1仿真内容：应用本发明方法和挖掘中层特征分类的两个算法：k-means词袋模型 (k-BOV)分类方法、克隆选择词袋模型（CSA-BOV)分类方法分别对三幅SAR图像分类实验， 并从方向信息的准确性、同质区域的内部一致性、边缘边界的清晰性评价这些方法的各自 性能。
[0072] 2仿真实验结果
[0073] A两类简单地物SAR图像的实验结果
[0074] 用本方法以及k-BOV方法，CSA-BOV方法对两类简单地物背景SAR图像进行分类， 其效果比较如图3所示。其中图3(a)为两类简单地物SAR图像原图，该SAR图像纹理信息 简单，仅有两类简单的地物组成；图3(b)为k-BOV方法对图3(a)进行分类得到的结果；图 3(c)为CSA-BOV方法对图3(a)进行分类得到的结果；图3(d)为本发明方法对图3(a)进 行分类得到的结果。由图3可见，本发明方法错分率最小，且区域一致性效果最好，边缘保 持良好。
[0075] 相比之下，k-BOV分类方法将一些背景和河流错分。CSA-BOV方法较k-BOV有了一 定的改进，但背景和河流的边界分类模糊，这一结果是由于词袋模型中视觉单词未能有效 区分不同类别之间的特征。
[0076] B包含森林复杂区域SAR图像的实验结果
[0077] 用本发明以及k-BOV方法，CSA-BOV方法对含有森林复杂区域SAR图像进行分类， 其效果比较如图4所示。其中图4(a)为包含森林复杂区域SAR图像原图；图4(b)为k-B0V 方法对图4(a)进行分类得到的结果；图4(c)为CSA-BOV方法对图4(a)进行分类得到的结 果；图4(d)为本发明方法对图4(a)进行分类得到的结果。由图4可见本发明对含有森林 复杂纹理的SAR图像能够保持较好的区域一致性，且对弱边缘分类正确，对小目标提取完 整。而k-B0V错误的将很多背景区域分为森林，且边缘不平滑，分类效果较差。CSA-BOV方 法将很多森林和草地错分，从而影响了分类正确率。
[0078] C包含城市复杂区域SAR图像的实验结果
[0079] 用本发明以及k-B0V方法，CSA-BOV方法对含有城市复杂区域SAR图像进行分类， 其效果比较如图5所示。其中图5(a)为包含城市复杂区域SAR图像原图；图5(b)为k-B0V 方法对图5(a)进行分类得到的结果；图5(c)为CSA-BOV方法对图5(a)进行分类得到的结 果；图5(d)为本发明方法对图5(a)进行分类得到的结果。由图5可见本发明对含有城市 复杂纹理的SAR图像分类效果良好，能够将图像中的弱边缘区域分类准确，同时城市区域 分类精确，能够保持其细节边缘。而k-B0V方法在轨道和路面边界处出现很多毛刺，并错误 的将城市边缘黑暗的区域错分为城市。CSA-BOV方法较k-B0V方法在边缘保持上有了一定 的改进，但城市区域分类结果仍比原图中城市区域大，错误地将很多不连通的城市区域合 并为了一类。
【主权项】
1. 一种基于深层特征学习和分水岭的SAR图像分类方法，包括如下步骤： 1) 对输入的SAR图像进行分水岭过分割，得到分割类标L= {Li，L2,. . .，LJ，其中M值 为分水岭分割的总块数，k为第m个子块类标，me[1，M]; 2) 对输入的SAR图像进行加窗傅里叶（Gabor)变换得到低层特征F1=[I1;12;...; IN]，其中N表示输入的SAR图像中的像素个数，In表示每个像素点提取的特征向量， nG[1,N]； 3) 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=叫，D2,. . .，DJ，其中Y。为采样得到的第c类场景的Gabor特征，Dk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[1，K]; 4) 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？2作为中层特征； 5) 将卷积特征匕输入到稀疏自编码器中，得到编码系数W1=[SS2,. . .，SH]，然后将 卷积特征F2与编码系数Wi相乘，得到深层特征F3，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]; 6) 将深层特征F3输入到支持矢量机（SVM)中进行分类，获得分类结果1^，共分为C类 场景； 7) 在分水岭过分割结果的分割类标L的每个子块类标立置对R:进行投票，统计R: 在立置出现次数最多的场景值c，并将Lm位置全部更新为该场景值c，从而得到最终分类 结果R〇2. 根据权利要求1所述的图像分类方法，其中步骤1)包括： la) 对输入的SAR图像进行伽马（Ga_a)滤波，得到平滑后的图像I; lb) 计算I的边缘检测经典算子（prewitt)算子的梯度图G1; lc) 对梯度图匕进行重构得到梯度图G2，重构规则为匕中设置阈值t约束极大值区域； ld) 对梯度图G2进行分水岭过分割，得到分割类标L={LL2,. . .，LJ。3. 根据权利要求1所述的图像分类方法，其中步骤5)包括： 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): a' =f(x) =g(ffiX'+bj) (1) g(x) = (l+exp(-x))_1 (2) 其中a1表示隐藏层神经元i的激活度，Wi表示输入层与隐藏层之间的权值系数，b:为 隐藏层偏置，ie[l，H]; 5b)对隐藏层输出进行解码，解码函数为zS其中W2为隐藏层到输出层的权值系数，b2为输出层偏置； 5c)调整网络中的层与层之间的权值系数WpW2，偏置bpb2，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xSd*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，X为惩罚系 数，取值为〇. 0001，W为需要调整的权值系数； 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，其状态为〇,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：0为另一惩罚系数，P是稀疏性系数，通常是一个接近于〇的较小值，P表示隐藏层神 经元在训练集上的平均激活度， 5d)将卷积特征F2与优化后的编码系数Wi相乘，得到深层特征F3。4. 根据权利要求1所述的图像分类方法，优选地，阈值t的取值20。5. 根据权利要求1所述的图像分类方法，优选地，X的取值0.0001。6. 根据权利要求1所述的图像分类方法，优选地，P的取值0.01。7. 根据权利要求1所述的图像分类方法，优选地，0的取值3。
【专利摘要】本发明公开了一种基于深层特征学习和分水岭的SAR图像分类，它属于图像处理技术领域，主要解决中低层特征应用于SAR图像分类易产生场景错分，区域一致性性差，边界有毛刺的问题。其分类过程为：对输入的SAR图像计算分水岭过分割类标L；计算输入的SAR图像伽马(Gabor)特征F1；对F1采样后输入到奇异值分解(KSVD)算法得到训练字典D；将F1与D进行卷积与最大值池化，得到卷积特征F2；然后将F2输入到稀疏自编码器中获到深层特征F3；将F3输入到SVM中分类，获得分类结果R1；在分水岭分割结果L的每个子块位置对R1进行投票统计，获得最终分类结果。本发明具有运算速度快，边缘分类精确，区域一致性好的优点，可用于SAR目标识别。
【IPC分类】G06K9/62
【公开号】CN104915676
【申请号】CN201510254220
【发明人】侯彪, 焦李成, 刘贺, 姚若玉, 马晶晶, 马文萍, 张涛, 刘闯
【申请人】西安电子科技大学
【公开日】2015年9月16日
【申请日】2015年5月19日