[发明专利]基于K-SVD和深度堆栈网络的极化SAR图像分类方法

摘要

本发明公开了一种基于K‑SVD和深度堆栈网络的极化SAR图像分类方法，主要解决深度堆栈网络随机初始化导致的图像分类精度低的问题。其实现步骤为：1)输入图像，提取原始数据特征并归一化；2)利用K‑SVD从归一化后的原始数据特征中提取过完备字典；3)从归一化后的原始数据特征中提取训练数据集；4)将过完备字典作为深度堆栈网络的初始化参数，并用训练数据集训练深度堆栈网络；5)利用训练好的深度堆栈网络计算分类标签；6)对分类标签上色，输出上色后的分类结果图。本发明不仅能够提取极化SAR图像中更加复杂的特征，而且加快了深度堆栈网络的收敛速度，提高了极化SAR图像的分类精度，可用于目标识别和图像解译。

主权项

1.一种基于K‑SVD和深度堆栈网络的极化SAR图像分类方法，包括：

1)输入任意一副待分类的极化SAR图像数据，提取极化SAR图像的原始数据特征并归一化；

2)利用K‑SVD算法从归一化后的原始数据特征中提取过完备字典D；

3)根据真实的地物标记，从每个地物类别中分别选取10％有标记的归一化后的原始数据特征作为训练数据集X₁；

4)利用步骤2)得到的过完备字典D和训练数据集X₁训练深度堆栈网络：

4a)设置深度堆栈网络的模块数m；

4b)将过完备字典D作为深度堆栈网络最底层模块M₁中连接输入层和隐含层的系数矩阵W₁的初始值，并用训练数据集X₁训练最底层模块M₁；

4c)设置模块初始值i＝1；

4d)将底层模块M_i的输入和输出拼接成为新的训练数据集X_i+1，将X_i+1作为邻接的上层模块M_i+1的输入，将底层模块M_i中的系数矩阵W_i与一个大小为C×L的随机矩阵拼接，作为模块M_i+1中连接输入层和隐含层的系数矩阵W_i+1的初始值，并训练模块M_i+1，其中C是真实地物的类别数，L是过完备字典D中的原子个数；

4e)令i＝i+1，重复步骤4d)，直到i＝m‑1，停止训练，得到训练好的深度堆栈网络；

5)利用训练好的深度堆栈网络，对步骤1)中提取的归一化后的原始数据特征进行分类，得到极化SAR图像的分类标签；

6)对分类标签上色，得到上色后的极化SAR图像，并输出上色后的极化SAR分类结果图。

2.根据权利要求1所述的方法，其中步骤1)中提取极化SAR图像的原始数据特征并归一化，其实现如下：

1a)按照下式对极化SAR图像中的一个像素点p提取特征参数：

其中B表示像素点p的相干矩阵，a表示目标的对称性因子，b表示目标的非对称性因子，c表示目标的构型因子，d表示目标局部曲率差的度量，e表示目标的曲面扭转，f表示目标的螺旋形，g表示对称和非对称不等间的耦合，h表示目标的方向性，l表示目标的非规则性因子，j表示虚数单位；

1b)将1a)得到的9个特征参数a,b,c,d,e,f,g,h,l顺序排列，形成一个大小为9×1的向量x，作为像素点p的原始数据特征：

x＝[a b c d e f g h l]^T，

其中(·)^T表示向量的转置；

1c)重复步骤1a)‑1b)，依次对极化SAR图像中每个像素点提取原始数据特征，得到极化SAR图像中每个像素点的原始数据特征x_i，将所有像素点的原始数据特征拼接，得到大小为9×N的极化SAR图像的原始数据特征X：

X＝[x₁ x₂...x_i...x_N]，

其中i＝1,2,...,N，N是极化SAR图像中像素点的个数；

1d)对极化SAR图像的原始数据特征X进行归一化，得到归一化后的极化SAR图像的原始数据特征

其中是第i个像素点归一化后的原始数据特征，min(X)计算得到矩阵X中每一行的最小值，max(X)计算得到矩阵X中每一行的最大值。

3.根据权利要求1所述的方法，其中步骤2)中利用K‑SVD算法从归一化后的原始数据特征中提取过完备字典D，其实现如下：

2a)根据所使用的极化SAR图像，设置K‑SVD算法的最大迭代次数I₁＝20，过完备字典中原子个数L＝25和稀疏系数k₀＝3；

2b)从归一化后的原始数据特征中随机选取L个样本作为过完备字典D的初始值D⁽¹⁾，其中L是过完备字典D中的原子个数；

2c)设置K‑SVD算法的迭代次数初始值k＝1；

2d)在第k次训练过程中，固定字典D^(k)，对每一个样本用正交匹配追踪算法求解对应的稀疏系数a_i，即

并令系数矩阵A＝[a₁ a₂...a_i...a_N]，其中i＝1,