基于稀疏深度网络的极化SAR图像分类制造技术

本发明专利技术公开了一种基于稀疏深度网络的极化SAR图像分类方法，本方法实现步骤为：(1)输入图像；(2)滤波；(3)提取特征；(4)构造并训练稀疏深度网络；(5)预测分类；(7)输出结果。本发明专利技术相对于已有的方法不仅可以使得能量函数最小，而且还使得失真函数控制在一定范围之内，使得隐含层变得更加稀疏，大大的减少了运算量，具有较强的泛化能力和较高的分类正确率。

【技术实现步骤摘要】
基于稀疏深度网络的极化SAR图像分类
本专利技术属于图像处理
，更进一步涉及极化SAR图像地物分类
。
技术介绍
极化SAR是一种高分辨率主动式有源微波遥感成像雷达，具有全天候、全天时、分 辨率高、可侧视成像等优点，可应用于军事、农业、导航、地理监视等诸多领域。与SAR相比， 极化SAR进行的是全极化测量，能获得目标更丰富的信息。近年来，利用极化SAR数据进行 的分类在国际遥感领域受到高度重视，已成为图像分类的主要研究方向。 极化SAR图像分类的一般流程包括图像数据的获取、图像特征的提取、训练分类 器和预测分类等步骤。在目标特征提取方面，包括Cloude目标分解、Freeman分解以及HOG 算子、不变距特征和平移不变性等特征的提取来进行图像特征的表示。然而每种特征提取 方法都有相应的最佳使用场合，且不可避免的要丢失原始图像的部分信息，所以很难找到 特别适合的特征。目前深度网络由于其强大的学习能力获得研究者的广泛关注，它可以在 简单特征的基础之上提取更加高级的特征，也就是挖掘原始信息的更加有用的信息，使得 分类的精度大大增多；但是当输入的数据量过大的时候，网络的训练比较困难，时间复杂度 也会增高很多。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出一种基于稀疏深度网络的极化 SAR图像分类方法。本专利技术能有效地提高极化SAR图像的分类精度，同时能更保留极化SAR 图像的有用信息。 为实现上述目的，本专利技术包括如下步骤： (1)输入任选的一幅待分类的极化SAR图像； (2)使用精致极化LEE滤波方法，对待分类的极化SAR图像进行滤波，去除斑点噪 声，得到滤波后的极化SAR图像； (3)提取极化SAR图像的特征； (4)构造并训练稀疏深度网络； (4a)构造稀疏深度网络： 基于稀疏玻尔兹曼机（RBM)，确定稀疏深度网络层数以及各层节点数量； (4b)训练稀疏深度网络： 根据实际地物参照图，每类选取300个训练样本。将训练样本的每个像素的特征 输入到稀疏深度网络，逐层的贪婪训练稀疏深度网络，再使用反向传播算法，微调稀疏深度 网络的结构参数，完成稀疏深度网络的训练，得到训练好的稀疏深度网络； (5)利用训练好的稀疏深度网络，对待分类的极化SAR图像进行分类，得到极化 SAR图像的分类结果图。 (6)在极化SAR图像的分类结果图上，使用红色、绿色、蓝色三个颜色进行上色，得 到上色后的极化SAR图像，输出上色后的极化SAR图像。 本专利技术采用挖掘原始信息的有用信息和人工神经网络（NN)算法相结合的极化 SAR图像分类方法，可用于对极化SAR图像的地物进行分类，能有效的提高极化SAR图像分 类的精度和分类效率。本专利技术与现有技术相比，具有以下优点： 第一，本专利技术采用了深度学习网络对图像的原始特征挖掘更加有用的信息，克服 了现有技术直接对极化SAR数据进行分解得到的一些只适用于对应场合的特征的问题，而 且还拥有比浅层网络或者各种分解技术更加优异的特征表达能力，从而使得提取特征的过 程变得方便简单； 第二，本专利技术对深度网络添加了一项限制条件，使得深度网络隐含层的数据变得 更加稀疏，更加的方便高层网络的计算，这就克服了对于数据量过大而导致的运算速率下 降，运算时间增长的问题； 第三，本专利技术采用精致极化LEE滤波法，对待分类的极化SAR图像进行滤波，克服 了现有技术因未对极化SAR图像进行滤波，引入了相干斑噪声导致图像质量降低的问题， 使得本专利技术既能避免极化通道直接的串扰，又能保持极化通道之间的极化信息和统计相关 性，使得极化SAR图像的轮廓、边缘更加清晰，提高图像质量，改善极化SAR图像分类性能。 【附图说明】 图1是本专利技术的总流程图； 图2是用本专利技术输入的极化SAR图像的PauliRGB合成图像； 图3 (a)是直接用NN网络对待分类的极化SAR图像分类的结果图； 图3 (b)是使用深度网络对待分类的极化SAR图像分类的结果图； 图3(c)是本专利技术对待分类的极化SAR图像的分类结果图。 具体实施方法 参照附图1，本专利技术的实现步骤如下： 步骤1 ?输入图像 输入任选一幅待分类的极化SAR图像。 步骤2?滤波 采用精致极化LEE滤波方法，对待分类的极化SAR图像进行滤波，去除斑点噪声， 得到滤波后的极化SAR图像。 设定精致极化LEE滤波的滑动窗口，该滑动窗口的大小为5*5像素。 将滑动窗口在输入极化SAR图像的像素上，从左到右、从上到下漫游，每漫游一步 时，将滑动窗口按照像素空间位置，从左到右，从上到下依次分成9个子窗口，每个子窗口 的大小是3*3像素，子窗口之间有重叠。 将9个子窗口对应位置的像素值求均值，将得到的均值构成3*3像素的均值窗口， 这样就可以消除噪声，但是求均值会使得边缘模糊。 选择水平、垂直、45度和135度的四个方向的梯度模板，将均值窗口分别与四个模 板进行加权，将所得到的加权结果求绝对值，选出所有绝对值中的最大值，将该最大值对应 的方向为边缘方向。 从9个子窗口中取边缘方向的左右2个子窗口，分别对2个窗口内的所有像素值 求均值，用得到的两个均值分别减去中心窗口所有像素值的均值，将均值差值中绝对值小 的值所对应的子窗口作为方向窗口，这样就可以极大程度的保持图像的边缘。 按照下式，得到精致极化LEE滤波的权值： 本文档来自技高网...

【技术保护点】
一种基于稀疏深度网络的极化SAR图像分类方法，包括如下步骤：(1)输入任选的一幅待分类的极化SAR图像；(2)使用精致极化LEE滤波方法，对待分类的极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图像；(3)提取滤波后的极化SAR图像的特征；(4)构造并训练稀疏深度网络：(4a)构造稀疏深度网络：基于稀疏玻尔兹曼机(RBM)，确定稀疏深度网络的层数以及各层节点数量；(4b)训练稀疏深度网络：根据实际地物参照图，在每类中选取训练样本，将训练样本的每个像素的特征输入到所述稀疏深度网络，逐层的贪婪训练所述稀疏深度网络；再使用反向传播算法，微调稀疏深度网络的结构参数，完成稀疏深度网络的训练，得到训练好的稀疏深度网络；(5)利用训练好的稀疏深度网络，对待分类的极化SAR图像进行分类，得到极化SAR图像的分类结果图。

【技术特征摘要】
1. 一种基于稀疏深度网络的极化SAR图像分类方法，包括如下步骤： (1) 输入任选的一幅待分类的极化SAR图像； (2) 使用精致极化LEE滤波方法，对待分类的极化SAR图像进行滤波，去除斑点噪声，得 到滤波后的极化SAR图像； (3) 提取滤波后的极化SAR图像的特征； (4) 构造并训练稀疏深度网络： (4a)构造稀疏深度网络： 基于稀疏玻尔兹曼机（RBM)，确定稀疏深度网络的层数以及各层节点数量； (4b)训练稀疏深度网络： 根据实际地物参照图，在每类中选取训练样本，将训练样本的每个像素的特征输入到 所述稀疏深度网络，逐层的贪婪训练所述稀疏深度网络； 再使用反向传播算法，微调稀疏深度网络的结构参数，完成稀疏深度网络的训练，得到 训练好的稀疏深度网络； (5) 利用训练好的稀疏深度网络，对待分类的极化SAR图像进行分类，得到极化SAR图 像的分类结果图。2. 根据权利要求1所述基于稀疏深度网络的极化SAR图像分类方法，其特征在于，步骤 (2)所述的精致极化LEE滤波方法包括如下步骤： 第一步，设定精致极化LEE滤波的滑动窗口，该窗口的大小为5*5像素； 第二步，将滑动窗口在输入的极化SAR图像的像素上，从左到右、从上到下漫游，每漫 游一步时，将滑动窗口按照像素空间位置，从左到右、从上到下依次分成9个子窗口，每个 子窗口的大小为3*3像素，子窗口之间有重叠； 第三步，将9个子窗口对应位置的像素值求均值，将所得到的均值构成3*3像素的均值 窗口； 第四步，选择水平、垂直、45度和135度的四个方向的梯度模板，将所述均值窗口分别 与四个模板进行加权，对所得到的加权结果求绝对值，选出所有绝对值中的最大值，将该最 大值对应的方向作为边缘方向； 第五步，从9个子窗口中取中心窗口边缘方向上的左右2个子窗口，分别对这2个子窗 口内的所有像素值求均值，用得到的两个均值分别减去中心窗口所有像素值的均值，将均 值差值的绝对值小的所对应的子窗口作为方向窗口，其中，中心窗口是指处于5*5窗口中 心的3*3的子窗口； 第六步，按照下式，得到精致极化LEE滤波的权值；其中，b表示精致极化LEE滤波的权值，var(y)表示方向窗口内极化SAR总功率图像像 素值的方差值，y表示方向窗口内极化SAR总功率图像的像素，p表示方向窗口内极化SAR 总功率图像所有像素值的均值，σ,2表示输入的极化SAR图像中心像素值的协方差矩阵： X=w+b(z-w) 其中，X表示滤波后极化SAR图像中心像素值的协方差矩阵，w表示方向窗口内极化SAR 图像像素值的协方差矩阵的均值，b表示精致LEE滤波的权值，z表示极化SAR图...

【专利技术属性】
技术研发人员：焦李成，杨淑媛，高蓉，马文萍，王爽，侯彪，刘红英，熊涛，马晶晶，张向荣，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61