基于CNN和SVM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CNN和SVM的极化SAR图像分类方法，主要解决现有极化SAR图像分类方法分类精度不高的问题。其实现步骤为：输入滤波后的待分类的极化SAR图像；基于极化相干矩阵并考虑邻域，提取每个像素点的原始特征并归一化；训练AE网络，并利用softmax微调，得到CNN卷积层参数；将CNN池化层设置为平均池化，确定CNN池化层参数；利用CNN学习的特征送入SVM进行分类，得到极化SAR图像的分类结果。与现有的一些方法相比，本发明专利技术不仅充分考虑到图像的空间相关性，而且基于CNN提出了一种新的邻域处理方法，能够提取出更有利于极化SAR图像分类的特征，显著地提高了分类精度，可用于对极化SAR图像的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
，主要涉及极化SAR图像分类，具体说是一种基于 CNN和SVM的极化SAR图像分类方法，可用于对极化SAR图像的地物分类和目标识别。
技术介绍
极化SAR是一种高分辨主动式相干多通道微波遥感成像雷达，它是SAR的一个重 要分支，具有全天候、全天时、分辨率高、可侧视成像等优点，广泛应用于军事、农业、导航、 地理监视等诸多领域。极化SAR能够获得更加丰富的目标信息，在国际遥感领域受到高度 重视，因此极化SAR图像分类已成为极化SAR信息处理的一个重要研究方向。 现有的极化SAR图像分类方法可以分为有监督分类和无监督分类。 有监督分类方法包括：Lee等提出的基于复Wishart分布的极化协方差矩阵监 督分类方法，由于极化协方差矩阵C可以通过线性变换得到极化相干矩阵T，这样就得到 Wishart分类器，这种方法要求C或T矩阵的概率密度分布函数服从复Wishart分布，对数 据分布要求严格；Heermann等提出的基于后向传播神经网络的极化SAR图像分类方法，这 种方法收敛速度慢，且容易陷入局部最优。 无监督分类方法包括=Cloude等提出的Η/α非监督分类，它是通过Cloude目标 分解得到散射熵H和平均散射角α特征参数后，根据这两个参数的范围对目标进行八分 类，这种方法分类边界固定导致区域的划分过于武断，且只利用H和α这两个参数，极化信 息没有得到充分利用，导致分类准确度低；Lee等提出基于Cloude目标分解和Wishart分 类器的H/ a -Wishart非监督分类方法，它是在原始H/ α分类基础上增加了 Wishart迭代， 弥补了 Η/α分类固定边界的缺陷，但这种方法不能很好的保持各类的极化散射特性；Lee 等基于Freeman分解提出了一种极化SAR图像分类方法，它主要是根据Freeman分解获得 平面散射功率、二面角散射功率和体散射功率的大小对极化数据进行划分，并对初始划分 进行类别合并，最后再利用Wishart分类器重新划分，这种方法保持了各类的散射特性，但 存在多类别的划分及合并，计算复杂度较高。 以上方法由于是基于极化SAR图像原始数据提取特征，这样得到的特征数目比较 少，而且没有充分结合极化SAR图像的极化信息和空间相关性信息，对极化SAR图像的信息 提取不够充分，最后直接进行分类，致使极化SAR图像分类精度不高。
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，提出一种基于CNN和SVM的极化SAR图 像分类方法，充分利用图像的空间相关性，对原始特征空间重新学习，提取更有效的特征进 行分类，提高了分类精度。 本专利技术是一种基于CNN和SVM的极化SAR图像分类方法，其特征在于，包括有如下 步骤： 步骤1，输入滤波后的待分类的极化SAR图像，得到极化相干矩阵T，待分类的极化 SAR图像本身附带有地物分布参考图，图中有对部分像素点进行类别标注。 步骤2,基于极化SAR图像的极化相干矩阵T，得到图像每个像素点的原始特征，并 归一化到，使得原始特征中不同特征具有相同的量纲，方便后续操作。 步骤3,在待分类的极化SAR图像中随机选取10%的像素点，作为训练样本；为了 加快速度，本专利技术只选取了 10%的像素点作为训练样本。 步骤4,利用步骤3得到的训练样本来训练AE网络，得到AE网络参数；CNN包括多 层卷积层和多层池化层，本专利技术中采用的CNN结构只包含一层卷积层和一层池化层，本发 明中CNN卷积层参数，是采用训练AE网络来确定。 步骤5,基于步骤4得到的AE网络参数对AE网络重复地进行训练，直至满足终止 条件，满足终止条件后将得到的AE网络的参数作为初始的卷积神经网络（CNN)卷积层参数 Θ = (W，b)，其中，W是CNN卷积层的卷积核，b为CNN卷积层的偏置；终止条件为AE网络 的目标函数值相邻两次的变化小于10 9。 步骤6,利用softmax分类器和待分类的极化SAR图像的地物分布参考图中已标 注的像素点，微调初始的CNN卷积层参数，将微调后得到的参数作为训练好的CNN卷积层 参数；训练好的CNN卷积层参数就已经确定了 CNN结构中训练好的卷积层；本专利技术中步骤 3, 4, 5, 6是对CNN卷积层参数的学习，其中对CNN卷积层参数的学习考虑了局部感知区域， 即考虑了图像空间相关性。 步骤7,本专利技术中CNN结构包含一层卷积层和一层池化层：将CNN池化层的池化方 式设置为平均池化，池化大小为2 X 2。 本专利技术中步骤3, 4, 5, 6, 7是本专利技术对CNN结构的学习，其中步骤3, 4, 5, 6通过对 CNN卷积层参数的学习，确定了训练好的CNN卷积层，步骤7通过确定池化方式，确定了训练 好的CNN池化层，到此为止，训练好的CNN卷积层和训练好的CNN池化层就共同构成训练好 的CNN结构。 步骤8,以极化SAR图像的地物分布参考图中已标注的全部像素点为基准，按照不 超过10%的采样率，随机选择每类的像素点，作为训练样本集合；训练样本集合中的像素 点均具有训练样本标签。选取的训练样本集合是为了训练SVM分类器，本专利技术按照不超过 10%的采样率，随机选择每类的像素点，不仅可以加快训练速度，而且可以说明在小样本的 情况下，SVM分类器泛化能力就已经很好了。 步骤9,将训练样本集合中每个像素点的原始特征送入训练好的CNN结构，得到每 个像素点相应的CNN特征；送入训练好的CNN结构包括逐步送入训练好的CNN卷积层和训 练好的CNN池化层，得到CNN特征将用于训练SVM分类器。 步骤10,利用步骤9得到的训练样本集合的CNN特征以及训练样本标签去训练支 持向量机（SVM)分类器，然后利用训练好的SVM分类器对极化SAR图像剩余的全部像素点 逐个进行分类：即将待分类的极化SAR图像剩余的全部像素点作为测试样本，将测试样本 中每个像素点的原始特征送入训练好的CNN结构，得到测试样本中每个像素点的CNN特征， 然后利用测试样本中每个像素点的CNN特征输入到训练好的SVM进行分类，得到测试样本 中每个像素点的类别标签；步骤8, 9, 10是本专利技术对SVM分类器的学习。 步骤11，输出分类后的极化SAR图像，并计算分类精度。 本专利技术中提出的方法是在对原始数据提取特征的基础上，对提取的特征重新学 习，即进行深度特征学习，并考虑图像空间相关性，进而提取出更有利于极化SAR图像分类 的特征，从而提高了分类精度。 本专利技术与现有的技术相比具有以下优点： 1.由于本专利技术是基于CNN对原始特征进行学习，要求数据以图像格式，即矩阵形 式输入，与传统的向量形式的输入有很大不同，这样可以充分考虑到图像空间相关性，将极 化信息和图像空间相关性信息结合起来，提取出更有效的特征，提高了极化SAR图像的分 类精度； 2.本专利技术采用新的特征学习方法一CNN，它的卷积层对输入样本的图像块进行卷 积操作，它的池化层再对卷积层得到的卷积图进行平均化操作，可以防止过拟合，这样可将 极化SAR图像的原始特征重新进行深度学习，提取出更有利于极化SAR图像分类的特征； 3.由于极化SAR图像是基于微波相干成像原理，得到的极化SAR图像原始数据含 有相干斑噪声，因此基于原始数据提取出来的原始特征的本文档来自技高网...

【技术保护点】
一种基于CNN和SVM的极化SAR图像分类方法，其特征在于，包括有如下步骤：步骤1，输入滤波后的待分类的极化SAR图像，得到极化相干矩阵T；步骤2，基于极化SAR图像的极化相干矩阵T，得到图像每个像素点的原始特征，并归一化到[0.1,0.9]；步骤3，在待分类的极化SAR图像中随机选取10％的像素点，作为训练样本；步骤4，利用训练样本来训练AE网络，得到AE网络参数；步骤5，基于步骤4得到的AE网络参数对AE网络重复地进行训练，直至满足终止条件，满足终止条件后将得到的AE网络的参数作为初始的卷积神经网络卷积层参数θ＝(W,b)，其中，W是CNN卷积层的卷积核，b为CNN卷积层的偏置；终止条件为AE网络的目标函数值相邻两次的变化小于10‑9；步骤6，利用softmax分类器和待分类的极化SAR图像的地物分布参考图中已标注的像素点，微调初始的CNN卷积层参数，将微调后得到的参数作为训练好的CNN卷积层参数；步骤7，CNN结构包含一层卷积层和一层池化层：将CNN池化层的池化方式设置为平均池化；步骤8，以极化SAR图像的地物分布参考图中已标注的全部像素点为基准，按照不超过10％的采样率，随机选择每类的像素点，作为训练样本集合；步骤9，将训练样本集合的原始特征送入训练好的CNN结构，得到相应的CNN特征；步骤10，利用训练样本集合的CNN特征以及训练样本标签去训练支持向量机分类器，然后利用训练好的SVM分类器对极化SAR图像剩余的像素点逐个进行分类；步骤11，输出分类后的极化SAR图像，并计算分类精度。...

【技术特征摘要】

【专利技术属性】
技术研发人员：焦李成，刘芳，普亚如，杨淑媛，侯彪，马文萍，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