[发明专利]基于RBM和SVM的极化SAR图像分类

摘要

本发明公开了一种基于RBM和SVM的极化SAR图像分类方法，主要解决现有极化SAR图像分类方法分类精度不高的问题。其实现步骤为(1)输入待分类的极化SAR图像，并进行精致极化Lee滤波；(2)基于极化相干矩阵、极化协方差矩阵和Cloude分解提取每个像素点的原始特征并归一化；(3)初始化并训练RBM，得到相关参数；(4)根据RBM重新学习到的特征利用SVM进行分类，得到分类结果。本发明与现有的一些方法相比，不仅充分考虑到图像的空间相关性，而且能够提取出更有利于极化SAR图像分类的特征，明显地提高了极化SAR图像分类精度，可用于对极化SAR图像的地物分类和目标识别。

主权项

一种基于RBM和SVM的极化SAR图像分类方法，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；其中步骤1所述的精致极化Lee滤波，按照如下步骤进行：1a)边缘检测及方向窗口选取：在待分类的极化SAR分类图像的span总功率图像上，设置滤波窗口大小为7*7，按照像素空间位置，从左到右、从上到下将滤波窗口依次分解为9个子窗口，其中子窗口大小为3*3，子窗口之间有重叠，计算每个子窗口的均值，获得3*3大小的均值窗口；在均值窗口内，用水平、垂直、45度、135度这4方向边缘模板进行检测以确定边缘方向，即将均值窗口分别与4个模板进行加权，对得到的加权结果求绝对值，选出所有绝对值中的最大值，将该最大值对应的方向作为边缘方向；在3*3的均值窗口内，比较边缘方向两侧的像素元素与中心像素的邻近性，即均值窗口在边缘方向两侧的值减去中心像素的值，选取结果绝对值最小的一侧作为方向窗口；1b)权值参数计算及滤波处理：在方向窗口内，采用下式：计算精致极化Lee滤波的滤波系数b，(1)式中的y表示方向窗口内极化SAR总功率图像的像素值，var(y)表示方向窗口内像素值的总功率方差，表示y的数学期望，σv表示相干斑噪声的标准差，由滤波系数b，根据下式计算滤波后中心像素的极化相干矩阵或极化协方差矩阵(2)式中的表示方向窗口内像素的极化相干矩阵或极化协方差矩阵的数学期望，Z表示中心像素的极化相干矩阵或极化协方差矩阵；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，提取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：步骤4，初始化限制玻耳兹曼机(Restricted Boltzmann Machine，RBM)的相关参数，包括：4a)将选取的训练样本分成包含10到100个样本的小批量数据，然后逐个运算，本方法中每批次数据包含每类的5个训练样本数据；设置可见层单元数目为极化SAR图像每个像素点原始特征的维数110，隐藏层单元数目设置为30，即nv＝110,nh＝30；4b)初始化相关参数：本方法中将可见层单元偏置和隐藏层单元偏置、可见层与隐藏层之间的连接权重的学习率均设置为0.01，ηvb＝ηhb＝ηW＝0.01；权重损失系数λ设置为0.0002；初始动量学习率和最终动量学习率分别设置为0.5和0.9，即ρini＝0.5,ρfinal＝0.9；k步对比散度(Contrastive Divergence,CD)算法中参数k＝1；初始化可见层与隐藏层的连接权重W是服从均值为0，标准差为0.1的正态分布的随机数，隐藏层偏置b初始化为0，可见层偏置a初始化为[0,1]内的随机数，相应参数的增量均设置为0，即；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，包括：5a)对于每次迭代，在每小批量数据上，调用CD‑k算法，进行k次交替Gibbs采样，本方法只需1次交替Gibbs采样即可保证采集到的样本符合目标分布,具体为：其中(3)式表示在已知可见层状态v(0)时采样出隐藏层的第j个单元的状态等于1的概率，v(0)表示可见层的输入状态，即训练样本原始特征向量归一化后的数据，表示可见层第i个单元的状态，表示隐藏层第j个单元的状态，bj表示隐藏层第j个单元的偏置，wj,i表示可见层第i个单元与隐藏层第j个单元的连接权重；接着，产生[0,1]内的随机数rj,对进行二值化，即：若则否则，其中(4)式表示在已知隐藏层状态时采样出可见层各个单元状态以此来代替目标分布，其中ai表示可见层第i个单元的偏置；利用(5)、(6)、(7)式分别计算每次迭代时目标函数在每小批量数据上关于连接权重W、可见层偏置a、隐藏层偏置b的偏导数；△wi,j(iter)＝ρ*△wi,j(iter‑1)+ηW*(△wi,j(iter)/nblock‑λ*wi,j(iter‑1))      (8)△ai(iter)＝ρ*△ai(iter‑1)+ηvb*(△ai(iter)/nblock)               (9)△bi(iter)＝ρ*△bi(iter‑1)+ηhb*(△bi(iter)/nblock)              (10)本方法采用(8)、(9)、(10)式更新当前迭代(iter≥1)每小批量数据上的平均偏导数，其中nblock为小批量数据的数目，ρ为动量学习率，本方法中，当每次迭代次数大于30次时，ρ＝ρfinal＝0.9，否则，ρ＝ρini＝0.5；5b)利用梯度上升法更新RBM参数θ＝(W,a,b)，具体为：按上式更新当前迭代每小批量数据上的连接权重、可见层偏置和隐藏层偏置；步骤6，重复步骤5，直至满足终止条件，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，包括：7a)支持向量机(Support Vector Machine,SVM)是一种有效的监督分类器，根据间隔最大化准则构造最优分类超平面进行分类，具有良好的泛化能力；针对输入空间线性可分问题，SVM通过求解其对偶优化问题：s.t.αi≥0其中，αi是Lagrange乘子，xi,xj是训练样本数据，yi,yj是训练样本标签，m是训练样本数目，<·,·>表示欧式内积；求解出Lagrange乘子α，然后根据求解出超平面的法向量w，最后在α和w以求解出的情况下，可通过求解出超平面的截距b，其中T表示转置；这样，最优分类超平面可表示为7b)该方法引入核函数可将输入空间中线性不可分的问题转化到高维空间，使其在新空间中线性可分；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。