[发明专利]基于极限学习机的极化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SAR图像处理，可用于极化SAR图像的地物分类与目标识别。

背景技术

极化SAR有全天时、全天候的工作能力，以及其分辨率高、能有效识别伪装和穿透掩盖物等特点，从而被广泛应用于遥感和地图测绘等领域。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。

传统有监督的极化SAR图像分类方法主要包括如下算法：Wishart监督分类，该算法精度较低，并且时间效率低；基于反向传播的神经网络BPNN，该方法因迭代求解导致运行时间长；支持向量机SVM方法，该方法存在预测时间较长的问题。

目前较流行的方法有深度学习算法，如稀疏自编码器SSAEs。西安电子科技大学申请的专利“基于稀疏自动编码器的极化SAR图像分类方法”(专利申请号:CN201410140571.5，公布号:CN103886336A)。该方法的实现过程为，首先输入待分类的极化SAR图像的相干矩阵，滤波后选取样本,再获取稀疏主分量，之后训练稀疏自动编码器，提取特征，最后用支持向量机分类，输出分类结果。该方法虽然能进行特征提取和变换，提高精度，但算法模型复杂，且运行时间太长。

发明内容

本发明的目的在于针对已有技术的不足，提出了一种基于极限学习机的极化SAR图像分类方法，在保证较高精度的前提下，降低了极化SAR图像分类的处理时间。

为实现上述目的，本发明的技术方案包括如下步骤：

(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，