CN104751172B - 基于去噪自动编码的极化sar图像的分类方法 - Google Patents
基于去噪自动编码的极化sar图像的分类方法 Download PDFInfo
- Publication number
- CN104751172B CN104751172B CN201510108639.6A CN201510108639A CN104751172B CN 104751172 B CN104751172 B CN 104751172B CN 201510108639 A CN201510108639 A CN 201510108639A CN 104751172 B CN104751172 B CN 104751172B
- Authority
- CN
- China
- Prior art keywords
- sar image
- networks
- polarimetric sar
- layer
- autocoding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于去噪自动编码DA网络的极化SAR图像分类方法,主要解决现有技术提取特征过程复杂、特征泛化能力差及分类精度低的问题。其实现步骤是:首先输入任选一幅待分类的极化SAR图像,提取该极化SAR图像的原始特征以及其邻域特征;然后对原始特征及邻域特征取对数处理,使其噪声满足高斯分布;其次确定去噪自动编码DA网络的层数、各层节点数以及数据噪声并训练去噪自动编码DA网络;然后利用训练好的去噪自动编码DA网络,对待分类的极化SAR图像进行分类,得到极化SAR图像的分类结果。本发明由于使用了去噪自动编码DA网络,简化特征提取的过程,提高了特征的泛化能力和对图像的分类精度,可用于极化SAR图像的地物识别。
Description
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图像分类技术领域中的数据特征提取方式和深度网络分类等,可用于极化SAR图像的地物识别。
背景技术
极化SAR是一种高分辨率主动式有源微波遥感成像雷达,具有全天候、全天时、分辨率高、可测视成像等优点,可应用于军事、农业、导航、地理监视等诸多领域。与SAR相比,极化SAR进行的是全极化测量,能获得目标更丰富的信息。近年来,利用极化SAR数据进行的分类在国际遥感领域受到高度重视,已成为图像分类的主要研究方向。
随着极化SAR的发展,极化SAR图像分类的方法也是层出不穷。许多无监督的和有监督的方法使极化SAR分类正确率有了很大的提升。无监督的方法分为两类:一类是采用聚类的方式,如K均值、Isodata等;另一类是采用数据的非相干特性,如Cloude和Pottier提出的基于熵H和α角的分布分类(1997)、Lee等结合Freeman-Durden分解和基于复Wishart分布的最大后验概率分类(2004)等;这两类方法均需要花费很大的计算代价,而且正确率相对较低。有监督的方法主要有以下几种:Heermann和Khazanie等人提出的人工神经网络ANN分类方法(1992)、Burges和Vapnik提出的基于支持向量机SVM的分类方法,这些有监督的方法大大提高了运算速率和正确率,但在特征的选取上具有非常强的依赖性,因而对分类结果的正确率影响比较大。
发明内容
本发明目的在于针对上述已有技术的不足,提出一种基于去噪自动编码的极化SAR图像分类方法,以有效保留极化SAR图像的有用信息,提高极化SAR图像的分类精度。
本发明的技术思路是:通过深度网络在原始数据的基础之上提取更加高级有用的特征,使得特征拥有比较强的泛化性能,同时利用去噪自动编码DA网络具有滤除噪声的能力,避免使用滤波器而造成的部分有用信息丢失,使得数据更加鲁棒的表达,提高分类结果的正确率。
根据上述思路,本发明的技术步骤包括如下:
(1)输入任选一幅待分类的极化SAR图像,提取该极化SAR图像的原始特征以及其邻域特征;
(2)对原始特征及邻域特征取对数处理,使其噪声满足高斯分布;
(3)确定去噪自动编码DA网络的层数、各层节点数以及数据噪声;
(4)训练去噪自动编码DA网络
(4a)根据实际地物参照图,确定参照图中地物的类别数,在每类中选取10%的地物标记作为训练样本,并将训练样本的特征输入到所述自动编码DA网络中,逐层的进行贪婪训练;
(4b)使用反向传播算法BP,微调去噪自动编码DA网络的结构参数以及噪声参数,得到训练好的去噪自动编码DA网络;
(5)利用训练好的去噪自动编码DA网络,对待分类的极化SAR图像进行分类,得到极化SAR图像的分类结果。
本发明与现有技术相比,具有以下优点:
第一,本发明由于在对极化SAR数据时取对数变换,使得噪声近似服从高斯分布,简化了噪声模型,更易于分类学习算法滤除极化SAR数据的噪声;
第二,本发明直接用极化SAR数据的原始特征和邻域特征输入网络进行训练,保留了极化SAR的有用信息,提高了分类正确率;
第三,本发明对自动编码网络加入了高斯噪声,使网络在学习过程中尽量去除这种噪声而获得被少量噪声污染过的特征数据,提高了分类的精确度。
附图说明
图1是本发明的实现流程图;
图2是本发明仿真使用的极化SAR图像的分类标签图;
图3是使用现有深度信念网络DBN对待分类的极化SAR图像的分类结果图;
图4是使用现有自动编码网络对待分类的极化SAR图像的分类结果图;
图5是用本发明对待分类的极化SAR图像的分类结果图。
具体实施方式
以下结合附图对本发明的技术方案和效果做进一步详细描述。
参照图1,本发明的具体实现步骤如下:
步骤1、提取待分类极化SAR图像的原始特征以及其邻域特征。
(1a)输入任选的一幅待分类的极化SAR图像,按照下式分解该极化SAR图像的相干矩阵:
其中T表示极化SAR图像的相干矩阵,i表示复数虚部单位,极化SAR图像的每个点的值都是一个3*3的相干矩阵,a表示极化SAR图像的对称因子,c表示极化SAR图像的构型因子,d表示极化SAR图像的局部曲率,h表示极化SAR图像的方向性,g表示极化SAR图像对称部分间的耦合度,b表示极化SAR图像的非规则性因子,e表示极化SAR图像的表面扭转性,f表示极化SAR图像的螺旋性,l表示极化SAR图像的非对称因子;
(1b)从相干矩阵T中,得到12个原始特征参数,分别为对称因子a,非规则性因子b,构型因子c,局部曲率d,表面扭曲性因子e,螺旋性因子f,耦合度因子g,方向性因子h,非对称因子l以及表示复数特征的|c-id|,|h+ig|,|e+if|;
(1c)将上述提取的12组原始特征的每一组特征表示为一幅图像,在每一幅图像上选择一个5*5的滑动窗口,用窗口除中心点像素外所有点的像素值表示中心点像素的邻域特征,将12幅图像的同一个坐标点的邻域特征组合起来,构成每个样本的邻域特征。
步骤2、对原始特征及邻域特征取对数处理,并进行归一化。
(2a)对原始特征及邻域特征取对数处理,使其噪声服从高斯分布:
根据文献资料显示,极化SAR图像被相干斑噪声干扰时,其与相干斑噪声相互独立,对于这种相干斑噪声,服从伽马Gamma分布,当独立视数大于3时对其取数变换,这种相干斑噪声近似服从高斯分布。因此对提取的原始特征及邻域特征取对数变换,可使原始特征及邻域特征的乘性噪声变为加性噪声,且近似服从高斯分布;
(2b)对变换后的原始特征及邻域特征归一化,得到去噪自动编码DA网络的初始输入数据。
步骤3、确定去噪自动编码DA网络的层数、各层节点数以及数据噪声。
本发明中采用去噪自动编码DA网络是目前研究和应用十分广泛的深度学习结构,深度学习与传统的浅层学习的最大区别在于:强调了网络结构的深度,网络层数通常达到4层之上;突出了特征学习的重要性,通过多个隐含层的非线性变化,DA网络拥有比浅层网络更加优异的特征表达能力,而且DA网络加入了和原始数据一样的模型噪声,可以用被破坏的输入数据重构出原始的数据,使得特征更加的鲁棒性。DA网络是由多层的自动编码层组成,自动编码是两层神经网络,层间全连接,层内无连接,其层数、各层节点数以及数据噪声的确定如下:
(3a)综合考虑极化SAR图像的分类性能,构造基于去噪自动编码的4层深度网络,包括一个输入层,两个隐含层和一个分类层,且分类层使用神经网络NN得到最终的去噪自动编码DA网络输出,根据步骤2提取的归一化后特征,本实例设输入层节点数为300,第二层和第三层的隐含层节点数均为100,分类层是针对极化SAR图像分类的神经网络NN模型,其节点数为9,得到去噪自动编码DA网络的各层节点数依次为300、100、100、9;
(3b)根据极化SAR的相干斑噪声服从伽马分布的特性,在独立视数大于3情况下,对伽马分布取对数作为数据噪声。
步骤4、训练去噪自动编码DA网络。
对于深度网络的训练一直是神经网络研究领域的难点,传统的基于梯度下降法的全局训练方法对于深度网络通常难以奏效,训练深层网络引起的局部最优等问题是目前全局训练方法很难克服的障碍。
目前一种有效训练深度网络的思路是对深度网络进行分层训练,然后全局微调整个网络的结构参数,其详细步骤如下:
(4a)给去噪自动编码DA网络的输入层加入均值为0、方差为0.01的高斯噪声;
(4b)使用重构误差最小方法对去噪自动编码DA网络的前两层进行参数调整,得到第一层与第二层之间的权值和偏置;
(4c)将调整后的第二层结果输入到第三层,再次使用重构误差最小方法对去噪自动编码DA网络的第二层和第三层进行参数调整,得到第二层与第三层之间的权值和偏置;
(4d)将调整后的第三层结果输入到去噪自动编码DA网络的分类层,用神经网络NN进行参数调整,得到输出结果;
(4e)使用反向传播算法对整个去噪自动编码DA网络的进行整体调整,优化去噪自动编码DA网络的结构参数,得到训练好的去噪自动编码DA网络。
步骤5、利用训练好的去噪自动编码DA网络,对待分类的极化SAR图像进行分类,即步骤2得到的初始输入数据输入到步骤4训练得到的去噪自动编码DA网络中,输出对此极化SAR图像的分类结果。
本发明的效果可以通过仿真实验进一步说明:
1.实验条件与方法
实验仿真环境:MATLAB 2013b,Windows7 Professional
实验方法:分别为现有深度信念网络DBN、自动编码网络和本发明方法,其中前两种方法均为经典的深度学习方法,且在极化SAR图像的分类上得到很好的应用。
本发明的仿真实验所使用的极化SAR图像,大小为380*420像素,图像来自NASA/JPL实验室的AIRSAR获取的L波段荷兰Flevoland全极化4视数据,数据的分辨率为12.1m*6.7m,其中图2为此图像的分类标签图。
2.实验内容与结果分析
仿真一:使用现有的深度信念网络DBN对极化SAR图像分类,得到的分类结果如图3所示;
仿真二:使用现有的自动编码网络对极化SAR图像分类,得到的分类结果如图4所示;
仿真三:使用本发明的方法对极化SAR图像分类,得到的分类结果如图5所示。
结果分析:图3与图2相比,分类效果特别不好,图像边界分类模糊,很多区域都受到噪声的影响,区域划分的不是很好,而且正确率为92.1%±0.003,相对较低;图4与图2相比,整体效果很好,但是受到噪声影响较大,图像的上半部分分类较差,分类正确率为94.3%±0.04;图5与图2相比,整体效果非常好,噪声少量存在,且对结果影响较小,图像上半部分分类的效果很好,下半部分稍有不好,分类正确率为96.1%±0.04,正确率较高。
Claims (2)
1.一种基于去噪自动编码DA网络的极化SAR图像分类方法,包括如下步骤:
(1)输入任选一幅待分类的极化SAR图像,提取该极化SAR图像的原始特征以及其邻域特征:
(1.1)按照下式分解极化SAR图像的相干矩阵:
其中T表示极化SAR图像的相干矩阵,i表示复数虚部单位,极化SAR图像的每个点的值都是一个3*3的相干矩阵,a表示极化SAR图像的对称因子,c表示极化SAR图像的构型因子,d表示极化SAR图像的局部曲率,h表示极化SAR图像的方向性,g表示极化SAR图像对称部分间的耦合度,b表示极化SAR图像的非规则性因子,e表示极化SAR图像的表面扭转性,f表示极化SAR图像的螺旋性,l表示极化SAR图像的非对称因子;
(1.2)从相干矩阵T中,得到12个原始特征参数,分别为对称因子a,非规则性因子b,构型因子c,局部曲率d,表面扭曲性因子e,螺旋性因子f,耦合度因子g,方向性因子h,非对称因子l以及表示复数特征的|c-id|,|h+ig|,|e+if|;
(1.3)将上述提取的12组原始特征的每一组特征表示为一幅图像,在每一幅图像上选择一个5*5的滑动窗口,用窗口除中心点像素外所有点的像素值表示中心点像素的邻域特征,将12幅图像的同一个坐标点的邻域特征组合起来,构成每个样本的邻域特征;
(2)对原始特征及邻域特征取对数处理,使其噪声满足高斯分布;
(3)确定去噪自动编码DA网络的层数、各层节点数以及数据噪声:
(3.1)建立基于去噪自动编码的4层网络,这4层依次为输入层,两个隐含层和分类层;
(3.2)指定去噪自动编码的输入层节点数为300,第一个隐含层节点数为100,第二个隐含层节点数为100,分类层节点数为9;
(3.3)根据极化SAR的相干斑噪声服从伽马分布的特性,在独立视数大于3情况下,对伽马分布取对数作为数据噪声;
(4)训练去噪自动编码DA网络:
(4a)根据实际地物参照图,确定参照图中地物的类别数,在每类中选取10%的地物标记作为训练样本,并将训练样本的特征输入到所述自动编码DA网络中,逐层的进行贪婪训练;
(4b)使用反向传播算法BP,微调去噪自动编码DA网络的结构参数以及噪声参数,得到训练好的去噪自动编码DA网络;
(5)利用训练好的去噪自动编码DA网络,对待分类的极化SAR图像进行分类,得到极化SAR图像的分类结果。
2.根据权利要求1所述的基于去噪自动编码DA网络的极化SAR图像分类方法,其中所述步骤(4)中的训练去噪自动编码DA网络,按如下步骤进行:
(4.1)给去噪自动编码DA网络的输入层加入均值为0、方差为0.01的高斯噪声;
(4.2)使用重构误差最小方法对去噪自动编码DA网络的前两层进行参数调整,得到第一层与第二层之间的权值和偏置;
(4.3)将调整后的第二层结果输入到第三层,再次使用重构误差最小方法对去噪自动编码DA网络的第二层和第三层进行参数调整,得到第二层与第三层之间的权值和偏置;
(4.4)将调整后的第三层结果输入到去噪自动编码DA网络的分类层,用神经网络NN进行参数调整,得到输出结果;
(4.5)使用反向传播算法对整个去噪自动编码DA网络的进行整体调整,优化去噪自动编码DA网络的结构参数,得到训练好的去噪自动编码DA网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510108639.6A CN104751172B (zh) | 2015-03-12 | 2015-03-12 | 基于去噪自动编码的极化sar图像的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510108639.6A CN104751172B (zh) | 2015-03-12 | 2015-03-12 | 基于去噪自动编码的极化sar图像的分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104751172A CN104751172A (zh) | 2015-07-01 |
CN104751172B true CN104751172B (zh) | 2018-07-03 |
Family
ID=53590825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510108639.6A Active CN104751172B (zh) | 2015-03-12 | 2015-03-12 | 基于去噪自动编码的极化sar图像的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104751172B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127230B (zh) * | 2016-06-16 | 2019-10-01 | 上海海事大学 | 基于人类视觉感知的图像识别方法 |
CN106331433B (zh) * | 2016-08-25 | 2020-04-24 | 上海交通大学 | 基于深度递归神经网络的视频去噪方法 |
CN109214401B (zh) * | 2017-06-30 | 2020-10-16 | 清华大学 | 基于层次化自动编码器的sar图像分类方法及装置 |
CN108388927B (zh) * | 2018-03-26 | 2021-10-29 | 西安电子科技大学 | 基于深度卷积孪生网络的小样本极化sar地物分类方法 |
CN108983804B (zh) * | 2018-08-27 | 2020-05-22 | 燕山大学 | 一种基于深度强化学习的双足机器人步态规划方法 |
CN110335202A (zh) * | 2019-04-08 | 2019-10-15 | 武汉理工大学 | 一种水下声纳图像噪声消除方法 |
CN111340719B (zh) * | 2020-02-13 | 2023-03-31 | 华南农业大学 | 基于全连接自动编码机的瞬态图像的数据增强方法 |
CN111563423A (zh) * | 2020-04-17 | 2020-08-21 | 西北工业大学 | 基于深度去噪自动编码器的无人机图像目标检测方法及*** |
CN116016064B (zh) * | 2023-01-12 | 2024-06-28 | 西安电子科技大学 | 基于u型卷积去噪自编码器的通信信号降噪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2157544A1 (en) * | 2008-08-01 | 2010-02-24 | Julius-Maximilians-Universität Würzburg | System for adaptive removal of speckle noise in digital images and generation of a colour composite product based on automated analysis of speckle characteristics |
CN103886336A (zh) * | 2014-04-09 | 2014-06-25 | 西安电子科技大学 | 基于稀疏自动编码器的极化sar图像分类方法 |
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
-
2015
- 2015-03-12 CN CN201510108639.6A patent/CN104751172B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2157544A1 (en) * | 2008-08-01 | 2010-02-24 | Julius-Maximilians-Universität Würzburg | System for adaptive removal of speckle noise in digital images and generation of a colour composite product based on automated analysis of speckle characteristics |
CN103886336A (zh) * | 2014-04-09 | 2014-06-25 | 西安电子科技大学 | 基于稀疏自动编码器的极化sar图像分类方法 |
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
Non-Patent Citations (2)
Title |
---|
CLASSIFICATION OF LAND COVER BASED ON DEEP BELIEF NETWORKS USING POLARIMETRIC RADARSAT-2 DATA;Qi Lv 等;《IGARSS 2014》;20141130;全文 * |
SAR Automatic Target Recognition Based on Classifiers Fusion;Xin Yu 等;《2011 International Workshop on Multi-Platform/Multi-Sensor Remote Sensing and Mapping》;20110131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104751172A (zh) | 2015-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104751172B (zh) | 基于去噪自动编码的极化sar图像的分类方法 | |
Tang et al. | Compressed-domain ship detection on spaceborne optical image using deep neural network and extreme learning machine | |
CN108052966B (zh) | 基于卷积神经网络的遥感图像场景自动提取和分类方法 | |
CN105184309A (zh) | 基于cnn和svm的极化sar图像分类 | |
CN108734171A (zh) | 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法 | |
Asokan et al. | Machine learning based image processing techniques for satellite image analysis-a survey | |
CN111080678B (zh) | 一种基于深度学习的多时相sar图像变化检测方法 | |
Wu et al. | Multiscale CNN with autoencoder regularization joint contextual attention network for SAR image classification | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及*** | |
Sun et al. | SAR image classification using greedy hierarchical learning with unsupervised stacked CAEs | |
Shen et al. | Learning high-level concepts by training a deep network on eye fixations | |
CN111274905A (zh) | 一种AlexNet和SVM相结合的卫星遥感影像土地利用变化检测方法 | |
Diakite et al. | Hyperspectral image classification using 3D 2D CNN | |
CN111563577B (zh) | 基于Unet的跳跃层分频和多尺度鉴别的本征图像分解方法 | |
Al-Amaren et al. | RHN: A residual holistic neural network for edge detection | |
Feng et al. | Land-cover classification of high-resolution remote sensing image based on multi-classifier fusion and the improved Dempster–Shafer evidence theory | |
Zhao et al. | Visible-infrared person re-identification based on frequency-domain simulated multispectral modality for dual-mode cameras | |
Wang et al. | Facial expression recognition based on CNN | |
Shi et al. | F 3 Net: Fast Fourier filter network for hyperspectral image classification | |
Zeng et al. | Masanet: Multi-angle self-attention network for semantic segmentation of remote sensing images | |
Srinitya et al. | Automated SAR image segmentation and classification using modified deep learning | |
Li et al. | Spatial fuzzy clustering and deep auto-encoder for unsupervised change detection in synthetic aperture radar images | |
Zhang et al. | Single-sample face recognition under varying lighting conditions based on logarithmic total variation | |
Dong et al. | A Contrastive Learning Transformer for Change Detection in High-Resolution SAR Images | |
Wang et al. | Research on pavement segmentation algorithm of high resolution remote sensing image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |