真结果表明，本发明方法较原有的中层特征分类方法能够更加有效的对SAR 图像进行分类。
【附图说明】
[0023] 图1是本发明的算法流程图；
[0024] 图2是稀疏自编码器示例图；
[0025] 图3是本发明在一幅两类简单地物SAR图像上的仿真结果图；
[0026] 图4是本发明在一幅包含城市复杂区域SAR图像上的仿真结果图；
[0027] 图5是本发明在一幅包含森林复杂区域SAR图像上的仿真结果图。
【具体实施方式】
[0028] 参照图1，本发明的具体实施步骤如下：
[0029] 步骤一、对输入的SAR图像进行分水岭过分割，得到分割类标L = IL1, L2, ...，LM}， 其中M值为分水岭分割的总块数，Lni为第m个子块类标，m e [1，Μ]。
[0030] 过分割即M的取值远大于图像的类别数，但能够保证每个子块内所有像素点必定 属于图像同一类别。
[0031] 该步骤的具体过程如下：
[0032] (Ia)对输入的SAR图像进行伽马（Gamma)滤波，得到平滑后的图像I ;
[0033] (Ib)计算I的边缘检测经典算子（prewitt算子）的梯度图G1;
[0034] (Ic)对梯度图G1进行重构得到梯度图G2，重构规则为G 1中设置阈值t约束极大 值区域；
[0035] (Id)对梯度图G2进行分水岭过分割，得到分割类标L = {L i，L2,. . .，LM}。
[0036] 步骤二、对输入的SAR图像进行加窗傅里叶（Gabor)变换得到低层特征F1= [I 1;I2;... ;IN]，其中N表示输入的SAR图像中的像素个数，1"表示每个像素点提取的特征向 量，n e [1，N];
[0037] 将待分类的SAR图像每个像素点η在5*5的窗口内进行六个尺度（f = 7. 87694. 5 3104. 09603. 90843. 58042. 6806)，三个方向（Θ = 〇。，60。，120。）的 Gabor 小波变换， 并取变换后均值和方差作为该像素点特征向量In，In的维度大小为1*36。
[0038] 步骤三、分别对输入的SAR图像中每类场景中的像素点的Gabor特征向量进行随 机采样，得到训练样本Y= [Y1;Y2;... ;Y。]，然后对Y进行奇异值分解（KSVD)，得到的聚类 中心作为字典D = [D1, D2, ...，Dk]，其中Υ。为采样得到的第c类场景的Gabor特征，D k表示 对Y进行KSVD聚类后得到的第k个聚类中心，C表示输入的SAR图像中的场景类别数，K表 示KSVD中的聚类中心数，K的取值远大于图像中的场景类别数C，ce [l，C]，ke [l，K];
[0039] 该步骤的具体过程如下：
[0040] (3a)对低层特征匕进行采样，每类场景采样50个像素点的Gabor特征向量，得到 训练样本 Y = [Y1;Y 2;... ;Y c]，Y。的维度是 50*36 ;
[0041 ] (3b)选择Y的前K个像素点的特征向量来初始化字典D ;
[0042] (3c)利用正交匹配追踪（OMP)算法得到字典D上的稀疏系数矩阵X ;
[0043] (3d)根据系数矩阵X对字典D进行K次迭代，更新字典D，更新规则为优化目标函 数：
[0044]
[0045] 每次迭代对Ek进行奇异值（SVD)分解并更新Dk，使得目标函数值最小，其中E k为 去掉字典Dk后的重构误差，T为稀疏表示系数X中非零的数目的上限。
[0046] 步骤四、将Gabor变换得到低层特征中每个像素点提取的特征向量In与字典D中 每个聚类中心Dk进行卷积，然后再应用最大值池化进行降维，得到的卷积特征F 2作为中层 特征；。
[0047] 将SAR图像中每个像素点的Gabor特征向量In与字典D中每个中心D k进行卷积， 由于1"分别与K个聚类中心D k进行卷积，每个像素点的特征从1*36维变化为K*36维，由 于每个像素点的特征维度变大，并且考虑图像的静态特性，可以对由1"与D卷积得到的特 征进行最大值聚合，即最大值池化方法，从而得到卷积特征F2，并将其作为中层特征。
[0048] 步骤五、将卷积特征&输入到稀疏自编码器中，得到编码系数W 1 =[S1, S2, ...，Sh]，然后将卷积特征F2与编码系数W i相乘，得到深层特征F 3，其中Sh为每个隐 藏层结点训练得到的系数，H为隐藏层结点个数，he [1，H];
[0049] 稀疏自编码器是一种无监督学习算法，包含输入层，隐藏层，输出层。优化目标是 输出值等于输入值，即Xi= z S即尝试逼近一个恒等函数，使输出接近于输入，图2是稀疏 自编码器的一个示例。输入数据中隐含一定的特定结构，而隐藏层可以学习到数据的稀疏 表示，即为学习到的新特征。由于输入的特征向量均为1*36维，因此这里输入层结点数为 36,隐藏层结点数设为25,输出层结点数为36。
[0050] 该过程分具体步骤如下：
[0051] (5a)首先对输入的卷积特征&进行编码，编码函数f(x)为一个线性映射和非线 性激活函数g(x):
[0052] α 1 = f (χ) = g (ff !X^b1) (1)
[0053] g(x) = (l+exp(-x))_1 (2)
[0054] 其中α 1表示隐藏层神经元i的激活度，W i表示输入层与隐藏层之间的权值系数， 1^为隐藏层偏置，i e [l，H];
[0055] (5b)对隐藏层输出进行解码，解码函数为Zi:
[0056] Z1 = g(^V ·α' + /λ,) (3)
[0057] 其中W2为隐藏层到输出层的权值系数，b 2为输出层偏置；
[0058] (5c)调整网络中的层与层之间的权值系数^2，偏置Vb2，使得解码后的重构误 差最小，该过程通过优化损失函数J来调整参数
[0059]
(4)
[0060] xS Zi*别为稀疏自编码器的输入和输出，m为输入层和隐藏层的节点数，λ为惩 罚系数，取值为0. 0001，W为需要调整的权值系数。
[0061] 稀疏编码器通过约束隐藏层神经元之间的稀疏性，使得大部分隐藏层神经元未被 激活，其状态为0,即对输入没有响应，从而学习到最感兴趣的目标特征，该约束为：
[0062] (5)
[0063] (6)
[0064] β为另一惩罚系数，这里其取值为3, P是稀疏性系数，通常是一个接近于0的较 小值，这里取值为〇. 01，表示隐藏层神经元在训练集上的平均激活度；
[0065] (5d)将卷积特征F2与优化后的编码系数W i相乘，得到深层特征F 3。
[0066] 步骤六、对F3进行随机采样，然后输入到支持矢量机（SVM)中进行分类，获得分类 结果R1，共分为C类场景；
[0067] 对SAR图像的每类场景进行随机采样，并将采样点的深层特征匕作为训练数据， 输入到SVM中进行训练和分类，得到分类结果R1，将图像分为C类场景。
[0068] 步骤七、在分水岭过分割结果的分割类标L的每个子块类标Lm位置对R i进行投 票，统计&在L m位置出现次数最多的场景值c，并将L m位置全部更新为该场景值c，从而得 到最终分类结果R。
[0069] 在步骤一中得到的分水岭过分割结果的分割类标L中每个子块Lm位置上统计步 骤六中分类结果R1的取值，并将该子块L m对应位置全部赋值为R 1在该子块位置上出现次 数最高的场景值c，从而得到最终分类结果R。该步骤能够弥补步骤六的分类结果Rl中个 别像素点错分的情况，使最终分类结果更加均匀。
[0070] 本发明的的效果可通过以下仿真进一步说明：
[0071]