[发明专利]一种基于栈式编码和softmax的极化SAR图像分类方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及极化合成孔径雷达图像地物分类技术领域中的一种的基于栈式编码进行特征学习和用softmax分类器进行分类的极化合成孔径雷达(Synthetic Aperture Radar，SAR)图像分类方法。可用于对极化SAR图像的地物分类和目标识别，能有效的提高极化SAR图像分类的精度。

背景技术

合成孔径雷达(SAR)系统能够得到具有全天候、全天时、分辨率高的遥感图像，极化合成孔径雷达(极化SAR)是先进的SAR系统，通过发射和接收极化雷达波来描述观察到的土地覆盖物和目标。

在过去的二十年中，研究表明，极化SAR在目标检测、地物分类、参数反演、地形提取应用方面能够提供比单极化SAR更多有用的信息。如今，一些星载平台，如TerraSAR-X卫星，RADARSAT-2卫星，和ALOS-PALSAR卫星不断地提供着数据量巨大的极化SAR数据。手动解释这些大量极为复杂的图像是不靠谱的。因此，迫切地需要开发自动或半自动系统来对极化SAR图像进行解释和信息挖掘。

根据是否需要训练样本和人工干预，极化SAR图像分为监督分类和非监督分类。对于这两种方法，特征提取和分类技术是两个基本要素。极化SAR图像分类的性能在很大程度上依赖于特征。出于这个原因，许多极化SAR图像分类方法着力于极化SAR图像特征的提取。许多已发表的学术论文基于极化SAR数据的一些性质提出了各种方法来获得极化SAR特征。

Cloude等人提出了基于H/α目标分解的极化SAR图像非监督分类方法，见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.就是一种特征提取的方法，该方法主要是通过Cloude分解获取H和α两个表征极化数据的特征，然后根据H和α组成的H/α平面人为的将其划分为9个区域，去掉一个理论上不可能存在的区域，最终将图像划分为8类。H/α分类存在的一个缺陷是区域的划分过于武断，当数据分布区域边界上时可能会被错误的划分，另外，同一类别的地物可能会划分不到不同的区域内，同时，同一区域内也可能存在不同类别的地物。

Yoshio Yamaguchi等提出了一种基于四分量目标分解的极化图像非监督分类算法，见Yoshio Yamaguchi,Toshifumi Moriyama,Motoi Ishido,and Hiroyoshi Yamada,“Four-Component Scattering Model for Polarimetric SAR Image Decomposition,”IEEE Trans.Geosci.Remote Sens,vol.43,no.8,Aug.2005.是另一种特征提取的方法。该方法将极化SAR数据分解为四个简单的散射机制相结合。这四个散射机制分别为：平面散射、二面角散射、体散射和螺旋散射。

这些特征的提取的方法是根据要解决的问题以及数据的特征人工设计设计出来的，与此同时，这些提取特征的方法人工劳动强度特别大。

栈式编码是一种无监督特征学习框架，它能够提取多层特征。类似于人脑的层次模型，栈式编码能提取从低层次到高层次的特征。一般而言，较高层次的特征能更好地反映数据的性质，更有利于分类。栈式编码不需要任何数据的先验知识就可以提取特征。因此，它更有利于应用于新的问题和新的数据。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于栈式编码和softmax的极化SAR图像分类方法，以提高分类效果和精度。

实现本发明的技术思路是：首先，对极化合成孔径雷达SAR图像进行滤波；其次，对每个像素提取出9个独立的元素，构成一个行向量，就得到了每个像素点适合栈式编码用于学习特征的原始输入数据；然后，用栈式编码对这些数据学习特征；再用学习得到的特征向量输入到softmax分类器中进行分类，之后用反向传播算法对栈式编码与softmax分类器组成框架进行微调，得到更好的特征和分类结果。

为实现上述目的，本发明一种基于栈式编码和softmax的极化SAR图像分类方法，包括如下步骤：

(1)读入一幅待分类的极化SAR图像，采用精致极化LEE滤波方法对待分类的极化SAR图像进行滤波，去除斑点噪声，得到去噪后的极化SAR图像；