[发明专利]基于深度RPCA的极化SAR地物分类方法

摘要

本发明公开了一种基于深度RPCA的极化SAR地物分类方法。本发明实现步骤为(1)读入极化SAR图像；(2)滤波；(3)提取特征；(4)特征组归一化；(5)选择训练样本和测试样本；(6)训练深度鲁棒主成分分析RPCA第一层；(7)训练深度鲁棒主成分分析RPCA第二层；(8)训练支持向量机SVM；(9)生成超像素；(10)分类；(11)计算分类精度；(12)输出结果。本发明提取的图像特征，相比于极化SAR图像的散射特征，包含了更加丰富的地物信息，用于分类时,有效地提高了分类精度，可用于极化SAR图像目标的检测和目标识别。

主权项

一种基于深度鲁棒主成分分析RPCA的极化SAR地物分类方法，包括如下步骤：(1)读入一幅待分类的极化SAR图像；(2)滤波：采用精致极化LEE滤波法，对极化SAR图像中的所有像素点进行滤波，得到滤波后的极化SAR图像像素点的相干矩阵；(3)提取特征：(3a)从滤波后的极化SAR图像的像素点的相干矩阵中，提取每个像素点的功率、数据分布特征参数和相对峰值；(3b)利用泡利Pauli分解方法，对每个像素点提取3个表征泡利Pauli分解的散射特征参数；(3c)利用弗里曼—得登Freeman‑Durden分解方法，对每个像素点提取9个表征弗里曼—得登Freeman‑Durden分解的散射特征参数；(3d)利用克拉徳Cloude分解方法，对每个像素点提取6个表征克拉徳Cloude分解的散射特征参数；(3e)利用慧能Huynen分解方法，对每个像素点提取9个表征慧能Huynen分解的散射特征参数；(3f)利用克罗艾厄Krogager分解方法，对每个像素点提取3个表征克罗艾厄Krogager分解的散射特征参数；(3g)对每个像素点提取的3个表征泡利Pauli分解的散射特征参数、9个表征弗里曼—得登Freeman‑Durden分解的散射特征参数、6个表征克拉徳Cloude分解的散射特征参数、9个表征慧能Huynen分解的散射特征参数和3个表征克罗艾厄Krogager分解的散射特征参数，组成一个30维的散射特征参数；(3h)从滤波后的极化SAR图像像素点的相干矩阵中，提取每个像素点的偏振特征；(3k)从滤波后的极化SAR图像的每个像素点和该点对应的8邻域像素点的相干矩阵中，提取位于相干矩阵中的上三角处的三个元素的实部值、虚部值和模，以及相干矩阵中位于对角线上的三个元素的实部值；将所提取的位于相干矩阵中的上三角处的三个元素的实部值、虚部值和模以及对角线上的三个元素的实部值，作为像素点的邻域信息特征；(4)特征组归一化：(4a)将像素点的功率、数据分布特征参数、相对峰值、散射特征参数、偏振特征、邻域信息特征组合成特征组；(4b)将特征组归一到0～1之间的数值，得到归一化的特征组；(4c)将归一化的特征组，作为深度鲁棒主成分分析RPCA的原始输入数据；(5)选择训练样本和测试样本：根据极化SAR图像的真实地物标记，分别从每个地物类别随机选取5％的有标记的原始输入数据作为训练样本，剩余的95％的有标记的原始输入数据作为测试样本；(6)训练深度鲁棒主成分分析RPCA第一层：(6a)利用matlab软件，将一个训练样本转换为方阵；(6b)按照从上到下、从左到右的顺序，依次对方阵中的每一个元素取矢量块，矢量块的大小设置为3×3个像素点；(6c)分别对每个矢量块求平均值，用矢量块内的数据减去均值，将得到的结果作为该矢量块的均值移除结果；(6d)判断所有的训练样本的矢量块是否都进行均值移除，若是，则执行步骤(6e)，否则，执行步骤(6a)；(6e)对所有训练样本的均值移除结果按列排序，得到排序后的矩阵；(6f)对排序后的矩阵，用低秩逼近的方法，求解排序后矩阵的低秩部分；(6g)用构造公式，构造深度鲁棒主成分分析RPCA第一层的鲁棒主成分分析滤波器；(6h)用深度鲁棒主成分分析RPCA第一层的鲁棒主成分分析滤波器与训练样本进行二维卷积，将卷积的结果作为训练样本的一阶特征；(7)训练深度鲁棒主成分分析RPCA第二层：(7a)利用matlab软件，将一个训练样本的一阶特征转换为方阵；(7b)按照从上到下、从左到右的顺序，依次对方阵中的每一个元素取矢量块，矢量块的大小设置为3×3个像素点；(7c)分别对每个矢量块求平均值，用矢量块内的数据减去均值，将得到的结果作为该矢量块的均值移除结果；(7d)判断所有的训练样本的一阶特征的矢量块是否都进行均值移除，若是，则执行步骤(7e)，否则，执行步骤(7a)；(7e)对所有训练样本的一阶特征均值移除结果按列排序，得到排序后矩阵；(7f)对排序后的矩阵，用低秩逼近的方法，求解排序后矩阵的低秩部分；(7g)用构造公式，构造深度鲁棒主成分分析RPCA第二层的鲁棒主成分分析滤波器；(7h)用深度鲁棒主成分，分析深度鲁棒主成分分析RPCA第二层的鲁棒主成分分析滤波器与训练样本的一阶特征进行二维卷积，将卷积的结果作为训练样本的二阶特征；(8)用训练样本的二阶特征训练支持向量机SVM，得到训练好的支持向量机SVM；(9)生成超像素：(9a)从滤波后的极化SAR图像中，等间距地选取像素点，作为初始种子点；(9b)对初始种子点进行碰撞，得到超像素；(10)分类：(10a)采用特征值学习方法，对深度鲁棒主成分分析RPCA中的一个超像素进行特征值学习，得到超像素的特征值；(10b)将超像素的特征值输入支持向量机SVM中，用训练后的支持向量机SVM对超像素进行分类，得到超像素所属地物的类别；(10c)将超像素内的所有像素点所属地物类别划分为该超像素所属地物类别，得到该超像素内的所有像素点所属地物类别；(10d)判断是否得到全部超像素内的所有像素点所属地物类别，若是，执行步骤(11)，否则，执行步骤(10a)；(11)计算分类精度：(11a)将极化SAR图像的测试样本像素点所属地物类别与真实地物类别进行对比，将类别一致的像素点个数与测试样本中该类别全部像素点个数的比值，作为该类别的正确率；(11b)判断是否得到全部类别的正确率，若是，执行步骤(11c)，否则，执行步骤(11a)；(11c)将类别一致的像素点个数与测试样本中全部像素点个数的比值作为极化SAR图像的分类精度；(12)输出结果：根据红、绿、蓝三基色原理，对每个像素点所属地物类别，用同一种颜色标出同类地物，得到上色后的极化SAR图像并输出图像。