基于深度稀疏ICA的极化SAR图像分类方法与流程

技术特征：
1.一种基于深度稀疏ICA的极化SAR图像分类方法，包括如下步骤：(1)输入待分类的极化合成孔径雷达SAR图像T1和待分类SAR图像的真实地物标记图像T2；(2)采用精致Lee滤波方法，对待分类的极化SAR图像T1进行滤波，去除斑点噪声，得到滤波后的极化SAR图像T1’；(3)提取滤波后的极化SAR图像T1’的散射、纹理、颜色及协方差矩阵特征；(4)将散射特征、纹理特征、颜色特征及协方差矩阵特征组合成原始样本特征集，并将该原始样本特征集的值归一化到0～1之间，进行白化处理；(5)选取无标签样本集，训练样本集和测试样本集；5a)在白化处理过的原始样本特征集中随机选取2％的样本特征作为无标签样本集Xun_0；5b)根据待分类SAR图像的真实地物标记图像T2，在白化处理过的原始样本特征集中选出与该T2中已标记真实地物相同的样本特征集，并在该样本特征集中随机选取20％的样本特征作为训练样本集Xtr_0，剩余的80％的样本特征作为测试样本集Xte_0；(6)用深度稀疏ICA方法，分别提取无标签样本集、训练样本集和测试样本集的深度稀疏特征表示；6a)用均值为0，方差为1的正态分布初始化第一层稀疏ICA的基矩阵W1；6b)利用基矩阵W1，计算整体无标签样本集的方差衰减值，获取第一层稀疏ICA的最优基矩阵WOpt_1；6c)将获得的最优基矩阵WOpt_1分别与无标签样本集Xun_0，训练样本集Xtr_0，测试样本集Xte_0相乘，得到无标签样本集，训练样本集，测试样本集的第一层深度稀疏特征表示Xun_1，Xtr_1，Xte_1；6d)将由第一层稀疏ICA提取到的无标签样本集的第一层深度稀疏特征表示Xun_1作为第二层稀疏ICA的输入，重复步骤6a)～6c)获得第二层稀疏ICA的最优基矩阵WOpt_2，进而得到无标签样本集，训练样本集，测试样本的第二层深度稀疏特征表示Xun_2，Xtr_2，Xte_2，其中，稀疏ICA的层数可以据分类结果进行调整，每加一层，都要重复步骤6a)～6c)一次，得到训练样本集和测试样本集最终的深度稀疏特征表示分别是Xtr和Xte；(7)将训练样本集的最终深度稀疏特征表示Xtr输入到支持向量机分类器中进行训练，得到训练好的分类器；(8)利用训练好的分类器，对待分类的极化SAR图像T1的每个像素进行分类，得到极化SAR图像T1的每个像素所属地物类别；(9)对步骤(8)中的分类结果，根据红、绿、蓝三基色原理，用同一种颜色标出同类地物，得到上色后的极化SAR图像T3，输出上色后的极化SAR图像T3。2.根据权利要求1所述的方法，其中所述步骤(3)中提取滤波后的极化SAR图像的散射特征，是对滤波后的极化SAR图像的每个像素，采用Yamaguchi分解方法得到ps，pv，pd，ph，fs，fv，fd，fh共8个散射参数，采用Cloude分解方法得到A，H，α，λ1，λ2，λ3共6个散射参数，采用Huynen分解方法得到|2A0|，|C-iD|，|H+iG|共3个散射参数，将得到的这些散射参数作为17维的散射特征。3.根据权利要求1所述的方法，其中所述步骤(3)中提取滤波后的极化SAR图像的纹理特征，按如下步骤进行：首先，由滤波后的极化SAR图像每个像素点的协方差矩阵，得到该像素点的水平向接收水平向发射的回波数据|SHH|2、垂直向接收水平向发射的回波数据|SHV|2、垂直向接收垂直向发射的回波数据|SVV|2，由每个像素点的这三个极化值|SHH|2，|SHV|2，|SVV|2分别形成与滤波后的极化SAR图像大小相同的三幅极化通道图像；其次，计算每幅极化通道图像的灰度共生矩阵，根据灰度共生矩阵提取每幅极化通道图像每个像素的能量、逆差距和对比度三个纹理特征，然后，将三幅极化通道图像得到的9个纹理特征，作为滤波后的极化SAR图像的9维的纹理特征。4.根据权利要求1所述的方法，其中所述步骤(3)中提取滤波后的极化SAR图像的颜色特征，是利用滤波后的极化SAR图像及其真实地物标记图像进行：首先，从每类地物中随机选择三个像素，并求这三个像素的平均R，G，B颜色值作为该类地物颜色的R，G，B分量，得到K个RGB颜色值，其中，K为待分类极化SAR图像的地物类别数目；其次，令这K个RGB颜色值为聚类中心，对于滤波后的SAR图像上的每个像素，计算其9*9的矩形窗口邻域中每个像素的RGB颜色值I＝(r,g,b)到各个聚类中心的欧式距离；根据最短距离原则，分别把窗口内的每个像素归到最小距离对应的地物类别中，再计算窗口内被归到各个地物类别的像素个数占窗口内总像素数目的比值，用得到的K个比值作为该窗口中心像素的K维颜色特征。5.根据权利要求1所述的方法，其中所述步骤(3)中提取滤波后的极化SAR图像的协方差矩阵的特征，是从滤波后的极化SAR图像的协方差矩阵C中提取的HH-VV相关系数的幅度、HH-VV相位差、HH/VV通道比、同极化比、交叉极化、同极化系数比、去极化系数比、C(1,2)的角度、C(1,3)的角度、C(2,3)的角度、C(1,1)的模值、C(1,2)的模值、C(1,3)的模值、C(2,2)的模值、C(2,3)的模值、C(3,3)的模值，得到的16维的协方差矩阵特征，其中，H表示水平极化方向，V表示垂直极化方向，C(a,b)表示协方差矩阵C第a行第b列元素值。6.根据权利要求1所述的方法，其中所述步骤6b)中利用基矩阵W1，计算整体无标签样本集的方差衰减值，获取第一层稀疏ICA的最优基矩阵WOpt_1，按如下步骤进行：6b1)根据第一层稀疏ICA，计算第一层深度特征表示的稀疏度：其中，W1表示选取的第一层稀疏ICA的基矩阵，其初始值服从均值为0，方差为1的正态分布，W1_j表示基矩阵W1中的第j个基向量，x(i)表示第i个无标签样本，g表示非线性凸函数，t表示基矩阵W1中基向量的数目，m表示无标签样本集中样本数；6b2)计算无标签样本集与第一层稀疏ICA的输出W1TW1xi之间的误差：其中，λ为平衡参数，用于对误差J1(W1,Xun_0)和稀疏度P(W1,Xun_0)进行平衡，W1x(i)为第一层深度稀疏特征表示，W1TW1xi为第一层深度稀疏特征表示W1x(i)对无标签样本x(i)进行恢复的结果；6b3)根据步骤6b1)和6b2)的计算结果，计算整体无标签样本集的均方差衰减值：J(W1,Xun_0)＝J1(W1,Xun_0)+P(W1,Xun_0)，6b4)对步骤6b3)得到的整体无标签样本集的均方差衰减值，采用如下的梯度下降公式，获取每一次迭代时的第一层稀疏ICA的基矩阵：其中，n表示迭代的次数，W1n表示第n次迭代时第一层稀疏ICA的基矩阵，W1n+1表示第n+1次迭代时第一层稀疏ICA的基矩阵，β表示对第一层稀疏ICA基矩阵进行学习的速率，β的取值范围为0＜β＜1，表示对第n次迭代时第一层稀疏ICA的基矩阵求偏导数；6b5)将步骤6b4)每一次迭代得到的第一层稀疏ICA的基矩阵值代入步骤6b3)公式中求整体无标签样本的均方差衰减值J(W1,Xun_0)，当整体无标签样本的均方差衰减值J(W1,Xun_0)达到全局最小值时，停止步骤6b4)的迭代，并将停止迭代时第一层稀疏ICA的基矩阵作为第一层稀疏ICA的最优基矩阵WOpt_1。