[发明专利]一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法

说明书

一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法，属于计算机遥感影像处理与模式识别领域。步骤如下：首先对合成孔径雷达遥感图像进行预处理，得到地理坐标位置准确、相干斑噪声低、图像可视性高的遥感图像；其次，提取雷达遥感图像的纹理特征和轮廓特征；然后，对纹理图像和轮廓图像进行超像素分割；最后，将超像素块特征图像输入到分类识别器中，获得分类识别结果。本发明的效果和益处是能够大幅度地提高合成孔径雷达遥感图像的有监督分类精度。

技术领域

本发明属于计算机合成孔径雷达(SAR)遥感影像处理与模式识别领域，涉及一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法。

背景技术

传统聚类方法仅对球状分布的目标样本数据具有较好的聚类效果，然而在实际SAR图像处理过程中通常无法提前获知浮筏养殖分布类型，故采用有监督算法。

有监督算法根据SAR图像遥感数据本身的特点，通过训练样本进行学习，从而实现不同类型目标分类。张红等提出面向对象的高分辨率SAR图像处理用于海洋目标识别和提取(张红,叶曦,王超,张波,吴樊,汤益先.面向对象的高分辨率SAR图像处理及应用.中国图象图形学报,2014,19(3):344-357.)。Regniers等采用基于小波变换和纹理特征结合的方法实现潮间带底播贝类养殖分类(Regniers O,Bombrun L,Ilea I,Lafon V,GermainC.Classification of oyster habitats by combining wavelet-based texturefeatures and polarimetric SAR descriptors. 2015IEEE International Geoscienceand Remote Sensing Symposium,Milan,Italian,2015, 3890-3893.)。将小波特征和灰度共生矩阵特征结合，通过稀疏表示的方法可以实现浮筏养殖自动提取(Fan J C,Chu J L,Geng J,Zhang F S.Floating Raft Aquaclture Information Automatic ExtractionBased on High Resolution SAR Images.2015International Geoscience andRemoteSensing Symposium,Milan,Italian,2015,3898-3901.)。谷雨等提取Gabor小波系数和灰度共生矩阵构成候选特征集合，使用二值混合优化算法实现SAR图像特征选择，提高了识别精度 (张琴,谷雨,徐英,赖晓平.混合智能优化算法的SAR图像特征选择.遥感学报,2016,20(1): 73-79.)。神经网络方法可以基于不同海域数据本身特点进行并行自适应学习，在有监督遥感图像分类领域中，获得广泛地关注。Chen等(利用模糊神经网络进行SAR图像分割，提升了算法的自适应性和灵活性Chen C T,Chen K S,Lee J S.The use of fullypolarimetric information for the fuzzy neural classification of SARimages.IEEE Transactions on Geoscience and Remote Sensing,2003,41(9):2089-2100.)。Liu等将稀疏表示和支持向量机相结合，组成决策融合框架提高极化SAR图像目标识别的精度(Liu H C,Li S T.Decision fusion of sparse representation andsupport vector machine for SAR image target recognition.Neurocomputing, 2013,113:97-104.)。Mairal等提出稀疏编码-池化分类算法(Lasso-Pooling)，先采用Lasso算法对每个像素点稀疏编码得到稀疏向量，然后对超像素分割后同一像素块的各个像素点稀疏向量采用最大值池化(Max Pooling)得到一个稀疏向量，最后利用联合稀疏表示分类器进行分类 (Mairal J,Bach F,Ponce J.Sparse modeling for image and visionprocessing.Foundations& Trends in Computer Graphics&Vision,2014,8(2):85-283)。Pratola等通过多层神经网络模型对 X波段全极化SAR图像进行分类，从而实现土地使用和覆盖范围的监测(Pratola C,Frate F D, Schiavon G,Solimini D.Toward fullyautomatic detection of changes in suburban areas from VHR SAR images bycombining multiple neural-network models.IEEE Transactions on GeoscienceandRemote Sensing,2013,51(4):2055-2066.)。Kiranyaz等采用进化的方式构建集成神经网络模型框架，在Pauli分解的基础上，采用投票机制提高全极化SAR图像的分类精度(Kiranyaz S,Ince T,Uhlmann S,and Gabbouj M.Collective network of binaryclassifier framework for polarimetric SAR image classification:Anevolutionary approach.IEEE Transactions on Systems,Man,and Cybernetics,PartB:Cybernetics,2012,42(4):1169-1186.)。特征提取和组合表示都需要大量的经验知识和人为地参数设置，这个过程比较复杂而且效率较低，尤其是当图像分辨率较高、尺寸较大时，更增加了特征表示的难度。