[发明专利]基于深层特征学习和分水岭的SAR图像分类方法

摘要

本发明公开了一种基于深度特征学习和分水岭的SAR图像分类方法，它属于图像处理技术领域，主要解决中低层特征应用于SAR图像分类易产生场景错分，区域一致性性差，边界有毛刺的问题。其分类过程为：对输入的SAR图像计算分水岭过分割类标L；计算输入的SAR图像伽马(Gabor)特征F1；对F1采样后输入到奇异值分解(KSVD)算法得到训练字典D；将F1与D进行卷积与最大值池化，得到卷积特征F2；然后将F2输入到稀疏自编码器中获到深层特征F3；将F3输入到SVM中分类，获得分类结果R1；在分水岭分割结果L的每个子块位置对R1进行投票统计，获得最终分类结果。本发明具有运算速度快，边缘分类精确，区域一致性好的优点，可用于SAR目标识别。 1

主权项

1.一种基于深层特征学习和分水岭的SAR图像分类方法，包括如下步骤：

1)对输入的SAR图像进行分水岭过分割，得到分割类标L＝{L₁,L₂,...,L_M}，其中M值为分水岭分割的总块数，L_m为第m个子块类标，m∈[1,M]，包括：

1a)对输入的SAR图像进行伽马(Gamma)滤波，得到平滑后的图像I；

1b)计算I的边缘检测经典算子(prewitt)算子的梯度图G₁；

1c)对梯度图G₁进行重构得到梯度图G₂，重构规则为G₁中设置阈值t用于约束极大值区域；

1d)对梯度图G₂进行分水岭过分割，得到分割类标L＝{L₁,L₂,...,L_M}；

2)对输入的SAR图像进行加窗傅里叶(Gabor)变换得到低层特征F₁＝[I₁；I₂；...；I_N]，其中N表示输入的SAR图像中的像素个数，I_n表示每个像素点提取的特征向量，n∈[1,N]；

3)分别对输入的SAR图像中每类场景中的像素点的Gabor特征向量进行随机采样，得到训练样本Y＝[Y₁；Y₂；...；Y_C]，然后对Y进行奇异值分解(KSVD)，得到的聚类中心作为字典D＝[D₁,D₂,...,D_K]，其中Y_c为采样得到的第c类场景的Gabor特征，D_k表示对Y进行KSVD聚类后得到的第k个聚类中心，C表示输入的SAR图像中的场景类别数，K表示KSVD中的聚类中心数，K的取值远大于图像中的场景类别数C，c∈[1,C]，k∈[1,K]；

4)将Gabor变换得到低层特征中每个像素点提取的特征向量I_n与字典D中每个聚类中心D_k进行卷积，然后再应用最大值池化进行降维，得到的卷积特征F₂作为中层特征；

5)将卷积特征F₂输入到稀疏自编码器中，得到编码系数W₁＝[S₁,S₂,...,S_H]，然后将卷积特征F₂与编码系数W₁相乘，得到深层特征F₃，其中S_h为每个隐藏层结点训练得到的系数，H为隐藏层结点个数,h∈[1,H]，包括：

5a)首先对输入的卷积特征F₂进行编码，编码函数f(x)为一个线性映射和非线性激活函数g(x)：

αⁱ＝f(x)＝g(W₁xⁱ+b₁)  (1)

g(x)＝(1+exp(‑x))^‑1  (2)

其中αⁱ表示隐藏层神经元i的激活度，W₁表示输入层与隐藏层之间的权值系数，b₁为隐藏层偏置，i∈[1,H]；

5b)对隐藏层输出进行解码，解码函数为zⁱ：

其中W₂为隐藏层到输出层的权值系数，b₂为输出层偏置；

5c)调整网络中的层与层之间的权值系数W₁、W₂，偏置b₁、b₂，使得解码后的重构误差最小，该过程通过优化损失函数J来调整参数

xⁱ，zⁱ分别为稀疏自编码器的输入和输出，m为输入层和隐藏层的节点数，λ为惩罚系数，W为需要调整的权值系数；

稀疏编码器通过约束隐藏层神经元之间的稀疏性，使得大部分隐藏层神经元未被激活，其状态为0，即对输入没有响应，从而学习到最感兴趣的目标特征，该约束为：

β为另一惩罚系数，ρ是稀疏性系数，通常是一个接近于0的较小值，表示隐藏层神经元在训练集上的平均激活度，

5d)将卷积特征F₂与优化后的编码系数W₁相乘，得到深层特征F₃；

6)将深层特征F₃输入到支持矢量机(SVM)中进行分类，获得分类结果R₁，共分为C类场景；

7)在分水岭过分割结果的分割类标L的每个子块类标L_m位置对R₁进行投票，统计R₁在L_m位置出现次数最多的场景值c，并将L_m位置全部更新为该场景值c，从而得到最终分类结果R。

2.根据权利要求1所述的图像分类方法，阈值t的取值20。

3.根据权利要求1所述的图像分类方法，λ的取值0.0001。

4.根据权利要求1所述的图像分类方法，ρ的取值0.01。

5.根据权利要求1所述的图像分类方法，β的取值3。