买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明公开了一种基于Wishart深度网络的极化SAR图像分类方法，主要解决现在特征提取需要很多先验知识以及人工劳动强度大的问题。其实现步骤为：1输入极化SAR图像并做滤波处理；2对滤波后的图像构造多层Wishart RBM学习特征；3用学习到的特征训练softmax分类器；4用多层Wishart RBM和softmax分类器构造深度网络DBN，并对其进行训练；6用深度网络DBN对极化SAR图像分类并输出结果。本发明与经典分类方法相比，分类正确率更高，分类结果同质区域更完整，区域一致性更好，分类性能更好，适用于对极化SAR图像进行地物分类和目标识别。

主权项：一种基于Wishart深度网络的极化SAR图像分类方法，包括如下步骤：1读入一幅待分类的极化SAR图像，采用精致极化LEE滤波方法对待分类的极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图像；2从滤波后的极化SAR图像随机选取10％的有标记数据作为训练样本，剩下的90％有标记数据作为测试样本；3Wishart RBM是深度网络DBN的基本构成单元，可用于特征学习，构造三层Wishart RBM结构，完成对极化SAR样本的特征学习：3a将训练样本输入到第一层Wishart RBM中进行训练，得到能表征输入数据的特征，并保存第一层Wishart RBM的权值和偏置；3b将第一层Wishart RBM训练得到的特征输入到第二层Wishart RBM中进行训练，得到能表征第一层Wishart RBM所得的特征的新特征，并保存第二层Wishart RBM的权值和偏置；3c将第二层Wishart RBM训练得到的特征输入到第三层Wishart RBM中进行训练，得到能表征第二层Wishart RBM所得的特征的新特征，并保存第三层Wishart RBM的权值和偏置，该第三层Wishart RBM学习到的特征就是三层Wishart RBM结构学习得到的特征；4训练深度网络DBN：将三层Wishart RBM学习得到的特征作为深度网络DBN的最后一层贝叶斯网络softmax分类器层的输入，对softmax分类器层进行训练，得到训练好的softmax分类器，并保存softmax分类器的权值；用三层Wishart RBM的权值和偏置及softmax分类器的权值构成深度网络DBN网络，并用基于最小交叉熵的共轭梯度法对该深度网络DBN进行200次训练，得到训练好的深度网络框架；5将测试数据输入到训练好的深度网络框架中得到分类结果；6在完成分类后的极化SAR图像上，按照红、绿、蓝三基色在相同类别上相同的颜色，得到上色后的分类结果图并输出。

全文数据：基于Wishart深度网络的极化SAR图像分类方法技术领域[0001]本发明属于图像处理技术领域，具体涉及极化合成孔径雷达SAR图像的分类方法，可用于实现极化SAR图像的地物分类和目标识别。背景技术[0002]合成孔径雷达SAR系统能够得到具有全天候、全天时、分辨率高的遥感图像，极化合成孔径雷达PolSAR是先进的SAR系统，通过发射和接收极化雷达波来描述观察到的土地覆盖物和目标。[0003]在过去的二十年中，研究表明，PolSAR在目标检测、地物分类、参数反演、地形提取应用方面能够提供比单极化SAR更多有用的信息。如今，一些星载平台，如TerraSAR-X卫星，RADARSAT-2卫星，和AL0S-PALSAR卫星不断地提供着数据量巨大的极化SAR数据。手动解释这些大量极为复杂的图像是不靠谱的。因此，迫切地需要开发自动或半自动系统来对极化SAR图像进行解释和信息挖掘。[0004]根据是否需要训练样本和人工干预，PolSAR图像分为监督分类和非监督分类。对于这两种方法，特征提取和分类技术是两个基本要素。PolSAR图像分类的性能在很大程度上依赖于特征。出于这个原因，许多PolSAR图像分类方法着力于PolSAR图像特征的提取。[0005]Cloude等人提出的基于Ηα目标分解的极化SAR图像非监督分类方法，见CloudeSR,PottierE.AnentropybasedclassificationschemeforlandapplicationsofpolarimetricSAR[J].IEEETrans.Geosci.RemoteSensing.1997,35I:549-557.京尤是一种特征提取的方法，该方法主要是通过Cloude分解获取H和α两个表征极化数据的特征，然后根据H和a组成的Ηα平面人为的将其划分为9个区域，去掉一个理论上不可能存在的区域，最终将图像划分为8类。Ηα分类存在的一个缺陷是区域的划分过于武断，当数据分布区域边界上时可能会被错误的划分，另外，同一类别的地物可能会划分不到不同的区域内，同时，同一区域内也可能存在不同类别的地物。[0006]YoshioYamaguchi等提出了一种基于四分量目标分解的极化图像非监督分类算法，见YoshioYamaguchi,ToshifumiMoriyama,MotoiIshido,andHiroyoshiYamada,“Four-ComponentScatteringModelforPolarimetricSARImageDecomposition,”IEEETrans.Geosci·RemoteSens,voI·43,no·8,Aug.2005。该方法将极化SAR数据分解为四个简单的散射机制相结合。这四个散射机制分别为:平面散射、二面角散射、体散射和螺旋散射。[0007]上述这些特征的提取的方法是都是根据要解决的问题以及数据的特征人工设计出来的，因此劳动强度特别大。[0008]DBN是一种无监督特征学习框架，它能够提取多层特征。类似于人脑的层次模型，DBN能提取从低层次到高层次的特征。DBN是通过假设数据服从高斯分布来对数据进行特征学习的，但是PolSAR数据服从的是Wishart分布。因此，将PolSAR数据服从的分布引入DBN，来完成特征学习，可以学习到能有效表征PolSAR数据的特征，实现更好的分类效果。限制玻尔兹曼机RBM是DBN的基本构成，通过WishartRBM可以将PoISAR数据的分布引入DBN。因此，它更有利于DBN在PoISAR数据上的应用。发明内容[0009]本发明的目的在于针对已有技术的不足，提供一种基于Wishart深度网络的极化SAR图像分类方法，以提高深度网络DBN在极化SAR数据上的分类效果和精度。[0010]实现本发明目的的技术方案是:对极化SAR图像进行滤波;提取每个像素的9个独立元素，并用基于WishartRBM的深度网络DBN对这些数据学习特征;再用基于最小交叉熵的共辄梯度法对基于WishartRBM的深度网络DBN进行微调，得到更好的特征和分类结果。具体步骤包括如下：[0011]1读入一幅待分类的极化SAR图像，采用精致极化LEE滤波方法对待分类的极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图像；[0012]2从滤波后的极化SAR图像随机选取10%的有标记数据作为训练样本，剩下的90%有标记数据作为测试样本；[0013]3WishartRBM是深度网络DBN的基本构成单元，可用于特征学习。构造三层WishartRBM结构，完成对极化SAR样本的特征学习：[0014]3a将训练样本输入到第一层WishartRBM中进行训练，得到能表征输入数据的特征，并保存第一层WishartRBM的权值和偏置；[0015]3b将第一层WishartRBM训练得到的特征输入到第二层WishartRBM中进行训练，得到能表征第一层WishartRBM所得的特征的新特征，并保存第二层WishartRBM的权值和偏置；[0016]3c将第二层WishartRBM训练得到的特征输入到第三层WishartRBM中进行训练，得到能表征第二层WishartRBM所得的特征的新特征，并保存第三层WishartRBM的权值和偏置，该第三层WishartRBM学习到的特征就是三层WishartRBM结构学习得到的特征；[0017]⑷训练深度网络DBN:[0018]将三层WishartRBM学习得到的特征作为深度网络DBN的最后一层贝叶斯网络softmax分类器层的输入，对softmax分类器层进行训练，得到训练好的softmax分类器，并保存softmax分类器的权值；[0019]用三层WishartRBM的权值和偏置及softmax分类器的权值构成深度网络DBN网络，并用基于最小交叉熵的共辄梯度法对该深度网络DBN进行200次训练，得到训练好的深度网络框架；[0020]5将测试数据输入到训练好的深度网络框架中得到分类结果；[0021]⑹在完成分类后的极化SAR图像上，按照红、绿、蓝三基色在相同类别上相同的颜色，得到上色后的分类结果图并输出。[0022]本发明与现有的技术相比具有以下优点：[0023]1.本发明是对深度学习方法在极化SAR图像应用上的改进，将极化SAR数据的分布特性加入了经典深度学习模型RBM，通过多层无监督特征学习，实现了极化SAR图像的特征提取；[0024]2.本发明通过WishartRBM学习到的权值和偏置可直接用于构成DBN深度网络，经过微调的深度网络DBN可以达到更好的分类性能，使得结果更加稳定；[0025]仿真结果表明，本发明采用的基于WishartRBM的深度网络DBN实现极化SAR图像分类，分类效果优良，正确率高，分类结果区域一致性也较好。[0026]以下结合附图对本发明实施例和效果做进一步详细描述。附图说明[0027]图1是本发明的实现流程图；[0028]图2是本发明仿真使用的极化SAR数据的PauliRGB合成图；[0029]图3是本发明所用极化合成孔径雷达SAR图像的真实地物标记；[0030]图4是用现有监督Wishart分类方法的分类结果；[0031]图5是用现有支持向量机SVM分类方法的分类结果；[0032]图6是经典深度网络DBN分类方法的分类结果；[0033]图7是本发明的分类结果图。具体实施方式[0034]参照图1，本发明的具体实现步骤如下：[0035]步骤1，输入待分类的极化SAR图像，采用精致极化LEE滤波方法对待分类的极化SAR图像进行滤波，以去除斑点噪声，得到滤波后的极化SAR图像。[0036]Ia设定精致极化LEE滤波的滑动窗口大小为7*7像素；[0037]Ib将滑动窗口在输入的极化SAR图像的像素上，从左到右、从上到下滑动，每滑动一步时，将滑动窗口按照像素空间位置，从左到右、从上到下依次分成9个子窗口，子窗口之间有重叠，每个窗口的大小为3*3像素，计算各子窗的功率均值，S卩C矩阵对角线的和，将所得到的均值构成3*3像素的均值窗口；[0038]Ic选择水平、垂直、45度和135度的四个方向的梯度模板，将均值窗口分别与四个模板进行加权，选择计算加权结果绝对值最大的梯度模板为边缘方向；[0039]Id对比较边缘两侧的像素求功率均值，用得到的两个功率均值分别减去中心窗口所有像素的均值，并以该差值较小的一侧作为方向窗口，将该方向窗口内的功率均值记为％[0040]Ie根据方向窗口内的功率均值记为歹，按照下式得到精致极化LEE滤波的权值；[0041][0042]其中，y〇表示单个像素点的功率值，varyo表示方向窗口内功率的方差值，Sv2表示输入的极化SAR图像相干斑噪声的标准偏差；[0043]If根据步骤（Ie的结果，按照下式得到滤波后极化SAR图像中心像素的协方差矩阵：[0044][0045]其中，w表示方向窗口内极化SAR图像像素的协方差矩阵的功率均值，z表示极化SAR图像中心像素的协方差矩阵。[0046]步骤2,从滤波后的极化SAR图像中选取训练样本和测试样本。[0047]滤波后的极化SAR图像中，包含有标记的样本和无标记的样本，其中有标记的样本是已经知道所属类别的样本，无标记的样本是所属类别未知的样本；[0048]从有标记样本中随机选取10%的作为训练样本，剩下的90%作为测试样本。[0049]步骤3，构造三层WishartRBM结构，完成对极化SAR样本的特征学习。[0050]WishartRBM是深度网络DBN的基本构成单元，可用于特征学习，其步骤如下：[0051]3a将训练样本输入到第一层WishartRBM中进行训练，得到能表征输入数据的特征，并保存第一层WishartRBM的权值和偏置；[0052]3al设置隐藏层节点数为256，训练迭代次数为3，学习率r为0.1，自由度η为4;[0053]3a2根据下面的公式计算WishartRBM的隐藏层激活值fi:[0054][0055]其中为WishartRBM在第i次训练时的权值，b〖SWishartRBM在第i次训练时的隐藏层偏置，X为输入数据为sigmoid函数，其形式如下所示：[0056][0057]3a3根据步骤3a2得到的激活值，按照下式计算对输入数据的重构值Y1:[0058][0059]其中，为WishartRBM第i次训练时的重构偏置，（）H表示取共辄操作，w为WishartRBM的重构函数，其形式如下：[0060][0061]其中q为矩阵维数，此处取q=3，n为自由度，TrO表示取矩阵的迹，Σ为C的均值，Kn，q为中间变量：[0062][0063]式中，Γn=n-1!，（）！表示阶乘操作；[0064]3a4根据下式更新：以及L的值：[0068]重复步骤3a2至步骤3a4，当迭代次数i=3,则停止迭代并保存：以及cf+1的值；[0069]3b将第一层WishartRBM训练得到的特征输入到第二层WishartRBM中进行训练，得到能表征第一层WishartRBM所得的特征的新特征，并保存第二层WishartRBM的权值和偏置。[0070]3bl设置参数:设置隐藏层节点数为121，训练迭代次数为3,学习率r为0.1，自由度η为4;[0071]3b2根据下式计算WishartRBM的隐藏层激活值f2:[0072][0073]其中为WishartRBM在第i次训练时的权值，为WishartRBM在第i次训练时的隐藏层偏置，X为第一层WishartRBM在训练迭代次数i=3时的重构值，δ为sigmoid函数，其形式如下所示：[0074][0075]3b3根据步骤3b2得到的激活值f2，按照下式计算输入数据的重构值Y2:[0076][0077]其中，为WishartRBM第i次训练时的重构偏置，（）H表示取共辄操作，w为WishartRBM的重构函数，形式如下：[0078][0079]3b4根据下式更新以及冷的值：[0083]重复步骤3b2至步骤3b4，当迭代次数i=3,则停止迭代并保存:以及ci+1的值；[0084]3c将第二层WishartRBM训练得到的特征输入到第三层WishartRBM中进行训练，得到能表征第二层WishartRBM所得的特征的新特征，并保存第三层WishartRBM的权值和偏置：[0085]3c1设置隐藏层节点数为49，训练迭代次数为3，学习率r为0.1，自由度η为4;[0086]3c2根据下面的公式计算WishartRBM的隐藏层激活值f3:[0087][0088]其中为WishartRBM在第i次训练时的权值，ii:为WishartRBM在第i次训练时的隐藏层偏置，X为第二层WishartRBM在训练迭代次数i=3时的重构值，δ为sigmoid函数，其形式如下所示：[0089][0090]3c3根据步骤3c2得到的激活值fi，按照下式计算对输入数据的重构值Y3:[0091][0092]其中，：为WishartRBM第i次训练时的重构偏置，（）H表示取共辄操作，w为WishartRBM的重构函数，形式如下：[0093][0094]3c4根据下式更新以及.I的值：[0098]重复步骤3c2至步骤3c4，当迭代次数i=3,则停止迭代并保存：以及的值，第三层WishartRBM的重构值Y3就是三层WishartRBM结构学习得到的特征。[0099]步骤4,训练深度网络DBN。[0100]将三层WishartRBM学习得到的特征作为深度网络DBN的最后一层贝叶斯网络softmax分类器层的输入，对softmax分类器层进行训练，得到训练好的softmax分类器，并保存softmax分类器的权值；[0101]用三层WishartRBM的权值和偏置及softmax分类器的权值构成深度网络DBN网络，并用基于最小交叉熵的共辄梯度法对该深度网络DBN进行训练，得到训练好的深度网络框架。[0102]所述基于最小交叉熵的共辄梯度法，是经典的深度网络训练方法。[0103]步骤5,利用训练好的深度网络框架得到极化SAR图像的分类结果。[0104]将测试样本输入训练好的深度网络框架得到测试样本的分类结果，并将测试样本的分类结果与标记结果进行比较，得到分类正确率；[0105]将极化SAR图像的全部样本输入训练好的深度网络框架，得到全部样本的分类结果，即极化SAR图像的分类结果。[0106]步骤6,输出极化SAR图像的分类结果。[0107]在全部样本都完成分类的极化SAR图像上，将红色、绿色、蓝色三个颜色作为三基色，分别按照不同的比例混合三基色，分别对这三基色取如下15组值：（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，得到15种不同的颜色来对分类结果上色，其中分类结果中相同类别上相同的颜色。[0108]本发明的效果可以通过以下仿真进一步说明：[0109]1、仿真内容与结果分析[0110]本发明将图2所示的荷兰弗莱福兰省Flevoland极化SAR数据作为测试图像，大小为750X1024。根据图3的真实地物标记对每个类别随机选取10%作为训练样本。用剩下的有标记的90%数据做为测试数据。[0111]仿真一，用现有的监督Wishart分类方法对图2进行分类，分类结果见图4。[0112]仿真二，用现有的支持向量机SVM分类方法对图2进行分类，分类结果见图5。[0113]仿真三，用经典深度网络DBN分类方法对图2进行分类，分类结果见图6。[0114]仿真四，用本发明对图2进行分类，分类结果见图7。[0115]四个仿真实验每类的正确率及总的正确率见下表。[0116][0117]由上表以及图4、图5、图6和图7可以看出：本发明在四种方法之中，正确率为95.32%，是最高的。本发明的无论是在精度上，还是在视觉效果上都比监督Wishart方法更好。监督Wishart将很多水的区域为错分为了裸土，而本发明及支持向量机SVM方法和经典DBN分类方法都没有出现这种情况。本发明所有地物的分类正确率都大于87%，该方法的同质区域比其他三个方法更完整，区域一致性更好。说明了本发明在极化SAR数据分类性能更好。

权利要求：1.一种基于Wishart深度网络的极化SAR图像分类方法，包括如下步骤：1读入一幅待分类的极化SAR图像，采用精致极化LEE滤波方法对待分类的极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图像；2从滤波后的极化SAR图像随机选取10%的有标记数据作为训练样本，剩下的90%有标记数据作为测试样本；⑶WishartRBM是深度网络DBN的基本构成单元，可用于特征学习，构造三层WishartRBM结构，完成对极化SAR样本的特征学习：3a将训练样本输入到第一层WishartRBM中进行训练，得到能表征输入数据的特征，并保存第一层WishartRBM的权值和偏置；3b将第一层WishartRBM训练得到的特征输入到第二层WishartRBM中进行训练，得到能表征第一层WishartRBM所得的特征的新特征，并保存第二层WishartRBM的权值和偏置；3c将第二层WishartRBM训练得到的特征输入到第三层WishartRBM中进行训练，得到能表征第二层WishartRBM所得的特征的新特征，并保存第三层WishartRBM的权值和偏置，该第三层WishartRBM学习到的特征就是三层WishartRBM结构学习得到的特征；⑷训练深度网络DBN:将三层WishartRBM学习得到的特征作为深度网络DBN的最后一层贝叶斯网络softmax分类器层的输入，对softmax分类器层进行训练，得到训练好的softmax分类器，并保存softmax分类器的权值；用三层WishartRBM的权值和偏置及softmax分类器的权值构成深度网络DBN网络，并用基于最小交叉熵的共辄梯度法对该深度网络DBN进行200次训练，得到训练好的深度网络框架；⑶将测试数据输入到训练好的深度网络框架中得到分类结果；6在完成分类后的极化SAR图像上，按照红、绿、蓝三基色在相同类别上相同的颜色，得到上色后的分类结果图并输出。2.根据权利要求1所述的基于Wishart深度网络的极化SAR图像分类方法，其中所述步骤3a中训练第一层WishartRBM，按如下步骤进行：3al设置参数:设置隐藏层节点数为256，训练迭代次数为3，学习率r为0.1，自由度η为4;3a2根据下面的公式计算WishartRBM的隐藏层激活值fi:其中_为WishartRBM在第i次训练时的权值，^为WishartRBM在第i次训练时的隐藏层偏置，X为输入数据，δ为sigmoid函数，其形式如下所示：δX=11+exp-X;3a3根据步骤3a2得到的激活值，按照下式计算对输入数据的重构值Y1:其中，4为WishartRBM第i次训练时的重构偏置，（）η表示取共辄操作，w为WishartRBM的重构函数，形式如下：其中q为矩阵维数，此处取q=3，n为自由度，TrO表示取矩阵的迹，Σ为C的均值，Kn，q为中间变量：式中，Γη=n-1!，（）！表示阶乘操作；3a4根据下式更新W、W以及4的值：重复步骤3a2至步骤3a4，当迭代次数i=3，则停止迭代并保存的值。3.根据权利要求1所述的基于Wishart深度网络的极化SAR图像分类方法，其中所述步骤3b中训练第二层WishartRBM，按如下步骤进行：3bl设置参数:设置隐藏层节点数为121，训练迭代次数为3,学习率r为0.1，自由度η为4;3b2根据下式计算WishartRBM的隐藏层激活值f2:其中啤为WishartRBM在第i次训练时的权值，14为WishartRBM在第i次训练时的隐藏层偏置，X为第一层WishartRBM在训练迭代次数i=3时的重构值，δ为sigmoid函数，其形式如下所示：δX=11+exp-X;3b3根据步骤3b2得到的激活值f2，按照下式计算输入数据的重构值Y2:其中，为WishartRBM第i次训练时的重构偏置，（）η表示取共辄操作，w为WishartRBM的重构函数，形式如下：其中q为矩阵维数，此处取q=3，n为自由度，Tr〇表示取矩阵的迹，Σ为C的均值，Kn，q为中间变量：式中，Γη=n-1!，（）！表示阶乘操作；3b4根据下式更新的值：重复步骤3b2至步骤3b4，当迭代次数i=3，则停止迭代并保存的值。4.根据权利要求1所述的基于Wishart深度网络的极化SAR图像分类方法，其中所述步骤3c中训练第三层WishartRBM，按如下步骤进行：3c1设置参数:设置隐藏层节点数为49，训练迭代次数为3，学习率r为0.1，自由度η为4；3c2根据下面的公式计算WishartRBM的隐藏层激活值ft:其中为WishartRBM在第i次训练时的权值，gSWishartRBM在第i次训练时的隐藏层偏置，X为第二层WishartRBM在训练迭代次数i=3时的重构值，δ为sigmoid函数，其形式如下所示：δX=11+exp-X;3c3根据步骤3c2得到的激活值，按照下式计算对输入数据的重构值Y3:其中，4为WishartRBM第i次训练时的重构偏置，（）η表示取共辄操作，w为WishartRBM的重构函数，形式如下：其中，q为矩阵维数，此处取q=3，η为自由度，Tr〇表示取矩阵的迹，Σ为C的均值，Kη，q为中间变量：式中，Γη=n-1!，（）！表示阶乘操作；3c4根据下式更新的值：重复步骤3c2至步骤3c4，当迭代次数i=3，则停止迭代并保存的值。

百度查询： 西安电子科技大学 基于Wishart深度网络的极化SAR图像分类方法