[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

说明书

一种基于多特征与非负自动编码器的SAR图像分类方法，属于图像处理技术领域。基于灰度梯度共生矩阵提取SAR图像的图像块空间域特征；基于二维Gabor变换提取SAR图像的图像块变换域特征；将图像块的空间域特征与变换域特征组合；选取SAR图像块的训练样本集和测试样本集；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；采用训练好的非负自动编码器网络进行分类；得到分类结果图。本发明结合了SAR图像的空间信息与变换域信息，获得了SAR图像的多维特征，并利用非负自动编码器对特征进行优化，提升了特征的区分性，进而有效提高了分类的准确度，可用于高分辨率SAR图像地物分类与目标识别等。

技术领域

本发明属于图像处理技术领域，特别是涉及地物分类领域中基于多特征与非负自动编码器的SAR图像分类方法，可用于SAR图像地物分类与目标识别。

背景技术

合成孔径雷达(Synthetic aperture radar,SAR)是一种主动成像传感器，具有全天候、全天时的数据获取能力，比传统的光学遥感技术具有明显优势。随着遥感技术的不断发展，SAR系统获取的图像分辨率越来越高，高分辨率SAR图像能够反映更加详细的地物信息，满足了许多实际应用的需求。SAR图像分类是SAR图像解译的重要内容，在军事侦察、资源探测、地理测绘等领域有着广泛的应用。由于SAR图像受到相干斑噪声的严重污染，导致缺乏有效的特征提取模型。一些基本的SAR图像特征被用于分类，如幅度、相位、密度等，但往往都不能得到很好的分类效果。

SAR图像分类是分析获取的地物后向散射信号等特征进行地物分类的过程。目前的SAR图像分类按照是否需要人工的类别标签，可以分为有监督分类和无监督分类。

在无监督分类方法中，不需要样本的类别标签，因此不需要人工参与，主要基于后向散射等信号实现分类。传统的无监督分类方法，如模糊C均值聚类、分水岭算法、迭代自组织分析算法，被用于SAR图像分类。在实际应用中，往往获得标签样本比较困难，这样无监督分类表现出一定优势。然而，由于SAR图像存在明显的相干斑噪声，无监督分类的准确度通常不是很理想。

在有监督分类方法中，需要样本的类别标签，因此需要人工参与获得标签样本来训练分类器。不同的机器学习方法，如贝叶斯分类器、马尔可夫模型、支持向量机等，被用于SAR图像分类。例如，C.Tison等人2004年在IEEE Transactions on Geoscience andRemote Sensing的第42卷第10期上发表的《A new statistical model for Markovianclassification of urban areas in high-resolution SAR images》，提出了基于Fisher分布和对数矩估计的数学模型，并采用马尔可夫分割进行分类，获得了准确的高分辨率城市地区分类结果。A.Voisin等人2013年在IEEE Geoscience and Remote Sensing Letters的第10卷第1期上发表的《Classification of very high resolution SAR images ofurban areas using copulas and texture in a hierarchical markov random fieldmodel》，提出了基于上下文分层的监督贝叶斯分类方法，结合SAR图像振幅和结构信息建立统计模型，解决了城市区域的高分辨率SAR图像分类问题。近年来，深度学习方法在各种机器学习任务中取得了突破性的提升，获得了广泛应用，也逐渐应用于遥感图像分类任务中。例如，Z.Zhao等人2017年在Pattern Recognition的第61卷上发表的《Discriminant deepbelief network for high-resolution SAR image classification》，将集成学习与深度置信网络结合，学习高分辨率SAR图像的高层次特征，取得优异的分类效果。上述方法未考虑SAR图像相干斑噪声影响且未充分挖掘SAR图像的不同特征，未有效利用深度网络提高特征的区分性，从而影响了分类效果。

发明内容