CN104318245A - 基于稀疏深度网络的极化sar图像分类 - Google Patents

Abstract

本发明公开了一种基于稀疏深度网络的极化SAR图像分类方法，本方法实现步骤为：(1)输入图像；(2)滤波；(3)提取特征；(4)构造并训练稀疏深度网络；(5)预测分类；(7)输出结果。本发明相对于已有的方法不仅可以使得能量函数最小，而且还使得失真函数控制在一定范围之内，使得隐含层变得更加稀疏，大大的减少了运算量，具有较强的泛化能力和较高的分类正确率。

Description

基于稀疏深度网络的极化SAR图像分类

技术领域

本发明属于图像处理技术领域，更进一步涉及极化SAR图像地物分类技术领域。

背景技术

极化SAR是一种高分辨率主动式有源微波遥感成像雷达，具有全天候、全天时、分辨率高、可侧视成像等优点，可应用于军事、农业、导航、地理监视等诸多领域。与SAR相比，极化SAR进行的是全极化测量，能获得目标更丰富的信息。近年来，利用极化SAR数据进行的分类在国际遥感领域受到高度重视，已成为图像分类的主要研究方向。

极化SAR图像分类的一般流程包括图像数据的获取、图像特征的提取、训练分类器和预测分类等步骤。在目标特征提取方面，包括Cloude目标分解、Freeman分解以及HOG算子、不变距特征和平移不变性等特征的提取来进行图像特征的表示。然而每种特征提取方法都有相应的最佳使用场合，且不可避免的要丢失原始图像的部分信息，所以很难找到特别适合的特征。目前深度网络由于其强大的学习能力获得研究者的广泛关注，它可以在简单特征的基础之上提取更加高级的特征，也就是挖掘原始信息的更加有用的信息，使得分类的精度大大增多；但是当输入的数据量过大的时候，网络的训练比较困难，时间复杂度也会增高很多。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于稀疏深度网络的极化SAR图像分类方法。本发明能有效地提高极化SAR图像的分类精度，同时能更保留极化SAR图像的有用信息。

为实现上述目的，本发明包括如下步骤：

(1)输入任选的一幅待分类的极化SAR图像；

(2)使用精致极化LEE滤波方法，对待分类的极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图像；

(3)提取极化SAR图像的特征；

(4)构造并训练稀疏深度网络；

(4a)构造稀疏深度网络：

基于稀疏玻尔兹曼机(RBM)，确定稀疏深度网络层数以及各层节点数量；

(4b)训练稀疏深度网络：

根据实际地物参照图，每类选取300个训练样本。将训练样本的每个像素的特征输入到稀疏深度网络，逐层的贪婪训练稀疏深度网络，再使用反向传播算法，微调稀疏深度网络的结构参数，完成稀疏深度网络的训练，得到训练好的稀疏深度网络；

(5)利用训练好的稀疏深度网络，对待分类的极化SAR图像进行分类，得到极化SAR图像的分类结果图。

(6)在极化SAR图像的分类结果图上，使用红色、绿色、蓝色三个颜色进行上色，得到上色后的极化SAR图像，输出上色后的极化SAR图像。

本发明采用挖掘原始信息的有用信息和人工神经网络(NN)算法相结合的极化SAR图像分类方法，可用于对极化SAR图像的地物进行分类，能有效的提高极化SAR图像分类的精度和分类效率。本发明与现有技术相比，具有以下优点：

第一，本发明采用了深度学习网络对图像的原始特征挖掘更加有用的信息，克服了现有技术直接对极化SAR数据进行分解得到的一些只适用于对应场合的特征的问题，而且还拥有比浅层网络或者各种分解技术更加优异的特征表达能力，从而使得提取特征的过程变得方便简单；

第二，本发明对深度网络添加了一项限制条件，使得深度网络隐含层的数据变得更加稀疏，更加的方便高层网络的计算，这就克服了对于数据量过大而导致的运算速率下降，运算时间增长的问题；

第三，本发明采用精致极化LEE滤波法，对待分类的极化SAR图像进行滤波，克服了现有技术因未对极化SAR图像进行滤波，引入了相干斑噪声导致图像质量降低的问题，使得本发明既能避免极化通道直接的串扰，又能保持极化通道之间的极化信息和统计相关性，使得极化SAR图像的轮廓、边缘更加清晰，提高图像质量，改善极化SAR图像分类性能。

附图说明

图1是本发明的总流程图；

图2是用本发明输入的极化SAR图像的PauliRGB合成图像；

图3(a)是直接用NN网络对待分类的极化SAR图像分类的结果图；

图3(b)是使用深度网络对待分类的极化SAR图像分类的结果图；

图3(c)是本发明对待分类的极化SAR图像的分类结果图。

具体实施方法

参照附图1，本发明的实现步骤如下：

步骤1.输入图像

输入任选一幅待分类的极化SAR图像。

步骤2.滤波

采用精致极化LEE滤波方法，对待分类的极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图像。

设定精致极化LEE滤波的滑动窗口，该滑动窗口的大小为5*5像素。

将滑动窗口在输入极化SAR图像的像素上，从左到右、从上到下漫游，每漫游一步时，将滑动窗口按照像素空间位置，从左到右，从上到下依次分成9个子窗口，每个子窗口的大小是3*3像素，子窗口之间有重叠。

将9个子窗口对应位置的像素值求均值，将得到的均值构成3*3像素的均值窗口，这样就可以消除噪声，但是求均值会使得边缘模糊。

选择水平、垂直、45度和135度的四个方向的梯度模板，将均值窗口分别与四个模板进行加权，将所得到的加权结果求绝对值，选出所有绝对值中的最大值，将该最大值对应的方向为边缘方向。

从9个子窗口中取边缘方向的左右2个子窗口，分别对2个窗口内的所有像素值求均值，用得到的两个均值分别减去中心窗口所有像素值的均值，将均值差值中绝对值小的值所对应的子窗口作为方向窗口，这样就可以极大程度的保持图像的边缘。

按照下式，得到精致极化LEE滤波的权值：

$b=\frac{\mathrm{var}\left(y\right)-p^2{\mathrm{\σ}}_v^2}{(1+{\mathrm{\σ}}_v^2)\mathrm{var}\left(y\right)}$

其中，b表示精致极化LEE滤波的权值，var(y)表示方向窗口内极化SAR总功率图像像素的方差值，y表示方向窗口内极化SAR总功率图像的像素，p表示方向窗口内极化SAR总功率图像所有像素的均值，表示输入的极化SAR图像中心像素的协方差矩阵：

x＝w+b(z-w)

其中，x表示滤波后极化SAR图像中心像素的协方差矩阵，w表示方向窗口内极化SAR图像像素的协方差矩阵的均值，b表示精致LEE滤波的权值，z表示极化SAR图像中心像素的协方差矩阵。应用得到的协方差矩阵代替原来的像素值，得到滤波后的极化SAR图像。

步骤3，提取极化SAR图像的特征

按照下式分解极化SAR图像的相干矩阵：

$T=\left[\begin{array}{ccc}2a& c-\mathrm{id}& h+\mathrm{ig}\\ c+\mathrm{id}& b& e+\mathrm{if}\\ h-\mathrm{ig}& e-\mathrm{if}& l\end{array}\right]$

其中，T表示极化SAR图像的相干矩阵，极化SAR图像的每个点都是一个3*3的相干矩阵，经过滤波后得到相干矩阵T。a表示极化SAR图像的对称因子，c表示极化SAR图像的构型因子，i表示复数虚部单位，d表示极化SAR图像局部曲率差，h表示极化SAR图像的方向性，g表示极化SAR图像对称部分间的耦合度，b表示极化SAR图像的非规则性因子，e表示极化SAR图像的表面扭转性，f表示极化SAR图像的螺旋性，l表示极化SAR图像的非对称因子。

极化SAR图像的相干矩阵T中，得到9个特征参数a,b,c,d,e,f,g,h,l。

步骤4构造并训练深度网络

4a)本发明中采用稀疏深度学习网络是目前研究和应用最为广泛的深度学习结构，深度学习与传统的浅层学习的最大区别在于：强调了网络结构的深度，网络层数通常达到五层之上；突出了特征学习的重要性，通过多个隐含层的非线性变化，稀疏深度网络拥有比浅层网络更加优异的特征表达能力。稀疏深度网络是由多层RBM组成，RBM是一个两层神经网络，层间全连接，层内无连接。RBM也可被视为一个无向图模型，可见层用于表示观测数据，隐含层可视为一种特征检测器。

4b)综合考虑极化SAR分类性能和训练时间开销，本发明构造基于稀疏RBM的5层稀疏深度网络，包括1个输入层，3个隐含层和一个分类层；最后的分类层使用人工神经网络(NN)模型产生最终的网络输出。由于采用步骤2所述的图像特征，可视层节点数为9；2-4层的隐含节点数设为100-100-2000；输出层是针对极化SAR图像分类的NN模型，因此输出节点数为3。综上所述，稀疏深度网络的各层节点数为9-100-100-2000-3；

4c)对于稀疏深度网络的训练一直是神经网络研究领域的难点，传统基于梯度下降法的全局训练方法对于深度网络通常难以奏效，训练深层网络引起的局部最优点等问题是目前全局训练方法很难克服的障碍。

目前一种有效训练稀疏深度网络的思路是首先逐层进行贪婪训练，从而预训练得到的深度网络的权重，然后采用传统的BP算法等方法进行全局的微调，最终优化整个深度网络。

本发明中使用对比散度算法对稀疏深度网络的前四层进行逐层预训练，计算3个银行曾的输出值和各层之间的权值及偏置。稀疏深度网络中的前4层RBM被限制为可视层V和一个隐含层H，两者的联合概率密度为：

$p(v,h)=\frac{1}{Z}{e}^{-E(v,h)}---\left(1\right)$

其中，E(v,h)是RBM的能量函数，其形式为：

$E(v,h)=-\underset{i\∈v}{\mathrm{\Σ}}{a}_i{v}_i-\underset{j\∈H}{\mathrm{\Σ}}{b}_j{h}_j-\underset{i,j}{\mathrm{\Σ}}{v}_i{h}_j{w}_{\mathrm{ij}}---\left(2\right)$

v_i,h_j分别表示可视层节点i和隐含层节点j的状态，a_i,b_j是相应的偏置，w_ij是两层间的权重，Z是配分函数。由此，可以得出两层之间的条件概率分布，即可视层的状态v_i为1的概率是：

$p(v_i=1|h)=\mathrm{\σ}(a_i+\underset{j}{\mathrm{\Σ}}{h}_j{w}_{\mathrm{ij}})---\left(3\right)$

其中σ(x)为sigmoid函数1/(1+exp(-x))。隐含层的状态h_j为1的概率是：

$p(h_j=1|v)=\mathrm{\σ}(b_i+\underset{i}{\mathrm{\Σ}}{v}_j{w}_{\mathrm{ij}})---\left(4\right)$

为了保证得到的隐含层是稀疏的，加入了一个限制性条件：

∑||p(h|v)||₁≤η  (5)

其中η为稀疏系数；||·||₁为计算一范数。

训练的具体流程为：

开始进行第一个RBM(9-100)的训练；随机初始化模型参数θ＝{w,a,b}，w，a，b分别是权值、可视层偏置和隐含层偏置，并设定三个参数的学习速率λ_w＝λ_a＝λ_b＝0.1；λ＝0.1失真系数；

对可视层输入进行正向传播，利用公式(4)，计算出隐含层的输出

按照公式(3)，对隐含层的输出进行反向传播，得到

同样对进行正向传播，得到

结合参数对应的学习率，更新模式参数θ＝{w,a,b}，参数的变化量是：

其中，表示求取数学期望

重复计算b)到e)，直至收敛；

将第一个RBM训练的输出作为第二个RBM(100-100)的输入，利用上述训练方法完成第二个RBM训练。同样的，完成第三个RBM的训练。将三个RBM进行堆叠，形成稀疏深度网络的前四层网络；

4d)根据NN模型，对稀疏深度网络第五层进行预训练，至此完成稀疏深度网络的训练。

4e)使用反向传播算法的有限内存的BFGS(LBFGS)算法对整个稀疏深度网络进行微调，优化分类网络中的各种参数，完成稀疏深度网络的训练；

步骤5预测分类

利用训练好的稀疏深度网络和NN函数，对待分类的极化SAR图像进行分类，得到极化SAR图像的像素类别；

步骤6输出结果

在分类后的极化SAR图像上，根据三基色得到的不同颜色作为不同类别像素的颜色，输出上色后的极化SAR图像。

本发明的效果可以通过以下实验进一步说明：

实验条件

本发明的仿真实验所使用的输入图像如图2所示，大小为900*1024像素，格式为PNG的极化SAR图像作为测试图像，来源于NASA实验室的AIRSAR系统获取的金门大桥全极化图像。仿真实验中，本发明和对比方法都是在MATLAB R2013b软件中编程实现

实验结果分析

图3(a)是用NN网络分类的结果图，图3(b)是用深度网络分类的结果图，图3(c)是用稀疏深度网络分类的结果图；用NN网络分类、深度网络分类和本发明对极化SAR数据分别进行分类，从视觉效果上对三幅分类结果图对比发现，NN网络分类的效果最差，结果不是特别的理想，很多区域都存在严重的噪声，而且边缘也不是特别的清晰；稀疏深度网络的视觉效果最好，区域一致性划分的很好，在不同区域划分后的边缘也非常清晰，细节方面也很清楚，其中高尔夫球场、跑马场等这些区域划分的很好；深度网络相对稀疏深度网络可能稍微有一些欠缺，就是在区域一致性方面划分的不是特别的好。

Claims (7)

1.一种基于稀疏深度网络的极化SAR图像分类方法，包括如下步骤：

(1)输入任选的一幅待分类的极化SAR图像；

(2)使用精致极化LEE滤波方法，对待分类的极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图像；

(3)提取滤波后的极化SAR图像的特征；

(4)构造并训练稀疏深度网络：

(4a)构造稀疏深度网络：

基于稀疏玻尔兹曼机(RBM)，确定稀疏深度网络的层数以及各层节点数量；

(4b)训练稀疏深度网络：

根据实际地物参照图，在每类中选取训练样本，将训练样本的每个像素的特征输入到所述稀疏深度网络，逐层的贪婪训练所述稀疏深度网络；

再使用反向传播算法，微调稀疏深度网络的结构参数，完成稀疏深度网络的训练，得到训练好的稀疏深度网络；

(5)利用训练好的稀疏深度网络，对待分类的极化SAR图像进行分类，得到极化SAR图像的分类结果图。

2.根据权利要求1所述基于稀疏深度网络的极化SAR图像分类方法，其特征在于，步骤(2)所述的精致极化LEE滤波方法包括如下步骤：

第一步，设定精致极化LEE滤波的滑动窗口，该窗口的大小为5*5像素；

第二步，将滑动窗口在输入的极化SAR图像的像素上，从左到右、从上到下漫游，每漫游一步时，将滑动窗口按照像素空间位置，从左到右、从上到下依次分成9个子窗口，每个子窗口的大小为3*3像素，子窗口之间有重叠；

第三步，将9个子窗口对应位置的像素值求均值，将所得到的均值构成3*3像素的均值窗口；

第四步，选择水平、垂直、45度和135度的四个方向的梯度模板，将所述均值窗口分别与四个模板进行加权，对所得到的加权结果求绝对值，选出所有绝对值中的最大值，将该最大值对应的方向作为边缘方向；

第五步，从9个子窗口中取中心窗口边缘方向上的左右2个子窗口，分别对这2个子窗口内的所有像素值求均值，用得到的两个均值分别减去中心窗口所有像素值的均值，将均值差值的绝对值小的所对应的子窗口作为方向窗口，其中，中心窗口是指处于5*5窗口中心的3*3的子窗口；

第六步，按照下式，得到精致极化LEE滤波的权值；

$b=\frac{\mathrm{var}\left(y\right)-p^2{\mathrm{\σ}}_v^2}{(1+{\mathrm{\σ}}_1^2)\mathrm{var}\left(y\right)}$

其中，b表示精致极化LEE滤波的权值，var(y)表示方向窗口内极化SAR总功率图像像素值的方差值，y表示方向窗口内极化SAR总功率图像的像素，p表示方向窗口内极化SAR总功率图像所有像素值的均值，表示输入的极化SAR图像中心像素值的协方差矩阵：

x＝w+b(z-w)

其中，x表示滤波后极化SAR图像中心像素值的协方差矩阵，w表示方向窗口内极化SAR图像像素值的协方差矩阵的均值，b表示精致LEE滤波的权值，z表示极化SAR图像中心像素的协方差矩阵；

第七步，用得到的协方差矩阵代替代原来的像素值，得到滤波后的极化SAR图像。

3.根据权利要求1所述的基于稀疏深度网络的极化SAR图像分类方法，其特征在于：步骤(3)所述的提取极化SAR图像的特征包括如下步骤：

第一步，按照下式分解极化SAR图像的相干矩阵：

$T=\left[\begin{array}{ccc}2a& c-\mathrm{id}& h+\mathrm{ig}\\ c+\mathrm{id}& b& e+\mathrm{if}\\ h-\mathrm{ig}& e-\mathrm{if}& l\end{array}\right]$

其中，T表示极化SAR图像的相干矩阵，极化SAR图像的每个像素点的值都是一个3*3的相干矩阵，经过滤波后得到的3*3的相干矩阵T，a表示极化SAR图像的对称因子，c表示极化SAR图像的构型因子，i表示复数虚部单位，d表示极化SAR图像局部曲率差，h表示极化SAR图像的方向性，g表示极化SAR图像对称部分间的耦合度，b表示极化SAR图像的非规则性因子，e表示极化SAR图像的表面扭转性，f表示极化SAR图像的螺旋性，l表示极化SAR图像的非对称因子；

第二步，从分解的极化SAR图像的相干矩阵中，得到9个特征参数a,b,c,d,e,f,g,h,l。

4.根据权利要求1所述的基于稀疏深度网络的极化SAR图像分类方法，其特征在于：步骤(4a)所述的构造稀疏深度网络包括如下步骤：

第一步，构造基于稀疏RBM的5层深度信念网络(DBN)，5层依次包括1个输入层，3个隐含层和一个分类层；

第二步，指定稀疏深度网络的输入层节点为9；第一个隐含层节点数为100；第二个隐含层节点数为100；第三个隐含层节点为2000；分类层的节点数为3。

5.根据权利要求4所述的基于稀疏深度网络的极化SAR图像分类方法，其特征在于，步骤(4b)所述训练稀疏深度网络包括如下步骤：

第一步，使用对比散度CD算法对RBM进行训练，得到第一层和第二层之间的权值和偏置；

第二步，使用梯度规则再次对第一层和第二层之间的权值和偏置进行优化，得到稀疏RBM；

第三步，根据前面的两步，逐层训练前四层：

使用第二层得到的结果作为第三层网络的输入，得到第三层网络输出结果，再使用第三层网络的输出作为第四层网络的输入，经过训练得到第四层网络的输出，从而得到前四层各层的输出和各层的权值和偏置；

第四步，使用人工神经网络(NN)模型训练稀疏深度网络的分类层；

第五步，使用反向传播算法对整个稀疏深度网络进行调整，优化稀疏深度网络的结构参数，完成整个稀疏深度网络的训练。

6.根据权利要求1所述基于稀疏深度网络的极化SAR图像分类方法，其中，在每类中选取训练样本的个数为300个。

7.根据权利要求1所述基于稀疏深度网络的极化SAR图像分类方法，其中，在极化SAR图像的分类结果图上，使用红色、绿色和蓝色三个颜色进行上色，得到上色后的极化SAR图像。