[发明专利]基于深度PCA网络和SVM的极化SAR图像分类方法

摘要

本发明公开了一种基于深度PCA网络和SVM分类器的极化SAR图像分类方法。本发明实现步骤为：对极化SAR图像进行滤波，提取形状特征参数、散射特征参数、偏振特征参数及协方差矩阵C的独立元素，且组合归一化为高维新特征，作为下一步要处理的数据；根据实际地物标记，分别从每个类别随机选取10％有标记数据作为训练样本；对训练样本白化处理作为输入对网络第一层进行训练，然后将结果作为第二层的输入对网络第二层进行训练，并对输出结果进行二值化和直方图统计；将深度PCA网络的输出作为最终学习到的特征训练SVM分类器；对测试样本白化处理，输入到训练好的网络框架中预测并计算正确率；上色显示分类后的图像并输出最终结果。

主权项

一种基于深度主成分分析(Principal Component Analysis,PCA)网络和SVM的极化SAR图像分类方法，包括如下步骤：步骤1，读入一幅任选的待分类的极化SAR图像；步骤2，对待分类的极化SAR图像采用精致极化LEE滤波法,得到滤波后的极化SAR图像；步骤3，(3‑1)对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C，提取数据分布特征参数α；(3‑2)对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C，分别通过泡利Pauli分解得到3个散射特征参数、弗里曼—得登Freeman‑Durden分解得到7个散射特征参数、克拉徳Cloude分解得到6个散射特征参数、慧能Huynen分解得到9个散射特征参数和克罗艾厄Krogager分解得到3个散射特征参数，将通过这5种非相干极化目标分解方法得到的相应散射特征参数组合为28维散射特征S＝{s₁,s₂,…，s₂₈}；(3‑3)对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C，提取11维的偏振特征P＝{p₁,p₂,…,p₁₁}；步骤4，从滤波后的极化SAR图像表示每个像素点的协方差矩阵C中提取出9个独立的元素，并与步骤3中得到的数据分布特征参数α、28维散射特征和11维的偏振特征组合，组合后进行归一化作为原始输入数据；步骤5，根据极化SAR图像的实际地物类别标记，在步骤4中得到的原始输入数据中标记与每种地物类别对应的数据，并把该数据作为有标记数据，在对应于每种地物类别的有标记数据中随机选取10％的有标记数据作为训练样本，剩下的90％有标记数据作为测试样本；步骤6，对选取的训练样本做白化处理；步骤7，用步骤6白化处理后的训练样本训练深度PCA网络，将深度PCA网络的输出即深度PCA网络最终学习到的特征作为下一步待处理的数据：(7‑1)将步骤6白化处理后的训练样本作为输入数据，输入到深度PCA网络第一层中进行训练，得到能够表征输入数据即步骤6白化处理后的训练样本的特征作为深度PCA网络第一层训练得到的特征；(7‑2)将深度PCA网络第一层训练得到的特征输入到深度PCA网络第二层中进行训练，得到能表征深度PCA网络第一层特征的新特征，即深度PCA网络第二层训练得到的特征；(7‑3)对深度PCA网络第二层训练得到的特征进行二值化和直方图统计，得到能够表征深度PCA网络的第二层特征的新特征，这个新特征就是深度PCA网络最终学习到的特征，即深度PCA网络的输出；步骤8，利用步骤7中深度PCA网络的输出对SVM分类器进行训练，得到训练好的用于分类的SVM分类器；步骤9，将步骤4中得到的全部原始输入数据白化处理后，使用与步骤7相同的方法训练深度PCA网络，得到深度PCA网络的输出，然后将深度PCA网络的输出输入到步骤8训练好的分类器中预测分类，预测分类结果后对分类后的极化SAR图像上色显示，输出最终结果。