[发明专利]基于在线序列极限学习机的极化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，更进一步涉及极化SAR图像分类方法，可用于地物分类与目标识别。

背景技术

极化SAR以散射矩阵或相干矩阵，协方差矩阵记录地物信息。不同目标由于物理特性不同，在不同极化态下的幅度、相位、极化比，散射熵均存在不同，因此可以获取更丰富的地物目标的信息。极化SAR图像分类的任务就是将有相似性质的地物划分成一类，具体来说确定极化SAR图像每个像素点所对应的类别。

根据是否需要人工指导，极化SAR图像分类可分为有监督分类、半监督分类和无监督分类。根据训练方式的不同可分为批量学习和在线序列学习。批量学习可看作是在线序列学习的一种特殊情况，而在线序列学习方式更加灵活，更适合实际应用。现有极化SAR图像分类方法为批量学习方式。

吴永辉发表的论文“基于支持向量机的极化SAR图像分类”《现代雷达》，文章编号:1004-7859.2007.06.017中公开了一种用支持向量机SVM对极化SAR图像分类的方法。该方法的实现过程为：首先对极化SAR图像进行特征提取，并进行归一化处理，之后训练SVM分类器最后用训练好的SVM分类器对极化SAR图像进行分类，获得分类结果。该方法为批量学习方式，当增加新样本用于训练，则需将之前训练样本重新用于训练，增加了训练时间。

发明内容

本发明的目的在于提出一种基于在线序列极限学习机的极化SAR图像分类的在线分类方法，以解决已有技术的批量训练学习方式的训练时间长和内存消耗大的问题。

为实现上述目的，本发明包括如下步骤：

(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)从数据集中分别获得测试集N_p，初始训练集和在线训练集

(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90％作为测试集：剩余10％作为训练集，其中N_p为测试集的样本个数；

(4c)将训练集等分成5份，即1份为初始训练集和4份在线训练集

k为在线学习迭代标志，k＝0,1,2,3。

其中N₀为初始训练集的样本个数，N_k+1为在线训练集的样本个数；

(5)设置极限学习机隐藏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N₀＞L，随机设置输入权值a_j和偏值b_j,j＝1,...,L；

(6)用初始训练集进行初始阶段的学习，获得输出权值为β⁰和中间参数P₀，设置初始在线学习迭代标志k＝0；

(7)将数据集输入到训练好的初始阶段极限学习机中，获得初始阶段数据集的分类结果为Y₀：

(7a)输入数据集计算隐藏层输出矩阵为Q，