[发明专利]基于小波稀疏自编码器的极化SAR图像分类方法

摘要

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。

主权项

1.一种基于小波稀疏自编码器的极化SAR图像分类方法，包括如下步骤：(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：(2a)采用精制极化Lee滤波器，对协方差矩阵C进行滤波，去除斑点噪声，得到极化SAR图像每个像素点的滤波后矩阵；(2b)采用零相位差成分分析ZCA白化算法，对滤波后矩阵进行白化,得到极化SAR图像每个像素点的预处理后矩阵；(3)提取图像特征：分别提取每个像素点预处理后矩阵中位于上三角处的三个元素的实部值和虚部值、预处理后矩阵中位于对角线上三个元素的实部值，组成一个N*9的样本集，N表示极化SAR图像像素点的总数；(4)选取训练样本和测试样本：(4a)根据真实的地物标记，将待分类的极化SAR图像分为15类，得到无标签样本集和标签样本集；(4b)从标签样本集每一类别中任意选取700个样本作为训练样本集，将剩余的标签样本作为测试样本集；(5)训练小波稀疏自编码器：(5a)用一代小波函数作为栈式稀疏自编码器的激活函数，得到小波稀疏自编码器网络结构；(5b)采用标准正态分布随机数产生函数，随机生成小波稀疏自编码器的权重值和偏差值；(5c)采用均方差衰减公式，利用随机生成的权重值和偏差值，计算得到整体样本均方差衰减值；(5d)采用梯度下降法，对获得的整体样本均方差衰减值进行权重值和偏差值的迭代更新，得到小波稀疏自编码器的最优权重值和最优偏差值；(6)训练Softmax分类器：输入网络模型参数和训练样本集，得到训练好的Softmax分类器；(7)调整网络参数：采用反向传播方法，对整个小波稀疏自编码器进行微调，得到微调后的网络模型结构；(8)图像分类：采用训练好的小波稀疏自编码器和Softmax分类器，对测试样本集进行分类，将分类得到的极化SAR测试样本像素所属地物类别与真实地物类别进行比对，将类别一致的像素点归于一个类别；(9)上色：根据红、蓝、绿三基色原理，对每个像素所属地物类别，用同一颜色标出同类地物，得到上色后的分类结果图；(10)输出分类结果图。