基于协同表示和深度学的极化SAR图像分类方法

摘要

本发明公开了一种基于协同表示和深度学的极化SAR图像分类方法，主要解决现有方法计算复杂度高和分类精度低的问题。其实现步骤是：1.输入一幅极化SAR图像，提取其极化特征；2.根据实际地物分布选取训练样本集，选取整幅图的像素点作为测试样本集；3.将训练样本集的特征作为初始字典，用K-SVD对初始字典进行学得到学字典；4.将训练样本集和测试样本集用学字典进行协同表示，得到训练样本集和测试样本集的表示系数；5.对训练样本集和测试样本集的表示系数进行深度学，得到更本质的特征表示；6.将深度学后的表示系数通过libSVM分类器进行极化SAR图像分类。本发明计算复杂度低，分类精度高，可用于极化SAR图像分类。

主权项

一种基于协同表示和深度学习的极化SAR图像分类方法，包括如下步骤：(1)将极化SAR图像中每个3*3大小像素点的极化相干矩阵T作为输入数据，计算每个3*3大小像素点的极化协方差矩阵C，这两个矩阵T和C中均包括9个元素；用T的对角线上的三个元素T₁₁、T₂₂、T₃₃构成总功率特征参数：S＝T₁₁+T₂₂+T₃₃；(2)从每个像素点的极化相干矩阵T中通过克劳德Cloude分解方法分解出散射熵H和反熵A两个散射参数；从每个像素点的极化协方差矩阵C中通过弗里曼‑德登Freeman‑Durden分解方法分解出表面散射功率P_s、二面角散射功率P_d和体散射功率P_v三个功率参数；(3)用所述参数H、A、P_s、P_d、P_v和极化相干矩阵T的9个元素、极化协方差矩阵C的9个元素、总功率特征参数S，这24个特征作为每个像素点的特征矩阵B；用所有像素点的特征矩阵组成整幅图像的特征矩阵F＝[B₁,B₂,...,B_k,...,B_N],其中B_k表示第k个像素点的特征矩阵，k＝1,2,…,N，N为整幅图像的总像素点数；(4)根据实际地物分布，从每类像素点所对应的特征矩阵中选取100个像素点的特征矩阵作为训练样本集Y，取整幅图像的特征矩阵F作为测试样本集；(5)将训练样本集Y作为初始字典，利用K‑SVD算法学习得到学习字典D；(6)用步骤(5)得到的学习字典D协同表示训练样本集Y和测试样本集F，利用最小二乘法求解训练样本集Y的表示系数测试样本集F的表示系数(7)将步骤(6)得到的训练样本集的表示系数输入到一个两层的稀疏自编码器中训练，得到第一层稀疏自编码器的权值W₁和偏置b₁，第二层稀疏自编码器的权值W₂和偏置b₂，然后固定两层稀疏自编码器的参数，将训练样本集的表示系数输入，得到输出值h_y；(8)将测试样本集的表示系数输入到步骤(7)固定的两层稀疏自编码器中，得到测试样本集的表示系数的输出值h_f；(9)将步骤(7)得到的输出值h_y输入到libSVM分类器中进行训练，并将步骤(8)得到的输出值h_f输入到已训练好的libSVM分类器中，得到最终的分类结果。