[发明专利]基于稀疏深度堆栈网络的极化SAR图像分类方法

摘要

本发明公开了一种基于稀疏深度堆栈网络的极化SAR图像分类方法，具体步骤为：(1)输入极化SAR图像；(2)选取训练样本和测试样本；(3)构造稀疏深度堆栈网络；(4)训练稀疏深度堆栈网络；(5)输入测试样本；(6)获得分类结果图。本发明采用稀疏深度堆栈网络对极化SAR图像提取深度特征，避免利用单一的极化散射特征量不能完整的表征复杂目标的特性的问题，同时在稀疏深度堆栈网络中加入稀疏约束，考虑了特征之间的局部相关性。本发明具有时间复杂度低，分类准确率高，算法适应性广泛的优点。可应用于雷达图像的地物分类和目标识别领域。

主权项

基于稀疏深度堆栈网络的极化SAR图像分类方法，包括如下步骤：(1)输入极化SAR图像：输入一幅待分类的极化合成孔径雷达SAR图像的相干矩阵，其大小是3×3×N的矩阵，N表示极化合成孔径雷达SAR图像象素点的个数；(2)选取训练样本和测试样本：(2a)将相干矩阵的上三角6个元素的实部和虚部作为极化SAR图像的特征，组成一个9×N大小的样本集；(2b)从样本集中随机选取10％的样本作为训练样本，剩余90％的样本作为测试样本；(3)构造稀疏深度堆栈网络：将三个单层的稀疏深度网络，以上层、中层和下层的位置关系，构成稀疏深度堆栈网络，所述的上层、中层和下层网络各包括一个输入层、一个隐含层和一个输出层，隐含层的节点个数为100；(4)训练稀疏深度堆栈网络：(4a)随机生成一组服从均值为0和标准差为0.01的正态分布数据，将正态分布数据作为下层稀疏深度堆栈网络中连接输入层和隐含层的系数矩阵的初始值；(4b)按照下式，计算下层稀疏深度堆栈网络中隐含层的输出矩阵：H₁＝σ(W₁^TX)其中，H₁表示下层稀疏深度堆栈网络中隐含层的输出矩阵，σ(·)表示取阈值操作，W₁表示下层稀疏深度堆栈网络中连接输入层和隐含层的系数矩阵，X表示训练样本集；(4c)按照下式，计算下层稀疏深度堆栈网络中连接隐含层和输出层的系数矩阵：$U_1={\left(H_1{H}_1^T\right)}^{-1}{H}_1{R}^T$其中，U₁表示下层稀疏深度堆栈网络中连接隐含层和输出层的系数矩阵，H₁表示下层稀疏深度堆栈网络中隐含层的输出矩阵，R表示对训练样本集中样本的归属类别进行编码后得到的编码矩阵，T表示矩阵的转置操作，(·)^‑1表示求逆矩阵操作；(4d)将下层稀疏深度堆栈网络中隐含层的输出矩阵输入到下层稀疏深度堆栈网络中的输出层，按照下式，计算下层稀疏深度堆栈网络中输出层的输出矩阵：$Y_1=U_1^T{H}_1$其中，Y₁表示下层稀疏深度堆栈网络中输出层的输出矩阵，U₁表示下层稀疏深度堆栈网络中连接隐含层和输出层的系数矩阵，H₁表示下层稀疏深度堆栈网络中隐含层的输出矩阵，T表示矩阵的转置操作；(4e)按照下式，计算下层稀疏深度堆栈网络的均方误差：E＝Tr[(Y₁‑R)(Y₁‑R)^T]其中，E表示下层稀疏深度堆栈网络的均方误差，Tr[·]表示矩阵对角线上的元素之和，Y₁表示下层稀疏深度堆栈网络中输出层的输出矩阵，R表示对训练样本集中样本的归属类别进行编码后得到的编码矩阵，T表示矩阵的转置操作；(4f)在下层稀疏深度堆栈网络中加入结构稀疏约束，按照下式，计算下层稀疏深度堆栈网络的稀疏正则项：$\begin{array}{cc}\mathrm{\&Psi;}=\underset{k=1}{\overset{N}{\&Sigma;}}\left|\right|\frac{h^{\left(k\right)}}{\left|\right|h^{\left(k\right)}|{|}_2}|{|}_1& h_j=\end{array}\frac{h_j}{\left|\right|h_j|{|}_2}$其中，Ψ表示下层稀疏深度堆栈网络的稀疏正则项，N表示训练样本的个数，Σ表示求和操作，‖·‖₂表示2范数操作，‖·‖₁表示1范数操作，h^(k)表示对下层稀疏深度堆栈网络中隐含层输出矩阵H₁进行2范数归一化后得到的矩阵的第k列，h_j表示对下层稀疏深度堆栈网络中隐含层输出矩阵H₁进行2范数归一化后得到的矩阵的第j行，h_j表示下层稀疏深度堆栈网络中隐含层输出矩阵H₁的第j行；(4g)按照下式，计算下层稀疏深度堆栈网络的损失项：F₁＝E+βΨ其中，F₁表示下层稀疏深度堆栈网络的损失项，E表示下层稀疏深度堆栈网络的均方误差，β表示衰减系数，其取值范围为0.0001<β＜0.1，Ψ表示下层稀疏深度堆栈网络的稀疏正则项；(4h)利用梯度下降法，对下层稀疏深度堆栈网络的损失项进行优化，在下层稀疏深度堆栈网络的损失项达到最小值时，得到训练好的下层稀疏深度堆栈网络，将训练样本输入到训练好的下层稀疏深度堆栈网络中，得到下层稀疏深度堆栈网络中输出层的最优输出矩阵；(4i)将下层稀疏深度堆栈网络中输出层的最优输出矩阵和训练样本一起输入到中层稀疏深度堆栈网络，将训练好的下层稀疏深度堆栈网络的系数矩阵作为中层稀疏深度堆栈网络的系数矩阵W₂和U₂的初始值，执行步骤(4b)、步骤(4c)、步骤(4d)、步骤(4e)、步骤(4f)、步骤(4g)、步骤(4h)，得到训练好的中层稀疏深度堆栈网络；将训练样本输入到训练好的中层稀疏深度堆栈网络中，得到中层稀疏深度堆栈网络中输出层的最优输出矩阵；(4j)将下层稀疏深度堆栈网络中输出层的最优输出矩阵、中层稀疏深度堆栈网络中输出层的最优输出矩阵和训练样本一起输入到上层稀疏深度堆栈网络，将训练好的中层稀疏深度堆栈网络的系数矩阵作为上层稀疏深度堆栈网络的系数矩阵W₃和U₃的初始值，执行步骤(4b)、步骤(4c)、步骤(4d)、步骤(4e)、步骤(4f)、步骤(4g)、步骤(4h)，得到训练好的上层稀疏深度堆栈网络；(5)输入测试样本：将测试样本输入到训练好的三层稀疏深度堆栈网络中，得到待分类的极化合成孔径雷达SAR图像的分类标签；(6)获得分类结果图：根据分类标签对待分类的极化合成孔径雷达SAR图像上色，将具有相同标签值的象素设置为同一种颜色，得到待分类的极化合成孔径雷达SAR图像的分类结果图。