[发明专利]基于深度学习和度量学习的极化SAR地物分类方法

摘要

本发明公开一种基于深度学习和度量学习的极化SAR地物分类方法，实现步骤为：(1)输入图像；(2)滤波；(3)提取特征；(4)选择训练样本和测试样本；(5)训练栈式稀疏自编码器，得到训练样本集的深层特征和测试样本集的深层特征；(6)训练度量学习分类器，得到分类结果；(7)对分类结果进行上色；(8)输出上色后的分类结果图。本发明用基于深度学习和度量学习的极化SAR地物分类方法对图像进行分类，对特征的提取比较全面合理，分类结果更吻合真实地物，降低了时间复杂度并提高了分类精度。

主权项

一种基于深度学习和度量学习的极化SAR地物分类方法，包括以下步骤：(1)输入待分类的极化SAR图像；(2)滤波；采用滤波窗口大小为7×7的Lee滤波方法，对待分类的极化SAR图像进行滤波，去除相干斑噪声，得到滤波后的极化SAR图像；(3)提取特征：(3a)计算散射熵、散射角两个散射参数；(3b)利用Freeman分解公式，计算散射功率；(3c)将滤波后的极化SAR图像中每个像素点的协方差矩阵、每个像素点的相干矩阵、散射熵H、散射角alpha、表面散射功率P_s、二面角散射功率P_d、体散射功率P_v、总功率特征参数SPAN，依次首尾相连组成每个像素点的特征向量；(4)选择训练样本和测试样本：(4a)根据真实的地物标记，将待分类的极化SAR图像分为15类；(4b)从每种类别中任意选取10％有标记样本的特征向量作为训练样本集；(4c)将所选取训练样本集后剩余90％有标记样本的特征向量，作为测试样本集；(4d)判断是否选取完训练样本集和测试样本集，如果是，则执行步骤(5)，否则，执行步骤(4b)；(5)训练栈式稀疏自编码器：(5a)将训练样本集输入到未经过训练的二层栈式稀疏自编码器中，对自编码器进行训练，得到并保存栈式稀疏自编码器的模型参数；(5b)将模型参数输入到softmax分类器中，训练softmax分类器；(5c)利用反向传播方法，对整个栈式稀疏自编码器进行微调，得到训练好的栈式稀疏自编码器；(5d)将训练样本集和测试样本集输入到训练好的栈式稀疏自编码器中，得到训练样本集的深层特征和测试样本集的深层特征；(6)训练度量学习分类器：(6a)将训练样本集的深层特征输入到未经过训练的二元组支持向量机模型中，利用二元组支持向量机模型的优化公式，计算模型参数，训练二元组支持向量机模型；(6b)将训练样本集的深层特征输入到未经过训练的三元组支持向量机模型中，利用三元组支持向量机模型的优化公式，计算模型参数，训练三元组支持向量机模型；(6c)将测试样本集的深层特征输入到训练好的二元组支持向量机模型中，得到分类结果；(6d)将测试样本集的深层特征输入到训练好的三元组支持向量机模型中，得到分类结果；(7)上色：(7a)将分类结果中标签相同的作为同一类别；(7b)按照红色、绿色、蓝色三基色上色法，对分类结果进行上色，同一类别上相同的颜色，得到上色后的分类结果图；(8)输出上色后的分类结果图。