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T<sub>11</sub>、T<sub>22</sub>、T<sub>33</sub>构成总功率特征参数:S=T<sub>11</sub>+T<sub>22</sub>+T<sub>33</sub>;(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<sub>s</sub>、二面角散射功率P<sub>d</sub>和体散射功率P<sub>v</sub>三个功率参数;(3)用所述参数H、A、P<sub>s</sub>、P<sub>d</sub>、P<sub>v</sub>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=[B<sub>1</sub>,B<sub>2</sub>,...,B<sub>k</sub>,...,B<sub>N</sub>],其中B<sub>k</sub>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<img file="FDA0000680857940000011.GIF" wi="95" he="83" />测试样本集F的表示系数<img file="FDA0000680857940000012.GIF" wi="90" he="84" />(7)将步骤(6)得到的训练样本集的表示系数<img file="FDA0000680857940000013.GIF" wi="68" he="81" />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W<sub>1</sub>和偏置b<sub>1</sub>,第二层稀疏自编码器的权值W<sub>2</sub>和偏置b<sub>2</sub>,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<img file="FDA0000680857940000014.GIF" wi="66" he="80" />输入,得到输出值h<sub>y</sub>;(8)将测试样本集的表示系数<img file="FDA0000680857940000015.GIF" wi="68" he="80" />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<img file="FDA0000680857940000021.GIF" wi="72" he="84" />的输出值h<sub>f</sub>;(9)将步骤(7)得到的输出值h<sub>y</sub>输入到libSVM分类器中进行训练,并将步骤(8)得到的输出值h<sub>f</sub>输入到已训练好的libSVM分类器中,得到最终的分类结果。 |