基于收缩自编码器的sar图像分类方法
【专利摘要】本发明公开了一种基于收缩自动编码器的SAR图像分类方法。本发明实现的步骤为：(1)输入图像；(2)进行平稳小波分解；(3)选取训练样本；(4)构建并行的两层级的收缩自编码器；(5)训练并行的两层级的收缩自编器；(6)构造样本特征集；(7)训练Softmax分类器；(8)分类。本发明相比现有技术多层级局部模式直方图的特征提取方法，具有分类精度高，区域一致性好，边缘分类精确的优点，解决了相干斑噪声影响，区域分类混乱和边缘不整齐的问题。本发明可应用于合成孔径雷达SAR图像目标检测和目标识别。
【专利说明】
基于收缩自编码器的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，更进一步涉及目标识别技术领域中的一种基于收 缩自编码器的SAR(Synthet i c Aperture Radar)图像分类方法。本发明可应用于目标识别 图像信息的获取、SAR图像目标识别，能够对图像的不同区域进行准确分类。
【背景技术】
[0002] 合成孔径雷达SAR是一种主动式的对地观测系统，和光学、红外等其他传感器相 比，SAR成像受大气、光照等条件的限制较小，可对感兴趣的目标进行全天候、全天时地侦 察，同时具备高分辨、大幅宽等多种特点。SAR能有效识别伪装和穿透掩盖物，因此在遥感测 绘、军事侦察、抗震救灾等军事和民用领域得到了广泛应用，已经成为一种不可或缺的对地 观测和军事侦察的工具。
[0003] SAR图像分类是是实现SAR图像自动处理的一个关键步骤，是SAR图像解译中基本 而关键的技术之一。SAR图像分类，是对SAR图像进行进一步解译的前提。其目的是根据给定 图像的像素自身属性以及它与邻域像素的相关特性赋予每个像素一个类标，并将具有相同 特性的所有像素聚集起来以辨别出像素所属的种类。在SAR图像的成像过程中，由于不同的 地物具有不同的后向反射和散射特性，因此SAR图像中常常会包含有丰富的纹理信息。另一 方面，由于SAR采用的是相干成像体制，成像后的SAR图像会受到相干斑噪声的影响，因此这 就为SAR图像的理解与解译带来一定的困难。考虑到以上两点，在利用SAR图像对地物进行 分类时，特征提取与选择便十分具有难度和挑战性。目前SAR图像的特征提取方法经常是基 于图像子区域的特征提取方法，例如：
[0004] D.X.Dai等人在其发表的论文"Multilevel local pattern histogram for SAR image classification，''（ IEEE Trans on Geoscience and Remote Sensing Letters, 2011，8(2) ,225-229)中提出了一种多层级局部模式直方图(MLPH)的特征提取方法。该方法 首先利用多层级局部模式直方图提取图像子区域的图像特征，再利用SVM分类器对每一个 区域标记，从而完成整幅图像的分类。该方法存在的不足之处是，该方法特征提取过于单 一，未考虑SAR图像中丰富的纹理信息，分类结果中明显地出现了区域分类混乱，边缘不整 齐的现象。
[0005] 薛笑荣等人在其申请的专利"基于空间域和频域特征的并行SAR图像分类方法" (专利申请号:CN201510185815.6,公开号:CN104751477A)中提出一种基于空间域和频域特 征的并行SAR图像分类方法。该方法首先对每个图像子区域中的每个像元计算相应的小波 能量特征、灰度共生矩阵特征和滤波后的灰度均值特征，然后回收图像子区域中每个像元 的小波能量特征、灰度共生矩阵特征和滤波后的灰度均值特征得到SAR图像中的每一像元 的小波能量特征、灰度共生矩阵特征和滤波后的灰度均值特征，最后将组成的特征向量进 行聚类，得到最终的分类结果。该方法存在的不足之处是，图像特征提取的过程过分依赖灰 度特征，纹理特征提取不完全，同时采用无监督分类的方式在分类精度上会有较大的损失， 这样会造成最终的SAR图像分类结果精度低。
【发明内容】
[0006] 本发明的目的在于克服上述现有技术存在的不足，提供一种基于收缩自动编码器 和平稳小波变换的SAR图像分类方法，该方法在传统SAR图像特征提取的基础上结合深度学 习模型，通过训练多层级的收缩自动编码器，提取图像更为高级和有效的特征，并且结合 Softmax分类器对多层级的收缩自动编码器进行整体参数微调，有效的提高了 SAR图像的分 类精度。
[0007] 本发明包括如下步骤：
[0008] (1)输入图像：
[0009] 输入一幅待分类的合成孔径雷达SAR图像；
[0010] (2)进行平稳小波分解：
[0011] 将待分类的合成孔径雷达SAR图像进行1层平稳小波分解，分别获取待分类的合成 孔径雷达SAR图像的1个低频分量和3个高频分量；
[0012] ⑶选取训练样本：
[0013] (3a)将待分类的合成孔径雷达SAR图像平稳小波分解的3个高频分量在列方向上 首尾相接，合并为总的高频分量；
[0014] (3b)从待分类的合成孔径雷达SAR图像平稳小波分解的低频分量和总的高频分量 中分别随机选取10%的样本，作为低频训练样本和高频训练样本；
[0015] (4)构建并行的两层级的收缩自编码器：
[0016] (4a)按照下式，通过收缩自编码器的第一层的编码，生成收缩自编码器的第一层 的输出特征：
[0017] y = f(w ⑴ χ+b ⑴）
[0018] 其中，y表示收缩自编码器的第一层的输出特征，f( ·)表示Sigmod非线性激活操 作，w(1)表示收缩自编码器的输入单元与收缩自编码器的第一层之间的值全1矩阵的权值系 数，X表示收缩自编码器的原始输入数据，b (1)表示收缩自编码器的输入单元与收缩自编码 器的第一层之间的值为全1矩阵的偏置系数；
[0019] (4b)将收缩自编码器的第一层的输出特征，输入到收缩自编码器的第二层；
[0020] (4c)按照下式，通过收缩自编码器的第二层的解码，生成收缩自编码器的第二层 的输出特征，组成了两层级的收缩自编码器：
[0021] z = f(W(2)y+b(2))
[0022] 其中，z表示收缩自编码器的第二层的输出特征，f( ·)表示Sigmod非线性激活操 作，w(2)表示收缩自编码器的第二层与收缩自编码器的输出单元之间的值全1矩阵的权值系 数，y表示收缩自编码器的第一层的输出特征，b (2)表示收缩自编码器的第二层与收缩自编 码器的输出单元之间的值为全1矩阵的偏置系数，b(2)的初始值为全1矩阵；
[0023] (4d)采用步骤(4a)、步骤(4b)、步骤(4c)相同的方法，再构建一个相同的两层级的 收缩自编码器；
[0024] (4e)将两个两层级的收缩自编码器并列，得到并行的两层级的收缩自编码器；
[0025] (5)训练并行的两层级的收缩自编码器：
[0026] (5a)采用收缩自编码器网络训练方法，将低频训练样本输入一个两层级的收缩自 编码器，得到训练样本高级别的低频特征；
[0027] (5b)采用收缩自编码器网络训练方法，将高频训练样本输入另外一个的两层级的 收缩自编码器，得到训练样本高级别的高频特征；
[0028] (6)构造样本特征集：
[0029] 将训练样本高级别的低频特征和高级别的高频特征在列方向上进行首尾相接，合 并为总的高级别特征；
[0030] (7)训练 Softmax 分类器：
[0031] (7a)将Softmax分类器的训练步长设置为1000;
[0032] (7b)将总的高级特征输入到Softmax分类器中，利用随机梯度下降SGD法，对 Softmax分类器进行训练；
[0033] (7c)对并行的两层级的收缩自编码器和Softmax分类器组成的整体进行参数微 调，直至达到设定的步长；
[0034] (8)分类：
[0035] 将待分类的合成孔径雷达SAR图像平稳小波分解获取的全部的低频分量和总的高 频分量，分别输入到训练好的两层级的收缩自编码器网络中，最终输出待分类的合成孔径 雷达SAR图像的分类结果。
[0036] 本发明与现有的技术相比具有以下优点：
[0037] 第一，由于本发明采用平稳小波分解技术和收缩自编码器相结合的方法，提取待 分类SAR图像特征，克服了现有技术特征提取方法受到相干斑噪声影响的问题，使得本发明 提取的待分类SAR图像特征信息丰富，特征鲁棒性强。
[0038]第二，由于本发明采用训练并行的两层级的收缩自编码器和训练Softmax分类器 相结合的方法，对待分类SAR图像进行分类，克服了现有技术分类方法造成的区域分类混 乱，边缘不整齐的现象，使得本发明具有分类精度高，区域一致性好，边缘分类精确的优点。
【附图说明】
[0039] 图1是本发明的流程图；
[0040] 图2是本发明和现有技术的MLPH分类方法，在Ku-band UAVSAR合成孔径雷达SAR测 试图像上的仿真示意图；
[0041 ]图3是本发明和现有技术的MLPH分类方法，在TerraSAR-X合成孔径雷达SAR测试图 像上的仿真示意图。
【具体实施方式】
[0042]下面结合附图对本发明做进一步的详细描述。
[0043]下面结合附图1对本发明的步骤做进一步的详细描述。
[0044] 步骤1.输入图像。
[0045] 输入一幅待分类的合成孔径雷达SAR图像。
[0046] 步骤2.进行平稳小波分解。
[0047]将待分类的合成孔径雷达SAR图像进行1层平稳小波分解，分别获取待分类的合成 孔径雷达SAR图像的1个低频分量和3个高频分量。
[0048] 1层平稳小波分解的具体步骤如下：
[0049]按照下式，计算待分类的合成孔径雷达SAR图像的低频分量：
[0051 ]其中，Λ>1Λ表示待分类的合成孔径雷达SAR图像平稳小波分解的第j层第nu行第m 列的低频分量，Σ表示求和操作表示在正交小波滤波器Η的滤波器系数匕间插入2^-1个 零的操作，為t ,"2 表示待分类的合成孔径雷达SAR图像平稳小波分解第j-Ι层第m2行第112列 的低频分量。
[0052]按照下式，计算待分类的合成孔径雷达SAR图像的水平方向的高频分量：
[0054] 其中，表示待分类的合成孔径雷达SAR图像平稳小波分解第j层第nu行第m 列的水平方向的高频分量，Σ表示求和操作，表示在正交小波滤波器Η的滤波器系数hj 间插入2^1个零的操作，表示在正交小波滤波器G的滤波器系数幻间插入2^1个零的操 作，為^"2."2表示待分类的合成孔径雷达SAR图像平稳小波分解第j-Ι层第m2行第11 2列的低频 分量。
[0055] 按照下式，计算待分类的合成孔径雷达SAR图像的垂直方向的高频分量：
[0057]其中，表示待分类的合成孔径雷达SAR图像平稳小波分解第j层第m行第m列 的垂直方向的高频分量，Σ表示求和操作，gW表示在正交小波滤波器G的滤波器系数间 插入2^1个零的操作，表示在正交小波滤波器Η的滤波器系数匕间插入2^1个零的操作， 表示待分类的合成孔径雷达SAR图像平稳小波分解第j-Ι层第m 2行第n2列的低频分 量。
[0058]按照下式，计算待分类的合成孔径雷达SAR图像的对角方向的高频分量：
[0060] 其中，D,· ,,,Λ表示待分类的合成孔径雷达SAR图像平稳小波分解第j层第nu行第m 列的对角方向的高频分量，Σ表示求和操作'2/表示在正交小波滤波器G的滤波器系数 间插入2^-1个零的操作，表示待分类的合成孔径雷达SAR图像平稳小波分解第j-1层 第m2行第Π 2列的低频分量。
[0061] 步骤3.选取训练样本。
[0062] 将待分类的合成孔径雷达SAR图像平稳小波分解的3个高频分量在列方向上首尾 相接，合并为总的高频分量。
[0063] 从待分类的合成孔径雷达SAR图像平稳小波分解的低频分量和总的高频分量中分 别随机选取10%的样本，作为低频训练样本和高频训练样本。
[0064] 步骤4.构建并行的两层级的收缩自编码器。
[0065] 第一步，按照下式，通过收缩自编码器的第一层的编码，生成收缩自编码器的第一 层的输出特征：
[0066] y = f (ff^^x+b*·1"1)
[0067] 其中，y表示收缩自编码器的第一层的输出特征，f( ·)表示Sigmod非线性激活操 作，w(1)表示收缩自编码器的输入单元与收缩自编码器的第一层之间的值全1矩阵的权值系 数，X表示收缩自编码器的原始输入数据，b (1)表示收缩自编码器的输入单元与收缩自编码 器的第一层之间的值为全1矩阵的偏置系数。
[0068] 第二步，将收缩自编码器的第一层的输出特征，输入到收缩自编码器的第二层。 [0069]第三步，按照下式，通过收缩自编码器的第二层的解码，生成收缩自编码器的第二 层的输出特征，组成了两层级的收缩自编码器：
[0070] z = f(W(2)y+b(2))
[0071] 其中，Z表示收缩自编码器的第二层的输出特征，f( ·)表示Sigmod非线性激活操 作，w(2)表示收缩自编码器的第二层与收缩自编码器的输出单元之间的值全1矩阵的权值系 数，y表示收缩自编码器的第一层的输出特征，b (2)表示收缩自编码器的第二层与收缩自编 码器的输出单元之间的值为全1矩阵的偏置系数，b(2)的初始值为全1矩阵。
[0072]第四步，采用与本步骤中的第一步、第二步、第三步相同的方法，再构建一个相同 的两层级的收缩自编码器。
[0073] 第五步，将两个两层级的收缩自编码器并列，得到并行的两层级的收缩自编码器。
[0074] 步骤5.训练并行的两层级的收缩自编码器。
[0075] 采用收缩自编码器网络训练方法，将低频训练样本输入一个两层级的收缩自编码 器，得到训练样本高级别的低频特征。
[0076] 收缩自编码器网络训练方法，得到训练样本高级别的低频特征的具体步骤如下： 按照下式，计算收缩自编码器的重构误差：
[0077] L{x, S) = ^i=, X： l〇g(^ ) + (1-Λ.) teg(l - zr)
[0078] 其中，L(x，z)表示收缩自编码器的重构误差，x表示低频训练样本，z表示收缩自编 码器的第二层的输出特征，Σ表示求和操作，d x表示特征的总维数，i表示具体的特征维数， Xl表示低频训练样本第i维的特征，log表示取对数操作，Zl表示收缩自编码器的第二层的输 出的第i维的特征。
[0079] 按照下式，计算收缩自编码器的惩罚项：
[0081] 其中，||·/(Χ)^表示收缩自编码器的惩罚项，J(x)表示收缩自编码器的第一层的输 出值关于权重的雅克比矩阵，X表示低频训练样本，I |表示F范数的平方操作，dh表示收缩 自编码器的第一层的输出特征的总维数，j表示具体的特征维数，^表示收缩自编码器的第 一层的第j维的输出特征，w表示收缩自编器的权值系数，11112表示范数的平方操作。
[0082] 按照下式，计算收缩自编码器的损失函数：
[0084] 其中，Jcae(0)表示收缩自编码器的损失函数，Θ表示收缩自编码器的参数，Σ表示 求和操作，1\ 1=&(1)4(2)，...0(")}表示包含1 1个样本的训练样本集合丄(^2)表示收缩自 编码器的重构误差，X表示低频训练样本，ζ表示收缩自编码器的第二层的输出特征，λ表示 权值调节参数，||·/(χ)￡表示收缩自编码器的惩罚项，JU)表示收缩自编码器的第一层的输 出值关于权重的雅克比矩阵，X表示低频训练样本，|| 表示F范数的平方操作。
[0085] 训练收缩自编码器，通过随机梯队下降SGD法优化收缩自编码器的损失函数，调整 收缩自编码器中的层与层之间的权值系数和偏置系数，使得收缩自编码器的重构误差最 小，得到训练样本高级别的低频特征。
[0086] 采用收缩自编码器网络训练方法，将高频训练样本输入另外一个的两层级的收缩 自编码器，得到训练样本高级别的高频特征。
[0087] 收缩自编码器网络训练方法，得到训练样本高级别的高频特征的具体步骤如下： 按照下式，计算收缩自编码器的重构误差：
[0088] L(x, z) = -v,. log(r;.) + (i -τ(.) log( 1 - r;.)
[0089] 其中，L(x，z)表示收缩自编码器的重构误差，x表示高频训练样本，z表示收缩自编 码器的第二层的输出特征，Σ表示求和操作，d x表示特征的总维数，i表示具体的特征维数， Xl表示高频训练样本第i维的特征，log表示取对数操作，Zl表示收缩自编码器的第二层的输 出的第i维的特征。
[0090] 按照下式，计算收缩自编码器的惩罚项：
[0092] 其中，||/〇)||^表示收缩自编码器的惩罚项，J(x)表示收缩自编码器的第一层的输 出值关于权重的雅克比矩阵，X表示高频训练样本，I |￡表示F范数的平方操作，dh表示收缩 自编码器的第一层的输出特征的总维数，j表示具体的特征维数，η表示收缩自编码器的第 一层的第j维的输出特征，w表示收缩自编器的权值系数，11112表示范数的平方操作。
[0093] 按照下式，计算收缩自编码器的损失函数：
[0095] 其中，Jcae(0)表示收缩自编码器的损失函数，Θ表示收缩自编码器的参数，Σ表示 求和操作，1\ 1=&(1)4(2)，...0(")}表示包含1 1个样本的训练样本集合丄(^2)表示收缩自 编码器的重构误差，X表示高频训练样本，ζ表示收缩自编码器的第二层的输出特征，λ表示 权值调节参数，|μ(ι)||；·表示收缩自编码器的惩罚项，J(x)表示收缩自编码器的第一层的输 出值关于权重的雅克比矩阵，X表示高频训练样本，II Ι??表示F范数的平方操作。
[0096] 训练收缩自编码器，通过随机梯队下降SGD法优化收缩自编码器的损失函数，调整 收缩自编码器中的层与层之间的权值系数和偏置系数，使得收缩自编码器的重构误差最 小，，得到训练样本高级别的高频特征。
[0097] 步骤6.构造样本特征集。
[0098] 将训练样本高级别的低频特征和高级别的高频特征在列方向上进行首尾相接，合 并为总的高级别特征。
[0099] 步骤7 ·训练Softmax分类器。
[0100] 将Softmax分类器的训练步长设置为1000。
[0101 ] 将总的高级特征输入到Softmax分类器中，利用随机梯度下降SGD法，对Softmax分 类器进行训练。
[0102] 对并行的两层级的收缩自编码器和Softmax分类器组成的整体进行参数微调，直 至达到设定的步长。
[0103] 步骤8.分类。
[0104]将待分类的合成孔径雷达SAR图像平稳小波分解获取的全部的低频分量和总的高 频分量，分别输入到训练好的两层级的收缩自编码器网络中，最终输出待分类的合成孔径 雷达SAR图像的分类结果。
[0105] 本发明的效果可通过以下仿真进一步说明：
[0106] 1、仿真条件：
[0107] 本发明的仿真是在主频2.6GHZ的Intel (R)Core(TM) i7-4720HQ CPU、内存8GB的硬 件环境和MATLAB R2014a的软件环境下进行的。
[0108] 2、仿真内容：
[0109] 图2为本发明和现有技术的MLPH分类方法，在Ku-band UAVSAR合成孔径雷达SAR测 试图像上的仿真示意图，其中，图2(a)为仿真中使用的原始Ku-band UAVSAR极化合成孔径 雷达SAR测试图像，大小为256 X 256,分辨率为3m。图2(b)为用现有技术的MLPH分类方法对 图2(a)测试图像的分类仿真结果图，图2(c)为用本发明对图2(a)测试图像的分类仿真结果 图。
[0110] 图3为本发明和现有技术的MLPH分类方法，在TerraSAR-X合成孔径雷达SAR测试上 的图像仿真示意图，其中，图3(a)为仿真中使用的原始TerraSAR-X极化合成孔径雷达SAR测 试图像，大小为256 X 256，分辨率为lm。图3 (b)为用现有技术的MLPH分类方法对图3 (a)测试 图像的分类仿真结果图，图3(c)为用本发明对图3(a)测试图像的分类仿真结果图。
[0111] 3、仿真效果分析：
[0112] 图2(b)为采用现有技术的MLPH分类方法，对图2(a)测试图像的分类仿真结果图。 由图2(b)的仿真结果可以看到，对于同质区域保持较好，但是边缘边界的清晰性和细节完 整性都比较差。图2(c)为采用本发明对图2(a)测试图像的分类仿真结果图，由图2(c)的仿 真结果可以看到，本发明的分类结果能有效区分各类区域，分类图中区域更为均匀和完整， 不同区域之间分类后的边缘更加平滑清晰，细节信息完整。
[0113] 图3(b)为采用现有技术的MLPH分类方法，对图3(a)测试图像的分类仿真结果图。 由图3(b)的仿真结果可以看到，有明显的噪声区域存在，并且不同区域间边缘不平滑。图3 (c)为采用本发明对图3(a)测试图像的分类仿真结果图，由图3(c)的仿真结果可以看到，本 发明的结果明显好于现有的MLPH分类的结果，分类图中不同区域更为均匀和精确，边缘更 为清晰，图像视觉效果较好。
【主权项】
1. 一种基于收缩自编码器的SAR图像分类方法，包括如下步骤： (1) 输入图像： 输入一幅待分类的合成孔径雷达SAR图像； (2) 进行平稳小波分解： 将待分类的合成孔径雷达SAR图像进行1层平稳小波分解，分别获取待分类的合成孔径 雷达SAR图像的1个低频分量和3个高频分量； (3) 选取训练样本： (3a)将待分类的合成孔径雷达SAR图像平稳小波分解的3个高频分量在列方向上首尾 相接，合并为总的高频分量； (3b)从待分类的合成孔径雷达SAR图像平稳小波分解的低频分量和总的高频分量中分 别随机选取10%的样本，作为低频训练样本和高频训练样本； (4) 构建并行的两层级的收缩自编码器： (4a)按照下式，通过收缩自编码器的第一层的编码，生成收缩自编码器的第一层的输 出特征： y = f(W(i)x+b(。） 其中，y表示收缩自编码器的第一层的输出特征，f( ·)表示Sigmod非线性激活操作，W W表示收缩自编码器的输入单元与收缩自编码器的第一层之间的值全1矩阵的权值系数，X 表示收缩自编码器的原始输入数据，bW表示收缩自编码器的输入单元与收缩自编码器的 第一层之间的值为全1矩阵的偏置系数； (4b)将收缩自编码器的第一层的输出特征，输入到收缩自编码器的第二层； (4c)按照下式，通过收缩自编码器的第二层的解码，生成收缩自编码器的第二层的输 出特征，组成了两层级的收缩自编码器： z = f(W(2)y+b口)） 其中，Z表示收缩自编码器的第二层的输出特征，f( ·)表示Sigmod非线性激活操作，W W表示收缩自编码器的第二层与收缩自编码器的输出单元之间的值全1矩阵的权值系数，y 表示收缩自编码器的第一层的输出特征，bW表示收缩自编码器的第二层与收缩自编码器 的输出单元之间的值为全1矩阵的偏置系数，bW的初始值为全1矩阵. (4d)采用步骤(4a)、步骤(4b)、步骤(4c)相同的方法，再构建一个相同的两层级的收缩 自编码器； (4e)将两个两层级的收缩自编码器并列，得到并行的两层级的收缩自编码器； (5) 训练并行的两层级的收缩自编码器： (5a)采用收缩自编码器网络训练方法，将低频训练样本输入一个两层级的收缩自编码 器，得到训练样本高级别的低频特征； (5b)采用收缩自编码器网络训练方法，将高频训练样本输入另外一个的两层级的收缩 自编码器，得到训练样本高级别的高频特征； (6) 构造样本特征集： 将训练样本高级别的低频特征和高级别的高频特征在列方向上进行首尾相接，合并为 总的局级别特征； (7) 训练Sof tmax分类器： (7a)将Softmax分类器的训练步长设置为1000; (7b)将总的高级特征输入到Softmax分类器中，利用随机梯度下降SGD法，对Sof tmax分 类器进行训练； (7c)对并行的两层级的收缩自编码器和Softmax分类器组成的整体进行参数微调，直 至达到设定的步长； (8)分类： 将待分类的合成孔径雷达SAR图像平稳小波分解获取的全部的低频分量和总的高频分 量，分别输入到训练好的两层级的收缩自编码器网络中，最终输出待分类的合成孔径雷达 SAR图像的分类结果。2.根据权利要求1所述的基于收缩自编码器的SAR图像分类方法，其特征在于:步骤(2) 中所述1层平稳小波分解的具体步骤如下： 第一步，按照下式，计算待分类的合成孔径雷达SAR图像的低频分量：其中，表示待分类的合成孔径雷达SAR图像平稳小波分解的第j层第mi行第m列的 低频分量，Σ表示求和操作，表示在正交小波滤波器Η的滤波器系数hj间插入^-1个零的 操作，啤-1,心,，,表示待分类的合成孔径雷达SAR图像平稳小波分解第j-1层第m2行第Π 2列的低 频分量； 第二步，按照下式，计算待分类的合成孔径雷达SAR图像的水平方向的高频分量：其中，表示待分类的合成孔径雷达SAR图像平稳小波分解第j层第mi行第m列的水 平方向的高频分量，Σ表示求和操作，/Λ表示在正交小波滤波器Η的滤波器系数hj间插入 2^1个零的操作，gh'表示在正交小波滤波器G的滤波器系数gj间插入^-1个零的操作， 年一响,A表示待分类的合成孔径雷达SAR图像平稳小波分解第j-1层第m2行第Π 2列的低频分 量； 第Ξ步，按照下式，计算待分类的合成孔径雷达SAR图像的垂直方向的高频分量：其中，表示待分类的合成孔径雷达SAR图像平稳小波分解第j层第mi行第m列的垂 直方向的高频分量，Σ表示求和操作，表示在正交小波滤波器G的滤波器系数&间插入 2J-1个零的操作，A心表示在正交小波滤波器Η的滤波器系数hj间插入^-1个零的操作， 令心，;表示待分类的合成孔径雷达SAR图像平稳小波分解第j-1层第m2行第Π 2列的低频分 量； 第四步，按照下式，计算待分类的合成孔径雷达SAR图像的对角方向的高频分量：其中，表示待分类的合成孔径雷达SAR图像平稳小波分解第j层第mi行第m列的对 角方向的高频分量，Σ表示求和操作，gts'表示在正交小波滤波器G的滤波器系数g^'司插入 2^1个零的操作，4-切。,。，隶示待分类的合成孔径雷达SAR图像平稳小波分解第j-1层第m2行 第Π 2列的低频分量。3. 根据权利要求1所述的基于收缩自编码器的SAR图像分类方法，其特征在于：步骤 (5a)中所述收缩自编码器网络训练方法，得到训练样本高级别的低频特征的具体步骤如 下： 第一步，按照下式，计算收缩自编码器的重构误差：其中，L(x，z)表示收缩自编码器的重构误差，X表示低频训练样本，Z表示收缩自编码器 的第二层的输出特征，Σ表示求和操作，dx表示特征的总维数，i表示具体的特征维数，XI表 示低频训练样本第i维的特征，log表示取对数操作，Zi表示收缩自编码器的第二层的输出 的第i维的特征. 第二步，按照下式，计算收缩自编码器的惩罚项：其中，|/(x)|t表示收缩自编码器的惩罚项，J(x)表示收缩自编码器的第一层的输出值 关于权重的雅克比矩阵，X表示低频训练样本，II I表示F范数的平方操作，dh表示收缩自编 码器的第一层的输出特征的总维数，j表示具体的特征维数，yj表示收缩自编码器的第一层 的第j维的输出特征，W表示收缩自编器的权值系数，II II2表示范数的平方操作； 第Ξ步，按照下式，计算收缩自编码器的损失函数：其中，Jcae(0)表示收缩自编码器的损失函数，Θ表示收缩自编码器的参数，Σ表示求和 操作，Tn={χW，χW，...，x叫表示包含n个样本的训练样本集合，L(x，z)表示收缩自编码 器的重构误差，X表示低频训练样本，Z表示收缩自编码器的第二层的输出特征，λ表示权值 调节参数，1?/(句|^表示收缩自编码器的惩罚项，J(X)表示收缩自编码器的第一层的输出值 关于权重的雅克比矩阵，X表示低频训练样本，I I.表示F范数的平方操作； 第四步，训练收缩自编码器，通过随机梯队下降SGD法优化收缩自编码器的损失函数， 调整收缩自编码器中的层与层之间的权值系数和偏置系数，使得收缩自编码器的重构误差 最小，得到训练样本高级别的低频特征。4. 根据权利要求1所述的基于收缩自编码器的SAR图像分类方法，其特征在于：步骤 (5b)中所述收缩自编码器网络训练方法，得到训练样本高级别的高频特征的具体步骤如 下： 第一步，按照下式，计算收缩自编码器的重构误差：其中，L(x，z)表示收缩自编码器的重构误差，X表示高频训练样本，z表示收缩自编码器 的第二层的输出特征，Σ表示求和操作，dx表示特征的总维数，i表示具体的特征维数，XI表 示高频训练样本第i维的特征，log表示取对数操作，Zi表示收缩自编码器的第二层的输出 的第i维的特征. 第二步，按照下式，计算收缩自编码器的惩罚项：其中，||/(句￡表示收缩自编码器的惩罚项，J(X)表示收缩自编码器的第一层的输出值关 于权重的雅克比矩阵，X表示高频训练样本，1 表示F范数的平方操作，dh表示收缩自编码 器的第一层的输出特征的总维数，j表示具体的特征维数，yj表示收缩自编码器的第一层的 第j维的输出特征，W表示收缩自编器的权值系数，II II2表示范数的平方操作； 第Ξ步，按照下式，计算收缩自编码器的损失函数：其中，Jcae(0)表示收缩自编码器的损失函数，Θ表示收缩自编码器的参数，Σ表示求和 操作，Tn={χW，χW，...，x叫表示包含n个样本的训练样本集合，L(x，z)表示收缩自编码 器的重构误差，X表示高频训练样本，Z表示收缩自编码器的第二层的输出特征，λ表示权值 调节参数，1·/(句t表示收缩自编码器的惩罚项，J(X)表示收缩自编码器的第一层的输出值 关于权重的雅克比矩阵，X表示高频训练样本，I I.表示F范数的平方操作； 第四步，训练收缩自编码器，通过随机梯队下降SGD法优化收缩自编码器的损失函数， 调整收缩自编码器中的层与层之间的权值系数和偏置系数，使得收缩自编码器的重构误差 最小，得到训练样本高级别的高频特征。
【文档编号】G06K9/62GK106096650SQ201610407324
【公开日】2016年11月9日
【申请日】2016年6月12日
【发明人】侯彪, 焦李成, 牟树根, 王爽, 张向荣, 马文萍, 马晶晶
【申请人】西安电子科技大学