[发明专利]基于深度多示例学习的极化SAR图像分类方法

摘要

本发明提出了一种基于深度多示例学习的极化SAR图像分类方法，用于解决现有极化SAR图像分类方法中存在特征提取不足导致的分类精度低的技术问题。包括如下步骤：对极化SAR图像进行滤波；选取训练样本集合；提取样本特征；初始化卷积神经网络CNN和深度置信网DBN；归一化样本特征，训练卷积神经网络CNN和深度置信网DBN；提取联合特征；输入联合特征到SVM分类器中训练；利用训练好的SVM分类器进行极化SAR图像分类；输出分类结果，并计算分类精度。本发明将图像空间邻域特征与极化特征进行有效的结合，提高了极化SAR图像分类精度，可用于对极化SAR图像的地物分类和目标识别。

主权项

1.一种基于深度多示例学习的极化SAR图像分类方法，包括如下步骤：(1)输入待分类的极化SAR图像，并对该图像进行精致极化Lee滤波，得到包含有极化相干矩阵T和极化协方差矩阵C的极化SAR图像；(2)利用已标注的极化SAR图像的地物分布参考图中的类别信息，随机选择相同数量的各类别训练样本，得到训练样本集合；(3)利用所述极化相干矩阵T和极化协方差矩阵C，提取所述训练样本集合的样本特征；(4)同时对卷积神经网络CNN的相关参数和深度置信网DBN的相关参数进行随机初始化；(5)对所述样本特征进行归一化处理，并将经过归一化处理的样本特征，分别输入到相关参数已经随机初始化的卷积神经网络CNN和深度置信网DBN中进行特征训练；(6)从经过特征训练的卷积神经网络CNN和深度置信网DBN中分别提取各自的最后一层特征得到两个一维特征向量，并将其进行一维拼接得到一个一维特征向量，作为联合特征向量，按照如下步骤进行：6a)提取卷积神经网络CNN最后一层特征，得到具有空间邻域信息的一维特征向量；6b)提取深度置信网DBN最后一层特征，得到具有极化信息的一维特征向量；6c)将步骤6a)所得具有空间邻域信息的一维特征向量和步骤6b)所得具有极化信息的一维特征向量进行一维拼接，得到一个一维特征向量，作为联合特征向量；(7)将所述联合特征向量输入到SVM分类器中进行分类器训练；(8)利用经过训练的SVM分类器对极化SAR图像进行分类；(9)输出对极化SAR图像进行分类的结果图像，并计算分类精度。