[发明专利]基于RBM和SVM的极化SAR图像分类

说明书

技术领域

本发明属于图像处理技术领域，涉及图像分类领域的应用，具体的说是一种基于RBM和SVM的极化SAR图像分类方法，可用于对极化SAR图像的地物分类和目标识别。

背景技术

极化SAR是一种高分辨主动式相干多通道微波遥感成像雷达，它是SAR的一个重要分支，具有全天候、全天时、分辨率高、可侧视成像等优点，可广泛应用于军事、农业、导航、地理监视等诸多领域。极化SAR能够获得更加丰富的目标信息，在国际遥感领域受到高度重视，因此极化SAR图像分类已成为极化SAR信息处理的一个重要研究方向。

现有的极化SAR图像分类方法可以分为有监督分类和无监督分类。

有监督分类方法包括：Lee等提出的基于复Wishart分布的极化协方差矩阵监督分类方法，由于极化协方差矩阵C可以通过线性变换得到极化相干矩阵T，这样就得到Wishart分类器，这种方法要求C或T矩阵的概率密度分布函数服从复Wishart分布，对数据分布要求严格；Heermann等提出的基于后向传播神经网络的极化SAR图像分类方法，这种方法收敛速度慢，且容易陷入局部最优。

无监督分类方法包括：Cloude等提出的H/α非监督分类，它是通过Cloude目标分解得到散射熵H和平均散射角α特征参数后，根据这两个参数的范围对目标进行八分类，这种方法分类边界固定导致区域的划分过于武断，且只利用H和α这两个参数，极化信息没有得到充分利用，导致分类准确度低；Lee等提出基于Cloude目标分解和Wishart分类器的H/α-Wishart非监督分类方法，它是在原始H/α分类基础上增加了Wishart迭代，弥补了H/α分类固定边界的缺陷，但这种方法不能很好的保持各类的极化散射特性；Lee等基于Freeman分解提出了一种极化SAR图像分类方法，它主要是根据Freeman分解获得平面散射功率、二面角散射功率和体散射功率的大小对极化数据进行划分，并对初始划分进行类别合并，最后再利用Wishart分类器重新划分，这种方法保持了各类的散射特性，但存在多类别的划分及合并，计算复杂度较高。

发明内容

本发明的目的在于针对已有技术的不足，提出一种基于RBM和SVM的极化SAR图像分类方法，充分利用图像的空间相关性和极化信息，对原始特征空间重新学习，提取更有效的特征进行分类，提高了分类精度。

为实现上述目的，本发明包括如下步骤：

步骤1，输入待分类的极化SAR图像，进行精致极化Lee滤波，去除斑点噪声，得到滤波后的极化SAR图像；

步骤2，基于滤波后的极化SAR图像每个像素点的极化相干矩阵T和极化协方差矩阵C，得到图像的原始特征空间；

步骤3，根据极化SAR图像的地物分布参考图中已标注的信息，随机选择每类的训练样本，得到训练样本集合：

本发明中采样得到的每类样本数目为600个；

步骤4，初始化限制玻耳兹曼机(Restricted Boltzmann Machine，RBM)的相关参数；

步骤5，将选取的训练样本分批次并归一化到[0.1,0.9]后训练RBM网络；

步骤6，重复步骤5，直至满足终止条件，本方法中选取的终止条件为达到最大迭代次数200次，然后得到RBM的参数θ＝(W,a,b)以及隐藏层的输出特征p(h＝1|v⁽⁰⁾)：

其中，W是可见层与隐藏层之间的连接权重，a是可见层偏置，b是隐藏层偏置，p(h＝1|v⁽⁰⁾)表示在已知可见层状态v⁽⁰⁾时采样出隐藏层各个单元状态h＝1的概率，并将此作为RBM的输出特征；

步骤7，将步骤6得到的隐藏层特征(即极化SAR图像训练样本的原始数据经过RBM重新学习得到的隐藏层特征)以及训练样本标签去训练SVM分类器；

步骤8，利用训练好的SVM分类器预测分类：

将待分类的极化SAR图像原始的测试数据归一化到[0.1,0.9]后，输入训练好的RBM，得到RBM隐藏层的特征，然后利用这些特征输入到训练好的SVM对待分类的极化SAR图像进行分类，得到每个像素点的类别；

步骤9，输出图像并计算分类精度。

本发明首先对极化SAR图像滤波，减少噪声影响；其次，充分提取图像的原始特征并进行归一化；然后，初始化并训练RBM网络，对图像的原始特征重新学习；最后，利用RBM网络隐藏层输出的特征训练SVM分类器，并预测分类以及计算分类精度。本发明与现有的技术相比具有以下优点：