基于分層稀疏濾波卷積神經網絡的sar圖像分類方法
【技術領域】
[0001] 本發明屬于圖像處理技術領域，更進一步涉及一種SAR圖像分類方法，可用于目 標識別。
【背景技術】
[0002] 合成孔徑雷達SAR是一種微波成像雷達，具有良好的分辨率，不僅可以詳細地、準 確地觀測地形、地貌，獲取地球表面信息，還可以透過地表和自然植被收集地表以下的信 息。SAR是從空間對地觀測的一種有效手段，能夠生成地面目標區域或地域的高分辨率地 圖，提供類似于光學照片的雷達圖像，已廣泛應用于軍事以及其它對地觀測領域。
[0003] 合成孔徑雷達的概念是1951年6月由美國Goodyear宇航公司的Carl Wiley首次 提出的。SAR是一種主動式微波成像傳感器，它利用脈沖壓縮技術提高距離分辨率，利用合 成孔徑原理提高方位分辨率，從而獲得大面積的高分辨率雷達圖像，具有全天時、全天候、 多波段、多極化、可變側視角及高分辨率等優點，甚至在惡劣的環境下也能以較高的分辨率 提供詳細的地面測繪數據和圖像。我國從20世紀70年代中期開始SAR系統的研制工作， 先后取得了一定的研究成果，1979年9月，中科院電子所研制的機載SAR原理樣機試飛成 功，獲得我國第一批SAR圖像。我國第一顆SAR衛星已躋身國際先進行列，目前已進入實際 應用階段，并在國土測繪、資源普查、城市規劃、搶險救災等領域發揮了重要的作用。
[0004] SAR技術具有如下特有的優勢：
[0005] I) SAR成像不依賴光照，而是靠自己發射的微波，能夠穿透云、雨、雪和煙霧，具有 全天時、全天候成像能力，這是SAR遙感最突出的優勢。
[0006] 2)微波對地表有一定的穿透能力。
[0007] 3)對金屬目標及地表紋理特征有較強的探測能力。
[0008] 現有的經典的SAR圖像分類方法主要有以下兩類：
[0009] ( -）從特征入手。根據全極化SAR數據的特點，根據其數據分布特性或散射機理 提取包含極化信息的特征，設計分類方法以完成地物分類。該類算法大概可以細分為3種： 一種是基于極化SAR統計特性的分類方法；第二種是基于極化SAR散射機理的分類方法； 第三種是結合極化SAR統計分布和散射機理的分類方法。
[0010] (二）從處理方法入手。在已有的特征集上，引入更有效的處理方法，從而更充分 的利用現有的分類信息。SVM，Adab〇〇st以及神經網絡等方法均屬于此類，目前它們在極化 SAR分類解譯方面都取得了大量優秀的研究成果。
[0011] 但上述方法與光學圖像相比，由于SAR圖像視覺可讀性較差，使得SAR圖像信息處 理非常困難。另一方面，隨著SAR應用的日趨廣泛以及技術的不斷成熟，其數據信息也在急 劇增長，SAR所收集的數據量之大已經遠遠超出了人工作出迅速判斷的極限。這些因素都限 制了傳統的圖像分類技術如基于模板匹配、基于模型和基于核的分類技術在SAR圖像分類 中的應用。目前SAR圖像識別技術主要有三個問題亟需解決：（1)由于SAR圖像中存在大 量的相干斑噪聲，采用常用的特征提取方法很難克服噪聲的影響，分類精度不高；(2)由于 SAR圖像中同類地物的場景復雜，傳統的特征提取方法在設計上費時費力，且具有較大的局 限性，不具備自適應性。（3)由于對SAR圖像地物的標注過程比較繁瑣費力，因此需在標記 樣本較少的情況下進行分類，而傳統的分類方法在這種情況下，分類精度較低，分類結果不 穩定。
【發明內容】
[0012] 本發明的目的在于針對上述已有技術的不足，提出一種基于分層稀疏濾波卷積神 經網絡的SAR圖像分類方法，利用深度神經網絡提取SAR圖像局部和全局特征，提高SAR圖 像的分類精度。
[0013] 本發明的技術方案是：通過逐層訓練適應于SAR圖像的稀疏濾波器，構建多層稀 疏濾波卷積神經網絡，用于提取SAR圖像局部和全局的特征，進而訓練分類器，達到對SAR 圖像分類的目的。其實現步驟包括如下：
[0014] (1)將SAR圖像數據庫樣本集劃分為訓練數據集X和測試樣本集y ;
[0015] ⑵訓練SVM分類器：
[0016] 2a)從訓練數據集X中隨機抽取m塊尺寸dX d的訓練圖像塊，并進行全局對比度 歸一化，構成訓練圖像塊集JTe ?
[0017] 2b)利用訓練圖像塊集X訓練第一層稀疏字典巧，.其中N表示X中每個圖 像塊的特征數目；
[0018] 2c)利用第一層的稀疏字典01求訓練集X的第一層稀疏特征圖： Z e #><(^+1)><('^+1)，其中 11^分別表示圖片的高度和寬度；
[0019] 2d)對第一層稀疏特征圖Z進行非線性變換，得到特征圖=C1G RNX(U d+1)/wX(v d+1)/w， 其中w表示池化的比例；
[0020] 2e)從訓練集X的特征圖C1上隨機抽取m2塊尺寸NXd 2Xcy^訓練圖像塊，構成 訓練集
[0021] 2f)利用訓練集X2采用與2b)相同的方法，訓練第二層稀疏字典：其 中N 2表示X 2中每個圖像塊的特征數量；
[0022] 2g)利用第二層的稀疏字典D2采用與2c)相同的方法，求訓練集X的第二層稀疏 特征圖
[0023] 2h)對第二層稀疏特征圖乏進行與2d)相同的非線性變換，得到非線性變換特征 圖C 2;
[0024] 2i)級聯(^和C 2構成一維向量c，訓練線性核SVM分類器；
[0025] (3)抽取測試集y的特征并進行分類，得到分類結果：
[0026] 3a)對測試集y利用訓練階段獲得的第一層稀疏字典D1和第二層稀疏字典D 2，采 用與訓練集X相同的非線性變換方法抽取測試集第一層和第二層的非線性變換特征 < 和 ζ，級聯石和6構成一維向量L
[0027] 3b)將一維向量?輸入到SVM分類器進行分類，得到最終分類結果。
[0028] 與現有技術相比，本發明具有以下優點：
[0029] 本發明通過逐層無監督的訓練獲得適應SAR圖像特征分布的稀疏濾波器，相比費 時費力通過手工設計的特征提取方法如，SIFT，HOG等更具有普適性，能夠很好的克服相干 斑噪聲的影響，同時通過提取SAR圖像深層的特征，在標記樣本很少的情況下，仍能達到很 高分類精度和非常穩定的分類結果。
【附圖說明】
[0030] 圖1是本發明的實現流程圖；
[0031] 圖2是本發明仿真使用的SAR圖像。
【具體實施方式】
[0032] 參照圖1，本發明的實現步驟如下。
[0033] 步驟1 :將SAR圖像數據庫樣本集劃分為訓練數據集X和測試樣本集y。
[0034] 首先，在包含6類SAR圖像數據庫樣本集的每類樣本集中各取大小為256X256的 1000張圖片，然后，再從每一類圖片中隨機抽取200張構成訓練集X，剩余作為測試集y。
[0035] 步驟2 :從訓練數據集X中隨機抽取m塊尺寸dX d的訓練圖像塊，并進行全局對 比度歸一化，構成訓練圖像塊集JTe JTrf。
[0036] 步驟3 :利用訓練圖像塊集X訓練第一層稀疏字典。
[0037] 3a)將訓練圖像塊集X的特征矩陣表示為：
[0038]
[0039] 其中表示字典，N表示每個圖像塊的特征數量，ε是極小的常數，F e R?xn 表示特征矩陣。矩陣F第i行的值對應第i個圖像塊的特征值，第j列的值表示不同圖像 塊的第j類特征；
[0040] 3b)根據特征矩陣F求稀疏字典D1:
[0041 ] 常用的字典學習方法有稀疏編碼算法，稀疏自編碼算法，稀疏RBM算法，OMP正交 匹配追蹤算法，ICA獨立成分分析算法，稀疏濾波算法等，本實例中采用但不局限于稀疏濾 波算法求稀疏字典。即：
[0042] 首先，按照公式/ = //14對特征矩陣F的每一列進行歸一化處理，再對每一行 進行歸一化處理，得到歸一化后的特征矩陣F2;
[0043]
然后，對歸一化后的特征矩陣F2進行稀疏約束，求得第一層稀疏字典：
[0044] 步驟4 :利用第一層的稀疏字典01求訓練集X的第一層稀疏特征圖Z。
[0045] 利用稀疏字典求解整幅輸入圖片的稀疏特征圖的常用方法有：隨機抽取處理合成 法，重疊卷積算法和分片卷積算法，本實例中采用但不局限于重疊卷積算法，其步驟如下：
[0046] 4a)求解輸入圖片的第i張稀疏特征圖Z1:
[0047] Zt =I Φ：Κ? ：,
[0048] 其中K1G R dxd表示第i個卷積核，i = 〇~N，?表示卷積操作，I e Ruxv表示訓 練集X的一張圖片，UX V為圖片尺寸，卷積核K1由稀疏字典D i的第i列/變換得到， rj\ ((u d+l) X (v d+l)
[0049] 4b)利用N個不同的卷積核!^對輸入圖片進行卷積操作，得到第一層稀疏特征圖： ^j^NX (u d+l) X (v d+l)
[0050] 步驟5 :對第一層稀疏特征圖進行非線性變換。
[0051] 非線性變換包括稀疏特征圖歸一化和池化操作，常用的歸一化方法有局部響應歸 一化法和局部對比度歸一化法，常用的池化操作有平均池化，最大池化和隨機池化，本實例 中采用但不局限于局部響應歸一化法和最大池化。其步驟如下：
[0052] 5a)求解第i張局部響應歸一化特征圖B1在（X，y)位置上的值
[0053]
[0054] 其中 表示第i張稀疏特征圖Z1在（X，y)位置上的值，α，β，c分別表示不同數 值的常量，η表示與第i張稀疏特征圖相鄰的稀疏特征圖數目；
[0055] 5b)對第i張稀疏特征圖Z1中所有坐標上的值進行局部響應歸一化操作，得到第 i張稀疏特征圖Z1的局部響應歸一化特征圖B S
[0056]
[0057] 5c)對N張稀疏特征圖采用5a) _5b)的操作，得到第一層局部響應歸一化特征圖： B |~gl gNJ ^ rNX (u d+l) X (V d+l