CN107145860A - 基于空间信息和深度学习的极化sar图像分类方法 - Google Patents
基于空间信息和深度学习的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN107145860A CN107145860A CN201710311299.6A CN201710311299A CN107145860A CN 107145860 A CN107145860 A CN 107145860A CN 201710311299 A CN201710311299 A CN 201710311299A CN 107145860 A CN107145860 A CN 107145860A
- Authority
- CN
- China
- Prior art keywords
- mrow
- sar image
- polarimetric sar
- msub
- general power
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Abstract
本发明提出了一种基于空间信息和深度学习的极化SAR图像分类方法，用于解决现有技术中存在的图像分类准确率低的技术问题，实现步骤为：对极化相干矩阵进行滤波；计算极化SAR图像的空间信息；获取多维特征极化SAR图像；使用多维极化SAR图像对深度置信网络进行深度学习；利用训练好的深度置信网络对待分类图像进行分类；得到分类标签，并得到彩色分类结果图。本发明结合了极化SAR图像的空间信息，获取了多维特征的极化SAR图像，并使用多维特征的极化SAR图像像素作为深度置信网络的输入，有效提高了极化SAR图像分类的准确率，可用于极化SAR图像的地物分类和识别等。
Description
技术领域
本发明属于图像处理技术领域，涉及一种极化SAR图像分类方法，具体涉及一种基于空间信息和深度学习的极化SAR图像分类方法，可用于对极化SAR图像的地物进行分类和识别等任务。
背景技术
SAR是合成孔径雷达，是一种先进的遥感成像系统，具有全天时、全天候、分辨率高等优点。极化SAR是具有多通道的合成孔径雷达，它是SAR的一个重要组成部分，因此，相比SAR可以获取目标更丰富的信息，对极化SAR图像的解译比其他普通的遥感图像相比，更具有研究价值，极化SAR图像分类是一种重要的解译极化SAR数据的方式。随着人工智能的发展，机器学习越来越多的应用到极化SAR图像分类上，深度学习作为机器学习的一个分支，也被应用到极化SAR分类上，并得到了不错的分类效果。
根据极化SAR图像分类过程中，是否有人工参与可以将极化SAR分类方法分为有监督分类和无监督分类。
无监督分类是指分类过程中不需要人工参与，如大多数的基于散射机理的算法，经典的算法包括Cloude等人提出的基于H/α分解的无监督分类算法，它是根据分解得到散射熵和平均散射角将目标分为八种类别，这种方法只利用了这两个参数，没有充分利用极化SAR的极化信息，导致分类准确率较低；
有监督分类是指分类过程中需要人工参与，如基于极化SAR数据分布特性的最大似然分布；基于后向传播神经网络的极化SAR图像分类算法，这种算法收敛速度慢，并且容易陷入局部最优。
根据有监督分类算法和无监督分类算法的各自的优缺点，有学者将两者结合，提出了半监督的分类算法，这种方法可以很好地弥补有监督和无监督算法的缺点，并将其优点相结合，如Q.Lv等人利用GRBM，即Gaussian-Bernoulli RBM，对极化SAR图像进行分类，见Q.Lv et al，“Urban land use and land cover classification using remotelysensed SAR data through deep belief networks,”J.Sensors，vol.2015，2015，Art.ID538063，公开了一种基于深度置信网络的分类方法，该方法使用极化SAR数据的极化相干矩阵作为深度置信网络的输入数据对城市地图进行分类，利用了深度置信网络的有监督和无监督的优势，但并没有考虑将多维特征极化SAR图像作为输入数据，因此无法提取完备的图像信息，导致图像分类的准确率低。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于空间信息和深度学习的极化SAR图像分类方法，用于解决现有技术中存在的图像分类准确率低的技术问题。
本发明的技术思路是：利用极化SAR图像的空间信息，结合了极化SAR图像的散射特性和纹理特性，包括H/A/alpha分解、Freeman分解特征和代表不同物理散射机理的SPAN图提取的纹理特征，从而获取多维特征的极化SAR图像，并使用多维特征的极化SAR图像像素训练深度置信网络，从而实现空间信息和深度学习相结合的极化SAR图像分类。
根据上述技术思路，实现本发明目的采取的技术方案包括如下步骤：
(1)将输入的极化SAR图像使用极化相干矩阵表示，并对极化相干矩阵进行滤波，得到滤波后的极化相干矩阵T；
(2)根据滤波后的极化相干矩阵T，计算极化SAR图像的空间信息：
2a)对滤波后的极化相干矩阵T进行线性变换，得到极化协方差矩阵C，并根据极化协方差矩阵C，计算极化SAR图像总功率；
2b)对滤波后的极化相干矩阵T进行特征值分解，并利用分解结果计算H/A/alpha分解参数和极化SAR图像H/A/alpha分解总功率；
2c)对滤波后的极化相干矩阵T进行Freeman分解，得到Freeman分解参数，并利用Freeman分解参数计算极化SAR图像Freeman分解总功率；
2d)计算极化SAR图像总功率纹理参数、H/A/alpha分解总功率纹理参数和Freeman分解总功率纹理参数；
(3)利用极化SAR图像的空间信息，获取多维特征极化SAR图像：
3a)对滤波后的极化相干矩阵T进行向量化，得到极化SAR图像的向量表示；
3b)将极化SAR图像的向量表示与极化SAR图像的空间信息进行融合，得到多维特征极化SAR图像；
(4)利用多维特征极化SAR图像对深度置信网络进行深度学习：
4a)将多维特征极化SAR图像像素输入深度置信网络中，并对该深度置信网络的参数进行无监督训练，得到无监督训练后的深度置信网络；
4b)从多维特征极化SAR图像中随机选取一定比例的像素作为带标签数据，并利用选取的带标签数据对无监督训练后的深度置信网络的参数进行微调，得到训练好的深度置信网络；
(5)将待分类极化SAR图像像素输入到训练好的深度置信网络中，得到每个像素所属的类别标签，并用红色、绿色和蓝色三个颜色作为三基色，对类别标签上色，得到最终彩色分类结果图。
本发明与现有的技术相比，具有以下优点：
本发明由于在实现对极化SAR图像进行分类的过程中，结合了极化SAR图像的极化相干矩阵、H/A/alpha分解、Freeman分解以及极化SAR图像的纹理特征，充分利用了极化散射信息和空间纹理信息，提取了极化SAR图像更丰富的特征，与现有技术相比，有效地提高了图像分类的准确率。
附图说明
图1是本发明的实现流程图；
图2是本发明与现有的基于极化相干矩阵为输入数据的DBN分类算法的西安渭河地区的仿真结果图。
具体实施方式
以下结合附图和具体实施例，对本发明进行进一步详细说明。
参照图1，基于空间信息和深度学习的极化SAR图像分类方法，包括如下步骤：
步骤1，将输入的极化SAR图像使用极化相干矩阵表示，并对极化相干矩阵进行滤波，得到滤波后的极化相干矩阵T，具体采用的滤波方法为精致Lee滤波；
步骤2，根据滤波后的极化相干矩阵T，计算极化SAR图像的空间信息，通过如下步骤实现：
步骤2a，对滤波后的极化相干矩阵T进行线性变换，得到极化协方差矩阵C，并根据极化协方差矩阵C，计算极化SAR图像总功率，计算公式为：
SPAN1＝C11+C22+C33 (1)
其中，SPAN1为极化SAR图像总功率，C11、C22和C33分别表示极化协方差矩阵C的主对角线元素，C＝A-1TA，A为变换矩阵，A-1表示变换矩阵A的逆矩阵，且
步骤2b，因为极化相干矩阵T为半正定哈密特矩阵，因此进行特征值分解，可以表示为如下形式：
T＝UΛU* (2)
其中，U为酉矩阵，它的列对应着滤波后的极化相干矩阵T的特征向量，U*表示酉矩阵U的共轭转置矩阵，Λ为对角矩阵，是由滤波后的极化相干矩阵T的特征值构成的实对角矩阵，可以表示为：
其中，λ1,λ2和λ3分别表示滤波后的极化相干矩阵T的三个特征值。
步骤2c，利用滤波后的极化相干矩阵T的特征值分解结果计算H/A/alpha分解参数和H/A/alpha分解总功率，，计算公式分别为：
SPAN2＝λ1+λ2+λ3 (7)
其中，H为散射熵，用来反应目标散射随机性，A为反熵，反应了优势散射机制以外的两个散射分量间的关系，为平均散射角，∑表示求和操作，λi、λj为滤波后的极化相干矩阵T的特征值，i,j分别对应第几个特征值，cos-1表示反余弦操作，|·|为取模操作，U1i表示酉矩阵U第一行第i列元素，SPAN2为极化SAR图像H/A/alpha分解总功率。
步骤2d，计算极化SAR图像的Freeman分解参数，计算公式分别为：
其中，Pv是体散射功率矩阵，Pd是二面角散射功率矩阵，Ps是表面散射功率矩阵，α＝RghRvh/RgvRvv，Rgh和Rgv分别表示水平表面的水平反射系数和垂直反射系数，Rvh和Rvv分别表示垂直表面的水平反射系数和垂直反射系数，RH为HH后向散射系数，RV为VV后向散射系数，HH表示水平发射水平接收组合，VV表示垂直发射垂直接收组合，|·|表示取模操作；
步骤2e，计算极化SAR图像的Freeman分解总功率，计算公式为：
SPAN3＝Ps+Pv+Pd (9)
其中，SPAN3表示极化SAR图像的Freeman分解总功率。
步骤2f，分别计算极化SAR图像总功率、极化SAR图像H/A/alpha分解总功率和极化SAR图像Freeman分解总功率的灰度共生矩阵P(i,j)，计算公式均为：
P(i,j)＝#{(x1,y1),(x2,y2)∈M×N|f(x1,y1)＝r,f(x2,y2)＝s} (10)
其中，#{·}表示集合的大小，f(x,y)是大小为M×N的灰度图像，r为像素点(x1,y1)的灰度值，s为像素点(x2,y2)的灰度值；
步骤2g，分别计算极化SAR图像总功率、极化SAR图像H/A/alpha分解总功率和极化SAR图像Freeman分解总功率的灰度共生矩阵的纹理参数，计算公式均为：
其中，Enr表示能量，它是图像纹理灰度变化的度量，反应了图像灰度分布的均匀性和纹理粗糙程度，通过计算灰度共生矩阵的各元素的平方和求得；Con表示反差，又称对比度，反应了图像的清晰程度和纹理沟纹的深浅；Hom表示逆差距，度量纹理变化多少；Ng为P(i,j)的灰度级别,i、j表示灰度共生矩阵P(i,j)的第i行第j列，∑表示求和操作。
步骤3，利用极化SAR图像的空间信息，获取多维特征极化SAR图像，通过如下步骤实现：
步骤3a，对滤波后的极化相干矩阵T进行向量化，得到极化SAR图像的向量表示，是指将滤波后的极化相干矩阵T变换为9维的向量I形式：
I＝[T11,T22,T33,Re(T12),Im(T12),Re(T13),Im(T13),Re(T23),Im(T23)] (14)
其中，Re(·)表示取实部操作，Im(·)表示取虚部操作。
步骤3b，将极化SAR图像的向量表示与极化SAR图像总功率、H/A/alpha分解参数、极化SAR图像H/A/alpha分解总功率、Freeman分解参数、极化SAR图像Freeman分解总功率和纹理参数进行融合，得到多维特征极化SAR图像。
步骤4，利用多维特征极化SAR图像对深度置信网络进行深度学习，通过如下步骤实现：
步骤4a，将深度置信网络的参数随机初始化为较小的值；
步骤4b，将所有多维特征极化SAR图像像素输入到深度置信网络的底层中进行无监督训练，得到深度置信网络的底层参数{w1,b1,c1}；
步骤4c，将深度置信网络的底层输出作为深度置信网络的上层输入进行无监督训练，得到深度置信网络的上层参数{w2,b2,c2}，最终得到无监督训练后的深度置信网络参数{w1,w2,1/2(c1+b2),c2}。
步骤4d，从多维特征极化SAR图像中随机选取1％-15％的像素作为带标签数据；
步骤4e，利用带标签的数据，对无监督训练后的深度置信网络参数{w1,w2,1/2(c1+b2),c2}进行微调，得到训练好的深度置信网络。
步骤5，将待分类极化SAR图像像素输入到训练好的深度置信网络中，得到每个像素所属的类别标签，并用红色、绿色和蓝色三个颜色作为三基色，对类别标签上色，得到最终彩色分类结果图。
以下通过仿真实验，对本发明的技术效果作进一步说明:
1、仿真条件和内容:本发明的仿真实验是在CPU为Intel Core(TM)i3、主频3.20GHz，内存为4G的WINDOWS 7系统上用MATLAB 2014a软件进行。
仿真内容：采用本发明和现有的基于极化相干矩阵为输入数据的DBN分类算法，对西安渭河地区的全极化SAR图像进行分类的仿真比较，其结果如图2所示。
使用的西安渭河地区的单视全极化SAR数据是RadarSAT-2系统在C波段下获取的，图像大小为512×512，该地区主要包括沙地、城区、河流三类地物。
2、仿真结果分析：
图2(a)是Pauli分解得到的RGB合成图。
图2(b)是本发明的仿真结果图，可以看出，错分点较少，分类结果边缘比较平滑。
图2(c)是现有技术的仿真结果图，可以看出，存在很多杂散点，错分现象比较严重。
图2(b)与图2(c)相比，有效地解决了空间信息不足导致的错分现象，得到了更高的分类准确率。
从分类结果可以看出，由于本方法使用了多维特征的极化SAR图像数据，利用了更丰富的空间信息，有效地提高了图像分类的准确率。现有技术中，出现很多分不开的像素点，本方法可以有效改善。
Claims (9)
1.基于空间信息和深度学习的极化SAR图像分类方法，包括如下步骤：
(1)将输入的极化SAR图像使用极化相干矩阵表示，并对极化相干矩阵进行滤波，得到滤波后的极化相干矩阵T；
(2)根据滤波后的极化相干矩阵T，计算极化SAR图像的空间信息：
2a)对滤波后的极化相干矩阵T进行线性变换，得到极化协方差矩阵C，并根据极化协方差矩阵C，计算极化SAR图像总功率；
2b)对滤波后的极化相干矩阵T进行特征值分解，并利用分解结果计算H/A/alpha分解参数和极化SAR图像H/A/alpha分解总功率；
2c)对滤波后的极化相干矩阵T进行Freeman分解，得到Freeman分解参数，并利用Freeman分解参数计算极化SAR图像Freeman分解总功率；
2d)计算极化SAR图像总功率纹理参数、H/A/alpha分解总功率纹理参数和Freeman分解总功率纹理参数；
(3)利用极化SAR图像的空间信息，获取多维特征极化SAR图像：
3a)对滤波后的极化相干矩阵T进行向量化，得到极化SAR图像的向量表示；
3b)将极化SAR图像的向量表示与极化SAR图像的空间信息进行融合，得到多维特征极化SAR图像；
(4)利用多维特征极化SAR图像对深度置信网络进行深度学习：
4a)将多维特征极化SAR图像像素输入深度置信网络中，并对该深度置信网络的参数进行无监督训练，得到无监督训练后的深度置信网络；
4b)从多维特征极化SAR图像中随机选取一定比例的像素作为带标签数据，并利用选取的带标签数据对无监督训练后的深度置信网络的参数进行微调，得到训练好的深度置信网络；
(5)将待分类极化SAR图像像素输入到训练好的深度置信网络中，得到每个像素所属的类别标签，并用红色、绿色和蓝色三个颜色作为三基色，对类别标签上色，得到最终彩色分类结果图。
2.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法，步骤(1)所述的对极化相干矩阵进行滤波，采用精致Lee滤波方法。
3.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法，步骤2a)所述的计算极化SAR图像总功率，计算公式为：
SPAN1＝C11+C22+C33 (1)
其中，SPAN1为极化SAR图像总功率，C11、C22和C33分别表示极化协方差矩阵C的主对角线元素，C＝A-1TA，A为变换矩阵，A-1表示变换矩阵A的逆矩阵，且
4.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法，步骤2b)所述的计算H/A/alpha分解参数和极化SAR图像H/A/alpha分解总功率，实现步骤为：
2b1)将滤波后的极化相干矩阵T进行特征值分解，用如下公式表示：
T＝UΛU* (2)
其中，U为酉矩阵，U*表示酉矩阵U的共轭转置矩阵，Λ为对角矩阵，可以表示为：
<mrow>
<mi>&Lambda;</mi>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，λ1,λ2和λ3分别表示滤波后的极化相干矩阵T的三个特征值；
2b2)计算极化SAR图像的H/A/alpha分解参数和H/A/alpha分解总功率，计算公式分别为：
<mrow>
<mi>H</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<msub>
<mi>log</mi>
<mn>3</mn>
</msub>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>A</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>&alpha;</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<msup>
<mi>cos</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>|</mo>
<msub>
<mi>U</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
SPAN2＝λ1+λ2+λ3 (7)
其中，H为散射熵，A为反熵，为平均散射角，∑表示求和操作，λi、λj为滤波后的极化相干矩阵T的特征值，i,j分别对应第几个特征值，cos-1表示反余弦操作，|·|为取模操作，U1i表示酉矩阵U第一行第i列元素，SPAN2为极化SAR图像H/A/alpha分解总功率。
5.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法，步骤2c)所述的计算极化SAR图像Freeman分解总功率，实现步骤为：
2c1)计算极化SAR图像的Freeman分解参数，计算公式为：
<mrow>
<msub>
<mi>P</mi>
<mi>v</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mn>8</mn>
<msub>
<mi>f</mi>
<mi>v</mi>
</msub>
</mrow>
<mn>3</mn>
</mfrac>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<msub>
<mi>f</mi>
<mi>d</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mo>|</mo>
<mi>&alpha;</mi>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<msub>
<mi>f</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mo>|</mo>
<mi>&beta;</mi>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Pv是体散射功率矩阵，Pd是二面角散射功率矩阵，Ps是表面散射功率矩阵，α＝RghRvh/RgvRvv，Rgh和Rgv分别表示水平表面的水平反射系数和垂直反射系数，Rvh和Rvv分别表示垂直表面的水平反射系数和垂直反射系数，RH为HH后向散射系数，RV为VV后向散射系数，HH表示水平发射水平接收组合，VV表示垂直发射垂直接收组合，|·|表示取模操作；
2c2)计算极化SAR图像的Freeman分解总功率，计算公式为：
SPAN3＝Ps+Pv+Pd (9)
其中，SPAN3表示极化SAR图像的Freeman分解总功率。
6.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法，步骤2d)中所述的计算极化SAR图像总功率纹理参数、H/A/alpha分解总功率纹理参数和Freeman分解总功率纹理参数，实现步骤为：
2d1)分别计算极化SAR图像总功率、极化SAR图像H/A/alpha分解总功率和极化SAR图像Freeman分解总功率的灰度共生矩阵P(i,j)，计算公式均为：
P(i,j)＝#{(x1,y1),(x2,y2)∈M×N|f(x1,y1)＝r,f(x2,y2)＝s} (10)
其中，#{·}表示集合的大小，f(x,y)是大小为M×N的灰度图像，r为像素点(x1,y1)的灰度值，s为像素点(x2,y2)的灰度值；
2d2)分别计算极化SAR图像总功率、极化SAR图像H/A/alpha分解总功率和极化SAR图像Freeman分解总功率的灰度共生矩阵的纹理参数，计算公式均为：
<mrow>
<mi>E</mi>
<mi>n</mi>
<mi>r</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mi>g</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mi>g</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mi>P</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>C</mi>
<mi>o</mi>
<mi>n</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mi>g</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mi>g</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>H</mi>
<mi>o</mi>
<mi>m</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mi>g</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mi>g</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Enr表示能量，Con表示反差，Hom表示逆差距，Ng为P(i,j)的灰度级别,i、j表示灰度共生矩阵P(i,j)的第i行第j列，∑表示求和操作。
7.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法，步骤3a)中对滤波后的极化相干矩阵T进行向量化，是指将滤波后的极化相干矩阵T变换为9维的向量I形式：
I＝[T11,T22,T33,Re(T12),Im(T12),Re(T13),Im(T13),Re(T23),Im(T23)] (14)
其中，Re(·)表示取实部操作，Im(·)表示取虚部操作。
8.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法，步骤4a)中所述的对深度置信网络的参数进行无监督训练，实现步骤为：
4a1)将深度置信网络的参数随机初始化为较小的值；
4a2)将所有多维特征极化SAR图像像素输入到深度置信网络的底层中进行无监督训练，得到深度置信网络的底层参数{w1,b1,c1}；
4a3)将深度置信网络的底层输出作为深度置信网络的上层输入进行无监督训练，得到深度置信网络的上层参数{w2,b2,c2}，最终得到无监督训练后的深度置信网络参数{w1,w2,1/2(c1+b2),c2}。
9.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法，步骤4b)中所述的对无监督训练后的深度置信网络的参数进行微调，实现步骤为：
4b1)从多维特征极化SAR图像中随机选取1％-15％的像素作为带标签数据；
4b2)利用带标签的数据，对无监督训练后的深度置信网络参数{w1,w2,1/2(c1+b2),c2}进行微调，得到训练好的深度置信网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710311299.6A CN107145860B (zh) | 2017-05-05 | 2017-05-05 | 基于空间信息和深度学习的极化sar图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710311299.6A CN107145860B (zh) | 2017-05-05 | 2017-05-05 | 基于空间信息和深度学习的极化sar图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107145860A true CN107145860A (zh) | 2017-09-08 |
| CN107145860B CN107145860B (zh) | 2019-11-26 |
Family
ID=59776844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710311299.6A Active CN107145860B (zh) | 2017-05-05 | 2017-05-05 | 基于空间信息和深度学习的极化sar图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107145860B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109615025A (zh) * | 2018-12-28 | 2019-04-12 | 内蒙古工业大学 | 快速地物分类方法 |
| CN109740475A (zh) * | 2018-12-25 | 2019-05-10 | 杭州世平信息科技有限公司 | 一种遥感图像地面场景分类方法 |
| CN109784413A (zh) * | 2019-01-23 | 2019-05-21 | 西安电子科技大学 | 一种基于长短时记忆循环神经网的极化sar图像分类方法 |
| CN110405837A (zh) * | 2019-08-12 | 2019-11-05 | 广东三维家信息科技有限公司 | 工艺加工方法、装置及加工设备 |
| CN110703221A (zh) * | 2019-10-16 | 2020-01-17 | 艾索信息股份有限公司 | 基于极化特征的城市低空小目标分类识别系统 |
| CN113505710A (zh) * | 2021-07-15 | 2021-10-15 | 黑龙江工程学院 | 一种基于深度学习sar图像分类的图像选择的方法及系统 |
| CN113705580A (zh) * | 2021-08-31 | 2021-11-26 | 西安电子科技大学 | 基于深度迁移学习的高光谱图像分类方法 |
| CN113705580B (zh) * | 2021-08-31 | 2024-05-14 | 西安电子科技大学 | 基于深度迁移学习的高光谱图像分类方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104517284A (zh) * | 2014-09-29 | 2015-04-15 | 西安电子科技大学 | 基于深度置信网的极化sar图像分割 |
| CN105894013A (zh) * | 2016-03-29 | 2016-08-24 | 西安电子科技大学 | 基于cnn和smm的极化sar图像分类方法 |
-
2017
- 2017-05-05 CN CN201710311299.6A patent/CN107145860B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104517284A (zh) * | 2014-09-29 | 2015-04-15 | 西安电子科技大学 | 基于深度置信网的极化sar图像分割 |
| CN105894013A (zh) * | 2016-03-29 | 2016-08-24 | 西安电子科技大学 | 基于cnn和smm的极化sar图像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| FANG LIU: "POL-SAR Image Classification Based on Wishart DBN and Local Spatial Information", 《 IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING 》 * |
| 邓磊等: "深度置信网络在极化SAＲ图像分类中的应用", 《中国图像图形学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740475A (zh) * | 2018-12-25 | 2019-05-10 | 杭州世平信息科技有限公司 | 一种遥感图像地面场景分类方法 |
| CN109615025A (zh) * | 2018-12-28 | 2019-04-12 | 内蒙古工业大学 | 快速地物分类方法 |
| CN109784413A (zh) * | 2019-01-23 | 2019-05-21 | 西安电子科技大学 | 一种基于长短时记忆循环神经网的极化sar图像分类方法 |
| CN110405837A (zh) * | 2019-08-12 | 2019-11-05 | 广东三维家信息科技有限公司 | 工艺加工方法、装置及加工设备 |
| CN110703221A (zh) * | 2019-10-16 | 2020-01-17 | 艾索信息股份有限公司 | 基于极化特征的城市低空小目标分类识别系统 |
| CN113505710A (zh) * | 2021-07-15 | 2021-10-15 | 黑龙江工程学院 | 一种基于深度学习sar图像分类的图像选择的方法及系统 |
| CN113505710B (zh) * | 2021-07-15 | 2022-06-03 | 黑龙江工程学院 | 一种基于深度学习sar图像分类的图像选择的方法及系统 |
| CN113705580A (zh) * | 2021-08-31 | 2021-11-26 | 西安电子科技大学 | 基于深度迁移学习的高光谱图像分类方法 |
| CN113705580B (zh) * | 2021-08-31 | 2024-05-14 | 西安电子科技大学 | 基于深度迁移学习的高光谱图像分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107145860B (zh) | 2019-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107145860B (zh) | 基于空间信息和深度学习的极化sar图像分类方法 | |
| CN104517284B (zh) | 基于深度置信网的极化sar图像分割 | |
| CN108564006B (zh) | 基于自步学习卷积神经网络的极化sar地物分类方法 | |
| CN104077599B (zh) | 基于深度神经网络的极化sar图像分类方法 | |
| CN104156728B (zh) | 一种基于栈式编码和softmax的极化SAR图像分类方法 | |
| CN107292317B (zh) | 基于浅层特征与t矩阵深度学习的极化sar分类方法 | |
| CN105184309B (zh) | 基于cnn和svm的极化sar图像分类 | |
| CN108846426A (zh) | 基于深度双向lstm孪生网络的极化sar分类方法 | |
| CN104463193B (zh) | 基于深度稀疏ica的极化sar图像分类方法 | |
| CN103247059B (zh) | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 | |
| CN104331707A (zh) | 基于深度pca网络和svm的极化sar图像分类方法 | |
| CN107145830A (zh) | 基于空间信息增强和深度信念网络的高光谱图像分类方法 | |
| CN104318245A (zh) | 基于稀疏深度网络的极化sar图像分类 | |
| CN107358142A (zh) | 基于随机森林构图的极化sar图像半监督分类方法 | |
| CN105046268B (zh) | 基于Wishart深度网络的极化SAR图像分类方法 | |
| CN107368852A (zh) | 一种基于非下采样轮廓波dcgan的极化sar图像分类方法 | |
| CN107292336A (zh) | 一种基于dcgan的极化sar图像分类方法 | |
| CN109284786A (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
| CN107944370A (zh) | 基于dccgan模型的极化sar图像分类方法 | |
| CN105469098A (zh) | 一种自适应特征权重合成的lidar数据地物精确分类方法 | |
| CN104318246A (zh) | 基于深度自适应脊波网络的极化sar图像分类 | |
| CN102999762B (zh) | 基于Freeman分解和谱聚类的极化SAR图像分类方法 | |
| CN107403434A (zh) | 基于两阶段聚类的sar图像语义分割方法 | |
| CN107832797A (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
| CN105975912A (zh) | 基于神经网络的高光谱图像非线性解混方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |