[发明专利]基于小波稀疏自编码器的极化SAR图像分类方法

说明书

本发明公开了一种基于小波稀疏自编码器的极化SAR图像分类方法，主要解决由于提取特征数据的无关性和冗余性以及特征提取不合理而造成的分类精度下降的问题。其主要步骤是：(1)、输入图像；(2)、预处理；(3)、提取图像特征；(4)、选取训练样本和测试样本；(5)、训练小波稀疏自编码器；(6)、训练softmax分类器；(7)、调整网络参数；(8)、图像分类；(9)、上色；(10)、输出分类结果图。本发明降低了时间复杂度，反应了数据的本质特性，能更好地从低维特征中学到更高维的特征，同时具有良好的去噪效果，提高了图像的分类精度。

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图像分类技术领域中的一种基于小波稀疏自编码器的极化合成孔径雷达SAR(Synthetic Aperture Radar，SAR)图像分类方法。本发明采用一代小波函数与稀疏自编码器相结合对极化合成孔径雷达SAR图像进行分类，可用于极化合成孔径雷达SAR图像目标检测和目标识别。

背景技术

极化合成孔径雷达已成为国内外合成孔径雷达发展的重要方向之一，而极化SAR图像分类是SAR图像解译的重要研究技术。极化SAR能对目标进行更全面的描述，其测量数据包含了丰富的目标信息，因此极化SAR在目标检测、分类及参数反演等方面具有非常明显的优势。极化SAR图像分类的目的是利用机载或星载极化SAR传感器获得的极化测量数据确定每个像素所属的类别，而分类的方法一直是该领域前沿研究的热点，利用地物的极化散射特性与模式识别领域的分类方法已构建了诸多极化SAR图像分类方法。

西安电子科技大学申请的专利“基于Cloude分解和K—wishart分布的极化SAR图像分类方法”(申请号：201210414789.6，公开号：CN102999761A)中提出了一种基于Cloude分解和K—wishart分布的极化SAR图像分类方法，该方法的具体步骤包括：(1)读入极化SAR图像，对图像中的每一个像素点进行Cloude分解，得到熵H和散射角α；(2)根据熵H和散射角α进行初始分类；(3)对初始分类结果进行K—wishart迭代，得到分类结果。该方法计算复杂度相对较小，与经典方法相比，精度有所提高，但是，该方法仍然存在的不足之处是：该方法属于无监督分类，未经过预处理操作，只能依靠散射信息对地物进行聚类，没有学习到数据的深层特征和细节特征，使得极化SAR分类准确率偏低。

孟云闪发表的论文“LSSVM算法在极化SAR影响分类中的应用”《地理空间信息》，(文章编号：1672-4623(2012)03-0043-03)中公开了一种用LLSVM对极化SAR图像分类的方法，该方法的具体步骤包括：对极化SAR图像进行目标分解，提取5个参数组成的矢量集作为特征；将特征矢量集进行归一化处理；将传统的SVM与LLSVM进行性能对比，获得分类结果。该方法存在的不足之处是：LLSVM分类器无法保证得到的解为全局最优解，并且缺乏稀疏性，容易导致过拟合，无法克服孤立点和噪声的影响，使得极化SAR分类准确率偏低。

发明内容

本发明的目的在于克服上述已有技术的缺点，提出了一种基于小波稀疏自编码器的极化SAR图像的分类方法。本发明与现有技术中其它极化SAR图像分类技术相比，降低了时间复杂度，去除了数据的无关性和冗余性，反应了数据的本质特性，能更好地从低维特征中学到更高维的特征，同时具有良好的去噪效果，并且小波稀疏自编码器具有更强的学习能力，提高了图像的分类精度。

本发明实现上述目的思路是：先对极化SAR图像的协方差矩阵进行预处理，选取相应的训练样本、测试样本、训练标签和测试标签，利用训练样本训练小波稀疏自编码器，调整网络参数，将测试样本输入训练好的网络和分类器中，得到最终分类结果并计算准确率。

其具体步骤包括如下：

(1)输入图像：

输入一幅待分类的极化SAR图像的协方差矩阵C，其中，C矩阵的大小为3*3*N,N表示极化SAR图像像素点的总数；

(2)预处理：