基于極限學(xué)習(xí)機(jī)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，具體涉及極化合成孔徑雷達(dá)SAR圖像處理，可用 于極化SAR圖像的地物分類與目標(biāo)識(shí)別。
【背景技術(shù)】
[0002] 極化SAR有全天時(shí)、全天候的工作能力，以及其分辨率高、能有效識(shí)別偽裝和穿透 掩蓋物等特點(diǎn)，從而被廣泛應(yīng)用于遙感和地圖測繪等領(lǐng)域。在過去的二十年中，研究表明， 極化SAR在目標(biāo)檢測、地物分類、參數(shù)反演、地形提取應(yīng)用方面能夠提供比單極化SAR更多 有用的信息。
[0003] 傳統(tǒng)有監(jiān)督的極化SAR圖像分類方法主要包括如下算法：Wishart監(jiān)督分類，該算 法精度較低，并且時(shí)間效率低；基于反向傳播的神經(jīng)網(wǎng)絡(luò)BPNN，該方法因迭代求解導(dǎo)致運(yùn) 行時(shí)間長；支持向量機(jī)SVM方法，該方法存在預(yù)測時(shí)間較長的問題。
[0004] 目前較流行的方法有深度學(xué)習(xí)算法，如稀疏自編碼器SSAEs。西安電子 科技大學(xué)申請(qǐng)的專利"基于稀疏自動(dòng)編碼器的極化SAR圖像分類方法"（專利申請(qǐng) 號(hào)：CN201410140571.5,公布號(hào)：CN103886336A)。該方法的實(shí)現(xiàn)過程為，首先輸入待分類的 極化SAR圖像的相干矩陣，濾波后選取樣本，再獲取稀疏主分量，之后訓(xùn)練稀疏自動(dòng)編碼 器，提取特征，最后用支持向量機(jī)分類，輸出分類結(jié)果。該方法雖然能進(jìn)行特征提取和變換， 提高精度，但算法模型復(fù)雜，且運(yùn)行時(shí)間太長。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于針對(duì)已有技術(shù)的不足，提出了一種基于極限學(xué)習(xí)機(jī)的極化SAR 圖像分類方法，在保證較高精度的前提下，降低了極化SAR圖像分類的處理時(shí)間。
[0006] 為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括如下步驟：
[0007] (1)輸入待分類極化SAR圖像標(biāo)記信息，輸入一幅大小為3X3XM的待分類極化 SAR圖像的相干矩陣，并用Lee濾波器濾除相干噪聲，得到濾波后的相干矩陣，其中，濾波后 的相干矩陣中每個(gè)元素是一個(gè)3X3矩陣，M表示待分類的極化SAR圖像像素點(diǎn)的總數(shù)；
[0008] (2)將濾波后相干矩陣中每個(gè)元素對(duì)應(yīng)的3X3矩陣，拉成一個(gè)9維的特征向量，獲 得大小為9XM的數(shù)據(jù)矩陣；
[0009] ⑶將數(shù)據(jù)矩陣進(jìn)行歸一化處理，獲得數(shù)據(jù)集N：=丨A-,iA-,eyr丨,...,M丨，其中n= 9為特征的維數(shù)，Xi為特征向量；
[0010] (4)從數(shù)據(jù)集中獲得訓(xùn)練集$和測試集％ :
[0011] (4a)根據(jù)標(biāo)記信息從數(shù)據(jù)集N中獲得標(biāo)記集 ;三尺"，/;e/T，/ = 1,...，八，卜其中m為類別總數(shù)，N為標(biāo)記樣本的總數(shù)，h為類別 向量；
[0012] (4b)將標(biāo)記集隨機(jī)選取1 %作為訓(xùn)練集心二{(x,.,/,) |x,eef:,:/:二1,…，哥，剩 余99%作為測試集心=Uv,.，）|x,_e/?V,.e …義，其中K訓(xùn)練集樣本個(gè)數(shù)，S為測試 集的樣本個(gè)數(shù)；
[0013] (5)用訓(xùn)練集※訓(xùn)練極限學(xué)習(xí)機(jī)：
[0014] (5a)設(shè)置極限學(xué)習(xí)機(jī)隱含層節(jié)點(diǎn)的激活函數(shù)為G(a，b，x) =exp(-b| |x_a| |2)，隱 含層單元個(gè)數(shù)為1，且1(>1^
[0015] (5b)隨機(jī)設(shè)置輸入權(quán)值aj和偏值b」，j= 1，? ??，L;
[0016] (5c)輸入層為訓(xùn)練集》=Ku) |x,.ee/?'/ = ，計(jì)算隱藏層輸出矩陣
[0018] (5d)計(jì)算輸出權(quán)值為點(diǎn)=.好￥ ,其中#為H的Moore-Penrose廣義逆， //'=(/////)'I!1 -T= 為H，
[0017]
[0019] (6)數(shù)據(jù)集&輸入到訓(xùn)練好的極限學(xué)習(xí)機(jī)中，得到分類結(jié)果。
[0020] 本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)：
[0021] 1.本發(fā)明利用Lee濾波對(duì)原始極化SAR進(jìn)行預(yù)處理，有效降低了相干斑噪聲，提高 圖像的質(zhì)量和分類性能；
[0022] 2.本發(fā)明利用了極限學(xué)習(xí)機(jī)方法對(duì)極化SAR圖像分類，由于該算法有解析解，無 需迭代求解權(quán)重參數(shù)，所以訓(xùn)練速度快，運(yùn)行時(shí)間短；
[0023] 3.本發(fā)明利用了極限學(xué)習(xí)機(jī)方法對(duì)極化SAR圖像分類，該算法泛化性能好，分類 精度高。
【附圖說明】
[0024] 圖1是本發(fā)明的實(shí)現(xiàn)總流程圖；
[0025] 圖2是本發(fā)明仿真使用的舊金山地區(qū)極化SAR數(shù)據(jù)經(jīng)過濾波后的偽彩色圖；
[0026] 圖3是本發(fā)明仿真使用的舊金山地區(qū)極化SAR數(shù)據(jù)的實(shí)際地物標(biāo)記圖；
[0027] 圖4是本發(fā)明對(duì)本發(fā)明仿真使用的舊金山地區(qū)極化SAR數(shù)據(jù)的分類結(jié)果圖。
【具體實(shí)施方式】
[0028] 參照?qǐng)D1，本發(fā)明實(shí)現(xiàn)的具體步驟如下：
[0029] 步驟1，輸入待分類極化SAR圖像，濾波后的相干矩陣。
[0030] 輸入待分類極化SAR圖像標(biāo)記信息，輸入一幅大小為3X3XM的待分類極化SAR 圖像的相干矩陣，并用窗口大小為5X5的Lee濾波器濾除相干噪聲，得到濾波后的相干矩 陣，其中，濾波后的相干矩陣中每個(gè)元素是一個(gè)3X3矩陣，M表示待分類的極化SAR圖像像 素點(diǎn)的總數(shù)。
[0031] 步驟2,根據(jù)濾波后的相干矩陣獲得數(shù)據(jù)矩陣。
[0032] 將濾波后相干矩陣中每個(gè)元素對(duì)應(yīng)的3X3矩陣，拉成一個(gè)9維的特征向量，獲得 大小為9XM的數(shù)據(jù)矩陣。
[0033] 步驟3,根據(jù)數(shù)據(jù)矩陣獲得數(shù)據(jù)集。
[0034] 將數(shù)據(jù)矩陣進(jìn)行歸一化處理，獲得數(shù)據(jù)集丨|x; =丨，其中n= 9 為特征的維數(shù)，Xl為特征向量。
[0035] 歸一化處理常用方法有特征線性縮放，特征標(biāo)準(zhǔn)化和白化，本實(shí)例中采用特征標(biāo) 準(zhǔn)化處理。
[0036] 步驟4,從數(shù)據(jù)集中獲得訓(xùn)練集:心和測試集K2 ;
[0037] (4. 1)根據(jù)標(biāo)記信息從數(shù)據(jù)集K中獲得標(biāo)記集反， H= {(XpfJlx,eXVge及= 對(duì)，其中m為類別總數(shù)，N為標(biāo)記樣本的總 向量；
[0038] (4. 2)將標(biāo)記集隨機(jī)選取1%作為訓(xùn)練集\二=UJh剩 余99%作為測試集※=eUh其中K訓(xùn)練集樣本個(gè)數(shù)，S為測試 集的樣本個(gè)數(shù)。
[0039] 步驟5,用訓(xùn)練集巧訓(xùn)練極限學(xué)習(xí)機(jī)：
[0040] (5. 1)設(shè)置極限學(xué)習(xí)機(jī)隱含層節(jié)點(diǎn)的激活函數(shù)為G(a，b，x) =exp(-b| |x_a| |2)， 隱含層單元個(gè)數(shù)為1，且1(>1^
[0041] (5. 2)隨機(jī)設(shè)置輸入權(quán)值aj和偏值bj，j=1，? ??，L;
[0042] (5. 3)輸入訓(xùn)練集K 為4 = -1，腐，計(jì)算隱藏層輸出矩陣為 H，
[0043]
[0044] (5. 4)根據(jù)輸出矩陣H計(jì)算輸出權(quán)值為J0 =/-/Tr，其中為H的Moore-Penrose 廣義逆，妒二講％)~1，，T=