基于深度pca網(wǎng)絡(luò)和svm的極化sar圖像分類方法
【專利摘要】本發(fā)明公開了一種基于深度PCA網(wǎng)絡(luò)和SVM分類器的極化SAR圖像分類方法。本發(fā)明實現(xiàn)步驟為：對極化SAR圖像進行濾波，提取形狀特征參數(shù)、散射特征參數(shù)、偏振特征參數(shù)及協(xié)方差矩陣C的獨立元素，且組合歸一化為高維新特征，作為下一步要處理的數(shù)據(jù)；根據(jù)實際地物標記，分別從每個類別隨機選取10％有標記數(shù)據(jù)作為訓練樣本；對訓練樣本白化處理作為輸入對網(wǎng)絡(luò)第一層進行訓練，然后將結(jié)果作為第二層的輸入對網(wǎng)絡(luò)第二層進行訓練，并對輸出結(jié)果進行二值化和直方圖統(tǒng)計；將深度PCA網(wǎng)絡(luò)的輸出作為最終學習到的特征訓練SVM分類器；對測試樣本白化處理，輸入到訓練好的網(wǎng)絡(luò)框架中預測并計算正確率；上色顯示分類后的圖像并輸出最終結(jié)果。
【專利說明】基于深度PCA網(wǎng)絡(luò)和SVM的極化SAR圖像分類方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，涉及極化合成孔徑雷達圖像地物分類【技術(shù)領(lǐng)域】的 一種應用，具體是一種全新的基于深度主成分分析（Principal Component Analysis, PCA) 網(wǎng)絡(luò)和SVM的極化SAR圖像分類方法，可用于對極化SAR圖像的地物分類和目標識別，能有 效的提高極化SAR圖像分類正確率。

【背景技術(shù)】
[0002] 合成孔徑雷達（SAR)能夠得到全天時、全天候、分辨率高的遙感圖像，作為一種重 要的遙感圖像獲取手段，有著廣泛的應用。極化合成孔徑雷達（極化SAR)通過發(fā)射和接收 極化雷達波來描述觀察到的土地覆蓋物和目標，能夠得到更豐富的目標信息，在農(nóng)林業(yè)、軍 事、海洋、水文學和地質(zhì)學等方面具有廣泛的研究和應用價值。它是一種先進的SAR系統(tǒng)， 利用機載或星載極化傳感器獲得極化數(shù)據(jù)，確定每個像素所屬的類別來進行極化SAR圖像 分類。經(jīng)典的極化SAR分類方法包括：
[0003] Cloude等人提出了基于H/ a相干極化目標分解的極化SAR圖像非監(jiān)督分類方法。 該方法主要是通過Cloude分解提取兩個表征極化數(shù)據(jù)的特征參數(shù)，分別為散射熵H和散射 角a，然后根據(jù)H/a組成的特征空間將極化圖像劃分為9個區(qū)域，由于一個區(qū)域理論上是 不可能存在的，因此最終將圖像劃分為8類，且每個區(qū)域?qū)撤N類型的散射機制。H/ a 分類存在的兩個缺陷：一個是區(qū)域的劃分過于武斷；另一個是可能會將同一類別的地物劃 分到不同的區(qū)域內(nèi)，同時，不同類別的地物也可能存在于同一區(qū)域內(nèi)。
[0004] Yoshio Yamaguchi等提出了一種非相干極化目標的分解，即基于四分量目標分解 的極化圖像非監(jiān)督分類算法。這是另一種特征提取的方法。該方法將極化SAR數(shù)據(jù)分解為 四個散射機制之和。利用Yamaguchi分解可以獲得這四個散射機制的散射功率，分別為：平 面散射、二次散射、體散射和螺旋體散射。
[0005] 由于單一的目標分解不能完全描述地物的散射機理，其形成的特征不足以表征實 際地物，這樣導致極化SAR圖像的分類效果不好，不能滿足要求。鑒于此，本發(fā)明中深度PCA 網(wǎng)絡(luò)是將多種散射分解參數(shù)、偏振參數(shù)（Scattering Decomposition)、表征數(shù)據(jù)分布的參 數(shù)及協(xié)方差矩陣中提取出的9個獨立元素進行歸一化組合在一起的高維新極化SAR圖像分 類特征作為輸入。組合得到的新特征不僅包含了散射機理特征和數(shù)據(jù)的分布特征而且考慮 了地物的空間關(guān)系，充分利用了極化SAR圖像的特性。本發(fā)明中所提出的深度PCA網(wǎng)絡(luò)是 一種特征學習框架，深度PCA網(wǎng)絡(luò)能從低層次到高層次多層提取特征，可以準確地學習提 取更有效、更抽象的極化SAR特征。相比較低層的特征，較高層次的特征能更好地反映數(shù)據(jù) 的性質(zhì)，更有利于提1?分類精度。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于針對已有技術(shù)的不足，提出一種基于深度PCA網(wǎng)絡(luò)和SVM的極 化SAR圖像分類方法，以提高分類精度。
[0007] 為實現(xiàn)上述目的，本發(fā)明包括如下步驟：
[0008] 1、基于深度PCA網(wǎng)絡(luò)和SVM的極化SAR圖像分類方法，包括如下步驟：
[0009] (1)讀入一幅任選的待分類的極化SAR圖像；
[0010] (2)對待分類的極化SAR圖像采用精致極化LEE濾波法，得到濾波后的極化SAR圖 像；
[0011] (3)對濾波后的極化SAR圖像中表示每個像素點的協(xié)方差矩陣C，提取數(shù)據(jù)分布 特征參數(shù)a ;對濾波后的極化SAR圖像中表示每個像素點的協(xié)方差矩陣C，分別通過泡利 Pauli分解得到3個散射特征參數(shù)、弗里曼一得登Freeman-Durden分解得到7個散射特征 參數(shù)、克拉徳Cloude分解得到6個散射特征參數(shù)、慧能Huynen分解得到9個散射特征參數(shù) 和克羅艾厄Krogager分解得到3個散射特征參數(shù)，將通過這5種非相干極化目標分解方法 得到的相應散射特征參數(shù)組合為28維散射特征S = {Sl，S2，…，s28};對濾波后的極化SAR 圖像中表示每個像素點的協(xié)方差矩陣C，提取11維的偏振特征P= {Pl，p2，…，pn};
[0012] (4)從濾波后的極化SAR圖像表示每個像素點的協(xié)方差矩陣C中提取出9個獨立 的元素，并與步驟（3)中得到的數(shù)據(jù)分布特征參數(shù)a、28維散射特征和11維的偏振特征組 合，組合后進行歸一化作為原始輸入數(shù)據(jù)；
[0013] (5)根據(jù)極化SAR圖像的實際地物類別標記，在步驟⑷中得到的原始輸入數(shù)據(jù)中 標記與每種地物類別對應的數(shù)據(jù)，并把該數(shù)據(jù)作為有標記數(shù)據(jù)，在對應于每種地物類別的 有標記數(shù)據(jù)中隨機選取10%的有標記數(shù)據(jù)作為訓練樣本，剩下的90%有標記數(shù)據(jù)作為測 試樣本；
[0014] (6)對選取的訓練樣本做白化處理；
[0015] (7)用步驟（6)白化處理后的訓練樣本訓練深度PCA網(wǎng)絡(luò)，將深度PCA網(wǎng)絡(luò)的輸出 即深度PCA網(wǎng)絡(luò)最終學習到的特征作為下一步待處理的數(shù)據(jù)；
[0016] (7a)將步驟（6)白化處理后的訓練樣本作為輸入數(shù)據(jù)，輸入到深度PCA網(wǎng)絡(luò)第 一層中進行訓練，得到能表征輸入數(shù)據(jù)即步驟￠)白化處理后的訓練樣本的特征作為深度 PCA網(wǎng)絡(luò)第一層訓練得到的特征；
[0017] (7b)將深度PCA網(wǎng)絡(luò)第一層訓練得到的特征輸入到深度PCA網(wǎng)絡(luò)第二層中進行 訓練，得到能表征深度PCA網(wǎng)絡(luò)第一層特征的新特征，即深度PCA網(wǎng)絡(luò)第二層訓練得到的特 征；
[0018] (7c)對深度PCA網(wǎng)絡(luò)第二層訓練得到的特征進行二值化和直方圖統(tǒng)計，得到能夠 表征深度PCA網(wǎng)絡(luò)的第二層特征的新特征，這個新特征就是深度PCA網(wǎng)絡(luò)最終學習到的特 征，即深度PCA網(wǎng)絡(luò)的輸出；；
[0019] (8)利用步驟（7)中深度PCA網(wǎng)絡(luò)的輸出對SVM分類器進行訓練，得到訓練好的用 于分類的SVM分類器；
[0020] (9)將測試樣本白化處理后輸入到深度PCA網(wǎng)絡(luò)，經(jīng)步驟（7)得到深度PCA網(wǎng)絡(luò)的 輸出，后將深度PCA網(wǎng)絡(luò)的輸出輸入到步驟（8)訓練好的分類器中預測分類結(jié)果并計算正 確率；
[0021] (9a)輸入測試樣本，進行與訓練樣本相同的白化處理；
[0022] (9b)將白化后的測試樣本輸入到深度PCA網(wǎng)絡(luò)，經(jīng)步驟（7)得到深度PCA網(wǎng)絡(luò)的 輸出，后將深度PCA網(wǎng)絡(luò)的輸出輸入到步驟（8)訓練好的分類器中預測分類結(jié)果；
[0023] (9c)計算正確率；
[0024] (10)將步驟⑷中得到的全部原始數(shù)據(jù)白化處理后，使用與步驟（7)相同的方法 訓練深度PCA網(wǎng)絡(luò)，得到深度PCA網(wǎng)絡(luò)的輸出，然后將深度PCA網(wǎng)絡(luò)的輸出輸入到步驟（8) 訓練好的分類器中預測分類，預測分類結(jié)果后對分類后的極化SAR圖像上色顯示，輸出最 終結(jié)果；
[0025] 在分類后的極化SAR圖像上，以紅色、綠色和藍色三種顏色作為三基色，分別按照 不同的混合比例對三基色進行混合上色。分類結(jié)果中相同類別的像素點上色相同，得到上 色后的極化SAR分類結(jié)果圖顯示并輸出。
[0026] 實現(xiàn)本發(fā)明的技術(shù)思路是：首先，對極化合成孔徑雷達SAR圖像進行濾波；其次， 對每個像素提取出28維的散射特征、1維的表征數(shù)據(jù)分布的形狀因子、11維偏振特征及協(xié) 方差矩陣9個獨立的元素，組合歸一化作為深度PCA網(wǎng)絡(luò)的原始輸入數(shù)據(jù)；然后，用選取的 經(jīng)白化處理的訓練樣本訓練深度PCA網(wǎng)絡(luò)；再用深度PCA網(wǎng)絡(luò)的輸出訓練SVM分類器，之后 對網(wǎng)絡(luò)進行測試，預測分類結(jié)果，輸出并保存。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點：
[0027] 1.本發(fā)明提取了表征極化數(shù)據(jù)統(tǒng)計分布的形狀因子特征參數(shù)，且使用到了五種不 同的散射目標分解方法以得到更多的分解參數(shù)特征，通過將形狀因子、散射特征參數(shù)、偏振 參數(shù)及表示每個像素點的協(xié)方差矩陣C中提取出的9個獨立元素進行組合歸一化，形成的 高維特征更有利于充分利用極化SAR數(shù)據(jù)不同于其他數(shù)據(jù)的散射特性和統(tǒng)計特性；
[0028] 2.本發(fā)明通過訓練好的深度PCA網(wǎng)絡(luò)能很好地學習高級特征，學習到的高級特征 能更好地反映極化數(shù)據(jù)的性質(zhì)，更有利于提高分類結(jié)果和分類精度，本發(fā)明分類結(jié)果相比 傳統(tǒng)方法有了很大提1? ;
[0029] 3.本發(fā)明使用到了 SVM分類器，通過將深度PCA網(wǎng)絡(luò)與SVM分類器有效結(jié)合能夠 準確地對極化SAR圖像進行分類；

【專利附圖】

【附圖說明】
[0030] 圖1是本發(fā)明的總流程圖；
[0031] 圖2是本發(fā)明仿真使用弗萊福蘭省Flevoland地區(qū)的極化SAR數(shù)據(jù)PauliRGB合 成圖；
[0032] 圖3是本發(fā)明所使用弗萊福蘭省Flevoland地區(qū)部分數(shù)據(jù)的真實地物標記；
[0033] 圖4是現(xiàn)有監(jiān)督wishart分類方法的分類結(jié)果；
[0034] 圖5是支持向量機SVM分類方法的分類結(jié)果；
[0035] 圖6是使用本發(fā)明所得極化合成孔徑雷達SAR圖像的分類結(jié)果圖； 圖7是使用本發(fā)明所得極化合成孔徑雷達SAR圖像的類標記分類結(jié)果圖。

【具體實施方式】
[0036] 參照圖1，本發(fā)明的具體實現(xiàn)步驟如下：
[0037] 步驟1，讀入一幅待分類的極化SAR圖像；
[0038] 步驟2,對待分類的極化SAR圖像采用精致極化LEE濾波法，得到濾波后的極化 SAR圖像；
[0039] 對讀入的待分類極化SAR圖像進行濾波以實現(xiàn)斑點抑制。
[0040] 優(yōu)選地，采用的濾波方法是精致極化LEE濾波法，其濾波窗口的大小設(shè)置為7 X 7。
[0041] 除此之外，還可以采用的濾波方法包括極化白化濾波、Box car濾波和基于非監(jiān)督 分類的濾波方法等。
[0042] 步驟3,對濾波后的極化SAR圖像中表示每個像素點的協(xié)方差矩陣C，提取數(shù)據(jù)分 布特征參數(shù)a ;對濾波后的極化SAR圖像中表示每個像素點的協(xié)方差矩陣C，分別通過泡利 Pauli分解得到3個散射特征參數(shù)、弗里曼一得登Freeman-Durden分解得到7個散射特征 參數(shù)、克拉徳Cloude分解得到6個散射特征參數(shù)、慧能Huynen分解得到9個散射特征參數(shù) 和克羅艾厄Krogager分解得到3個散射特征參數(shù)，將通過這5種非相干極化目標分解方法 得到的相應散射特征參數(shù)組合為28維散射特征S = {Sl，S2，…，s28};對濾波后的極化SAR 圖像中表示每個像素點的協(xié)方差矩陣C，提取11維的偏振特征P= {Pl，p2，…，pn};
[0043] 首先對濾波后的極化SAR圖像中每個像素點及其鄰域劃分為一個小的特征區(qū)域， 提取表征該小區(qū)域的分布特征參數(shù)a。
[0044] 其次對表示每個像素點的協(xié)方差矩陣C，分別通過泡利Pauli分解得到3個散射 特征參數(shù)、弗里曼一得登Freeman-Durden分解得到7個散射特征參數(shù)、克拉徳Cloude分解 得到6個散射特征參數(shù)、慧能Huynen分解得到9個散射特征參數(shù)和克羅艾厄Krogager分 解得到3個散射特征參數(shù)。通過這5種非相干極化目標分解方法，將得到的相應散射特征 參數(shù)組合為28維散射特征S = {Sl，S2，…，s28}。最后，對每個像素點的協(xié)方差矩陣C，提取 11維的偏振特征P = (P1, P2，…，P1J。
[0045] (3a)讀入濾波后的極化SAR圖像，則每個像素點可以表示為一個3 X 3的協(xié)方差矩 陣C :

【權(quán)利要求】
1. 一種基于深度主成分分析（Principal Component Analysis, PCA)網(wǎng)絡(luò)和SVM的極 化SAR圖像分類方法，包括如下步驟： 步驟1，讀入一幅任選的待分類的極化SAR圖像； 步驟2,對待分類的極化SAR圖像采用精致極化LEE濾波法，得到濾波后的極化SAR圖 像； 步驟3， (3-1)對濾波后的極化SAR圖像中表示每個像素點的協(xié)方差矩陣C，提取數(shù)據(jù)分布特征 參數(shù)ct ; (3-2)對濾波后的極化SAR圖像中表示每個像素點的協(xié)方差矩陣C，分別通過泡利 Pauli分解得到3個散射特征參數(shù)、弗里曼一得登Freeman-Durden分解得到7個散射特征 參數(shù)、克拉徳Cloude分解得到6個散射特征參數(shù)、慧能Huynen分解得到9個散射特征參數(shù) 和克羅艾厄Krogager分解得到3個散射特征參數(shù)，將通過這5種非相干極化目標分解方法 得到的相應散射特征參數(shù)組合為28維散射特征S = (S1, S2,…，s28}; (3-3)對濾波后的極化SAR圖像中表示每個像素點的協(xié)方差矩陣C，提取11維的偏振 特征 P = (PdP2,…，P1J ; 步驟4,從濾波后的極化SAR圖像表示每個像素點的協(xié)方差矩陣C中提取出9個獨立的 元素，并與步驟3中得到的數(shù)據(jù)分布特征參數(shù)a、28維散射特征和11維的偏振特征組合， 組合后進行歸一化作為原始輸入數(shù)據(jù)； 步驟5,根據(jù)極化SAR圖像的實際地物類別標記，在步驟4中得到的原始輸入數(shù)據(jù)中標 記與每種地物類別對應的數(shù)據(jù)，并把該數(shù)據(jù)作為有標記數(shù)據(jù)，在對應于每種地物類別的有 標記數(shù)據(jù)中隨機選取10%的有標記數(shù)據(jù)作為訓練樣本，剩下的90%有標記數(shù)據(jù)作為測試 樣本； 步驟6,對選取的訓練樣本做白化處理； 步驟7,用步驟6白化處理后的訓練樣本訓練深度PCA網(wǎng)絡(luò)，將深度PCA網(wǎng)絡(luò)的輸出即 深度PCA網(wǎng)絡(luò)最終學習到的特征作為下一步待處理的數(shù)據(jù)： (7-1)將步驟6白化處理后的訓練樣本作為輸入數(shù)據(jù)，輸入到深度PCA網(wǎng)絡(luò)第一層中進 行訓練，得到能夠表征輸入數(shù)據(jù)即步驟6白化處理后的訓練樣本的特征作為深度PCA網(wǎng)絡(luò) 第一層訓練得到的特征； (7-2)將深度PCA網(wǎng)絡(luò)第一層訓練得到的特征輸入到深度PCA網(wǎng)絡(luò)第二層中進行訓練， 得到能表征深度PCA網(wǎng)絡(luò)第一層特征的新特征，即深度PCA網(wǎng)絡(luò)第二層訓練得到的特征； (7-3)對深度PCA網(wǎng)絡(luò)第二層訓練得到的特征進行二值化和直方圖統(tǒng)計，得到能夠表 征深度PCA網(wǎng)絡(luò)的第二層特征的新特征，這個新特征就是深度PCA網(wǎng)絡(luò)最終學習到的特征， 即深度PCA網(wǎng)絡(luò)的輸出； 步驟8,利用步驟7中深度PCA網(wǎng)絡(luò)的輸出對SVM分類器進行訓練，得到訓練好的用于 分類的SVM分類器； 步驟9,將步驟4中得到的全部原始輸入數(shù)據(jù)白化處理后，使用與步驟7相同的方法訓 練深度PCA網(wǎng)絡(luò)，得到深度PCA網(wǎng)絡(luò)的輸出，然后將深度PCA網(wǎng)絡(luò)的輸出輸入到步驟8訓練 好的分類器中預測分類，預測分類結(jié)果后對分類后的極化SAR圖像上色顯示，輸出最終結(jié) 果。
2.根據(jù)權(quán)利要求1所述的基于深度PCA網(wǎng)絡(luò)和SVM的極化SAR圖像分類方法，其中，對 濾波后的極化SAR圖像中表示每個像素點的協(xié)方差矩陣C，提取數(shù)據(jù)分布特征參數(shù)a的方 法為： (3a)讀入濾波后的極化SAR圖像，每個像素點可以表示為一個3X3的協(xié)方差矩陣C :
示采用水平發(fā)射和水平向接收的復散射系數(shù)，Svv表示采用垂直向發(fā)射和垂直向接收的復散 射系數(shù)，Shv表示采用水平向發(fā)射垂直向接收的復散射系數(shù)，（? r表示數(shù)據(jù)取共軛，〈?〉表 示按視數(shù)平均； (3b)提取數(shù)據(jù)分布特征參數(shù)a ; 1)計算每個像素點劃定區(qū)域的相對峰值RK; 將圖像數(shù)據(jù)中每個像素點及其周圍的像素點總共九個像素點作為一個區(qū)域，根據(jù)協(xié)方 差矩陣的對角元素計算每個像素點劃定區(qū)域的相對峰值RK :
其中，Shh表示水平向發(fā)射和水平向接收的回波數(shù)據(jù)，Svv表示垂直向發(fā)射和垂直向接收 的回波數(shù)據(jù)，I ? I表示取這個數(shù)據(jù)的模，E{ ?}表示取這個數(shù)據(jù)的均值； 2)根據(jù)相對峰值計算分布特征參數(shù)a ; 相對峰值與區(qū)域分布特征參數(shù)存在如下關(guān)系：
其中n為視數(shù)，q為通道數(shù)，對于互易極化雷達，通道數(shù)取值為3,由4)式和5)式可以 得到表征數(shù)據(jù)分布特性的參數(shù)a。
3.根據(jù)權(quán)利要求1所述的基于深度PCA網(wǎng)絡(luò)和SVM的極化SAR圖像分類方法，其中，對 濾波后的極化SAR圖像中表示每個像素點的協(xié)方差矩陣C，提取5種非相干極化目標分解方 法為： (3c)泡利Pauli分解提取散射特征參數(shù)I a|2, |b |2, Icl2;
其中|a|2表示具有奇次散射特征的散射體的散射能量，|b I2表示具有偶次散射的散體 的散射能量，I c I2表示散射矩陣45度角偶次散射特征的散射體的散射能量，結(jié)合2)式和9) 式可得：
其中，T(，）表示相干矩陣中的元素，由10)式得到泡利Pauli分解的3個特征參數(shù) |flf? |cf; (3d)弗里曼一得登Freeman-Durden分解提取散射特征參數(shù)； 1)將協(xié)方差矩陣C表示為如下形式：
其中，fv對應著體散射分量的貢獻，fd對應著二面角散射分量的貢獻，fs對應著平面散 射分量的貢獻，兩個待定的比值系數(shù)a和00表示水平發(fā)射水平接收后向散射反射系數(shù) HH與垂直發(fā)射垂直接收后向散射發(fā)射系數(shù)VV的比值，a被定義為a =RghRvh/RgvRvv，其中 Rvh和Rvv表示堅直墻體的反射系數(shù)，Rgh和Rgv分別表示地表的水平和垂直反射系數(shù)； 2)由1)式和11)式得到包含以下4個方程和5個未知量的后向散射模型：
如果時，則單次散射占優(yōu)，令a =-1 ;如果Re^fWS；j<〇時，則二次散 射占優(yōu)，令P = 1 ;確定ct或者P值后，從殘余模型中估計出fs，fd，fv，a或P，由f s，fd， fv系數(shù)求得各散射分量的功率Ps，Pd，Pv :
4)由12)至15)式可以得到Ps，Pd，Pv，fs，f d，fv，R，7個表征弗里曼一得登 Freeman-Durden分解的散射特征參數(shù)； (3e)克拉徳Cloude分解提取散射特征參數(shù)； 1) 將相干矩陣T表示為：
其中，（?）$表示數(shù)據(jù)的共軛，U3是極化數(shù)據(jù)相干矩陣T的正交特征向量，A是由T的 特征值組成的對角矩陣； 2) 由16)式得到表征克拉徳Cloude分解的散射熵H，反熵A和平均散射角a :
到完全隨機散射的隨機性，a代表散射類型，A的大小反映克拉徳Cloude分解中主導散射 機制外的兩個相對較弱散射分量之間的關(guān)系； 3)由11)和12)式得到克拉徳Cloude分解的6個特征參數(shù)H，A，a，X i，X 2，入3。 (3f)慧能Huynen分解提取散射特征參數(shù)； 1)用9個自由度的實參數(shù)將相干矩陣表示為如下形式：
由1)、2)和19)求A。，BQ+B，Bq-B，C，D，E，F(xiàn)，G，H9個表征慧能Huynen分解特征參數(shù)； (3g)克羅艾厄Krogager分解提取散射特征； 1)將散射矩陣分解為如下所示：
其中ks，kd，kh分別對應三個相干分量球、二面角和螺旋體散射的分量系數(shù)，f 1表不散 射體的絕對相位包含有關(guān)散射體的信息，j為復數(shù)虛部，相位表示球相對于二面角分量和 螺旋體分量的偏移量，相位參量9表不克羅艾厄Krogager分解中二面角和螺旋體分量的 相位角； 2)用待定系數(shù)方法求出克羅艾厄Krogager分解的3個特征參數(shù)，其中解得：
其中，Img表示取復數(shù)虛部，由21)式至23)式求解~2，3個表征克羅艾厄 Krogager分解特征參數(shù)。
4.根據(jù)權(quán)利要求1所述的基于深度PCA網(wǎng)絡(luò)和SVM的極化SAR圖像分類方法，其中，根 據(jù)濾波后的極化SAR圖像中表示每個像素點的協(xié)方差矩陣C，提取以下11維偏振特征P = (P1, P2，…，P1J包括以下參數(shù)：
由1)式和24)式對濾波后的極化SAR圖像中表示每個像素點的協(xié)方差矩陣C提取11 維的偏振特征P : J J J J /J J /J ** " ^ cl P =量美喬一 / ^/ ?影 rw暴，rA-，rA- s cf j * 25) e
5. 根據(jù)權(quán)利要求1所述的基于深度PCA網(wǎng)絡(luò)和SVM的極化SAR圖像分類方法，其中，從 濾波后的極化SAR圖像表示每個像素點的協(xié)方差矩陣C中提取出9個獨立的元素，并與步 驟3中得到的表征數(shù)據(jù)分布特征參數(shù)a，28維的散射特征S = {Sl，S2，…，s28}和11維偏 振特征P = (P1, P2，…，P1J組合為49維特征，并歸一化到[-1，1]，作為深度PCA網(wǎng)絡(luò)的原 始輸入數(shù)據(jù)。
6. 根據(jù)權(quán)利要求1所述的基于深度PCA網(wǎng)絡(luò)和SVM的極化SAR圖像分類方法，用步驟 6白化處理后的訓練樣本訓練深度PCA網(wǎng)絡(luò)的方法為： (7a)將白化后的訓練樣本即選定的10%的濾波后的極化SAR圖像的有標記數(shù)據(jù)作為 輸入，輸入到深度PCA網(wǎng)絡(luò)第一層中進行訓練，得到能夠表征輸入數(shù)據(jù)的特征； 1) 將每一個I X 49維的輸入轉(zhuǎn)換為7 X 7的元胞數(shù)組Ii G RmXn，即R7X7,其中Ii表示第 一層PCA網(wǎng)絡(luò)中的第i個訓練樣本所對應的元胞數(shù)組，對元胞數(shù)組I7x7中的每一個像素，進 行非零填充的重疊取塊，…七_ ，其中塊大小為Ic1Xk2, Xu表示元胞數(shù)組Ii中 的第j個矢量塊；然后從每一個取得的矢量塊中進行均值移除，獲得兄 通過對作為輸入的所有訓練樣本執(zhí)行同樣的操作，最終將結(jié)果組合到一起，可以得到 X =[萬,I2,…,f v] e i?4心+w"u ,其中N為訓練樣本的總個數(shù)； 2) 最小化重構(gòu)誤差，提取第一層PCA濾波器，即： SlFFr=Jv 26) 其中，L1為第一層PCA濾波器數(shù)，Ii1是大小為L1XL2的單位矩陣，XX t的前L1個主特征 向量則為式26)的解，將PCA濾波器表不為： W11 = matkj^(q;(XXt))e Rt^, I = IX-,Lv 27} 其中，函數(shù)_4,,*>>將向量v 映射到矩陣We浐' Q1(XXt)表示XXt的前1個 主特征向量； 3) 計算第一層PCA網(wǎng)絡(luò)的第1個濾波器的輸出： //=Z^W/,/ = 1,2,.,,, 28) 其中*表示2D卷積，在與F/進行卷積前對Ii的邊界零填充以保證i,1和Ii有相同的大 小，N為訓練樣本的總個數(shù)，將第一層濾波器與圖像卷積得到的輸出結(jié)果作為深度PCA網(wǎng)絡(luò) 第二層的輸入數(shù)據(jù)； (7b)將深度PCA網(wǎng)絡(luò)第一層訓練得到的特征輸入到深度PCA網(wǎng)絡(luò)第二層中進行訓練， 執(zhí)行和第一層同樣的操作，得到能表征深度PCA網(wǎng)絡(luò)第一層特征的新特征； 1)取//的所有的重疊塊，對 < 進行塊均值移除，則得到 P 其中是/丨的第j個均值移除塊，收集上層網(wǎng)絡(luò)中第1 個濾波器輸出結(jié)果數(shù)據(jù)的所有均值移除塊Y1 e *將所有濾波器的輸 出結(jié)果進行連接得到Y(jié)，F(xiàn) ; 2) 提取深度PCA網(wǎng)絡(luò)第二層的濾波器： Wf = matk^ (q,(YYt)) e Rkxkl, I = 1,2,.., Lr 29) 其中，L2為第二層PCA濾波器數(shù)； 3) 計算深度PCA網(wǎng)絡(luò)第二層的每個輸入1?對應的L2個輸出，即： 0;={/;*冒,2岱丨， 30) (7c)對深度PCA網(wǎng)絡(luò)的輸出層進行二值化和直方圖統(tǒng)計； 1) 對深度PCA網(wǎng)絡(luò)第二層的輸出進行二值化； 利用函數(shù)彳lftW/)么對深度PCA網(wǎng)絡(luò)第二層的L1個輸入圖像< 的每個輸入圖像對 應的L2個實值輸出丨執(zhí)行二值化操作，其中H( ?)代表單位階躍函數(shù)，即正數(shù)作為 輸入則函數(shù)輸出為1，其它作為輸入則函數(shù)輸出為0 ; 2. L2位二值化結(jié)果進行十進制數(shù)值化； 第二層每個輸入對應的輸出結(jié)果中的L2個輸出可以看作一組L2位二進制向量，通 過函數(shù)31)式將一組L2位二進制向量轉(zhuǎn)換成一個十進制數(shù)值：
31)深度PCA網(wǎng)絡(luò)第二 層的每個輸入對應的一組L2位輸出經(jīng)過二值化和十進制數(shù)值化，輸入圖像< 的每個像素對 應的十進制數(shù)值結(jié)果取值范圍為[OJii-1]; 3) 十進制化結(jié)果進行塊直方圖統(tǒng)計； 第二層的L1個輸入圖像 < 的每個輸入圖像進行（7c) 1)和2)處理后都對應一個十進 制數(shù)值的輸出圖像= I.,.,I1，本發(fā)明中對圖像t進行重疊取塊，塊的個數(shù)設(shè)置為B，塊的 大小設(shè)置為BS= [3 3]，重疊率設(shè)置為overlapping = 0.5,直方圖統(tǒng)計計算每個子塊中的 十進制值，然后將B個取塊的十進制值直方圖統(tǒng)計計算結(jié)果組合成一個向量SWstC^)，輸入 圖像Ii經(jīng)過此深度PCA網(wǎng)絡(luò)提取后的特征最終表示為塊直方圖的統(tǒng)計結(jié)果集合即： /=[施ist(T,劭isl(T/.' )f e 32},：
7.根據(jù)權(quán)利要求1所述的基于深度PCA網(wǎng)絡(luò)和SVM的極化SAR圖像分類方法，其中，利 用步驟7中深度PCA網(wǎng)絡(luò)的輸出對SVM分類器進行訓練包括； SVM分類器采用的最優(yōu)決策函數(shù)為：
其中n是輸入樣本個數(shù)，x(i)代表第i個輸入樣本值，y(i)代表第i個輸入樣本所對應 的類別標簽； 當待分類的目標為多類目標時，本發(fā)明使用一對一（one-against-one)方法解決多分 類問題。
8. 根據(jù)權(quán)利要求1所述的基于深度PCA網(wǎng)絡(luò)和SVM的極化SAR圖像分類方法，其中對 分類后的極化SAR圖像上色顯示方法為； 將濾波后的圖像輸入到訓練好的框架中預測分類結(jié)果，得到分類后的極化SAR圖像， 在分類后的極化SAR圖像上，以紅色、綠色和藍色三種顏色作為三基色，分別按照不同的 混合比例對三基色進行混合，分別對這三基色取如下15組值：（255, 0, 0)、（255, 128, 0)、 (171，138, 80)、（255, 255, 0)、（183, 0, 255)、（191，191，255)、（90, 11，255)、（191，255, 191)、 (0, 252, 255)、（128, 0, 0)、（255, 182, 229)、（0, 255, 0)、（0, 131，74)、（0, 0, 255)、 (255, 217, 157)。
9. 根據(jù)權(quán)利要求1所述的基于深度PCA網(wǎng)絡(luò)和SVM的極化SAR圖像分類方法，其中，濾 波窗口大小設(shè)置為7X7。
10. 根據(jù)權(quán)利要求1所述的基于深度PCA網(wǎng)絡(luò)和SVM的極化SAR圖像分類方法，其中， hXk2設(shè)置為3X3。
【文檔編號】G06K9/66GK104331707SQ201410609939
【公開日】2015年2月4日 申請日期:2014年11月2日 優(yōu)先權(quán)日:2014年11月2日
【發(fā)明者】焦李成, 劉芳, 白雪瑩, 楊淑媛, 侯彪, 馬文萍, 王爽, 劉紅英, 熊濤 申請人:西安電子科技大學