一種基於棧式編碼和softmax的極化SAR圖像分類方法
2023-05-30 10:38:06
一種基於棧式編碼和softmax的極化SAR圖像分類方法
【專利摘要】本發明屬於圖像處理【技術領域】，具體公開了一種基於棧式編碼和softmax的極化SAR圖像分類方法，主要解決現在特徵提取需要很多先驗知識以及人工勞動強度大的問題。其實現步驟為：(1)輸入圖像並濾波；(2)提取獨立元素；(3)選取訓練樣本和測試樣本並做白化處理；(4)構造棧式編碼網絡學習更能表徵極化SAR圖像的高級特徵；(5)訓練分類器並預測分類結果；(6)計算正確率：(7)輸出結果。與經典分類方法相比，本發明所有地物的分類正確率更高，該方法的同質區域也更完整，區域一致性更好，分類性能更好。可適用於對極化SAR圖像進行地物分類和目標識別。
【專利說明】-種基於棧式編碼和softmax的極化SAR圖像分類方法
【技術領域】
[0001] 本發明屬於圖像處理【技術領域】，具體涉及極化合成孔徑雷達圖像地物分類技術領 域中的一種的基於棧式編碼進行特徵學習和用softmax分類器進行分類的極化合成孔徑 雷達（Synthetic Aperture Radar, SAR)圖像分類方法。可用於對極化SAR圖像的地物分 類和目標識別，能有效的提高極化SAR圖像分類的精度。
【背景技術】
[0002] 合成孔徑雷達（SAR)系統能夠得到具有全天候、全天時、解析度高的遙感圖像，極 化合成孔徑雷達（極化SAR)是先進的SAR系統，通過發射和接收極化雷達波來描述觀察到 的土地覆蓋物和目標。
[0003] 在過去的二十年中，研究表明，極化SAR在目標檢測、地物分類、參數反演、地形提 取應用方面能夠提供比單極化SAR更多有用的信息。如今，一些星載平臺，如TerraSAR-X 衛星，RADARSAT-2衛星，和AL0S-PALSAR衛星不斷地提供著數據量巨大的極化SAR數據。手 動解釋這些大量極為複雜的圖像是不靠譜的。因此，迫切地需要開發自動或半自動系統來 對極化SAR圖像進行解釋和信息挖掘。
[0004] 根據是否需要訓練樣本和人工幹預，極化SAR圖像分為監督分類和非監督分類。 對於這兩種方法，特徵提取和分類技術是兩個基本要素。極化SAR圖像分類的性能在很大 程度上依賴於特徵。出於這個原因，許多極化SAR圖像分類方法著力於極化SAR圖像特徵 的提取。許多已發表的學術論文基於極化SAR數據的一些性質提出了各種方法來獲得極化 SAR特徵。
[0005] Cloude等人提出了基於Η/α目標分解的極化SAR圖像非監督分類方法，見Cloude S R, Pottier E.An entropy based classification scheme for land applications of polarimetric SAR[J]. IEEE Trans. Geosci. Remote Sensing. 1997,35(1) :549-557.就是 一種特徵提取的方法，該方法主要是通過Cloude分解獲取H和α兩個表徵極化數據的特 徵，然後根據Η和a組成的H/a平面人為的將其劃分為9個區域，去掉一個理論上不可能 存在的區域，最終將圖像劃分為8類。H/ a分類存在的一個缺陷是區域的劃分過於武斷，當 數據分布區域邊界上時可能會被錯誤的劃分，另外，同一類別的地物可能會劃分不到不同 的區域內，同時，同一區域內也可能存在不同類別的地物。
[0006] Yoshio Yamaguchi等提出了一種基於四分量目標分解的極化圖像非監督分 類算法，見 Yoshio Yamaguchi, Toshifumi Moriyama, Motoi Ishido, and Hiroyoshi Yamada, "Four-Component Scattering Model for Polarimetric SAR Image Decomposition,，'IEEE Trans. Geosci. Remote Sens, vol. 43, no. 8, Aug. 2005.是另一種特 徵提取的方法。該方法將極化SAR數據分解為四個簡單的散射機制相結合。這四個散射機 制分別為：平面散射、二面角散射、體散射和螺旋散射。
[0007] 這些特徵的提取的方法是根據要解決的問題以及數據的特徵人工設計設計出來 的，與此同時，這些提取特徵的方法人工勞動強度特別大。
[0008] 棧式編碼是一種無監督特徵學習框架，它能夠提取多層特徵。類似於人腦的層次 模型，棧式編碼能提取從低層次到高層次的特徵。一般而言，較高層次的特徵能更好地反映 數據的性質，更有利於分類。棧式編碼不需要任何數據的先驗知識就可以提取特徵。因此， 它更有利於應用於新的問題和新的數據。
【發明內容】
[0009] 本發明的目的在於針對上述已有技術的不足，提出一種基於棧式編碼和softmax 的極化SAR圖像分類方法，以提高分類效果和精度。
[0010] 實現本發明的技術思路是：首先，對極化合成孔徑雷達SAR圖像進行濾波；其次， 對每個像素提取出9個獨立的元素，構成一個行向量，就得到了每個像素點適合棧式編碼 用於學習特徵的原始輸入數據；然後，用棧式編碼對這些數據學習特徵；再用學習得到的 特徵向量輸入到softmax分類器中進行分類，之後用反向傳播算法對棧式編碼與softmax 分類器組成框架進行微調，得到更好的特徵和分類結果。
[0011] 為實現上述目的，本發明一種基於棧式編碼和softmax的極化SAR圖像分類方法， 包括如下步驟：
[0012] (1)讀入一幅待分類的極化SAR圖像，採用精緻極化LEE濾波方法對待分類的極化 SAR圖像進行濾波，去除斑點噪聲，得到去噪後的極化SAR圖像；
[0013] (2)從去噪後的極化SAR圖像每個像素點的相干矩陣T中提取出9個獨立的元素， 構成一個向量，就得到了每個像素點適合棧式編碼網絡用於學習特徵的原始輸入數據；
[0014] (3)根據真實的地物標記，對極化SAR圖像的每個地物類別分別隨機選取10%的 有標記原始輸入數據作為訓練樣本，剩下的90%有標記原始輸入數據作為測試樣本，並對 選取的訓練樣本做白化處理，得到能更好進行特徵學習的輸入數據；
[0015] (4)構造棧式編碼網絡學習特徵向量，棧式編碼網絡第二層學習得到的特徵向量 就是極化SAR圖像的高級特徵向量；構造棧式編碼網絡的參數設置按如下進行：
[0016] (4a)訓練棧式編碼網絡第一層：設置棧式網絡編碼第一層的隱藏層節點數為25， 稀疏性懲罰因子β為3,稀疏性參數P為0. 1，衰減參數λ為3X10_3 ;
[0017] (4b)訓練棧式編碼網絡第二層：設置棧式編碼網絡第二層的隱藏層節點數為50， 稀疏性懲罰因子β為3,稀疏性參數P為0. 1，衰減參數λ為3X10_3。
[0018] (5)訓練分類器：將學習得到的特徵向量及其真實的地物標記放入softmax分類 器中進行訓練，同時用反向傳播算法對棧式編碼和softmax分類器構成的框架進行微調；
[0019] (6)預測分類結果並計算正確率：將測試樣本做相應的白化處理，然後將白化後 的測試數據輸入到訓練好的框架中得到預測的分類結果，將預測得到的分類結果與真實的 地物標記進行對比並計算正確率；
[0020] (7)輸出結果：
[0021] 在分類後的極化SAR圖像上，分類結果中相同類別賦給相同的RGB顏色，得到上色 後的分類結果圖，輸出上色後分類結果圖。
[0022] 上述步驟⑴所述的精緻極化LEE濾波方法的滑動窗口大小為7X7像素；
[0023] 上述步驟（2)所述的從極化SAR圖像每個像素點的相干矩陣T中提取出9個獨立 的元素，按如下步驟進行：
[0024] 讀入濾波後圖像的每個像素點，這些像素點為一個3X3的相干矩陣T :
【權利要求】
1. 一種基於棧式編碼和softmax的極化SAR圖像分類方法，包括如下步驟： (1) 讀入一幅待分類的極化SAR圖像，採用精緻極化LEE濾波方法對待分類的極化SAR 圖像進行濾波，去除斑點噪聲，得到去噪後的極化SAR圖像； (2) 從去噪後的極化SAR圖像每個像素點的相干矩陣T中提取出9個獨立的元素，構成 一個向量，就得到了每個像素點適合棧式編碼網絡用於學習特徵的原始輸入數據； (3) 根據真實的地物標記，對極化SAR圖像的每個地物類別分別隨機選取10%的有標 記原始輸入數據作為訓練樣本，剩下的90%有標記原始輸入數據作為測試樣本，並對選取 的訓練樣本做白化處理，得到能更好進行特徵學習的輸入數據； (4) 構造棧式編碼網絡學習特徵向量，棧式編碼網絡第二層學習得到的特徵向量就是 極化SAR圖像的高級特徵向量；構造棧式編碼網絡的參數設置按如下進行： (4a)訓練棧式編碼網絡第一層：設置棧式網絡編碼第一層的隱藏層節點數為25,稀疏 性懲罰因子β為3,稀疏性參數P為0. 1，衰減參數λ為3X ΚΓ3 ; (4b)訓練棧式編碼網絡第二層：設置棧式編碼網絡第二層的隱藏層節點數為50,稀疏 性懲罰因子β為3,稀疏性參數P為0. 1，衰減參數λ為3X ΚΓ3 ; (5) 訓練分類器：將學習得到的特徵向量及其真實的地物標記放入softmax分類器中 進行訓練，同時用反向傳播算法對棧式編碼和softmax分類器構成的框架進行微調； (6) 預測分類結果並計算正確率：將測試樣本做相應的白化處理，然後將白化後的測 試數據輸入到訓練好的框架中得到預測的分類結果，將預測得到的分類結果與真實的地物 標記進行對比並計算正確率； (7) 輸出結果： 在分類後的極化SAR圖像上，分類結果中相同類別賦給相同的RGB顏色，得到上色後的 分類結果圖，輸出上色後分類結果圖。
2. 根據權利要求1所述的一種基於棧式編碼和softmax的極化SAR圖像分類方法，其 特徵在於：步驟（1)所述的精緻極化LEE濾波方法的滑動窗口大小為7X7像素。
3. 根據權利要求1所述的一種基於棧式編碼和softmax的極化SAR圖像分類方法，其 特徵在於：步驟（2)所述的從極化SAR圖像每個像素點的相干矩陣T中提取出9個獨立的 元素，按如下步驟進行： 讀入濾波後圖像的每個像素點，這些像素點為一個3X3的相干矩陣T :
其中Η表示水平極化，V表示垂直極化，SHH表示水平向發射和水平向接收的回波數據， Svv表示垂直向發射和垂直向接收的回波數據，SHV表示水平向發射垂直向接收的回波數據， (Γ表示這個數據的共軛，?表示按視數平均，可以看出T矩陣是一個共軛復矩陣，它只有9 個獨立的元素，分別為T n、T22、T33、T12的實部和虛部、T13的實部和虛部以及T 23的實部和虛 部；將這9個元素組合成一個行向量，就得到了每個像素點的原始輸入數據。
4. 根據權利要求1所述的一種基於棧式編碼和softmax的極化SAR圖像分類方法，其 特徵在於：步驟（3)所述的對選取的訓練樣本做白化處理按如下步驟進行： 第一步，計算訓練數據S的均值Μ和協方差矩陣C ; 第二步，對協方差矩陣C進行特徵分解，得到特徵值向量矩陣V和特徵值矩陣D，其中D 的對角線為特徵值，其餘元素都為〇 ; 第三步，用下面的式子計算白化矩陣Ρ:
其中，diag表示取矩陣對角線的值，'表示對矩陣取共軛轉置； 第四步，用下面的式子計算白化後的數據X，並保存Μ和P，供後面測試數據白化使用： X = (S-M) · Ρ 其中X是訓練數據進行白化處理後得到的數據。
5. 根據權利要求1所述的一種基於棧式編碼和softmax的極化SAR圖像分類方法，其 特徵在於：步驟（5)所述的訓練分類器的參數設置按如下進行： 因為採用的數據真實地物標記為15類，所以設置輸出層的節點數為15,而分類器的輸 入數據維數為棧式編碼網絡第二層的隱藏層節點數，50,所以輸入層節點數為50,同時設置 衰減參數1為10'
6. 根據權利要求1所述的一種基於棧式編碼和softmax的極化SAR圖像分類方法，其 特徵在於：步驟（7)所述的三基色上色法是指，在分類後的極化SAR圖像上，將紅色、綠色、 藍色三個顏色作為三基色，分別按照不同的比例混合三基色，分別對這三基色取如下15組 值：（255, 0, 0)、（255, 128, 0)、（171，138, 80)、（255, 255, 0)、（183, 0, 255)、（191，191，255)、 (90, 11，255)、（191,255,191)、（0, 252, 255)、（128, 0,0)、（255,182,229)、（0, 255, 0)、 (0, 131，74)、（0, 0, 255)、（255, 217, 157);得到15種不同的顏色來對分類結果上色，其中分 類結果中相同類別上相同的顏色。
【文檔編號】G06K9/62GK104156728SQ201410334397
【公開日】2014年11月19日 申請日期:2014年7月14日 優先權日:2014年7月14日
【發明者】王爽, 馬文萍, 謝慧明, 霍麗娜, 馬晶晶, 雷曉珍 申請人:西安電子科技大學