基于深度多示例學習的極化sar圖像分類方法
【專利摘要】本發(fā)明提出了一種基于深度多示例學習的極化SAR圖像分類方法，用于解決現(xiàn)有極化SAR圖像分類方法中存在特征提取不足導致的分類精度低的技術(shù)問題。包括如下步驟：對極化SAR圖像進行濾波；選取訓練樣本集合；提取樣本特征；初始化卷積神經(jīng)網(wǎng)絡(luò)CNN和深度置信網(wǎng)DBN；歸一化樣本特征，訓練卷積神經(jīng)網(wǎng)絡(luò)CNN和深度置信網(wǎng)DBN；提取聯(lián)合特征；輸入聯(lián)合特征到SVM分類器中訓練；利用訓練好的SVM分類器進行極化SAR圖像分類；輸出分類結(jié)果，并計算分類精度。本發(fā)明將圖像空間鄰域特征與極化特征進行有效的結(jié)合，提高了極化SAR圖像分類精度，可用于對極化SAR圖像的地物分類和目標識別。
【專利說明】
基于深度多示例學習的極化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，涉及一種極化SAR圖像分類方法，具體涉及一種基 于深度多示例學習的極化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。
【背景技術(shù)】
[0002] SAR是合成孔徑雷達，具有全天候、全天時、分辨率高、可側(cè)視成像等優(yōu)點，極化SAR 是一種高分辨主動式相干多通道合成孔徑雷達，它是SAR的一個重要組成部分，具有多極化 通道獲取數(shù)據(jù)的特性，相比SAR能夠更加豐富的表示信息?？蓮V泛應(yīng)用于軍事、導航、農(nóng)業(yè)、 地理監(jiān)視等諸多領(lǐng)域。在國際遙感領(lǐng)域極其重要，因此極化SAR圖像分類已成為極化SAR信 息處理的一個重要研究方向。
[0003] 現(xiàn)有的極化SAR圖像分類方法可以分為無監(jiān)督分類和有監(jiān)督分類。
[0004] 無監(jiān)督分類方法包括:無監(jiān)督分類方法是指沒有標準類標做為指導的分類方法， 主要方法有Cloude等提出的H/a無監(jiān)督分類，它是通過Cloude目標分解得到散射熵H和平均 散射角a特征參數(shù)后，根據(jù)這兩個參數(shù)的范圍對目標進行八分類，這種方法分類邊界固定導 致區(qū)域的劃分過于武斷，且只利用H和a這兩個參數(shù)，極化信息沒有得到充分利用，導致分類 準確度低;Lee等提出基于Cloude目標分解和Wishart分類器的H/a-Wishart無監(jiān)督分類方 法，它是在原始H/a分類基礎(chǔ)上增加了Wishart迭代，彌補了H/a分類固定邊界的缺陷，但這 種方法不能很好的保持各類的極化散射特性;Lee等基于Freeman分解提出了一種極化SAR 圖像分類方法，它主要是根據(jù)Freeman分解獲得平面散射功率、二面角散射功率和體散射功 率的大小對極化數(shù)據(jù)進行劃分，并對初始劃分進行類別合并，最后再利用Wishart分類器重 新劃分，這種方法保持了各類的散射特性，但存在多類別的劃分及合并，計算復(fù)雜度較高。
[0005] 有監(jiān)督分類方法包括:有監(jiān)督分類方法是指有標準類標做為指導的分類方法，主 要方法有Lee等提出的基于復(fù)Wishart分布的極化協(xié)方差矩陣監(jiān)督分類方法，由于極化協(xié)方 差矩陣C可以通過線性變換得到極化相干矩陣T，這樣就得到Wishart分類器，這種方法要求 C或T矩陣的概率密度分布函數(shù)服從復(fù)Wishart分布，對數(shù)據(jù)分布要求嚴格;Heermann等提出 的基于后向傳播神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類方法，這種方法收斂速度慢，且容易陷入局部 最優(yōu)。最近，Jiao等人提出基于CNN和SVM的極化SAR圖像分類方法，這種方法在對圖像進行 卷積的時候雖然考慮到了圖像的空間鄰域信息，用全連接層作為圖像特征，輸入到SVM分類 器中進行分類，效果明顯，但是，這種方法因為沒有將圖像的空間鄰域信息和極化信息相結(jié) 合，導致圖像特征缺乏完備性，影響分類精度。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)存在的缺陷，提出一種基于深度多示例學習 的極化SAR圖像分類方法，用于解決現(xiàn)有極化SAR圖像分類中因為沒有將圖像的空間鄰域信 息和極化信息相結(jié)合，導致圖像分類精度低的技術(shù)問題。
[0007] 為實現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案包括如下步驟：
[0008] 步驟1，輸入待分類的極化SAR圖像，并對該圖像進行精致極化Lee濾波，得到包含 有極化相干矩陣T和極化協(xié)方差矩陣C的極化SAR圖像；
[0009] 步驟2,利用已標注的極化SAR圖像的地物分布參考圖中的類別信息，隨機選擇相 同數(shù)量的各類別訓練樣本，得到訓練樣本集合；
[0010] 步驟3,利用所述極化相干矩陣T和極化協(xié)方差矩陣C，提取所述訓練樣本集合的樣 本特征；
[0011] 步驟4,同時對卷積神經(jīng)網(wǎng)絡(luò)CNN的相關(guān)參數(shù)和深度置信網(wǎng)DBN的相關(guān)參數(shù)進行隨 機初始化；
[0012]步驟5,對所述樣本特征進行歸一化處理，并將經(jīng)過歸一化處理的樣本特征，分別 輸入到相關(guān)參數(shù)已經(jīng)隨機初始化的卷積神經(jīng)網(wǎng)絡(luò)CNN和深度置信網(wǎng)DBN中進行特征訓練； [0013]步驟6,從經(jīng)過特征訓練的卷積神經(jīng)網(wǎng)絡(luò)CNN和深度置信網(wǎng)DBN中分別提取各自的 最后一層特征得到兩個一維特征向量，并將其進行一維拼接得到一個一維特征向量，作為 聯(lián)合特征向量，通過如下步驟實現(xiàn)：
[0014]步驟6a，提取卷積神經(jīng)網(wǎng)絡(luò)CNN最后一層特征，得到具有空間鄰域信息的一維特征 向量；
[0015]步驟6b，提取深度置信網(wǎng)DBN最后一層特征，得到具有極化信息的一維特征向量； [0016]步驟6c，將步驟6a所得具有空間鄰域信息的一維特征向量和步驟6b所得具有極化 信息的一維特征向量進行一維拼接，得到一個一維特征向量，作為聯(lián)合特征向量；
[0017]步驟7,將所述聯(lián)合特征向量輸入到SVM分類器中進行分類器訓練；
[0018]步驟8,利用經(jīng)過訓練的SVM分類器對極化SAR圖像進行分類；
[0019] 步驟9,輸出對極化SAR圖像進行分類的結(jié)果圖像，并計算分類精度。
[0020] 本發(fā)明與現(xiàn)有的技術(shù)相比，具有以下優(yōu)點：
[0021 ]本發(fā)明實現(xiàn)特征提取時，將CNN提取的空間鄰域特征和DBN提取的極化特征這兩種 特征作為兩個示例進行聯(lián)合，得到聯(lián)合特征，與現(xiàn)有技術(shù)在特征提取時采用的單一特征提 取方法相比，克服了單一特征薄弱的問題，將空間鄰域信息和極化信息相結(jié)合，豐富和完善 了特征信息，有利于提高圖像分類精度。
【附圖說明】
[0022] 圖1是本發(fā)明的流程圖；
[0023] 圖2是本發(fā)明仿真使用的一幅極化SAR圖像；
[0024]圖3是圖2的地物分布參考圖；
[0025]圖4是對圖2采用經(jīng)典的Wishart分類器分類所得到的結(jié)果圖；
[0026] 圖5是對圖2采用基于CNN和SVM分類器分類所得到的結(jié)果圖；
[0027] 圖6是本發(fā)明對圖2的分類仿真結(jié)果圖。
【具體實施方式】
[0028] 參照圖1，本發(fā)明的具體實現(xiàn)步驟如下：
[0029] 步驟1，輸入待分類的極化SAR圖像，并對該圖像進行精致極化Lee濾波，得到包含 有極化相干矩陣T和極化協(xié)方差矩陣C的極化SAR圖像，通過如下步驟實現(xiàn)：
[0030] 步驟la，設(shè)置待極化SAR圖像的濾波窗口大小，得到多個均值窗口，選取每個均值 窗口不同方向邊緣模板，進行邊緣檢測，得到多個方向濾波窗口：在待分類的極化SAR分類 圖像的span總功率圖像上，其中圖像每一像素點的值等于該像素點的極化協(xié)方差矩陣對角 線元素之和，設(shè)置大小為7X7濾波窗口，根據(jù)圖像像素空間位置，從左到右、從上到下將濾 波窗口依次分解為9個子窗口，其中子窗口大小為3 X 3，子窗口之間重疊區(qū)域為一個單元， 計算每個子窗口的均值，得到3 X 3大小的均值窗口；在均值窗口中，用水平、垂直、45度、135 度四個方向的邊緣模板進行檢測，來確定邊緣方向，具體計算過程是將四個模板分別與均 值窗口進行加權(quán)，求加權(quán)結(jié)果的絕對值，選取絕對值當中的最大值，最大值所對應(yīng)的方向就 是邊緣方向；下一步，在3X3的均值窗口中，比較中心像素與邊緣方向兩側(cè)的像素元素(位 于3X3均值窗口中心的像素）的鄰近性，具體計算方式是均值窗口在邊緣方向兩側(cè)的值與 中心像素的值相減，選取結(jié)果絕對值最小對應(yīng)的一側(cè)作為方向窗口；
[0031] 步驟lb，在所述多個方向濾波窗口中，對待極化SAR圖像進行去斑去噪處理，得到 數(shù)據(jù)干凈的極化相干矩陣T和極化協(xié)方差矩陣C
[0032]在方向窗口中，采用下式：
(1)
[0034] 計算精致極化Lee濾波的濾波系數(shù)b，（1)式中的y表示方向窗口內(nèi)極化SAR總功率 圖像的像素值，var(y)表示方向窗口內(nèi)像素值的總功率方差，$表示y的數(shù)學期望， 〇v表示相 干斑噪聲的標準差。由濾波系數(shù)b，根據(jù)下式
[0035] 之= Z + /，(Z - Z) (2)
[0036] 計算濾波后中心像素的極化相干矩陣或極化協(xié)方差矩陣之，（2)式中的E表示方向 窗口內(nèi)像素的極化相干矩陣或極化協(xié)方差矩陣的數(shù)學期望，Z表示中心像素的極化相干矩 陣或極化協(xié)方差矩陣。
[0037] 步驟2,利用已標注的極化SAR圖像的地物分布參考圖中的類別信息，隨機選擇相 同數(shù)量的各類別訓練樣本，得到訓練樣本集合，
[0038] 本發(fā)明中采樣得到的每類樣本數(shù)目為500個。
[0039] 步驟3,利用所述極化相干矩陣T和極化協(xié)方差矩陣C，提取所述訓練樣本集合的樣 本特征，通過如下步驟實現(xiàn)：
[0040] 步驟3a，由于極化相干矩陣T和極化協(xié)方差矩陣C具有豐富的關(guān)于雷達目標的相位 和幅度信息，而且都是哈密頓半正定矩陣，所以可提取維數(shù)為3 X 3的極化相干矩陣T的上三 角位置的六個元素的模值，維數(shù)為3X3的極化協(xié)方差矩陣C的上三角位置的六個元素的實 部和虛部(對角線元素虛部為〇,不包括在內(nèi)），以及對角線元素之和得到功率圖span;
[00411 步驟3b，對極化相干矩陣T進行Cloude分解： 3
[0042] T =UTnUH (3) f:i
[0043] 其中，1^ = ^&8{人1，人2，人3}，\(1 = 1，2,3)是極化相干矩陣的特征值，且人1彡人2彡入3， U=[V1，V2，V3]，Vi是與Ai相對應(yīng)的單位特征矢量，（) H表示這個矩陣的共輒轉(zhuǎn)置；
[0044] 接著，得到相應(yīng)的特征:散射熵h乞化A，其中A. =4/1^， M / M
[0045] 平均散射角d二I凡冬，其中a!為散射體的內(nèi)部自由度， Z-1
[0046] 反熵A=(A2-A3)/(A2+A3)，極化相干矩陣T的特征值心，\ 2山，繼續(xù)作為每個像素點 的原始特征?；谏鲜鎏卣魈崛》椒?，每個像素點共22維原始特征[Tn，T22，T 33，abs(T12)， abs(Ti3)，abs(T23)，Cii，C22，C33，real (C12)，imag(Ci2)，real (C13)，imag(Ci3)，real (C23)，imag (C23)，span，H，a，A，入1，人2,入3];
[0047] 步驟2c，由于圖像具有空間相關(guān)性，因此本方法將每個像素點的四鄰域的四個個 像素點的特征也作為其特征，圖像邊界采用鏡像對稱進行填充，加上步驟2b中得到的22維 原始特征，每個像素點共提取了 110維的特征。
[0048]步驟4，隨機初始化卷積神經(jīng)網(wǎng)絡(luò)CNN和深度置信網(wǎng)DBN的相關(guān)參數(shù)；
[0049]步驟5，對所述樣本特征進行歸一化處理，并將經(jīng)過歸一化處理的樣本特征輸入到 分別輸入到卷積神經(jīng)網(wǎng)絡(luò)CNN和深度置信網(wǎng)DBN中進行特征訓練，通過如下步驟實現(xiàn)：
[0050]步驟5a，在卷積神經(jīng)網(wǎng)絡(luò)CNN訓練過程中，目標函數(shù)關(guān)于第1層的神經(jīng)元z(1)的梯度 為
(4)
[0052]在卷積神經(jīng)網(wǎng)絡(luò)中，每一個卷積層后都接著一個子采樣層，然后不斷重復(fù)。因此我 們需要分別來看卷積層和子采樣層的梯度。
[0053]步驟5b，卷積層的梯度，我們假定卷積層為1層，子采樣層為1 + 1層。因為子采樣層 是下采樣操作，1+1層的一個神經(jīng)元的誤差S對應(yīng)于卷積層(上一層)的相應(yīng)特征映射的一個 區(qū)域。1層的第k個特征映射中的每個神經(jīng)元都有一條邊和1+1層的第k個特征映射中的一個 神經(jīng)元相連。根據(jù)鏈式法則，第1層的一個特征映射的誤差項S (1，k)，只需要將1+1層對應(yīng)特征 映射的誤差項S(1+1， k)進行上采樣操作，再和1層特征的激活值偏導數(shù)逐元素相乘，再乘上權(quán) 重 w(1+1，k)，就得到了 S(1，k)。
[0054]第1層的第k個特征映射的誤差項S(1'k)的具體推導過程如下：
㈧
[0056]在得到第1層的第k個特征映射的誤差項目標函數(shù)關(guān)于第1層的第k個特征映 射神經(jīng)元濾波器梯度：
(6)
[0058]目標函數(shù)關(guān)于第1層的第k個特征映射的偏置b(1)的梯度可以寫為：
(7)
[0060]步驟5c，子采樣層的梯度，我們假定子采樣層為1層，1 + 1層為卷積層。因為子采樣 層是下采樣操作，1+1層的一個神經(jīng)元的誤差項S對應(yīng)于卷積層(上一層)的相應(yīng)特征映射的 一個區(qū)域。 藝{/.〇) = z 上(8)
[ ] p> 心=1'
[0062]第1層的第k個特征映射的誤差項S(1，k)的具體推倒過程如下：
(9)
[0064]從而目標函數(shù)關(guān)于第1層的第k個特征映射的神經(jīng)元濾波器的梯度可以寫 為：
(10)
[0066]目標函數(shù)關(guān)于第1層的第k個特征映射的偏置b(1)的梯度可以寫為：
(11)
[0068]步驟5d，在深度置信網(wǎng)DBN的訓練過程中，對于每次迭代，在每小批量數(shù)據(jù)上，調(diào)用 ⑶-k算法，進行k次交替Gibbs采樣，本方法只需1次交替Gibbs采樣即可保證采集到的樣本 符合目標分布，具體為：
(12) (13)
[0071] 其中（12)式表示在已知可見層狀態(tài)v(Q)時采樣出隱藏層的第j個單元的狀態(tài)等 于1的概率，表示可見層的輸入狀態(tài)，即訓練樣本原始特征向量歸一化后的數(shù)據(jù)，if表 示可見層第i個單元的狀態(tài)，表示隱藏層第j個單元的狀態(tài)，h表示隱藏層第j個單元的偏 置，ww表示可見層第i個單元與隱藏層第j個單元之間的連接權(quán)重；
[0072] 接著，產(chǎn)生[0，1 ]內(nèi)的隨機數(shù)U，對Af進行二值化，SP:若巧< = l|v(Ui)，則 否則，
[0073] 其中（13)式表示在已知隱藏層狀態(tài)/zf時采樣出可見層各個單元狀態(tài)vf，以此來 代替目標分布，其中ai表示可見層第i個單元的偏置；
[0074] Aw, , ? 尸(/f) = 11 一戶認⑴=1 卜⑴)v)n (14)
[0075] Aa,. ? v;(0) - v;(1> :(.1:5).
[0076] Ab, w P(/f5 = 1 |v(0)) - PQf = 1 |vtn) (16)
[0077] 利用（14)、（15)、（16)式分別計算每次迭代時目標函數(shù)在每小批量數(shù)據(jù)上關(guān)于連 接權(quán)重W、可見層偏置a、隱藏層偏置b的偏導數(shù)；
[0078] A Wi,j(iter} = P* A Wi,j(iter^} +nw*( A wi,j(iter}/nbi〇〇k-A*wi,j(iter^}) (17)
[0079] A ai(iter) = p* A ai(iter-1)+nvb*( A ai(iter)/nbi〇〇k) (18)
[0080] A bi(iter) = p* A bi(iter"1)+nhb*( A bi(iter)/nbi〇〇k) (19)
[0081] 本方法采用（17)、（18)、（19)式更新當前迭代(iter多1)每小批量數(shù)據(jù)上的平均偏 導數(shù)，其中nblcick為小批量數(shù)據(jù)的數(shù)目，P為動量學習率；
[0082] 步驟5e，利用梯度上升法更新RBM參數(shù)0 = (W，a，b)，具體為： _ JfO'ter-li
[0083] a{mr) a(ller~uAa(i!er) (20) joiner)
[0084] 按上式更新當前迭代每小批量數(shù)據(jù)上的連接權(quán)重、可見層偏置和隱藏層偏置。 [0085]步驟6,從經(jīng)過特征訓練的卷積神經(jīng)網(wǎng)絡(luò)CNN和深度置信網(wǎng)DBN中分別提取各自的 最后一層特征得到兩個一維特征向量，并將其進行一維拼接得到一個一維特征向量，作為 聯(lián)合特征，通過如下步驟實現(xiàn)：
[0086]步驟6a，提取卷積神經(jīng)網(wǎng)絡(luò)CNN最后一層特征，得到具有空間鄰域信息的一維特征 向量；
[0087]步驟6b，提取深度置信網(wǎng)DBN最后一層特征，得到具有極化信息的一維特征向量； [0088]步驟6c，將步驟6a所得具有空間鄰域信息的一維特征向量和步驟6b所得具有極化 信息的一維特征向量進行一維拼接，得到一個一維特征向量，作為聯(lián)合特征；
[0089]步驟7,將所述聯(lián)合特征輸入到SVM分類器中進行分類器訓練；
[0090] 步驟8,利用經(jīng)過所述分類器訓練得到的SVM分類器進行極化SAR圖像分類；
[0091]將待分類的極化SAR圖像原始的測試數(shù)據(jù)歸一化到[0.1，0.9]后，輸入訓練好網(wǎng) 絡(luò)，得到聯(lián)合特征，然后利用這些特征輸入到訓練好的分類器對待分類的極化SAR圖像進行 分類，得到每個像素點的類別；
[0092]步驟9,輸出經(jīng)過分類的圖像，并計算分類精度；
[0093]步驟9a，利用SVM對圖像分類得到的像素類別，將R(紅色）、G(綠色）、B(藍色)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，然后將其輸出；
[0094]步驟％，將極化SAR圖像得到的像素類別與真實地物類別進行比較，將類別一致的 像素個數(shù)與全部像素個數(shù)的比值作為極化SAR圖像的分類精度。
[0095] 1 ?實驗條件
[0096] 硬件平臺為：Intel Core2Duo CPU E8400@3.00GHZ、6GB RAM;
[0097] 軟件平臺為:MATLAB R2015a，Caffe;
[0098] 2.仿真內(nèi)容
[0099] 2.1采用Wishart分類器的對圖2進行仿真，其結(jié)果如圖4所示；
[0100] 2.2采用基于CNN和SVM分類方法對圖2進行仿真，其結(jié)果如圖5所示；
[0101] 2.3采用本發(fā)明方法對圖2進行仿真，其結(jié)果如圖6所示。
[0102] 3.實驗結(jié)果分析
[0103] 參照圖4可以看出，分類效果雖然區(qū)域邊緣劃分相對平滑，有較多雜散點，而且存 在嚴重的錯分現(xiàn)象；
[0104] 參照圖5可以看出，能夠有效的正確分類，雜散點有所減少，空間鄰域信息得到有 效保持；
[0105] 參照圖6可以看出，有更好的分類能力，有效解決了空間鄰域信息和極化信息相結(jié) 合的問題。
[0106] 為了驗證本發(fā)明的技術(shù)效果，本發(fā)明和兩種對比方法在仿真實驗中得到的各類分 類精度和總分類精度，如表1所示：
[0107] 其中，Algl表示W(wǎng)ishart分類器的方法，Alg2表示基于CNN和SVM分類的方法，Alg3 是本發(fā)明的方法?？梢钥闯雒款惙诸惥榷几哂趦煞N對比方法，同時總分類精度明顯地提 尚；
[0108] 表1
[0110]綜上所述，本發(fā)明提出的基于深度多示例學習的極化SAR圖像分類方法能夠明顯 地提高極化SAR圖像分類精度，有效解決了空間鄰域信息和極化信息相結(jié)合的問題。
【主權(quán)項】
1. 一種基于深度多示例學習的極化SAR圖像分類方法，包括如下步驟： (1) 輸入待分類的極化SAR圖像，并對該圖像進行精致極化Lee濾波，得到包含有極化相 干矩陣T和極化協(xié)方差矩陣C的極化SAR圖像； (2) 利用已標注的極化SAR圖像的地物分布參考圖中的類別信息，隨機選擇相同數(shù)量的 各類別訓練樣本，得到訓練樣本集合； (3) 利用所述極化相干矩陣T和極化協(xié)方差矩陣C，提取所述訓練樣本集合的樣本特征； (4) 同時對卷積神經(jīng)網(wǎng)絡(luò)CNN的相關(guān)參數(shù)和深度置信網(wǎng)DBN的相關(guān)參數(shù)進行隨機初始 化； (5) 對所述樣本特征進行歸一化處理，并將經(jīng)過歸一化處理的樣本特征，分別輸入到相 關(guān)參數(shù)已經(jīng)隨機初始化的卷積神經(jīng)網(wǎng)絡(luò)CNN和深度置信網(wǎng)DBN中進行特征訓練； (6) 從經(jīng)過特征訓練的卷積神經(jīng)網(wǎng)絡(luò)CNN和深度置信網(wǎng)DBN中分別提取各自的最后一層 特征得到兩個一維特征向量，并將其進行一維拼接得到一個一維特征向量，作為聯(lián)合特征 向量，按照如下步驟進行： 6a)提取卷積神經(jīng)網(wǎng)絡(luò)CNN最后一層特征，得到具有空間鄰域信息的一維特征向量； 6b)提取深度置信網(wǎng)DBN最后一層特征，得到具有極化信息的一維特征向量； 6c)將步驟6a)所得具有空間鄰域信息的一維特征向量和步驟6b)所得具有極化信息的 一維特征向量進行一維拼接，得到一個一維特征向量，作為聯(lián)合特征向量； (7) 將所述聯(lián)合特征向量輸入到SVM分類器中進行分類器訓練； (8) 利用經(jīng)過訓練的SVM分類器對極化SAR圖像進行分類； (9) 輸出對極化SAR圖像進行分類的結(jié)果圖像，并計算分類精度。2. 根據(jù)權(quán)利要求書1所述的基于深度多示例學習的極化SAR圖像分類方法，其中步驟 (1)所述的精致極化Lee濾波，按照如下步驟進行： la) 設(shè)置待極化SAR圖像的濾波窗口大小，得到多個均值窗口，選取每個均值窗口不同 方向邊緣模板，進行邊緣檢測，得到多個方向濾波窗口； lb) 在所述多個方向濾波窗口中，對待極化SAR圖像進行去斑去噪處理，得到數(shù)據(jù)干凈 的極化相干矩陣T和極化協(xié)方差矩陣C。3. 根據(jù)權(quán)利要求書1所述的基于深度多示例學習的極化SAR圖像分類方法，其中步驟 (3)所述的提取樣本特征，按照如下步驟進行： 3a)針對每個像素點的極化，提取極化相干矩陣T上三角位置元素的模值和極化協(xié)方差 矩陣C的上三角位置的元素的實部和虛部，以及兩個矩陣的對角線元素之和； 3b)對極化相干矩陣T進行Cloude分解； 3c)圖像邊界采用鏡像對稱進行填充，以每個像素點為中心選取固定大小的鄰域作為 樣本特征。4. 根據(jù)權(quán)利要求書1所述的基于深度多示例學習的極化SAR圖像分類方法，其中步驟 (5)所述的卷積神經(jīng)網(wǎng)絡(luò)CNN和深度置信網(wǎng)DBN訓練過程，按照如下步驟進行： 5a)計算卷積神經(jīng)網(wǎng)絡(luò)CNN目標函數(shù)的梯度； 5b)計算卷積神經(jīng)網(wǎng)絡(luò)CNN卷積層的梯度； 5c)計算卷積神經(jīng)網(wǎng)絡(luò)CNN子采樣層的梯度； 5d)針對深度置信網(wǎng)DBN，調(diào)用⑶-k算法，進行k次交替Gibbs采樣； 5e)利用梯度上升法更新DBN參數(shù)θ = (W，a，b)。5.根據(jù)權(quán)利要求書1所述的基于深度多示例學習的極化SAR圖像分類方法，其特征在 于，步驟(9)所述的輸出圖像及計算精度，按照如下步驟進行： 9a)輸出極化SAR圖像的分類效果圖； 9b)計算極化SAR圖像的分類精度。
【文檔編號】G06K9/62GK105894018SQ201610188365
【公開日】2016年8月24日
【申請日】2016年3月29日
【發(fā)明人】焦李成, 劉旭, 張丹, 趙佳琦, 趙進, 尚榮華, 侯彪, 楊淑媛, 馬文萍, 馬晶晶
【申請人】西安電子科技大學