本发明专利技术公开了一种基于Wishart深度网络的极化SAR图像分类方法，主要解决现在特征提取需要很多先验知识以及人工劳动强度大的问题。其实现步骤为：(1)输入极化SAR图像并做滤波处理；(2)对滤波后的图像构造多层Wishart RBM学习特征；(3)用学习到的特征训练softmax分类器；(4)用多层Wishart RBM和softmax分类器构造深度网络DBN，并对其进行训练；(6)用深度网络DBN对极化SAR图像分类并输出结果。本发明专利技术与经典分类方法相比，分类正确率更高，分类结果同质区域更完整，区域一致性更好，分类性能更好，适用于对极化SAR图像进行地物分类和目标识别。
【技术实现步骤摘要】
本专利技术属于图像处理
，具体涉及极化合成孔径雷达SAR图像的分类方 法，可用于实现极化SAR图像的地物分类和目标识别。
技术介绍
合成孔径雷达SAR系统能够得到具有全天候、全天时、分辨率高的遥感图像，极化 合成孔径雷达PolSAR是先进的SAR系统，通过发射和接收极化雷达波来描述观察到的土地 覆盖物和目标。 在过去的二十年中，研究表明，PolSAR在目标检测、地物分类、参数反演、地形提取 应用方面能够提供比单极化SAR更多有用的信息。如今，一些星载平台，如TerraSAR-X卫 星，RADARSAT-2卫星，和AL0S-PALSAR卫星不断地提供着数据量巨大的极化SAR数据。手 动解释这些大量极为复杂的图像是不靠谱的。因此，迫切地需要开发自动或半自动系统来 对极化SAR图像进行解释和信息挖掘。 根据是否需要训练样本和人工干预，PolSAR图像分为监督分类和非监督分类。对 于这两种方法，特征提取和分类技术是两个基本要素。PolSAR图像分类的性能在很大程度 上依赖于特征。出于这个原因，许多PolSAR图像分类方法着力于PolSAR图像特征的提取。 Cloude等人提出的基于H/ α目标分解的极化SAR图像非监督分类方法，见Cloude S R, Pottier E. An entropy based classification scheme for land applications of polarimetric SAR. IEEE Trans. Geosci. Remote Sensing. 1997,35(1) :549-557.京尤是 一种特征提取的方法，该方法主要是通过Cloude分解获取H和α两个表征极化数据的特 征，然后根据H和a组成的H/a平面人为的将其划分为9个区域，去掉一个理论上不可能 存在的区域，最终将图像划分为8类。H/α分类存在的一个缺陷是区域的划分过于武断，当 数据分布区域边界上时可能会被错误的划分，另外，同一类别的地物可能会划分不到不同 的区域内，同时，同一区域内也可能存在不同类别的地物。 Yoshio Yamaguchi等提出了一种基于四分量目标分解的极化图像非监督分 类算法，见 Yoshio Yamaguchi, Toshifumi Moriyama, Motoi Ishido, and Hiroyoshi Yamada, "Four-Component Scattering Mode I for Polarimetric SAR Image Decomposition,'，IEEE Trans. Geosci. Remote Sens, vol. 43, no. 8, Aug. 2005。该方法将极 化SAR数据分解为四个简单的散射机制相结合。这四个散射机制分别为：平面散射、二面角 散射、体散射和螺旋散射。 上述这些特征的提取的方法是都是根据要解决的问题以及数据的特征人工设计 出来的，因此劳动强度特别大。 DBN是一种无监督特征学习框架，它能够提取多层特征。类似于人脑的层次模型， DBN能提取从低层次到高层次的特征。DBN是通过假设数据服从高斯分布来对数据进行特 征学习的，但是PolSAR数据服从的是Wishart分布。因此，将PolSAR数据服从的分布引入 DBN，来完成特征学习，可以学习到能有效表征PolSAR数据的特征，实现更好的分类效果。 限制玻尔兹曼机RBM是DBN的基本构成，通过Wishart RBM可以将PolSAR数据的分布引入 DBN。因此，它更有利于DBN在PolSAR数据上的应用。
技术实现思路
本专利技术的目的在于针对已有技术的不足，提供一种基于Wishart深度网络的极化 SAR图像分类方法，以提高深度网络DBN在极化SAR数据上的分类效果和精度。 实现本专利技术目的的技术方案是：对极化SAR图像进行滤波；提取每个像素的9个 独立元素，并用基于Wishart RBM的深度网络DBN对这些数据学习特征；再用基于最小交叉 熵的共辄梯度法对基于Wishart RBM的深度网络DBN进行微调，得到更好的特征和分类结 果。具体步骤包括如下： (1)读入一幅待分类的极化SAR图像，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； (2)从滤波后的极化SAR图像随机选取10%的有标记数据作为训练样本，剩下的 90%有标记数据作为测试样本； (3)Wishart RBM是深度网络DBN的基本构成单元，可用于特征学习。构造三层 Wishart RBM结构，完成对极化SAR样本的特征学习： (3a)将训练样本输入到第一层Wishart RBM中进行训练，得到能表征输入数据的 特征，并保存第一层Wishart RBM的权值和偏置； (3b)将第一层Wishart RBM训练得到的特征输入到第二层Wishart RBM中进行训 练，得到能表征第一层Wishart RBM所得的特征的新特征，并保存第二层Wishart RBM的权 值和偏置； (3c)将第二层Wishart RBM训练得到的特征输入到第三层Wishart RBM中进行训 练，得到能表征第二层Wishart RBM所得的特征的新特征，并保存第三层Wishart RBM的权 值和偏置，该第三层Wishart RBM学习到的特征就是三层Wishart RBM结构学习得到的特 征； ⑷训练深度网络DBN : 将三层Wishart RBM学习得到的特征作为深度网络DBN的最后一层贝叶斯网络 softmax分类器层的输入，对softmax分类器层进行训练，得到训练好的softmax分类器，并 保存softmax分类器的权值； 用三层Wishart RBM的权值和偏置及softmax分类器的权值构成深度网络DBN网 络，并用基于最小交叉熵的共辄梯度法对该深度网络DBN进行200次训练，得到训练好的深 度网络框架； (5)将测试数据输入到训练好的深度网络框架中得到分类结果； (6)在完成分类后的极化SAR图像上，按照红、绿、蓝三基色在相同类别上相同的 颜色，得到上色后的分类结果图并输出。 本专利技术与现有的技术相比具有以下优点： 1.本专利技术是对深度学习方法在极化SAR图像应用上的改进，将极化SAR数据的分 布特性加入了经典深度学习模型RBM，通过多层无监督特征学习，实现了极化SAR图像的特 征提取； 2.本专利技术通过Wishart RBM学习到的权值和偏置可直接用于构成DBN深度网络， 经过微调的深度网络DBN可以达到更好的分类性能，使得结果更加稳定； 仿真结果表明，本专利技术采用的基于Wishart RBM的深度网络DBN实现极化SAR图 像分类，分类效果优良，正确率高，分类结果区域一致性也较好。 以下结合附图对本专利技术实施例和效果做进一步详细描述。【附图说明】 图1是本专利技术的实现流程图； 图2是本专利技术仿真使用的极化SAR数据的PauliRGB合成图； 图3是本专利技术所用极化合成孔径雷达SAR图像的真实地物标记； 图4是用现有监督Wishart分类方法的分类结果； 图5是用现有支持向量机SVM分类方法的分类结果； 图6是经典深度网络DBN分类方法的本文档来自技高网...
【技术保护点】
一种基于Wishart深度网络的极化SAR图像分类方法，包括如下步骤：(1)读入一幅待分类的极化SAR图像，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；(2)从滤波后的极化SAR图像随机选取10％的有标记数据作为训练样本，剩下的90％有标记数据作为测试样本；(3)Wishart RBM是深度网络DBN的基本构成单元，可用于特征学习。构造三层Wishart RBM结构，完成对极化SAR样本的特征学习：(3a)将训练样本输入到第一层Wishart RBM中进行训练，得到能表征输入数据的特征，并保存第一层Wishart RBM的权值和偏置；(3b)将第一层Wishart RBM训练得到的特征输入到第二层Wishart RBM中进行训练，得到能表征第一层Wishart RBM所得的特征的新特征，并保存第二层Wishart RBM的权值和偏置；(3c)将第二层Wishart RBM训练得到的特征输入到第三层Wishart RBM中进行训练，得到能表征第二层Wishart RBM所得的特征的新特征，并保存第三层Wishart RBM的权值和偏置，该第三层Wishart RBM学习到的特征就是三层Wishart RBM结构学习得到的特征；(4)训练深度网络DBN：将三层Wishart RBM学习得到的特征作为深度网络DBN的最后一层贝叶斯网络softmax分类器层的输入，对softmax分类器层进行训练，得到训练好的softmax分类器，并保存softmax分类器的权值；用三层Wishart RBM的权值和偏置及softmax分类器的权值构成深度网络DBN网络，并用基于最小交叉熵的共轭梯度法对该深度网络DBN进行200次训练，得到训练好的深度网络框架；(5)将测试数据输入到训练好的深度网络框架中得到分类结果；(6)在完成分类后的极化SAR图像上，按照红、绿、蓝三基色在相同类别上相同的颜色，得到上色后的分类结果图并输出。...
【技术特征摘要】
【专利技术属性】
技术研发人员：王爽，焦李成，郭岩河，高琛琼，刘红英，史丹荣，张东辉，滑文强，
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。