CN104268557A - 基于协同训练和深度svm的极化sar分类方法 - Google Patents

Abstract

本发明公开了一种基于协同训练和深度SVM的极化SAR分类方法，主要解决现有技术中由于极化合成孔径雷达SAR图像的有标记样本较少造成的分类精度低的问题。其实现步骤是：(1)输入图像；(2)预处理；(3)选取样本；(4)训练三个不同的初始深度支撑向量机SVM分类器；(5)协同训练三个最终深度支撑向量机SVM分类器；(6)分类；(7)计算分类精度。本发明充分利用了极化合成孔径雷达SAR图像无标记样本的信息，解决了分类技术中存在的分类器过学习问题，提高了极化合成孔径雷达SAR图像的分类精度。

Description

基于协同训练和深度SVM的极化SAR分类方法

技术领域

本发明属于图像处理技术领域，更进一步涉及机器学习技术领域中的基于协同训练和深度支撑向量机(Support Vector Machine SVM)的半监督分类方法。本发明是利用训练样本分别同时训练三个深度支撑向量机SVM分类器，通过三个深度支撑向量机SVM的交互学习，提高极化合成孔径雷达(Synthetic ApertureRadar SAR)图像分类的精度。可用于极化合成孔径雷达的目标检测和地物分类。

背景技术

极化合成孔径雷达SAR通过记录目标多个极化状态下的电磁波的散射信息，获取丰富的地物信息，在农业、林业、地质学等方面具有广泛的研究和应用价值。关于极化合成孔径雷达SAR分类的方法有很多，根据是否需要人工指导可分为有监督分类、半监督分类和无监督分类。由于半监督的分类方法能够既利用有标签的信息，又可以利用大量的无标签信息，因此，半监督方法更符合实际的应用。

西安电子科技大学提出的专利申请“基于SDIT和SVM的极化SAR图像分类方法”(申请号：201410089692.1，公开号：CN103824084A)公开了一种基于SDIT和SVM的极化SAR图像分类方法。该方法首先提取图像的散射偏振纹理特征组成训练样本，然后训练SVM分类器模型并对测试样本进行分类。该方法存在的不足之处是：需要人工对图像进行标记，过程比较复杂，无法利用无标记样本的信息，而且不能根据SDIT特征学习出更好的特征，降低了算法的推广性能。

中山大学在其申请的专利“一种基于目标散射鉴别的POLSAR图像无监督分类方法”(申请号：201210222987.2，公布号：CN102799896A)中提出了一种基于目标散射鉴别的POLSAR图像无监督分类方法。该方法的具体步骤包括：(1)计算POLSAR图像极化散射熵，以及表面散射、偶次散射和体散射的相似性参数，并利用这些参数将POLSAR图像初始划分类别；(2)选取以表面散射为主的地物的最小天线接收功率特征极化作为天线极化状态，计算每个像素的天线接收功率；(3)对于每一类计算其类中心；(4)计算每个像素的极化散射差异度量，并将该像素判定为差异度量最小的类；(5)检查是否符合终止条件，若不是，则返回步骤(4)。该方法属于无监督的分类方法，具有能够准确地描述地物散射，并且能很好对应实际散射情况，减少类别调整的运算时间等优点，但是该方法仍然存在的不足是，由于该方法属于无监督的分类，不能利用已经标记的样本信息，只能依靠散射信息对地物进行聚类，使得分类准确率偏低，并且浪费了有标记的样本信息。

发明内容

本发明的目的在于克服上述现有技术的不足，提出了一种基于协同训练和深度SVM的极化SAR分类方法。本发明与现有技术中其他极化合成孔径雷达SAR图像分类技术相比实现过程简单，分类精度高。

本发明实现上述目的的思路是：先对极化合成孔径雷达SAR图像的相干矩阵进行滤波，再将滤波后的相干矩阵作为特征向量组成一个样本集，从样本集中随机选取有标记样本、无标记样本和测试样本，运用自抽样技术对有标记样本进行随机抽样，得到三个训练集，然后利用三个训练集训练三个初始的深度支撑向量机SVM分类器，再利用协同训练算法训练三个最终深度支撑向量机SVM分类器，最后利用三个最终深度支撑向量机SVM分类器对测试样本进行分类，组合三个最终深度支撑向量机SVM分类器的分类结果，得到最终分类结果。

本发明实现的具体步骤包括如下：

(1)输入图像：

输入一副待分类的极化合成孔径雷达SAR图像的相干矩阵；

(2)预处理：

采用窗口大小为7×7的Lee滤波器对相干矩阵进行滤波，得到滤波后的相干矩阵；

(3)选取样本：

(3a)将相干矩阵的每个像素拉成一个1×9的特征向量，将所有像素的特征向量组成一个样本集；

(3b)从样本集中随机选取5％作为有标记的样本，95％为无标记样本，有标记样本和无标记样本作为测试样本；

(3c)对有标记样本，运用自助法bootstrap抽样三次，得到数量相等的三个不同训练集；

(4)训练三个不同的初始分类器：

(4a)将三个训练集的样本分别输入到支撑向量机SVM分类器，得到三个训练集样本的支撑向量、拉格朗日系数以及支撑向量的分类标签；

(4b)利用激活核函数公式，分别计算每一个训练集样本的激活值；

(4c)依次将每一个训练集样本的激活值输入到支撑向量机SVM分类器进行训练，得到三个不同的初始深度支撑向量机SVM分类器C₁,C₂,C₃；

(5)协同训练最终的三个分类器：

(5a)对于每一个初始深度支撑向量机SVM分类器C₁,C₂,C₃，保持其本身的训练集不变，利用剩余两个初始深度支撑向量机SVM分类器，对无标记集中的样本进行标记，得到两个标记集，挑选标记集中标记结果相同的无标签样本，将其加入到初始深度支撑向量机SVM分类器的训练集中，得到三个新的训练集；

(5b)将三个新的训练集的样本分别输入到支撑向量机SVM分类器，得到三个新的训练集样本的支撑向量、拉格朗日系数以及支撑向量的分类标签；

(5c)利用激活核函数公式，分别计算三个新的训练集样本的激活值；

(5d)将三个新的训练集样本的激活值分别输入到支撑向量机SVM分类器进行训练，得到深度支撑向量机SVM分类器C′₁,C′₂,C′₃；

(5e)判断分类器C′₁,C′₂,C′₃是否等于分类器C₁,C₂,C₃，若是，执行步骤(5g),否则，执行步骤(5f)；

(5f)用分类器C′₁,C′₂,C′₃更新分类器C₁,C₂,C₃，执行步骤(5a)；

(5g)将分类器C₁,C₂,C₃作为最终的分类器，得到最终的三个深度支撑向量机SVM分类器C₁,C₂,C₃；

(6)分类：

(6a)利用最终的三个深度支撑向量机SVM分类器C₁,C₂,C₃，分别对测试样本进行分类，得到三个不同的分类结果；

(6b)利用多数投票的方法组合最终的三个深度支撑向量机SVM分类器C₁,C₂,C₃的分类结果，得到最终的分类结果；

(7)计算分类精度：

统计待分类的极化合成孔径雷达SAR图像中与分类结果中类别标签相同的像素点个数，计算类别标签相同像素点个数占待分类的极化合成孔径雷达SAR图像总像素数的百分比，得到分类精度。

本发明与现有技术相比有以下优点:

第一，由于本发明引入了深度支撑向量机SVM分类器的训练方法，能够在相干矩阵特征的基础上提取更高维的特征，克服了现有技术中由于特征提取不合理造成的分类精度下降的不足，使得本发明具有对原始数据逼近效果更好的优点，进而提高了极化合成孔径雷达SAR图像的分类精度。

第二，由于本发明引入了协同训练的训练方法，这种训练方法能够利用无标记样本的信息，克服了现有技术中由于有标记样本数较少造成的分类精度下降的不足，使得本发明更符合现实中有标记样本难获取的需求，进而提高了本发明的适用性。

第三，由于本发明的分类过程仅采用相干矩阵作为特征，克服了现有技术中对极化合成孔径雷达SAR图像特征要求高的不足，进而提高了本发明的适用范围。

附图说明

图1是本发明的流程图；

图2为1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的合成图；

图3为1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的合成图对应的实际地物标记图；

图4为本发明对1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的合成图进行分类的分类结果图。

具体实施方式

下面结合附图对本发明做进一步的描述。

参照附图1，本发明的具体步骤如下。

步骤1，输入图像。

在本发明实施例中，由WINDOWS XP系统输入一副待分类的合成孔径雷达SAR图像的相干矩阵。其中极化合成孔径雷达SAR图像的相干矩阵是一个大小为3×3×N的矩阵，N表示极化合成孔径雷达SAR图像像素点的总数。

步骤2，预处理。

采用窗口大小为7×7的Lee滤波器对相干矩阵进行滤波，得到滤波后的相干矩阵。

步骤3，选取样本。

将相干矩阵的每个像素拉成一个1×9的特征向量，并将所有像素的特征向量组成一个样本集。

从样本集中随机选取5％作为有标记的样本，95％为无标记样本，有标记样本和无标记样本为测试样本。

对有标记样本运用自助法bootstrap抽样三次，得到数量相等的三个不同训练集。其中，相干矩阵的每个像素是一个3×3的矩阵，自助法bootstrap是MATLAB编程软件自带的工具箱。

步骤4，训练三个不同的初始分类器。

将三个训练集的样本分别输入到支撑向量机SVM分类器，得到三个训练集样本的支撑向量、拉格朗日系数以及支撑向量的分类标签。

利用激活核函数公式，分别计算每一个训练集样本的激活值，激活核函数公式如下：

$h\left(x\right)={\mathrm{\α}}^T\mathrm{Yexp}(-\frac{{\left|\right|s-x\left|\right|}^2}{{2\mathrm{\σ}}^2})$

其中，h(x)表示训练集中任意一个样本的激活值，x表示训练集中任意一个样本，α^T表示拉格朗日系数矩阵的转置矩阵，Y表示支撑向量的分类标签，s表示支撑向量，||·||₂表示二范数操作，σ表示径向基核函数的核宽度，σ的取值范围为0＜σ≤1。

依次将每一个训练集样本的激活值输入到支撑向量机SVM分类器进行训练，得到三个不同的初始深度支撑向量机SVM分类器C₁,C₂,C₃。

步骤5，协同训练最终的三个分类器。

第一步，对于每一个初始深度支撑向量机SVM分类器C₁,C₂,C₃，保持其本身的训练集不变，利用剩余两个初始深度支撑向量机SVM分类器，对无标记集中的样本进行标记，得到两个标记集，挑选标记集中标记结果相同的无标签样本，将其加入到初始深度支撑向量机SVM分类器的训练集中，得到三个新的训练集。

第二步，将三个新的训练集的样本分别输入到支撑向量机SVM分类器，得到三个新的训练集样本的支撑向量、拉格朗日系数以及支撑向量的分类标签。

第三步，利用激活核函数公式，分别计算三个新的训练集样本的激活值,激活核函数公式如下：

$h\left(x\right)={\mathrm{\α}}^T\mathrm{Yexp}(-\frac{{\left|\right|s-x\left|\right|}^2}{{2\mathrm{\σ}}^2})$

其中，h(x)表示训练集中任意一个样本的激活值，x表示训练集中任意一个样本，α^T表示拉格朗日系数矩阵的转置矩阵，Y表示支撑向量的分类标签，s表示支撑向量，||·||₂表示二范数操作，σ表示径向基核函数的核宽度，σ的取值范围为0＜σ≤1。

第四步，将三个新的训练集样本的激活值分别输入到支撑向量机SVM分类器进行训练，得到深度支撑向量机SVM分类器C′₁,C′₁,C′₃。

第五步，判断分类器C′₁,C′₂,C′₃是否等于分类器C₁,C₂,C₃，若是，执行第七步,否则，执行步骤第六步。

第六步，用分类器C′₁,C′₂,C′₃更新分类器C₁,C₂,C₃，执行第一步。

第七步，把分类器C₁,C₂,C₃作为最终的分类器，得到最终的三个深度支撑向量机SVM分类器C₁,C₂,C₃。

步骤6，分类：

利用最终的三个深度支撑向量机SVM分类器C₁,C₂,C₃，分别对测试样本进行分类，得到三个不同的分类结果。

利用多数投票的方法组合最终的三个深度支撑向量机SVM分类器C₁,C₂,C₃的分类结果，得到最终的分类结果。

步骤7，计算分类精度：

统计待分类的极化合成孔径雷达SAR图像中与分类结果中类别标签相同的像素点个数，计算类别标签相同像素点个数占待分类的极化合成孔径雷达SAR图像总像素数的百分比，得到分类精度。

本发明的效果可以通过以下仿真实验来进行验证。

1、仿真条件

本发明的仿真实验选取的极化合成孔径雷达SAR图像是一幅附有实际地物标记图的极化合成孔径雷达SAR图像，如图2所示。

图2是1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的合成图，图2中的极化合成孔径雷达SAR图像包含380×420个像素。

图2的实际地物标记结果如图3所示，图3是1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的合成图对应的实际地物标记图。

本发明的仿真是在主频1.86GHz的Intel(R)Core(TM)2CPU E6300、内存2GB的硬件环境和MATLAB R2010a的软件环境下进行的。

2、仿真内容与结果分析

图4为采用本发明的方法对1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的合成图，进行分类的结果示意图。

从图4的分类结果示意图看，采用本发明的方法对图2的实验图像进行分类后，除部分地区的分类结果杂点较多外，其他地区的分类结果杂点较少，并且边缘非常平滑，清晰可辨。由此可见，本发明能够有效的解决极化合成孔径雷达SAR图像的分类问题。

以图3中的实际地物标记图作为精度评价标准，本发明与现有技术支撑向量机SVM分类方法和深度支撑向量机SVM分类方法进行分类精度对比，对比结果如表1所示。

表1中的“深度SVM”表示现有技术深度支撑向量机分类方法，“SVM”表示现有技术支撑向量机分类方法，“类别1”至“类别9”分别表示图2中极化合成孔径雷达SAR图像的不同地物类别。

表1  三种算法分类精度对比表

	本发明	深度SVM	SVM
				类别1	95.63	94.71	95.09
类别2	97.26	97.17	97.49
				类别3	97.09	96.81	96.90
类别4	96.62	96.86	94.47
				类别5	93.38	93.04	93.26
类别6	94.72	94.32	93.48
				类别7	95.00	95.76	93.84
类别8	89.95	87.09	89.78
				类别9	82.54	85.96	78.13
平均	94.45	94.32	93.55

从表1可以看出，本发明的平均分类准确度比深度支撑向量机SVM和支撑向量机SVM的分类精度都高。深度支撑向量机SVM和深度支撑向量机的分类算法都是利用有标记的样本训练分类器，并对测试样本进行分类。这类方法不能有效的利用大量的无标记样本的信息帮助分类，从而使得该类算法在有标记样本较少时分类精度较低。然而，本发明是基于协同训练和深度支撑向量机SVM的极化SAR分类方法，能够充分利用大量的无标记信息帮助分类，并提取更高维的特征，从而使得本发明在有标记样本和特征数较少的情况下能够得到较高的分类准确率。

Claims (4)

1.一种基于协同训练和深度SVM的极化SAR分类方法，包括以下步骤：

(1)输入图像：

输入一副待分类的极化合成孔径雷达SAR图像的相干矩阵；

(2)预处理：

采用窗口大小为7×7的Lee滤波器对相干矩阵进行滤波，得到滤波后的相干矩阵；

(3)选取样本：

(3a)将相干矩阵的每个像素拉成一个1×9的特征向量，将所有像素的特征向量组成一个样本集；

(3b)从样本集中随机选取5％作为有标记的样本，95％为无标记样本，将有标记样本和无标记样本作为测试样本；

(3c)对有标记样本，运用自助法bootstrap抽样三次，得到数量相等的三个不同训练集；

(4)训练三个不同的初始分类器：

(4a)将三个训练集的样本分别输入到支撑向量机SVM分类器，得到三个训练集样本的支撑向量、拉格朗日系数以及支撑向量的分类标签；

(4b)利用激活核函数公式，分别计算每一个训练集样本的激活值；

(4c)依次将每一个训练集样本的激活值输入到支撑向量机SVM分类器进行训练，得到三个不同的初始深度支撑向量机SVM分类器C₁,C₂,C₃；

(5)协同训练最终的三个分类器：

(5a)对于每一个初始深度支撑向量机SVM分类器C₁,C₂,C₃，保持其本身的训练集不变，利用剩余两个初始深度支撑向量机SVM分类器，对无标记集中的样本进行标记，得到两个标记集，挑选标记集中标记结果相同的无标签样本，将其加入到初始深度支撑向量机SVM分类器的训练集中，得到三个新的训练集；

(5b)将三个新的训练集的样本分别输入到支撑向量机SVM分类器，得到三个新的训练集样本的支撑向量、拉格朗日系数以及支撑向量的分类标签；

(5c)利用激活核函数公式，分别计算三个新的训练集样本的激活值；

(5d)将三个新的训练集样本的激活值分别输入到支撑向量机SVM分类器进行训练，得到深度支撑向量机SVM分类器C′₁,C′₂,C′₃；

(5e)判断分类器C′₁,C′₂,C′₃是否等于分类器C₁,C₂,C₃，若是，执行步骤(5g),否则，执行步骤(5f)；

(5f)用分类器C′₁,C′₂,C′₃更新分类器C₁,C₂,C₃，执行步骤(5a)；

(5g)将分类器C₁,C₂,C₃作为最终的分类器，得到最终的三个深度支撑向量机SVM分类器C₁,C₂,C₃；

(6)分类：

(6a)利用最终的三个深度支撑向量机SVM分类器C₁,C₂,C₃，分别对测试样本进行分类，得到三个不同的分类结果；

(6b)利用多数投票的方法组合最终的三个深度支撑向量机SVM分类器C₁,C₂,C₃的分类结果，得到最终的分类结果；

(7)计算分类精度：

统计待分类的极化合成孔径雷达SAR图像中与分类结果中类别标签相同的像素点个数，计算类别标签相同像素点个数占待分类的极化合成孔径雷达SAR图像总像素数的百分比，得到分类精度。

2.根据权利要求1所述的基于协同训练和深度SVM的极化SAR分类方法，其特征在于：步骤(1)所述的相干矩阵是一个大小为3×3×N的矩阵，其中N表示极化合成孔径雷达SAR图像像素点的总数。

3.根据权利要求1所述的基于协同训练和深度SVM的极化SAR分类方法，其特征在于：步骤(3a)所述的相干矩阵的每个像素是一个3×3的矩阵。

4.根据权利要求1所述的基于协同训练和深度SVM的极化SAR分类方法，其特征在于：步骤(4b)和步骤(5c)所述的激活核函数公式如下：

$h\left(x\right)={\mathrm{\α}}^T\mathrm{Yexp}(-\frac{{\left|\right|s-x\left|\right|}^2}{{2\mathrm{\σ}}^2})$

其中，h(x)表示训练集中任意一个样本的激活值，x表示训练集中任意一个样本，α^T表示拉格朗日系数矩阵的转置矩阵，Y表示支撑向量的分类标签，s表示支撑向量，||·||₂表示二范数操作，σ表示径向基核函数的核宽度，σ的取值范围为0＜σ≤1。