[发明专利]基于邻域信息和SVGDL的极化SAR图像分类方法

摘要

本发明公开了一种基于邻域信息和SVGDL的极化SAR图像分类方法，主要解决现有技术中极化合成孔径雷达SAR图像分类过程中字典学习收敛速度慢而导致的运算时间长、计算效率低的问题。本发明的具体步骤如下：(1)输入极化SAR图像；(2)滤波；(3)提取极化邻域特征；(4)降维；(5)选取训练样本和测试样本；(6)训练字典和分类器；(7)测试字典和分类器；(8)上色；(9)输出分类结果图。本发明与现有技术相比，有效地提高了极化SAR图像分类正确率和计算效率。

主权项

1.一种基于邻域信息和SVGDL的极化SAR图像分类方法，包括如下步骤：(1)输入一幅待分类的极化SAR图像的相干矩阵；(2)滤波：采用滤波窗口大小为7*7像素的精致Lee滤波器，对待分类的极化SAR图像的相干矩阵进行滤波，去除斑点噪声，得到滤波后的极化SAR图像的相干矩阵；(3)提取极化邻域特征：(3a)对滤波后的极化SAR图像的相干矩阵的每个元素的进行特征分解，得到每个元素的特征值和对应的特征向量；(3b)采用克劳德Cloude分解方法，对滤波后的极化SAR图像的相干矩阵的每个元素进行分解，得到克劳德Cloude分解的2维散射特征向量；(3c)采用弗里曼‑德登Freeman‑Durden分解方法，对滤波后的极化SAR图像的相干矩阵的每个元素进行分解，得到弗里曼‑德登Freeman‑Durden分解的3维散射特征向量；(3d)采用特征提取方法，对滤波后的极化SAR图像的相干矩阵的每个元素提取9维特征向量；(3e)将克劳德Cloude分解得到的2维散射特征向量，弗里曼‑德登Freeman‑Durden分解得到的3维散射特征向量，特征提取方法得到的9维特征向量，组成滤波后的极化SAR图像的相干矩阵的每个元素的14维极化特征向量；将滤波后的极化SAR图像的相干矩阵的所有元素的极化特征向量组成一个14*N的极化特征矩阵，得到极化SAR图像的极化特征矩阵，其中，N表示极化SAR图像中所有像素点的总数；(3f)采用邻域特征提取方法，从极化SAR图像的极化特征矩阵中提取邻域特征矩阵；(4)降维：采用主成分分析PCA算法，对极化SAR图像的邻域特征矩阵进行降维，得到降维后的极化SAR图像的邻域特征矩阵；(5)选取训练样本和测试样本：(5a)根据极化SAR图像的实际地物分布，在极化SAR图像的邻域特征矩阵中标记出每类有标签的样本；(5b)从每类有标签的样本中随机选取5000个样本作为训练样本，将剩余所有的有标签样本作为测试样本；(6)训练字典和分类器：采用选择性最小化方法，训练支撑矢量指导字典学习SVGDL模型中的字典和分类器，得到训练好的支撑矢量指导字典学习SVGDL模型的字典和分类器；所述的选择性最小化方法的具体步骤如下：第1步，输入训练样本，从每类训练样本中随机选取60个样本对支撑矢量指导字典学习SVGDL模型中的字典进行初始化，得到初始化的支撑矢量指导字典学习SVGDL模型的字典；第2步，将支撑矢量指导字典学习SVGDL模型中的编码向量、分类器的标准超平面和标准超平面相应的偏置均初始化为0；第3步，从所有类别的训练样本中任意选取一类训练样本，将所选取的训练样本的标签设置为1，所选取训练样本之外的其他类别的训练样本的标签设置为‑1；第4步，将支撑矢量指导字典学习SVGDL模型的编码向量和字典保持不变，将所有标签为1和标签为‑1的训练样本输入到支撑矢量指导字典学习SVGDL模型的分类器中，得到该类训练样本的分类器；第5步，判断是否选取完所有类别的训练样本，若是，则执行第6步；否则，执行第3步；第6步，将支撑矢量指导字典学习SVGDL模型的字典和分类器的标准超平面和相应的偏置保持不变，按照下式，更新支撑矢量指导字典学习SVGDL模型中的编码向量：其中，z_i'表示第i个训练样本在支撑矢量指导字典学习SVGDL模型更新后的编码向量，z_i表示第i个训练样本在支撑矢量指导字典学习SVGDL模型的编码向量，argmin表示取最小值操作，表示求2范数的平方操作，x_i表示第i个训练样本，D表示支撑矢量指导字典学习SVGDL模型中的字典，λ₁、λ₂和θ分别表示平衡参数，∑表示求和操作，c表示训练样本的类别，C表示类别总数，l(·)表示判别函数，表示一个常数，当y_i＝c时，否则，y_i表示第i个训练样本的标签，u_c表示支撑矢量指导字典学习SVGDL模型中第c类训练样本的分类器的标准超平面，b_c表示支撑矢量指导字典学习SVGDL模型中第c类训练样本的分类器的标准超平面相应的偏置；第7步，将支撑矢量指导字典学习SVGDL模型的编码向量和分类器的标准超平面和相应的偏置保持不变，按照下式，更新支撑矢量指导字典学习SVGDL模型的字典：其中，D'表示支撑矢量指导字典学习SVGDL模型更新后的字典，D表示支撑矢量指导字典学习SVGDL模型的字典，argmin表示取最小值操作，表示求F范数的平方操作，X表示所有的训练样本，Z表示所有样本在支撑矢量指导字典学习SVGDL模型更新后的编码向量，s.t.表示条件约束符号，||·||²表示求2范数的平方操作，d_k表示支撑矢量指导字典学习SVGDL模型的字典的第k个原子，表示任取一个值的操作符号，∈表示属于符号，K表示支撑矢量指导字典学习SVGDL模型的字典的原子总数；第8步，判断更新后的支撑矢量指导字典学习SVGDL模型的字典与更新前的字典的误差是否小于0.01，若是，则执行第9步；否则，执行第6步；第9步，得到训练好的支撑矢量指导字典学习SVGDL模型的字典和分类器；(7)测试字典和分类器：(7a)将测试样本输入到训练好的支撑矢量指导字典学习SVGDL模型的字典和分类器中，得到测试样本的预测标签；(7b)按照下式，计算测试样本的测试正确率：其中，b表示测试样本的测试正确率，size表示求个数的操作，p表示测试样本的预测标签，l表示测试样本的标签；(7c)将降维后的极化SAR图像的邻域特征矩阵输入到训练好支撑矢量指导字典学习SVGDL模型的字典和分类器中，得到极化SAR图像的预测标签；(8)上色：(8a)将极化SAR图像的预测标签排列成与待分类的极化SAR图像大小相等的标签矩阵，将该标签矩阵表示为一幅图像，得到分类后的极化SAR图像；(8b)在分类后的极化SAR图像上，将红色、绿色、蓝色三个颜色作为三基色，按照三基色上色法进行上色，得到上色后的极化SAR图像，输出上色后的极化SAR图像；(9)输出分类结果图。