基于dbn模型的干涉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，涉及一种基于深度信念网络(DBN模型）的干涉合 成孔径雷达（Interferometric Synthetic Aperture Radar，InSAR)图像分类方法，具体是 一种基于DBN模型的干涉SAR图像分类方法。可用于对雷达图像中不同目标区域进行分类。
【背景技术】
[0002] 合成孔径雷达干涉技术作为合成孔径雷达的延伸和发展，主要应用于获取数字高 程图（Digital Elevation Model，DEM)、地表形变的检测等领域。在干涉SAR数据处理过程 中，会生成一幅衡量干涉图质量好坏的相干图，而相干图对地物具有良好的可分性。
[0003] 根据相干图的良好可分性，干涉SAR应用到地物分类一般分为两类:直接根据相干 图分类以及结合干涉SAR的强度图和相干图对地物进行分类。
[0004] 只用相干图进行分类包括:云日升提出将Kmeans分类算法与Markov随机场结合一 起分类的算法，并将该算法应用在干涉SAR相干图的分类，取得了较好效果；Riadh Abdelfattah等在分析相干图分布特性基础上利用混合模型方法对干涉SAR的相干图分割， 其首先用直方图来统计不同地物的相干特性的并利用用混合模型来进行匹配，然后再根据 不同模型利用阈值法对不同地物分类。但是以上技术都没有充分利用干涉SAR数据信息，强 度图的灰度信息并没有得到利用。
[0005] 结合干涉的强度图和相干图对地物进行分类包括:Marcus E.Engdahl等人对28幅 强度图及对应的14幅相干图采用IS0DATA算法进行分类;L.V.DUTRA等人通过对干涉SAR图 像特征提取及选择对干涉SAR图像进行分类。但是以上技术分类对干涉SAR图像特征的选择 比较繁琐且费时，特别是主强度图、辅强度图及相干图间的相关性并没有发掘提取。
【发明内容】
[0006] 本发明的目的在于解决上述现有技术的不足，提出了一种基于DBN模型的干涉SAR 图像分类方法，相比现有方法，DBN模型结合了监督学习与非监督学习的优点，充分利用了 干涉SAR图像信息，并自动充分发掘主辅强度图和相干图在空间与时间上的相关信息，进而 能够更容易、更精确的对干涉SAR图像分类。
[0007] 本发明是一种基于DBN模型的干涉SAR图像分类方法，其特征在于，包括有以下步 骤：
[0008] (1)输入数据的预处理
[0009] 输入的数据主要包括干涉SAR图像的主强度图、辅强度图及相干图，对以上三幅图 的灰度值进行归一化处理;为了减小噪声影响，对每幅图像中的每个像素取一个邻域窗口 作为对应每个像素的输入值;将三幅图叠加在一起，合成一个三维图像，该合成图像包括了 干涉SAR图像对应所有的待分类数据信息；
[0010] ⑵样本选择
[0011] 根据干涉SAR图像的实际地物分布，对合成三维图像中的每一类数据随机选取η个 Μ X Μ X 3的图像块作为训练样本；
[0012] ⑶深度信念网络DBN模型训练
[0013] DBN模型训练前首先确定模型参数，主要包括：网络层数、每层节点数、学习率，这 些参数通过实验逐一调整，将确定好的参数用于预训练和微调整；
[0014] DBN模型训练包括预训练阶段和微调整阶段
[0015] DBN模型由多层无监督的限制玻尔兹曼机(restricted Boltzman machine，RBM) 和一层有监督的反向传播(back-propagat i on，BP)网络组成，
[0016] 3.1预训练阶段采用逐层训练的方式对各层中的RBM进行训练，低一层RBM的隐含 层输出作为上一层的RBM的可见层输入，得到整个网络初始权值参数；
[0017] 3.2微调阶段采用有监督学习方式对最后一层的BP网络进行训练，并将实际输出 与预期输出的误差逐层向后传播，对整个DBN网络的权值进行微调，得到训练好的DBN模型；
[0018] (4)图像分类
[0019] 使用训练好的DBN模型，对待分类数据进行用softmax方法分类，得到干涉SAR图像 的分类结果。
[0020] 本发明实现上述目的的思路是:先根据干涉SAR原始数据获取到主辅强度图和相 干图，对获得的图像进行预处理，然后根据选取每类的样本数据训练DBN模型，利用训练好 的DBN模型对待分类数据进行分类，得到分类结果。
[0021 ]本发明与现有技术相比，具有以下优点：
[0022]第一，由于本发明直接利用干涉SAR强度图和相干图的灰度信息来对地物进行分 类，利用DBN模型的优点，自动提取输入图像的特征，克服了人工提取特征的困难，使得分类 效率更高。
[0023]第二，由于本发明采用DBN模型来对图像进行分类，DBN模型可自动发掘主强度图、 辅强度图和相干图等三幅图之间的空间和时间上的相关性，克服以往对三幅图在空间和时 间上的相关性信息难以获取的缺点。
【附图说明】
[0024]图1为本发明的流程图；
[0025]图2所用数据一为Phoenix地区的Radarsat-2的C波段数据，图2(a)为本发明所用 数据一的强度图，图2(b)为本发明所用数据一的相干图，图2(c)利用支持向量机SVM对实验 数据一的分类结果图，图2(d)采用本发明对实验数据一的仿真图；
[0026]图3所用数据二为美国旧金山地区的TerraSAR-X的X波段数据，图3(a)为本发明所 用数据二的强度图，图3(b)为本发明所用数据二的相干图，图3(c)为用支持向量机SVM的对 数据二的仿真图，图3(d)为本发明对数据二的仿真图。
【具体实施方式】
[0027]下面结合附图，对本发明做详细描述。
[0028] 现有技术中对干涉SAR图像进行分类时，需要首先对图像的特征提取和选择，其实 施过程比较繁琐和费时，而且主强度图、辅强度图及相干图间的相关性难以发掘提取。
[0029] 实施例1
[0030] 为此，本发明提出一种基于DBN模型的干涉SAR图像分类方法，参见图1，具体分类 包括有以下步骤：
[0031] (1)输入数据的预处理
[0032] 输入的数据主要包括干涉SAR图像的主强度图、辅强度图及相干图，对以上三幅图 的灰度值进行归一化处理;为了减小噪声影响，对每幅图像中的每个像素取一个邻域窗口 作为对应每个像素的输入值;将三幅图叠加在一起，合成一个三维图像，该合成图像包括了 干涉SAR图像对应所有的待分类数据信息。本例中邻域窗口大小为5 X 5的像素块。预处理以 后去除了强度图和相干图不同量纲对分类结果的影响，且有效减小了噪声对分类效果影 响。
[0033] (2)样本选择
[0034]根据干涉SAR图像的实际地物分布，对合成三维图像中的每一类数据随机选取η个 Μ X Μ X 3的图像块作为训练样本。本例中η为3，Μ为50。
[0035] (3)深度信念网络DBN模型训练
[0036] DBN模型训练前首先确定模型参数，主要包括：网络层数、每层节点数、学习，以上 这些参数对分类效果影响较大，主要的参数通过实验逐一调整，将确定好的参数用于预训 练和微调整。
[0037] DBN模型训练包括预训练阶段和微调整阶段：
[0038] DBN模型由多层无监督的限制玻尔兹曼机（restricted Boltzman machine，RBM) 和一层有监督的反向传播(back-propagat i on，BP)网络组成。
[0039] 3.1预训练阶段采用逐层训练的方式对各层中的RBM进行训练，低一层RBM的隐含 层输出作为上一层的RBM的可见层输入，得到整个网络初始权值参数。
[0040] 3.2微调阶段采用有监督学习方式对最后一层的BP网络进行训练，并将实际输出 与预期输出的误差逐层向后传播，对整个DBN网络的权值进行微调，得到训练好的DBN模型。
[0041] (4)图像分类
[0042]本发明使用训练好的DBN模型，对待分类数据进行用softmax方法分类，得到干涉 SAR图像的分类结果。
[0043] 实施例2
[0044] 基于DBN模型的干涉SAR图像分类方法同实施例1，其中步骤3中预训练阶段包括有 如下步骤：
[0045] 3.1.1对于一组特定数据(v，h)，则DBN网络中RBM作为一个系统所拥有的能量E用 数学表达式表示为：
[0047] v和h分别代表RBM的可见层和隐含层;w代表两层间的连接权值大小；I和J分别表 示可见层和隐含层的节点数目；vjPh#』分别代表第i个可见层神经元的状态和第j个隐含 层神经元的状态;^代表隐含层节点h和可见层节点^之间的连接权值大小; ai、bj分别代 表可见层Vi、隐含层hj的偏置值莖;Θ = (wij，ai，bj)是RBM网络参数；
[0048] 3.1.2基于以上能量函数E，获得可见层和隐含层(v，h)的联合概率分布：
[0049] p(v，h|0)=e-Ε(ν'ΗΙ0)/Ζ(θ)
[0051 ] 3.1.3求取第j个隐含层神经元的激活概率：
[0053] σ(χ) = l/(a+e-x)是 sigmoid 函数；
[0054] 3.1.4获取第i个可见层神经元的激活概率：
[0056] 3.1.5通过对训练集上求极大数似然函数获得参数Θ*，样本数目为T:
[0058] 3.1.6利用对比散度（contrastive divergence，CD)算法求得各网络层内部参数， 其更新规则
[0059] Δ wij = ε (<vihj>data-<Vihj> recon)
[0060] Δ ai=e(<Vi>data-<Vi> recon)
[0061 ] Δ bj = ε (<hj >data-<hj > recon)
[0062] ε为预训练的学习率，<· >data表示样本数据集在所定义分布上的数学期望， <· >r_n表示重构后模型定义的分布上数学期望。
[0063] 另外，本例中邻域窗口大小为3X3的像素块。为了去除强度图和相干图不同量纲 对分类结果的影响，对输入图像的灰度值进行了归一化。
[0064] 根据干涉SAR图像的实际地物分布，对合成三维图像中的每一类数据随机选取η个 Μ X Μ X 3的图像块作为训练样本。本例中干涉SAR图像对应的实际地物比较复杂，在每一类 区域选取多个样本，η取为20，Μ取为20。
[0065]由于本发明采用DBN模型来对图像进行分类，充分利用了 DBN模型能够主动学习数 据特征的优点。本发明中采用的主强度图和辅强度图是由不同时间对同一地区获取的干涉 SAR数据得到的，因此两幅图在时间上有相关性，而相干图是由主图像和辅图像复相乘得到 的，因此相干图和主辅强度图在空间上有相关性，因此，本发明能够自动发掘主强度图、辅 强度图及相干图三幅图之间在空间和时间上的规律，克服