基于K均值和稀疏自编码的极化SAR图像分类方法

摘要

本发明公开了一种基于K-Means特征表示和稀疏自编码器的极化SAR图像地分类方法，其实现步骤为：(1)输入图像；(2)精致Lee滤波；(3)提取空间邻域特征；(4)提取聚类中心；(5)获得K均值特征表示；(6)样本特征集归一化、白化；(7)选择训练样本和测试样本；(8)训练稀疏自编码网络；(9)分类；(10)计算精度；(11)输出结果。本发明提取的图像特征不易受噪声点的影响，且冗余性小，维度低，用于分类时有效地提高了分类精度，可用于极化合成孔径雷达SAR图像目标的检测和目标识别。

主权项

一种基于K均值和稀疏自编码的极化SAR图像分类方法，包括如下步骤：(1)输入图像：(1a)输入待分类的极化合成孔径雷达SAR图像；(1b)输入待分类极化合成孔径雷达SAR图像的真实地物标记图像；(2)精致Lee滤波：采用精致Lee滤波方法，对待分类的极化合成孔径雷达SAR图像进行滤波，去除斑点噪声，得到滤波后的极化合成孔径雷达SAR图像中每个像素相干T矩阵；(3)提取空间邻域特征：(3a)用matlab软件，分别提取每个像素相干T矩阵中位于上三角处的三个元素的实部值和虚部值、相干T矩阵中位于对角线上三个元素的实部值，共9个数值；(3b)从待分类的极化合成孔径雷达SAR图像每个像素的9个数值中任取一个数值，组合成一幅与待分类的极化合成孔径雷达SAR图像大小相同的图像，9个数值得到9幅图像；(3c)利用滑动窗，获得9幅图像中每幅图像上每个像素点的9*K*K个邻域特征；(3d)采用matlab软件，将每个像素点的9*K*K个邻域特征转换成3*K的方阵形式的邻域特征；(4)提取聚类中心：(4a)建立一个P×P的窗口，其中，P表示所建立窗口的大小，2≤P≤3*K；(4b)从方阵形式的邻域特征中，由左到右、由上到下，依次提取P×P大小的子块；(4c)从所有子块中随机选择m个子块，用matlab软件，将m个子块转换成m个向量，其中，m≥1000；(4d)采用K均值方法，获得m个向量的C个聚类中心，其中，C为聚类中心的数目，C≥2；(5)获得K均值特征表示：(5a)利用欧氏距离公式，得到待分类的极化合成孔径雷达SAR图像中每个像素的每个子块到C个聚类中心的C个欧式距离值；(5b)计算C个欧式距离值的平均值；(5c)当欧式距离值大于平均值时，将步骤(4b)中子块编码后的值设置为0，否则将步骤(4b)中子块编码后的值设置为平均值与欧式距离值的差值；(5d)将待分类的极化合成孔径雷达SAR图像中像素的所有子块编码后的值，作为像素的K均值特征表示；(6)样本特征集归一化、白化：(6a)将所有像素的K均值特征表示组合在一起，得到样本特征集；(6b)利用matlab软件，将样本特征集的值归一化到[‑1,1]之间，得到归一化后的样本特征集；(6c)对归一化后的样本特征集进行白化处理，得到白化后的样本特征集；(7)选择训练样本和测试样本：(7a)根据待分类极化合成孔径雷达SAR图像的真实地物标记图像，在白化后的样本特征集中选出与真实地物标记图像中已标记真实地物相同样本，作为已标记样本特征集；(7b)从已标记样本特征集的每一类地物中随机选择n个样本特征，将所有选出的样本特征组合在一起，作为训练样本集，其中，n≥700；(7c)从已标记样本特征集中去掉训练样本集，剩余的已标记样本特征作为测试样本集；(8)训练稀疏自编码网络：(8a)用训练样本集训练稀疏自编码网络，得到训练后的稀疏自编网络和降维后的训练样本集；(8b)用训练好的稀疏自编网络对测试样本集进行降维处理，得到降维后的测试样本集；(9)分类：(9a)利用降维后的训练样本集，训练分类器softmax；(9b)利用训练后的分类器softmax，对待分类的极化合成孔径雷达SAR图像的每个像素进行分类，得到每个像素所属地物类别；(10)计算精度：将分类得到的极化合成孔径雷达SAR测试样本像素所属地物类别与真实地物类别进行对比，将类别一致的像素个数与全部像素个数的比值作为极化SAR图像的分类精度；(11)输出结果：根据红、绿、蓝三基色原理，对每个像素所属地物类别，用同一种颜色标出同类地物，得到上色后的极化合成孔径雷达SAR图像并输出图像。