基于稀疏深度堆栈网络的极化sar图像分类方法
【技术领域】
[0001] 本发明属于图像处理技术领域，更进一步涉及极化合成孔径雷达图像分类技术领 域中的一种基于稀疏深度堆栈网络的极化合成孔径雷达SAR图像分类方法。本发明可应用 于雷达图像的地物分类和目标识别。
【背景技术】
[0002] 合成孔径雷达SAR是一种工作在微波波段的相干成像雷达，是一种主动式遥感传 感器。极化SAR属于SAR的范畴，与传统的SAR相比，它可以通过控制变换雷达发射和接收 电磁波的极化方式大大提高对目标各种信息的获取能力，为更加深入地研究目标散射机理 提供了重要依据。对极化SAR图像的理解与解译属于图像处理范畴，还涉及信号处理，模式 识别及机器学习等众多学科。极化SAR图像分类作为极化SAR图像理解与解译的关键环节 之一，受到国内外研究者的广泛关注。
[0003] 根据是否需要训练样本，极化SAR图像分类方法可以分为有监督和无监督两种。 对于这两种方法，特征提取和分类方法是两个基本要素。极化SAR图像的分类结果很大程 度上依赖于提取的特征，基于这个原因，很多关于极化SAR图像分类研究的重点都放在了 特征提取上。到目前为止，极化SAR图像分类中用到的特征主要包括两大类，一类基于测量 数据的简单组合和变换，另一类基于目标分解。
[0004] 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,公布号：CN102999761A)中提出了一种 利用Cloude分解进行初始分类并结合K-wishart分布进行二次分类的极化SAR图像分类 方法。该方法利用传统的Cloude分解获取H和α两个表征极化数据的特征，然后根据H 和α组成H/α平面将极化SAR图像划分为8类，并利用K-wishart分类器在初分类的基 础上进行二次迭代分类。该方法虽然能合理地解释分类结果的散射机理，而且不需要数据 的先验知识，但是仍然存在的不足之处是，仅利用单一的极化散射特征量，并不能完整的表 征复杂目标的特性，对具有复杂目标的极化SAR图像的分类准确度低；该方法将极化SAR图 像直接划分为8类，对于类别数多于8类或少于8类的数据来说缺乏灵活性。
[0005] 由于单一的目标分解不能完全描述地物的散射机理，其形成的特征不足以表征实 际地物。鉴于此，张祥、邓喀中、范洪冬和赵慧在其论文"基于目标分解的极化SAR图像SVM 监督分类"（《计算机应用研究》，2013年1月第30卷第1期295-298页）中提出了一种基 于多种目标分解方法并结合SVM的极化SAR图像有监督分类方法。该方法首先对极化SAR 图像使用多种目标分解方法进行处理，得到相应的分量信息，然后在极化SAR图像特征提 取的基础上将SVM应用于极化SAR图像分类。该方法虽然能充分利用极化SAR图像的散射 特征，但是仍然存在的不足之处是，该方法需要预先获取数据的各种特性和先验知识进行 人工选择特征，同时，得到的特征冗余性高，导致时间复杂度大大增加。
【发明内容】
[0006] 本发明的目的在于克服上述已有技术的不足，提出了一种基于稀疏深度堆栈网络 的极化SAR图像分类方法。本发明以提取极化SAR图像的深度特征，避免利用单一的极化 散射特征量造成分类准确度低的问题。
[0007] 本发明实现上述目的的思路是：利用稀疏深度堆栈网络对极化SAR数据进行自动 特征学习，提取出其数据的深度特征，利用这些深度特征对极化SAR图像分类。
[0008] 实现本发明目的的具体步骤如下：
[0009] (1)输入极化SAR图像：
[0010] 输入一幅待分类的极化合成孔径雷达SAR图像的相干矩阵，其大小是3X3XN的 矩阵，N表示极化合成孔径雷达SAR图像象素点的个数；
[0011] ⑵选取训练样本和测试样本：
[0012] (2a)将相干矩阵的上三角6个元素的实部和虚部作为极化SAR图像的特征，组成 一个9XN大小的样本集；
[0013] (2b)从样本集中随机选取10 %的样本作为训练样本，剩余90 %的样本作为测试 样本；
[0014] (3)构造稀疏深度堆栈网络：
[0015] 将三个单层的稀疏深度网络，以上层、中层和下层的位置关系，构成稀疏深度堆栈 网络，所述的上层、中层和下层网络各包括一个输入层、一个隐含层和一个输出层，隐含层 的节点个数为100 ;
[0016] ⑷训练稀疏深度堆栈网络：
[0017] (4a)随机生成一组服从均值为0和标准差为0. 01的正态分布数据，将正态分布数 据作为下层稀疏深度堆栈网络中连接输入层和隐含层的系数矩阵的初始值；
[0018] (4b)按照下式，计算下层稀疏深度堆栈网络中隐含层的输出矩阵：
[0020] 其中，氏表示下层稀疏深度堆栈网络中隐含层的输出矩阵，〇 (·)表示取阈值操 作，1表示下层稀疏深度堆栈网络中连接输入层和隐含层的系数矩阵，X表示训练样本集；
[0021] (4c)按照下式，计算下层稀疏深度堆栈网络中连接隐含层和输出层的系数矩阵：
[0023] 其中，U1表示下层稀疏深度堆栈网络中连接隐含层和输出层的系数矩阵，H 1表示 下层稀疏深度堆栈网络中隐含层的输出矩阵，R表示对训练样本集中样本的归属类别进行 编码后得到的编码矩阵，T表示矩阵的转置操作，（·）1表示求逆矩阵操作；
[0024] (4d)将下层稀疏深度堆栈网络中隐含层的输出矩阵输入到下层稀疏深度堆栈网 络中的输出层，按照下式，计算下层稀疏深度堆栈网络中输出层的输出矩阵：
[0025] Y1 = U1iHl
[0026] 其中，Y1表示下层稀疏深度堆栈网络中输出层的输出矩阵，U i表示下层稀疏深度 堆栈网络中连接隐含层和输出层的系数矩阵，H1表示下层稀疏深度堆栈网络中隐含层的输 出矩阵，T表示矩阵的转置操作；
[0027] (4e)按照下式，计算下层稀疏深度堆栈网络的均方误差：
[0028] E = Tr [ (Y1-R) (Y1-R)τ]
[0029] 其中，E表示下层稀疏深度堆栈网络的均方误差，Tr[ ·]表示矩阵对角线上的元素 之和，1表示下层稀疏深度堆栈网络中输出层的输出矩阵，R表示对训练样本集中样本的归 属类别进行编码后得到的编码矩阵，T表示矩阵的转置操作；
[0030] (4f)在下层稀疏深度堆栈网络中加入结构稀疏约束，按照下式，计算下层稀疏深 度堆栈网络的稀疏正则项：
[0032] 其中，Ψ表示下层稀疏深度堆栈网络的稀疏正则项，N表示训练样本的个数，Σ表 示求和操作，I I · I I2表示2范数操作，I I · I I i表示1范数操作，h (k)表示对下层稀疏深度 堆栈网络中隐含层输出矩阵H1进行2范数归一化后得到的矩阵的第k列，h ,表示对下层稀 疏深度堆栈网络中隐含层输出矩阵H1进行2范数归一化后得到的矩阵的第j行，h ,表示下 层稀疏深度堆栈网络中隐含层输出矩阵H1的第j行；
[0033] (4g)按照下式，计算下层稀疏深度堆栈网络的损失项：
[0034] F1= Ε+β Ψ
[0035] 其中，F1表示下层稀疏深度堆栈网络的损失项，E表示下层稀疏深度堆栈网络的均 方误差，β表示衰减系数，其取值范围为〇.〇〇〇1〈β <0.1，Ψ表示下层稀疏深度堆栈网络 的稀疏正则项；
[0036] (4h)利用梯度下降法，对下层稀疏深度堆栈网络的损失项进行优化，在下层稀疏 深度堆栈网络的损失项达到最小值时，得到训练好的下层稀疏深度堆栈网络，将训练样本 输入到训练好的下层稀疏深度堆栈网络中，得到下层稀疏深度堆栈网络中输出层的最优输 出矩阵；
[0037] (4i)将下层稀疏深度堆栈网络中输出层的最优输出矩阵和训练样本一起输入到 中层稀疏深度堆栈网络，将训练好的下层稀疏深度堆栈网络的系数矩阵作为中层稀疏深度 堆栈网络的系数矩阵^和1]2的初始值，执行步骤（4b)、步骤（4c)、步骤（4d)、步骤（4e)、步 骤（4f)、步骤（4g)、步骤（4h)，得到训练好的中层稀疏深度堆栈网络；将训练样本输入到训 练好的中层稀疏深度堆栈网络中，得到中层稀疏深度堆栈网络中输出层的最优输出矩阵；
[0038] (4j)将下层稀疏深度堆栈网络中输出层的最优输出矩阵、中层稀疏深度堆栈网络 中输出层的最优输出矩阵和训练样本一起输入到上层稀疏深度堆栈网络，将训练好的中层 稀疏深度堆栈网络的系数矩阵作为上层稀疏深度堆栈网络的系数矩阵1和1]3的初始值，执 行步骤（4b)、步骤（4c)、步骤（4d)、步骤（4e)、步骤（4f)、步骤（4g)、步骤（4h)，得到训练好 的上层稀疏深度堆栈网络；
[0039] (5)输入测试样本：
[0040] 将测试样本输入到训练好的三层稀疏深度堆栈网络中，得到待分类的极化合成孔 径雷达SAR图像的分类标签；
[0041] (6)获得分类结果图：
[0042] 根据分类标签对待分类的极化合成孔径雷达SAR图像上色，将具有相同标签值的 象素设置为同一种颜色，得到待分类的极化合成孔径雷达SAR图像的分类结果图。
[0043] 本发明与现有技术相比具有以下优点：
[0044