[发明专利]一种基于半监督卷积神经网络的极化SAR分类方法

摘要

本发明公开了一种基于半监督卷积神经网络的极化SAR分类方法，首先输入图像数据，超像素分割；提取训练样本和测试样本；采用近邻保持和稀疏滤波的深度学习网络NDSFN对卷积神经网络的参数进行无监督预训练，得到所需的滤波器集合；通过卷积操作得到特征图；通过下采样对特征图进行模糊；根据第二个卷积层的滤波器尺寸调整NDSFN的参数设置得到新的特征图；利用Softmax分类器对训练样本进行图像分类；采用少量标记样本进行微调，得到极化SAR地物分类，本发明通过构建新颖的半监督卷积神经网络SNCNN模型，有效解决了传统的有监督卷积神经网络对有标记样本的需求较大的问题。

主权项

1.一种基于半监督卷积神经网络的极化SAR分类方法，其特征在于，首先输入图像数据，超像素分割；提取训练样本和测试样本；采用近邻保持和稀疏滤波的深度学习网络NDSFN对卷积神经网络的参数进行无监督预训练，得到所需的滤波器集合；通过卷积操作得到特征图；通过下采样对特征图进行模糊；根据第二个卷积层的滤波器尺寸调整NDSFN的参数设置得到新的特征图；利用Softmax分类器对训练样本进行图像分类；采用少量标记样本进行微调，得到极化SAR地物分类，包括以下步骤：S1、输入待分类的极化SAR图像数据，由极化SAR图像的相干矩阵T并结合极化SAR的Pauli分解图生成样本X；S2、训练样本和测试样本，从样本X中随机提取出L个训练样本X_l，M个测试样本X_m，其中，L+M＝N，根据所有样本的类别信息，每类随机选取1％的样本作为训练样本，其余的为测试样本；S3、将训练样本数据输入到稀疏滤波与近邻保持构成的深度学习网络NDSFN中，得到训练好的权重W，然后将W变换为卷积神经网络卷积层所需的滤波器集合，具体为：S301、训练样本矩阵为利用MATLAB软件中的reshape函数将训练集样本每一通道上大小为a×b的样本矩阵转化为向量形式，即训练样本为其中x_i∈R^(a×b)×6；S302、将经过上述处理的训练样本按通道送入稀疏滤波与近邻保持构成的深度学习网络NDSFN中学习相应卷积层滤波器参数，其中需要保持稀疏滤波的输出维数与卷积层的节点数相同，假设卷积层节点数为p，则稀疏滤波通过训练得到的连接权重W大小m²×p，可以将W分解为p个m×m的矩阵，每个矩阵代表一个卷积核也就是滤波器；S4、通过卷积操作得到特征图，具体为：S401、卷积神经网络的输入数据是大小为a×b×c的图像块，c表示维度,a和b分别表示图像块的长和宽；S402、将步骤S3预训练出卷积层滤波器参数用于卷积层，将训练样本送入卷积层，设卷积层的滤波器大小为A×B，则卷积层的输出数据大小为：(a‑A+1)×(b‑B+1)×O在卷积层，一个卷积层输出节点对应一个特征图，O就代表卷积层输出的特征图数量，(a‑A+1)×(b‑B+1)表示特征图的大小，经过卷积核的卷积运算以及激活函数的共同作用，可以得到该卷积层的第j个通道的输出：其中，M_j表示用于计算的输入样本子集，x_i是输入样本子集的第i个样本，k_ij为卷积核矩阵，也就是滤波器，*表示卷积运算，b_j为特征图的偏置，f(·)为激活函数；S5、通过下采样对特征图进行模糊，具体为：对于下采样层，是在数据进过卷积层之后，进行的子采样操作，下采样层不会改变卷积层所得特征图的数量，但是每个特征图的尺寸都会等比例缩小，第k层下采样层的输出可以表示为：其中，为下采样的权重系数，为下采样层的偏置项，down(·)为下采样函数；S6、根据第二个卷积层的滤波器尺寸调整NDSFN的参数设置，重复步骤S3、S4和S5，得到新的特征图；S7、将步骤S6中得到的特征图转变为一维向量，作为全连接层的输入，利用Softmax分类器对训练样本进行图像分类；S8、利用少量有标签样本，根据最终的分类结果与标签之间的差异，通过BP算法对卷积神经网络进行微调，更新参数，直至损失函数收敛网络的训练结束；S9、根据测试样本中心像素点的超像素块和邻域的交集来确定测试样本，其余部分用零值填充，对中心像素点的类别信息进行预测并计算分类精度。