[发明专利]基于半监督梯形网络的极化SAR图像分类方法

摘要

一种基于半监督梯形网络的极化SAR图像地分类方法，主要解决现有技术中极化SAR图像特征选取不合理导致分类精度不高和无标记数据信息浪费的问题，充分利用有标记数据和无标记数据。其实现步骤为：(1)输入图像；(2)精致Lee滤波；(3)选取训练样本和测试样本；(4)搭建梯形网络结构；(5)训练梯形网络；(6)对待分类的极化SAR图像分类；(7)计算分类精度；(8)输出结果。本发明在训练网络时采用监督学习与无监督学习相结合的方式，通过重构梯形网络的损失函数，增强了模型的鲁棒性，有效地提高了分类精度，适用于对极化SAR图像进行地物分类。

主权项

1.一种基于半监督梯形网络的极化SAR图像分类方法，其特征在于，包括如下步骤：(1)输入图像：(1a)输入一幅750*1024大小的待分类的极化合成孔径雷达SAR图像；(1b)输入待分类极化合成孔径雷达SAR图像的真实地物标记图像；(2)精致Lee滤波：采用精致Lee滤波方法，对待分类的极化合成孔径雷达SAR图像进行滤波，去除斑点噪声，得到滤波后的极化合成孔径雷达SAR图像；(3)选取训练样本和测试样本；从滤波后极化合成孔径雷达SAR图像的有标记分类数据中，选取训练样本和测试样本；(4)搭建梯形网络结构：(4a)搭建梯形网络中的并行编码器，随机初始化并行编码器的权值和偏置；所述梯形网络中的并行编码器的结构如下：并行编码器使用全连接的多层感知器作为基模型，并行编码器分为纵横两个编码路径，其中，加入高斯噪声的一个路径为带噪声编码路径，不加高斯噪声的另一个路径为干净编码路径，两个编码路径的网络层数、每层神经元个数以及每层的前向编码函数保持实时一致；并行编码器的参数如下：第一层为输入层，神经元个数设置为9；第二层为编码层，神经元个数设置为1000；第三层为编码层，神经元个数设置为500；第四层为编码层，神经元个数设置为250；第五层为编码层，神经元个数设置为250；第六层为编码层，神经元个数设置为250；第七层为softmax分类器，神经元个数设置为15；(4b)搭建与带噪声编码路径对应的解码器，在带噪声编码路径的编码层与解码器的解码层之间建立横向连接，使解码结果与带噪编码层变量非线性组合，获得对应层的重构；(5)训练梯形网络：(5a)分别构建有监督损失函数、带噪声编码路径的无监督损失函数和与带噪声编码路径对应的解码器的无监督损失函数，线性组合有监督损失函数和无监督损失函数构成梯形网络的损失函数；(5b)设定权值更新迭代的次数，在每次迭代中，利用所有训练样本求得当前损失函数的梯度值，并根据梯度下降法更新并行编码器的权值直至达到设定迭代次数，得到训练好的梯形网络；(6)分类：利用训练好的梯形网络中干净编码路径的softmax分类器，对待分类的极化合成孔径雷达SAR图像的每个像素进行分类，得到每个像素所属地物类别；(7)计算精度：将极化合成孔径雷达SAR图像的每个像素所属地物类别与真实地物类别进行比对，将类别一致的像素个数与全部像素个数的比值作为极化SAR图像的分类精度；(8)输出结果：利用红、绿、蓝三基色，将相同类别的极化合成孔径雷达SAR图像像素用同一种颜色标出，得到上色后的极化合成孔径雷达SAR图像并输出图像。