基于半监督深度稀疏滤波网络的极化sar分类方法
【专利摘要】本发明公开了一种基于半监督稀疏滤波的半监督深度学习方法。解决了传统深度学习方法参数调节复杂，在拥有较低标签数据时分类精度不高的技术问题，其步骤包括：输入待分类的极化SAR图像数据；提取训练样本和测试样本；求训练样本的Wishart近邻样本；初始化深度稀疏滤波网络的参数；对深度稀疏滤波网络预训练；对深度稀疏滤波网络微调；对测试样本进行类别预测；输出待分类的极化SAR图像的分类图像和分类精度。本发明通过构建新颖的深度稀疏滤波网络模型，并在预训练过程中加入半监督正则项的方法，降低了深度学习网络参数调节的复杂度，提高了极化SAR图像地物分类的精度。可用于环境监测、地球资源勘测和军事系统等技术领域。
【专利说明】
基于半监督深度稀疏滤波网络的极化SAR分类方法
技术领域
[0001] 本发明属于图像处理技术领域，特别设及一种极化SAR图像地物分类方法，具体是 一种基于半监督深度稀疏滤波网络的极化SAR分类方法。可用于环境监测、地球资源勘测和 军事系统等。
【背景技术】
[0002] 机器学习 （Machine Learning,ML)是一口多领域交叉学科，设及概率论、统计学、 逼近论、凸分析、算法复杂度理论等多口学科。专口研究计算机怎样模拟或实现人类的学习 行为，W获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。在极化 S A R图像分类领域，机器学习已经有了许多突破性的进展，例如W i S h a r t m a X i m U m l;Lkelihood(WML)，支持矢量机（suppo;rt vector machines，SVM)等方法。
[0003] 常见的机器学习方法大都运用人工提取特征的方法，费时费力，且不一定能够取 得令人满意的特征。深度学习是机器学习研究中的一个新的领域，它是一种模拟人脑进行 分析学习的神经网络，模仿人脑的机制来解释数据。对于极化SAR图像分类，深度学习网络 能够自主地从极化SAR数据中学习到更为抽象的高层表示属性或者特征，学习到的特征可 W更有效地运用到地物分类、环境监测等研究。
[0004] 而现有的深度学习模型:找式自编码器(SAE)，限制玻尔兹曼机(RBM)，深度置信网 (DBN)，卷积神经网络(CNN)等都需要调节很多参数。比如说学习速率(learning rates)、动 量(momen化m)、稀疏度惩罚系数（sparsity penal ties)等等，而运些参数最终的确定需要 通过交叉验证获得，运就需要花费大量的时间和精力。随着遥感领域的不断发展，环境监 测、地球资源勘测、军事系统等应用对极化SAR图像处理的需求加大，想要对极化SAR图像的 地物分类取得理想的结果，虽然深度学习在机器学习方法中有着较为明显的优势，但传统 的深度学习网络需要大量的参数调节，运将消耗大量的时间，不当的参数选择将直接影响 深度学习网络的性能W及最终的分类结果，运就制约深度学习方法在遥感领域的应用。
【发明内容】
[0005] 本发明的目的在于针对上述已有技术的不足，提出了一种基于半监督深度稀疏滤 波网络的极化SAR分类方法，提高地物分类正确率。
[0006] 本发明是一种基于半监督深度稀疏滤波网络的极化SAR分类方法，其特征在于，包 括如下步骤：
[0007] (1)输入待分类的极化SAR图像数据，即极化SAR图像的相干矩阵T，根据极化SAR图 像的地物分布信息得到标签矩阵Y，同一种地物的分布由同样的类别标号表示，不能确定类 别的地物分布在标签矩阵中用0表示，根据极化SAR图像的相干矩阵T生成样本矩阵 义二知嗟i，N是样本的总个数，XI表示第i个样本。
[000引（2)提取训练样本和测试样本，根据极化SAR图像的样本数据X和标签矩阵Y，随机 提取出L个训练样本，Μ个测试样本，其中L+M = N，根据所有样本的类别信息，每类随机选取 1 %的样本作为训练样本，其余的为测试样本。
[0009] (3)求训练样本的Wishart近邻样本，在所有的样本数据中，求取每个训练样本Xi (i = l ,2..丄)所对应的K个胖13]1曰的近邻样本xj( j = l ,2. . .K)，至此，基本的数据处理完成。
[0010] (4)开始优化深度网络，初始化深度网络的基本参数，随机初始化深度稀疏滤波网 络的权重参数W，设定深度稀疏滤波网络每层的节点数，确定深度稀疏滤波网络的整体结 构。
[0011] (5)对深度稀疏滤波网络预训练，将训练样本及其对应的Wishart近邻样本送入到 深度稀疏滤波网络中进行预训练，采用逐层贪婪的预训练方法，前一层的输出作为后一层 的输入，直到训练完最后一个隐层，同时在每层的预训练中加入半监督近邻保持正则项，与 稀疏滤波器共同优化网络的权重，深度稀疏滤波网络的权重得到初步优化。
[0012] (6)对深度稀疏滤波网络微调，利用训练样本及其标签信息，结合Softmax分类器 对深度稀疏滤波网络进行微调，进一步优化网络的权重，使网络变得更稳定，至此，深度稀 疏滤波网络优化完成。
[0013] (7)测试深度稀疏滤波网络的性能，对测试样本进行类别预测，将测试样本送入到 深度稀疏滤波网络，利用Softmax分类器对测试样本的类别标签进行预测，得到每个测试样 本的预测类别。
[0014] (8)输出待分类的极化SAR图像的分类结果图和分类精度，根据训练样本和步骤 (7)中已预测出类别的测试样本，输出待分类的极化SAR图像的最终分类结果并计算本次分 类的精度。
[0015] 本发明的技术思路是：将单层的稀疏滤波器拓展为一种新颖的深度稀疏滤波网 络，在拥有少量标记样本的情况下，结合半监督思想，对极化SAR数据进行特征学习，通过分 类器实现地物分类，提高分类准确度。
[0016] 本发明具有如下优点：
[0017] 1、本发明由于采用了深度学习的方法，利用深度稀疏滤波网络来自主地学习极化 SAR图像的特征，因而避免了传统方法中人工学习特征的繁琐，并且深度稀疏滤波网络可W 学习到极化SAR图像更为抽象本质的特征，运些特征更加有利于极化SAR图像的地物分类。
[0018] 2、本发明方法由于在稀疏滤波器的基础上拓展得到深度稀疏滤波网络，此深度学 习网络有着较少的参数和稳定的性能，因而有效弥补了传统深度学习网络参数复杂，难W 调节的缺陷，适当避免了因参数调节不当造成分类结果不理想的情况。
[0019] 3、本发明方法由于采用了半监督学习的方法，在预训练的过程中加入了半监督正 则项，因而改善了在标记样本较少的情况下分类器分类正确率较低，W及大量无标记样本 造成的信息浪费的问题。
【附图说明】
[0020] 图1是本发明的实现流程示意图；
[0021] 图2是对极化SAR地物仿真图像的实验结果图，其中图2(a)是极化SAR仿真图的 Pauli分解图，图2(b)是仿真图的标签图，图2(c)是采用对比方法DNN的分类结果图，图2(d) 是采用对比方法SAE的分类结果图，图2(e)是采用对比方法DSF的分类结果图，图2(f)是采 用本发明方法的分类结果图。
【具体实施方式】
[0022 ]下面结合附图对本发明详细说明
[0023] 实施例1
[0024] 因遥感技术的发展，在环境监测、地球资源勘测、军事系统等领域有着广泛的应 用，对极化SAR图像处理的需求也不断加大，深度学习在机器学习方法中有着较为明显的优 势，而传统的深度学习网络需要大量的参数调节，会消耗大量的时间，且可能直接影响深度 学习网络的性能W及最终的分类结果，因此，本发明提出一种基于半监督深度稀疏滤波网 络的极化SAR分类方法，参见图1，包括如下步骤：
[0025] (1)输入待分类的极化SAR图像数据，即极化SAR图像的相干矩阵T，根据极化SAR图 像的地物分布信息得到标签矩阵Y，同一种地物无论分布如何，在标签矩阵中由同样的类别 标号表示，不能确定类别的地物分布在标签矩阵中用0表示，由极化SAR图像的相干矩阵T生 成样本矩阵义=杆，.指,，N是样本的总个数，XI表示第i个样本。
[0026] la、取极化SAR图像的极化相干矩阵T的上Ξ角位置的6个元素的模值作为每个像 素点的原始特征；
[0027] 化、利用MATLAB软件中的reshape函数将T矩阵转化为二维的样本矩阵义=扣,.诘，X eRPxw，p二6为样本矩阵的维数，N为样本总数，每一列表示一个样本，运是对极化SAR数据的 基本处理。
[0028] (2)提取训练样本和测试样本，根据极化SAR图像的样本数据X和标签矩阵Y，随机 提取出L个训练样本，Μ个测试样本，其中L+M = N，根据所有样本的类别信息，每类随机选取 1 %的样本作为训练样本，其余的为测试样本。
[0029] (3)求训练样本的Wishart近邻样本，在所有的样本数据中，求取每个训练样本XI 。=1，2..丄)所对应的1(个机311曰1'1:近邻样本义^^' = 1，2...1〇，由于极化54踐义据本身服从 Wishad分布，离更小的两个样本之间更有可能属于相同的类别，至此，基本的数 据处理完成。
[0030] (4)开始优化深度稀疏滤波网络，初始化深度稀疏滤波网络的基本参数，随机初始 化深度稀疏滤波网络的权重参数W，设定深度稀疏滤波网络每层的节点数。
[0031] (5)对深度稀疏滤波网络预训练，将训练样本及其对应的Wishart近邻样本送入到 深度稀疏滤波网络中进行预训练，采用逐层贪婪的预训练方法，前一层的输出作为后一层 的输入，直到训练完最后一个隐层，在每层的预训练中加入半监督近邻保持正则项，与稀疏 滤波共同优化网络的权重。训练样本及其Wishart近邻样本的正则项约束可W优化深度稀 疏滤波网络结构，使其更加有利于对服从Wishart分布的极化SAR数据进行地物分类，同时 在预训练中进一步加强了对无标记样本的使用，在有少量标记样本的情况下也可W取得很 好的地物分类精度。稀疏滤波本身有着较少的参数需要调节，利用贪婪算法拓展为深度稀 疏滤波网络结构后在参数调节方面有着较大的优势，且学习到的新的样本特征用于地物分 类也有着较高的精度。
[0032] (6)对深度稀疏滤波网络微调，利用训练样本及其标签信息，结合Softmax分类器 对深度稀疏滤波网络进行微调，进一步优化网络的权重，使网络更稳定。
[0033] (7)对测试样本进行类别预测，将测试样本送入到深度稀疏滤波网络，利用 Softmax分类器对测试样本的类别标签进行预测，得到每个测试样本的预测类别。
[0034] (8)输出待分类的极化SAR图像的分类结果图和分类精度，根据训练样本和步骤 (7)中已预测出类别的测试样本，输出待分类的极化SAR图像的最终分类结果，参见图2(f)， 并计算本次分类的精度。
[0035] 本发明在单层稀疏滤波器的基础上拓展得到深度稀疏滤波网络，本发明的深度学 习网络有着较少的参数调节，有效弥补了传统深度学习网络参数复杂，难W调节的缺陷;本 发明具有稳定的性能，适当避免了因参数调节不当造成分类结果不理想的情况。
[0036] 实施例2
[0037] 基于半监督深度稀疏滤波网络的极化SAR分类方法同实施例1，步骤(3)所述的求 每个训练样本的Wishart近邻样本，是按如下步骤获得：
[003引3曰、训练样本矩阵为义1 =托杞，利用下面的公式求取训练样本和其它样本之间的 Wisha;rt 距离：
[0039] d(xi,xj) = ln((xi)-ixj)巧;r((xj)-ixi)-q(x=l ,2, ...,LJ = 1,2,...,N)，
[0040] 其中，Tr()表示矩阵的迹，对于发送与接收是一体的雷达，由于互易性，q = 3;对于 发送与接收不是一体的雷达，q = 4;
[0041 ] 3b、利用MATLAB中的sod函数，将3a中求得的Wishad距离d(xi，xj)按绝对值升序 排列，取前K个，找到与其对应的前K个样本，作为训练样本XI的Wishart近邻样本，记为： 二I
[0042] 实施例3
[0043] 基于半监督深度稀疏滤波网络的极化SAR分类方法同实施例1-2,步骤(4)中所述 初始化深度网络的参数为：
[0044] 4a、深度稀疏滤波网络的隐层数为3,每层的节点数分别为:25，100,50;
[0045] 4b、初始化深度稀疏滤波网络的权重恥，胖1^炒><9,〇是输入信号的维数，9是第一个 隐层的节点数。
[0046] 本发明的深度稀疏滤波网络有着较少的参数需要调节，参数初始化方便，网络的 训练过程中也只有简单的正则项参数需要调节，和其它深度学习方法相比耗时较少。
[0047] 实施例4
[0048] 基于半监督深度稀疏滤波网络的极化SAR分类方法同实施例1-3,步骤(5)所述的 对深度稀疏滤波网络的预训练过程为：
[0049] 5曰、输入深度稀疏滤波网络的预训练样本，将训练样本xi(i = l，2. . .L)及其对应 的K个邻样本?/(.Υ,.) =林;，.T,2，...，xf}作为预训练样本输入到深度网络中；
[0050] 5b、利用第一个隐层学习新的样本特征，将传统的非线性sigmoid函数作为激活函 数：Φ(z) = (l+e邱(-z))-l，χeRDx墙输入向量，则第一个隐层的输出为:々|=抑!f/..v)，第i个 样本的输出表示为hl(Xi)，作为新的样本特征；
[0051] 5c、优化网络权重W，每一层稀疏滤波网络利用LBFGS算法求解下面的目标函数，从 而优化网络的权重W，目标函数为：
[0054] 其中，目标函数中的
为半 监督近邻保持正则项，参照流形学习的方法利用样本之间的近邻关系来优化网络的结构，λ 为正则项参数，
U(Xi)表示训练样本Xi对应的Wishart近邻样本集合；
[0055] 5d、贪婪算法训练其余隐层，将加中学习到的新的样本特征hi作为新的输入送到 下一层，利用贪婪学习算法，将上一层的输出作为下一层的输入，利用5c中的目标函数^ (W)依次优化每个隐层的权重W，直到训练完最后一个隐层，样本XI通过最后一个隐层的输 出可W表示为h3(Xi)。
[0056] 本发明通过稀疏滤波和半监督正则项相结合来进行深度网络预训练，将网络的权 重参数优化到一个合适的范围，进一步优化了网络的结构，更有利于对服从Wishad分布的 极化SAR数据样本进行地物分类。
[0化7] 实施例5
[005引基于半监督深度稀疏滤波网络的极化SAR分类方法同实施例1-4,步骤(6)所述的 对深度稀疏滤波网络的微调，有如下目标函数：
[0化9]
[0060] 其中，
曼权重衰减项，权重衰减项的目 的在于减少权重的幅度，防止过拟合，yi表示训练样本XI对应的类别标签，h(xi)是将训练样 本XI经过整个深度网络后学习到的特征h3(xi)，送到Softmax分类器中得到的输出，β = 3θ-3 为权重衰减参数；
[0061] 利用梯度下降算法求解上述目标函数L2(W)，进一步优化稀疏滤波网络的权重W， 实现整个网络的微调，从而构建深度稀疏滤波网络，采用该网络学习到的特征将更有利于 实现极化SAR图像的地物分类。
[0062] 下面给出一个更加详尽的例子，对本发明进一步说明：
[0063] 实施例6
[0064] 基于半监督深度稀疏滤波网络的极化SAR分类方法同实施例1-5,参照图1，本发明 的具体实施步骤如下：
[0065] 步骤1、输入待分类的极化SAR图像数据，参见图2(a)，输入极化SAR图像的相干矩 阵T，根据极化SAR图像的地物分布信息得到标签矩阵Y，参见图2(b)，图2(b)就是由标签矩 阵Y直接生成的图像，图像中不同的色块代表不同的地物，同一种地物的分布在标签矩阵中 由同样的类别标号表示，不能确定类别的地物分布在标签矩阵中用0表示，根据极化SAR图 像的相干矩阵τ生成样本矩阵义=枉侣1，N是样本的总个数，Xi表示第i个样本。
[0066] 本实例使用极化SAR地物仿真图像。由于极化SAR数据的极化相干矩阵T是哈密顿 半正定矩阵，所W可W提取维数为3X3的极化相干矩阵T的上Ξ角位置的6个元素的模值作 为每个像素点的原始特征，利用MATLAB软件中的reshape函数将T矩阵转化为二维的样本矩 阵，每一列表示一个样本，仿真数据有18000个样本，每个样本的维数为6维。每个样本对应 极化SAR图像上的一个像素点。
[0067] 步骤2、提取训练样本和测试样本，根据极化SAR图像的样本数据X和标签矩阵Y，将 样本数据按类别随机提取出L个训练样本，Μ个测试样本，其中L+M = N。将样本数据按照其各 自所在的类别，按照1:99的比例随机提取为训练样本和测试样本，每类的测试样本占该类 总数的1%。
[0068] 步骤3、求训练样本的Wishart近邻样本，在所有的样本数据中，求取每个训练样本 xi(i = l,2..丄)所对应的K个Wishart近邻样本xj(j = l,2. . .K)。
[0069] 3a、对于训练样本xi(i = l，2..丄），按照改进的Wishart距离公式，求它和其它样 本之间的Wisha;rt距离：d(Xi,Xj) = ln((Xi)-lχj)巧;r((Xj)-lχi)-q(x=l,2,...,L,j = l, 2，...，N)，
[0070] 其中，Tr()表示矩阵的迹，对于发送与接收是一体的雷达，由于互易性，q = 3,对于 发送与接收不是一体的雷达，q = 4,本实例使用的极化SAR地物仿真图像数据是由发送与接 收一体的雷达系统获取生成，q取3。
[0071] 3b、利用MATLAB中的sod函数，将3a中求得的Wishad距离d(Xi，Xj)按绝对值升序 排列，取前K个，找到与其对应的前K个样本，作为训练样本XI的Wishart近邻样本，记为： ^(.-?)=枉:，-取义。
[0072] 步骤4、初始化深度稀疏滤波网络的基本参数，随机初始化深度稀疏滤波网络的权 重参数W，设定深度稀疏滤波网络每层的节点数。
[0073] 设置深度稀疏滤波网络的Ξ个隐层节点数，分别为25，100,50;初始化网络的权重 矩阵Wl，Wle护>^D是输入信号的维数，N是第一个隐层的节点数。
[0074] 本发明的深度稀疏滤波网络有着较少的参数和稳定的性能，有效弥补了传统深度 学习网络参数复杂，难W调节的缺陷，适当避免了因参数调节不当造成分类结果不理想的 情况。
[0075] 步骤5、对深度稀疏滤波网络预训练。
[0076] 5曰、输入深度稀疏滤波网络的预训练样本，将训练样本xi及其对应的K个Wishart 近邻样本1/片）={杳扣...，皆}作为预训练样本输入到深度网络中，1 = 1，2，...山
[0077] 5b、利用第一个隐层学习新的样本特征，将传统的非线性sigmoid函数作为激活函 数：Φ(z) = (l+e邱(-z))-l，χeREx堪输入向量，则第一个隐层的输出为:?^=挪rl?，第i个 样本的输出表示为hl(Xi)，作为新的样本特征；
[0078] 5c、优化网络权重W，每一层稀疏滤波网络利用LBFGS算法求解下面的目标函数，从 而优化网络的权重W，目标函数为：
[0081 ] 其中，目标函数中的
为半 监督近邻保持正则项，参照流形学习的方法利用样本之间的近邻关系来优化网络的结构，λ 为正则项参数，
，U(Xi)表示训练样本XI对应的113}1曰的近邻样本集合。
[0082] 5d、贪婪算法训练其余隐层，将加中学习到的新的样本特征hi作为新的输入送到 下一层，利用贪婪学习算法，将上一层的输出作为下一层的输入，利用5c中的目标函数^ (W)依次优化每个隐层的权重W，直到训练完最后一个隐层，样本XI通过最后一个隐层的输 出可W表示为h3(Xi)。
[0083] 本发明通过稀疏滤波和半监督正则项相结合来进行深度网络预训练，将网络的权 重参数优化到一个合适的范围，进一步优化了网络的结构，更有利于对服从Wishad分布的 极化SAR数据样本进行地物分类。
[0084] 步骤6、对深度稀疏滤波网络微调。
[0085] 预训练完成后，网络的权重W已经收敛到合理的范围，进一步利用训练样本和其对 应类别标签信息，结合Sof tmax分类器对网络进行微调：
[0086]
[0087] 其中
是权重衰减项，权重衰减项的目 的在于减少权重的幅度，防止过拟合，yi表示训练样本XI对应的类别标签，h(xi)是将训练样 本XI经过整个深度网络后学习到的特征h3(xi)，送到Softmax分类器中得到的输出，β = 3θ-3 为权重衰减参数；
[0088] 利用梯度下降算法求解上述目标函数L2(W)，进一步优化稀疏滤波网络的权重W， 实现整个网络的微调。
[0089] 步骤7、对测试样本进行类别预测，将测试样本送入到深度稀疏滤波网络，利用 Softmax分类器对测试样本的类别标签进行预测，得到每个测试样本的预测类别。
[0090] 7a、将测试样本X非俞入到已经构建好的深度稀疏滤波网络中，学习到最终的特征 白=
[0091] 7b、将7a中学习到的最终特征送到Softmax分类器中进行类别预测：
[0092] Softmax分类器的输出是yERPxi，P表示为类别数，测试样本xj的预测类别可W表 示为：
[0093]
[0094] 其中α是样本X北勺预测类别置信度。
[0095] 步骤8、输出待分类的极化SAR图像的分类接骨拼图和分类精度，根据训练样本和 步骤7中已预测出类别的测试样本，输出待分类的极化SAR图像的最终分类结果并计算本次 分类的精度。
[0096] (8a)利用分类器预测的样本类别，对应到极化SAR图像上的每个像素点，将红色、 绿色、蓝色作为Ξ基色，按照Ξ基色上色法为每个像素点上色，输出结果图，参见图2(f)。
[0097] (8b)将分类器预测的类别标号与测试样本真实的类别标号进行对比，得出实验的 分类正确率。
[0098] 本发明由于采用了深度学习的方法，利用深度稀疏滤波网络来自主地学习极化 SAR图像的特征，因而避免了传统方法中人工学习特征的繁琐，深度稀疏滤波网络可W学习 到极化SAR图像更为抽象本质的特征，运些特征更加有利于极化SAR图像的地物分类。
[0099] 本发明的效果可W通过仿真实验具体说明：
[0100] 实施例7
[0101] 基于半监督深度稀疏滤波网络的极化SAR分类方法同实施例1-6，
[0102] 1.实验条件
[0103] 硬件平台为：Intel(R)Core(TMH5-2410M CPU@2.30GHz、RAM 4.00GB;
[0104] 软件平台为:MATLAB R20Ub;
[0105] 实验选用120X150的极化SAR地物仿真图像进行测试，有18000个样本点，每个样 本点的维数为6维，类别数为9,标记为Ci，i = l，2, . . .，9。实验中，每类随机选取1%的样本 作为训练样本，其余的为测试样本。
[0106] 2.实验内容与结果
[0107] 本发明结合Softmax分类器对极化SAR地物仿真图进行分类，在同样实验设置的前 提下与其它深度学习方法进行比较，其中为深度神经网络，图2(c)是由对图2(a)进 行分类的结果图；实验中还采用了SAE找式自编码器，图2(d)用SAE方法对图2(a)进行分类 的结果图；图2(e)是采用DSF深度稀疏滤波网络对图2(a)进行分类的结果图；SDSF为本发明 方法。表1为采用上述4种方法分别得到的极化SAR地物仿真图像的地物分类精度和总体分 类精度。
[0108] 表1、各种方法在仿真图上的地物分类精度（％ )和总体分类精度（％ )
[0109]
[0110] 从表1中可W看出，在训练样本均为1 %的情况下，本发明与现有的深度学习方法 相比具有较高的分类精度。参见仿真实验结果图2,本发明具有更高的可视性。
[0111] 综上所述，本发明提出的基于半监督深度稀疏滤波网络的极化SAR分类方法改善 了传统深度学习方法参数调节过多，对训练样本要求较大的问题，能够有效提高极化SAR图 像的分类精度，而且在训练样本较少的情况下也能得到较高的分类精度。
[0112] 本发明公开了一种基于半监督稀疏滤波的半监督深度学习方法。解决了传统深度 学习方法参数调节复杂，在拥有较低标签数据时分类精度不高的技术问题，其步骤包括:1、 输入待分类的极化SAR图像数据，即极化SAR图像的相干矩阵T，根据极化SAR图像的地物分 布信息得到标签矩阵Y，由极化SAR图像的相干矩阵T生成样本矩阵X;2、提取训练样本和测 试样本，根据极化SAR图像的样本数据X和标签矩阵Y，随机提取出L个训练样本，Μ个测试样 本;3、求训练样本的Wishart近邻样本，在所有的样本数据中，求取每个训练样本xi( i = 1， 2. . .L)所对应的Κ个Wishad近邻样本;4、初始化深度稀疏滤波网络的参数，随机初始化深 度稀疏滤波网络的权重参数W，设定深度稀疏滤波网络每层的节点数;5、深度稀疏滤波网络 预训练，将训练样本及其对应的Wishart近邻样本送入到深度稀疏滤波网络中进行预训练， 采用逐层贪婪的预训练方法，前一层的输出作为后一层的输入，直到训练完最后一个隐层， 同时在每层的预训练中加入半监督近邻保持正则项，与稀疏滤波共同优化网络的权重;6、 深度稀疏滤波网络微调，利用训练样本及其标签信息，结合Softmax分类器对深度稀疏滤波 网络进行微调，进一步优化网络的权重;7、对测试样本进行类别预测，将测试样本送入到深 度稀疏滤波网络，利用Softmax分类器对测试样本的类别标签进行预测，得到每个测试样本 的预测类别;8、输出待分类的极化SAR图像的分类图像和分类精度，根据训练样本已预测出 类别的测试样本，输出待分类的极化SAR图像的最终分类结果并计算分类的精度。
[0113] 本发明通过构建新颖的深度稀疏滤波网络模型，降低了深度学习网络参数调节的 复杂度，并在预训练过程中加入半监督近邻保持正则项的方法，减少了训练样本的个数，通 过借助少量的训练样本提高了极化SAR图像地物分类的正确率。可用于环境监测、地球资源 勘测和军事系统等应用。
【主权项】
1. 本发明是一种基于半监督深度稀疏滤波网络的极化SAR分类方法，其特征在于，包括 如下步骤： (1) 输入待分类的极化SAR图像数据，即极化SAR图像的相干矩阵T，根据极化SAR图像的 地物分布信息得到标签矩阵Y，由极化SAR图像的相干矩阵T生成样本矩阵尤={X,}: ,Ν是样 本的总个数，xi表示第i个样本； (2) 提取训练样本和测试样本，根据极化SAR图像的样本数据X和标签矩阵Y，随机提取 出L个训练样本，Μ个测试样本，其中L+M=N，根据所有样本的类别信息，每类随机选取1 %的 样本作为训练样本，其余的为测试样本； (3) 求训练样本的Wishart近邻样本，在所有的样本数据中，求取每个训练样本xi(i = l,2. · .L)所对应的K个Wishart近邻样本xj(j = l,2. · ·Κ); (4) 初始化深度稀疏滤波网络的基本参数，随机初始化深度稀疏滤波网络的权重参数 W，设定深度稀疏滤波网络每层的节点数； (5) 对深度稀疏滤波网络预训练，将训练样本及其对应的Wishart近邻样本送入到深度 稀疏滤波网络中进行预训练，采用逐层贪婪的预训练方法，前一层的输出作为后一层的输 入，直到训练完最后一个隐层，同时在每层的预训练中加入半监督近邻保持正则项，与稀疏 滤波器共同优化网络的权重； (6) 对深度稀疏滤波网络微调，利用训练样本及其标签信息，结合Softmax分类器对深 度稀疏滤波网络进行微调，进一步优化网络的权重； (7) 对测试样本进行类别预测，将测试样本送入到深度稀疏滤波网络，利用Softmax分 类器对测试样本的类别标签进行预测，得到每个测试样本的预测类别； (8) 输出待分类的极化SAR图像的分类结果图和分类精度，根据训练样本和已预测出类 别的测试样本，输出待分类的极化SAR图像的最终分类结果并计算本次分类的精度。2. 根据权利要求1所述的基于半监督深度稀疏滤波网络的极化SAR分类方法，其特征在 于，步骤(3)所述的求每个训练样本的Wishart近邻样本，是按如下步骤获得： 3a、训练样本矩阵为义={χ匕，利用下面的公式求取训练样本和其它样本之间的 Wishart 距离： d(xi,Xj) = ln((xi)_1Xj)+Tr((xj)_1Xi)-q(x=l,2, . . . ,L, j = 1,2, . . . ,Ν), 其中，Tr〇表示矩阵的迹，对于发送与接收是一体的雷达，由于互易性，q = 3;对于发送 与接收不是一体的雷达，q = 4; 3b、利用MATLAB中的sort函数，将3a中求得的Wishart距离d(xi，xj)按绝对值升序排列， 取前K个，找到与其对应的前K个样本，作为训练样本Xi的Wishart近邻样本，记为： U(Xi) = {x],xf ,,,.,χι } .〇3. 根据权利要求1所述的基于半监督深度稀疏滤波网络的极化SAR分类方法，其特征在 于，步骤(4)中所述初始化深度网络的参数为： 4a、深度稀疏滤波网络的隐层数为3，每层的节点数分别为:25，100，50; 4b、初始化深度稀疏滤波网络的权重是输入信号的维数，Q是第一个隐层 的节点数。4. 根据权利要求1所述的基于半监督深度稀疏滤波网络的极化SAR分类方法，其特征在 于，其中步骤(5)所述的对深度稀疏滤波网络的预训练过程为： 5a、输入深度稀疏滤波网络的预训练样本，将训练样本Xi及其对应的K个Wishart近邻样 本:[/(七）={;^1，'2,...,1严}作为预训练样本输入到深度网络中，1 = 1，2，...丄； 5b、利用第一个隐层学习新的样本特征，将传统的非线性sigmoid函数作为激活函数： Φ(ζ) = (1+ΘΧρ(-ζ))-Sxef1是输入向量，则第一个隐层的输出为:1η=Φ (WiTx)，第i个 样本的输出表示为hi (xi )，作为新的样本特征； 5c、优化网络权重W，每一层稀疏滤波网络利用LBFGS算法求解下面的目标函数，从而优 化网络的权重W，目标函数为：η 、 其中，目标函数中的| 为稀疏滤波目标函数，Σ為/|^(七)-~(勺|为半监督 ' /.户 i 近邻保持正则项，参照流形学习的方法利用样本之间的近邻关系来优化网络的结构，λ为正 则项参数，l ( j，U(Xi)表示训练样本Xi对应的Wishart近邻样本集合。 5d、贪婪算法训练其余隐层，将5b中学习到的新的样本特征In作为新的输入送到下一 层，利用贪婪学习算法，将上一层的输出作为下一层的输入，利用5c中的目标函数LKW)依 次优化每个隐层的权重W，直到训练完最后一个隐层，样本^通过最后一个隐层的输出可以 表不为h3(Xi)。5.根据权利要求1所述的基于半监督深度稀疏滤波网络的极化SAR分类方法，其特征在 于，步骤(6)所述的对深度稀疏滤波网络的微调，有如下目标函数：其中 是均方误差项，ΣΙΚΙ是权重衰减项，权重衰减项的目的在 U. 于减少权重的幅度，防止过拟合，yl表示训练样本X1对应的类别标签，h(xl)是将训练样本 X1 经过整个深度网络后学习到的特征h3(Xl)，送到Softmax分类器中得到的输出，β = 3θ-3为权 重衰减参数； 利用梯度下降算法求解上述目标函数L2(w)，进一步优化稀疏滤波网络的权重W，实现整 个网络的微调。
【文档编号】G06K9/62GK106067042SQ201610415914
【公开日】2016年11月2日
【申请日】2016年6月13日 公开号201610415914.3, CN 106067042 A, CN 106067042A, CN 201610415914, CN-A-106067042, CN106067042 A, CN106067042A, CN201610415914, CN201610415914.3
【发明人】刘红英, 闵强, 杨淑媛, 焦李成, 慕彩虹, 熊涛, 王桂婷, 冯婕, 朱德祥
【申请人】西安电子科技大学