CN105825223A - 基于深度学习和度量学习的极化sar地物分类方法 - Google Patents

基于深度学习和度量学习的极化sar地物分类方法 Download PDF

Info

Publication number
CN105825223A
CN105825223A CN201610132782.3A CN201610132782A CN105825223A CN 105825223 A CN105825223 A CN 105825223A CN 201610132782 A CN201610132782 A CN 201610132782A CN 105825223 A CN105825223 A CN 105825223A
Authority
CN
China
Prior art keywords
represent
scattering
coding device
value
sparse
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610132782.3A
Other languages
English (en)
Inventor
焦李成
马文萍
王明洁
马晶晶
侯彪
杨淑媛
刘红英
冯婕
王蓉芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201610132782.3A priority Critical patent/CN105825223A/zh
Publication of CN105825223A publication Critical patent/CN105825223A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462Salient features, e.g. scale invariant feature transforms [SIFT]

Abstract

本发明公开一种基于深度学习和度量学习的极化SAR地物分类方法,实现步骤为:(1)输入图像;(2)滤波;(3)提取特征;(4)选择训练样本和测试样本;(5)训练栈式稀疏自编码器,得到训练样本集的深层特征和测试样本集的深层特征;(6)训练度量学习分类器,得到分类结果;(7)对分类结果进行上色;(8)输出上色后的分类结果图。本发明用基于深度学习和度量学习的极化SAR地物分类方法对图像进行分类,对特征的提取比较全面合理,分类结果更吻合真实地物,降低了时间复杂度并提高了分类精度。

Description

基于深度学习和度量学习的极化SAR地物分类方法
技术领域
本发明属于图像处理技术领域,更进一步涉及图像分类技术领域的一种基于深度学习和度量学习的极化(PolarimetricSyntheticApertureRadar,PolSAR)地物分类方法。本发明可用于对极化SAR图像进行特征提取和地物分类。
背景技术
极化SAR图像分类是图像解译过程中的一个重要步骤,也是极化SAR图像处理的一个重要研究方向。极化SAR能获得比传统的单极化SAR更丰富的地物信息,面对这些大规模、复杂的数据,传统的方法想要快速对其处理,并达到很高的分类精度是不现实的,因而急需提出一些能够处理大数据,且时间复杂度低的分类方法。
近年来,极化SAR图像分类日益受到人们的重视,但一些现有的分类方法:稀疏自编码、支持矢量积、wishart分类、CNN、字典学习等方法,处理信息量比较大的极化SAR图像时,分类精度较低,处理速度过慢,时间复杂度过高,本发明提出的基于深度学习和度量学习的极化SAR地物分类方法:一方面,对特征的提取比较全面合理,对原始数据更逼近,因而分类精度较高;另一方面,可以直接使用现有的支持向量机工具包,克服了传统分类方法时间复杂度过高的问题。
WangF,ZuoW,ZhangL,etal.在其发表的论文“AKernelClassificationFrameworkforMetricLearning”(NeuralNetworksandLearningSystems,IEEETransactionson,2015)中公开了一种AKernelClassificationFrameworkforMetricLearning方法。这篇文章提出的框架为研究人员提出新的度量学习模型提供了一个良好的平台。而且基于该框架提出了两个度量学习模型Doublet-SVM和Triplet-SVM。这两个模型可以使用SVM工具包有效地求解。实验结果表明,Doublet-SVM和Triplet-SVM的训练速度远高于目前很多先进的度量学习方法,并且识别率与这些度量学习方法差别不大。但是该方法存在的不足之处是,其一,对于其使用的人脸库,直接用训练样本训练分类器,无法对图像进行分层表示。其二,由于该方法中的两个模型Doublet-SVM和Triplet-SVM通过一个两步的贪婪策略来学习半正定度量矩阵具有一定的局限性。
西安电子科技大学在其申请的专利“基于Cloude分解和K-wishart分布的极化SAR图像分类方法”(专利申请号201210414789.6,公开号CN102999761A)中公开了一种基于Cloude分解和K-wishart分布的极化SAR图像分类方法。该方法首先对图像的每个像素点进行Cloude分解,然后依据分解得到的熵H,散射角α对图像进行初始划分,再对划分结果进行K-wishart迭代,能一定程度上提高分类的准确度,降低计算复杂度,但是该方法存在的不足之处是,其一,对每个像素点进行Cloude分解,得到熵H,散射角α两个特征,对特征的提取不够全面合理,使得本发明对原始数据不够逼近,因而分类精度受限。其二,对于信息量更大的数据,处理速度太慢,时间复杂度太高。
发明内容
本发明的目的在于针对已有技术的不足,提出了一种基于深度学习和度量学习的极化SAR地物分类方法,本发明用栈式稀疏自编码器提取极化SAR图像的深层特征,然后利用度量学习分类器对深层特征进行分类,降低了时间复杂度并提高了分类精度,使分类结果更吻合真实地物。
实现本发明目的基本思路是:首先,对待分类的极化SAR图像进行滤波、提取特征;然后,用栈式稀疏自编码器提取极化SAR图像的深层特征;最后,依据深层特征,利用度量学习分类器对极化SAR图像进行分类。
为实现上述目的,本发明具体实现步骤包括如下:
(1)输入待分类的极化SAR图像;
(2)滤波:
采用滤波窗口大小为7×7的Lee滤波方法,对待分类的极化SAR图像进行滤波,去除相干斑噪声,得到滤波后的极化SAR图像;
(3)提取特征:
(3a)计算散射熵、散射角两个散射参数;
(3b)利用Freeman分解公式,计算散射功率;
(3c)将滤波后的极化SAR图像中每个像素点的协方差矩阵、每个像素点的相干矩阵、散射熵H、散射角alpha、表面散射功率Ps、二面角散射功率Pd、体散射功率Pv、总功率特征参数SPAN,依次首尾相连组成每个像素点的特征向量;
(4)选择训练样本和测试样本:
(4a)根据真实的地物标记,将待分类的极化SAR图像分为15类;
(4b)从每种类别中任意选取10%有标记样本的特征向量作为训练样本集;
(4c)将所选取训练样本集后剩余90%有标记样本的特征向量,作为测试样本集;
(4d)判断是否选取完训练样本集和测试样本集,如果是,则执行步骤(5),否则,执行步骤(4b);
(5)训练栈式稀疏自编码器:
(5a)将训练样本集输入到未经过训练的二层栈式稀疏自编码器中,对自编码器进行训练,得到并保存栈式稀疏自编码器的模型参数;
(5b)将模型参数输入到softmax分类器中,训练softmax分类器;
(5c)利用反向传播方法,对整个栈式稀疏自编码器进行微调,得到训练好的栈式稀疏自编码器;
(5d)将训练样本集和测试样本集输入到训练好的栈式稀疏自编码器中,得到训练样本集的深层特征和测试样本集的深层特征;
(6)训练度量学习分类器:
(6a)将训练样本集的深层特征输入到未经过训练的二元组支持向量机模型中,利用二元组支持向量机模型的优化公式,计算模型参数,训练二元组支持向量机模型;
(6b)将训练样本集的深层特征输入到未经过训练的三元组支持向量机模型中,利用三元组支持向量机模型的优化公式,计算模型参数,训练三元组支持向量机模型;
(6c)将测试样本集的深层特征输入到训练好的二元组支持向量机模型中,得到分类结果;
(6d)将测试样本集的深层特征输入到训练好的三元组支持向量机模型中,得到分类结果;
(7)上色:
(7a)将分类结果中标签相同的作为同一类别;
(7b)按照红色、绿色、蓝色三基色上色法,对分类结果进行上色,同一类别上相同的颜色,得到上色后的分类结果图;
(8)输出上色后的分类结果图。
本发明与现有技术相比具有以下优点:
第一,本发明在提取极化SAR图像特征时,将滤波后的极化SAR图像中每个像素点的协方差矩阵、每个像素点的相干矩阵、散射熵H、散射角alpha、表面散射功率Ps、二面角散射功率Pd、体散射功率Pv、总功率特征参数SPAN,依次首尾相连组成每个像素点的特征向量,克服了现有技术的传统算法对特征的提取不够全面合理的问题,使得本发明具有对原始数据更逼近,提高了分类精度的优点。
第二,本发明通过引入二层栈式稀疏自编码器,克服了现有技术的传统算法对特征的提取不够深刻的问题,使得本发明具有对极化SAR图像的特征学习的更加深刻,提高了分类精度的优点。
第三,本发明用度量学习分类器代替了传统深度学习中常用的Softmax分类器,可以通过已有的SVM工具包进行求解,克服了现有技术的传统算法分类精度低,时间复杂度过高的问题,使得本发明具有对极化SAR图像分类过程中时间复杂度低,提高了分类精度的优点。
附图说明
图1是本发明的流程图;
图2是本发明仿真图。
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,输入待分类的极化SAR图像。
步骤2,滤波。
采用滤波窗口大小为7×7的Lee滤波方法,对待分类的极化SAR图像进行滤波,去除相干斑噪声,得到滤波后的极化SAR图像。
步骤3,提取特征。
(1)计算散射熵、散射角两个散射参数;
第1步,按照下式,计算极化SAR图像的散射熵:
H = Σ i = 1 3 - P i log 3 ( P i )
其中,H表示极化SAR图像的散射熵,H的取值范围是:0≤H≤1,Σ表示求和操作,i表示特征值的位置,i的取值是:i=1,2,3,Pi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,log3表示以3为底的对数操作;
第2步,按照下式,计算极化SAR图像的散射角:
a l p h a = Σ i = 1 3 P i α i
其中,alpha表示极化SAR图像的散射角,Σ表示求和操作,i表示特征值的位置,i的取值是:i=1,2,3,Pi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,αi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。
(2)利用Freeman分解公式,计算散射功率,具体步骤如下:
第1步,用下式表示协方差矩阵的第一种形式:
C 1 < | S H H | 2 > 2 < S H H , S H V * > < S H H S V V * > 2 < S H V S H H * > 2 < | S H V | 2 > 2 < S H V S V V * > < S V V S H H * > 2 < S V V S H V * > < | S V V | 2 >
其中,C1表示协方差矩阵的第一种形式,〈·〉表示按视数平均操作,|·|2表示做绝对值平方操作,H表示水平极化方向,V表示垂直极化方向,SHH表示水平发射水平接收的回波数据,SVV表示垂直发射垂直接收的回波数据,SHV表示水平发射垂直接收的回波数据,*表示取矩阵的共轭操作;
第2步,用下式表示协方差矩阵的第二种形式:
C 2 = f s | &beta; | 2 0 &beta; 0 0 0 &beta; * 0 1 + f d | &alpha; | 2 0 &alpha; 0 0 0 &alpha; * 0 1 + f v 1 0 1 / 3 0 2 / 3 0 1 / 3 0 1
其中,C2表示协方差矩阵的第二种形式,fs表示布拉格表面散射成份的权值系数,|·|2表示做绝对值平方操作,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反射系数的比值,*表示取矩阵的共轭操作,fd表示二面角散射成分的权值系数,α表示一个常数,α的取值为:α=RghRvhRgvRvv,Rgh和Rgv分别表示地表的水平和垂直反射系数,Rvh和Rvv表示竖直墙体的水平和垂直反射系数,fv表示体散射成分的权值系数;
第3步,将协方差矩阵第一种形式中的元素与协方差矩阵第二种形式中的元素相对应,得到一个具有五个未知数和四个方程的方程组:
< | S H H | 2 > = f s | &beta; | 2 + f d | &alpha; | 2 + f v < | S V V | 2 > = f s + f d + f v < | S H H S V V * | 2 > = f s &beta; + f d &alpha; + f v / 3 < | S H V | 2 > = f v / 3
计算像素点协方差矩阵中的Re(SHHSVV *)的值并判断正负,如果Re(SHHSVV *)≥0,则α=-1,如果Re(SHHSVV*)<0,则β=1,给定α或β的值后,剩余的4个未知数可根据上式求解得出;
其中,〈·〉表示按视数平均操作,|·|2表示做绝对值平方操作,SHH表示水平发射水平接收的回波数据,H表示水平极化方向,fs表示布拉格表面散射成份的权值系数,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反射系数的比值,fd表示二面角散射成分的权值系数,α表示一个常数,α=RghRvhRgvRvv,Rgh和Rgv分别表示地表的水平和垂直反射系数,Rvh和Rvv表示竖直墙体的水平和垂直反射系数,fv表示体散射成分的权值系数,SVV表示垂直发射垂直接收的回波数据,V表示垂直极化方向,*表示取矩阵的共轭操作,SHV表示水平发射垂直接收的回波数据,Re(·)表示取实部操作;
第4步,根据第三步求解出的fs、fv、fd、α、β,按照下式,计算散射功率:
P v = 8 f v 3 P d = f d ( 1 + | &alpha; | 2 ) P s = f s ( 1 + | &beta; | 2 )
其中,Pv表示体散射功率,Pd表示二面角散射功率,|·|2表示做绝对值平方操作,Ps表示表面散射功率;
第5步,按照下式计算总功率SPAN:
SPAN=T11+T22+T33
其中,T11、T22、T33为极化SAR图像相干矩阵对角线上的三个元素;
(3)将滤波后的极化SAR图像中每个像素点的协方差矩阵、每个像素点的相干矩阵、散射熵H、散射角alpha、表面散射功率Ps、二面角散射功率Pd、体散射功率Pv、总功率特征参数SPAN,依次首尾相连组成每个像素点的特征向量。
步骤4,选择训练样本和测试样本。
(1)根据真实的地物标记,将待分类的极化SAR图像分为15类;
(2)从每种类别中任意选取10%有标记样本的特征向量作为训练样本集;
(3)将所选取训练样本集后剩余90%有标记样本的特征向量,作为测试样本集;
(4)判断是否选取完训练样本集和测试样本集,如果是,则执行步骤(5),否则,执行步骤(2)。
步骤5,训练栈式稀疏自编码器。
(1)将训练样本集输入到未经过训练的二层栈式稀疏自编码器中,对自编码器进行训练,得到并保存栈式稀疏自编码器的模型参数,具体步骤如下:
第1步,随机初始化模型参数;
第2步,按照下式,计算前馈传导包含隐藏单元和输出单元激活值:
a(k)=f(W(k,1)a(k-1)+b(k,1))
其中,a(k)表示隐藏单元和输出单元激活值,k表示第k个稀疏自编码器,k∈{1,2},f表示一个非线性sigmiod函数,W(k,1)表示第k个稀疏自编码器的输入单元与隐藏单元之间的连接权重值,b(k,1)表示第k个稀疏自编码器隐藏单元的偏置值;
第3步,按照下式,求解栈式稀疏自编码器的整体代价函数最小化:
J = &lsqb; 1 m &Sigma; d = 1 m ( 1 2 || y ^ ( d ) - y ( d ) || 2 ) &rsqb; + q 2 || W || F 2 + r &Sigma; e = 1 s &lsqb; &rho; l o g &rho; &rho; ^ e + ( 1 - &rho; ) l o g 1 - &rho; 1 - &rho; ^ e &rsqb;
其中,J表示最小化后的栈式稀疏自编码器的整体代价函数,m表示输入自编码器的样本个数,∑表示求和操作,d表示第d个样本的位置,d的取值是:d=1,2,···,m,||·||2表示做1范数平方操作,和y(d)分别表示输入第d个样本时得到的实际输出结果和理想输出结果,q表示权重衰减参数,W表示输入单元和隐藏单元之间的连接权重值和输出单元之间的连接权重值的转置的集合,表示做W的F范数平方操作,r表示稀疏性惩罚因子的权重稀疏参数,e表示第e个隐藏单元位置,e的取值是:e=1,2,···,s,s表示隐藏单元个数,ρ表示稀疏性参数,log10表示以10为底的对数操作,表示第e个隐藏单元的平均活跃度。
(2)将模型参数输入到softmax分类器中,训练softmax分类器;
(3)利用反向传播方法,对整个栈式稀疏自编码器进行微调,得到训练好的栈式稀疏自编码器;
(4)将训练样本集、测试样本集输入到训练好的栈式稀疏自编码器中,训练样本集的深层特征和测试样本集的深层特征。
步骤6,训练度量学习分类器。
(1)将训练样本集的深层特征输入到未经过训练的二元组支持向量机模型中,利用二元组支持向量机模型的优化公式,计算模型参数,训练二元组支持向量机模型,具体步骤如下:
第1步,二元组支持向量机模型的核函数如下:
KD(Zo,Zp)=tr((Xo,1-Xo,2)(Xo,1-Xo,2)T(Xp,1-Xp,2)(Xp,1-Xp,2)T)
=[(Xo,1-Xo,2)T(Xp,1-Xp,2)]2
其中,KD(Zo,Zp)表示二元组的核函数,o表示选取的第一个二元组位置,o取值为:o=1,2,···,N,N表示二元组数目,p表示选取的第二个二元组位置,p取值为:p=1,2,···,N,Zo=(Xo,1,Xo,2),Zp=(Xp,1,Xp,2)表示两对二元组,Xo,1、Xo,2分别表示第o个二元组中的两个训练样本的特征,Xp,1、Xp,2分别表示第p个二元组中的两个训练样本的特征,tr(·)表示矩阵的迹,(·)T上标T表示转置操作,(·)2的上标2表示平方操作;
第2步,二元组支持向量机模型的优化公式如下:
m a x &lambda; - 1 2 &Sigma; o , p &lambda; o &lambda; p h o h p K D ( Z o , Z p ) + &Sigma; o &lambda; o
s . t . &Sigma; l &lambda; l h l = 0
其中,max表示求最大值操作,λ表示拉格朗日乘子,Σ表示求和操作,o表示选取的第一个二元组位置,o取值为:o=1,2,···,N,N表示二元组数目,p表示选取的第二个二元组位置,p取值为:p=1,2,···,N,λo表示第o个二元组的拉格朗日乘子,λp表示第p个二元组的拉格朗日乘子,ho、hp分别表示第o个、第p个二元组的标签,KD(Zo,Zp)表示二元组的核函数,Zo、Zp表示第o个、第p个二元组,l表示选取的第三个二元组位置,l取值为:l=1,2,···,N,λl表示第l个二元组的拉格朗日乘子,λl取值范围是:0≤λl≤K,K表示一个常数,hl表示第l个二元组的标签;
(2)将训练样本集的深层特征输入到未经过训练的三元组支持向量机模型中,利用三元组支持向量机模型的优化公式,计算模型参数,训练三元组支持向量机模型,具体步骤如下:
第一步,三元组支持向量机模型的核函数如下:
KT(tu,tv)=tr(TuTv)
其中,KT(tu,tv)表示三元组的核函数,tu、tv分别表示第u个、第v个三元组,tu=(Xu,1,Xu,2,Xu,3),tv=(Xv,1,Xv,2,Xv,3),Xu,1、Xu,2、Xu,3分别表示第u个三元组中的三个训练样本的特征,u取值为:u=1,2,···,N2,N2表示三元组数目,Xv,1、Xv,2、Xv,3分别表示第v个三元组中的三个训练样本的特征,v表示选取的第二个三元组位置,v取值为:v=1,2,···,N2,tr(·)表示矩阵的迹,Tu=(Xu,1-Xu,3)(Xu,1-Xu,3)T-(Xu,1-Xu,2)(Xu,1-Xu,2)T
Tv=(Xv,1-Xv,3)(Xv,1-Xv,3)T-(Xv,1-Xv,2)(Xv,1-Xv,2)T,(·)T上标T表示转置操作,(·)2的上标2表示平方操作;
第二步,三元组支持向量机模型的优化公式如下:
m a x &lambda; - 1 2 &Sigma; u , v &lambda; u &lambda; v K T ( t u , t v ) + &Sigma; u &lambda; u
其中,KT(tu,tv)表示三元组的核函数,tu、tv分别表示第u个、第v个三元组,max表示求最大值操作,λ表示拉格朗日乘子,Σ表示求和操作,u表示选取的第一个三元组位置,u取值为:u=1,2,···,N2,N2表示三元组数目,v表示选取的第二个三元组位置,v取值为:v=1,2,···,N2,λu表示第u个三元组的拉格朗日乘子,λv表示第v个三元组的拉格朗日乘子,KT(tu,tv)表示三元组的核函数,tu、tv分别表示第u个、第v个三元组;
(3)将测试样本集的深层特征输入到训练好的二元组支持向量机模型中,得到分类结果;
(4)将测试样本集的深层特征输入到训练好的三元组支持向量机模型中,得到分类结果。
步骤7,上色。
(1)将分类结果中标签相同的作为同一类别;
(2)按照红色、绿色、蓝色三基色上色法,对分类结果进行上色,同一类别上相同的颜色,得到上色后的分类结果图。
步骤8,输出上色后的分类结果图。
下面结合仿真对本发明的效果做进一步的说明:
1.仿真实验条件:
本发明的仿真实验条件为:软件采用MATLAB版本8.5.0(R2015a),电脑型号:IntelCorei5-34703.20GHz,内存:4.00GB,操作系统采用Windows7。
本发明的仿真实验中采用的图像数据为美国宇航局喷气推进实验室,1989年获取的荷兰Flevoland地区的L波段多视全极化SAR图像,大小为750×1024,分辨率为12.1m×6.7m,该区域包含15类地物。
2.仿真实验内容:
本发明仿真采用现有技术中的3种方法和本发明的2种方法进行实验。
本发明仿真是对图2(a)的极化SAR图像进行分类实验,图2(a)选取1989年获取的荷兰Flevoland地区的L波段多视全极化SAR的PauliRGB合成图像,大小为750×1024,分辨率为12.1m×6.7m。图2(b)表示本发明仿真使用的极化SAR图像真实地物标记图;图2(c)表示采用现有技术中的支持向量机SVM的分类方法,对图2(a)的分类结果图;图2(d)表示采用现有技术中的基于SSAE与SVM的分类方法,对图2(a)的分类结果图;图2(e)表示采用现有技术中的基于FSALS_SVM的分类方法,对图2(a)的分类结果图;图2(f)表示采用本发明基于SSAE与二元组的支持向量机模型的分类方法,对图2(a)的分类结果图,图2(g)表示采用本发明基于SSAE与三元组的支持向量机模型的分类方法,对图2(a)的分类结果图。
3.仿真实验结果分析:
通过上述仿真实验以及利用本发明方法的分类结果对比图,可以看出本发明方法的分类速度快,分类结果精确度高。
以图2(b)中待分类的极化SAR真实地物标记图像作为精度评价标准,如果算法的分类精度越高、分类速度越快,那么表示算法的分类效果越好。对本发明提出的方法和传统方法的分类精度、分类时间进行统计,结果如表1。
从表1中可以看出,本发明提出的基于深度学习与度量学习的极化SAR地物分类方法,相比于三种对比试验,对极化SAR图像的分类精度更高,并且训练速度方面有着很大的优势,从表中可以明显看出,训练时间大大缩短了,充分说明了本发明方法在极化SAR图像分类上的优越性。
本发明公开了一种基于深度学习与度量学习的极化SAR地物分类方法,不仅能够很好的预处理极化SAR图像,而且将深度学习与度量学习相结合,既能够充分利用原始数据的深度特征,又能直接使用已有的支持向量机工具包,从而方便求解,大大提高了分类速度。深度学习为度量学习分类器提供了更深层次的数据特征,度量学习分类器弥补了极化SAR影像地物分类过程中时间复杂度过高的问题,同时又提高了分类精度,而且还解决了现有方法对分类类别数目的限制。本实验中所用的方法,简而言之,既通用又有效,且时间复杂度低。
表1本发明所提出的方法与传统算法的分类精度对比表

Claims (6)

1.一种基于深度学习和度量学习的极化SAR地物分类方法,包括以下步骤:
(1)输入待分类的极化SAR图像;
(2)滤波;
采用滤波窗口大小为7×7的Lee滤波方法,对待分类的极化SAR图像进行滤波,去除相干斑噪声,得到滤波后的极化SAR图像;
(3)提取特征:
(3a)计算散射熵、散射角两个散射参数;
(3b)利用Freeman分解公式,计算散射功率;
(3c)将滤波后的极化SAR图像中每个像素点的协方差矩阵、每个像素点的相干矩阵、散射熵H、散射角alpha、表面散射功率Ps、二面角散射功率Pd、体散射功率Pv、总功率特征参数SPAN,依次首尾相连组成每个像素点的特征向量;
(4)选择训练样本和测试样本:
(4a)根据真实的地物标记,将待分类的极化SAR图像分为15类;
(4b)从每种类别中任意选取10%有标记样本的特征向量作为训练样本集;
(4c)将所选取训练样本集后剩余90%有标记样本的特征向量,作为测试样本集;
(4d)判断是否选取完训练样本集和测试样本集,如果是,则执行步骤(5),否则,执行步骤(4b);
(5)训练栈式稀疏自编码器:
(5a)将训练样本集输入到未经过训练的二层栈式稀疏自编码器中,对自编码器进行训练,得到并保存栈式稀疏自编码器的模型参数;
(5b)将模型参数输入到softmax分类器中,训练softmax分类器;
(5c)利用反向传播方法,对整个栈式稀疏自编码器进行微调,得到训练好的栈式稀疏自编码器;
(5d)将训练样本集和测试样本集输入到训练好的栈式稀疏自编码器中,得到训练样本集的深层特征和测试样本集的深层特征;
(6)训练度量学习分类器:
(6a)将训练样本集的深层特征输入到未经过训练的二元组支持向量机模型中,利用二元组支持向量机模型的优化公式,计算模型参数,训练二元组支持向量机模型;
(6b)将训练样本集的深层特征输入到未经过训练的三元组支持向量机模型中,利用三元组支持向量机模型的优化公式,计算模型参数,训练三元组支持向量机模型;
(6c)将测试样本集的深层特征输入到训练好的二元组支持向量机模型中,得到分类结果;
(6d)将测试样本集的深层特征输入到训练好的三元组支持向量机模型中,得到分类结果;
(7)上色:
(7a)将分类结果中标签相同的作为同一类别;
(7b)按照红色、绿色、蓝色三基色上色法,对分类结果进行上色,同一类别上相同的颜色,得到上色后的分类结果图;
(8)输出上色后的分类结果图。
2.根据权利要求1所述的基于深度学习和度量学习的极化SAR地物分类方法,其特征在于:步骤(3a)所述的计算散射熵、散射角的具体步骤如下:
第1步,按照下式,计算极化SAR图像的散射熵:
H = &Sigma; i = 1 3 - P i log 3 ( P i )
其中,H表示极化SAR图像的散射熵,H的取值范围是:0≤H≤1,∑表示求和操作,i表示特征值的位置,i的取值是:i=1,2,3,Pi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,log3表示以3为底的对数操作;
第2步,按照下式,计算极化SAR图像的散射角:
a l p h a = &Sigma; i = 1 3 P i &alpha; i
其中,alpha表示极化SAR图像的散射角,∑表示求和操作,i表示特征值的位置,i的取值是:i=1,2,3,Pi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,αi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。
3.根据权利要求1所述的基于深度学习和度量学习的极化SAR地物分类方法,其特征在于:步骤(3b)所述的Freeman分解公式如下:
P v = 8 f v 3 P d = f d ( 1 + | &alpha; | 2 ) P s = f s ( 1 + | &beta; | 2 )
其中,Pv表示体散射功率,fv表示体散射成分的权值系数,Pd表示二面角散射功率,fd表示二面角散射成分的权值系数,|·|2表示做绝对值平方操作,α表示一个常数,α的取值为:α=RghRvhRgvRvv,Rgh和Rgv分别表示地表的水平和垂直反射系数,Rvh和Rvv表示竖直墙体的水平和垂直反射系数,Ps表示表面散射功率,fs表示布拉格表面散射成份的权值系数,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反射系数的比值。
4.根据权利要求1所述的基于深度学习和度量学习的极化SAR地物分类方法,其特征在于:步骤(5a)所述训练二层稀疏自编码器的具体步骤如下:
第1步,随机初始化模型参数;
第2步,按照下式,计算前馈传导包含隐藏单元和输出单元激活值:
a(k)=f(W(k,1)a(k-1)+b(k,1))
其中,a(k)表示隐藏单元和输出单元激活值,k表示第k个稀疏自编码器,k∈{1,2},f表示一个非线性sigmiod函数,W(k,1)表示第k个稀疏自编码器的输入单元与隐藏单元之间的连接权重值,b(k,1)表示第k个稀疏自编码器隐藏单元的偏置值;
第3步,按照下式,求解栈式稀疏自编码器的整体代价函数最小化:
J = &lsqb; 1 m &Sigma; d = 1 m ( 1 2 | | y ^ ( d ) - y ( d ) | | 2 ) &rsqb; + q 2 | | W | | F 2 + r &Sigma; e = 1 s &lsqb; &rho; l o g &rho; &rho; ^ e + ( 1 - &rho; ) l o g 1 - &rho; 1 - &rho; ^ e &rsqb;
其中,J表示最小化后的栈式稀疏自编码器的整体代价函数,m表示输入自编码器的样本个数,Σ表示求和操作,d表示第d个样本的位置,d的取值是:d=1,2,···,m,||·||2表示做1范数平方操作,和y(d)分别表示输入第d个样本时得到的实际输出结果和理想输出结果,q表示权重衰减参数,W表示输入单元和隐藏单元之间的连接权重值和输出单元之间的连接权重值的转置的集合,表示做W的F范数平方操作,r表示稀疏性惩罚因子的权重稀疏参数,e表示第e个隐藏单元位置,e的取值是:e=1,2,···,s,s表示隐藏单元个数,ρ表示稀疏性参数,log10表示以10为底的对数操作,表示第e个隐藏单元的平均活跃度。
5.根据权利要求1所述的基于深度学习和度量学习的极化SAR地物分类方法,其特征在于:步骤(6a)所述的二元组支持向量机模型的优化公式如下:
m a x &lambda; - 1 2 &Sigma; o , p &lambda; o &lambda; p h o h p K D ( Z o , Z p ) + &Sigma; o &lambda; o
s . t . &Sigma; l &lambda; l h l = 0
其中,max表示求最大值操作,λ表示拉格朗日乘子,Σ表示求和操作,o表示选取的第一个二元组位置,o取值为:o=1,2,···,N,N表示二元组数目,p表示选取的第二个二元组位置,p取值为:p=1,2,···,N,λo表示第o个二元组的拉格朗日乘子,λp表示第p个二元组的拉格朗日乘子,ho、hp分别表示第o个、第p个二元组的标签,KD(Zo,Zp)表示二元组的核函数,Zo、Zp表示第o个、第p个二元组,l表示选取的第三个二元组位置,l取值为:l=1,2,···,N,λl表示第l个二元组的拉格朗日乘子,λl取值范围是:0≤λl≤K,K表示一个常数,hl表示第l个二元组的标签。
6.根据权利要求1所述的基于深度学习和度量学习的极化SAR地物分类方法,其特征在于:步骤(6b)中所述的三元组支持向量机模型的优化公式如下:
m a x &lambda; - 1 2 &Sigma; u , v &lambda; u &lambda; v K T ( t u , t v ) + &Sigma; u &lambda; u
其中,max表示求最大值操作,λ表示拉格朗日乘子,Σ表示求和操作,u表示选取的第一个三元组位置,u取值为:u=1,2,···,N2,N2表示三元组数目,v表示选取的第二个三元组位置,v取值为:v=1,2,···,N2,λu表示第u个三元组的拉格朗日乘子,λv表示第v个三元组的拉格朗日乘子,KT(tu,tv)表示三元组的核函数,tu、tv分别表示第u个、第v个三元组。
CN201610132782.3A 2016-03-09 2016-03-09 基于深度学习和度量学习的极化sar地物分类方法 Pending CN105825223A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610132782.3A CN105825223A (zh) 2016-03-09 2016-03-09 基于深度学习和度量学习的极化sar地物分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610132782.3A CN105825223A (zh) 2016-03-09 2016-03-09 基于深度学习和度量学习的极化sar地物分类方法

Publications (1)

Publication Number Publication Date
CN105825223A true CN105825223A (zh) 2016-08-03

Family

ID=56987999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610132782.3A Pending CN105825223A (zh) 2016-03-09 2016-03-09 基于深度学习和度量学习的极化sar地物分类方法

Country Status (1)

Country Link
CN (1) CN105825223A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503734A (zh) * 2016-10-14 2017-03-15 哈尔滨工程大学 基于三边滤波器和堆栈稀疏自动编码器的图像分类方法
CN106529428A (zh) * 2016-10-31 2017-03-22 西北工业大学 基于深度学习的水下目标识别方法
CN106682606A (zh) * 2016-12-23 2017-05-17 湘潭大学 一种人脸确认方法及安全认证装置
CN107144841A (zh) * 2017-05-08 2017-09-08 河南科技大学 一种基于最小剩余功率的极化sar图像目标分解方法
CN107292317A (zh) * 2017-06-26 2017-10-24 西安电子科技大学 基于浅层特征与t矩阵深度学习的极化sar分类方法
CN108053407A (zh) * 2017-12-22 2018-05-18 联想(北京)有限公司 数据处理方法及数据处理系统
CN108460402A (zh) * 2018-01-15 2018-08-28 中国科学院自动化研究所 极化sar图像有监督分类方法及装置
CN109359509A (zh) * 2018-08-27 2019-02-19 西安电子科技大学 基于OpenCL并行的极化SAR地物分类方法
CN110399344A (zh) * 2019-07-23 2019-11-01 北京明略软件系统有限公司 选取重复图像的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413146A (zh) * 2013-08-23 2013-11-27 西安电子科技大学 基于Freeman熵和自学习的极化SAR图像精细分类方法
US20140301662A1 (en) * 2013-03-17 2014-10-09 ISC8 Inc. Analysis, Labeling and Exploitation of Sensor Data in Real Time
CN104156728A (zh) * 2014-07-14 2014-11-19 西安电子科技大学 一种基于栈式编码和softmax的极化SAR图像分类方法
CN104166859A (zh) * 2014-08-13 2014-11-26 西安电子科技大学 基于ssae和fsals-svm极化sar图像分类
CN104751173A (zh) * 2015-03-12 2015-07-01 西安电子科技大学 基于协同表示和深度学习的极化sar图像分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140301662A1 (en) * 2013-03-17 2014-10-09 ISC8 Inc. Analysis, Labeling and Exploitation of Sensor Data in Real Time
CN103413146A (zh) * 2013-08-23 2013-11-27 西安电子科技大学 基于Freeman熵和自学习的极化SAR图像精细分类方法
CN104156728A (zh) * 2014-07-14 2014-11-19 西安电子科技大学 一种基于栈式编码和softmax的极化SAR图像分类方法
CN104166859A (zh) * 2014-08-13 2014-11-26 西安电子科技大学 基于ssae和fsals-svm极化sar图像分类
CN104751173A (zh) * 2015-03-12 2015-07-01 西安电子科技大学 基于协同表示和深度学习的极化sar图像分类方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503734A (zh) * 2016-10-14 2017-03-15 哈尔滨工程大学 基于三边滤波器和堆栈稀疏自动编码器的图像分类方法
CN106503734B (zh) * 2016-10-14 2019-08-06 哈尔滨工程大学 基于三边滤波器和堆栈稀疏自动编码器的图像分类方法
CN106529428A (zh) * 2016-10-31 2017-03-22 西北工业大学 基于深度学习的水下目标识别方法
CN106682606A (zh) * 2016-12-23 2017-05-17 湘潭大学 一种人脸确认方法及安全认证装置
CN107144841B (zh) * 2017-05-08 2020-01-03 河南科技大学 一种基于最小剩余功率的极化sar图像目标分解方法
CN107144841A (zh) * 2017-05-08 2017-09-08 河南科技大学 一种基于最小剩余功率的极化sar图像目标分解方法
CN107292317A (zh) * 2017-06-26 2017-10-24 西安电子科技大学 基于浅层特征与t矩阵深度学习的极化sar分类方法
CN107292317B (zh) * 2017-06-26 2020-07-28 西安电子科技大学 基于浅层特征与t矩阵深度学习的极化sar分类方法
CN108053407A (zh) * 2017-12-22 2018-05-18 联想(北京)有限公司 数据处理方法及数据处理系统
CN108460402A (zh) * 2018-01-15 2018-08-28 中国科学院自动化研究所 极化sar图像有监督分类方法及装置
CN108460402B (zh) * 2018-01-15 2020-07-24 中国科学院自动化研究所 极化sar图像有监督分类方法及装置
CN109359509A (zh) * 2018-08-27 2019-02-19 西安电子科技大学 基于OpenCL并行的极化SAR地物分类方法
CN109359509B (zh) * 2018-08-27 2021-09-28 西安电子科技大学 基于OpenCL并行的极化SAR地物分类方法
CN110399344A (zh) * 2019-07-23 2019-11-01 北京明略软件系统有限公司 选取重复图像的方法及装置

Similar Documents

Publication Publication Date Title
CN105825223A (zh) 基于深度学习和度量学习的极化sar地物分类方法
CN105930846A (zh) 基于邻域信息和svgdl的极化sar图像分类方法
CN106067042A (zh) 基于半监督深度稀疏滤波网络的极化sar分类方法
CN104459668B (zh) 基于深度学习网络的雷达目标识别方法
CN104123555B (zh) 一种基于稀疏表示和超像素的极化sar地物分类方法
CN108846426A (zh) 基于深度双向lstm孪生网络的极化sar分类方法
CN107292317A (zh) 基于浅层特征与t矩阵深度学习的极化sar分类方法
CN105913076A (zh) 基于深度方向波网络的极化sar图像分类方法
CN106203444A (zh) 基于条带波与卷积神经网络的极化sar图像分类方法
CN105160353B (zh) 基于多特征集的极化sar数据地物分类方法
CN102208031A (zh) 基于Freeman分解和同极化比的极化SAR图像分类方法
CN109766936A (zh) 基于信息传递和注意力机制的图像变化检测方法
CN107239797A (zh) 基于全卷积神经网络的极化sar地物分类方法
CN107563442A (zh) 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法
CN104239901B (zh) 基于模糊粒子群和目标分解的极化sar图像分类方法
CN105334504A (zh) 基于大边界的非线性判别投影模型的雷达目标识别方法
CN105975912A (zh) 基于神经网络的高光谱图像非线性解混方法
CN109471074A (zh) 基于奇异值分解与一维cnn网络的雷达辐射源识别方法
CN104318246A (zh) 基于深度自适应脊波网络的极化sar图像分类
CN105117736A (zh) 基于稀疏深度堆栈网络的极化sar图像分类方法
CN110163275A (zh) 基于深度卷积神经网络的sar图像目标分类方法
CN105701512A (zh) 一种基于bbo-mlp和纹理特征的图像分类方法
CN109711314A (zh) 基于特征融合与sae的雷达辐射源信号分类方法
CN104751173A (zh) 基于协同表示和深度学习的极化sar图像分类方法
CN105787517A (zh) 基于小波稀疏自编码器的极化sar图像分类方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160803

RJ01 Rejection of invention patent application after publication