[发明专利]基于K均值和深度SVM的极化SAR图像分类方法

权利要求书

1.基于K均值和深度SVM的极化SAR图像分类方法，包括以下步骤：

(1)输入图像：

输入任选的一幅待分类的极化合成孔径雷达SAR图像；

(2)滤波：

采用滤波窗口大小为7*7的极化精致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，去除相干斑噪声，得到滤波后的极化合成孔径雷达SAR图像；

(3)特征提取：

(3a)提取滤波后的极化合成孔径雷达SAR图像的相干矩阵，其中，相干矩阵为3*3*N的矩阵，N表示极化合成孔径雷达SAR的总像素数，每个像素为一个3*3的矩阵，将相干矩阵构造成特征向量集；

(3b)在[-1,1]范围内，对特征向量集的值进行归一化，得到归一化后的特征向量集；

(4)建立错分集：

(4a)从归一化后的特征向量集中，随机选取百分之五的特征向量，组成初始训练集；

(4b)利用K均值聚类方法，对初始训练集进行聚类，得到聚类标签，对比初始训练集中每一个样本的真实标签和聚类标签，选择初始训练集中每一个样本的真实标签和聚类标签不相同的训练样本，将真实标签和聚类标签不相同的训练样本组成错分集；

(5)建立最近邻样本集：

(5a)采用欧式距离公式，计算错分集中每个训练样本与初始训练集中每个训练样本的欧式距离；

(5b)对所有欧式距离值按照从小到大进行排序；

(5c)依次选取前20个欧氏距离对应的初始训练集中的训练样本，将所选取的训练样本加入到最近邻的样本集中，得到最近邻样本集；

(6)建立最终训练集：

(6a)将最近邻样本集中每一个样本的真实标签和聚类标签进行对比，选取最近邻样本的真实标签和聚类标签不相同的最近邻样本，组成最终训练集；

(6b)将最近邻样本中集每一个样本的真实标签和聚类标签进行对比，从错分集中每个训练样本中选取前20个最近邻样本，得到前20个最近邻样本；

(6c)选取的前20个最近邻样本中聚类标签和真实标签相等的10个最近邻样本，将该10个最近邻样本对应的错分集中的训练样本，加入到最终训练集中，更新最终训练集；

(7)建立深度支持向量机分类器：

(7a)将最终训练集输入到支持向量机分类器中进行训练，得到训练样本的支持向量、支持向量对应的拉格朗日乘子和标签；

(7b)采用激活核函数公式，计算每个支持向量对应的激活值；

(7c)将激活值输入到支持向量机分类器中进行训练，得到深度支持向量机分类器；

(8)分类：

(8a)利用深度支持向量机分类器，对待分类的极化合成孔径雷达SAR图像进行标记，完成分类，得到分类结果；

(8b)统计深度支持向量机分类器对待分类的极化合成孔径雷达SAR图像从开始标记到完成分类所用的时间，得到分类时间；

(9)计算精度：

统计待分类的极化合成孔径雷达SAR图像中与分类结果中类别标签相同的像素点个数，计算类别标签相同像素点个数占待分类极化合成孔径雷达SAR图像总像素数的百分比，得到分类精度。

2.根据权利要求1所述的基于K均值和深度SVM的极化SAR图像分类方法，其特征在于，步骤(3a)所述的将相干矩阵构造成特征向量集是N*9的矩阵，其中N表示极化合成孔径雷达SAR的总像素数，每个特征向量集样本中包括9个元素，分别为特征向量集样本3*3的相干矩阵对角线上的3个元素，特征向量集样本相干矩阵的上三角矩阵的3个元素的实部，特征向量集样本相干矩阵的上三角矩阵的3个元素的虚部，共9个元素。

3.根据权利要求1所述的基于K均值和深度SVM的极化SAR图像分类方法，其特征在于，步骤(5)所述的欧式距离公式如下：

d(x,y)＝||x-y||₂

其中，d(x,y)表示最近邻样本集中两个不同的训练样本x和y的欧氏距离，x和y分别表示最近邻样本集中两个不同的训练样本，||·||₂表示二范数操作。

4.根据权利要求1所述的基于K均值和深度SVM的极化SAR图像分类方法，其特征在于，步骤(7b)所述的激活核函数公式如下：

h=a·t·exp(-||s-x||22σ2)]]>

其中，h表示训练样本的支持向量和该训练样本的激活值，a表示训练样本的支持向量的拉格朗日乘子，t表示训练样本的支持向量的标签，s表示训练样本的支持向量，x表示训练样本，||·||₂表示二范数操作。