[发明专利]基于深度稀疏ICA的极化SAR图像分类方法

说明书

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雷达能够获得丰富的目标信息，在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值，如地物种类的识别、农作物成长监视、产量评估、地物分类、海冰监测、地物沉降监测，目标检测和海洋污染检测等。而极化SAR图像分类又是极化SAR图像处理的中的重要内容，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。快速、准确的极化SAR图像分类是实现各种实际应用的前提。

首都师范大学在其专利申请“极化SAR图像分类方法”(专利申请号：201310685303.7，授权公告号：CN103617427A)中提出了一种基于极化SAR图像散射熵H、反熵A和散射角α的极化SAR分类方法。该方法首先提取极化SAR图像的散射熵H、反熵A和散射角α并将其作为第一特征集，然后将所述极化SAR图像分解为两个子孔径图像，分别提取所述两个子孔径图像的特征：散射熵H、反熵A和散射角α从而得到两个子特征集(H₁,A₁,α₁)、(H₂,A₂,α₂)，并将所述的两个子特征集中的各相应特征的值相减，得到所述各相应特征的差值的集合(ΔH,ΔA,Δα)作为第二特征集，最后将所述第一特征集和所述的第二特征集输入到决策树分类模型中，得到所述极化SAR图像的分类结果。该专利技术虽然不仅利用了从极化SAR图像本身提取的特征集合，同时利用了两个子孔径图像提取的特征各相应的差值的集合，即两种不同类型的特征集合，使得所提取的特征相比于以往仅仅提取原极化SAR图像的散射特征更加丰富，但是该技术仍然仅仅只是利用了单一的散射特征，而忽略了更加丰富的图像的底层特征如纹理特征、颜色特征、空间位置关系等，这在一定程度上限制了极化SAR图像分类精度的提高。

西安电子科技大学在其专利申请“基于SDIT和SVM的极化SAR图像分类方法”(专利申请号：201410089692.1，授权公告号：CN103824084A)中提出了一种基于SDIT和SVM的极化SAR图像分类方法。该方法首先对待分类的极化SAR图像进行精致Lee滤波，然后提取图像的散射、偏振及纹理特征，将得到的特征进行组合并归一化，最后用归一化后的特征训练分类器，预测分类并计算分类精度。该专利技术虽然充分利用了极化SAR图像包含的丰富的纹理信息和偏振信息，弥补了仅仅依靠散射特性对极化SAR图像分类的不足，在一定程度上提高了分类的精度，但仍然存在的不足是，该专利技术只是将所提取的散射、偏振和纹理信息进行简单的堆叠，然后输入SVM直接用于分类，这导致输入的特征中包含较多的冗余信息，并且特征维数过高，使得分类效率大大下降。

发明内容

本发明的目的在于针上对述现有技术的不足，提出一种基于深度稀疏ICA的极化SAR图像分类方法。以充分利用极化SAR的散射特性和图像的底层特征，提高分类的精度和分类效率。

本发明的技术方案是：对待分类的极化SAR图像进行精致Lee滤波，提取图像的散射、纹理、颜色及协方差矩阵特征作为原始特征；利用深度稀疏ICA方法提取原始特征的深度稀疏特征表示；用得到的深度稀疏特征表示训练分类器，用训练好的分类器对整幅待分类极化SAR图像进行地物分类，对分类后的极化SAR图像进行上色输出。其实现步骤包括如下：

(1)输入待分类的极化合成孔径雷达SAR图像T1和待分类SAR图像的真实地物标记图像T2；

(2)采用精致Lee滤波方法，对待分类的极化SAR图像T1进行滤波，去除斑点噪声，得到滤波后的极化SAR图像T1’；

(3)提取滤波后的极化SAR图像T1’的散射、纹理、颜色及协方差矩阵特征；

(4)将散射特征、纹理特征、颜色特征及协方差矩阵特征组合成原始样本特征集，并将该原始样本特征集的值归一化到0～1之间，进行白化处理；

(5)选取无标签样本集，训练样本集和测试样本集；

5a)在白化处理过的原始样本特征集中随机选取2％的样本特征作为无标签样本集X_{un_0}；