基于半监督深度稀疏滤波网络的极化SAR分类方法

摘要

本发明公开了一种基于半监督稀疏滤波的半监督深度学方法。解决了传统深度学方法参数调节复杂，在拥有较低标签数据时分类精度不高的技术问题，其步骤包括：输入待分类的极化SAR图像数据；提取训练样本和测试样本；求训练样本的Wishart近邻样本；初始化深度稀疏滤波网络的参数；对深度稀疏滤波网络预训练；对深度稀疏滤波网络微调；对测试样本进行类别预测；输出待分类的极化SAR图像的分类图像和分类精度。本发明通过构建新颖的深度稀疏滤波网络模型，并在预训练过程中加入半监督正则项的方法，降低了深度学网络参数调节的复杂度，提高了极化SAR图像地物分类的精度。可用于环境监测、地球资源勘测和军事系统等技术领域。

主权项

本发明是一种基于半监督深度稀疏滤波网络的极化SAR分类方法，其特征在于，包括如下步骤：(1)输入待分类的极化SAR图像数据，即极化SAR图像的相干矩阵T，根据极化SAR图像的地物分布信息得到标签矩阵Y，由极化SAR图像的相干矩阵T生成样本矩阵N是样本的总个数，x_i表示第i个样本；(2)提取训练样本和测试样本，根据极化SAR图像的样本数据X和标签矩阵Y，随机提取出L个训练样本，M个测试样本，其中L+M＝N，根据所有样本的类别信息，每类随机选取1％的样本作为训练样本，其余的为测试样本；(3)求训练样本的Wishart近邻样本，在所有的样本数据中，求取每个训练样本x_i(i＝1,2...L)所对应的K个Wishart近邻样本x_j(j＝1,2...K)；(4)初始化深度稀疏滤波网络的基本参数，随机初始化深度稀疏滤波网络的权重参数W，设定深度稀疏滤波网络每层的节点数；(5)对深度稀疏滤波网络预训练，将训练样本及其对应的Wishart近邻样本送入到深度稀疏滤波网络中进行预训练，采用逐层贪婪的预训练方法，前一层的输出作为后一层的输入，直到训练完最后一个隐层，同时在每层的预训练中加入半监督近邻保持正则项，与稀疏滤波器共同优化网络的权重；(6)对深度稀疏滤波网络微调，利用训练样本及其标签信息，结合Softmax分类器对深度稀疏滤波网络进行微调，进一步优化网络的权重；(7)对测试样本进行类别预测，将测试样本送入到深度稀疏滤波网络，利用Softmax分类器对测试样本的类别标签进行预测，得到每个测试样本的预测类别；(8)输出待分类的极化SAR图像的分类结果图和分类精度，根据训练样本和已预测出类别的测试样本，输出待分类的极化SAR图像的最终分类结果并计算本次分类的精度。