[发明专利]基于收缩自编码器的SAR图像分类方法

摘要

本发明公开了一种基于收缩自动编码器的SAR图像分类方法。本发明实现的步骤为：(1)输入图像；(2)进行平稳小波分解；(3)选取训练样本；(4)构建并行的两层级的收缩自编码器；(5)训练并行的两层级的收缩自编器；(6)构造样本特征集；(7)训练Softmax分类器；(8)分类。本发明相比现有技术多层级局部模式直方图的特征提取方法，具有分类精度高，区域一致性好，边缘分类精确的优点，解决了相干斑噪声影响，区域分类混乱和边缘不整齐的问题。本发明可应用于合成孔径雷达SAR图像目标检测和目标识别。

主权项

1.一种基于收缩自编码器的SAR图像分类方法，包括如下步骤：(1)输入图像：输入一幅待分类的合成孔径雷达SAR图像；(2)进行平稳小波分解：将待分类的合成孔径雷达SAR图像进行1层平稳小波分解，分别获取待分类的合成孔径雷达SAR图像的1个低频分量和3个高频分量；(3)选取训练样本：(3a)将待分类的合成孔径雷达SAR图像平稳小波分解的3个高频分量在列方向上首尾相接，合并为总的高频分量；(3b)从待分类的合成孔径雷达SAR图像平稳小波分解的低频分量和总的高频分量中分别随机选取10％的样本，作为低频训练样本和高频训练样本；(4)构建并行的两层级的收缩自编码器：(4a)按照下式，通过收缩自编码器的第一层的编码，生成收缩自编码器的第一层的输出特征：y＝f(W⁽¹⁾x+b⁽¹⁾)其中，y表示收缩自编码器的第一层的输出特征，f(·)表示Sigmod非线性激活操作，W⁽¹⁾表示收缩自编码器的输入单元与收缩自编码器的第一层之间的值全1矩阵的权值系数，x表示收缩自编码器的原始输入数据，b⁽¹⁾表示收缩自编码器的输入单元与收缩自编码器的第一层之间的值为全1矩阵的偏置系数；(4b)将收缩自编码器的第一层的输出特征，输入到收缩自编码器的第二层；(4c)按照下式，通过收缩自编码器的第二层的解码，生成收缩自编码器的第二层的输出特征，组成了两层级的收缩自编码器：z＝f(W⁽²⁾y+b⁽²⁾)其中，z表示收缩自编码器的第二层的输出特征，f(·)表示Sigmod非线性激活操作，W⁽²⁾表示收缩自编码器的第二层与收缩自编码器的输出单元之间的值全1矩阵的权值系数，y表示收缩自编码器的第一层的输出特征，b⁽²⁾表示收缩自编码器的第二层与收缩自编码器的输出单元之间的值为全1矩阵的偏置系数，b⁽²⁾的初始值为全1矩阵；(4d)采用步骤(4a)、步骤(4b)、步骤(4c)相同的方法，再构建一个相同的两层级的收缩自编码器；(4e)将两个两层级的收缩自编码器并列，得到并行的两层级的收缩自编码器；(5)训练并行的两层级的收缩自编码器：(5a)采用收缩自编码器网络训练方法，将低频训练样本输入一个两层级的收缩自编码器，得到训练样本高级别的低频特征；(5b)采用收缩自编码器网络训练方法，将高频训练样本输入另外一个的两层级的收缩自编码器，得到训练样本高级别的高频特征；(6)构造样本特征集：将训练样本高级别的低频特征和高级别的高频特征在列方向上进行首尾相接，合并为总的高级别特征；(7)训练Softmax分类器：(7a)将Softmax分类器的训练步长设置为1000；(7b)将总的高级特征输入到Softmax分类器中，利用随机梯度下降SGD法，对Softmax分类器进行训练；(7c)对并行的两层级的收缩自编码器和Softmax分类器组成的整体进行参数微调，直至达到设定的步长；(8)分类：将待分类的合成孔径雷达SAR图像平稳小波分解获取的全部的低频分量和总的高频分量，分别输入到训练好的两层级的收缩自编码器网络中，最终输出待分类的合成孔径雷达SAR图像的分类结果。