[发明专利]基于重要采样的深度SVM极化SAR分类方法

说明书

本发明公开了一种基于重要采样的深度SVM极化SAR分类方法，主要解决现有分类方法数据代表性不好、很难获取关键信息导致分类正确率低的问题。其实现步骤是：(1)对原始数据集进行归一化；(2)用深度信念网络进行特征表示；(3)用重要采样建立训练样本集和测试样本集；(4)用SVM获得初始分类结果；(5)选取置信度较高的样本构成新的SVM参数，并对原始数据集进行分类。本发明通过重要采样，可获得代表性较好的样本；用深度信念网络，可挖掘出代表性更好的特征；选取置信度较高的样本，可有效的提高分类准确率，可用于模式识别、目标检测和分类的问题。

技术领域

本发明属于图像处理技术领域，特别涉及对样本代表性的探索，通过深度支撑向量机(Support Vector Machine，SVM)挖掘极化数据中的关键信息的分类方法，可用于模式识别、目标检测、极化数据分类。

背景技术

随着电子技术，尤其是大规模集成电路技术的高速发展，合成孔径雷达(Synthetic Aperture Radar,SAR)正朝着多分辨、多波段、多极化、多工作模式等方向发展，致力于提供更多更丰富的目标散射信息。极化SAR(Polarimetric SAR)是能对目标进行全极化测量的合成孔径雷达，能对目标进行更为全面的描述，其数据包含了更丰富的目标信息，具有全天候、全天时、高分辨率、可侧视成像等优点，近年来成为遥感领域的新热点，其地物分类问题作为极化SAR图像解译的重要研究内容和关键技术，在民用和军事领域具有重大的理论意义和应用价值。

目前机载和星载极化SAR数据飞速增长，但极化SAR图像信息自动解译系统的发展还远远不能满足现有数据处理的需求，同时合成孔径雷达图像特有的成像机理和环境也加大了极化SAR图像人工判读和自动识别的困难程度。因此如何对海量的极化SAR数据进行分析和利用，快速有效的提取出尽可能多的目标信息，将是遥感信息处理领域的一个重要的研究方向。

由于地表情况的复杂性和地物散射机理的复杂性，地物散射特征的分析十分困难。虽然已经有Cloude和Freeman等基于散射特性的特征提取方法，但是离真正的从散射回波中分析出物体的类别，进行精准的分类，还有很大一段距离。

Freeman-Durden分解需要满足反射对称性的条件(共同极化与交叉极化回波不相关)，分别对体散射、表面散射和偶次散射进行物理建模，仅用于描述自然地物。Cloude分解是一种基于特征分解参数的方法，对H/α平面进行划分，然后根据H/α的值把各像素化为相应区域的类别，进行Wishart迭代，对细小目标的分类结果较差。现有的特征提取方法不可避免的会丢失原始图像的部分信息，所以很难找到十分契合的特征。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于重要采样的深度SVM极化SAR分类方法，以避免数据代表性不好、很难获取关键信息带来的误分，有效地提高极化SAR的分类正确率。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)对原始数据集进行归一化处理，得到归一化后的数据集；

(2)对归一化后的数据集进行深度信念网络(Deep Belief Networks，DBN)特征表示；

(3)分别建立训练样本集trainData1、trainData2、trainData3和测试样本集testData1、testData2、testData3；

(3a)在DBN特征表示后的数据集中分别选取包含相同地物的3块不同区域Z1、Z2、Z3对应的数据集Data1、Data2、Data3；

(3b)在数据集Data1、Data2、Data3中，分别进行重要采样，构成训练样本集trainData1、trainData2、trainData3；