基于深度置信网的极化sar图像分割的制作方法
【专利摘要】本发明公开了一种基于深度置信网(DBN，deep belief network)的极化SAR图像分割方法，它将深度学习理论学习特征的优势应用于极化SAR图像分割问题。其分割过程为：对极化SAR数据进行精致Lee滤波；极化SAR相干矩阵T进行H/α分解得到其参数特征；分别从相关矩阵T的主对角线上的3个通道提取灰度共生矩阵，并计算对比度、相干、能量、逆差距4个特征；将上述特征和相干矩阵中的元素组合在一起去训练一个2层的DBN网络；将极化SAR数据输入到DBN网络中进行分类，并显示分类结果图。本发明结合了散射特征和灰度共生矩阵特征，具有保留信息完整的优点，并可以逐层的学习特征，可用于极化SAR图像目标识别。
【专利说明】基于深度置信网的极化SAR图像分割
【技术领域】
[0001] 本发明属于SAR(合成孔径雷达）图像处理领域，特别是一种涉及极化SAR图像分 割的方法，可应用于目标识别和分类。
【背景技术】
[0002] 合成孔径雷达（SAR)技术作为一个重要的工具被广泛地应用于军事探测、资源勘 探、城市发展规划和海洋研究。与单极化SAR相比，极化SAR进行的是全极化测量，利用电 磁波的矢量特性，能够全面获得目标散射特性信息。极化SAR的出现，大大拓宽了 SAR的应 用领域，人们能从极化SAR中提取更多关于地球物理的信息应用于各种民用领域和军事领 域。随着越来越多的星载及机载的极化系统的使用，大量关于地物信息的极化数据得到收 集及记录，因此利用这些丰富的极化数据中进行分类在遥感领域受到高度重视，已成为SAR 图像分类的主要研究方向。
[0003] 针对极化SAR图像的以上特点，经典极化SAR图像分类方法有无监督和有监督两 大类：
[0004] 在无监督极化SAR图像分类方法中，特征一般都是人为的手动选择的。最经典的 无监督极化SAR方法是由Lee提出来的，他使用了由Cloude和Pottier提出的Η/α特征分 解方法，其核心是对Η/α平面进行划分，然后根据Η/α值把各像素化为相应区域的类别， 这样得到了初始分割，然后利用多视的极化SAR数据符合复Wishart分布的特性多次迭代 得到最终的分类的结果。另一个比较著名的无监督方法是在2004年，结合Freeman分解和 基于Wishart分布的ML分类器，Lee等人又提出了一种性能优良的极化分类方法。该方法 的基本思想是先进行Freeman分解，把像素分成表面散射、偶次散射和体散射三类，然后分 别对各类像素进行聚类和迭代分类。
[0005] 与无监督分类方法相比，监督分类的优势在于它能够通过较为理想的训练样本获 取更高的分类精度。目前全极化SAR数据监督分类方法主要有Kong等人提出的基于最大 似然的分类方法、Lee提出的基于Wishart分布的最大似然分类方法。此外利用神经网络对 极化SAR数据进行监督分类也是比较常用的方法。1991年，Pottier首次利用神经网络中 的多层感知器对极化SAR图像进行分类。该方法采用后向传播算法对网络进行训练。2010 年，土耳其伊兹密尔经济大学的Turker Ince基于径向基网络函数（RBF)的极化SAR图像 分类方法。该方法利用相干矩阵特征、灰度共生矩阵的纹理特征以及Η/α分解出来的出来 的特征输入到径向基网络函数进行分类。
[0006] 近年来提出的深度学习理论引起了诸多学者的关注。深度学习采用逐层贪婪的无 监督训练方法，能够自动逐层的提取特征，解决了 BP神经网络容易收敛到局部最优，计算 复杂等缺点，并且在语音识别、自然语言处理、自然图像分类等领域显示了巨大的优势。
【发明内容】
[0007] 本发明的目的在于利用深度学习方法在特征提取方面的优势，提出一种基于深度 置信网（DBN，De印Belief Networks)的极化SAR图像分割方法，提高了区域一致性，保证 了图像分割信息的完整性，提高SAR图像分割的质量。
[0008] 实现本发明目的的技术方案是：结合使用极化SAR图像的散射特征（相干矩阵元 素和H/α分解的参数）和数字图像特征（灰度共生矩阵的参数），保证了图像信息的完整 性，充分挖掘图像中的纹理信息，构建出具有多个无监督模型（这里指RBM，限制玻尔兹曼 机）组成的DBN模型，有效的克服了传统神经网络容易收敛到局部最优，计算复杂等缺陷。 其具体实现过程如下：
[0009] (1)对待分割极化SAR图像的相干矩阵T进行精致Lee滤波；
[0010] (2)对滤波后的相干矩阵T进行H/ α分解得到特征：
[0011] feature-Halpha ={ α，Α，Η，入 i，入 2，入 3, span}
[0012] 其中α为平均散射角，A为各向异性系数，H为散射熵，A1, λ 2, λ 3分解出来的3 个特征值，span为功率值。各向异性系数A用于表征第二、三种散射机制的相对重要性。
[0013] (3)从相关矩阵T取主对角线上的三个元素依次得到3个通道的灰度图像iml、 im2、im3,利用灰度共生矩阵提取纹理，分别得到对比度、相干、能量、逆差距共12个参数：
[0014] feature_GLCM = (Con1, Cor1, Enr1, Hom1, Con2, Cor2, Enr2, Hom2, Con3, Cor3, Enr3, H om3}
[0015] 其中，Con表示灰度共生矩阵的对比度，Cor表示相干，Enr表示能量，Hom表示，下 标数字1，2,3对应着灰度图像iml，im2和im3 ;
[0016] (4)将H/α分解参数特征feature_Halpha、灰度共生矩阵特征feature_GLCM和 原始的T矩阵元素组合在一起，这样就得到极化SAR图像散射点的表示；
[0017] (5)将组合在一起的特征输入到两个叠在一起的受限玻尔兹曼机（RBM)进行预训 练得到参数;
[0018] 其中Wi表示第i个RBM中节点连接的权值矩阵，b i表示第i个RBM的节点的偏置， i = 1,2 ；
[0019] (6)将输入（极化SAR图像散射点的表示）在预训练得到的参数下投影得到最终 的特征feature,然后输入到softmax分类器下训练softmax的参数Θ ;
[0020] (7)使用一些有标签的样本利用BP算法对整个网络进行反向微调得到最终的网 络（DBN 网络）参数 P = Iffs1, bSl，Ws2, bs2, Θ s};
[0021] 其中Wsi, bSi表示BP微调之后的网络中的权值和偏置，i = 1，2 ; Θ s为微调之后 的softmax分类器的参数；
[0022] (8)将全部的极化SAR数据的表示（散射特征和灰度共生矩阵特征的组合）输入 到最终的网络（即DBN网络）进行分类，并显示最终的分割的结果。
[0023] 本发明利用原始极化SAR图像的相干矩阵元素、灰度共生矩阵（GLCM)的参数和H/ α分解的参数作为极化SAR图像元素的表示，然后将这些元素的表示输入到DBN中再一次 特征学习。本发明与现有的技术相比具有以下优点：
[0024] 1、本发明由于使用极化SAR图像的散射特征（Η/α分解参数和原始相干矩阵元 素），保持了极化SAR图像的散射特性，又结合使用了灰度共生矩阵的特征，能够对极化SAR 图像纹理区域的方向性细节信息进行提取，保证了图像信息的完整性；
[0025] 2、本发明使用了深度置信网的方法，对极化SAR的表示进行了再一次的学习，该 方法能够自动分层次的提取特征；
[0026] 3、仿真结果表明，本发明方法较传统的基于目标分解和Wishart迭代的方法能更 有效的进行图像分割。
【专利附图】
【附图说明】
[0027] 图1是本发明的流程示意图；
[0028] 图2是本发明在一幅San Francisco复杂地物极化SAR图像上的H/ α分解仿真 结果图；
[0029] 图3是本发明在San Francisco的灰度图像iml的灰度共生矩阵仿真结果图；
[0030] 图4是本发明在San Francisco的灰度图像im2的灰度共生矩阵仿真结果图；
[0031] 图5是本发明在San Francisco的灰度图像im3的灰度共生矩阵仿真结果图；
[0032] 图6是本发明对San Francisco极化SAR图像分3类的的仿真结果图。
【具体实施方式】
[0033] 参照图1，本发明的具体实现步骤如下：
[0034] 步骤一、对待分割极化SAR图像的相干矩阵T进行精致Lee滤波。
[0035] 极化SAR数据一般是以相关矩阵的形式存储着，相关矩阵T定义如下：
[0036]
【权利要求】
1. 一种基于深度置信网的极化SAR图像分割方法，包括如下步骤： (1) 对待分割极化SAR图像的相干矩阵T进行精致Lee滤波； (2) 对滤波后的相干矩阵T进行H/ α分解得到特征： feature_Halpha = { a，A, Η, λ " λ 2，λ 3, span} 其中α为平均散射角，H为散射熵，λ λ 2, λ 3分解出来的3个特征值，span为功率 值； (3) 从相关矩阵T取主对角线上的三个元素依次得到3个通道的灰度图像iml、im2 和im3,利用灰度共生矩阵提取纹理，分别得到对比度、相干、能量和逆差距共12个参数： feature_GLCM = (Con1, Cor1, Enr1, Hom1, Con2, Cor2, Enr2, Hom2, Con3, Cor3, Enr3, Hom3I 其中 Con表示灰度共生矩阵的对比度,Cor表示相干，Enr表示能量，Hom表示，下标数字1，2, 3对 应着灰度图像iml，im2和im3 ; (4) 将Η/α分解参数特征feature_Halpha、灰度共生矩阵特征feature_GLCM和原始 的T矩阵元素组合在一起，这样就得到极化SAR图像散射点的表示； (5) 将组合在一起的特征输入到两个叠在一起的受限玻尔兹曼机（RBM)进行预训练得 到参数 b2}; 其中Wi表示第i个RBM中节点连接的权值矩阵，b i表示第i个RBM的节点的偏置，i = 1,2 ； (6) 将输入的极化SAR图像散射点的表示在预训练得到的参数下投影得到最终的特征 feature,然后输入到softmax分类器下训练softmax的参数Θ ; (7) 使用一些有标签的样本利用BP算法对整个网络进行反向微调得到最终的网络参 数P= lffsDbsnWsubsu 0S}; 其中Wsi, bSi表示BP微调之后的网络中的权值和偏置，i = 1,2; Θ s为微调之后的 softmax分类器的参数； (8) 将包括散射特征和灰度共生矩阵特征的组合的全部的极化SAR数据的表示输入到 最终的网络进行分类，并显示最终的分割的结果。
2. 根据权利要求1所述的图像分割方法，其中，滤波后的相干矩阵T进行H/ α分解过 程如下：将每个点的相关矩阵T可以表示成如下形式： T = U Σ 3U_1 其中Σ 3是一个3 X 3的实值对角矩阵，包含了相关矩阵T的特征值，U 4表示U的转置；
其中⑴U1U2U3X); 3X3的单位矩阵U包含了 T的特征向量Ui(i = 1，2,3)，则 U = [U1 u2 U3] 其中特征向量UiQ = 1,2, 3)形式如下 U1 = Cosaj sin a,, cos/;?,"、., sin cos/?,' 定义熵H如下：
其中Pi是每个特征值λ i的概率， 散射功率的定义为SdV = t人， k=l 定义各向异性系数2 =4^， Λη Π" Ag 平均α角定义为5=? A%，其表征目标的散射机制。 /=1
3. 根据权利要求1所述的图像分割方法，其中利用灰度共生矩阵提取纹理特征过程如 下：依次对每个点的3X3相关矩阵T取主对角线上的三个元素得到3个的灰度图像iml、 im2、和im3,利用灰度共生矩阵提取纹理，得到12个灰度共生矩阵特征feature_GLCM用来 表征纹理信息。
4. 根据权利要求1所述的图像分割方法，其中组合特征过程如下：将Η/α分解参数特 征feature_Halpha、灰度共生矩阵特征feature_GLCM和原始的T矩阵元素组合在一起，这 样就得到极化SAR数据的特征表示。
5. 根据权利要求1所述的图像分割方法，其中预训练两个RBM过程如下： (5a)我们从极化SAR数据中随机取无标签样本，根据提取特征输入到第一层RBM中去 训练，通过反复迭代训练出第一层RBM参数（W1, bj，并得到第一层RBM的特征输出temp_ feature1 ; (5b)将第一层RBM的输出temp_featurel作为第二层RBM的输入进行训练第二层RBM， 得到第二层RBM的网络参数{W2, b2}，并得到第二层RBM的特征表示temp_feature2。
6. 根据权利要求1所述的图像分割方法，其中训练softmax分类器过程如下： 将极化SAR数据的特征表示在预训练得到的参数下投影得到最终的特征temp_ feature2,然后输入到softmax分类器下训练其参数Θ ; 将将步骤四中得到的极化SAR数据的特征表示在步骤五中进行预训练得到的参数下 的投影特征temp_feature2输入到softmax分类器中，其中softmax函数如下：
通过梯度下降的方法可以得到softmax分类器参数Θ。
【文档编号】G06T7/00GK104517284SQ201410512472
【公开日】2015年4月15日 申请日期:2014年9月29日 优先权日:2014年9月29日
【发明者】侯彪, 罗小欢, 王爽, 焦李成, 张向荣, 马文萍 申请人:西安电子科技大学