[发明专利]基于Wishart深度网络的极化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，具体涉及极化合成孔径雷达SAR图像的分类方法，可用于实现极化SAR图像的地物分类和目标识别。

背景技术

合成孔径雷达SAR系统能够得到具有全天候、全天时、分辨率高的遥感图像，极化合成孔径雷达PolSAR是先进的SAR系统，通过发射和接收极化雷达波来描述观察到的土地覆盖物和目标。

在过去的二十年中，研究表明，PolSAR在目标检测、地物分类、参数反演、地形提取应用方面能够提供比单极化SAR更多有用的信息。如今，一些星载平台，如TerraSAR-X卫星，RADARSAT-2卫星，和ALOS-PALSAR卫星不断地提供着数据量巨大的极化SAR数据。手动解释这些大量极为复杂的图像是不靠谱的。因此，迫切地需要开发自动或半自动系统来对极化SAR图像进行解释和信息挖掘。

根据是否需要训练样本和人工干预，PolSAR图像分为监督分类和非监督分类。对于这两种方法，特征提取和分类技术是两个基本要素。PolSAR图像分类的性能在很大程度上依赖于特征。出于这个原因，许多PolSAR图像分类方法着力于PolSAR图像特征的提取。

Cloude等人提出的基于H/α目标分解的极化SAR图像非监督分类方法，见Cloude S R，Pottier E.An entropy based classification scheme for land applications of polarimetric SAR[J].IEEE Trans.Geosci.Remote Sensing.1997，35(1)：549-557.就是一种特征提取的方法，该方法主要是通过Cloude分解获取H和α两个表征极化数据的特征，然后根据H和α组成的H/α平面人为的将其划分为9个区域，去掉一个理论上不可能存在的区域，最终将图像划分为8类。H/α分类存在的一个缺陷是区域的划分过于武断，当数据分布区域边界上时可能会被错误的划分，另外，同一类别的地物可能会划分不到不同的区域内，同时，同一区域内也可能存在不同类别的地物。

Yoshio Yamaguchi等提出了一种基于四分量目标分解的极化图像非监督分类算法，见Yoshio Yamaguchi,Toshifumi Moriyama,Motoi Ishido,and Hiroyoshi Yamada,“Four-Component Scattering Model for Polarimetric SAR Image Decomposition,”IEEE Trans.Geosci.Remote Sens,vol.43,no.8,Aug.2005。该方法将极化SAR数据分解为四个简单的散射机制相结合。这四个散射机制分别为：平面散射、二面角散射、体散射和螺旋散射。

上述这些特征的提取的方法是都是根据要解决的问题以及数据的特征人工设计出来的，因此劳动强度特别大。

DBN是一种无监督特征学习框架，它能够提取多层特征。类似于人脑的层次模型，DBN能提取从低层次到高层次的特征。DBN是通过假设数据服从高斯分布来对数据进行特征学习的，但是PolSAR数据服从的是Wishart分布。因此，将PolSAR数据服从的分布引入DBN，来完成特征学习，可以学习到能有效表征PolSAR数据的特征，实现更好的分类效果。限制玻尔兹曼机RBM是DBN的基本构成，通过Wishart RBM可以将PolSAR数据的分布引入DBN。因此，它更有利于DBN在PolSAR数据上的应用。

发明内容

本发明的目的在于针对已有技术的不足，提供一种基于Wishart深度网络的极化SAR图像分类方法，以提高深度网络DBN在极化SAR数据上的分类效果和精度。

实现本发明目的的技术方案是：对极化SAR图像进行滤波；提取每个像素的9个独立元素，并用基于Wishart RBM的深度网络DBN对这些数据学习特征；再用基于最小交叉熵的共轭梯度法对基于Wishart RBM的深度网络DBN进行微调，得到更好的特征和分类结果。具体步骤包括如下：

(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：