[发明专利]基于深度神经网络的极化SAR图像分类方法

摘要

本发明公开了一种基于深度神经网络的极化SAR图像分类方法，主要解决传统极化SAR图像分类精确度低，边界凌乱的问题。其分类过程为通过Pauli分解从极化SAR数据中得到功率图I，对功率图I进行预分割，得到若干小块；从极化SAR图像中选取训练数据集U，将其输入到两层自编码结构中训练后，再利用Softmax分类器对训练数据集U进行分类；从极化SAR图像中选取测试数据集V，将其输入到训练好的两层自编码结构中，再利用Softmax分类器得出分类标签；在预分割小块中，将分类标签与功率图I的通道信息结合，得到小块的标签。本发明具有识别率高，结果区域一致性好,可用于极化SAR匀质区域地物分类。

主权项

一种基于深度神经网络的极化SAR图像分类方法，包括如下步骤：1)通过Pauli分解从极化SAR数据中得到功率图I，对功率图I进行预分割，得到若干小块：{I1,I2,…,Ij,…,IC}，Ij表示功率图I中预分割后的第j个小块，其中j＝1,2,…,C，C表示预分割的块数；2)利用极化SAR数据的相干矩阵T，构造一组9维的列向量Feature；3)选取N个极化SAR图像点的列向量Feature构成一个9*N维的训练数据集U；4)将训练数据集U输入到一个两层的自编码结构中训练，得到第一层自编码权值W1和偏置b1，第二层自编码权值W2和偏置b2，将该两层自编码结构的参数固定，再一次将训练数据集U输入，得出训练数据集U的输出值hU；5)将训练数据集U的输出值hU输入到Softmax分类器中进行训练，得到Softmax分类器的权值Wf和偏置bf，然后将Softmax分类器的权值Wf和偏置bf固定，再将训练数据集U输出值hU输入到Softmax分类器中，得出训练数据集U的分类标签；6)取极化SAR图像所有点的列向量Feature构成一个9*M维的测试数据集V，M为所有点的个数，将测试数据集V输入到第一层权值为W1、偏置为b1，第二层权值为W2、偏置为b2的两层自编码结构中，得出测试数据集V的输出值hV；7)将测试数据集V的输出值hV输入到权值为Wf和偏置为bf的Softmax分类器中，得出测试数据集V的分类标签Label；8)在步骤(1)每一个预分割的小块Ij中，利用测试数据集V的分类标签Label，统计小块Ij中每一个点的标签，并且计算属于每一类标签的点数，选择数量最多的那一类标签为该小块Ij的初始标签，利用功率图I的第一个通道的灰度值，对每一个小块Ij的初始标签进行优化，得到每一个小块的最终标签。