基于稀疏編碼和小波自編碼器的極化sar圖像分類方法
【專利摘要】本發(fā)明公開了一種基于稀疏編碼和小波自編碼器的極化SAR圖像分類方法，主要解決由于特征提取不合理而造成的邊界分類問題和沒有考慮空間相關(guān)性而導(dǎo)致的區(qū)域一致性較差的問題。其主要步驟是：(1)、輸入圖像；(2)、預(yù)處理；(3)、提取圖像特征；(4)、稀疏編碼；(5)、選取訓(xùn)練樣本和測試樣本；(6)、訓(xùn)練小波稀疏自編碼器；(7)、訓(xùn)練softmax分類器；(8)、調(diào)整網(wǎng)絡(luò)參數(shù)；(9)、圖像分類；(10)、上色；(11)、輸出分類結(jié)果圖。本發(fā)明具有良好的去噪效果，考慮到數(shù)據(jù)的鄰域信息，能更好地從低維特征中學(xué)到更高級的特征，使得本發(fā)明的分類結(jié)果圖的輪廓、邊緣更加清晰，改善了極化SAR圖像的分類性能。
【專利說明】
基于稀疏編碼和小波自編碼器的極化SAR圖像分類方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及極化合成孔徑雷達(dá)圖像分類技術(shù)領(lǐng) 域中的一種基于稀疏編碼和小波稀疏自編碼器的極化合成孔徑雷達(dá)SAR(Synthetic Aperture Radar)圖像分類方法。本發(fā)明采用高斯金字塔池化編碼與小波稀疏自編碼器相 結(jié)合的方法，對極化合成孔徑雷達(dá)SAR圖像進(jìn)行分類，該方法可用于極化合成孔徑雷達(dá)SAR 圖像目標(biāo)檢測和目標(biāo)識別。
【背景技術(shù)】
[0002] 極化合成孔徑雷達(dá)已成為國內(nèi)外合成孔徑雷達(dá)發(fā)展的重要方向之一，而極化SAR 圖像分類是SAR圖像解譯的重要研究技術(shù)。極化SAR是一種主動式高分辨有源微波遙感成像 雷達(dá)，其研究始于20世紀(jì)50年代初，而極化SAR是SAR的一個重要分支。它是一種相干多通道 微波式成像系統(tǒng)，通過調(diào)整收發(fā)電磁波的極化方式可以獲得每個分辨單元的極化散射矩 陣，包含有豐富的地物信息，極大地增強(qiáng)了成像雷達(dá)對目標(biāo)信息的獲取能力。極化SAR圖像 地物分類是極化SAR圖像處理中的重要內(nèi)容，也是極化SAR圖像解譯的關(guān)鍵技術(shù)之一，它是 將解譯系統(tǒng)中的前端部分單獨(dú)提取出來作為具體應(yīng)用的一個典型實例。
[0003]電子科技大學(xué)在其申請的專利"一種基于Cloude特征分解的極化SAR圖像分類方 法"（專利申請?zhí)枺?01410341457.9,公開號：CN104123563A)中提出了一種基于Cloude特征 分解的極化SAR圖像無監(jiān)督分類方法。該方法首先對極化SAR圖像中的每個像素點進(jìn)行 Cloude分解，得到散射熵Η和散射角α;然后計算散射熵和散射角的統(tǒng)計直方圖，并對直方圖 進(jìn)行分割，得到分割閾值;然后將得到的分割閾值作為散射熵和散射角特征構(gòu)成的二維平 面的劃分點，對極化SAR圖像進(jìn)行初始劃分;最后將得到的初始分類的類中心和類別數(shù)輸入 到Wishart分類器，得到所述極化SAR圖像的分類結(jié)果。該方法雖然綜合了對散射熵Η和散射 角α進(jìn)行直方圖分割獲得劃分的閾值，但是仍然存在的不足之處是，該方法沒有有效地結(jié)合 數(shù)據(jù)的鄰域信息，沒有考慮極化SAR圖像的空間相關(guān)性，導(dǎo)致區(qū)域內(nèi)雜點較多，區(qū)域一致性 較差，并且計算量大，耗時長，實現(xiàn)過程復(fù)雜。
[0004] 西安電子科技大學(xué)在其申請的專利"基于Κ均值和稀疏自編碼器的極化SAR圖像分 類方法"（專利申請?zhí)枺?01510102433.2，公開號:CN104680180A)中提出了一種基于K-Means 特征表示和稀疏自編碼器的極化SAR圖像分類方法。該方法首先對濾波后圖像提取空間鄰 域特征和聚類中心，獲得K均值特征表示;然后對樣本特征集進(jìn)行歸一化、白化，選取訓(xùn)練樣 本和測試樣本;最后利用訓(xùn)練好的稀疏自編碼器對測試集進(jìn)行分類，并且計算精度。這種方 法提取的圖像特征不易受噪聲點的影響，且冗余性小，維度低。但是仍然存在的不足之處 是，該方法不具有良好的時頻局部性質(zhì)，不能刻畫數(shù)據(jù)的細(xì)節(jié)特征。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服上述已有技術(shù)的缺點，提出了一種基于稀疏編碼和小波稀 疏自編碼器的極化SAR圖像分類方法。本發(fā)明與現(xiàn)有技術(shù)中其它極化SAR圖像分類技術(shù)相 比，結(jié)合了極化SAR圖像的鄰域信息，能更好地從低維特征中學(xué)到更高維的特征，并且降低 了時間復(fù)雜度，提高了圖像的分類精度。
[0006] 本發(fā)明實現(xiàn)上述目的思路是:先對極化SAR圖像的協(xié)方差矩陣進(jìn)行預(yù)處理，對預(yù)處 理后的矩陣進(jìn)行高斯金字塔池化編碼，選取相應(yīng)的訓(xùn)練樣本、測試樣本、訓(xùn)練標(biāo)簽和測試標(biāo) 簽，利用訓(xùn)練樣本訓(xùn)練小波稀疏自編碼器，調(diào)整網(wǎng)絡(luò)參數(shù)，將測試樣本輸入訓(xùn)練好的網(wǎng)絡(luò)和 分類器中，得到最終分類結(jié)果并計算準(zhǔn)確率。
[0007] 實現(xiàn)本發(fā)明目的的具體步驟如下：
[0008] (1)輸入圖像：
[0009] (la)輸入一幅3*3*N待分類的極化合成孔徑雷達(dá)SAR圖像的協(xié)方差矩陣，其中，N表 示待分類的極化SAR圖像像素點的總數(shù)；
[0010] (lb)輸入待分類的極化合成孔徑雷達(dá)SAR圖像的真實地物標(biāo)記圖像；
[0011] (2)預(yù)處理：
[0012] (2a)采用精致Lee濾波器，對協(xié)方差矩陣進(jìn)行濾波，去除斑點噪聲，得到極化SAR圖 像每個像素點的濾波后矩陣；
[0013] (2b)采用線性函數(shù)歸一化算法，對濾波后矩陣歸一化至[0 1]范圍內(nèi)，得到極化 SAR圖像每個像素點的歸一化后矩陣；
[0014] (2c)采用零相位差成分分析ZCA白化算法，對歸一化后矩陣進(jìn)行白化，得到極化 SAR圖像每個像素點的預(yù)處理后矩陣；
[0015] (3)提取圖像特征：
[0016] (3a)分別提取每個像素點預(yù)處理后矩陣中位于上三角處的三個元素的實部值和 虛部值、預(yù)處理后矩陣中位于對角線上三個元素的實部值，得到每個像素點的9個散射特征 值；
[0017] (3b)將所有像素的第i個散射特征值構(gòu)成第i個散射特征空間，其中，i = l，2, ...， 9；
[0018] (3c)對所有像素的9個散射特征值，執(zhí)行9次步驟(3b)的相同操作，得到9個散射特 征空間；
[0019] (4)稀疏編碼：
[0020] (4a)采用圍繞邊界進(jìn)行鏡像反射的方法，對每個散射特征空間進(jìn)行擴(kuò)展，得到填 充后的圖像；
[0021] (4b)采用高斯金字塔池化編碼方法，對填充后每個散射特征空間中的每個像素進(jìn) 行特征提取，得到編碼后每個散射特征空間中每個像素的21維采樣特征；
[0022] (4c)對每個像素的9個散射特征空間，執(zhí)行9次步驟(4b)的相同操作，得到每個像 素的21*9維采樣特征；
[0023] (5)選取訓(xùn)練樣本和測試樣本：
[0024] (5a)讀取真實地物標(biāo)記圖像中每個像素點的標(biāo)簽值，得到無標(biāo)簽樣本集和標(biāo)簽樣 本集；
[0025] (5b)從標(biāo)簽樣本集每一類別中任意選取3000個樣本作為訓(xùn)練樣本集，將剩余的標(biāo) 簽樣本作為測試樣本集；
[0026] (6)訓(xùn)練小波稀疏自編碼器：
[0027] (6a)用Morlet小波函數(shù)作為棧式稀疏自編碼器的激活函數(shù)，得到小波稀疏自編碼 器網(wǎng)絡(luò)結(jié)構(gòu)；
[0028] (6b)采用標(biāo)準(zhǔn)正態(tài)分布隨機(jī)數(shù)產(chǎn)生函數(shù)，隨機(jī)生成小波稀疏自編碼器的權(quán)重值和 偏差值；
[0029] (6c)采用均方差衰減公式，利用隨機(jī)生成的權(quán)重值和偏差值，計算整體樣本均方 差裝減值；
[0030] (6d)采用梯度下降法，對獲得的整體樣本均方差衰減值進(jìn)行權(quán)重值和偏差值的迭 代更新，得到小波稀疏自編碼器的最優(yōu)權(quán)重值和最優(yōu)偏差值，獲得訓(xùn)練好的小波稀疏自編 碼器；
[0031] (7)訓(xùn)練 Softmax 分類器：
[0032]將網(wǎng)絡(luò)模型參數(shù)和訓(xùn)練樣本集輸入到Softmax分類器中，得到訓(xùn)練好的Softmax分 類器；
[0033] (8)調(diào)整網(wǎng)絡(luò)參數(shù)：
[0034]采用反向傳播方法，對整個小波稀疏自編碼器進(jìn)行微調(diào)，得到微調(diào)后的網(wǎng)絡(luò)模型 結(jié)構(gòu)；
[0035] (9)圖像分類：
[0036]利用訓(xùn)練好的小波稀疏自編碼器和Softmax分類器，對測試樣本集進(jìn)行分類，將分 類結(jié)果中標(biāo)簽相同的像素點歸于一個類別；
[0037] (10)上色：
[0038]根據(jù)紅、藍(lán)、綠三基色原理，對每個像素點所屬地物類別，用同一顏色標(biāo)出同類地 物，得到上色后的分類結(jié)果圖；
[0039] (11)輸出分類結(jié)果圖。
[0040] 本發(fā)明與現(xiàn)有技術(shù)相比有以下優(yōu)點：
[0041]第一，由于本發(fā)明采用高斯金字塔池化編碼，考慮到了每個像素點的鄰域信息，通 過在由協(xié)方差矩陣提取的散射特征值構(gòu)成的散射特征空間中，學(xué)習(xí)到更高級的特征，克服 了現(xiàn)有技術(shù)中極化SAR圖像的邊界分類問題和沒有考慮空間相關(guān)性而導(dǎo)致的區(qū)域一致性較 差的問題，使得本發(fā)明提高了極化SAR圖像分類的準(zhǔn)確率。
[0042]第二，由于本發(fā)明采用小波稀疏自編碼器，從原始的低級特征中學(xué)習(xí)出更深層、高 級的特征，并且小波函數(shù)具有良好的時頻局部性質(zhì)，克服了現(xiàn)有技術(shù)中原始特征學(xué)習(xí)不充 分、不能刻畫數(shù)據(jù)的細(xì)節(jié)特征，導(dǎo)致分類準(zhǔn)確率低的問題，使得本發(fā)明比現(xiàn)有技術(shù)具有更加 優(yōu)異的特征表達(dá)能力，進(jìn)而提高了極化SAR圖像數(shù)據(jù)分類的準(zhǔn)確率。
[0043]第三，由于本發(fā)明采用精致Lee濾波、歸一化和白化對數(shù)據(jù)進(jìn)行預(yù)處理，去除了圖 像的相干斑噪聲，降低了輸入數(shù)據(jù)的冗余性，加快了算法的收斂速度，克服了現(xiàn)有技術(shù)中未 對原始數(shù)據(jù)進(jìn)行預(yù)處理操作，導(dǎo)致分類準(zhǔn)確率低的問題，使得本發(fā)明的分類結(jié)果圖的輪廓、 邊緣更加清晰，改善了極化SAR圖像的分類性能。
【附圖說明】
[0044] 圖1是本發(fā)明的流程圖；
[0045] 圖2是本發(fā)明的仿真圖。
【具體實施方式】
[0046] 下面結(jié)合附圖對本發(fā)明做詳細(xì)描述。
[0047] 參照圖1，對本發(fā)明的具體實施步驟做進(jìn)一步的詳細(xì)描述。
[0048]步驟1，輸入圖像。
[0049]輸入一幅待分類的極化SAR圖像的協(xié)方差矩陣，所用極化SAR數(shù)據(jù)來源為NASA/JPL 實驗室AIRSAR傳感器于2008年在舊金山海灣地區(qū)獲取的L波段數(shù)據(jù)，分辨率為10*5m，尺寸 為1800*1380像素。該圖像的協(xié)方差矩陣大小為3*3*N，N是極化SAR圖像像素點的總數(shù)。 [0050]輸入待分類的極化合成孔徑雷達(dá)SAR圖像的真實地物標(biāo)記圖像。
[0051 ] 步驟2,預(yù)處理。
[0052]采用精致Lee濾波器，對協(xié)方差矩陣進(jìn)行濾波，去除斑點噪聲，得到極化SAR圖像每 個像素點的濾波后矩陣。
[0053]精致Lee濾波的具體步驟如下：
[0054]第一步，設(shè)定精致Lee濾波的滑動窗口，該滑動窗口的大小為5*5像素；
[0055]第二步，將滑動窗口用于極化SAR圖像數(shù)據(jù)上，從左到右、從上到下移動，每移動一 步，將窗口按照像素空間位置，從左到右、從上到下依次分成9個子窗口；
[0056]第三步，將9個子窗口對應(yīng)位置的像素值求平均值，將得到的均值構(gòu)成3*3像素的 均值窗口；
[0057]第四步，選擇水平、垂直、45度和135度4個方向的梯度模板，將均值窗口分別與4個 模板進(jìn)行加權(quán)取絕對值，選出其中最大值，將最大值作為邊緣方向；
[0058] 第五步，從9個子窗口中取中心窗口邊緣方向的左右2個子窗口，分別對2個窗口內(nèi) 的所有像素取均值，用得到的兩個均值分別減去中心窗口所有像素值的均值，將均值差值 中絕對值小的值所對應(yīng)的子窗口作為方向窗口；
[0059] 第六步，按照下式，得到精致Lee濾波的權(quán)值：
[0061] 其中，b表示精致濾波的權(quán)值，var(y)表示方向窗口內(nèi)極化SAR總功率圖像像素的 方差值，y表示方向窗口內(nèi)極化SAR總功率圖像的像素，p表示方向窗口內(nèi)極化SAR總功率圖 像所有像素的均值，< 表示輸入的極化SAR圖像相干斑噪聲的方差值；
[0062] 第七步，按照下式，得到濾波后極化SAR圖像中心像素的C矩陣：
[0063] x=w+b(y-w)
[0064] 其中，X表示濾波后極化SAR圖像中心像素的C矩陣，w表示方向窗口內(nèi)極化SAR圖像 像素的協(xié)方差矩陣均值，b表示精致濾波的權(quán)值。
[0065] 采用線性函數(shù)歸一化算法，對濾波后矩陣歸一化至[0 1]，得到極化SAR圖像每個 像素點的歸一化后矩陣。
[0066] 采用零相位差成分分析ZCA白化方法，對濾波后矩陣進(jìn)行白化，使要研究的各個變 量之間去耦合，降低輸入的冗余性，便于分別處理和研究。
[0067] 數(shù)據(jù)白化必須滿足兩個條件:一是不同特征間相關(guān)性最小，接近0;二是所有特征 的方差相等。ZCA白化只是在PCA白化的基礎(chǔ)上做了一個選擇操作。ZCA白化相較于PCA白化， 使處理后的數(shù)據(jù)更加接近原始數(shù)據(jù)，其主要作用是去相關(guān)性，而非降維。
[0068]步驟3,提取圖像特征。
[0069]分別提取每個像素點預(yù)處理后矩陣中位于上三角處的三個元素的實部值和虛部 值、預(yù)處理后矩陣中位于對角線上三個元素的實部值，組成一個N*9的樣本集，N表示極化 SAR圖像像素點的總數(shù)，樣本集中每一列都表示極化SAR圖像的一種特征，每一個像素點共 包含9個特征。
[0070] 將所有像素的第i個散射特征值構(gòu)成第i個散射特征空間，其中，i = l，2，. . .，9。
[0071] 對所有像素的9個散射特征值，執(zhí)行9次上述步驟相同的操作，得到9個散射特征空 間。
[0072] 步驟4,稀疏編碼。
[0073]采用圍繞邊界進(jìn)行鏡像反射的方法，對每個散射特征空間進(jìn)行擴(kuò)展，得到填充后 的圖像。
[0074]采用高斯金字塔池化編碼方法，對填充后每個散射特征空間中的每個像素進(jìn)行特 征提取，得到編碼后每個散射特征空間每個像素的21維采樣特征。
[0075] 高斯金字塔池化編碼的具體步驟如下：
[0076] 第一步，采用16*16的窗口，提取每個散射特征空間中的每個像素的協(xié)方差數(shù)據(jù)， 得到每個散射特征空間中的每個像素的16*16大小的數(shù)據(jù)矩陣；
[0077] 第二步，將數(shù)據(jù)矩陣從第一行第一列開始依次不重復(fù)地按4*4像素塊分成16個子 矩陣，從16個子矩陣中分別提取最大值，得到16個特征值；
[0078]第三步，將數(shù)據(jù)矩陣進(jìn)行高斯濾波后，從第一行第一列開始依次不重復(fù)地按8*8像 素塊分成4個子矩陣，從4個子矩陣中分別提取最大值，得到4個特征值；
[0079] 第四步，對4個特征值進(jìn)行高斯濾波，提取濾波后的最大值，將該最大值作為1個特 征值；
[0080] 第五步，將16個特征值、4個特征值和1個特征值依次按列組合得到每個散射特征 空間中的每個像素的21維采樣特征。
[0081] 對每個像素的9個散射特征空間，執(zhí)行9次上述步驟的相同操作，得到每個像素的 21*9維采樣特征。
[0082] 步驟5,選取訓(xùn)練樣本和測試樣本。
[0083]利用Matlab軟件讀取標(biāo)記圖，讀取真實地物標(biāo)記圖像中每個像素點的標(biāo)簽值，發(fā) 現(xiàn)此實驗數(shù)據(jù)圖可分為5類，得到無標(biāo)簽樣本集和標(biāo)簽樣本集。
[0084] 從標(biāo)簽樣本集中每一類別中任意選取3000個樣本作為訓(xùn)練樣本集，將剩余的標(biāo)簽 樣本作為測試樣本集。在具體實驗中，可以選取不同數(shù)量的樣本作為訓(xùn)練樣本來訓(xùn)練網(wǎng)絡(luò)， 但是，樣本數(shù)選取過多可能導(dǎo)致時間復(fù)雜度增加，計算過程較為復(fù)雜，而樣本數(shù)選取過少， 那么訓(xùn)練網(wǎng)絡(luò)不充分，將直接導(dǎo)致測試樣本輸入網(wǎng)絡(luò)后，分類精度偏低，甚至分類器會出現(xiàn) 過擬合現(xiàn)象。
[0085] 步驟6，訓(xùn)練小波稀疏自編碼器。
[0086]用Morlet函數(shù)作為棧式稀疏自編碼器的激活函數(shù)，得到小波稀疏自編碼器網(wǎng)絡(luò)結(jié) 構(gòu)：
[0087] Morlet函數(shù)公式如下所示：
[0089] 其中，y#表示第i個樣本通過第j個隱層小波神經(jīng)元的輸出值，j表示隱藏層的第j 個小波神經(jīng)元，j = l，2,3. . .N，N表示隱層小波元個數(shù)，i表示第i個樣本，i = l，2,3. . .P，P表 示樣本總數(shù)，cos表示求余弦操作，^表示第j個小波神經(jīng)元的輸入值，e表示以e為底數(shù)的指 數(shù)操作; < 表示對第j個小波神經(jīng)元的輸入值求平方操作。
[0090] 采用標(biāo)準(zhǔn)正態(tài)分布隨機(jī)數(shù)產(chǎn)生函數(shù)，隨機(jī)生成小波稀疏自編碼器的權(quán)重值和偏差 值。
[0091] 采用均方差衰減公式，利用隨機(jī)生成的權(quán)重值和偏差值，計算得到整體樣本均方 差裝減值：
[0092]均方差衰減公式如下所示：
[0093] J(ffj,bj)=J(xi,yji)+J(ffj)+P
[0094] 其中，J(Whbj)表示小波稀疏自編碼器中的第j個小波神經(jīng)元的整體樣本均方差衰 減值，W」表示小波稀疏自編碼器中的第j個小波神經(jīng)元的權(quán)重值，_2<\^<2，匕表示隨機(jī)生 成的小波稀疏自編碼器中的第j個小波神經(jīng)元的偏差值，表示第j個小 波神經(jīng)元的第i個無標(biāo)簽樣本輸入 Xl與輸出樣本y#之間的誤差值，Xl表示預(yù)處理后的第i個 無標(biāo)簽樣本輸入，y#表示第j個小波神經(jīng)元的第i個輸出樣本，J(WJ表示小波稀疏自編碼第 j個小波神經(jīng)元權(quán)重值的衰減值，P表示小波稀疏自編碼的稀疏度，P的取值為〇. 1。
[0095]采用梯度下降法，對獲得的整體樣本均方差衰減值進(jìn)行權(quán)重值和偏差值的迭代更 新，得到小波稀疏自編碼器的最優(yōu)權(quán)重值和最優(yōu)偏差值。
[0096]梯度下降法的具體步驟如下：
[0097]第一步，按照下式，更新小波稀疏自編碼器的權(quán)重值：
[0099]其中，Wn+1表示第n+1次迭代更新后小波稀疏自編碼器的權(quán)重值，η表示權(quán)重值的迭 代次數(shù)，Wn表示第η次迭代更新后小波稀疏自編碼器的權(quán)重值，α表示權(quán)重值的學(xué)習(xí)速率，0 <α < 1，^：表不求偏導(dǎo)數(shù)操作，J (Wn，bn)表不迭代更新η次后的整體樣本均方差衰減值，bn表 ( 示第η次迭代更新后的方差值；
[01 00]第二步，按照下式，更新小波稀疏自編碼器的偏差值：
[0102] 其中，bn+1表示第n+1次迭代更新后小波稀疏自編碼器的偏差值，η表示偏差值的迭 代次數(shù)，bn表示第η次迭代更新后小波稀疏自編碼器的偏差值，β表示偏差值的學(xué)習(xí)速率，β 的取值范圍為〇<β<1，|表示求偏導(dǎo)數(shù)操作，J(Wn，bn)表示迭代更新η次后的整體樣本均方 d 差衰減值，Wn表示第η次迭代更新后的權(quán)重值。
[0103] 步驟6,訓(xùn)練Softmax分類器。
[0104] 輸入網(wǎng)絡(luò)模型參數(shù)和訓(xùn)練樣本集，得到訓(xùn)練好的Softmax分類器。
[0105] 步驟7,調(diào)整網(wǎng)絡(luò)參數(shù)。
[0106] 采用反向傳播方法，對整個小波稀疏自編碼器進(jìn)行微調(diào)，得到微調(diào)后的網(wǎng)絡(luò)模型 結(jié)構(gòu)。
[0107] 步驟8,圖像分類。
[0108] 利用訓(xùn)練好的小波稀疏自編碼器和Softmax分類器，對測試樣本集進(jìn)行分類，將分 類結(jié)果中標(biāo)簽相同的像素點歸于一個類別。
[0109] 步驟9,上色。
[0110] 根據(jù)紅、藍(lán)、綠三基色原理，對每個像素所屬地物類別，用同一顏色標(biāo)出同類地物， 得到上色后的分類結(jié)果圖。
[0111] 步驟10,輸出分類結(jié)果圖。
[0112] 下面結(jié)合附圖2對本發(fā)明的效果做進(jìn)一步說明：
[0113] 1.仿真實驗條件。
[0114] 本發(fā)明的仿真實驗所使用的輸入圖像如圖2(a)所示，格式為JPG的極化SAR圖像作 為測試實驗，來源為NASA/JPL實驗室AIRSAR傳感器于2008年在舊金山海灣地區(qū)獲取的L波 段數(shù)據(jù)，分辨率為l〇*5m，尺寸為1800*1380。
[0115] 仿真實驗中，軟件采用Matlab版本8.5.0(R2015a)，電腦型號：Intel Core i5-3470，內(nèi)存:64 · 00GB，操作系統(tǒng):Linux。
[0116] 2.仿真內(nèi)容和結(jié)果分析。
[0117] 使用現(xiàn)有技術(shù)支撐向量機(jī)SVM的方法對所用極化SAR圖像進(jìn)行仿真實驗，分類結(jié)果 見圖2(b);使用現(xiàn)有技術(shù)稀疏自編碼器SAE對所用極化SAR圖像進(jìn)行仿真實驗，分類結(jié)果見 圖2(c);使用現(xiàn)有技術(shù)Morlet小波稀疏自編碼器對所用極化SAR圖像進(jìn)行仿真實驗，分類結(jié) 果見圖2(d);使用本發(fā)明對所用極化SAR圖像進(jìn)行仿真實驗，分類結(jié)果見圖2(e)。
[0118] 從分類結(jié)果示意圖來看，采用本發(fā)明對圖2(a)進(jìn)行分類后，除部分地區(qū)的分類結(jié) 果雜點較多外，其他地區(qū)的分類結(jié)果雜點較少，并且邊緣光滑，清晰可辨。由此可見，本發(fā)明 能夠有效的解決極化SAR圖像的分類問題。
[0119] 本發(fā)明與現(xiàn)有技術(shù)支撐向量機(jī)SVM、現(xiàn)有技術(shù)稀疏自編碼器SAE和現(xiàn)有技術(shù)Morlet 小波稀疏自編碼器分類方法進(jìn)行分類精度對比，對比結(jié)果如表1所示。
[0120] 表1四種算法分類精度對比表
[0122]表1中的"SVM"表不現(xiàn)有技術(shù)支撐向量機(jī)分類方法，"SAE"表不現(xiàn)有技術(shù)稀疏自編 碼器分類方法，"小波自編碼器Morlet"表示現(xiàn)有技術(shù)小波稀疏自編碼器分類方法，其中 "Mor let"表示小波稀疏自編碼器中的小波激活函數(shù)，"小波自編碼器Mori et + Gausspyramid"為本發(fā)明方法，"Morlet"表示小波稀疏自編碼器中的小波激活函數(shù)， "Gausspyramid"表示對極化SAR圖像進(jìn)行高斯金字塔遲化編碼。
[0123]從表1可以看出，在對極化SAR地物分類的結(jié)果中，本發(fā)明的分類精度遠(yuǎn)遠(yuǎn)高于現(xiàn) 有技術(shù)支撐向量機(jī)SVM、現(xiàn)有技術(shù)棧式稀疏自編碼器SAE和現(xiàn)有技術(shù)Morlet小波稀疏自編碼 器的分類精度，從總體耗時來看，本發(fā)明方法的總用時均遠(yuǎn)遠(yuǎn)小于棧式稀疏自編碼SAE和支 撐向量機(jī)SVM的總用時。支撐向量機(jī)SVM是直接利用預(yù)處理后的訓(xùn)練樣本訓(xùn)練分類器并對圖 像進(jìn)行分類，它不能從數(shù)據(jù)中提取更高維的深層表示特征，導(dǎo)致算法在原始特征選擇不合 理的情況下分類效果差。棧式稀疏自編碼器SAE的激活函數(shù)Sigmoid函數(shù)不具有小波函數(shù)的 時頻局部性質(zhì)，不能刻畫數(shù)據(jù)的細(xì)節(jié)特征，從而導(dǎo)致提取的特征不能很好的反應(yīng)數(shù)據(jù)的本 質(zhì)特性。雖然小波稀疏自編碼器對棧式稀疏自編碼器的激活函數(shù)進(jìn)行了改進(jìn)，使得算法的 收斂速度更快且具有更強(qiáng)的學(xué)習(xí)能力，但對高分辨極化SAR圖像的分類精度提高的并不顯 著，因此，本發(fā)明將采用高斯金字塔池化編碼與小波稀疏自編碼器相結(jié)合，有效的利用極化 SAR圖像的鄰域信息，考慮到極化SAR圖像的空間相關(guān)性，對原始特征進(jìn)行充分學(xué)習(xí)，為在深 度網(wǎng)絡(luò)中學(xué)習(xí)到更加優(yōu)異的高級特征做準(zhǔn)備。
【主權(quán)項】
1. 一種基于稀疏編碼和小波自編碼器的極化SAR圖像分類方法，包括如下步驟： (1) 輸入圖像： (la)輸入一幅3*3*N待分類的極化合成孔徑雷達(dá)SAR圖像的協(xié)方差矩陣，其中，N表示待 分類的極化SAR圖像像素點的總數(shù)； (化)輸入待分類的極化合成孔徑雷達(dá)SAR圖像的真實地物標(biāo)記圖像； (2) 預(yù)處理： (2a)采用精致Lee濾波器，對協(xié)方差矩陣進(jìn)行濾波，去除斑點噪聲，得到極化SAR圖像每 個像素點的濾波后矩陣； (2b)采用線性函數(shù)歸一化算法，對濾波后矩陣歸一化至[0 1]范圍內(nèi)，得到極化SAR圖 像每個像素點的歸一化后矩陣； (2c)采用零相位差成分分析ZCA白化算法，對歸一化后矩陣進(jìn)行白化，得到極化SAR圖 像每個像素點的預(yù)處理后矩陣； (3) 提取圖像特征： (3a)分別提取每個像素點預(yù)處理后矩陣中位于上Ξ角處的Ξ個元素的實部值和虛部 值、預(yù)處理后矩陣中位于對角線上Ξ個元素的實部值，得到每個像素點的9個散射特征值； (3b)將所有像素的第i個散射特征值構(gòu)成第i個散射特征空間，其中，i = l，2，...，9; (3c)對所有像素的9個散射特征值，執(zhí)行9次步驟(3b)的相同操作，得到9個散射特征空 間； (4) 稀疏編碼： (4a)采用圍繞邊界進(jìn)行鏡像反射的方法，對每個散射特征空間進(jìn)行擴(kuò)展，得到填充后 的圖像； (4b)采用高斯金字塔池化編碼方法，對填充后每個散射特征空間中的每個像素進(jìn)行特 征提取，得到編碼后每個散射特征空間中每個像素的21維采樣特征； (4c)對每個像素的9個散射特征空間，執(zhí)行9次步驟(4b)的相同操作，得到每個像素的 21*9維采樣特征； (5) 選取訓(xùn)練樣本和測試樣本： (5a)讀取真實地物標(biāo)記圖像中每個像素點的標(biāo)簽值，得到無標(biāo)簽樣本集和標(biāo)簽樣本 集； (5b)從標(biāo)簽樣本集每一類別中任意選取3000個樣本作為訓(xùn)練樣本集，將剩余的標(biāo)簽樣 本作為測試樣本集； (6) 訓(xùn)練小波稀疏自編碼器： (6a)用Morlet小波函數(shù)作為找式稀疏自編碼器的激活函數(shù)，得到小波稀疏自編碼器網(wǎng) 絡(luò)結(jié)構(gòu)； (6b)采用標(biāo)準(zhǔn)正態(tài)分布隨機(jī)數(shù)產(chǎn)生函數(shù)，隨機(jī)生成小波稀疏自編碼器的權(quán)重值和偏差 值； (6c)采用均方差衰減公式，利用隨機(jī)生成的權(quán)重值和偏差值，計算整體樣本均方差衰 減值； (6d)采用梯度下降法，對獲得的整體樣本均方差衰減值進(jìn)行權(quán)重值和偏差值的迭代更 新，得到小波稀疏自編碼器的最優(yōu)權(quán)重值和最優(yōu)偏差值，獲得訓(xùn)練好的小波稀疏自編碼器； (7) 訓(xùn)練Sof tmax分類器： 將網(wǎng)絡(luò)模型參數(shù)和訓(xùn)練樣本集輸入到Softmax分類器中，得到訓(xùn)練好的Softmax分類 器； (8) 調(diào)整網(wǎng)絡(luò)參數(shù)： 采用反向傳播方法，對整個小波稀疏自編碼器進(jìn)行微調(diào)，得到微調(diào)后的網(wǎng)絡(luò)模型結(jié)構(gòu)； (9) 圖像分類： 利用訓(xùn)練好的小波稀疏自編碼器和Softmax分類器，對測試樣本集進(jìn)行分類，將分類結(jié) 果中標(biāo)簽相同的像素點歸于一個類別； (10) 上色： 根據(jù)紅、藍(lán)、綠Ξ基色原理，對每個像素點所屬地物類別，用同一顏色標(biāo)出同類地物，得 到上色后的分類結(jié)果圖； (11) 輸出分類結(jié)果圖。2. 根據(jù)權(quán)利要求1所述的基于稀疏編碼和小波自編碼器的極化SAR圖像分類方法，其特 征在于，步驟(4b)中所述的高斯金字塔池化編碼的具體步驟如下： 第一步，采用16*16的窗口，提取每個散射特征空間中的每個像素的協(xié)方差數(shù)據(jù)，得到 每個散射特征空間中的每個像素的16*16大小的數(shù)據(jù)矩陣； 第二步，將數(shù)據(jù)矩陣從第一行第一列開始依次不重復(fù)地按4*4像素塊分成16個子矩陣， 從16個子矩陣中分別提取最大值，得到16個特征值； 第Ξ步，將數(shù)據(jù)矩陣進(jìn)行高斯濾波后，從第一行第一列開始依次不重復(fù)地按8*8像素塊 分成4個子矩陣，從4個子矩陣中分別提取最大值，得到4個特征值； 第四步，對4個特征值進(jìn)行高斯濾波，提取濾波后的最大值，將該最大值作為1個特征 值； 第五步，將16個特征值、4個特征值和1個特征值依次按列組合，得到編碼后每個散射特 征空間中每個像素的21維采樣特征。3. 根據(jù)權(quán)利要求1所述的基于稀疏編碼和小波自編碼器的極化SAR圖像分類，其特征在 于，步驟(6c)中所述的均方差衰減公式如下： J(Wj,bj)=J(xi,yji)+J(Wj)+P 其中，J(Wj，bj)表示小波稀疏自編碼器中的第j個小波神經(jīng)元的整體樣本均方差衰減 值，Wj表示小波稀疏自編碼器中的第j個小波神經(jīng)元的權(quán)重值，-2<Wj<2，bj表示隨機(jī)生成 的小波稀疏自編碼器中的第j個小波神經(jīng)元的偏差值，-2<bj<2，j(xi，yw)表示第j個小波 神經(jīng)元的第i個無標(biāo)簽樣本輸入XI與輸出樣本yw之間的誤差值，XI表示預(yù)處理后的第i個無 標(biāo)簽樣本輸入，yw表示第j個小波神經(jīng)元的第i個輸出樣本，J(Wj)表示小波稀疏自編碼第j 個小波神經(jīng)元權(quán)重值的衰減值，P表示小波稀疏自編碼的稀疏度，P的取值為0.1。4. 根據(jù)權(quán)利要求1所述的基于稀疏編碼和小波自編碼器的極化SAR圖像分類，其特征在 于，步驟(6d)中所述的梯度下降法的具體步驟如下： 第一步，按照下式，更新小波稀疏自編碼器的權(quán)重值：其中，Wn+i表示第n+1次迭代更新后的小波稀疏自編碼器的權(quán)重值，η表示權(quán)重值的迭代 次數(shù)，Wn表示第η次迭代更新后小波稀疏自編碼器的權(quán)重值，α表示權(quán)重值的學(xué)習(xí)速率，〇<α < 1，^表示求偏導(dǎo)數(shù)操作，J(Wn，bn)表示迭代更新η次后的整體樣本均方差衰減值，bn表示 第η次迭代時的方差值； 第二步，按照下式，更新小波稀疏自編碼器的偏差值：其中，bn+i表示第η+1次迭代更新后小波稀疏自編碼器的偏差值，η表示偏差值的迭代次 數(shù)，bn表示第η次迭代更新后小波稀疏自編碼器的偏差值，β表示偏差值的學(xué)習(xí)速率，β的取 值范圍為〇<β<1，^表示求偏導(dǎo)數(shù)操作，J(Wn，bn)表示迭代更新η次后的整體樣本均方差衰 巧 減值，Wn表示第η次迭代時的權(quán)重值。
【文檔編號】G06K9/62GK106096652SQ201610407916
【公開日】2016年11月9日
【申請日】2016年6月12日
【發(fā)明人】焦李成, 屈嶸, 吳妍, 馬文萍, 尚榮華, 馬晶晶, 張丹, 侯彪, 楊淑媛
【申請人】西安電子科技大學(xué)