基于去噪自动编码的极化sar图像的分类方法
【技术领域】
[0001] 本发明属于图像处理技术领域，更进一步涉及极化SAR图像分类技术领域中的数 据特征提取方式和深度网络分类等，可用于极化SAR图像的地物识别。
【背景技术】
[0002] 极化SAR是一种高分辨率主动式有源微波遥感成像雷达，具有全天候、全天时、分 辨率高、可测视成像等优点，可应用于军事、农业、导航、地理监视等诸多领域。与SAR相比， 极化SAR进行的是全极化测量，能获得目标更丰富的信息。近年来，利用极化SAR数据进行 的分类在国际遥感领域受到高度重视，已成为图像分类的主要研宄方向。
[0003] 随着极化SAR的发展，极化SAR图像分类的方法也是层出不穷。许多无监督的和有 监督的方法使极化SAR分类正确率有了很大的提升。无监督的方法分为两类：一类是采用 聚类的方式，如K均值、Isodata等；另一类是采用数据的非相干特性，如Cloude和Pottier 提出的基于摘H和a角的分布分类（1997)、Lee等结合Freeman-Durden分解和基于复 Wishart分布的最大后验概率分类（2004)等；这两类方法均需要花费很大的计算代价，而 且正确率相对较低。有监督的方法主要有以下几种：Heermann和Khazanie等人提出的人 工神经网络ANN分类方法（1992)、Burges和Vapnik提出的基于支持向量机SVM的分类方 法，这些有监督的方法大大提高了运算速率和正确率，但在特征的选取上具有非常强的依 赖性，因而对分类结果的正确率影响比较大。
【发明内容】
[0004] 本发明目的在于针对上述已有技术的不足，提出一种基于去噪自动编码的极化 SAR图像分类方法，以有效保留极化SAR图像的有用信息，提高极化SAR图像的分类精度。
[0005] 本发明的技术思路是：通过深度网络在原始数据的基础之上提取更加高级有用的 特征，使得特征拥有比较强的泛化性能，同时利用去噪自动编码DA网络具有滤除噪声的能 力，避免使用滤波器而造成的部分有用信息丢失，使得数据更加鲁棒的表达，提高分类结果 的正确率。
[0006] 根据上述思路，本发明的技术步骤包括如下：
[0007] (1)输入任选一幅待分类的极化SAR图像，提取该极化SAR图像的原始特征以及其 邻域特征；
[0008] (2)对原始特征及邻域特征取对数处理，使其噪声满足高斯分布；
[0009] (3)确定去噪自动编码DA网络的层数、各层节点数以及数据噪声；
[0010] ⑷训练去噪自动编码DA网络
[0011] (4a)根据实际地物参照图，确定参照图中地物的类别数，在每类中选取10%的地 物标记作为训练样本，并将训练样本的特征输入到所述自动编码DA网络中，逐层的进行贪 婪训练；
[0012] (4b)使用反向传播算法BP，微调去噪自动编码DA网络的结构参数以及噪声参数， 得到训练好的去噪自动编码DA网络；
[0013] (5)利用训练好的去噪自动编码DA网络，对待分类的极化SAR图像进行分类，得到 极化SAR图像的分类结果。
[0014] 本发明与现有技术相比，具有以下优点：
[0015] 第一，本发明由于在对极化SAR数据时取对数变换，使得噪声近似服从高斯分布， 简化了噪声模型，更易于分类学习算法滤除极化SAR数据的噪声；
[0016] 第二，本发明直接用极化SAR数据的原始特征和邻域特征输入网络进行训练，保 留了极化SAR的有用信息，提高了分类正确率；
[0017] 第三，本发明对自动编码网络加入了高斯噪声，使网络在学习过程中尽量去除这 种噪声而获得被少量噪声污染过的特征数据，提高了分类的精确度。
【附图说明】
[0018] 图1是本发明的实现流程图；
[0019] 图2是本发明仿真使用的极化SAR图像的分类标签图；
[0020] 图3是使用现有深度信念网络DBN对待分类的极化SAR图像的分类结果图；
[0021] 图4是使用现有自动编码网络对待分类的极化SAR图像的分类结果图；
[0022] 图5是用本发明对待分类的极化SAR图像的分类结果图。
【具体实施方式】
[0023] 以下结合附图对本发明的技术方案和效果做进一步详细描述。
[0024] 参照图1，本发明的具体实现步骤如下：
[0025] 步骤1、提取待分类极化SAR图像的原始特征以及其邻域特征。
[0026] (la)输入任选的一幅待分类的极化SAR图像，按照下式分解该极化SAR图像的相 干矩阵：
[0027]
【主权项】
1. 一种基于去噪自动编码DA网络的极化SAR图像分类方法，包括如下步骤： (1) 输入任选一幅待分类的极化SAR图像，提取该极化SAR图像的原始特征以及其邻域 特征； (2) 对原始特征及邻域特征取对数处理，使其噪声满足高斯分布； (3) 确定去噪自动编码DA网络的层数、各层节点数以及数据噪声； ⑷训练去噪自动编码DA网络 (4a)根据实际地物参照图，确定参照图中地物的类别数，在每类中选取10%的地物标 记作为训练样本，并将训练样本的特征输入到所述自动编码DA网络中，逐层的进行贪婪训 练； (4b)使用反向传播算法BP，微调去噪自动编码DA网络的结构参数以及噪声参数，得到 训练好的去噪自动编码DA网络； (5)利用训练好的去噪自动编码DA网络，对待分类的极化SAR图像进行分类，得到极化 SAR图像的分类结果。
2. 根据权利要求1所述的去噪自动编码的极化SAR图像分类方法，其中所述步骤（1) 中的提取极化SAR图像的原始特征及邻域特征，采用滑动窗口的方式，其步骤如下： (2. 1)按照下式分解极化SAR图像的相干矩阵：
其中T表示极化SAR图像的相干矩阵，i表示复数虚部单位
极化SAR图像的 每个点的值都是一个3*3的相干矩阵，a表示极化SAR图像的对称因子，c表示极化SAR图 像的构型因子，d表示极化SAR图像的局部曲率，h表示极化SAR图像的方向性，g表示极化 SAR图像对称部分间的耦合度，b表示极化SAR图像的非规则性因子，e表示极化SAR图像 的表面扭转性，f表示极化SAR图像的螺旋性，1表示极化SAR图像的非对称因子； (2. 2)从相干矩阵T中，得到12个原始特征参数，分别为对称因子a，非规则性因子b， 构型因子c，局部曲率d，表面扭曲性因子e，螺旋性因子f，耦合度因子g，方向性因子h，非 对称因子1以及表示复数特征的|c-id|，|h+ig|，|e+if| ; (2. 3)将上述提取的12组原始特征的每一组特征表示为一幅图像，在每一幅图像上选 择一个5*5的滑动窗口，用窗口除中心点像素外所有点的像素值表示中心点像素的邻域特 征，将12幅图像的同一个坐标点的邻域特征组合起来，构成每个样本的邻域特征。
3. 根据权利要求1所述的基于去噪自动编码的极化SAR图像分类方法，其中步骤（3) 所述的确定去噪自动编码DA网络的层数、各层节点数以及数据噪声，包括如下步骤： (3. 1)建立基于去噪自动编码的4层网络，这4层依次为输入层，两个隐含层和分类 层； (3. 2)指定去噪自动编码的输入层节点数为300,第一个隐含层节点数为100,第二个 隐含层节点数为100,分类层节点数为9 ; (3. 3)根据极化SAR的相干斑噪声服从伽马分布的特性，在独立视数大于3情况下，对 伽马分布取对数作为数据噪声。
4.根据权利要求1所述的基于去噪自动编码的极化SAR图像分类方法，其中所述步骤 (4)中的训练去噪自动编码DA网络，按如下步骤进行： (4. 1)给去噪自动编码DA网络的输入层加入均值为0、方差为0.0 l的高斯噪声； (4. 2)使用重构误差最小方法对去噪自动编码DA网络的前两层进行参数调整，得到第 一层与第二层之间的权值和偏置； (4. 3)将调整后的第二层结果输入到第三层，再次使用重构误差最小方法对去噪自动 编码DA网络的第二层和第三层进行参数调整，得到第二层与第三层之间的权值和偏置； (4. 4)将调整后的第三层结果输入到去噪自动编码DA网络的分类层，用神经网络NN进 行参数调整，得到输出结果； (4. 5)使用反向传播算法对整个去噪自动编码DA网络的进行整体调整，优化去噪自动 编码DA网络的结构参数，得到训练好的去噪自动编码DA网络。
【专利摘要】本发明公开了一种基于去噪自动编码DA网络的极化SAR图像分类方法，主要解决现有技术提取特征过程复杂、特征泛化能力差及分类精度低的问题。其实现步骤是：首先输入任选一幅待分类的极化SAR图像，提取该极化SAR图像的原始特征以及其邻域特征；然后对原始特征及邻域特征取对数处理，使其噪声满足高斯分布；其次确定去噪自动编码DA网络的层数、各层节点数以及数据噪声并训练去噪自动编码DA网络；然后利用训练好的去噪自动编码DA网络，对待分类的极化SAR图像进行分类，得到极化SAR图像的分类结果。本发明由于使用了去噪自动编码DA网络，简化特征提取的过程，提高了特征的泛化能力和对图像的分类精度，可用于极化SAR图像的地物识别。
【IPC分类】G06K9-62
【公开号】CN104751172
【申请号】CN201510108639
【发明人】焦李成, 马文萍, 高蓉, 王爽, 屈嵘, 侯彪, 马晶晶, 刘红英, 杨淑媛
【申请人】西安电子科技大学
【公开日】2015年7月1日
【申请日】2015年3月12日