基于协同表示和深度学习的极化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，特别涉及极化SAR图像分类方法，可用于地物识 别。
【背景技术】
[0002] 雷达是一种可以实现全天候工作的主动探测系统，它可以穿透一定的地表，并且 可以改变发射波的频率、强度。合成孔径雷达SAR是成像雷达技术的一种，它是利用雷达与 目标的相对运动把尺寸较小的真实无线孔径用数据处理的方法合成一个较大的等效天线 孔径雷达，具有全天候、全天时、高分辨的优势。而极化SAR是用来测量回波信号的新型雷 达，它可以记录不同极化状态组合回波的相位差信息，能对目标进行全极化测量成像，大大 提高了对地物的识别能力。极化SAR图像分类是极化SAR图像解译的重要步骤，是边缘提 取、目标检测和识别的基础，可广泛应用于军事侦察、地形测绘、农作物生长监测等领域。
[0003]目前经典的极化SAR图像分类方法有：
[0004] 1997年，Cloude等人提出了一种基于H/a极化分解的分类方法，该方法通过 Cloude分解得到特征参数散射熵H和散射角a，然后根据两个特征参数不同的值，将目标 分成8类。该方法的缺陷是位于类别边界特征相似的像素点会以随机的方式分配给不同的 类别并且这两个特征不足以表示所有的极化SAR信息。
[0005] 1999年，Lee等人提出了一种基于H/a极化分解和复Wishart分类器的H/ a -Wishart分类方法，该方法将H/ a极化分解方法得到的结果作为复Wishart分类器的初 始分类，对划分好的8个类别中的每一个像素进行重新划分，从而提高分类的精度。该方法 的缺陷是将分类类别数固定为8类，不能适应不同类别数的地物分类。
[0006] 2004年，J. S. Lee等人提出了一种基于Freeman-Durden分解的极化SAR图像分类 方法，该方法首先通过Freeman分解获取表征散射体散射特征的三个特征：平面散射功率、 二面角散射功率和体散射功率，然后根据这三个特征的大小对数据进行初始划分，然后利 用Wishart分类器进行进一步精确划分。但是该方法由于Freeman分解中的多类的划分以 及合并，计算复杂度较高。
【发明内容】
[0007] 本发明的目的在于针对上述现有技术方法的不足，提出了一种基于协同表示和深 度学习的极化SAR图像分类方法，以降低极化SAR图像分类的计算复杂度，提高分类精度。
[0008] 为实现上述目的，本发明的技术方案包括如下步骤：
[0009] (1)将极化SAR图像中每个3*3大小像素点的极化相干矩阵T作为输入数据，计算 每个3*3大小像素点的极化协方差矩阵C，这两个矩阵T和C中均包括9个元素；用T的对 角线上的三个元素T n、T22、T33构成总功率特征参数：S = T n+T22+T33;
[0010] (2)从每个像素点的极化相干矩阵T中通过克劳德Cloude分解方法分解出散 射熵H和反熵A两个散射参数；从每个像素点的极化协方差矩阵C中通过弗里曼-德登 Freeman-Durden分解方法分解出表面散射功率Ps、二面角散射功率P d和体散射功率P 个功率参数；
[0011] (3)用所述参数H、A、Ps、Pd、匕和极化相干矩阵T的9个元素、极化协方差矩阵C 的9个元素、总功率特征参数S，这24个特征作为每个像素点的特征矩阵B;用所有像素点 的特征矩阵组成整幅图像的特征矩阵F= 其中Bk表示第k个像素 点的特征矩阵，k = 1，2,…，N，N为整幅图像的总像素点数；
[0012] (4)根据实际地物分布，从每类像素点所对应的特征矩阵中选取100个像素点的 特征矩阵作为训练样本集Y，取整幅图像的特征矩阵F作为测试样本集；
[0013] (5)将训练样本集Y作为初始字典，利用K-SVD算法学习得到学习字典D;
[0014] (6)用步骤（5)得到的学习字典D协同表示训练样本集Y和测试样本集F，利用最 小二乘法求解训练样本集Y的表示系数毛、测试样本集F的表示系数冬；
[0015] (7)将步骤（6)得到的训练样本集的表示系数<输入到一个两层的稀疏自编码 器中训练，得到第一层稀疏自编码器的权值A和偏置bi，第二层稀疏自编码器的权值^和 偏置b 2，然后固定两层稀疏自编码器的参数，将训练样本集的表示系数&输入，得到输出值 hy；
[0016] (8)将测试样本集的表示系数<输入到步骤（7)固定的两层稀疏自编码器中，得 到测试样本集的表示系数+的输出值hf;
[0017] (9)将步骤（7)得到的输出值hy输入到libSVM分类器中进行训练，并将步骤（8) 得到的输出值h f输入到已训练好的libSVM分类器中，得到最终的分类结果。
[0018] 本发明与现有技术相比，具有以下优点：
[0019] 1、本发明结合了协同表示技术，有效地降低了计算复杂度；
[0020] 2、本发明利用稀疏自编码器对表示系数进行深度学习，得到极化SAR图像特征更 本质的表示，提高了分类精度；
[0021] 3、本发明结合了 libSVM分类器，降低了分类消耗的时间，提高了分类精度；
[0022] 仿真结果表明，本发明方法较经典的H/ a极化分解的分类方法和H/ a -Wishart 分类方法能更有效的对极化SAR图像进行分类。
【附图说明】
[0023] 图1是本发明的流程图；
[0024] 图2是本发明仿真所用的两幅测试图像；
[0025] 图3是本发明与现有两种方法对San Francisco数据的分类实验结果对比图；
[0026] 图4为本发明与现有两种方法对Flevoland数据的分类实验结果对比图。
【具体实施方式】
[0027]参照图1，本发明的具体实现步骤如下：
[0028] 步骤一，计算极化协方差矩阵C、总功率特征参数S。
[0029] (la)输入极化SAR图像每个3*3大小像素点的极化相干矩阵T;
[0030](lb)通过下式计算每个像素点的极化协方差矩阵C :C = M*T*M'，
[0031]式中，M = [l/sqrt(2)]*m，m = [101 ;10_1 ;0sqrt(2)0]，sqrt(2)表示 2 的平方 根，M'表示M的转置矩阵。
[0032] (lc)用T的对角线上的三个元素Tn、T 22、T33构成总功率特征参数：S = Tn+T22+T33。
[0033]