基于栈式稀疏自编码网络的多时相PolSAR散射特征的降维算法制造技术

本发明专利技术公开了一种基于栈式稀疏自编码网络（Stacked‑Sparse‑Autoencoder，S‑SAE）的多时相PolSAR散射特征的降维算法，步骤有：（1）采用多种目标分解方法对每个时相的PolSAR图像数据进行极化目标分解获取多个散射特征；（2）设置训练参数，隐含层层数和神经元个数，使用训练集对构建的S‑SAE网络进行逐层无监督训练和整体监督优化训练；（3）提取网络的相关参数对高维散射特征进行降维处理，最后使用降维特征作为分类器输入得到PolSAR图像的分类结果。本发明专利技术结合多种目标分解方法能充分有效发掘的多时相PolSAR数据中的特征信息，进一步提高了多时相PolSAR数据的应用质量，在作物分类中实现了高于多时相复Wishart方法的分类精度，为多时相PolSAR数据的高效应用提供了一种思路。

A dimension reduction algorithm based on trestle sparse self coding network for scattering characteristics of polyphase POLSAR

【技术实现步骤摘要】
基于栈式稀疏自编码网络的多时相PolSAR散射特征的降维算法
本专利技术属于微波遥感数据处理及应用领域，更进一步涉及雷达遥感领域中的多时相极化合成孔径雷达(PolarimetricSyntheticapertureApertureRadar,PolSAR)高维散射特征的降维方法和数据应用。本专利技术可以得到优于传统降维方法的数据压缩效果，结合现有的极化目标分解方法可以充分的挖掘多时相PolSAR数据中的分类特征，进而从一定程度上提高了多时相PolSAR数据的应用效率，具体在作物分类的多时相PolSAR数据应用上，实验表明采用降维特征结合分类器能够得到优于多时相复Wishart分类方法的分类精度。
技术介绍
农作物种植结构，是一个区域的作物类型、分布及面积等信息的综合，是作物估产、区域农业种植结构调整的基础，也是确保国家粮食安全和发展精准农业的主要依据。因此，在大尺度的农业遥感中，获取更高精度的农作物分类信息具有极其重要的意义。PolSAR作为一种遥感手段，凭借其全时相，全天候的高分辨对地观测能力，农作物分类成为了极化SAR主要应用之一。如今，对于PolSAR数据已经开发了很多的分类算法，大体可以分为三类，基于统计模型的算法，基于电磁波散射机制的算法，基于先验知识的算法，这些方法有监督型和非监督型，虽然在分类精度上取得了一定的提升，但这些算法仍存在一定的缺点：(1)算法大多数集中在单时相PolSAR数据的分析来对目标进行分类，但因为不同类型的农作物在不同的生长周期具有不同的散射特性，所以单时相的数据并不能在农作物分类的过程中提供足够多的信息。为此，有必要采用多时相PolSAR数据进行农作物分类实现更高的分类精度。(2)基于先验知识尽管能一定程度上提取深一层的分类特征，但人工特征提取的能力是有限的，因为人类知识很难同时理解诸多复杂的因素，如类间相似性，类内变异性，大气条件和散射机制等多种因素。目前，随着大量SAR卫星的成功发射和在轨运行，越来越多的PolSAR系统能够获取同一区域内大量的多时相遥感数据，为多时相分析提供了可能。逐渐地，广泛利用多时全极化相极化PolSAR数据来提升农作物分类表现成为了研究热点之一。Jong-SonLee在文献“ClassificationofMulti-LookPolarimetricSARDataBasedonComplexWishartDistribution”(Int.J.RemoteSensing,VOL.15,NO.11,JULY1994)中提出了一种多时相合成孔径雷达数据处理中监督分类方法，该方法是通过描述多视全极化SAR图像协方差矩阵的统计特性，直接利用该分布进行分割，可充分利用全极化SAR数据的统计先验知识，并可避免拆分协方差矩阵导致的信息损失，可达到一定程度的分类效果。GuoJ,WeiPL,LiuJ,etal.在文献“CropClassificationBasedonDifferentialCharacteristicsofH/αScatteringParametersforMultitemporalQuad-andDual-PolarizationSARImages”(IEEETransactionsonGeoscienceandRemoteSensing,2018,PP(99):1-13.)中提出了一种基于H/α/A分解的散射特性变化规律的多时相PolSAR农作物监督型分类算法。通过新定义参数的计算，构建分类函数f(θi)，计算各个像素点在各类的θi处的函数值，通过比较该值的大小对该像素点进行分类。YekkehkhanyB，,HomayouniS,McnairnH,etal.在文献“Multi-temporalfullpolarimetryL-bandSARdataclassificationforagriculturelandcovermapping.[C]”(Geoscience&RemoteSensingSymposium.IEEE,2014.)中提出了一种多时相合成孔径雷达数据处理中监督分类方法，该方法是通过对每个时相的数据进行H/α/A分解，最后将所有时相的特征进行合并，共同作为分类器SVM的输入，在一定程度上利了多时相数据的分类信息，提升了分类效果。上述三种多时相PolSAR数据处理的分类方法，都是从本身的极化相干矩阵出发，从不同的角度对多时相数据进行了利用。但这三种处理方式都存在着一定的不足，方法(1)中由于全极化PolSAR图像中不可避免地存在相干斑，因此仅利用数据统计的先验知识并不能得到满意的结果；方法(2)是基于人工手动提取的分类特征，难以充分发掘多时相的变化特征；方法(3)将多个时相的分解特征作为分类器输入虽然能一定程度上利用多时相的分类信息，但若为了更近一步的充分利用各个时相的分类信息，增加分解特征，会产生大量的分解特征，给分类器带来“维数灾难的影响”，导致分类失败。
技术实现思路
本专利技术针对上述在地物分类中多时相合成孔径雷达PolSAR数据处理方法，专利技术了一种高效利用多个时相PolSAR数据信息的方法，具体是结合栈式稀疏自编码网络(Stacked-Sparse-Autoencoder，S-SAE)对丰富的散射特征进行高效的低维表征，从而避免了在使用大量的分类特征时，给分类器带来的“维数灾难”的影响，实现了在充分利用多时相分类特征的基础上，进一步提升了作物的分类精度。为实现上述目的，本专利技术的主要步骤如下：(1)输入S个时相,大小为N1×N2的PolSAR图像数据；(2)通过原始的PolSAR图像数据计算出每个像素的极化协方差矩阵[C]和极化相干矩[T]；(3)采用多种极化分解方法对每个时相的PolSAR数据中[C]和[T]矩阵的进行特征分解，然后将每个时相中每个像素分解得到的M个特征以矩阵形式保存，将会得到一个N1×N2×M大小的三维特征矩阵[A]；(4)将S个时相所获得的三维特征矩阵进行再次堆叠，形成N1×N2×(M*S)大小的高维特征矩阵[B]；(5)建立地面真值分布图，结合高维特征矩阵选择训练样本；a)在高在高维特征矩阵中随机抽取m个无监督训练样本，获得大小为(M*S)×m的无监督训练样本矩阵[D]；b)结合地面真值分布图，对随机抽取的m个有无监督训练样本添加标签；(6)构建降维至L维的S-SAE网络，使用训练样本对S-SAE网络进行训练；a)将无监督训练样本[D]作为S-SAE网络的输入进行逐层训练，并得到降维至L维的训练数据[E]，其大小为L×m；b)使用降维至维的训练数据[E]作为softmax分类器的输入，结合训练标签样本对softmax分类器进行预训练；c)将逐层训练完成的S-SAE网络与训练完成的softmax分类器进行结合，然后使用有标签的训练样本对S-SAE网络进行优化训练；(7)使用优化训练后的S-SAE网络参数，对高维散射特征[B]进行降维运算，得到指定降维维度的多时相散射本文档来自技高网...

【技术保护点】
1.基于栈式稀疏自编码网络的多时相PolSAR散射特征降维算法，包括如下步骤：/n(1)输入S个时相,大小为N1×N2的PolSAR图像数据；/n(2)通过原始的PolSAR图像数据计算出每个像素的极化协方差矩阵[C]和极化相干矩[T]；/n(3)采用多种极化分解方法对每个时相的PolSAR数据中[C]和[T]矩阵的进行特征分解，然后将每个时相中每个像素分解得到的M个特征以矩阵形式保存，将会得到一个N1×N2×M大小的三维特征矩阵[A]；/n(4)将S个时相所获得的三维特征矩阵进行再次堆叠，形成N1×N2×(M*S)大小的高维特征矩阵[B]；/n(5)建立地面真值分布图，结合高维特征矩阵选择训练样本；/na)在高在高维特征矩阵中随机抽取m个无监督训练样本，获得大小为(M*S)×m的无监督训练样本矩阵[D]；/nb)结合地面真值分布图，对随机抽取的m个有无监督训练样本添加标签；/n(6)构建降维至L维的S-SAE网络，使用训练样本对S-SAE网络进行训练；/na)将无监督训练样本[D]作为S-SAE网络的输入进行逐层训练，并得到降维至L维的训练数据[E]，其大小为L×m；/nb)使用降维至维的训练数据[E]作为softmax分类器的输入，结合训练标签样本对softmax分类器进行预训练；/nc)将逐层训练完成的S-SAE网络与训练完成的softmax分类器进行结合，然后使用有标签的训练样本对S-SAE网络进行优化训练；/n(7)使用优化训练后的S-SAE网络参数，对高维散射特征[B]进行降维运算，得到指定降维维度的多时相散射降维特征矩阵[F]，其大小为N1×N2×L；/n(8)结合降维特征和地面分布真值，随机选取支持向量机SVM(Support VectorMachine，SVM)分类器的训练样本；/n(9)采用SVM分类器对多时相散射特征的降维特征[F]进行分类；/n(10)输出分类后的农作物分布图。/n...

【技术特征摘要】
1.基于栈式稀疏自编码网络的多时相PolSAR散射特征降维算法，包括如下步骤：
(1)输入S个时相,大小为N1×N2的PolSAR图像数据；
(2)通过原始的PolSAR图像数据计算出每个像素的极化协方差矩阵[C]和极化相干矩[T]；
(3)采用多种极化分解方法对每个时相的PolSAR数据中[C]和[T]矩阵的进行特征分解，然后将每个时相中每个像素分解得到的M个特征以矩阵形式保存，将会得到一个N1×N2×M大小的三维特征矩阵[A]；
(4)将S个时相所获得的三维特征矩阵进行再次堆叠，形成N1×N2×(M*S)大小的高维特征矩阵[B]；
(5)建立地面真值分布图，结合高维特征矩阵选择训练样本；
a)在高在高维特征矩阵中随机抽取m个无监督训练样本，获得大小为(M*S)×m的无监督训练样本矩阵[D]；
b)结合地面真值分布图，对随机抽取的m个有无监督训练样本添加标签；
(6)构建降维至L维的S-SAE网络，使用训练样本对S-SAE网络进行训练；
a)将无监督训练样本[D]作为S-SAE网络的输入进行逐层训练，并得到降维至L维的训练数据[E]，其大小为L×m；
b)使用降维至维的训练数据[E]作为softmax分类器的输入，结合训练标签样本对softmax分类器进行预训练；
c)将逐层训练完成的S-SAE网络与训练完成的softmax分类器进行结合，然后使用有标签的训练样本对S-SAE网络进行优化训练；
(7)使用优化训练后的S-SAE网络参数，对高维散射特征[B]进行降维运算，得到指定降维维度的多时相散射降维特征矩阵[F]，其大小为N1×N2×L；
(8)结合降维特征和地面分布真值，随机选取支持向量机SVM(SupportVectorMachine，SVM)分类器的训练样本；
(9)采用SVM分类器对多时相散射特征的降维特征[F]进行分类；
(10)输出分类后的农作物分布图。


2.根据权利要求1所述的基于栈式稀疏自编码网络的多时相PolSAR散射特征降维算其特征在于：(均使用matlab语言实现)
步骤(1)输入S个时相,大小为N1×N2的PolSAR图像数据具体步骤如下：
第一步，按照下式，先将每个时相的PolSAR数据读入，生成一个行向量。
tem1＝fread(fid,num1·num2·BandNo,'double','ieee-le')；
其中，num1和num2表示该图像在二维平面上纵向和横向的像素点个数，BandNo表示该SAR图像数据的层数
第二步，通过下式将读取进来的SAR数据进行维数的变化，使其变为BandNo·num2行，num1列，然后通过矩阵转置，使读取的数据变为num1行，BandNo·num2列
xx＝reshape(tem1,BandNo*num2,num1)；
xx＝xx’；
其中，reshape表示将tem1进行维数变化，行数列数分别对应后边两个输入，xx＝xx'表示矩阵的转置
第三步，通过循环语句，将转置后的PolSAR数据，存入目标矩阵中去，目标矩阵具有和xx相同的列数和行数，目标矩阵的层数与PolSAR图像的层数相同
fori＝1:BandNo
PolSARData(:,:,i)＝xx(:,1+(i-1)·num2:i·num2)；
end
其中PolSARData为目标矩阵，按照层的顺序存储xx中的PolSAR数据，使其变为具有，num1行，num2列，BandNo层的一个三维矩阵，在这样的矩阵中，PolSARData(:,:,i)即在二维的横向和纵向相等的情况下，每层的数据都对应着PolSAR图像中同一个像素点。


3.根据权利要求1所述的基于栈式稀疏自编码网络的多时相PolSAR散射特征降维算法，其特征在于：
步骤(3)中对于多个单时相PolSAR数据进行了多种极化目标分解算法包括(Huynen分解，Freeman-Durden分解,Yamaguchi分解，Cloude分解，等)，获取了36个散射特征，对散射分解特征使用了以下方式进行存储利用；
Dataset1＝zeros(num1,num2,36)；
dataset1(:,:,1)＝F1；
………
Dataset1(:,:,36)＝imag(Ps_y)；
其中dataset是每个时相分解后的特征所要存储的地方。通过这种操作可以得到单时相PolSAR数据的分解特征矩阵[A]，整个矩阵dataset共有36层，每层分别存储该类样本像素点对应的36个分解特征。


4.根据权利要求1所述的基于栈式稀疏自编码网络的多时相PolSAR散射特征降维算法，其特征在于：
步骤(4)对每个时相分解的dataset数据进行再次堆叠储存得到高维特征矩阵[B]，其利用以下方式实现。
All_feature＝zeros(num1,num2,252)；
All_feature(:,:,1:36)＝dataset1；
………
All_feature(:,:,217:252)＝dataset7；
其中All_feature是所有时相数据分解后的特征所要存储的地方，最后通过堆叠的方式可以存储多个时相PolSAR数据分的所有分解特征，得到高维的特征矩阵[B]。整个矩阵共有252层，每层分别存储该类样本像素点对应的一种分解特征。


5.根据权利要求1所述的基于栈式稀疏自编码网络的多时相PolSAR散射特征降维算法，其特征在于：
步骤(6)所述使用训练样本对S-...

【专利技术属性】
技术研发人员：郭交，李恒辉，刘健，韩文霆，秦立峰，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：陕西;61