CN104700116A - 基于多层量子脊波表示的极化sar图像地物的分类方法 - Google Patents

Abstract

本发明公开了一种基于多层量子脊波表示的极化SAR图像地物分类方法，主要解决现有技术特征表达不充分、分类精度低及时间复杂度高的问题。其实现步骤为：1.提取极化SAR图像的图像特征；2.将特征组合构成特征矩阵并归一化；3.从特征矩阵中选取训练数据集和测试数据集；4.用两层量子脊波网络训练训练数据集；5.用人工神经网络NN网络分类器对训练数据集训练并分类；6.利用训练好的分类器对测试数据集分类。本发明由于使用了多层量子脊波神经网络，结构更灵活，提高了极化SAR图像特征的表达能力，能够有效地提高极化SAR图像分类的精度，并降低时间复杂度，可用于复杂图像分类。

Description

基于多层量子脊波表示的极化SAR图像地物的分类方法

技术领域

本发明属于图像处理技术领域，特别涉及一种多特征，多类别的极化SAR图像地物分类方法，可用于目标识别，目标跟踪等领域。

背景技术

极化合成孔径雷达SAR已成为遥感领域最先进的传感器之一，而极化SAR图像分类是SAR图像解译的重要研究技术。极化SAR能对目标进行更全面的描述，其测量数据包含了更丰富的目标信息，因此极化SAR在目标检测、分类及参数反演等方面具有非常明显的优势。极化SAR图像分类的目的是利用机载或星载极化SAR传感器获得的极化测量数据确定每个像素所属的类别。传统极化SAR分类方法包括：

1997年，Cloude等人提出了基于H/α目标分解的极化SAR图像非监督分类方法。该方法主要是通过Cloude分解获取H和α两个表征极化数据的特征，然后根据H和α组成的H/α平面人为的将其划分为9个区域，去掉一个理论上不可能存在的区域，最终将图像划分为8类。H/α分类存在的一个缺陷是区域的划分过于武断，当同一类的数据分布在两类或几类的边界时，分类器性能将变差，另一个不足之处是，当同一个区域里共存几种不同的地物时，将不能有效区分。

1999年，Lee等人提出了基于H/α目标分解和复Wishart分类器的H/α-Wishart分类方法。该方法是在原始H/α分类基础上增加复Wishart迭代分类过程，主要是利用复Wishart分类器对H/α划分后的8个类别中的每一个像素进行类别重新划分，从而提高分类的精度。但是该算法存在的不足是：不能很好的保持各类的极化散射特性，且由于将分类类别数固定为8类，不能适应不同类别数的地物分类，因此对于类别多于8类或少于8类的数据来说，该算法的分类效果会有所影响。

2004年，Lee等人又提出了一种基于Freeman分解的性能优良的极化SAR分类算法。该算法仍然存在着一定的局限性，最终分类结果易受Freeman分解性能的影响，对于不同波段的极化数据该算法的普适性差。

随着各种极化SAR系统获取的地面数据日益增加，对于分类方法的自适应性及普适性的要求越来越高，分类效果的评价也逐渐严苛起来，如细节信息的完整性，图像分类 精度以及时间复杂度等。上述这些方法尽管提高了图像分类效果，但是仍然存在不能适应不同波段极化数据及不同类别数的地物分类，图像细节信息保持较差，分类准确度低，时间复杂度高等问题。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于多层量子脊波表示的极化SAR图像地物分类方法，以自适应地寻找并充分挖掘极化SAR数据的极化和方向特征，提高极化SAR图像的分类精度，减少时间复杂度。

本发明的技术方案是这样实现的：

一.技术原理

脊波函数是描述高维空间的一种维数不可分的基函数,能以一种稳定和固定的方式逼进任一多变量函数,并且它对于线型奇异性具有最稀疏的表示，这种脊波函数可以作为神经网络隐含层的核函数，将小波的优点延伸到更高维空间，完成神经网络的函数逼近功能。

脊波神经网络的基本思想是：用脊波函数作为“隐”单元的基函数构成隐含层空间，先将数据非线性映射到一个高维度的空间中，然后再在高维空间用线性模型来做回归或者分类，输入向量被直接映射到隐含层的空间。脊波神经网络以任意准确率逼近任意连续函数。

量子化的脊波神经网络是采用脊波函数线性叠加作为激励函数，既能表示更多的状态和量级,又能提高网络收敛精度和速度。

传统图像分类是通过单层网络进行分类，学习到的特征比较低级，本发明针对单层网络对特征表达的不足这一缺点，构造多层量子脊波神经网络，更有效地利用多层网络来提取极化SAR图像的高级特征，以提高极化SAR图像地物分类的性能。

二.技术方案

根据上述原理，本发明的技术方案包括如下步骤：

(1)提取极化SAR图像的特征： 

(1a)取极化SAR图像每个像素点的协方差矩阵C的主对角线上的元素c₁₁，c₂₂，c₃₃；

(1b)对每个像素点的相干矩阵T采用Cloude分解得到散射熵H和平均散射角α；

(1c)对每个像素点的协方差矩阵C采用Freeman分解，得到表面散射功率矩阵P_s、二面角散射功率矩阵P_d、体散射功率矩阵P_v；

(2)特征组合并归一化：

用上述参数c₁₁，c₂₂，c₃₃，H，α，P_s，P_d，P_v组成极化SAR图像所有像素点的8维特征矩阵，并将该特征矩阵的8维特征归一到[0,1]之间的数值，构造一组8维列向量Feature；

(3)将极化SAR图像地物分为15类，每类选取50个像素点，共750个像素点作为训练样本，每类选取1000个像素点，共15000个像素点作为测试样本，分别组成一个8*750的训练数据集U1和8*15000的测试样本集V1；

(4)用两层量子脊波神经网络训练训练数据集U1：

(4a)将训练数据集U1输入到第一层脊波神经网络进行训练，得到脊波神经网络隐层单元的输出U2，即极化SAR图像训练数据集的高级特征；

(4b)将上述训练数据集的高级特征U2输入到第二层量子脊波神经网络进行训练，得到量子脊波神经网络隐层单元的输出U3，即极化SAR图像训练数据集的更高级特征；

(5)将上述训练数据集的更高级特征U3输入到人工神经网络NN网络分类器进行训练，得出训练数据集U1的分类标签，统计标签相同的样本个数，得到训练分类准确率，通过微调网络各层的参数得到最优训练分类准确率。

(6)极化SAR图像分类： 

将测试数据集V1输入到两层量子脊波神经网络中，得出输出值V3；将输出值V3输入到训练好的人工神经网络NN网络分类器中，得出测试数据集V1的分类标签。

本发明与现有的技术相比具有以下优点：

第一，本发明由于采用量子脊波神经网络训练极化SAR图像的特征，具有如下优点

1)克服了传统方法对极化SAR图像进行分类时，存在同物异谱及异物同谱现象使得区域一致性差、不同区域划分边界模糊的问题；

2)能有效提取数据的局部信息，具有自学习、自适应、容错性和更强的学习能力，且结构更简单，收敛速度更快；

3)能够以更小的网络规模逼近广泛的多变量函数类型，相对固定的脊波变换具有更灵活的结构、快速并行的处理速度以及强容错性和鲁棒性，有效地提高了极化SAR图像分类的精度，并且降低计算复杂度。

第二，本发明利用了极化SAR图像的极化特征，不仅使得样本的数目大大降低，提高了网络学习的效率，而且为提高网络学习的分类准确率提供了很好的基础特征。

第三，本发明由于利用了多层网络更加优异的特征表达能力，提取到极化SAR图像 的层次特征，从原始的低级特征中学习出更高级的特征，克服了浅层网络逼近图像特征能力有限的缺点。

附图说明

图1是本发明的实现总流程图；

图2是本发明仿真使用的输入极化SAR图像的PauliRGB合成图像；

图3是用现有方法和本发明对图2的分类结果。

具体实施方式

下面结合附图对本发明的技术方案和效果做进一步的描述。

参照图1，本发明的实现步骤如下：

步骤一、提取极化SAR图像的特征。 

(1a)取极化SAR图像每个像素点的协方差矩阵C的主对角线上的元素c₁₁，c₂₂，c₃₃；

(1b)对每个像素点的相干矩阵T采用Cloude分解，提取散射熵H和平均散射角α；

(1b1)将极化SAR图像每个像素点的相干矩阵T表示为如下形式：

$\left[T\right]=U_3\mathrm{\Λ}{U_3}^{*}=U_3\left[\begin{array}{ccc}{\mathrm{\λ}}_1& 0& 0\\ 0& {\mathrm{\λ}}_2& 0\\ 0& 0& {\mathrm{\λ}}_3\end{array}\right]{U_3}^{*}$

其中，U₃是相干矩阵T的正交特征向量，Λ是由相干矩阵T的特征值组成的对角矩阵，上标*表示这个数据的共轭，λ₁表示极化SAR图像相干矩阵的第一个特征值，λ₂表示极化SAR图像相干矩阵的第二个特征值，λ₃表示极化SAR图像相干矩阵的第三个特征值；

(1b2)通过如下公式计算散射熵H和平均散射角α：

$\left\{\begin{array}{c}H=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}-P_i{\log }_3{P}_i\\ \mathrm{\α}=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{P}_i{\mathrm{\α}}_i\end{array}\right.$

其中，P_i表示极化SAR图像相干矩阵的第i个特征值与所有特征值总和的比值，α_i表示极化SAR图像相干矩阵第i个特征值对应的平均散射点，下标i＝1,2,3；

(1c)对每个像素点的协方差矩阵C采用Freeman分解，提取表面散射功率矩阵P_s、二面角散射功率矩阵P_d、体散射功率矩阵P_v；

(1c1)将极化SAR图像每个像素点的协方差矩阵C按如下公式分解：

$C=f_s\left[\begin{array}{ccc}{\left|\mathrm{\β}\right|}^2& 0& \mathrm{\β}\\ 0& 0& 0\\ {\mathrm{\β}}^{*}& 0& 1\end{array}\right]+f_d\left[\begin{array}{ccc}{\left|\mathrm{\α}\right|}^2& 0& \mathrm{\α}\\ 0& 0& 0\\ {\mathrm{\α}}^{*}& 0& 1\end{array}\right]+f_v\left[\begin{array}{ccc}1& 0& 1/3\\ 0& 2/3& 0\\ 1/3& 0& 1\end{array}\right]$    《1》

其中，f_s表示极化SAR图像散射矩阵的平面散射分量系数，f_d表示极化SAR图像散射矩阵的二面角散射分量系数，f_v表示极化SAR图像散射矩阵的体散射分量系数，α被定义为α＝R_ghR_vh/R_gvR_vv，R_vh和R_vv表示地表的水平及垂直反射系数，R_gh和R_gv表示竖直墙体的水平及垂直反射系数，β表示水平发射水平接收后向散射反射系数与垂直发射垂直接收后向散射发射系数的比值；

(1c2)将极化SAR图像每个像素点的协方差矩阵C表示为：

$C=\left[\begin{array}{ccc}<{\left|s_{\mathrm{hh}}\right|}^2>& \sqrt{2}<s_{\mathrm{hh}}{s}_{\mathrm{hv}}^{*}>& <s_{\mathrm{hh}}{s}_{\mathrm{vv}}^{*}>\\ \sqrt{2}<s_{\mathrm{hv}}{s}_{\mathrm{hh}}^{*}>& 2<{\left|s_{\mathrm{hv}}\right|}^2>& \sqrt{2}<s_{\mathrm{hv}}{s}_{\mathrm{vv}}^{*}>\\ <s_{\mathrm{vv}}{s}_{\mathrm{hh}}^{*}>& \sqrt{2}<s_{\mathrm{vv}}{s}_{\mathrm{hv}}^{*}>& <{\left|s_{\mathrm{vv}}\right|}^2>\end{array}\right]$    《2》

式中，h表示水平极化，v表示垂直极化，s_hh表示水平发射水平接收的回波数据，s_vv表示垂直发射垂直接收的回波数据，s_hv表示水平发射垂直接收的回波数据，<·>表示按视数平均；

(1c3)将式《1》中矩阵的元素与式《2》中矩阵的元素相对应，获得方程组如下：

$\left\{\begin{array}{c}<s_{\mathrm{hh}}{s^{*}}_{\mathrm{hh}}>=f_s{\left|\mathrm{\&beta;}\right|}^2+f_d{\left|\mathrm{\&alpha;}\right|}^2+f_v\\ <s_{\mathrm{vv}}{s^{*}}_{\mathrm{vv}}>=f_s+f_d+f_v\\ <s_{\mathrm{hh}}{s^{*}}_{\mathrm{vv}}>=f_s\mathrm{\&beta;}+f_d\mathrm{\&alpha;}+f_v/3\\ <s_{\mathrm{hv}}{s^{*}}_{\mathrm{hv}}>=f_v/3\end{array}\right.$

其中，s_hh表示水平向接收的水平向发射极化波的回波数据，h表示水平极化方向，f_s表示极化SAR图像散射矩阵的平面散射分量系数，f_d表示极化SAR图像散射矩阵的二面角散射分量系数，s_vv表示垂直向接收的垂直向发射极化波的回波数据，v表示垂直极化方向，f_v表示极化SAR图像散射矩阵的体散射分量系数，s_hv表示垂直向接收的水平向发射极化波的回波数据，*表示共轭，<·>表示按视数平均，β表示水平发射水平接收后向散 射反射系数与垂直发射垂直接收后向散射发射系数的比值，α被定义为α＝R_ghR_vh/R_gvR_vv，R_vh和R_vv表示地表的水平及垂直反射系数，R_gh和R_gv表示竖直墙体的水平及垂直反射系数；

(1c4)计算像素点极化协方差矩阵C中的的值并判断其正负：如果 则α＝-1；如果则β＝1；给定α或β的值后，可根据式《2》求解得出5个未知数f_s、f_v、f_d、α、β的值；

(1c5)根据求解出的f_s、f_v、f_d、α、β，按照下式求解表面散射功率矩阵P_s、二面角散射功率矩阵P_d、体散射功率矩阵P_v：

$\left\{\begin{array}{c}{P}_s=f_s(1+{\left|\mathrm{\&beta;}\right|}^2)\\ P_d=f_d(1+{\left|\mathrm{\&alpha;}\right|}^2)\\ P_v=8f_v/3\end{array}\right.$

其中，f_s表示极化SAR图像散射矩阵的表面散射分量系数，f_d极化SAR图像散射矩阵的二面角散射分量系数，f_v极化SAR图像散射矩阵的体散射分量系数，β表示水平发射水平接收后向散射反射系数与垂直发射垂直接收后向散射发射系数的比值，α被定义为α＝R_ghR_vh/R_gvR_vv，R_vh和R_vv表示地表的水平及垂直反射系数，R_gh和R_gv表示竖直墙体的水平及垂直反射系数。

步骤二、将特征组合并归一化。

用c₁₁，c₂₂，c₃₃，H，α，P_s，P_d，P_v组成极化SAR图像所有像素点的8维特征矩阵，并将该特征矩阵的8维特征归一到[0,1]之间的数值，构造一组8维列向量Feature；

步骤三、选取训练数据集和测试数据集。

本发明中，将极化SAR图像地物分为15类，每类选取50个像素点，共750个像素点作为训练样本，每类选取1000个像素点，共15000个像素点作为测试样本，分别组成一个8*750维的训练数据集U1和8*15000维的测试样本集V1。

步骤四、用两层量子脊波神经网络训练训练数据集U1。

(4a)将训练数据集U1输入到第一层脊波神经网络进行训练：

(4a1)根据脊波神经网络由一个输入单元，一个隐层单元和一个输出单元组成的结 构特征，将脊波神经网络的隐层单元的激励函数设为脊波函数

${\hat{z}}_j=\mathrm{\&psi;}\left(\frac{{u1}_j\&CenterDot;U1-{b1}_j}{{a1}_j}\right)$

其中，U1,u1_j∈R^d；||u1_j||＝1；j＝1,...,N，j表示隐层的第j个神经元，N表示隐层神经元的个数，表示第j个隐层神经元的输出值，d表示特征维数，ψ(·)表示Morlet小波；

(4a2)随机初始化脊波神经网络中连接隐层神经元与输出神经元的权值矩阵W1、脊波的位置u1、脊波的尺度a1和脊波的方向b1；

(4a3)将脊波神经网络中的输出单元的激励函数设为sigmoid函数；

(4a4)用最速下降法多次迭代更新权值矩阵W1、脊波的位置u1、尺度a1和方向b1，完成脊波神经网络的训练。

(4b)将训练数据集的高级特征U2输入到第二层量子脊波神经网络进行训练：

(4b1)根据脊波神经网络由一个输入单元，一个隐层单元和一个输出单元组成的结构特征，将量子脊波神经网络的隐层单元的激励函数设为脊波函数

${\hat{Z}}_j=\left(\frac{1}{n}\underset{s=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{\&psi;}\left(\frac{(\mathrm{\&gamma;}(\mathrm{\&Sigma;}{u2}_j\&CenterDot;U2)-{\mathrm{\&theta;}}_j^s)-{b2}_j}{{a2}_j}\right)\right)$

其中，U2,u2_j∈R^d；||u2_j||＝1；j＝1,...,N，γ表示斜率因子，n表示量子间隔数，表示第j个隐层神经元的第s个量子间隔，ψ(·)表示Morlet小波；

(4b2)随机初始化量子脊波神经网络中连接隐层神经元与输出神经元的权值矩阵W2、量子脊波的位置u2、量子脊波的尺度a2和量子脊波的方向b2，并初始化量子间隔数n和量子间隔θ；

(4b3)将量子脊波神经网络中的输出单元的激励函数设为sigmoid函数；

(4b4)用最速下降法多次迭代更新权值矩阵W2、量子脊波的位置u2、尺度a2、方向b2和量子间隔θ，完成量子脊波神经网络的训练。

步骤五、将上述训练数据集的更高级特征U3输入到人工神经网络NN网络分类器进行训练，得出训练数据集U1的分类标签，统计标签相同的样本个数，得到训练分类准确率，通过微调网络各层的参数得到最优训练分类准确率。

步骤六、极化SAR图像分类： 

(6a)将测试数据集V1输入到第一层脊波神经网络中，得到脊波神经网络隐层单元 的输出V2，即测试数据集的高级特征；

(6b)将上述测试数据集的高级特征V2输入到第二层量子脊波神经网络中，得出量子脊波神经网络隐层单元的输出V3，即测试数据集的更高级特征；

(6c)将上述测试数据集的更高级特征V3输入到已训练好的人工神经网络NN网络中进行预测分类，输出分类标签。

本发明的效果可以通过仿真实验进一步说明：

1、实验条件与方法

实验仿真环境：MATLAB 2013b，Windows7Professional

实验方法：分别为现有的H/α分类方法、小波神经网络WNN和本发明方法，其中前两种方法均为经典的学习方法，且在极化SAR图像的分类上得到很好的应用。

本发明的仿真实验所使用的极化SAR图像如图2所示，其大小为750*1024像素，图像来自NASA/JPL实验室的AIRSAR获取的L波段荷兰Flevoland全极化4视数据，数据的分辨率为12.1m*6.7m。

2、实验内容与结果分析

用现有方法H/α分类方法、小波神经网络WNN和本发明对图2进行分类实验，结果如图3所示，其中： 

图3(a)为H/α分类方法的分类结果；

图3(b)为小波神经网络WNN的分类结果；

图3(c)为用本发明方法的分类结果。

从图3(a)可以看出，总体轮廓基本可见，森林和海洋的分类较为准确，作物区轮廓分类较为清晰，但是每种作物划分非常模糊，有些作物如苜蓿、花生等没有错分为了一类，建筑没有分出来，正确率为79.24％；

从图3(b)可以看出，总体分类较为清晰，油菜、小麦A等作物分类正确率较高，上半部分作物种类密集的区域错分点较多，西红柿、甜菜和小麦C的错分率比较大，正确率为90.50％；

从图3(c)可以看出，本发明较上述两种方法，总体分类正确率有了明显的提高，区域内部一致性较好，边缘边界的划分更加清晰，正确率为97.88％。

Claims (6)

1.一种基于多层量子脊波表示的极化SAR图像地物分类方法，包括如下步骤：

(1)提取极化SAR图像的特征：

(1a)取极化SAR图像每个像素点的协方差矩阵C的主对角线上的元素c₁₁，c₂₂，c₃₃；

(1b)对每个像素点的相干矩阵T采用Cloude分解得到散射熵H和平均散射角α；

(1c)对每个像素点的协方差矩阵C采用Freeman分解，得到表面散射功率矩阵P_s、二面角散射功率矩阵P_d、体散射功率矩阵P_v；

(2)特征组合并归一化：

用上述参数c₁₁，c₂₂，c₃₃，H，α，P_s，P_d，P_v组成极化SAR图像所有像素点的8维特征矩阵，并将该特征矩阵的8维特征归一到[0,1]之间的数值，构造一组8维列向量Feature；

(3)将极化SAR图像地物分为15类，每类选取50个像素点，共750个像素点作为训练样本，每类选取1000个像素点，共15000个像素点作为测试样本，分别组成一个8*750的训练数据集U1和8*15000的测试样本集V1；

(4)用两层量子脊波神经网络训练训练数据集U1：

(4a)将训练数据集U1输入到第一层脊波神经网络进行训练，得到脊波神经网络隐层单元的输出U2，即极化SAR图像训练数据集的高级特征；

(4b)将上述高级特征U2输入到第二层量子脊波神经网络进行训练，得到量子脊波神经网络隐层单元的输出U3，即极化SAR图像训练数据集的更高级特征；

(5)将上述训练数据集的更高级特征U3输入到人工神经网络NN网络分类器进行训练，得出训练数据集U1的分类标签，统计标签相同的样本个数，得到训练分类准确率，通过微调网络各层的参数得到最优训练分类准确率。

(6)极化SAR图像分类：

将测试数据集V1输入到两层量子脊波神经网络中，得出输出值V3；将输出值V3输入到训练好的人工神经网络NN网络分类器中，得出测试数据集V1的分类标签。

2.根据权利要求1所述的基于多层量子脊波表示的极化SAR图像地物分类方法，其中所述步骤(1b)中采用Cloude分解得到散射熵H和平均散射角α，通过如下公式计算：

$\left\{\begin{array}{c}H=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}-P_i{\log }_3{P}_i\\ \mathrm{\&alpha;}=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{P}_i{\mathrm{\&alpha;}}_i\end{array}\right.$

其中，P_i表示极化SAR图像相干矩阵的第i个特征值与所有特征值总和的比值，α_i表示极化SAR图像相干矩阵第i个特征值对应的平均散射点，下标i＝1,2,3。

3.根据权利要求1所述的基于多层量子脊波表示的极化SAR图像地物分类方法，步骤(1c)采用Freeman分解，得到表面散射功率矩阵P_s、二面角散射功率矩阵P_d、体散射功率矩阵P_v，通过如下公式计算：

$\left\{\begin{array}{c}{P}_s=f_s(1+{\left|\mathrm{\&beta;}\right|}^2)\\ P_d=f_d(1+{\left|\mathrm{\&alpha;}\right|}^2)\\ P_v=8f_v/3\end{array}\right.$

其中，f_s表示极化SAR图像散射矩阵的表面散射分量系数，f_d极化SAR图像散射矩阵的二面角散射分量系数，f_v极化SAR图像散射矩阵的体散射分量系数，β表示水平发射水平接收后向散射反射系数与垂直发射垂直接收后向散射发射系数的比值，α＝R_ghR_vh/R_gvR_vv，R_vh和R_vv表示地表的水平及垂直反射系数，R_gh和R_gv表示竖直墙体的水平及垂直反射系数。

4.根据权利要求1所述的基于多层量子脊波表示的极化SAR图像地物分类方法，步骤(4a)所述的将训练数据集U1输入到第一层脊波神经网络进行训练，按如下步骤进行：

(4a1)将训练数据集U1输入到脊波神经网络；

(4a2)随机初始化脊波神经网络中连接隐含单元与输出单元的权值矩阵W1、脊波的位置u1、脊波的尺度a1和脊波的方向b1；

(4a3)用最速下降法多次迭代更新权值矩阵W1、脊波的位置u1、尺度a1和方向b1，完成脊波神经网络的训练；

(4a4)调节脊波神经网络的隐层单元结点数目，得到极化SAR图像的高级特征U2。

5.根据权利要求1所述的基于多层量子脊波表示的极化SAR图像地物分类方法，步骤(4b)所述的将训练数据集的高级特征U2输入到第二层量子脊波神经网络进行训练，按如下步骤进行：

(4b1)将上述高级特征U2输入量子脊波神经网络；

(4b2)随机初始化量子脊波神经网络中连接隐含单元与输出单元的权值矩阵W2，脊波的位置u2，脊波的尺度a2，脊波的方向b2，初始化量子间隔数n和量子间隔θ；

(4b3)用最速下降法多次迭代更新权值矩阵W2，量子脊波的位置u2，尺度a2，方向b2，量子间隔数n和量子间隔θ，完成量子脊波神经网络的训练；

(4b4)调节量子脊波神经网络的隐层单元结点数目，得到训练数据集的更高级特征U3。

6.根据权利要求1所述的基于多层量子脊波表示的极化SAR图像地物分类方法，步骤(6)所述的将测试数据集V1输入到两层量子脊波神经网络中，得出输出值V3，按如下步骤进行：

(6a)将测试数据集V1输入到第一层脊波神经网络中，得到脊波神经网络隐层单元的输出V2，即测试数据集的高级特征；

(6b)将上述测试数据集的高级特征V2输入到第二层量子脊波神经网络中，得出量子脊波神经网络隐层单元的输出V3，即测试数据集的更高级特征。