.Neurocomputing,2013,113:97-104.)。Mairal等提出稀疏编码-池化分类算法(Lasso-Pooling)，先采用Lasso算法对每个像素点稀疏编码得到稀疏向量，然后对超像素分割后同一像素块的各个像素点稀疏向量采用最大值池化(MaxPooling)得到一个稀疏向量，最后利用联合稀疏表示分类器进行分类(MairalJ,BachF,PonceJ.Sparsemodelingforimageandvisionprocessing.Foundations&TrendsinComputerGraphics&Vision,2014,8(2):85-283)。Pratola等通过多层神经网络模型对X波段全极化SAR图像进行分类，从而实现土地使用和覆盖范围的监测(PratolaC,FrateFD,SchiavonG,SoliminiD.TowardfullyautomaticdetectionofchangesinsuburbanareasfromVHRSARimagesbycombiningmultipleneural-networkmodels.IEEETransactionsonGeoscienceandRemoteSensing,2013,51(4):2055-2066.)。Kiranyaz等采用进化的方式构建集成神经网络模型框架，在Pauli分解的基础上，采用投票机制提高全极化SAR图像的分类精度(KiranyazS,InceT,UhlmannS,andGabboujM.CollectivenetworkofbinaryclassifierframeworkforpolarimetricSARimageclassification:Anevolutionaryapproach.IEEETransactionsonSystems,Man,andCybernetics,PartB:Cybernetics,2012,42(4):1169-1186.)。特征提取和组合表示都需要大量的经验知识和人为地参数设置，这个过程比较复杂而且效率较低，尤其是当图像分辨率较高、尺寸较大时，更增加了特征表示的难度。近年来，深度学习方法被用于特征自主学习和表示，表现出极其优异的性能(HintonG,OsinderoS,TehYW.Afastlearningalgorithmfordeepbeliefnets.Neuralcomputation,2006,18(7):1527-1554.)。深度学习网络具有类似于人脑感知视觉的层次化结构，不过分依赖研究人员的经验知识，能逐层抽象学习数据的特征，从而发现数据的内在结构信息并改善分类识别的效果。常用的深度网络结构有深度置信网络、卷积神经网络和堆叠自动编码器。何楚等利用基于多层反卷积网络的特征编码，学习不同层次上的图像特征，最后将该特征用于支持向量机分类，获得较好的结果(王云艳,何楚,赵守能,陈东,廖明生.基于多层反卷积网络的SAR图像分类.武汉大学学报(信息科学版),2015,40(10):1371-1376.)。然而，如何构建新的深度学习神经网络模型，进行特征协同自学习，获得浮筏养殖不同类别样本的最大差异特征，从而实现浮筏养殖不同类型的精细提取，仍有待于进一步探索研究。
技术实现思路
针对现有技术存在的可见光遥感图像无法完全准确地获取养殖目标问题，和海洋合成孔径雷达遥感图像包含大量相干噪声，图像特征单一，目标识别难度大的问题。本专利技术提供一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法。本专利技术的技术方案如下：一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法，包括以下步骤：第一步，对合成孔径雷达遥感图像(SAR图像)进行预处理，得到地理坐标位置准确、相干斑噪声低、图像可视性高的遥感图像；第二步，遥感图像进行特征提取，得到遥感图像的纹理特征图像和轮廓特征图像；对遥感图像的特征提取操作，本文档来自技高网...

【技术保护点】
1.一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法，其特征在于以下步骤：第一步，对合成孔径雷达遥感图像进行预处理，得到地理坐标位置准确、相干斑噪声低、图像可视性高的SAR图像；预处理包括几何校正处理、增强Lee滤波处理、灰度拉伸处理；第二步，特征提取对第一步得到的SAR图像进行纹理特征、轮廓特征提取，提取SAR图像中的纹理特征和轮廓特征，得到SAR图像的纹理特征图像和轮廓特征图像；第三步，对纹理特征图像和轮廓特征图像的超像素进行分割处理，得到超像素块的特征图像；采用基于几何流的水平集方法TurboPixels，将SAR图像分割成M个超像素块{S1,S2,…,SM}；过程如下：选择个M个像素点作为种子像素点分布在整个遥感图像中，种子像素点之间的距离近似等于

【技术特征摘要】
1.一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法，其特征在于以下步骤：第一步，对合成孔径雷达遥感图像进行预处理，得到地理坐标位置准确、相干斑噪声低、图像可视性高的SAR图像；预处理包括几何校正处理、增强Lee滤波处理、灰度拉伸处理；第二步，特征提取对第一步得到的SAR图像进行纹理特征、轮廓特征提取，提取SAR图像中的纹理特征和轮廓特征，得到SAR图像的纹理特征图像和轮廓特征图像；第三步，对纹理特征图像和轮廓特征图像的超像素进行分割处理，得到超像素块的特征图像；采用基于几何流的水平集方法TurboPixels，将SAR图像分割成M个超像素块{S1,S2,…,SM}；过程如下：选择个M个像素点作为种子像素点分布在整个遥感图像中，种子像素点之间的距离近似等于其中N表示图像的总像素数；将每一个种子像素点周围相距1个像素点的所有像素点作为初始边界，将初始边界向外距离4个像素的区域作为曲线演变的范围；迭代演变各个时刻的初始边界，得到初始分割图，再估计未分割区域的基本结构，更新每个边界点和未分割的靠近边界点的速率，直至边界没有变化，即当所有边界点的变化速率接近0时，得到超像素块的特征图像；第四步，分类识别将第三步得到的超像素块特征图像输入到深度协同稀疏编码网络分类识别器中，获得分类识别结果；(1)构建深度协同稀疏编码DCSCN网络结构将多个协同稀疏编码器堆叠起来构成深度协同稀疏编码DCSCN网络；DCSCN网络共包含L层，第1层到第L-1层网络为协同稀疏编码器，第L层网络为Softmax分类器；表示输入到DCSCN网络的第i个像素块的Si个像素点的特征组，其中表示xi,1对应的R维特征；DCSCN网络中各层协同稀疏编码器的编码、解码过程如下：设第k层协同稀疏编码器的输入样本特征为进行线性映射得到通过隐含层激励元得到编码结果同样，解码过程也是先进行线性映射得到再通过输出层激励元得到解码输出为了让输入样本特征逼近整个超像素块的平均特征，网络中解码层的期望输出为表示第i个超像素块的特征平均值；网络参数W和b通过训练学习来确定；为了进行协同表示，各层协同稀疏编码器的输入对输出进行约束，即每个特征的输出与输入的这组特征的平均值接近；因此，在前向逐层训练过程中，每层参数都是将特征组的特征依次输入网络后确定的；完成逐层贪心训练后，整个网络的参数通过后向反馈整体微调；(2)DCSCN网络训练DCSCN网络需要先确定各层参数，然后再进行分类识别；DCSCN网络各层参数的优化过程分为预训练pre-training和整体微调fine-tune；所述的预训练是逐层优化各层网络的参数；所述的整体微调是从顶层引入标签信息优化整个网络参数，使得网络输出的特征更适合于分类器；训练样本指用于训练模型参数的样本集，测试样本指检验最终选择最优的模型的性能的样本集；1)DCSCN网络预训练预训练过程是将训练样本的特征输入到DCSCN网络，逐层训练得到各层网络的参数，所述的参数包括权重和偏置；对于第k层网络，参数优化的目标函数为：其中，代表样本总数目，λ是权重衰减系数；是权重衰减项，保证权重值不会过大；β表示稀疏性惩罚因子权重，lk代表第k层协同稀疏编码器的隐含层节点个数；是稀疏性惩罚项，通过相对熵KL计算，公式如下：其中，ρ是稀疏性参数；表示第j个隐含单元在所有超像素块特征组编码后的平均激励值，其中的大小由网络权重和偏置决定；ρ是人为设定的接近0的数值，目的是让的值接近0，隐含层输出的值接近0，保证隐含层具有稀疏性；目标函数(5)利用约束项求解网络权重和偏置，目的是使网络的隐含层输出具有稀疏性；通过梯度下降法确定网络参数，公式(5)目标函数具体求解过程如下：对于第k层网络，设定：其中，表示稀疏项偏导，f′(·)表示sigmoid函数的导函数；这样，目标函数的偏导数如下2)DCSCN网络整体微调通过预训练得到的各层网络的参数，在第L层网络中加入训练样本标签信息优化整个网络参数，使网络输出的特征更适合于Softmax分类器，即...

【专利技术属性】
技术研发人员：范剑超，赵建华，张丰收，耿杰，胡园园，王心哲，
申请(专利权)人：国家海洋环境监测中心，
类型：发明
国别省市：辽宁,21