[发明专利]基于极限学习机的极化SAR图像分类方法

权利要求书

1.一种基于极限学习机的极化SAR图像分类方法，包括如下步骤：

(1)输入待分类极化SAR图像标记信息，输入一幅大小为3×3×M的待分类极化SAR图像的相干矩阵，并用Lee滤波器滤除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3×3矩阵，M表示待分类的极化SAR图像像素点的总数；

(2)将滤波后相干矩阵中每个元素对应的3×3矩阵，拉成一个9维的特征向量，获得大小为9×M的数据矩阵；

(3)将数据矩阵进行归一化处理，获得数据集其中n＝9为特征的维数，x_i为特征向量；

(4)从数据集中获得训练集和测试集

(4a)根据标记信息从数据集中获得标记集其中m为类别总数，N为标记样本的总数，t_i为类别向量；

(4b)将标记集随机选取1％作为训练集剩余99％作为测试集其中K训练集样本个数，S为测试集的样本个数；

(5)用训练集训练极限学习机：

(5a)设置极限学习机隐含层节点的激活函数为G(a,b,x)＝exp(-b||x-a||²)，隐含层单元个数为L，且K＞L；

(5b)随机设置输入权值a_j和偏值b_j，j＝1,...,L；

(5c)输入层为训练集计算隐藏层输出矩阵为H，

H=G(a1,b1,x1)...G(aj,bj,x1)...G(aL,bL,x1)...............G(a1,b1,xi)...G(aj,bj,xi)...G(aL,bL,xi)...............G(a1,b1,xK)...G(aj,bj,xK)...G(aL,bL,xK)K×L;]]>

(5d)计算输出权值为其中为H的Moore-Penrose广义逆，T＝[t₁，....，t_K]^T；

(6)数据集输入到训练好的极限学习机中，得到分类结果。