CN106096652B

CN106096652B - 基于稀疏编码和小波自编码器的极化sar图像分类方法

Info

Publication number: CN106096652B
Application number: CN201610407916.8A
Authority: CN
Inventors: 焦李成; 屈嵘; 吴妍; 马文萍; 尚荣华; 马晶晶; 张丹; 侯彪; 杨淑媛
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2016-06-12
Filing date: 2016-06-12
Publication date: 2019-05-24
Anticipated expiration: 2036-06-12
Also published as: CN106096652A

Abstract

本发明公开了一种基于稀疏编码和小波自编码器的极化SAR图像分类方法，主要解决由于特征提取不合理而造成的边界分类问题和没有考虑空间相关性而导致的区域一致性较差的问题。其主要步骤是：(1)、输入图像；(2)、预处理；(3)、提取图像特征；(4)、稀疏编码；(5)、选取训练样本和测试样本；(6)、训练小波稀疏自编码器；(7)、训练softmax分类器；(8)、调整网络参数；(9)、图像分类；(10)、上色；(11)、输出分类结果图。本发明具有良好的去噪效果，考虑到数据的邻域信息，能更好地从低维特征中学到更高级的特征，使得本发明的分类结果图的轮廓、边缘更加清晰，改善了极化SAR图像的分类性能。

Description

基于稀疏编码和小波自编码器的极化SAR图像分类方法

技术领域

本发明属于图像处理技术领域，更进一步涉及极化合成孔径雷达图像分类技术领域中的一种基于稀疏编码和小波稀疏自编码器的极化合成孔径雷达SAR(SyntheticAperture Radar)图像分类方法。本发明采用高斯金字塔池化编码与小波稀疏自编码器相结合的方法，对极化合成孔径雷达SAR图像进行分类，该方法可用于极化合成孔径雷达SAR图像目标检测和目标识别。

背景技术

极化合成孔径雷达已成为国内外合成孔径雷达发展的重要方向之一，而极化SAR图像分类是SAR图像解译的重要研究技术。极化SAR是一种主动式高分辨有源微波遥感成像雷达，其研究始于20世纪50年代初，而极化SAR是SAR的一个重要分支。它是一种相干多通道微波式成像系统，通过调整收发电磁波的极化方式可以获得每个分辨单元的极化散射矩阵，包含有丰富的地物信息，极大地增强了成像雷达对目标信息的获取能力。极化 SAR图像地物分类是极化SAR图像处理中的重要内容，也是极化SAR图像解译的关键技术之一，它是将解译系统中的前端部分单独提取出来作为具体应用的一个典型实例。

电子科技大学在其申请的专利“一种基于Cloude特征分解的极化SAR图像分类方法”(专利申请号：201410341457.9，公开号：CN104123563A)中提出了一种基于Cloude 特征分解的极化SAR图像无监督分类方法。该方法首先对极化SAR图像中的每个像素点进行Cloude分解，得到散射熵H和散射角α；然后计算散射熵和散射角的统计直方图，并对直方图进行分割，得到分割阈值；然后将得到的分割阈值作为散射熵和散射角特征构成的二维平面的划分点，对极化SAR图像进行初始划分；最后将得到的初始分类的类中心和类别数输入到Wishart分类器，得到所述极化SAR图像的分类结果。该方法虽然综合了对散射熵H和散射角α进行直方图分割获得划分的阈值，但是仍然存在的不足之处是，该方法没有有效地结合数据的邻域信息，没有考虑极化SAR图像的空间相关性，导致区域内杂点较多，区域一致性较差，并且计算量大，耗时长，实现过程复杂。

西安电子科技大学在其申请的专利“基于K均值和稀疏自编码器的极化SAR图像分类方法”(专利申请号：201510102433.2，公开号：CN104680180A)中提出了一种基于 K-Means特征表示和稀疏自编码器的极化SAR图像分类方法。该方法首先对滤波后图像提取空间邻域特征和聚类中心，获得K均值特征表示；然后对样本特征集进行归一化、白化，选取训练样本和测试样本；最后利用训练好的稀疏自编码器对测试集进行分类，并且计算精度。这种方法提取的图像特征不易受噪声点的影响，且冗余性小，维度低。但是仍然存在的不足之处是，该方法不具有良好的时频局部性质，不能刻画数据的细节特征。

发明内容

本发明的目的在于克服上述已有技术的缺点，提出了一种基于稀疏编码和小波稀疏自编码器的极化SAR图像分类方法。本发明与现有技术中其它极化SAR图像分类技术相比，结合了极化SAR图像的邻域信息，能更好地从低维特征中学到更高维的特征，并且降低了时间复杂度，提高了图像的分类精度。

本发明实现上述目的思路是：先对极化SAR图像的协方差矩阵进行预处理，对预处理后的矩阵进行高斯金字塔池化编码，选取相应的训练样本、测试样本、训练标签和测试标签，利用训练样本训练小波稀疏自编码器，调整网络参数，将测试样本输入训练好的网络和分类器中，得到最终分类结果并计算准确率。

实现本发明目的的具体步骤如下：

(1)输入图像：

(1a)输入一幅3*3*N待分类的极化合成孔径雷达SAR图像的协方差矩阵，其中， N表示待分类的极化SAR图像像素点的总数；

(1b)输入待分类的极化合成孔径雷达SAR图像的真实地物标记图像；

(2)预处理：

(2a)采用精致Lee滤波器，对协方差矩阵进行滤波，去除斑点噪声，得到极化SAR图像每个像素点的滤波后矩阵；

(2b)采用线性函数归一化算法，对滤波后矩阵归一化至[0 1]范围内，得到极化SAR 图像每个像素点的归一化后矩阵；

(2c)采用零相位差成分分析ZCA白化算法，对归一化后矩阵进行白化，得到极化SAR图像每个像素点的预处理后矩阵；

(3)提取图像特征：

(3a)分别提取每个像素点预处理后矩阵中位于上三角处的三个元素的实部值和虚部值、预处理后矩阵中位于对角线上三个元素的实部值，得到每个像素点的9个散射特征值；

(3b)将所有像素的第i个散射特征值构成第i个散射特征空间，其中，i＝1，2，… ，9；

(3c)对所有像素的9个散射特征值，执行9次步骤(3b)的相同操作，得到9个散射特征空间；

(4)稀疏编码：

(4a)采用围绕边界进行镜像反射的方法，对每个散射特征空间进行扩展，得到填充后的图像；

(4b)采用高斯金字塔池化编码方法，对填充后每个散射特征空间中的每个像素进行特征提取，得到编码后每个散射特征空间中每个像素的21维采样特征；

(4c)对每个像素的9个散射特征空间，执行9次步骤(4b)的相同操作，得到每个像素的21*9维采样特征；

(5)选取训练样本和测试样本：

(5a)读取真实地物标记图像中每个像素点的标签值，得到无标签样本集和标签样本集；

(5b)从标签样本集每一类别中任意选取3000个样本作为训练样本集，将剩余的标签样本作为测试样本集；

(6)训练小波稀疏自编码器：

(6a)用Morlet小波函数作为栈式稀疏自编码器的激活函数，得到小波稀疏自编码器网络结构；

(6b)采用标准正态分布随机数产生函数，随机生成小波稀疏自编码器的权重值和偏差值；

(6c)采用均方差衰减公式，利用随机生成的权重值和偏差值，计算整体样本均方差衰减值；

(6d)采用梯度下降法，对获得的整体样本均方差衰减值进行权重值和偏差值的迭代更新，得到小波稀疏自编码器的最优权重值和最优偏差值，获得训练好的小波稀疏自编码器；

(7)训练Softmax分类器：

将网络模型参数和训练样本集输入到Softmax分类器中，得到训练好的Softmax分类器；

(8)调整网络参数：

采用反向传播方法，对整个小波稀疏自编码器进行微调，得到微调后的网络模型结构；

(9)图像分类：

利用训练好的小波稀疏自编码器和Softmax分类器，对测试样本集进行分类，将分类结果中标签相同的像素点归于一个类别；

(10)上色：

根据红、蓝、绿三基色原理，对每个像素点所属地物类别，用同一颜色标出同类地物，得到上色后的分类结果图；

(11)输出分类结果图。

本发明与现有技术相比有以下优点：

第一，由于本发明采用高斯金字塔池化编码，考虑到了每个像素点的邻域信息，通过在由协方差矩阵提取的散射特征值构成的散射特征空间中，学习到更高级的特征，克服了现有技术中极化SAR图像的边界分类问题和没有考虑空间相关性而导致的区域一致性较差的问题，使得本发明提高了极化SAR图像分类的准确率。

第二，由于本发明采用小波稀疏自编码器，从原始的低级特征中学习出更深层、高级的特征，并且小波函数具有良好的时频局部性质，克服了现有技术中原始特征学习不充分、不能刻画数据的细节特征，导致分类准确率低的问题，使得本发明比现有技术具有更加优异的特征表达能力，进而提高了极化SAR图像数据分类的准确率。

第三，由于本发明采用精致Lee滤波、归一化和白化对数据进行预处理，去除了图像的相干斑噪声，降低了输入数据的冗余性，加快了算法的收敛速度，克服了现有技术中未对原始数据进行预处理操作，导致分类准确率低的问题，使得本发明的分类结果图的轮廓、边缘更加清晰，改善了极化SAR图像的分类性能。

附图说明

图1是本发明的流程图；

图2是本发明的仿真图。

具体实施方式

下面结合附图对本发明做详细描述。

参照图1，对本发明的具体实施步骤做进一步的详细描述。

步骤1,输入图像。

输入一幅待分类的极化SAR图像的协方差矩阵，所用极化SAR数据来源为NASA/JPL实验室AIRSAR传感器于2008年在旧金山海湾地区获取的L波段数据，分辨率为10*5m，尺寸为1800*1380像素。该图像的协方差矩阵大小为3*3*N，N是极化SAR图像像素点的总数。

输入待分类的极化合成孔径雷达SAR图像的真实地物标记图像。

步骤2,预处理。

采用精致Lee滤波器，对协方差矩阵进行滤波，去除斑点噪声，得到极化SAR图像每个像素点的滤波后矩阵。

精致Lee滤波的具体步骤如下：

第一步，设定精致Lee滤波的滑动窗口，该滑动窗口的大小为5*5像素；

第二步，将滑动窗口用于极化SAR图像数据上，从左到右、从上到下移动，每移动一步，将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；

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

第四步，选择水平、垂直、45度和135度4个方向的梯度模板，将均值窗口分别与4个模板进行加权取绝对值，选出其中最大值，将最大值作为边缘方向；

第五步，从9个子窗口中取中心窗口边缘方向的左右2个子窗口，分别对2个窗口内的所有像素取均值，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；

第六步，按照下式，得到精致Lee滤波的权值：

其中，b表示精致滤波的权值，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图像相干斑噪声的方差值；

第七步，按照下式，得到滤波后极化SAR图像中心像素的C矩阵：

x＝w+b(y-w)

其中，x表示滤波后极化SAR图像中心像素的C矩阵，w表示方向窗口内极化SAR 图像像素的协方差矩阵均值，b表示精致滤波的权值。

采用线性函数归一化算法，对滤波后矩阵归一化至[0 1]，得到极化SAR图像每个像素点的归一化后矩阵。

采用零相位差成分分析ZCA白化方法，对滤波后矩阵进行白化，使要研究的各个变量之间去耦合，降低输入的冗余性，便于分别处理和研究。

数据白化必须满足两个条件：一是不同特征间相关性最小，接近0；二是所有特征的方差相等。ZCA白化只是在PCA白化的基础上做了一个选择操作。ZCA白化相较于PCA 白化，使处理后的数据更加接近原始数据，其主要作用是去相关性，而非降维。

步骤3,提取图像特征。

分别提取每个像素点预处理后矩阵中位于上三角处的三个元素的实部值和虚部值、预处理后矩阵中位于对角线上三个元素的实部值，组成一个N*9的样本集，N表示极化SAR 图像像素点的总数，样本集中每一列都表示极化SAR图像的一种特征，每一个像素点共包含9个特征。

将所有像素的第i个散射特征值构成第i个散射特征空间，其中，i＝1，2，… ，9。

对所有像素的9个散射特征值，执行9次上述步骤相同的操作，得到9个散射特征空间。

步骤4,稀疏编码。

采用围绕边界进行镜像反射的方法，对每个散射特征空间进行扩展，得到填充后的图像。

采用高斯金字塔池化编码方法，对填充后每个散射特征空间中的每个像素进行特征提取，得到编码后每个散射特征空间每个像素的21维采样特征。

高斯金字塔池化编码的具体步骤如下：

第一步，采用16*16的窗口，提取每个散射特征空间中的每个像素的协方差数据，得到每个散射特征空间中的每个像素的16*16大小的数据矩阵；

第二步，将数据矩阵从第一行第一列开始依次不重复地按4*4像素块分成16个子矩阵，从16个子矩阵中分别提取最大值，得到16个特征值；

第三步，将数据矩阵进行高斯滤波后，从第一行第一列开始依次不重复地按8*8像素块分成4个子矩阵，从4个子矩阵中分别提取最大值，得到4个特征值；

第四步，对4个特征值进行高斯滤波，提取滤波后的最大值，将该最大值作为1个特征值；

第五步，将16个特征值、4个特征值和1个特征值依次按列组合得到每个散射特征空间中的每个像素的21维采样特征。

对每个像素的9个散射特征空间，执行9次上述步骤的相同操作，得到每个像素的21*9 维采样特征。

步骤5,选取训练样本和测试样本。

利用Matlab软件读取标记图，读取真实地物标记图像中每个像素点的标签值，发现此实验数据图可分为5类，得到无标签样本集和标签样本集。

从标签样本集中每一类别中任意选取3000个样本作为训练样本集，将剩余的标签样本作为测试样本集。在具体实验中，可以选取不同数量的样本作为训练样本来训练网络，但是，样本数选取过多可能导致时间复杂度增加，计算过程较为复杂，而样本数选取过少，那么训练网络不充分，将直接导致测试样本输入网络后，分类精度偏低，甚至分类器会出现过拟合现象。

步骤6，训练小波稀疏自编码器。

用Morlet函数作为栈式稀疏自编码器的激活函数，得到小波稀疏自编码器网络结构：

所述Morlet函数如下：

其中，y_ji表示第i个样本通过第j个隐层小波神经元的输出值，j表示隐藏层的小波神经元的序号，j＝1,2,3...N,N表示隐层小波元个数，i表示样本的序号，i＝1,2,3...P，P表示样本的总数，cos表示求余弦操作，x_j表示第j个小波神经元的输入值，e表示以e为底数的指数操作；表示对第j个小波神经元的输入值求平方操作；

采用标准正态分布随机数产生函数，随机生成小波稀疏自编码器的权重值和偏差值。

采用均方差衰减公式，利用随机生成的权重值和偏差值，计算得到整体样本均方差衰减值：

均方差衰减公式如下所示：

J(W_j,b_j)＝J(x_i,y_ji)+J(W_j)+P

其中，J(W_j,b_j)表示小波稀疏自编码器中的第j个小波神经元的整体样本均方差衰减值，W_j表示小波稀疏自编码器中的第j个小波神经元的权重值，-2＜W_j＜2，b_j表示随机生成的小波稀疏自编码器中的第j个小波神经元的偏差值，-2＜b_j＜2，J(x_i,y_ji)表示第j 个小波神经元的第i个无标签样本输入x_i与输出样本y_ji之间的误差值，x_i表示预处理后的第i个无标签样本输入，y_ji表示第j个小波神经元的第i个输出样本，J(W_j)表示小波稀疏自编码第j个小波神经元权重值的衰减值，P表示小波稀疏自编码的稀疏度，P的取值为0.1。

采用梯度下降法，对获得的整体样本均方差衰减值进行权重值和偏差值的迭代更新，得到小波稀疏自编码器的最优权重值和最优偏差值。

梯度下降法的具体步骤如下：

第一步，按照下式，更新小波稀疏自编码器的权重值：

其中，W_n+1表示第n+1次迭代更新后小波稀疏自编码器的权重值，n表示权重值的迭代次数，W_n表示第n次迭代更新后小波稀疏自编码器的权重值，α表示权重值的学习速率， 0＜α＜1，表示求偏导数操作，J(W_n,b_n)表示迭代更新n次后的整体样本均方差衰减值， b_n表示第n次迭代更新后的方差值；

第二步，按照下式，更新小波稀疏自编码器的偏差值：

其中，b_n+1表示第n+1次迭代更新后小波稀疏自编码器的偏差值，n表示偏差值的迭代次数，b_n表示第n次迭代更新后小波稀疏自编码器的偏差值，β表示偏差值的学习速率，β的取值范围为0＜β＜1，表示求偏导数操作，J(W_n,b_n)表示迭代更新n次后的整体样本均方差衰减值，W_n表示第n次迭代更新后的权重值。

步骤6,训练Softmax分类器。

输入网络模型参数和训练样本集，得到训练好的Softmax分类器。

步骤7,调整网络参数。

采用反向传播方法，对整个小波稀疏自编码器进行微调，得到微调后的网络模型结构。

步骤8,图像分类。

利用训练好的小波稀疏自编码器和Softmax分类器，对测试样本集进行分类，将分类结果中标签相同的像素点归于一个类别。

步骤9,上色。

根据红、蓝、绿三基色原理，对每个像素所属地物类别，用同一颜色标出同类地物，得到上色后的分类结果图。

步骤10,输出分类结果图。

下面结合附图2对本发明的效果做进一步说明：

1.仿真实验条件。

本发明的仿真实验所使用的输入图像如图2(a)所示，格式为JPG的极化SAR图像作为测试实验，来源为NASA/JPL实验室AIRSAR传感器于2008年在旧金山海湾地区获取的L波段数据，分辨率为10*5m，尺寸为1800*1380。

仿真实验中，软件采用Matlab版本8.5.0(R2015a)，电脑型号：Intel Core i5 -3470,内存：64.00GB,操作系统：Linux。

2.仿真内容和结果分析。

使用现有技术支撑向量机SVM的方法对所用极化SAR图像进行仿真实验，分类结果见图2(b)；使用现有技术稀疏自编码器SAE对所用极化SAR图像进行仿真实验，分类结果见图2(c)；使用现有技术Morlet小波稀疏自编码器对所用极化SAR图像进行仿真实验，分类结果见图2(d)；使用本发明对所用极化SAR图像进行仿真实验，分类结果见图2(e)。

从分类结果示意图来看，采用本发明对图2(a)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，并且边缘光滑，清晰可辨。由此可见，本发明能够有效的解决极化SAR图像的分类问题。

本发明与现有技术支撑向量机SVM、现有技术稀疏自编码器SAE和现有技术Morlet小波稀疏自编码器分类方法进行分类精度对比，对比结果如表1所示。

表1四种算法分类精度对比表

表1中的“SVM”表示现有技术支撑向量机分类方法，“SAE”表示现有技术稀疏自编码器分类方法，“小波自编码器Morlet”表示现有技术小波稀疏自编码器分类方法，其中“Morlet”表示小波稀疏自编码器中的小波激活函数，“小波自编码器Morlet +Gausspyramid”为本发明方法，“Morlet”表示小波稀疏自编码器中的小波激活函数，“Gausspyramid”表示对极化SAR图像进行高斯金字塔迟化编码。

从表1可以看出，在对极化SAR地物分类的结果中，本发明的分类精度远远高于现有技术支撑向量机SVM、现有技术栈式稀疏自编码器SAE和现有技术Morlet小波稀疏自编码器的分类精度，从总体耗时来看，本发明方法的总用时均远远小于栈式稀疏自编码SAE 和支撑向量机SVM的总用时。支撑向量机SVM是直接利用预处理后的训练样本训练分类器并对图像进行分类，它不能从数据中提取更高维的深层表示特征，导致算法在原始特征选择不合理的情况下分类效果差。栈式稀疏自编码器SAE的激活函数Sigmoid函数不具有小波函数的时频局部性质，不能刻画数据的细节特征，从而导致提取的特征不能很好的反应数据的本质特性。虽然小波稀疏自编码器对栈式稀疏自编码器的激活函数进行了改进，使得算法的收敛速度更快且具有更强的学习能力，但对高分辨极化SAR图像的分类精度提高的并不显著，因此，本发明将采用高斯金字塔池化编码与小波稀疏自编码器相结合，有效的利用极化SAR图像的邻域信息，考虑到极化SAR图像的空间相关性，对原始特征进行充分学习，为在深度网络中学习到更加优异的高级特征做准备。

Claims

1.一种基于稀疏编码和小波自编码器的极化SAR图像分类方法，包括如下步骤：

(1)输入图像：

(1a)输入一幅3*3*N待分类的极化合成孔径雷达SAR图像的协方差矩阵，其中，N表示待分类的极化SAR图像像素点的总数；

(2)预处理：

(2b)采用线性函数归一化算法，对滤波后矩阵归一化至[0 1]范围内，得到极化SAR图像每个像素点的归一化后矩阵；

(3)提取图像特征：

(4)稀疏编码：

(5)选取训练样本和测试样本：

(6)训练小波稀疏自编码器：

所述Morlet函数如下：

(7)训练Softmax分类器：

(8)调整网络参数：

(9)图像分类：

(10)上色：

(11)输出分类结果图。

2.根据权利要求1所述的基于稀疏编码和小波自编码器的极化SAR图像分类方法，其特征在于，步骤(4b)中所述的高斯金字塔池化编码的具体步骤如下：

第五步，将16个特征值、4个特征值和1个特征值依次按列组合，得到编码后每个散射特征空间中每个像素的21维采样特征。

3.根据权利要求1所述的基于稀疏编码和小波自编码器的极化SAR图像分类方法，其特征在于，步骤(6c)中所述的均方差衰减公式如下：

J(W_j,b_j)＝J(x_i,y_ji)+J(W_j)+P

其中，J(W_j,b_j)表示小波稀疏自编码器中的第j个小波神经元的整体样本均方差衰减值，W_j表示小波稀疏自编码器中的第j个小波神经元的权重值，-2＜W_j＜2，b_j表示随机生成的小波稀疏自编码器中的第j个小波神经元的偏差值，-2＜b_j＜2，J(x_i,y_ji)表示第j个小波神经元的第i个无标签样本输入x_i与输出样本y_ji之间的误差值，x_i表示预处理后的第i个无标签样本输入，y_ji表示第j个小波神经元的第i个输出样本，J(W_j)表示小波稀疏自编码第j个小波神经元权重值的衰减值，P表示小波稀疏自编码的稀疏度，P的取值为0.1。

4.根据权利要求1所述的基于稀疏编码和小波自编码器的极化SAR图像分类方法，其特征在于，步骤(6d)中所述的梯度下降法的具体步骤如下：

第一步，按照下式，更新小波稀疏自编码器的权重值：

其中，W_n+1表示第n+1次迭代更新后的小波稀疏自编码器的权重值，n表示权重值的迭代次数，W_n表示第n次迭代更新后小波稀疏自编码器的权重值，α表示权重值的学习速率，0＜α＜1，表示求偏导数操作，J(W_n,b_n)表示迭代更新n次后的整体样本均方差衰减值，b_n表示第n次迭代时的方差值；

第二步，按照下式，更新小波稀疏自编码器的偏差值：

其中，b_n+1表示第n+1次迭代更新后小波稀疏自编码器的偏差值，n表示偏差值的迭代次数，b_n表示第n次迭代更新后小波稀疏自编码器的偏差值，β表示偏差值的学习速率，β的取值范围为0＜β＜1，表示求偏导数操作，J(W_n,b_n)表示迭代更新n次后的整体样本均方差衰减值，W_n表示第n次迭代时的权重值。