[发明专利]一种基于栈式编码和softmax的极化SAR图像分类方法

摘要

本发明属于图像处理技术领域，具体公开了一种基于栈式编码和softmax的极化SAR图像分类方法，主要解决现在特征提取需要很多先验知识以及人工劳动强度大的问题。其实现步骤为(1)输入图像并滤波；(2)提取独立元素；(3)选取训练样本和测试样本并做白化处理；(4)构造栈式编码网络学习更能表征极化SAR图像的高级特征；(5)训练分类器并预测分类结果；(6)计算正确率(7)输出结果。与经典分类方法相比，本发明所有地物的分类正确率更高，该方法的同质区域也更完整，区域一致性更好，分类性能更好。可适用于对极化SAR图像进行地物分类和目标识别。

主权项

一种基于栈式编码和softmax的极化SAR图像分类方法，包括如下步骤：(1)读入一幅待分类的极化SAR图像，采用精致极化LEE滤波方法对待分类的极化SAR图像进行滤波，去除斑点噪声，得到去噪后的极化SAR图像；(2)从去噪后的极化SAR图像每个像素点的相干矩阵T中提取出9个独立的元素，构成一个向量，就得到了每个像素点适合栈式编码网络用于学习特征的原始输入数据；(3)根据真实的地物标记，对极化SAR图像的每个地物类别分别随机选取10％的有标记原始输入数据作为训练样本，剩下的90％有标记原始输入数据作为测试样本，并对选取的训练样本做白化处理,得到能更好进行特征学习的输入数据；(4)构造栈式编码网络学习特征向量，栈式编码网络第二层学习得到的特征向量就是极化SAR图像的高级特征向量；构造栈式编码网络的参数设置按如下进行：(4a)训练栈式编码网络第一层：设置栈式网络编码第一层的隐藏层节点数为25，稀疏性惩罚因子β为3，稀疏性参数ρ为0.1，衰减参数λ为3×10‑3；(4b)训练栈式编码网络第二层：设置栈式编码网络第二层的隐藏层节点数为50，稀疏性惩罚因子β为3，稀疏性参数ρ为0.1，衰减参数λ为3×10‑3；(5)训练分类器：将学习得到的特征向量及其真实的地物标记放入softmax分类器中进行训练，同时用反向传播算法对栈式编码和softmax分类器构成的框架进行微调；(6)预测分类结果并计算正确率：将测试样本做相应的白化处理，然后将白化后的测试数据输入到训练好的框架中得到预测的分类结果，将预测得到的分类结果与真实的地物标记进行对比并计算正确率；(7)输出结果：在分类后的极化SAR图像上，分类结果中相同类别赋给相同的RGB颜色，得到上色后的分类结果图，输出上色后分类结果图。