基于Wishart深度網(wǎng)絡(luò)的極化SAR圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及極化合成孔徑雷達SAR圖像的分類方 法，可用于實現(xiàn)極化SAR圖像的地物分類和目標(biāo)識別。
【背景技術(shù)】
[0002] 合成孔徑雷達SAR系統(tǒng)能夠得到具有全天候、全天時、分辨率高的遙感圖像，極化 合成孔徑雷達PolSAR是先進的SAR系統(tǒng)，通過發(fā)射和接收極化雷達波來描述觀察到的土地 覆蓋物和目標(biāo)。
[0003] 在過去的二十年中，研究表明，PolSAR在目標(biāo)檢測、地物分類、參數(shù)反演、地形提取 應(yīng)用方面能夠提供比單極化SAR更多有用的信息。如今，一些星載平臺，如TerraSAR-X衛(wèi) 星，RADARSAT-2衛(wèi)星，和AL0S-PALSAR衛(wèi)星不斷地提供著數(shù)據(jù)量巨大的極化SAR數(shù)據(jù)。手 動解釋這些大量極為復(fù)雜的圖像是不靠譜的。因此，迫切地需要開發(fā)自動或半自動系統(tǒng)來 對極化SAR圖像進行解釋和信息挖掘。
[0004] 根據(jù)是否需要訓(xùn)練樣本和人工干預(yù)，PolSAR圖像分為監(jiān)督分類和非監(jiān)督分類。對 于這兩種方法，特征提取和分類技術(shù)是兩個基本要素。PolSAR圖像分類的性能在很大程度 上依賴于特征。出于這個原因，許多PolSAR圖像分類方法著力于PolSAR圖像特征的提取。
[0005] Cloude等人提出的基于H/ α目標(biāo)分解的極化SAR圖像非監(jiān)督分類方法，見Cloude S R, Pottier E. An entropy based classification scheme for land applications of polarimetric SAR[J]. IEEE Trans. Geosci. Remote Sensing. 1997,35(1) :549-557.京尤是 一種特征提取的方法，該方法主要是通過Cloude分解獲取H和α兩個表征極化數(shù)據(jù)的特 征，然后根據(jù)H和a組成的H/a平面人為的將其劃分為9個區(qū)域，去掉一個理論上不可能 存在的區(qū)域，最終將圖像劃分為8類。H/α分類存在的一個缺陷是區(qū)域的劃分過于武斷，當(dāng) 數(shù)據(jù)分布區(qū)域邊界上時可能會被錯誤的劃分，另外，同一類別的地物可能會劃分不到不同 的區(qū)域內(nèi)，同時，同一區(qū)域內(nèi)也可能存在不同類別的地物。
[0006] Yoshio Yamaguchi等提出了一種基于四分量目標(biāo)分解的極化圖像非監(jiān)督分 類算法，見 Yoshio Yamaguchi, Toshifumi Moriyama, Motoi Ishido, and Hiroyoshi Yamada, "Four-Component Scattering Mode I for Polarimetric SAR Image Decomposition,'，IEEE Trans. Geosci. Remote Sens, vol. 43, no. 8, Aug. 2005。該方法將極 化SAR數(shù)據(jù)分解為四個簡單的散射機制相結(jié)合。這四個散射機制分別為：平面散射、二面角 散射、體散射和螺旋散射。
[0007] 上述這些特征的提取的方法是都是根據(jù)要解決的問題以及數(shù)據(jù)的特征人工設(shè)計 出來的，因此勞動強度特別大。
[0008] DBN是一種無監(jiān)督特征學(xué)習(xí)框架，它能夠提取多層特征。類似于人腦的層次模型， DBN能提取從低層次到高層次的特征。DBN是通過假設(shè)數(shù)據(jù)服從高斯分布來對數(shù)據(jù)進行特 征學(xué)習(xí)的，但是PolSAR數(shù)據(jù)服從的是Wishart分布。因此，將PolSAR數(shù)據(jù)服從的分布引入 DBN，來完成特征學(xué)習(xí)，可以學(xué)習(xí)到能有效表征PolSAR數(shù)據(jù)的特征，實現(xiàn)更好的分類效果。 限制玻爾茲曼機RBM是DBN的基本構(gòu)成，通過Wishart RBM可以將PolSAR數(shù)據(jù)的分布引入 DBN。因此，它更有利于DBN在PolSAR數(shù)據(jù)上的應(yīng)用。

【發(fā)明內(nèi)容】

[0009] 本發(fā)明的目的在于針對已有技術(shù)的不足，提供一種基于Wishart深度網(wǎng)絡(luò)的極化 SAR圖像分類方法，以提高深度網(wǎng)絡(luò)DBN在極化SAR數(shù)據(jù)上的分類效果和精度。
[0010] 實現(xiàn)本發(fā)明目的的技術(shù)方案是：對極化SAR圖像進行濾波；提取每個像素的9個 獨立元素，并用基于Wishart RBM的深度網(wǎng)絡(luò)DBN對這些數(shù)據(jù)學(xué)習(xí)特征；再用基于最小交叉 熵的共輒梯度法對基于Wishart RBM的深度網(wǎng)絡(luò)DBN進行微調(diào)，得到更好的特征和分類結(jié) 果。具體步驟包括如下：
[0011] (1)讀入一幅待分類的極化SAR圖像，采用精致極化LEE濾波方法對待分類的極化 SAR圖像進行濾波，去除斑點噪聲，得到濾波后的極化SAR圖像；
[0012] (2)從濾波后的極化SAR圖像隨機選取10%的有標(biāo)記數(shù)據(jù)作為訓(xùn)練樣本，剩下的 90%有標(biāo)記數(shù)據(jù)作為測試樣本；
[0013] (3)Wishart RBM是深度網(wǎng)絡(luò)DBN的基本構(gòu)成單元，可用于特征學(xué)習(xí)。構(gòu)造三層 Wishart RBM結(jié)構(gòu)，完成對極化SAR樣本的特征學(xué)習(xí)：
[0014] (3a)將訓(xùn)練樣本輸入到第一層Wishart RBM中進行訓(xùn)練，得到能表征輸入數(shù)據(jù)的 特征，并保存第一層Wishart RBM的權(quán)值和偏置；
[0015] (3b)將第一層Wishart RBM訓(xùn)練得到的特征輸入到第二層Wishart RBM中進行訓(xùn) 練，得到能表征第一層Wishart RBM所得的特征的新特征，并保存第二層Wishart RBM的權(quán) 值和偏置；
[0016] (3c)將第二層Wishart RBM訓(xùn)練得到的特征輸入到第三層Wishart RBM中進行訓(xùn) 練，得到能表征第二層Wishart RBM所得的特征的新特征，并保存第三層Wishart RBM的權(quán) 值和偏置，該第三層Wishart RBM學(xué)習(xí)到的特征就是三層Wishart RBM結(jié)構(gòu)學(xué)習(xí)得到的特 征；
[0017] ⑷訓(xùn)練深度網(wǎng)絡(luò)DBN :
[0018] 將三層Wishart RBM學(xué)習(xí)得到的特征作為深度網(wǎng)絡(luò)DBN的最后一層貝葉斯網(wǎng)絡(luò) softmax分類器層的輸入，對softmax分類器層進行訓(xùn)練，得到訓(xùn)練好的softmax分類器，并 保存softmax分類器的權(quán)值；
[0019] 用三層Wishart RBM的權(quán)值和偏置及softmax分類器的權(quán)值構(gòu)成深度網(wǎng)絡(luò)DBN網(wǎng) 絡(luò)，并用基于最小交叉熵的共輒梯度法對該深度網(wǎng)絡(luò)DBN進行200次訓(xùn)練，得到訓(xùn)練好的深 度網(wǎng)絡(luò)框架；
[0020] (5)將測試數(shù)據(jù)輸入到訓(xùn)練好的深度網(wǎng)絡(luò)框架中得到分類結(jié)果；
[0021] (6)在完成分類后的極化SAR圖像上，按照紅、綠、藍三基色在相同類別上相同的 顏色，得到上色后的分類結(jié)果圖并輸出。
[0022] 本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點：
[0023] 1.本發(fā)明是對深度學(xué)習(xí)方法在極化SAR圖像應(yīng)用上的改進，將極化SAR數(shù)據(jù)的分 布特性加入了經(jīng)典深度學(xué)習(xí)模型RBM，通過多層無監(jiān)督特征學(xué)習(xí)，實現(xiàn)了極化SAR圖像的特 征提取；
[0024] 2.本發(fā)明通過Wishart RBM學(xué)習(xí)到的權(quán)值和偏置可直接用于構(gòu)成DBN深度網(wǎng)絡(luò)， 經(jīng)過微調(diào)的深度網(wǎng)絡(luò)DBN可以達到更好的分類性能，使得結(jié)果更加穩(wěn)定；
[0025] 仿真結(jié)果表明，本發(fā)明采用的基于Wishart RBM的深度網(wǎng)絡(luò)DBN實現(xiàn)極化SAR圖 像分類，分類效果優(yōu)良，正確率高，分類結(jié)果區(qū)域一致性也較好。
[0026] 以下結(jié)合附圖對本發(fā)明實施例和效果做進一步詳細(xì)描述。
【附圖說明】
[0027] 圖1是本發(fā)明的實現(xiàn)流程圖；
[0028] 圖2是本發(fā)明仿真使用的極化SAR數(shù)據(jù)的PauliRGB合成圖；
[0029] 圖3是本發(fā)明所用極化合成孔徑雷達SAR圖像的真實地物標(biāo)記；
[0030] 圖4是用現(xiàn)有監(jiān)督Wishart分類方法的分類結(jié)果；
[0031] 圖5是用現(xiàn)有支持向量機SVM分類方法的分類結(jié)果；
[0032] 圖6是經(jīng)典深度網(wǎng)絡(luò)DBN分類方法的分類結(jié)果；
[0033] 圖7是本發(fā)明的分類結(jié)果圖。
【具體實施方式】
[0034] 參照圖1，本發(fā)明的具體實現(xiàn)步驟如下：
[0035] 步驟1，輸入待分類的極化SAR圖像，采用精致極化LEE濾波方法對待分類的極化 SAR圖像進行濾波，以去除斑點噪聲，得到濾波后的極化SAR圖像。
[0036] (Ia)設(shè)定精致極化LEE濾波的滑動窗口大小為7*7像素；
[0037] (Ib)將滑動窗口在輸入的極化SAR圖像的像素上，從左到右、從上到下滑動，每滑 動一步時，將滑動窗口按照像素空間位置，從左到右、從上到下依次分成9個子窗口，子窗 口之間有重疊，每個窗口的大小為3*3像素，計算各子窗的功率均值，即C矩陣對角線的和， 將所得到的均值構(gòu)成3*3像素的均值窗口；
[0038] (Ic)選擇水平、垂直、45度和135度的四個方向的梯度模板，將均值窗口分別與四 個模板進行加權(quán)，選擇計算加權(quán)結(jié)果絕對值最大的梯度模板為邊緣方向；
[0039] (Id)對比較邊緣兩側(cè)的像素求功率均值，用得到的兩個功率均值分別減去中心窗 口所有像素的均值，并以該差值較小的一側(cè)作為方向窗口，將該方向窗口內(nèi)的功率均值記 為9;
[0040] (Ie)根據(jù)方向窗口內(nèi)的功率均值記為歹，按照下式得到精致極化LEE濾波的權(quán) 值；
，
[0042] 其中，y。表示單個像素點的功率值，var(y。）表示方向窗口內(nèi)功率的方差值，Sv 2表 示輸入的極化SAR圖像相干斑噪聲的標(biāo)準(zhǔn)偏差；
[0043] (If)根據(jù)步驟（Ie)的結(jié)果，按照下式得到濾波后極化SAR圖像中心像素的協(xié)方差 矩陣：
[0044] X = w+k (Zi)，
[0045] 其中，w表示方向窗口內(nèi)極化SAR圖像像素的協(xié)方差矩陣的功率均值，z表示極化 SAR圖像中心像素的協(xié)方差矩陣。
[0046] 步驟2,從濾波后的極化SAR圖像中選取訓(xùn)練樣本和測試樣本。
[0047] 濾波后的極化SAR圖像中，包含有標(biāo)記的樣本和無標(biāo)記的樣本，其中有標(biāo)記的樣 本是已經(jīng)知道所屬類別的樣本，無標(biāo)記的樣本是所屬類別未知的樣本；
[0048] 從有標(biāo)記樣本中隨機選取10%的作為訓(xùn)練樣本，剩下的90%作為測試樣本。
[0049] 步驟3,構(gòu)造三層Wishart RBM結(jié)構(gòu)，完成對極化SAR樣本的特征學(xué)習(xí)。
[0050] Wishart RBM是深度網(wǎng)絡(luò)DBN的基本構(gòu)成單元，可用于特征學(xué)習(xí)，其步驟如下：
[0051] (3a)將訓(xùn)練樣本輸入到第一層Wishart RBM中進行訓(xùn)練，得到能表征輸入數(shù)據(jù)的 特征，并保存第一層Wishart RBM的權(quán)值和偏置；
[0052] (3al)設(shè)置隱藏層節(jié)點數(shù)為256,訓(xùn)練迭代次數(shù)為3,學(xué)習(xí)率r為0· 1，自由度η為 4 ；
[0053] (3a2)根據(jù)下面的公式計算Wishart RBM的隱藏層激活值f1:
[0055] 其中噸為Wishart RBM在第i次訓(xùn)練時的權(quán)值，時為Wishart RBM在第i次訓(xùn) 練時的隱藏層偏置，X為輸入數(shù)據(jù)，S為sigmoid函數(shù)，其形式如下所示：
[0056] δ (X) = I/(1+exp (-X));
[0057] (3a3)根據(jù)步驟（3a2)得到的激活值，按照下式計算對輸入數(shù)據(jù)的重構(gòu)值Y1:
[0059] 其中，C!為Wishart RBM第i次訓(xùn)練時的重構(gòu)偏置，（)H表示取共輒操作，w為 Wishart RBM的重構(gòu)函數(shù)，其形式如下：
[0061] 其中q為矩陣維數(shù)，此處取q = 3, η為自由度，TrO表示取矩陣的跡，Σ為C的 均值，K (n，q)為中間變量：
[0068] 重復(fù)步驟（3a2)至步驟（3a4)，當(dāng)?shù)螖?shù)i = 3,則停止迭代并保存_叫+1、W+1 以及W + 1的值；
[0069] (3b)將第一層Wishart RBM訓(xùn)練得到的特征輸入到第二層Wishart RBM中進行訓(xùn) 練，得到能表征第一層Wishart RBM所得的特征的新特征，并保存第二層Wishart RBM的權(quán) 值和偏置。
[0070] (3bl)設(shè)置參數(shù)：設(shè)置隱藏層節(jié)點數(shù)為121，訓(xùn)練迭代次數(shù)為3,學(xué)習(xí)率r為0. 1