[发明专利]基于Wishart深度网络的极化SAR图像分类方法

权利要求书

1.一种基于Wishart深度网络的极化SAR图像分类方法，包括如下步骤：

(1)读入一幅待分类的极化SAR图像，采用精致极化LEE滤波方法对待分类的极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图像；

(2)从滤波后的极化SAR图像随机选取10％的有标记数据作为训练样本，剩下的90％有标记数据作为测试样本；

(3)Wishart RBM是深度网络DBN的基本构成单元，可用于特征学习，构造三层Wishart RBM结构，完成对极化SAR样本的特征学习：

(3a)将训练样本输入到第一层Wishart RBM中进行训练，得到能表征输入数据的特征，并保存第一层Wishart RBM的权值和偏置；

(3b)将第一层Wishart RBM训练得到的特征输入到第二层Wishart RBM中进行训练，得到能表征第一层Wishart RBM所得的特征的新特征，并保存第二层Wishart RBM的权值和偏置；

(3c)将第二层Wishart RBM训练得到的特征输入到第三层Wishart RBM中进行训练，得到能表征第二层Wishart RBM所得的特征的新特征，并保存第三层Wishart RBM的权值和偏置，该第三层Wishart RBM学习到的特征就是三层Wishart RBM结构学习得到的特征；

(4)训练深度网络DBN：

将三层Wishart RBM学习得到的特征作为深度网络DBN的最后一层贝叶斯网络softmax分类器层的输入，对softmax分类器层进行训练，得到训练好的softmax分类器，并保存softmax分类器的权值；

用三层Wishart RBM的权值和偏置及softmax分类器的权值构成深度网络DBN网络，并用基于最小交叉熵的共轭梯度法对该深度网络DBN进行200次训练，得到训练好的深度网络框架；

(5)将测试数据输入到训练好的深度网络框架中得到分类结果；

(6)在完成分类后的极化SAR图像上，按照红、绿、蓝三基色在相同类别上相同的颜色，得到上色后的分类结果图并输出。

2.根据权利要求1所述的基于Wishart深度网络的极化SAR图像分类方法，其中所述步骤(3a)中训练第一层Wishart RBM，按如下步骤进行：

(3a1)设置参数：设置隐藏层节点数为256，训练迭代次数为3，学习率r为0.1，自由度n为4；

(3a2)根据下面的公式计算Wishart RBM的隐藏层激活值f₁：

f1=δ(W1iX+b1i),]]>

其中为Wishart RBM在第i次训练时的权值，为Wishart RBM在第i次训练时的隐藏层偏置，X为输入数据，δ为sigmoid函数，其形式如下所示：

δ(x)＝1/(1+exp(-x))；

(3a3)根据步骤(3a2)得到的激活值f₁，按照下式计算对输入数据的重构值Y₁：

Y1=w((W1if1+c1i)(W1if1+c1i)H),]]>

其中，为Wishart RBM第i次训练时的重构偏置，()^H表示取共轭操作，w为Wishart RBM的重构函数，形式如下：

w(C)=nqn|C|n-qexp(-nTr(Σ-1C))K(n,q)|Σ|n,]]>

其中q为矩阵维数，此处取q＝3，n为自由度，Tr()表示取矩阵的迹，∑为C的均值，K(n,q)为中间变量：

K(n,q)=πq(q-1)2Γ(n)...Γ(n-q+1),]]>

式中，Γ(n)＝(n-1)！，()！表示阶乘操作；

(3a4)根据下式更新以及的值：

W1i+1=W1i+r(Xf1-Y1δ(W1iY1+b1i)),]]>

b1i+1=b1i+r(X-Y1),]]>

c1i+1=c1i+r(f1-δ(W1iY1+b1i));]]>

重复步骤(3a2)至步骤(3a4)，当迭代次数i＝3，则停止迭代并保存以及的值。