[发明专利]基于多特征与非负自动编码器的SAR图像分类方法

权利要求书

1.一种基于多特征与非负自动编码器的SAR图像分类方法，步骤如下：

(1)基于灰度梯度共生矩阵的SAR图像空间域特征提取：

(1a)输入一幅a×b的SAR图像，按照w×w的窗大小进行分块，得到图像块；

(1b)基于灰度梯度共生矩阵，提取每个图像块的空间域特征，计算公式为：

其中，H_ij表示SAR图像块的灰度值为i且对应梯度图的梯度值为j的像素个数，表示归一化的H_ij，N_h和N_t分别表示灰度级与梯度级；

(1c)将每个图像块的空间域特征向量化，具体如下：

T＝[T₁,T₂,T₃,T₄,…,T₁₅]；

(2)基于二维Gabor变换的SAR图像变换域特征提取：

(2a)对分块后得到的SAR图像的图像块，提取基于二维Gabor变换的变换域特征，计算公式为：

其中，I(x,y)表示SAR图像，x和y表示SAR图像像素点的位置，x₀＝xcosθ+ysinθ，y₀＝-xsinθ+ycosθ，w₀表示Gabor滤波器的中心频率，取c个不同尺度，θ表示Gabor滤波器的方向，取d个方向，分别为σ表示高斯函数的标准差，表示卷积运算；提取c×d维的Gabor特征，按照w×w的窗大小进行分块，并计算块的均值特征来代表图像块的c×d维空间域特征G；

(2b)对每个图像块的变换域特征向量化，具体如下：

G′＝[G₁,G₂,G₃,G₄,…,G_c×d]；

(3)将空间域特征与变换域特征进行组合：

将每个图像块的空间域特征向量和变换域特征向量组合成一个特征向量，具体如下：

f＝[T,G′]；

(4)选取SAR图像块的训练样本集和测试样本集：

从SAR图像所有带标签的图像块中，随机选取p％的图像块形成训练样本集，其余的图像块作为测试样本集；

(5)利用训练样本集对多层非负自动编码器与softmax分类器进行训练：

(5a)先初始化三层非负自动编码器的权重和偏置参数，再利用训练样本集逐层预训练各层网络；预训练第k层非负自动编码器的权重和偏置参数的目标方程为：

其中，上式第一项为解码输出与编码前输入的平均重建误差，第二项为负权重的惩罚项，表示第k层网络的解码输出，表示第k层网络的输入同时也表示第k-1层网络的隐含输出，N表示训练样本数量，λ表示负权重惩罚因子；利用反向传播算法求解上式；

(5b)预训练完各层非负自动编码器的权重和偏置参数后，第三层非负自动编码器的隐含输出作为优化后的样本特征；

(5c)将优化后的训练样本特征与标签输入到softmax分类器，训练得到softmax分类器的权重和偏置参数；

(5d)从softmax分类器、第三层非负自动编码器、第二层非负自动编码器、第一层非负自动编码器的自上而下的顺序，对整个网络的参数进行微调；反向微调整个网络权重和偏置参数的目标方程为：

其中，上式第一项为所有编码层总的重建误差，第二项为各个编码层负权重的惩罚项，K表示网络层数，表示第k层网络的隐含输出；利用反向传播算法求解上式，得到微调的各层非负自动编码器与softmax分类器的权重和偏置参数；

(6)对测试样本集进行分类：

(6a)将测试样本x_i输入到三层非负自动编码器中，第三层非负自动编码器的隐含输出作为测试样本优化后的样本特征；

(6b)将优化后的测试样本特征输入到softmax分类器，计算其属于第c类的概率，具体如下：

其中，W′_j和b′_j对应第j类的部分权重和偏置，W′_c和b′_c对应第c类的部分权重和偏置，C表示总的类别数；最后，测试样本x_i的预测标签如下：

label(x_i)＝arg max P_c(x_i)

(7)输出分类结果图：

根据预测标签向量和测试样本的空间位置，绘制最后分类结果图。