[发明专利]基于多层量子脊波表示的极化SAR图像地物的分类方法

摘要

本发明公开了一种基于多层量子脊波表示的极化SAR图像地物分类方法，主要解决现有技术特征表达不充分、分类精度低及时间复杂度高的问题。其实现步骤为1.提取极化SAR图像的图像特征；2.将特征组合构成特征矩阵并归一化；3.从特征矩阵中选取训练数据集和测试数据集；4.用两层量子脊波网络训练训练数据集；5.用人工神经网络NN网络分类器对训练数据集训练并分类；6.利用训练好的分类器对测试数据集分类。本发明由于使用了多层量子脊波神经网络，结构更灵活，提高了极化SAR图像特征的表达能力，能够有效地提高极化SAR图像分类的精度，并降低时间复杂度，可用于复杂图像分类。

主权项

一种基于多层量子脊波表示的极化SAR图像地物分类方法，包括如下步骤：(1)提取极化SAR图像的特征：(1a)取极化SAR图像每个像素点的协方差矩阵C的主对角线上的元素c11，c22，c33；(1b)对每个像素点的相干矩阵T采用Cloude分解得到散射熵H和平均散射角α；(1c)对每个像素点的协方差矩阵C采用Freeman分解，得到表面散射功率矩阵Ps、二面角散射功率矩阵Pd、体散射功率矩阵Pv；(2)特征组合并归一化：用上述参数c11，c22，c33，H，α，Ps，Pd，Pv组成极化SAR图像所有像素点的8维特征矩阵，并将该特征矩阵的8维特征归一到[0,1]之间的数值，构造一组8维列向量Feature；(3)将极化SAR图像地物分为15类，每类选取50个像素点，共750个像素点作为训练样本，每类选取1000个像素点，共15000个像素点作为测试样本，分别组成一个8*750的训练数据集U1和8*15000的测试样本集V1；(4)用两层量子脊波神经网络训练训练数据集U1：(4a)将训练数据集U1输入到第一层脊波神经网络进行训练，得到脊波神经网络隐层单元的输出U2，即极化SAR图像训练数据集的高级特征；(4b)将上述高级特征U2输入到第二层量子脊波神经网络进行训练，得到量子脊波神经网络隐层单元的输出U3，即极化SAR图像训练数据集的更高级特征：(4b1)将上述高级特征U2输入量子脊波神经网络；(4b2)随机初始化量子脊波神经网络中连接隐含单元与输出单元的权值矩阵W2，脊波的位置u2，脊波的尺度a2，脊波的方向b2，初始化量子间隔数n和量子间隔θ；(4b3)用最速下降法多次迭代更新权值矩阵W2，量子脊波的位置u2，尺度a2，方向b2，量子间隔数n和量子间隔θ，完成量子脊波神经网络的训练；(4b4)调节量子脊波神经网络的隐层单元结点数目，得到训练数据集的更高级特征U3；(5)将上述训练数据集的更高级特征U3输入到人工神经网络NN网络分类器进行训练，得出训练数据集U1的分类标签，统计标签相同的样本个数，得到训练分类准确率，通过微调网络各层的参数得到最优训练分类准确率；(6)极化SAR图像分类：将测试数据集V1输入到两层量子脊波神经网络中，得出输出值V3；将输出值V3输入到训练好的人工神经网络NN网络分类器中，得出测试数据集V1的分类标签。