[发明专利]基于散射能量和堆栈自编码的极化SAR图像分类方法

摘要

本发明公开了一种基于散射能量和堆栈自编码的极化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图像特征的提取数据无关性和冗余性的影响而导致分类过程复杂，和无法提取极化SAR图像空间特征而导致分类精度不高的问题。本发明的具体实现步骤如下：(1)输入待分类的极化合成孔径雷达SAR图像的相干矩阵；(2)对极化SAR相干矩阵进行补偿；(3)获取散射模型的散射能量；(4)获取样本；(5)训练堆栈自编码；(6)堆栈自编码分类；(7)输出分类结果。本发明具有对极化合成孔径雷达SAR图像分类效果显著的优点。

主权项

1.一种基于散射能量和堆栈自编码的极化SAR图像分类方法，包括如下步骤：(1)输入待分类的极化合成孔径雷达SAR图像的相干矩阵；(2)对极化合成孔径雷达SAR相干矩阵进行补偿：(2a)按照下式，计算极化合成孔径雷达SAR相干矩阵的极化方位角：其中，θ表示极化合成孔径雷达SAR相干矩阵的极化方位角，arctan(·)表示求取弧度角操作，Re(·)表示求取复数的实部操作，T₂₃表示极化合成孔径雷达SAR相干矩阵中的第2行第3列的元素，T₂₂表示极化合成孔径雷达SAR相干矩阵的第2行第2列的元素，T₃₃表示极化合成孔径雷达SAR相干矩阵的第3行第3列的元素；(2b)按照下式，得到极化合成孔径雷达SAR相干矩阵的旋转矩阵：其中，U表示极化合成孔径雷达SAR相干矩阵的旋转矩阵，cos(·)表示求取余弦值操作，sin(·)表示求取正弦值操作；(2c)按照下式，得到补偿后的极化合成孔径雷达SAR相干矩阵：T‘＝UTU^‑1其中，T‘表示补偿后的极化合成孔径雷达SAR相干矩阵，T表示输入待分类的极化合成孔径雷达SAR图像的相干矩阵，(·)^‑1表示矩阵求逆操作；(3)获取散射模型的散射能量：对补偿后的极化合成孔径雷达SAR相干矩阵进行弗里曼Freeman‑Durden分解，得到极化合成孔径雷达SAR相干矩阵的表面散射、二面角散射、体散射模型的散射能量向量；所述的弗里曼Freeman‑Durden分解的具体步骤如下：第一步，按照下式，计算极化相干矩阵的散射能量：P_v＝4T₃₃其中，P_s表示极化相干矩阵的表面散射能量，β表示弗里曼Freeman‑Durden分解的参数，T₁₂表示极化合成孔径雷达SAR相干矩阵中的第1行第2列的元素，T₁₁表示极化合成孔径雷达SAR相干矩阵的第1行第1列的元素，α表示弗里曼Freeman‑Durden分解的参数，P_d表示极化相干矩阵的二面角散射能量，P_v表示极化相干矩阵的体散射能量；第二步，按照下式，分别计算弗里曼Freeman‑Durden分解的两个参数α,β：(4)获取样本：(4a)采用大小为5×5的滑动窗口，以极化合成孔径雷达SAR图像中每个像素点为该滑动窗口的中心，提取滑动窗口内的像素块，将所提取的像素块作为样本，将所提取的所有样本组成一个样本集；(4b)从样本集中随机选取5％的样本作为训练样本集，将剩余的95％样本作为测试样本集；(5)训练堆栈自编码网络：将训练样本输入到一个三层的堆栈自编码网络，得到训练好的堆栈自编码网络；所述的训练堆栈自编码网络具体步骤如下：第一步，训练第一层稀疏自动编码器：在[‑1,1]范围任意选取一个数，作为第一层的稀疏自动编码器的权重，偏差值选取0；对获得的训练样本均方差衰减值，采用梯度下降法，获取第一层的稀疏自动编码器的最优权重值和最优偏差值；采取特征提取方法，提取每一个训练样本的特征，将得到的所有特征组合第一层的训练样本特征集；第三步，训练第二层稀疏自动编码器：在[‑1,1]范围任意选取一个数，作为第二层的稀疏自动编码器的权重，偏差值选取0；对获得的第一层的训练样本特征集的均方差衰减值，采用梯度下降法，获取第二层的稀疏自动编码器的最优权重值和最优偏差值；采取特征提取方法，提取每一个训练样本的特征，将得到的所有特征组合第二层的训练样本特征集；第四步，训练第三层柔性最大值Softmax分类器：在[‑1,1]范围任意选取一个数，作为柔性最大值Softmax的权重，偏差值选取为0；对获得的第二层的训练样本特征集的交叉熵衰减值，采用梯度下降法，获取柔性最大值Softmax的最优权重值和最优偏差值；第五步，微调整体网络权重和偏差值：对获得整体网络的训练样本的均方差衰减值，采用梯度下降法，获取整体网络的最优权重值和最优偏差值，得到训练好的堆栈编码网络；(6)堆栈自编码网络分类：将测试样本集输入到训练好的堆栈自编码网的第一层进行分类，得到测试样本的分类结果；(7)输出分类结果。