本发明专利技术公开了一种基于K-Means特征表示和稀疏自编码器的极化SAR图像地分类方法,其实现步骤为:(1)输入图像;(2)精致Lee滤波;(3)提取空间邻域特征;(4)提取聚类中心;(5)获得K均值特征表示;(6)样本特征集归一化、白化;(7)选择训练样本和测试样本;(8)训练稀疏自编码网络;(9)分类;(10)计算精度;(11)输出结果。本发明专利技术提取的图像特征不易受噪声点的影响,且冗余性小,维度低,用于分类时有效地提高了分类精度,可用于极化合成孔径雷达SAR图像目标的检测和目标识别。
【技术实现步骤摘要】
基于K均值和稀疏自编码的极化SAR图像分类方法
本专利技术属于图像处理
,更进一步涉及极化合成孔径雷达图像分类
中的一种基于K均值和稀疏自编码的极化SAR(SyntheticApertureRadar,SAR)图像分类方法。该方法采用K均值对极化SAR图像的每个像素的空间邻域进行特征表示,并用稀疏自编码对该特征表示进行降维,去除特征表示的冗余性然后分类,可用于极化合成孔径雷达SAR图像目标的检测和目标识别。
技术介绍
极化SAR是一种主动式高分辨有源微波遥感成像雷达,其研究始于20世纪50年代初,而极化SAR是SAR的一个重要分支。它是一种相干多通道微波式成像系统,通过调整收发电磁波的极化方式可以获得每个分辨单元的极化散射矩阵,包含有丰富的地物信息,极大地增强了成像雷达对目标信息的获取能力。极化SAR图像地物分类是极化SAR图像处理的中的重要内容,也是极化SAR图像解译的关键技术之一,它是将解译系统中的前端部分单独提取出来作为具体应用的一个典型实例。快速、准确的极化SAR图像地物分类是实现各种实际应用的前提。武汉大学在其申请的专利“基于混合分类器的极化SAR数据分类方法及系统”(专利申请号:201310310179,公开号:CN103366184A)中公开了一种基于混合分类器的极化SAR数据分类方法。该方法首先获取极化合成孔径雷达(PolarimetricSyntheticApertureRadar,PolSAR)数据的不同类的初始极化特征,然后采用决策树分类器从初始极化特征中选择用于分类的极化特征,最后采用支持向量机分类器对PolSAR数据进行分类。该方法虽然集成了决策树分类器和支持向量机分类器的优势。但是,该方法仍然存在的不足是,操作复杂,准确率和支持向量机的准确率相比没有显著的提高,另外由于只考虑了图像单个像素的散射特征,故易受到噪声的干扰,而导致分类的结果中存在较多的错分点,分类精度不高。西安电子科技大学拥有的专利技术“基于SDIT和SVM的极化SAR图像分类方法”(专利申请号:201410089692.1,授权公告号:CN103824084A)中提出了一种基于SDIT和SVM的极化SAR图像分类方法。该方法首先对待分类的极化SAR图像进行精致Lee滤波,然后提取图像的散射、偏振及纹理特征,将得到的特征进行组合并归一化,最后用归一化后的特征训练分类器,预测分类并计算分类精度。该专利技术虽然充分利用了极化SAR图像包含的丰富的纹理信息和偏振信息,弥补了仅仅依靠散射特性对极化SAR图像分类的不足,在一定程度上提高了分类的精度。但是,仍然存在的不足是,该专利技术提取特征的过程复杂且只是将所提取的散射、偏振和纹理信息进行简单的堆叠,然后输入SVM直接用于分类,这导致输入的特征中包含较多的冗余信息,并且特征维数过高,使得分类效率大大下降。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足,提出一种基于K均值和稀疏自编码的极化SAR图像分类方法。本专利技术充分利用极化SAR的空间领域特征,并用K均值对空间领域特征进行编码得到特征表示,然后用稀疏自编码网络对特征表示进行降维,去除特征表示的冗余性,提高分类精度和分类效率。实现本专利技术上述目的的思路是:对待分类的极化SAR图像进行精致Lee滤波,提取滤波后图像的空间领域特征作为原始特征;利用K均值方法提取原始特征的特征表示并从特征表示中提取训练样本集和测试样本集;用训练样本集训练稀疏自编码网络,并用训练好的稀疏自编码网络对训练样本集和测试样本集进行降维处理;用降维处理后的训练样本集训练分类器softmax并用训练好的分类器softmax对整幅极化SAR图像进行分类;对分类后的极化SAR图像进行上色输出。实现本专利技术目的的具体步骤如下:(1)输入图像:(1a)输入待分类的极化合成孔径雷达SAR图像;(1b)输入待分类极化合成孔径雷达SAR图像的真实地物标记图像;(2)精致Lee滤波:采用精致Lee滤波方法,对待分类的极化合成孔径雷达SAR图像进行滤波,去除斑点噪声,得到滤波后的极化合成孔径雷达SAR图像中每个像素相干T矩阵;(3)提取空间邻域特征:(3a)用matlab软件,分别提取每个像素相干T矩阵中位于上三角处的三个元素的实部值和虚部值、相干T矩阵中位于对角线上三个元素的实部值,共9个数值;(3b)从待分类的极化合成孔径雷达SAR图像每个像素的9个数值中任取一个数值,组合成一幅与待分类的极化合成孔径雷达SAR图像大小相同的图像,9个数值得到9幅图像;(3c)利用滑动窗,获得9幅图像中每幅图像上每个像素点的9*K*K个邻域特征;(3d)采用matlab软件,将每个像素点的9*K*K个邻域特征转换成3*K的方阵形式的邻域特征;(4)提取聚类中心:(4a)建立一个P×P的窗口,其中,P表示所建立窗口的大小,2≤P≤3*K;(4b)从方阵形式的邻域特征中,由左到右、由上到下,依次提取P×P大小的子块;(4c)从所有子块中随机选择m个子块,用matlab软件,将m个子块转换成m个向量,其中,m≥1000;(4d)采用K均值方法,获得m个向量的C个聚类中心,其中,C为聚类中心的数目,C≥2;(5)获得K均值特征表示:(5a)利用欧氏距离公式,得到待分类的极化合成孔径雷达SAR图像中每个像素的每个子块到C个聚类中心的C个欧式距离值;(5b)计算C个欧式距离值的平均值;(5c)当欧式距离值大于平均值时,将步骤(4b)中子块编码后的值设置为0,否则将步骤(4b)中子块编码后的值设置为平均值与欧式距离值的差值;(5d)将待分类的极化合成孔径雷达SAR图像中像素的所有子块编码后的值,作为像素的K均值特征表示;(6)样本特征集归一化、白化:(6a)将所有像素的K均值特征表示组合在一起,得到样本特征集;(6b)利用matlab软件,将样本特征集的值归一化到[-1,1]之间,得到归一化后的样本特征集;(6c)对归一化后的样本特征集进行白化处理,得到白化后的样本特征集;(7)选择训练样本和测试样本:(7a)根据待分类极化合成孔径雷达SAR图像的真实地物标记图像,在白化后的样本特征集中选出与真实地物标记图像中已标记真实地物相同样本,作为已标记样本特征集;(7b)从已标记样本特征集的每一类地物中随机选择n个样本特征,将所有选出的样本特征组合在一起,作为训练样本集,其中,n≥700;(7c)从已标记样本特征集中去掉训练样本集,剩余的已标记样本特征作为测试样本集;(8)训练稀疏自编码网络:(8a)用训练样本集训练稀疏自编码网络,得到训练后的稀疏自编网络和降维后的训练样本集;(8b)用训练好的稀疏自编网络对测试样本集进行降维处理,得到降维后的测试样本集;(9)分类:(9a)利用降维后的训练样本集,训练分类器softmax;(9b)利用训练后的分类器softmax,对待分类的极化合成孔径雷达SAR图像的每个像素进行分类,得到每个像素所属地物类别;(10)计算精度:将分类得到的极化合成孔径雷达SAR测试样本像素所属地物类别与真实地物类别进行对比,将类别一致的像素个数与全部像素个数的比值作为极化SAR图像的分类精度;(11)输出结果:根据红、绿、蓝三基色原理,对每个像素所属地物类别,用同一本文档来自技高网...
【技术保护点】
一种基于K均值和稀疏自编码的极化SAR图像分类方法,包括如下步骤:(1)输入图像:(1a)输入待分类的极化合成孔径雷达SAR图像;(1b)输入待分类极化合成孔径雷达SAR图像的真实地物标记图像;(2)精致Lee滤波:采用精致Lee滤波方法,对待分类的极化合成孔径雷达SAR图像进行滤波,去除斑点噪声,得到滤波后的极化合成孔径雷达SAR图像中每个像素相干T矩阵;(3)提取空间邻域特征:(3a)用matlab软件,分别提取每个像素相干T矩阵中位于上三角处的三个元素的实部值和虚部值、相干T矩阵中位于对角线上三个元素的实部值,共9个数值;(3b)从待分类的极化合成孔径雷达SAR图像每个像素的9个数值中任取一个数值,组合成一幅与待分类的极化合成孔径雷达SAR图像大小相同的图像,9个数值得到9幅图像;(3c)利用滑动窗,获得9幅图像中每幅图像上每个像素点的9*K*K个邻域特征;(3d)采用matlab软件,将每个像素点的9*K*K个邻域特征转换成3*K的方阵形式的邻域特征;(4)提取聚类中心:(4a)建立一个P×P的窗口,其中,P表示所建立窗口的大小,2≤P≤3*K;(4b)从方阵形式的邻域特征中,由左到右、由上到下,依次提取P×P大小的子块;(4c)从所有子块中随机选择m个子块,用matlab软件,将m个子块转换成m个向量,其中,m≥1000;(4d)采用K均值方法,获得m个向量的C个聚类中心,其中,C为聚类中心的数目,C≥2;(5)获得K均值特征表示:(5a)利用欧氏距离公式,得到待分类的极化合成孔径雷达SAR图像中每个像素的每个子块到C个聚类中心的C个欧式距离值;(5b)计算C个欧式距离值的平均值;(5c)当欧式距离值大于平均值时,将步骤(4b)中子块编码后的值设置为0,否则将步骤(4b)中子块编码后的值设置为平均值与欧式距离值的差值;(5d)将待分类的极化合成孔径雷达SAR图像中像素的所有子块编码后的值,作为像素的K均值特征表示;(6)样本特征集归一化、白化:(6a)将所有像素的K均值特征表示组合在一起,得到样本特征集;(6b)利用matlab软件,将样本特征集的值归一化到[‑1,1]之间,得到归一化后的样本特征集;(6c)对归一化后的样本特征集进行白化处理,得到白化后的样本特征集;(7)选择训练样本和测试样本:(7a)根据待分类极化合成孔径雷达SAR图像的真实地物标记图像,在白化后的样本特征集中选出与真实地物标记图像中已标记真实地物相同样本,作为已标记样本特征集;(7b)从已标记样本特征集的每一类地物中随机选择n个样本特征,将所有选出的样本特征组合在一起,作为训练样本集,其中,n≥700;(7c)从已标记样本特征集中去掉训练样本集,剩余的已标记样本特征作为测试样本集;(8)训练稀疏自编码网络:(8a)用训练样本集训练稀疏自编码网络,得到训练后的稀疏自编网络和降维后的训练样本集;(8b)用训练好的稀疏自编网络对测试样本集进行降维处理,得到降维后的测试样本集;(9)分类:(9a)利用降维后的训练样本集,训练分类器softmax;(9b)利用训练后的分类器softmax,对待分类的极化合成孔径雷达SAR图像的每个像素进行分类,得到每个像素所属地物类别;(10)计算精度:将分类得到的极化合成孔径雷达SAR测试样本像素所属地物类别与真实地物类别进行对比,将类别一致的像素个数与全部像素个数的比值作为极化SAR图像的分类精度;(11)输出结果:根据红、绿、蓝三基色原理,对每个像素所属地物类别,用同一种颜色标出同类地物,得到上色后的极化合成孔径雷达SAR图像并输出图像。...
【技术特征摘要】
1.一种基于K均值和稀疏自编码的极化SAR图像分类方法,其特征在于,包括如下步骤:(1)输入图像:(1a)输入待分类的极化合成孔径雷达SAR图像;(1b)输入待分类极化合成孔径雷达SAR图像的真实地物标记图像;(2)精致Lee滤波:采用精致Lee滤波方法,对待分类的极化合成孔径雷达SAR图像进行滤波,去除斑点噪声,得到滤波后的极化合成孔径雷达SAR图像中每个像素相干T矩阵;(3)提取空间邻域特征:(3a)用matlab软件,分别提取每个像素相干T矩阵中位于上三角处的三个元素的实部值和虚部值、相干T矩阵中位于对角线上的三个元素的实部值,共9个数值;(3b)从待分类的极化合成孔径雷达SAR图像每个像素的9个数值中任取一个数值,组合成一幅与待分类的极化合成孔径雷达SAR图像大小相同的图像,9个数值得到9幅图像;(3c)利用滑动窗,获得9幅图像中每幅图像上每个像素点的9×K×K个邻域特征,其中,K表示滑动窗的大小,K≥3;(3d)采用matlab软件,将每个像素点的9×K×K个邻域特征转换成边长为3×K的方阵形式的邻域特征;(4)提取聚类中心:(4a)建立一个P×P的窗口,其中,P表示所建立窗口的大小,2≤P≤3×K;(4b)从方阵形式的邻域特征中,由左到右、由上到下,依次提取P×P大小的子块;(4c)从所有子块中随机选择m个子块,用matlab软件,将m个子块转换成m个向量,其中,m≥1000;(4d)采用K均值方法,获得m个向量的C个聚类中心,其中,C为聚类中心的数目,C≥2;(5)获得K均值特征表示:(5a)利用欧氏距离公式,得到待分类的极化合成孔径雷达SAR图像中每个像素的每个子块到C个聚类中心的C个欧式距离值;(5b)计算C个欧式距离值的平均值;(5c)当欧式距离值大于平均值时,将步骤(4b)中子块编码后的值设置为0,否则将步骤(4b)中子块编码后的值设置为平均值与欧式距离值的差值;(5d)将待分类的极化合成孔径雷达SAR图像中像素的所有子块编码后的值,作为像素的K均值特征表示;(6)样本特征集归一化、白化:(6a)将所有像素的K均值特征表示组合在一起,得到样本特征集;...
【专利技术属性】
技术研发人员:焦李成,马文萍,鄢蕾,杨淑媛,侯彪,刘芳,王爽,刘红英,熊涛,
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。