基于非线性投影字典对学习的极化SAR图像分类方法技术

本发明专利技术公开了一种基于非线性投影字典对学习的极化SAR图像分类方法，属于图像处理技术领域。本发明专利技术包括以下步骤：分别提取极化相干矩阵T和Cloude分解特征并合并；将合并的特征设置为每个像素点的原始特征，并将其中的元素分别归一化；从极化SAR图像中随机选取部分有标记样本作为训练样本；使用训练样本训练非线性投影字典对模型，直到模型收敛；使用训练好的模型对整幅极化SAR图像提取特征；将提取的特征输入到Softmax分类器，得到整幅极化SAR图像的分类结果。本发明专利技术可以以自适应的方式得到输入数据的元素之间的非线性关系，同时兼顾时间消耗，能得到良好的分类结果。

Polarimetric SAR image classification method based on nonlinear projection dictionary pair learning

【技术实现步骤摘要】
基于非线性投影字典对学习的极化SAR图像分类方法
本专利技术属于图像处理
，特别是指一种基于非线性投影字典对学习的极化SAR图像分类方法，可用于对极化SAR图像进行地物分类和目标识别。
技术介绍
极化SAR(SyntheticApertureRadar，合成孔径雷达)可以不受时间和天气的影响持续不断地提供质量很高的图像。而且，由于其丰富的极化信息，极化SAR已经被成功应用于农业、城市规划、军事、地质勘探和海洋监测等多个领域。随着极化SAR图像分类得到越来越多的关注，一系列相关算法也被提出，而稀疏表示是其中非常有代表性的方法。稀疏表示的核心原理是一个信号可以由字典中的原子构成的线性组合的方式近似表示。因此，字典学习是稀疏表示的核心要素。最近提出的投影字典对学习模型(DPL)，因为其架构简单、性能优良等优势，得到了越来越多的关注。然而，当下的字典学习算法一般是在数据原始空间进行特征学习及编码过程，无法获取数据间的非线性关系，限制了分类效果的进一步提高。
技术实现思路
本专利技术针对上述问题，提出了一种基于非线性投影字典对学习的极化SAR图像分类方法，该方法将非线性变换引入到稀疏表示模型中，得到了更好的极化SAR图像分类结果。为实现上述目的，本专利技术采用的技术方案如下：一种基于非线性投影字典对学习的极化SAR图像分类方法，包括如下步骤：步骤1，基于滤波后的极化SAR图像，分别提取极化相干矩阵T和Cloude分解特征，记作X；步骤2，将步骤1获取的X特征设置为每个像素点的原始特征，并将X中的元素分别归一化到[0，1]区间；步骤3，从极化SAR图像中随机选取部分有标记样本作为训练样本，标记为TrainData；步骤4，使用步骤3获取的训练样本训练非线性投影字典对学习模型，直到模型收敛；步骤5，使用步骤4训练好的非线性投影字典对学习模型对整幅极化SAR图像提取特征，记作F；步骤6，将步骤5获取的特征F输入到Softmax分类器，得到整幅极化SAR图像的分类结果。进一步的，所述步骤1的具体方式为：1a)提取极化SAR图像每个像素点的极化相干矩阵分别提取T12,T13,T23的实部和虚部以及矩阵T的对角线元素T11,T22,T33,标记为[T11,T22,T33,Re(T12),Re(T13),Re(T23),Im(T12),Im(T13),Im(T23)]，其中Re()和Im()分别表示实部与虚部；1b)对步骤1a)中得到的矩阵T进行Cloude分解，提取Cloude分解特征，记作[H,A,α,λ1,λ2,λ3]，其中H代表熵，α代表平均散射角，A代表各向异性参数，λ1,λ2,λ3代表非负特征值；1c)将步骤1a)与1b)得到的特征融合到一起，记作X。进一步的，所述步骤4的具体方式为：4a)非线性投影字典对学习模型表示为以下优化问题：式中，g和f代表非线性变换，X＝[X1,...,Xk,...,XK]代表输入数据，共有K类，代表Xk在输入数据中的补集，合成字典D＝[D1,...,Dk,...,DK]以及分析字典P＝[P1,...,Pk,...,PK]是模型要学习的字典对，di代表合成字典Dk的第i个原子，τ和λ为固定值，取值范围均为0～1，表示Xk在X中的补集，P*,A*,D*表示P,A,D的求解值，表示Frobenius范数的平方，表示2范数的平方；Ak＝Pkf(Xk)为编码过程，Xk＝Dkg(Ak)为解码过程；其中，分析字典Pk和合成字典Dk均通过Frobenius范数初始化为随机矩阵；4b)按照4c)～4e)中的更新方式，依次对Ak，Pk和Dk进行更新；重复该过程，直至目标函数收敛；4c)固定Pk和Dk，更新Ak；Ak的目标函数为：该目标函数的梯度为：式中，表示J(Ak)对Ak的偏导，g’(Ak)表示g(Ak)对Ak的导数，·代表矩阵点乘，上标T表示矩阵转置；Ak的更新公式为：式中，α表示学习速率；4d)固定Ak和Dk，更新Pk；Pk的目标函数为：Pk的更新公式为：式中，γ＝10e-4为一个常数，I表示单位矩阵；4e)固定Pk和Ak，更新Dk；Dk的目标函数为：引入一个变量M，将该目标函数转换为：通过ADMM算法求解转换后的目标函数，得到的解即为Dk的更新结果。进一步的，所述步骤5的具体方式为：5a)使用训练好的非线性投影字典对学习模型提取极化SAR图像的稀疏参数Ak＝Pkf(Xk)；5b)将提取好的稀疏参数组成特征F，即F＝[A1,...,Ak,...,AK]。本专利技术与现有技术相比具有如下优点：1、本专利技术在对极化SAR图像数据进行分类时，将极化相干矩阵和Cloude极化分解特征设置为输入特征，能够显著地提高极化SAR图像的分类结果。2、本专利技术在对极化SAR图像数据进行分类时，使用DPL模型作为基础模型，可以有效继承DPL模型的优良性能，即训练和测试阶段的高分类性能。3、本专利技术在对极化SAR图像数据进行分类时，将非线性变换引入到DPL模型，使得模型可以以自适应的方式提取极化SAR数据之间的非线性关系，有助于得到好的分类结果。附图说明图1是本专利技术实施例中极化SAR图像分类方法的流程图。图2是本专利技术实施例中仿真实验所用的一张地区图像，其中，(a)(b)分别表示Pauli伪彩色图和真实类标图。图3是对图2(a)进行分类的仿真效果图。图4是本专利技术实施例中仿真实验所用的另一张地区图像，其中，(a)(b)分别表示Pauli伪彩色图和真实类标图。图5是对图4(a)进行分类的仿真效果图。具体实施方式以下结合附图对本专利技术的技术方案做进一步的详细描述。如图1所示，一种基于非线性投影字典对学习的极化SAR图像分类方法，包括如下步骤：步骤1，基于滤波后的极化SAR图像，分别提取极化相干矩阵T和Cloude分解特征，记作X，其维度为15，具体步骤如下：1a)提取极化SAR图像每个像素点的极化相干矩阵T，维度为3×3，分别提取T12,T13,T23的实部和虚部以及T矩阵的对角线元素T11,T22,T33,标记为[T11,T22,T33,Re(T12),Re(T13),Re(T23),Im(T12),Im(T13),Im(T23)]，其中Re(Tij)和Im(Tij)分别表示Tij的实部与虚部；1b)对1a)中得到的T矩阵进行Cloude分解，提取Cloude分解特征，记作[H,A,α,λ1,λ2,λ3]，其中H代表熵，α代表平均散射角，A代表各向异性参数，λ1,λ2,λ3代表非负特征值；1c)将1a)与1b)得到的特征融合到一起，记作F。步骤2，将步骤1获取的X特征设置为每本文档来自技高网...

【技术保护点】
1.一种基于非线性投影字典对学习的极化SAR图像分类方法，其特征在于，包括如下步骤：/n步骤1，基于滤波后的极化SAR图像，分别提取极化相干矩阵T和Cloude分解特征，记作X；/n步骤2，将步骤1获取的X特征设置为每个像素点的原始特征，并将X中的元素分别归一化到[0，1]区间；/n步骤3，从极化SAR图像中随机选取部分有标记样本作为训练样本，标记为TrainData；/n步骤4，使用步骤3获取的训练样本训练非线性投影字典对学习模型，直到模型收敛；/n步骤5，使用步骤4训练好的非线性投影字典对学习模型对整幅极化SAR图像提取特征，记作F；/n步骤6，将步骤5获取的特征F输入到Softmax分类器，得到整幅极化SAR图像的分类结果。/n

【技术特征摘要】
1.一种基于非线性投影字典对学习的极化SAR图像分类方法，其特征在于，包括如下步骤：
步骤1，基于滤波后的极化SAR图像，分别提取极化相干矩阵T和Cloude分解特征，记作X；
步骤2，将步骤1获取的X特征设置为每个像素点的原始特征，并将X中的元素分别归一化到[0，1]区间；
步骤3，从极化SAR图像中随机选取部分有标记样本作为训练样本，标记为TrainData；
步骤4，使用步骤3获取的训练样本训练非线性投影字典对学习模型，直到模型收敛；
步骤5，使用步骤4训练好的非线性投影字典对学习模型对整幅极化SAR图像提取特征，记作F；
步骤6，将步骤5获取的特征F输入到Softmax分类器，得到整幅极化SAR图像的分类结果。


2.根据权利要求1所述的一种基于非线性投影字典对学习的极化SAR图像分类方法，其特征在于，所述步骤1的具体方式为：
1a)提取极化SAR图像每个像素点的极化相干矩阵分别提取T12,T13,T23的实部和虚部以及矩阵T的对角线元素T11,T22,T33,标记为[T11,T22,T33,Re(T12),Re(T13),Re(T23),Im(T12),Im(T13),Im(T23)]，其中Re()和Im()分别表示实部与虚部；
1b)对步骤1a)中得到的矩阵T进行Cloude分解，提取Cloude分解特征，记作[H,A,α,λ1,λ2,λ3]，其中H代表熵，α代表平均散射角，A代表各向异性参数，λ1,λ2,λ3代表非负特征值；
1c)将步骤1a)与1b)得到的特征融合到一起，记作X。


3.根据权利要求2所述的一种基于非线性投影字典对学习的极化SAR图像分类方法，其特征在于，所述步骤4的具体方式为：
4a)非线性投影字典对学习模型表示为以下优化问题：



式中，g和f代表非线性变换，X＝[X1,...,Xk,...,XK]代...

【专利技术属性】
技术研发人员：陈彦桥，柴兴华，张小龙，关俊志，王雅涵，张泽勇，蔡迎哲，高峰，李娜，何静芳，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：河北;13