[发明专利]基于稀疏编码和小波自编码器的极化SAR图像分类方法

摘要

本发明公开了一种基于稀疏编码和小波自编码器的极化SAR图像分类方法，主要解决由于特征提取不合理而造成的边界分类问题和没有考虑空间相关性而导致的区域一致性较差的问题。其主要步骤是：(1)、输入图像；(2)、预处理；(3)、提取图像特征；(4)、稀疏编码；(5)、选取训练样本和测试样本；(6)、训练小波稀疏自编码器；(7)、训练softmax分类器；(8)、调整网络参数；(9)、图像分类；(10)、上色；(11)、输出分类结果图。本发明具有良好的去噪效果，考虑到数据的邻域信息，能更好地从低维特征中学到更高级的特征，使得本发明的分类结果图的轮廓、边缘更加清晰，改善了极化SAR图像的分类性能。

主权项

1.一种基于稀疏编码和小波自编码器的极化SAR图像分类方法，包括如下步骤：(1)输入图像：(1a)输入一幅3*3*N待分类的极化合成孔径雷达SAR图像的协方差矩阵，其中，N表示待分类的极化SAR图像像素点的总数；(1b)输入待分类的极化合成孔径雷达SAR图像的真实地物标记图像；(2)预处理：(2a)采用精致Lee滤波器，对协方差矩阵进行滤波，去除斑点噪声，得到极化SAR图像每个像素点的滤波后矩阵；(2b)采用线性函数归一化算法，对滤波后矩阵归一化至[0 1]范围内，得到极化SAR图像每个像素点的归一化后矩阵；(2c)采用零相位差成分分析ZCA白化算法，对归一化后矩阵进行白化，得到极化SAR图像每个像素点的预处理后矩阵；(3)提取图像特征：(3a)分别提取每个像素点预处理后矩阵中位于上三角处的三个元素的实部值和虚部值、预处理后矩阵中位于对角线上三个元素的实部值，得到每个像素点的9个散射特征值；(3b)将所有像素的第i个散射特征值构成第i个散射特征空间，其中，i＝1，2，… ，9；(3c)对所有像素的9个散射特征值，执行9次步骤(3b)的相同操作，得到9个散射特征空间；(4)稀疏编码：(4a)采用围绕边界进行镜像反射的方法，对每个散射特征空间进行扩展，得到填充后的图像；(4b)采用高斯金字塔池化编码方法，对填充后每个散射特征空间中的每个像素进行特征提取，得到编码后每个散射特征空间中每个像素的21维采样特征；(4c)对每个像素的9个散射特征空间，执行9次步骤(4b)的相同操作，得到每个像素的21*9维采样特征；(5)选取训练样本和测试样本：(5a)读取真实地物标记图像中每个像素点的标签值，得到无标签样本集和标签样本集；(5b)从标签样本集每一类别中任意选取3000个样本作为训练样本集，将剩余的标签样本作为测试样本集；(6)训练小波稀疏自编码器：(6a)用Morlet小波函数作为栈式稀疏自编码器的激活函数，得到小波稀疏自编码器网络结构；所述Morlet函数如下：其中，y_ji表示第i个样本通过第j个隐层小波神经元的输出值，j表示隐藏层的小波神经元的序号，j＝1,2,3...N,N表示隐层小波元个数，i表示样本的序号，i＝1,2,3...P，P表示样本的总数，cos表示求余弦操作，x_j表示第j个小波神经元的输入值，e表示以e为底数的指数操作；表示对第j个小波神经元的输入值求平方操作；(6b)采用标准正态分布随机数产生函数，随机生成小波稀疏自编码器的权重值和偏差值；(6c)采用均方差衰减公式，利用随机生成的权重值和偏差值，计算整体样本均方差衰减值；(6d)采用梯度下降法，对获得的整体样本均方差衰减值进行权重值和偏差值的迭代更新，得到小波稀疏自编码器的最优权重值和最优偏差值，获得训练好的小波稀疏自编码器；(7)训练Softmax分类器：将网络模型参数和训练样本集输入到Softmax分类器中，得到训练好的Softmax分类器；(8)调整网络参数：采用反向传播方法，对整个小波稀疏自编码器进行微调，得到微调后的网络模型结构；(9)图像分类：利用训练好的小波稀疏自编码器和Softmax分类器，对测试样本集进行分类，将分类结果中标签相同的像素点归于一个类别；(10)上色：根据红、蓝、绿三基色原理，对每个像素点所属地物类别，用同一颜色标出同类地物，得到上色后的分类结果图；(11)输出分类结果图。