[发明专利]基于散射能量和堆栈自编码的极化SAR图像分类方法

权利要求书

1.一种基于散射能量和堆栈自编码的极化SAR图像分类方法，包括如下步骤：

(1)输入待分类的极化合成孔径雷达SAR图像的相干矩阵；

(2)对极化合成孔径雷达SAR相干矩阵进行补偿：

(2a)按照下式，计算极化合成孔径雷达SAR相干矩阵的极化方位角：

其中，θ表示极化合成孔径雷达SAR相干矩阵的极化方位角，arctan(·)表示求取弧度角操作，Re(·)表示求取复数的实部操作，T₂₃表示极化合成孔径雷达SAR相干矩阵中的第2行第3列的元素，T₂₂表示极化合成孔径雷达SAR相干矩阵的第2行第2列的元素，T₃₃表示极化合成孔径雷达SAR相干矩阵的第3行第3列的元素；

(2b)按照下式，得到极化合成孔径雷达SAR相干矩阵的旋转矩阵：

其中，U表示极化合成孔径雷达SAR相干矩阵的旋转矩阵，cos(·)表示求取余弦值操作，sin(·)表示求取正弦值操作；

(2c)按照下式，得到补偿后的极化合成孔径雷达SAR相干矩阵：

T‘＝UTU^-1

其中，T‘表示补偿后的极化合成孔径雷达SAR相干矩阵，T表示输入待分类的极化合成孔径雷达SAR图像的相干矩阵，(·)^-1表示矩阵求逆操作；

(3)获取散射模型的散射能量：

对补偿后的极化合成孔径雷达SAR相干矩阵进行弗里曼Freeman-Durden分解，得到极化合成孔径雷达SAR相干矩阵的表面散射、二面角散射、体散射模型的散射能量向量；

所述的弗里曼Freeman-Durden分解的具体步骤如下：

第一步，按照下式，计算极化相干矩阵的散射能量：

P_v＝4T₃₃

其中，P_s表示极化相干矩阵的表面散射能量，β表示弗里曼Freeman-Durden分解的参数，T₁₂表示极化合成孔径雷达SAR相干矩阵中的第1行第2列的元素，T₁₁表示极化合成孔径雷达SAR相干矩阵的第1行第1列的元素，α表示弗里曼Freeman-Durden分解的参数，P_d表示极化相干矩阵的二面角散射能量，P_v表示极化相干矩阵的体散射能量；

第二步，按照下式，分别计算弗里曼Freeman-Durden分解的两个参数α,β：

(4)获取样本：

(4a)采用大小为5×5的滑动窗口，以极化合成孔径雷达SAR图像中每个像素点为该滑动窗口的中心，提取滑动窗口内的像素块，将所提取的像素块作为样本，将所提取的所有样本组成一个样本集；

(4b)从样本集中随机选取5％的样本作为训练样本集，将剩余的95％样本作为测试样本集；

(5)训练堆栈自编码网络：

将训练样本输入到一个三层的堆栈自编码网络，得到训练好的堆栈自编码网络；

所述的训练堆栈自编码网络具体步骤如下：

第一步，训练第一层稀疏自动编码器：在[-1,1]范围任意选取一个数，作为第一层的稀疏自动编码器的权重，偏差值选取0；对获得的训练样本均方差衰减值，采用梯度下降法，获取第一层的稀疏自动编码器的最优权重值和最优偏差值；采取特征提取方法，提取每一个训练样本的特征，将得到的所有特征组合第一层的训练样本特征集；

第三步，训练第二层稀疏自动编码器：在[-1,1]范围任意选取一个数，作为第二层的稀疏自动编码器的权重，偏差值选取0；对获得的第一层的训练样本特征集的均方差衰减值，采用梯度下降法，获取第二层的稀疏自动编码器的最优权重值和最优偏差值；采取特征提取方法，提取每一个训练样本的特征，将得到的所有特征组合第二层的训练样本特征集；

第四步，训练第三层柔性最大值Softmax分类器：在[-1,1]范围任意选取一个数，作为柔性最大值Softmax的权重，偏差值选取为0；对获得的第二层的训练样本特征集的交叉熵衰减值，采用梯度下降法，获取柔性最大值Softmax的最优权重值和最优偏差值；

第五步，微调整体网络权重和偏差值：对获得整体网络的训练样本的均方差衰减值，采用梯度下降法，获取整体网络的最优权重值和最优偏差值，得到训练好的堆栈编码网络；

(6)堆栈自编码网络分类：

将测试样本集输入到训练好的堆栈自编码网的第一层进行分类，得到测试样本的分类结果；

(7)输出分类结果。