[发明专利]基于超像素与稀疏自编码器的极化SAR图像分类方法

摘要

本发明提出了一种基于超像素与稀疏自编码器的极化SAR图像分类方法，用于解决现有技术中存在的分类精度低和区域一致性差的技术问题。实现步骤为输入待分类极化SAR图像；对待分类极化SAR图像进行滤波；对滤波后的极化SAR图像进行超像素分割；获取极化SAR图像各像素的原始特征；构造极化SAR图像像素的局部空间特征；选取极化SAR图像的训练数据集U1和测试数据集V；对训练数据集U1进行扩充；利用扩充后的训练数据集U2对稀疏自编码器进行训练；利用训练数据集U2的输出OU对softmax分类器进行训练；对测试数据集V进行预测分类。本发明分类精度高，区域一致性好，可用于极化SAR图像的目标检测与识别。

主权项

一种基于超像素与稀疏自编码器的极化SAR图像分类方法，包括如下步骤：(1)输入一幅像素集合为{p1,p2,…,pk,…,pw}的待分类极化SAR图像，其中，pk表示极化SAR图像里的第k个像素，且k＝1,2,…,w，w表示极化SAR图像的像素个数；(2)对待分类极化SAR图像进行滤波：去除待分类极化SAR图像的相干斑噪声，得到滤波后的极化SAR图像；(3)对滤波后的极化SAR图像进行超像素分割：(3a)采用Pauli分解方法，对极化SAR图像中每个像素点的极化散射矩阵S进行分解，得到极化SAR图像像素的三个强度信息值，并将该三个强度信息作为三个通道信息，合成极化SAR图像的伪彩图；(3b)对伪彩图进行超像素分割，得到多个超像素块{I1,I2,…,Ih,…,Ic}和每个像素pk的所在的超像素块标签，其中，Ih表示对伪彩图分割后的第h个小块里的像素个数，且h＝1,2,…,C，C表示分割的块数；(4)获取极化SAR图像各像素的原始特征：利用极化SAR图像每个像素的极化相干矩阵T，构造9维特征向量，并将该特征向量作为极化SAR图像每个像素的原始特征；(5)构造极化SAR图像像素的局部空间特征：(5a)利用当前像素pk的超像素块标签，找到像素pk所在的超像素块(5b)在超像素块内随机地选取k1个像素，将这k1个像素的原始特征和像素pk的原始特征进行组合，并将组合得到的特征向量作为极化SAR图像每个像素pk的局部空间特征，其中，k1≤min{I1,I2,…,Ih,...,IC}；(6)选取极化SAR图像的训练数据集U1和测试数据集V：从极化SAR图像所有带标签的每类像素中，随机选取g％像素构成训练数据集U1＝{z1,z2,...,zl,...,zs}，剩余的像素构成测试数据集V，其中，zl表示训练数据集U1里的第l个像素，且l＝1,2,...,s，s表示训练数据集U1里的像素个数；(7)对极化SAR图像训练数据集U1进行扩充：(7a)利用像素zl的超像素块标签，找出像素zl所在的超像素块(7b)从像素zl所在的超像素块内随机地选取k2个像素，并以像素zl的标签作为k2个像素的标签，其中，k2≤min{I1,I2,...,Ih,...,IC}；(7c)将k2个像素加入到训练数据集U1中来，构成扩充后的训练数据集U2；(8)利用训练数据集U2对稀疏自编码器进行训练：(8a)将训练数据集U2输入到三层稀疏自编码器中进行训练，得到第一层稀疏自编码器的权重W1和偏置b1，第二层稀疏自编码器的权重W2和偏置b2，第三层稀疏自编码器的权重W3和偏置b3；(8b)将第一层、第二层和第三层稀疏自编码器的权重和偏置固定，并将训练数据集U2再次输入到三层稀疏自编码器中，得到训练数据集U2的输出OU；(9)利用训练数据集U2的输出OU对softmax分类器进行训练：将训练数据集U2的输出OU输入到softmax分类器中，对其进行训练，得到softmax分类器的权重WF和偏置bF；(10)对测试数据集V进行预测分类：(10a)将测试数据集V输入到第一层稀疏自编码器的权重W1和偏置b1，第二层稀疏自编码器的权重W2和偏置b2，第三层稀疏自编码器的权重W3和偏置b3的三层稀疏自编码器中，得到测试数据集V的输出Ov；(10b)将测试数据集V的输出Ov输入到权重为WF，偏置为bF的softmax分类器中，得到测试数据集的分类标签。