本發(fā)明屬于圖像處理
技術領域：
，更進一步涉及極化合成孔徑雷達圖像地物分類
技術領域：
中的一種基于條帶波(Bandelet)與卷積神經網絡(ConvolutionalNeuralNetwork，CNN)的極化合成孔徑雷達(SyntheticApertureRadar，SAR)圖像分類方法。本發(fā)明可用于對極化SAR圖像的地物進行分類，能有效的提高極化SAR圖像的分類精度。
背景技術：
：極化SAR圖像分類是SAR影像解譯的重要內容，現有的極化SAR圖像分類方法有：武漢大學在其申請的專利“基于混合分類器的極化SAR數據分類方法及系統(tǒng)”(專利申請?zhí)枺?01310310179.6，公開號：103366184A)中提出了一種基于混合分類器的極化SAR數據分類方法。該方法首先獲得極化SAR數據的不同類初始極化特征，采用決策樹分類器從初始極化特征中選擇用于分類的極化特征；然后基于用于分類的極化特征，采用SVM分類器對極化SAR數據進行分類。該方法將傳統(tǒng)的決策樹分類器和SVM分類器相結合，雖然改善了極化SAR圖像分類方法計算效率低的問題，但是，該方法仍然存在的不足之處是，由于該方法沒有考慮極化SAR圖像的空間相關性，從而導致極化SAR圖像分類中區(qū)域一致性較差和分類精度不高。西安電子科技大學在其申請的專利“基于深度小波神經網絡的極化SAR圖像分類方法”(專利申請?zhí)枺?01410741410.1，公開號：CN104408481A)中提出了一種基于深度小波神經網絡的極化SAR圖像分類方法。該方法先對極化SAR圖像的相干矩陣進行濾波，再將濾波后的相干矩陣作為特征向量組成一個樣本集，從樣本集中隨機選取樣本組成訓練樣本、測試樣本，利用獲得的最優(yōu)權重和小波參數對測試樣本進行特征提取，最后利用支撐向量機SVM對提取的特征進行分類，得到最終分類結果。該方法利用深度小波神經網絡提取數據的深層高維特征，雖然避免了現有分類技術中存在的特征數較少或者特征學習不充分、不合理的問題，但是，該方法仍然存在的不足之處是，由于該方法直接利用了極化SAR圖像的小波特征信息，無法保留極化SAR圖像的方向信息。技術實現要素：本發(fā)明的目的在于克服上述現有技術的不足，提出了一種基于條帶波與卷積神經網絡的極化SAR圖像分類方法。本發(fā)明能提高極化SAR圖像的分類精度，同時能很好地保留極化SAR圖像的方向信息。實現本發(fā)明目的的具體步驟如下：(1)輸入一幅待分類的極化SAR圖像的相干矩陣；(2)提取泡利Pauli分解特征值：(2a)采用泡利Pauli分解公式，從待分類的極化SAR圖像的每個像素中提取泡利Pauli分解的a，b，c三個特征值；(2b)將從待分類的極化SAR圖像的每個像素中提取泡利Pauli分解的a，b，c三個特征值分別歸一到[0,255]之間；(3)構建特征矩陣：(3a)采用特征提取方法，對待分類的極化SAR圖像的每個像素點提取特征向量；(3b)將所有像素點的特征向量組成一個21*63*N的極化特征矩陣，得到待分類的極化SAR圖像的極化特征矩陣，其中，N表示待分類極化SAR圖像中所有像素點的總數；(4)選取訓練樣本和測試樣本：(4a)根據待分類的極化SAR圖像的實際地物分布，在待分類的極化SAR圖像的極化特征矩陣中標記出每類有標簽的樣本；(4b)從每類有標簽的樣本中隨機選取10000個樣本作為訓練樣本，將剩余所有的有標簽樣本作為測試樣本；(5)按照下式，隨機產生4×4大小的初始矩陣：x=(rand(4,4)-0.5)*2*sqrt(6fl)]]>其中，x表示初始矩陣，rand表示隨機產生矩陣的操作，*表示相乘操作，sqrt表示開方操作，fl表示一個常數，l表示卷積神經網絡的層數，當l＝2時，fl＝144，當l＝4時，fl＝288；(6)采用條帶波Bandelet變換方法，初始化卷積神經網絡：(6a)對初始矩陣進行二維小波變換，得到變換矩陣；(6b)對變換矩陣進行二進剖分，在條帶波Bandelet變換的每個尺度上，連續(xù)地將一個區(qū)域剖分為四個大小相等的方形子塊區(qū)域，并將每個方形子塊區(qū)域的尺寸限制為寬度為L個像素，且4≤L≤2j/2，j表示變換矩陣的寬度；(6c)對每個方形子塊區(qū)域進行方向采樣,對N*N大小的方形子塊區(qū)域設定其采樣方向數為4*N，每個方向對應于[0,π)區(qū)間的一個角度，步長為并將方形子塊區(qū)域沿每個采樣方向進行正交投影，得到投影信號；(6d)對投影信號重新排序，得到一個一維離散信號；(6e)對一維離散信號進行一維離散小波變換，得到一維小波系數；(6f)按照下式，計算每個方形子塊區(qū)域的每個采樣方向對應的拉格朗日Lagrangian目標函數值：其中，表示拉格朗日Lagrangian目標函數，fd表示一維離散信號，R表示比特數，表示求2范數的平方操作，fdR表示一維小波系數，λ表示Lagrangian乘子，取T表示量化閾值，RG表示使用熵編碼器對幾何特征參數d編碼時所需的比特數，RB表示對計算條帶波Bandelet系數的參數數目編碼時所需的比特數；(6g)對方形子塊區(qū)域的每個采樣方向對應的的拉格朗日Lagrangian目標函數值按升序排序，將排序中最小的拉格朗日Lagrangian目標函數值對應的采樣方向作為該方形子塊區(qū)域的最佳方向；(6h)沿著方形子塊區(qū)域的最佳方向投影，得到投影信號，對投影信號按升序排序，得到一維離散信號，對該離散信號進行一維離散小波變換，得到的一維小波系數，將該一維小波系數作為該方形子塊區(qū)域的條帶波Bandelet系數；(6i)將所有方形子塊區(qū)域的條帶波Bandelet系數組成條帶波Bandelet系數矩陣；(6j)將條帶波Bandelet系數矩陣作為卷積神經網絡的濾波器，得到初始化的卷積神經網絡；(7)訓練卷積神經網絡：將訓練樣本輸入到初始化的卷積神經網絡中，訓練初始化的卷積神經網絡，得到訓練好的卷積神經網絡；(8)測試卷積神經網絡：(8a)將測試樣本輸入到訓練好的卷積神經網絡中，得到測試樣本的預測標簽；(8b)按照下式，計算測試樣本的測試正確率：b=size(p=l)size(l)]]>其中，b表示測試樣本的測試正確率，size表示求個數的操作，p表示測試樣本的預測標簽，l表示測試樣本的實際標簽；(8c)將待分類的極化SAR圖像的極化特征矩陣輸入到訓練好卷積神經網絡中，得到待分類的極化SAR圖像的預測標簽；(9)上色：(9a)將極化SAR圖像的預測標簽排列成與待分類的極化SAR圖像大小相等的標簽矩陣，將該標簽矩陣表示為一幅圖像，得到分類后的極化SAR圖像；(9b)在分類后的極化SAR圖像上，將紅色、綠色、藍色三個顏色作為三基色，按照三基色上色法進行上色，得到上色后的極化SAR圖像，輸出上色后的極化SAR圖像；(10)輸出分類結果圖。本發(fā)明與現有技術相比較，具有以下優(yōu)點：第一，由于本發(fā)明采用卷積神經網絡對極化SAR圖像進行分類，克服了現有技術沒有考慮空間相關性，從而導致極化SAR圖像分類中區(qū)域一致性較差和分類精度不高的問題，使得本發(fā)明具有極化SAR圖像分類的區(qū)域一致性好，提高分類精度的優(yōu)點。第二，由于本發(fā)明將條帶波濾波器作為卷積神經網絡的濾波器，對極化SAR圖像進行分類，克服了現有技術中直接利用了極化SAR圖像的小波特征信息，無法保留極化SAR圖像的方向信息的問題，使得本發(fā)明具有很好地保留極化SAR圖像的方向信息的優(yōu)點。附圖說明圖1是本發(fā)明的流程圖；圖2是本發(fā)明的仿真圖。具體實施方式下面結合附圖對本發(fā)明做進一步的描述。參照圖1，本發(fā)明實現的步驟如下：步驟1，輸入一幅待分類的極化SAR圖像的相干矩陣。步驟2，提取泡利Pauli分解特征值。采用泡利Pauli分解公式，從待分類的極化SAR圖像的每個像素中提取泡利Pauli分解的a，b，c三個特征值。將從待分類的極化SAR圖像的每個像素中提取泡利Pauli分解的a，b，c三個特征值分別歸一到[0,255]之間。步驟3，構建特征矩陣。采用特征提取方法，對待分類的極化SAR圖像的每個像素點提取特征向量。將所有像素點的特征向量組成一個21*63*N的極化特征矩陣，得到待分類的極化SAR圖像的極化特征矩陣，其中，N表示待分類極化SAR圖像中所有像素點的總數。步驟4，選取訓練樣本和測試樣本。根據待分類的極化SAR圖像的實際地物分布，在待分類的極化SAR圖像的極化特征矩陣中標記出每類有標簽的樣本。從每類有標簽的樣本中隨機選取10000個樣本作為訓練樣本，將剩余所有的有標簽樣本作為測試樣本。步驟5，構建初始矩陣。按照下式，隨機產生4×4大小的初始矩陣：x=(rand(4,4)-0.5)*2*sqrt(6fl)]]>其中，x表示初始矩陣，rand表示隨機產生矩陣的操作，*表示相乘操作，sqrt表示開方操作，fl表示一個常數，l表示卷積神經網絡的層數，當l＝2時，fl＝144，當l＝4時，fl＝288。步驟6，采用條帶波Bandelet變換方法，初始化卷積神經網絡。對初始矩陣進行二維小波變換，得到變換矩陣。對變換矩陣進行二進剖分，在條帶波Bandelet變換的每個尺度上，連續(xù)地將一個區(qū)域剖分為四個大小相等的方形子塊區(qū)域，并將每個方形子塊區(qū)域的尺寸限制為寬度為L個像素，且4≤L≤2j/2，j表示變換矩陣的寬度。對每個方形子塊區(qū)域進行方向采樣,對N*N大小的方形子塊區(qū)域設定其采樣方向數為4*N，每個方向對應于[0,π)區(qū)間的一個角度，步長為并將方形子塊區(qū)域沿每個采樣方向進行正交投影，得到投影信號。對投影信號重新排序，得到一個一維離散信號。對一維離散信號進行一維離散小波變換，得到一維小波系數。按照下式，計算每個方形子塊區(qū)域的每個采樣方向對應的拉格朗日Lagrangian目標函數值：其中，表示拉格朗日Lagrangian目標函數，fd表示一維離散信號，R表示比特數，表示求2范數的平方操作，fdR表示一維小波系數，λ表示Lagrangian乘子，取T表示量化閾值，RG表示使用熵編碼器對幾何特征參數d編碼時所需的比特數，RB表示對計算條帶波Bandelet系數的參數數目編碼時所需的比特數。對方形子塊區(qū)域的每個采樣方向對應的的拉格朗日Lagrangian目標函數值按升序排序，將排序中最小的拉格朗日Lagrangian目標函數值對應的采樣方向作為該方形子塊區(qū)域的最佳方向。沿著方形子塊區(qū)域的最佳方向投影，得到投影信號，對投影信號按升序排序，得到一維離散信號，對該離散信號進行一維離散小波變換，得到的一維小波系數，將該一維小波系數作為該方形子塊區(qū)域的條帶波Bandelet系數。將所有方形子塊區(qū)域的條帶波Bandelet系數組成條帶波Bandelet系數矩陣。將條帶波Bandelet系數矩陣作為卷積神經網絡的濾波器，得到初始化的卷積神經網絡。根據極化SAR圖像的實際地物分布，在極化SAR圖像的鄰域特征矩陣中標記出每類有標簽的樣本。從每類有標簽的樣本中隨機選取5000個樣本作為訓練樣本，將剩余所有的有標簽樣本作為測試樣本。步驟7，訓練卷積神經網絡。將訓練樣本輸入到初始化的卷積神經網絡中，訓練初始化的卷積神經網絡，得到訓練好的卷積神經網絡。步驟8，測試卷積神經網絡。將測試樣本輸入到訓練好的卷積神經網絡中，得到測試樣本的預測標簽。按照下式，計算測試樣本的測試正確率：b=size(p=l)size(l)]]>其中，b表示測試樣本的測試正確率，size表示求個數的操作，p表示測試樣本的預測標簽，l表示測試樣本的實際標簽。將待分類的極化SAR圖像的極化特征矩陣輸入到訓練好卷積神經網絡中，得到待分類的極化SAR圖像的預測標簽。步驟9，上色。將極化SAR圖像的預測標簽排列成與待分類的極化SAR圖像大小相等的標簽矩陣，將該標簽矩陣表示為一幅圖像，得到分類后的極化SAR圖像。在分類后的極化SAR圖像上，將紅色、綠色、藍色三個顏色作為三基色，按照三基色上色法進行上色，得到上色后的極化SAR圖像，輸出上色后的極化SAR圖像。步驟10，輸出分類結果圖。下面結合仿真圖對本發(fā)明效果做進一步的說明：1、仿真實驗條件：本發(fā)明的仿真實驗是在主頻2.8GHz的Six-CoreAMDOpteron(tm)Processor2439SE、內存32GB的硬件環(huán)境和MATLABR2012b的軟件環(huán)境中進行編程實現。2、仿真結果分析：圖2是本發(fā)明的仿真圖，其中，圖2(a)是本發(fā)明仿真實驗中使用的極化SAR圖像，該圖像是美國宇航局噴氣推進實驗室(NASA/JPL)的AIRSAR系統(tǒng)獲取的舊金山SanFrancisco地區(qū)的數據，其位于L波段，是一個四視的全極化數據，大小為1800*1380。該區(qū)域包含5類地物：高密度城區(qū)(High-DensityUrban)、低密度城區(qū)(Low-DensityUrban)、水域(Water)、植被(Vegetation)和開發(fā)區(qū)(Developed)。圖2(b)是采用現有技術的支持向量機SVM分類方法的仿真結果圖；圖2(c)是采用現有技術的快速稀疏SVM分類方法的仿真結果圖；圖2(d)是采用現有技術的卷積神經網絡分類方法的仿真結果圖，圖2(e)是本發(fā)明的仿真結果圖。本發(fā)明的仿真實驗將待分類的極化合成孔徑雷達圖像分成5類。分別將圖2(b)、圖2(c)、圖2(d)和圖2(e)對比，可以看出，采用本發(fā)明的方法，相比于采用現有技術的支持向量機SVM分類方法、采用現有技術的快速稀疏SVM分類方法和采用現有技術的卷積神經網絡分類方法，區(qū)域內錯分雜點較少，區(qū)域一致性較好。采用現有技術的支持向量機SVM分類方法、現有技術的快速稀疏SVM分類方法、現有技術的卷積神經網絡分類方法、和本發(fā)明方法對分類正確率進行統(tǒng)計，結果見表1。表1.四種方法在仿真中得到的分類正確率仿真方法F1F2F3F4分類正確率(％)85.2787.1296.1897.39表中的F1表示采用現有技術的支持向量機SVM分類方法，F2表示采用現有技術的快速稀疏SVM分類方法，F3表示采用現有技術的卷積神經網絡分類方法，F4表示采用本發(fā)明方法。從表1中可以看出，用本發(fā)明方法相比于其他三種方法，在分類正確率上有較大的提高，這主要是因為本發(fā)明具有很好地保留極化SAR圖像的方向信息的優(yōu)點，從而提高了圖像分類的分類精度。當前第1頁1 2 3