基于极限学机的极化SAR图像分类方法

摘要

本发明公开了一种基于极限学机的极化SAR图像分类方法，主要解决极化SAR图像分类的时间效率低的问题。其实现步骤为：输入待分类极化SAR图像标记信息和相干矩阵，进行Lee滤波；提取滤波后的相干矩阵中的特征，并将特征归一化获得数据集，并从数据集中获得标记集；将标记集划分成训练集和测试集，并用训练集训练极限学机；利用训练好的极限学机去预测数据集的类别，得到极化SAR图像分类结果。本发明应用极限学机进行极化SAR图像分类，分类精度较高，同时运行时间少，可用于地物分类与目标识别。

主权项

一种基于极限学习机的极化SAR图像分类方法，包括如下步骤：(1)输入待分类极化SAR图像标记信息，输入一幅大小为3×3×M的待分类极化SAR图像的相干矩阵，并用Lee滤波器滤除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3×3矩阵，M表示待分类的极化SAR图像像素点的总数；(2)将滤波后相干矩阵中每个元素对应的3×3矩阵，拉成一个9维的特征向量，获得大小为9×M的数据矩阵；(3)将数据矩阵进行归一化处理，获得数据集其中n＝9为特征的维数，x_i为特征向量；(4)从数据集中获得训练集和测试集(4a)根据标记信息从数据集中获得标记集其中m为类别总数，N为标记样本的总数，t_i为类别向量；(4b)将标记集随机选取1％作为训练集剩余99％作为测试集其中K训练集样本个数，S为测试集的样本个数；(5)用训练集训练极限学习机：(5a)设置极限学习机隐含层节点的激活函数为G(a,b,x)＝exp(‑b||x‑a||²)，隐含层单元个数为L，且K＞L；(5b)随机设置输入权值a_j和偏值b_j，j＝1,...,L；(5c)输入层为训练集计算隐藏层输出矩阵为H，$H={\left[\begin{array}{ccccc}G(a_1,b_1,x_1)& \mathrm{...}& G(a_j,b_j,x_1)& \mathrm{...}& G(a_L,b_L,x_1)\\ .& & .& & .\\ .& \mathrm{...}& .& \mathrm{...}& .\\ .& & .& & .\\ G(a_1,b_1,x_i)& \mathrm{...}& G(a_j,b_j,x_i)& \mathrm{...}& G(a_L,b_L,x_i)\\ .& & .& & .\\ .& \mathrm{...}& .& \mathrm{...}& .\\ .& & .& & .\\ G(a_1,b_1,x_K)& \mathrm{...}& G(a_j,b_j,x_K)& \mathrm{...}& G(a_L,b_L,x_K)\end{array}\right]}_{K\times L};$(5d)计算输出权值为其中为H的Moore‑Penrose广义逆，T＝[t₁，....，t_K]^T；(6)数据集输入到训练好的极限学习机中，得到分类结果。