基于DSFNN与非局部决策的极化SAR图像半监督分类方法与流程

本发明属于遥感图像处理
技术领域：
，特别是涉及极化sar图像半监督分类方法，具体是一种基于dsfnn(deepsuperpixelfilteringneuralnetwork,深度超像素滤波网络)与非局部决策的半监督分类方法，可用于极化sar图像地物分类与目标识别等
技术领域：
。
背景技术：
：极化sar是一种主动式微波成像系统，具有全天候、全天时、可变侧视角等优点。全极化sar数据可以获取丰富的地物散射信息，对于提高地物分类和识别精度具有重要作用。极化sar图像分类主要通过分析获取的地物后向散射信号来提取地物的类别信息，是sar图像解译的重要内容。极化sar图像分类主要包括预处理、特征提取、分类与后处理，其中特征提取和分类是重要的步骤。由于不易人工获得极化sar图像中地物的真实类别，训练的样本往往有限，同时极化sar图像易受到相干斑噪声的影响，这些都导致分类效果不佳。按照是否需要训练样本标签，可以将极化sar图像分类方法分为：无监督分类、有监督分类和半监督分类。在早期的研究中，基于wishart距离的分类器被大量应用，是最经典的无监督分类方法。基于机器学习的有监督分类被广泛用于极化sar图像分类中，如支持向量机、决策树分类法、贝叶斯分类法等。极化sar图像半监督分类的研究工作较少，主要包括基于图模型的方法和基于协同训练的方法。近年来，深度学习方法在人工智能的众多领域中取得了优异的效果，相比传统的浅层模型，深度网络模型通过对网络的加深实现了优异的特征挖掘和抽象。深度网络由多个隐含层构成，通过逐层学习各层网络，实现了特征的逐层传递，这样网络能获得由低层到高层的特征提取。同时，深度网络通过由顶至底的整体微调，使得网络对各个具体问题有更好的效果，特别是对于分类和预测等任务。当前，深度学习神经网络已经被用于高光谱图像分类、多光谱图像场景分类、sar图像目标识别等任务中，并获得了显著的精度提升。堆叠自动编码器是一种深度学习方法，其参数较少易于训练学习，且具有特征优化的能力，因此，可以利用基于堆叠自动编码器的网络实现极化sar图像分类。技术实现要素：本发明旨在克服上述现有技术的问题，提出一种基于dsfnn与非局部决策的半监督分类方法，达到提高极化sar图像分类准确度的目标。本发明的技术方案：基于dsfnn与非局部决策的极化sar图像半监督分类方法，步骤如下：(1)输入极化sar图像数据：输入待分类的极化sar图像数据，也就是极化sar图像的相干矩阵t；(2)对极化sar图像进行超像素分割：(2a)利用相干矩阵t的对角线元素t11、t22和t33合成极化sar的伪彩图；(2b)对伪彩图进行超像素分割，获得多个超像素块和每个像素对应的超像素块标记；(3)提取极化sar图像各个像素的原始特征和超像素特征：(3a)根据极化sar图像各个像素的相干矩阵t，提取原始的像素特征向量(3b)计算每个超像素块内像素原始特征的均值，作为该超像素块的每个像素的超像素特征向量；(4)选取训练样本集合和测试样本集合：从极化sar图像所有带标签的像素中，随机选取p％的像素作为训练样本集合，其余的像素作为测试样本集合；(5)利用训练样本集合进行dsfnn的训练：(5a)利用训练样本的原始特征和超像素特征对三层dsfnn进行预训练，初始化各层网络的权重和偏置参数；(5b)训练样本经过初始化后，网络的第三层隐含输出和训练标签，输入到softmax分类器，优化分类器的权重和偏置参数；(5c)从softmax分类器到三层dsfnn的由顶至底的顺序，对整个网络的参数进行微调；(6)对测试样本采用dsfnn进行预测：(6a)将测试样本的原始特征和超像素特征输入到dsfnn中，第三层网络的隐含输出表示优化后的样本特征；(6b)优化后的样本特征输入到softmax分类器得到预测概率；(7)基于非局部决策，从测试样本集合选取样本来扩展训练集合：根据优化后的测试样本特征和样本预测概率，进行非局部决策，从测试样本集合选取置信度高的样本来扩展训练集合；(8)更新dsfnn：利用扩展的训练样本集合对整个dsfnn由顶至底进行参数的微调；(9)采用训练好的网络对测试样本进行分类：(9a)将测试样本的原始特征和超像素特征输入到更新后的dsfnn中，第三层网络的隐含输出表示优化后的样本特征；(9b)优化后的样本特征输入到softmax分类器，得到最终的预测标签；(10)输出分类结果图：根据预测标签向量和测试样本的空间位置，绘制最后的分类结果图。本发明与现有技术相比，主要具有如下的优点：第一，本发明提出了dsfnn，可以有效地获得高层次的特征，提高了特征的区分性；通过超像素特征的约束，可以减小相干斑噪声对分类的影响，提高特征的鲁棒性；第二，本发明提出了非局部决策的半监督分类方法，与深度网络进行合理的结合，能够从测试样本中选择置信度高的样本扩充训练集合，不仅提高了分类效果，而且减小了标记代价。附图说明图1为极化sar图像半监督分类的实现流程图；图2为本发明适用的极化sar图像，其中图2(a)为利用相干矩阵对角线元素合成的伪彩图，图2(b)为相应的真实地物标记图；图3为本发明适用的极化sar图像的实验结果图，其中图3(a)为对比方法sae-superpixel-sni-l的分类结果图，图3(b)为对比方法sae-superpixel-sni-unl的分类结果图，图3(c)为采用本发明方法的分类结果图。具体实施方式下面结合具体实例和附图，对本发明作详细的阐述。根据图1，基于dsfnn与非局部决策的极化sar图像半监督分类方法，包括如下步骤：(1)输入极化sar图像数据：输入待分类的极化sar图像数据，也就是极化sar图像的相干矩阵t；(2)对极化sar图像进行超像素分割：(2a)利用相干矩阵t的对角线元t11、t22和t33合成极化sar图像的伪彩图；(2b)利用简单线性迭代聚类算法，对输入的伪彩图进行超像素分割，获得7000个超像素块和每个像素对应的超像素块标记；(3)提取极化sar图像各个像素的原始特征和超像素特征：(3a)根据相干矩阵t，提取原始的9维像素特征向量f，表达如下：f＝[t11,t22,t33,real(t12),imag(t12),real(t13),imag(t13),real(t23),imag(t23)](3b)计算每个超像素块内像素原始特征的均值，根据每个像素对应的超像素块标记，获得各个像素的超像素特征向量(4)选取训练样本集合和测试样本集：从极化sar图像所有带标签的像素中，随机选取1％的像素作为训练样本集，其余的像素作为测试样本集；(5)利用训练样本集合进行dsfnn的训练：(5a)利用训练样本的原始特征和超像素特征来对三层dsfnn进行预训练，各层网络的总的隐含节点数为200、100、40，预训练各层网络的权重和偏置参数，预训练目标方程为其中，第一项为编解码的重建误差，目的是使得网络的解码输出尽量逼近编码前输入，第二项为权重约束项，目的是防止权重过大。和分别表示网络原始特征和超像素特征对应的输入，和分别表示网络原始特征和超像素特征对应的解码输出，表示编码的权重和偏置，表示解码的权重和偏置，n表示训练样本数量，λ表示权重约束因子，||·||f表示forbenius范数。利用反向传播算法求解该目标方程，获得预训练的网络参数；(5b)训练样本经过预训练后网络的第三层隐含输出和训练标签，输入到softmax分类器，优化分类器的权重和偏置参数，目标方程为其中，第一项为总的预测误差，第二项为权重约束项。li和分别表示样本对应的真实标签和预测结果标签，w表示softmax分类器的权重。利用反向传播算法求解该目标方程，获得softmax的参数；(5c)从softmax分类器到三层dsfnn的由顶至底的顺序，对整个网络的参数进行微调，微调目标方程为这里，目标方程表示整个网络的平均重建误差。和分别表示第k层网络原始特征和超像素特征对应的输入，和分别表示第k层网络原始特征和超像素特征对应的隐含输出。利用反向传播算法求解该目标方程；(6)对测试样本采用dsfnn进行预测：(6a)将测试样本的原始特征和超像素特征输入到dsfnn中，第三层网络的隐含输出和联合起来构成优化后的样本特征向量hi′(6b)优化后的样本特征hi′输入到softmax分类器得到第c类的预测概率其中，wj和bj对应第j类的部分权重和偏置，wc和bc对应第c类的部分权重和偏置，c为总的类别数。(7)基于非局部决策，从测试样本集合选取样本来扩展训练集合：选取训练样本xc作为中心，计算每个测试样本xj与其相似度，公式如下：其中，表示中心样本xc与测试样本xj经过网络优化后特征的欧氏距离度量，和分别表示训练样本xc原始特征和超像素特征经过网络优化后的特征，和分别表示测试样本xj原始特征和超像素特征经过网络优化后的特征，表示由softmax分类器得到的测试样本xj类别等于中心样本xc类别lc的预测概率；根据上式，得到每个测试样本与训练样本之间的相似性，选取相似度最高的前500个样本来扩展训练样本集合；(8)更新dsfnn：利用扩展的训练样本集合对整个dsfnn由顶至底进行参数的微调；(9)采用训练好的网络对测试样本进行分类：类似于步骤(6)，先通过网络获得测试样本的优化后的特征向量hi′，再输入到softmax分类器得到预测概率最后，测试样本xi的预测标签如下：(10)输出分类结果图：根据预测标签向量和测试样本的空间位置，绘制最后的分类结果图。以下通过仿真实验，对本发明的技术效果进行说明：1、仿真条件与内容本发明的实验数据为1989年利用airsar获得的flevoland地区农田数据，如图2所示，图像大小为750×1024，对应15类不同地物，对应图2(b)的15种颜色，白色部分不用于分类；图3为本发明适用的极化sar图像的实验结果图，其中图3(a)为对比方法sae-superpixel-sni-l的分类结果图，图3(b)为对比方法sae-superpixel-sni-unl的分类结果图，图3(c)为采用本发明方法的分类结果图。表一为这三种技术的分类精度对比。仿真实验中，本发明和对比方法都是在matlabr2017a中编程实现。2、仿真结果分析表一分类精度对比类别sae-superpixel-sni-lsae-superpixel-sni-unl本发明stembeans92.1591.8995.43rapeseed88.3388.1887.27baresoil93.1791.7693.75potatoes95.0896.7996.55wheat90.3595.3497.27wheat288.1487.5586.20peas96.4496.3795.92wheat395.2896.9097.56lucerne94.1494.4494.76barley92.2693.1295.36grasses84.2581.8986.39beet90.3892.1992.12building83.1486.2581.20water98.1410099.42forest96.3697.4497.70总体精度92.8793.1994.32平均精度91.8492.6793.13kappa系数0.92750.93120.9381由表一结果可知，本发明的方法比现有sae-superpixel-sni-l、sae-superpixel-sni-unl半监督方法都获得了更高的分类精度，证明本发明方法在sar图像半监督分类的优异效果。从图3对比可知，本发明方法的分类结果图的误分类杂点较少，说明dsfnn具有较好的相干斑噪声克服能力。总之，本发明的方法能够有效提高极化sar图像分类效果。当前第1页12