基于RBM和SVM的极化SAR图像分类

摘要

本发明公开了一种基于RBM和SVM的极化SAR图像分类方法，主要解决现有极化SAR图像分类方法分类精度不高的问题。其实现步骤为：(1)输入待分类的极化SAR图像，并进行精致极化Lee滤波；(2)基于极化相干矩阵、极化协方差矩阵和Cloude分解提取每个像素点的原始特征并归一化；(3)初始化并训练RBM，得到相关参数；(4)根据RBM重新学到的特征利用SVM进行分类，得到分类结果。本发明与现有的一些方法相比，不仅充分考虑到图像的空间相关性，而且能够提取出更有利于极化SAR图像分类的特征，明显地提高了极化SAR图像分类精度，可用于对极化SAR图像的地物分类和目标识别。

主权项

一种基于RBM和SVM的极化SAR图像分类方法，包括如下步骤：步骤1，输入待分类的极化SAR图像，进行精致极化Lee滤波，去除斑点噪声，得到滤波后的极化SAR图像；步骤2，基于滤波后的极化SAR图像每个像素点的极化相干矩阵T和极化协方差矩阵C，提取图像的原始特征空间；步骤3，根据极化SAR图像的地物分布参考图中已标注的信息，随机选择每类的训练样本，得到训练样本集合：步骤4，初始化限制玻耳兹曼机(Restricted Boltzmann Machine，RBM)的相关参数；步骤5，将选取的训练样本分批次并归一化到[0.1,0.9]后训练RBM网络；步骤6，重复步骤5，直至满足终止条件，然后得到RBM的参数θ＝(W,a,b)以及隐藏层的输出特征p(h＝1|v⁽⁰⁾)：其中，W是可见层与隐藏层之间的连接权重，a是可见层偏置，b是隐藏层偏置，p(h＝1|v⁽⁰⁾)表示在已知可见层状态v⁽⁰⁾时采样出隐藏层各个单元状态h＝1的概率，并将此作为RBM的输出特征；步骤7，将步骤6得到的极化SAR图像训练样本的原始数据经过RBM重新学习得到的隐藏层特征以及训练样本标签去训练SVM分类器；步骤8，利用训练好的SVM分类器预测分类：将待分类的极化SAR图像原始的测试数据归一化到[0.1,0.9]后，输入训练好的RBM，得到RBM隐藏层的特征，然后利用这些特征输入到训练好的SVM对待分类的极化SAR图像进行分类，得到每个像素点的类别；步骤9，输出图像并计算分类精度。