知识自编码网络及其极化SAR影像地物分类方法与流程

本发明属于图像处理技术领域，特别涉及极化SAR影像地物分类的方法，具体是一种知识自编码网络及其极化SAR图像分类方法，可用于数据分类、图像分类、场景分类、目标识别及数据预测分析。

背景技术：
极化SAR影像地物分类技术主要针对极化合成孔径雷达(PolarimetrieSynthetieApertureRadar，简写POLSAR)所成影像数据进行地物分类，是极化SAR影像进一步理解和应用的基础。极化合成孔径雷达是一种多参数、多通道的成像雷达系统，它通过测量地面每一分辨单元内的全极化散射回波，进而获取目标的极化信息，目前用于信息表达的有散射矩阵、极化相干矩阵或Kelmaugh矩阵等。与传统雷达图像相比，极化合成孔径雷达能够提供更多的地物信息和分类特征。极化SAR图像分类是极化SAR数据应用中的基础和重要步骤，也是一个技术难点,目前常用的极化SAR图像的分类方法多是基于极化特征分解的方法，在这种方法里人工参与的成分更多，会带来对数据描述的不全面等诸多不确定因素。武汉大学申请的专利“基于混合分类器的极化SAR数据分类方法及系统”(专利申请号：201310310179，公开号：CN103366184A)中公开了一种基于混合分类器的极化SAR数据分类方法。该方法首先通过对极化散射矩阵进行极化分解，得到初始极化特征，然后采用决策树分类器从初始的极化特征中选择用于分类的极化特征，最后将选择出的极化特征，采用支持向量机分类器对极化SAR数据分类。该方法综合了决策树分类器和支持向量机分类器的优势，但是，该方法也存在不足，在分类精度上相比于支持向量机分类器没有太大的提高，操作复杂，并且只利用了散射特征，不足以表示实际的地物，因此，在对极化SAR地物分类上错分的点比较多。西北工业大学申请的专利“一种基于深度学习的自然图像中显著区域的检测方法”(专利号：201310739026，公开号：CN103810503A)中公开了一种利用深度学习进行自然图像中显著区域的检测方法，在训练阶段，首先在自然图像数据库上选取一定数量的图片提取基本特征，构成训练样本，然后利用深度学习模型对已提取特征进行再学习，从而得到更抽象更有区分能力的增强型高级特征，最后用学习到的特征训练分类器。在测试阶段，对于任意一幅测试图像，首先提取基本特征，然后利用训练好的深度模型，提取增强型高级特征，最后利用分类器进行显著性与否的预测，并把每个像素点的预测值作为这点的显著值。该方法通过深度学习的方法得到自然图像中的显著性知识，但是，该方法存在的不足是，对于不同数据的知识特征描述的针对性不强，没有充分利用数据的先验知识对分类结果进行指导，从而导致分类结果中正确率不高。

技术实现要素：
本发明的目的在于针对已有技术的不足，克服上述现有技术中对于极化SAR影像地物分类时对极化SAR影像数据特征提取方面需要人工参与容易导致不确定性的问题，提出了一种高效的自动提取特征，并且用极化SAR影像数据的Wishart距离作为先验知识指导分类方向，丰富数据的特征描述信息，正确率高，可移植性强的知识自编码网络及其极化SAR影像地物分类方法。本发明的目的和思路叙述如下：通过构建知识自编码网络，自动对数据进行特征提取，避免人工参与，消除不确定因素；用先验知识指导分类结果，提高分类正确率；用正交PSO算法对网络寻优，加快训练速度。本发明与现有技术中其他数据分类方法相比，能够克服现有技术中对于特征提取过程中由于人工参与过多而导致的不确定性，自动化程度高，分类正确率高，可移植性强。为实现上述目的，本发明的技术方案包括如下网络和方法：本发明首先提供一种知识自编码网络，网络是一种多元神经网络结构，其特征在于：所述网络由1个自编码网络Net1和1个知识网络Net2级联构成；Net1具体有1个输入层、n个自编码特征抽象层和1个输出层级联构成，记Net1的输出层为输出层1；Net2具有1个知识层和1个输出层级联构成，记Net2的输出层为输出层2；Net1的输出层1与Net2的知识层并联构成Net2的输入，并将此输入直接与输出层2级联。本发明的实现还在于：Net1中的输入层直接与自编码特征抽象层的第1层级联，通过自编码特征抽象层1～n层的逐层作用，得到输入数据在不同层次下的高级特征f1，f2，…，fn，其中fn记为自编码网络Net1中用于分类的高级特征；自编码特征抽象层的第n层直接与输出层1级联，将fn输入到输出层1的分类器，得到输入数据的初步分类结果；知识层中的数据记为知识网络Net2的知识特征fk，Net1的输出层1得到的初步分类结果与fk并联构成Net2用于分类的终级特征，将该终极特征输入到输出层2，得到的即为对输入数据的分类结果。本发明还是一种基于知识自编码网络的极化SAR影像地物分类方法，其特征在于，是在上述的网络下运行的，包括有如下步骤：步骤1输入极化SAR影像数据，根据该输入影像数据建立极化SAR影像地物分类训练集U和测试集V；步骤2构建权利要求1-2所述的知识自编码网络，得到尚未训练的知识自编码网络；步骤3划分该网络的层次，对自编码特征抽象层进行分层主动学习，所用训练数据为训练集U中的样本；在逐层主动学习的过程中，用正交PSO算法对网络的参数进行寻优：3a首先设定种群大小为N，迭代停止条件为损失函数值L达到最小值Tmin；3b产生数量为N的种群在空间中随机安置，寻找当前状态下的个体极值和种群极值，设定网络损失函数如下，作为判定网络是否稳定的标志：其中，y为有标签数据的类别标签，hw,b(x)为输入x经过网络后的输出，该式代表的是预测标签和类别标签的差别；3c判断当前网络的损失函数L是否小于最小值Tmin，若小于最小值Tmin，则退出循环，执行步骤4；若没有小于最小值Tmin，执行步骤3d，开始迭代进行该学习算法的更新和计算；3d对于种群中的每一个粒子，对它们速度和个体按照如下公式进行更新计算：其中，为粒子更新后的速度，为粒子当前速度，ω为粒子保持现有速度的权重，c1为粒子对自身运动状态的认知，为粒子当前的最优位置，c2为粒子对种群群体运动状态的认知，为种群群体当前的最优位置；3e根据更新得到的粒子，计算网络当前的损失函数L，根据损失函数L的大小，更新个体最优和种群最优；3f对于每个粒子的个体最优之间，根据正交试验的思想对其进行正交，构成正交之后的新的粒子种群；3g对于新的粒子种群中的每个粒子，将它们作用于当前的自编码网络，计算当前网络的损失函数L；3h判断损失函数L是否小于最小值Tmin，若未小于最小值Tmin，则转向步骤3d继续进行；若小于最小值Tmin，则退出循环，执行步骤4；步骤4将分层主动学习获得的自编码特征抽象层的当前最优参数分别赋给自编码网络Net1的各级对应层，得到初始自编码网络Net1；并将训练集U中的样本输入到已得到的初始自编码网络Net1，用正交PSO算法对初始自编码网络Net1的参数进行学习和调整，得到一个用于初步分类的自编码网络Net1；步骤5训练Net2中知识层的参数，将训练集U中样本通过Net1得到的初步分类结果和知识特征fk并联输入知识网络Net2，通过正交PSO算法对知识网络Net2的参数进行学习，得到一个用于最终分类的知识网络Net2；步骤6由已训练好的Net1和Net2级联构成用于分类的知识自编码网络，并将极化SAR影像所有待分类数据输入该知识自编码网络，得到极化SAR影像地物分类结果。本发明的实现还在于：其中步骤1所述的数据集，是用每一个散射体的输入向量表达用极化SAR的T矩阵中的相干矩阵系数构成，该相干矩阵T对于每一个像素点的描述为一个3*3的复数矩阵，该复数矩阵中每一个元素的实部和虚部分别被提取出来构成M*1维列向量作为该像素点的输入向量，并且计算该像素点与各类中心的复Wishart距离作为知识特征fk，输出向量即为该数据所属的类别标签；所有有标签数据构成测试集V，随机选取有标签数据的3％做为训练集U。本发明的实现还在于：其中步骤2所述的构建知识自编码网络，根据设定的输入层节点数、深度层数、自编码特征抽象层节点数、知识层节点数及输出层节点数构建知识自编码网络。本发明的实现还在于：其中步骤3f所述的对于每个粒子的个体最优之间，根据正交试验的思想对其进行正交，构成正交之后的新的粒子种群：3f1对于种群数量为N的粒子群，计算各粒子作用下网络的损失函数L的值，将L按照从小到大依次排序；3f2选取排序中损失函数较小的N/2个粒子，保留其各维的数据构成；3f3对于排序中损失函数较大的N/2个粒子，将它们分别与损失函数较小的N/2个粒子进行正交，使得各维都同时向全局最优靠近，得到新的N/2个粒子；3f4由3f2和3f3得到的所有新粒子构成正交之后的新的粒子种群，其种群数量为N。本发明不仅提供了一种知识自编码网络，而且提供了对于该网络学习时的一种优秀的正交PSO算法。将所述网络用于极化SAR影像地物分类应用，不仅增加了极化SAR分类技术方法选择的多样性，而且提高了极化SAR影像地物分类结果的准确性。本发明与现有的技术相比具有以下优点：1、本发明构建知识自编码网络逐层提取输入数据的高级特征，由网络自主学习完成，克服了传统方法中需要人工设定提取特征的复杂性，自动化程度更高；2、本发明将极化SAR数据的先验知识引入到网络中对网络的分类决策进行指导，克服了网络自己学习产生的认识偏差，通过先验知识的指导，使得网络的分类准确度大大提高；3、本发明采用一种新型的靠近全局最优解的正交PSO算法对知识自编码网络的参数学习进行寻优，以全局搜索的方式对网络进行训练，大大降低了网络训练的时间。附图说明图1是本发明的流程图；图2是本发明的知识自编码网络构建图；图3是本发明对极化SAR数据进行仿真得到的极化SAR影像地物分类结果；图4是本发明与其它方法对极化SAR数据进行仿真得到的极化SAR影像地物分类正确率柱状对比图。具体实施方式下面结合附图对本发明做进一步的详细说明。实施例1：本发明提出了一种知识自编码网络及其极化SAR影像地物分类方法，在下面的描述中，假设待处理数据已经过处理表示为双精度数据，所有数据输入向量已通过归一化处理得到样本的统计分布特性；假设待处理数据的标签表示已按照0/1的方式将其表示，能够实现网络输出层的节点表达；假设已经根据输入数据的特征和规模设定了知识自编码网络的深度层数以及各层深度中节点的个数；假设网络构建及学习是在配置为Intel(R)Core(TM)2DuoCPUT5550@1.83GHz、3.00GBRAM的电脑上运行，其缓存空间足够且不被占用；假设所用软件平台为MatlabR2012a，能够运行海量数据的规模。在下面的实施例描述中，仿真所使用的数据为NASA/JPL实验室AIRSAR系统于1989年获取的荷兰中部Flevoland地区真实农田区域的L波段全极化数据，其输入数据来源于该极化SAR影像的相干矩阵T，该相干矩阵T对于每一个像素点的描述为一个3*3的复数矩阵，该复数矩阵中的每一个元素的实部和虚部分别被提取出来作为该像素点输入向量的构成，并且提取复Wishart距离作为知识层的输入，共16维，同时由于仿真图中包含有6种不同的地物类别，则对该极化SAR影像数据的分类输出为6类的地物分类结果。本发明首先是一种知识自编码网络,网络是一种多元神经网络结构，参见图2，网络由1个自编码网络Net1和1个知识网络Net2级联构成；Net1具体有1个输入层、n个自编码特征抽象层和1个输出层级联构成，记Net1的输出层为输出层1；Net2具有1个知识层和1个输出层级联构成，记Net2的输出层为输出层2；Net1的输出层1与Net2的知识层并联构成Net2的输入，并将此输入直接与输出层2级联。本发明的自编...