基于cnn和svm的极化sar图像分类的制作方法
【技术领域】
[0001] 本发明属于图像处理技术领域，主要涉及极化SAR图像分类，具体说是一种基于 CNN和SVM的极化SAR图像分类方法，可用于对极化SAR图像的地物分类和目标识别。
【背景技术】
[0002] 极化SAR是一种高分辨主动式相干多通道微波遥感成像雷达，它是SAR的一个重 要分支，具有全天候、全天时、分辨率高、可侧视成像等优点，广泛应用于军事、农业、导航、 地理监视等诸多领域。极化SAR能够获得更加丰富的目标信息，在国际遥感领域受到高度 重视，因此极化SAR图像分类已成为极化SAR信息处理的一个重要研究方向。
[0003] 现有的极化SAR图像分类方法可以分为有监督分类和无监督分类。
[0004] 有监督分类方法包括：Lee等提出的基于复Wishart分布的极化协方差矩阵监 督分类方法，由于极化协方差矩阵C可以通过线性变换得到极化相干矩阵T，这样就得到 Wishart分类器，这种方法要求C或T矩阵的概率密度分布函数服从复Wishart分布，对数 据分布要求严格；Heermann等提出的基于后向传播神经网络的极化SAR图像分类方法，这 种方法收敛速度慢，且容易陷入局部最优。
[0005] 无监督分类方法包括=Cloude等提出的Η/α非监督分类，它是通过Cloude目标 分解得到散射熵H和平均散射角α特征参数后，根据这两个参数的范围对目标进行八分 类，这种方法分类边界固定导致区域的划分过于武断，且只利用H和α这两个参数，极化信 息没有得到充分利用，导致分类准确度低；Lee等提出基于Cloude目标分解和Wishart分 类器的H/ a -Wishart非监督分类方法，它是在原始H/ α分类基础上增加了 Wishart迭代， 弥补了 Η/α分类固定边界的缺陷，但这种方法不能很好的保持各类的极化散射特性；Lee 等基于Freeman分解提出了一种极化SAR图像分类方法，它主要是根据Freeman分解获得 平面散射功率、二面角散射功率和体散射功率的大小对极化数据进行划分，并对初始划分 进行类别合并，最后再利用Wishart分类器重新划分，这种方法保持了各类的散射特性，但 存在多类别的划分及合并，计算复杂度较高。
[0006] 以上方法由于是基于极化SAR图像原始数据提取特征，这样得到的特征数目比较 少，而且没有充分结合极化SAR图像的极化信息和空间相关性信息，对极化SAR图像的信息 提取不够充分，最后直接进行分类，致使极化SAR图像分类精度不高。
【发明内容】
[0007] 本发明的目的在于针对已有技术的不足，提出一种基于CNN和SVM的极化SAR图 像分类方法，充分利用图像的空间相关性，对原始特征空间重新学习，提取更有效的特征进 行分类，提高了分类精度。
[0008] 本发明是一种基于CNN和SVM的极化SAR图像分类方法，其特征在于，包括有如下 步骤：
[0009] 步骤1，输入滤波后的待分类的极化SAR图像，得到极化相干矩阵T，待分类的极化 SAR图像本身附带有地物分布参考图，图中有对部分像素点进行类别标注。
[0010] 步骤2,基于极化SAR图像的极化相干矩阵T，得到图像每个像素点的原始特征，并 归一化到[0. 1，0. 9]，使得原始特征中不同特征具有相同的量纲，方便后续操作。
[0011] 步骤3,在待分类的极化SAR图像中随机选取10%的像素点，作为训练样本；为了 加快速度，本发明只选取了 10%的像素点作为训练样本。
[0012] 步骤4,利用步骤3得到的训练样本来训练AE网络，得到AE网络参数；CNN包括多 层卷积层和多层池化层，本发明中采用的CNN结构只包含一层卷积层和一层池化层，本发 明中CNN卷积层参数，是采用训练AE网络来确定。
[0013] 步骤5,基于步骤4得到的AE网络参数对AE网络重复地进行训练，直至满足终止 条件，满足终止条件后将得到的AE网络的参数作为初始的卷积神经网络（CNN)卷积层参数 Θ = (W，b)，其中，W是CNN卷积层的卷积核，b为CNN卷积层的偏置；终止条件为AE网络 的目标函数值相邻两次的变化小于10 9。
[0014] 步骤6,利用softmax分类器和待分类的极化SAR图像的地物分布参考图中已标 注的像素点，微调初始的CNN卷积层参数，将微调后得到的参数作为训练好的CNN卷积层 参数；训练好的CNN卷积层参数就已经确定了 CNN结构中训练好的卷积层；本发明中步骤 3, 4, 5, 6是对CNN卷积层参数的学习，其中对CNN卷积层参数的学习考虑了局部感知区域， 即考虑了图像空间相关性。
[0015] 步骤7,本发明中CNN结构包含一层卷积层和一层池化层：将CNN池化层的池化方 式设置为平均池化，池化大小为2 X 2。
[0016] 本发明中步骤3, 4, 5, 6, 7是本发明对CNN结构的学习，其中步骤3, 4, 5, 6通过对 CNN卷积层参数的学习，确定了训练好的CNN卷积层，步骤7通过确定池化方式，确定了训练 好的CNN池化层，到此为止，训练好的CNN卷积层和训练好的CNN池化层就共同构成训练好 的CNN结构。
[0017] 步骤8,以极化SAR图像的地物分布参考图中已标注的全部像素点为基准，按照不 超过10%的采样率，随机选择每类的像素点，作为训练样本集合；训练样本集合中的像素 点均具有训练样本标签。选取的训练样本集合是为了训练SVM分类器，本发明按照不超过 10%的采样率，随机选择每类的像素点，不仅可以加快训练速度，而且可以说明在小样本的 情况下，SVM分类器泛化能力就已经很好了。
[0018] 步骤9,将训练样本集合中每个像素点的原始特征送入训练好的CNN结构，得到每 个像素点相应的CNN特征；送入训练好的CNN结构包括逐步送入训练好的CNN卷积层和训 练好的CNN池化层，得到CNN特征将用于训练SVM分类器。
[0019] 步骤10,利用步骤9得到的训练样本集合的CNN特征以及训练样本标签去训练支 持向量机（SVM)分类器，然后利用训练好的SVM分类器对极化SAR图像剩余的全部像素点 逐个进行分类：即将待分类的极化SAR图像剩余的全部像素点作为测试样本，将测试样本 中每个像素点的原始特征送入训练好的CNN结构，得到测试样本中每个像素点的CNN特征， 然后利用测试样本中每个像素点的CNN特征输入到训练好的SVM进行分类，得到测试样本 中每个像素点的类别标签；步骤8, 9, 10是本发明对SVM分类器的学习。
[0020] 步骤11，输出分类后的极化SAR图像，并计算分类精度。
[0021] 本发明中提出的方法是在对原始数据提取特征的基础上，对提取的特征重新学 习，即进行深度特征学习，并考虑图像空间相关性，进而提取出更有利于极化SAR图像分类 的特征，从而提高了分类精度。
[0022] 本发明与现有的技术相比具有以下优点：
[0023] 1.由于本发明是基于CNN对原始特征进行学习，要求数据以图像格式，即矩阵形 式输入，与传统的向量形式的输入有很大不同，这样可以充分考虑到图像空间相关性，将极 化信息和图像空间相关性信息结合起来，提取出更有效的特征，提高了极化SAR图像的分 类精度；
[0024] 2.本发明采用新的特征学习方法一CNN，它的卷积层对输入样本的图像块进行卷 积操作，它的池化层再对卷积层得到的卷积图进行平均化操作，可以防止过拟合，这样可将 极化SAR图像的原始特征重新进行深度学习，提取出更有利于极化SAR图像分类的特征；
[0025] 3.由于极化SAR图像是基于微波相干成像原理，得到的极化SAR图像原始数据含 有相干斑噪声，因此基于原始数据提取出来的原始特征的分布不确定；不论输入特征服从 何种分布，AE网络都能够对输入特征很好地进行学习，本发明中采用训练AE网络来得到 CNN卷积层参数，能够更好地对输入特征进行表示；
[0026] 4.本发明实现了在极化SAR图像原始特征的基础上，基于CNN重新学习出新的特 征，再引入SVM分类器进行分类，由于SVM分类器是建立在分类间隔最大化准则上，泛化能 力强，即对测试样本的预测类别准确度高，同时实验结果也表明这种策略得到了更好的分 类结果，明显地提高了极化SAR图像的分类精度。
【附图说明】
[0027] 图1是本发明的总流程图；
[0028] 图2是本发明仿真使用的