[发明专利]基于稀疏自动编码器的极化SAR图像分类方法

权利要求书

1.一种基于稀疏自动编码器的极化SAR图像分类方法，包括如下步骤：

(1)输入待分类的极化合成孔径雷达SAR图像的相干矩阵；

(2)滤波：

采用滤波窗口大小为7×7的李Lee滤波器，对相干矩阵进行滤波，得到去噪后的相干矩阵；

(3)选取样本：

(3a)在去噪后的相干矩阵中，将每一列向量的元素作为一个样本，将去噪后的相干矩阵中的所有样本组成一个样本集；

(3b)从样本集中随机选取8%的样本作为无标签样本集；

(3c)从样本集中随机选取5%的样本作为训练样本集，将剩余95%的样本作为测试样本集；

(4)获取稀疏主分量：

(4a)对无标签样本集中的所有样本取平均值，用无标签样本集中的每一个样本分别减去平均值，获得去均值后的无标签样本集；

(4b)对去均值后的无标签样本集，采用稀疏主分量分析方法，得到去均值后的无标签样本集的稀疏主分量；

(4c)将去均值后的无标签样本集的稀疏主分量分别与训练样本集、测试样本集和去均值后的无标签样本集相乘，得到降维后的训练样本集、测试样本集和无标签样本集；

(5)训练稀疏自动编码器：

(5a)在[-2，2]范围内任意选取两个数，分别作为稀疏自动编码器的权重值和偏差值；

(5b)对选取的稀疏自动编码器的权重值和偏差值，采用均方差衰减公式，获取整体样本均方差衰减值；

(5c)对获得的整体样本均方差衰减值，采用梯度下降法，获取稀疏自动编码器的最优权重值和最优偏差值；

(6)提取特征：

对降维后的训练样本集和测试样本集，采用特征提取方法，得到训练样本特征集和测试样本特征集；

(7)支持向量机分类：

对训练样本特征集和测试样本特征集进行分类，得到训练样本特征集和测试样本特征集的分类结果；

(8)输出分类结果。

2.根据权利要求1所述的基于稀疏自动编码器的极化SAR图像分类方法，其特征在于，步骤(4b)所述的稀疏主分量分析方法的具体步骤如下：

第一步，对去均值后的无标签样本集，进行奇异值分解SVD，得到左奇异矩阵、奇异值矩阵和右奇异矩阵，将右奇异矩阵中的每一列向量作为去均值后的无标签样本集的一个特征向量，在所有特征向量中选取前6个特征向量作为去均值后的无标签样本集的主分量的初值；

第二步，初始化去均值后的无标签样本集的稀疏主分量，选择零向量作为去均值后的无标签样本集的稀疏主分量的初值，设定ε为迭代停止参数，ε的取值范围为0＜ε＜＜1；

第三步，按照下式，计算去均值后的无标签样本集的稀疏主分量的迭代值：

B1=argminB0|X-A0B0TX|2+P(B0)]]>

其中，B₁表示去均值后的无标签样本集的稀疏主分量的迭代值，arg min(·)表示取最小值操作，B₀表示去均值后的无标签样本集的稀疏主分量的初值，|·|²表示取模的平方操作，X表示去均值后的无标签样本集，A₀表示去均值后的无标签样本集的主分量的初值，(·)^T表示转置操作，P(B₀)表示去均值后的无标签样本集的稀疏主分量的稀疏度；

第四步，计算去均值后的无标签样本集的协方差矩阵与去均值后的无标签样本集的稀疏主分量的迭代值的乘积，对得到的乘积进行奇异值分解SVD，得到左奇异矩阵、奇异值矩阵和右奇异矩阵；

第五步，按照下式，计算去均值后的无标签样本集的主分量的迭代值：

A₁＝U₁V₁^T

其中，A₁表示去均值后的无标签样本集的主分量的迭代值，U₁表示奇异值分解SVD得到的左奇异矩阵，V₁表示奇异值分解SVD得到的右奇异矩阵，(·)^T表示转置操作；

第六步，判断去均值后的无标签样本集的稀疏主分量的迭代值是否满足下式迭代停止条件，若满足，迭代终止，执行第七步；若不满足，分别选取去均值后的无标签样本集的主分量的迭代值和稀疏主分量的迭代值作为新的去均值后的无标签样本集的主分量的初值和稀疏主分量的初值，执行第三步、第四步和第五步，直至满足停止迭代条件，迭代终止，执行第七步：

||B1||B1||-B0||B0||||≤ϵ]]>

其中，B₁和B₀分别表示去均值后的无标签样本集的稀疏主分量的迭代值和初值，ε表示迭代停止参数，ε的取值范围为0＜ε＜＜1，||·||表示取模操作；

第七步，将迭代终止时去均值后的无标签样本集的稀疏主分量的迭代值，作为去均值后的无标签样本集的稀疏主分量。