CN105069479A - 基于在线序列极限学习机的极化sar图像分类方法 - Google Patents

Abstract

本发明公开了一种基于在线序列极限学习机的极化SAR图像分类方法，主要解决极化SAR图像分类的训练时间长和内存消耗大的问题。其实现步骤为：1.输入待分类极化SAR图像标记信息和相干矩阵，进行Lee滤波；2.提取滤波后的相干矩阵中的特征，并将特征归一化获得数据集，再从数据集中获得标记集；3.将标记集划分成初始训练集和在线训练集；4.用训练集进行初始阶段学习，并用初始阶段学习到的模型对极化SAR图像进行初始分类；5.通过迭代对训练集进行在线学习，用在线阶段学习到的模型对极化SAR图像进行最终分类。本发明能处理增量的训练数据，获得较高的分类精度，减少训练时间和内存消耗，可用于地物分类和目标识别。

Description

基于在线序列极限学习机的极化SAR图像分类方法

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，

$Q={\left[\begin{array}{ccccc}G(a_1,b_1,x_1)& ...& G(a_j,b_j,x_1)& ...& G(a_L,b_L,x_1)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_i)& ...& G(a_j,b_j,x_i)& ...& G(a_L,b_L,x_i)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_M)& ...& G(a_j,b_j,x_M)& ...& G(a_L,b_L,x_M)\end{array}\right]}_{M\×L};$

(7b)根据输出权值β⁰和输出矩阵Q，计算初始阶段数据集的分类结果为Y₀＝Qβ⁰；

(8)用在线训练集进行在线阶段的学习，获得在线阶段的分类结果为Y_k+1：

(8a)输入在线训练集计算隐藏层的输出矩阵为H_k+1，

$H_{k+1}={\left[\begin{array}{ccccc}G(a_1,b_1,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})& ...& G(a_j,b_j,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})& ...& G(a_L,b_L,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_i)& ...& G(a_j,b_j,x_i)& ...& G(a_L,b_L,x_i)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})& ...& G(a_j,b_j,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})& ...& G(a_L,b_L,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})\end{array}\right]}_{N_{k+1}\×L};$

(8b)计算在线学习阶段的输出权值 ${\mathrm{\β}}^{(k+1)}={\mathrm{\β}}^{\left(k\right)}-P_{k+1}{H}_{k+1}^T(T_{k+1}-H_{k+1}{\mathrm{\β}}^{\left(k\right)}),$

其中右上标^T为转置运算，右上标^-1为矩阵求逆运算；

(8c)根据输出权值β^(k+1)和输出矩阵Q，计算数据集的在线阶段的分类结果为Y_k+1＝Qβ^(k+1)；

(8d)设置在线学习迭代标志k＝k+1，返回步骤(8a)中循环，直到满足结束条件k＝4时结束。

本发明与现有的技术相比具有以下优点：

1.本发明利用Lee滤波对原始极化SAR进行预处理，有效降低了相干斑噪声，提高图像的质量和分类性能；

2.本发明利用在线序列极限学习机方法对极化SAR图像分类，该算法泛化性能好，分类精度高。

3.本发明利用在线序列极限学习机方法对极化SAR图像分类，该算法为在线训练学习算法，能处理增量的训练数据。相比传统的批量学习算法，能够减少训练时间和内存消耗。

4.本发明利用在线序列极限学习机方法对极化SAR图像分类，由于该算法有解析解，无需迭代求解权重参数，所以训练速度快，运行时间短；

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弗莱福兰农田地区极化SAR数据经过滤波后的伪彩色图；

图3是本发明仿真使用的弗莱福兰农田地区极化SAR数据的实际地物标记图；

图4是本发明对本发明仿真使用的弗莱福兰农田地区极化SAR数据的分类结果图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1，输入信息，获得滤波后的相干矩阵。

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；

用窗口大小为11×11的Lee滤波器对极化SAR图像的相干矩阵进行滤波，除去相干噪声，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。

步骤2，根据滤波后的相干矩阵获得数据矩阵。

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。

步骤3，根据数据矩阵获得数据集。

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。

归一化处理常用方法有特征线性缩放，特征标准化和白化，本实例中采用特征标准化处理。

步骤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

(4.1)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；

(4.2)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；

(4.3)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。

步骤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。

步骤6，用初始训练集进行初始阶段的学习：

(6.1)输入训练集计算隐藏层输出矩阵为H₀，

$H_0={\left[\begin{array}{ccccc}G(a_1,b_1,x_1)& ...& G(a_j,b_j,x_1)& ...& G(a_L,b_L,x_1)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_i)& ...& G(a_j,b_j,x_i)& ...& G(a_L,b_L,x_i)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_{N_0})& ...& G(a_j,b_j,x_{N_0})& ...& G(a_L,b_L,x_{N_0})\end{array}\right]}_{N_0\×L};$

(6.2)计算初始学习阶段的输出权值为β⁰＝P₀H₀ ^TT₀，其中初始迭代变量为类别矩阵为右上标^T为转置运算，右上标^-1为矩阵求逆运算；

(6.3)设置初始在线学习迭代标志k＝0。

步骤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。

(7.1)输入数据集计算隐藏层输出矩阵为Q，

$Q={\left[\begin{array}{ccccc}G(a_1,b_1,x_1)& ...& G(a_j,b_j,x_1)& ...& G(a_L,b_L,x_1)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_i)& ...& G(a_j,b_j,x_i)& ...& G(a_L,b_L,x_i)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_M)& ...& G(a_j,b_j,x_M)& ...& G(a_L,b_L,x_M)\end{array}\right]}_{M\×L};$

(7.2)根据输出权值β⁰和输出矩阵Q，计算初始阶段数据集的分类结果为Y₀＝Qβ⁰。

步骤8，用在线训练集进行在线阶段的学习，获得在线阶段的分类结果为Y_k+1。

(8.1)输入在线训练集计算隐藏层的输出矩阵为H_k+1，

$H_{k+1}={\left[\begin{array}{ccccc}G(a_1,b_1,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})& ...& G(a_j,b_j,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})& ...& G(a_L,b_L,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_i)& ...& G(a_j,b_j,x_i)& ...& G(a_L,b_L,x_i)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})& ...& G(a_j,b_j,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})& ...& G(a_L,b_L,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})\end{array}\right]}_{N_{k+1}\×L};$

(8.2)计算在线学习阶段的输出权值 ${\mathrm{\β}}^{(k+1)}={\mathrm{\β}}^{\left(k\right)}-P_{k+1}{H}_{k+1}^T(T_{k+1}-H_{k+1}{\mathrm{\β}}^{\left(k\right)}),$

其中在线迭代变量为 $P_{k+1}=P_k-P_k{H}_{k+1}^T{(I+H_{k+1}{P}_k{H}_{k+1}^T)}^{-1}{H}_{k+1}{P}_k;$

(8.3)根据输出权值β^(k+1)和输出矩阵Q，计算数据集的在线阶段的分类结果为Y_k+1＝Qβ^(k+1)；

(8.4)设置在线学习迭代标志k＝k+1，返回步骤(8.1)中循环，直到满足结束条件k＝4时结束。

本发明的效果可以通过下面的实验仿真进一步说明：

1、仿真平台

硬件平台为：英特尔第三代酷睿i5-3230M2.60GHz双核，8GBRAM；

软件平台为：MATLABR2013a；

仿真所使用的极化SAR图像如图2所示，图像大小为750×1024，分辨率为12×6米，该图2为AIRSAR***于1989年获取的弗莱福兰农田地区极化SAR数据，其中有15类地物，实际地物标记图如图3所示。

本发明用在线序列极限学习机OS-ELM对弗莱福兰农田地区极化SAR图像进行分类，对比方法有：基于批量学习的反向传播神经网络方法BPNN，基于批量学习的支持向量机方法SVM。仿真进行五次学习过程，在每次学习过程中，训练样本量以标记样本数量的2％进行增加，将以上不同方法的运行结果进行对比。

2、仿真内容与结果

仿真1，用本发明在线序列极限学***滑，水域和农田的交接处边缘清晰可辨。

仿真2，分别用现有批量BPNN方法和批量SVM方法对弗莱福兰农田地区极化SAR图像进行分类。

上述每个仿真都进行五次学习过程，在每次学习过程中，训练样本量以标记样本数量的2％进行增加，其分类的准确率和运行时间如表1所示。

表1：本发明与现有技术的分类准确率和运行时间性能比较

从表1可见，随着训练样本的增加，三种方法的准确率都同时增加，本发明方法的增加趋势更明显。当训练样本量为标记样本数量的10％的时候，三种方法的准确率相当，都为0.966。随着训练样本的增加，本发明的学习时间没有几乎没有增加，初始学习时间大致为5秒，在线学习时间大致为9秒。而现有基于批量的学习方法BPNN和SVM的学习时间随着训练样本的增加而不断的增加，BPNN的学习时间从26秒增加到251秒，SVM的学习时间从13秒增加到142秒，都比本发明耗时。

综上，用本发明处理极化SAR图像分类问题，能处理增量的训练数据，可获得较高的分类精度，还能减少极化SAR图像分类问题处理的训练时间和内存消耗。

Claims (4)

1.一种基于在线序列极限学习机的极化SAR图像分类方法，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，

$Q={\left[\begin{array}{ccccc}G(a_1,b_1,x_1)& ...& G(a_j,b_j,x_1)& ...& G(a_L,b_L,x_1)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_i)& ...& G(a_j,b_j,x_i)& ...& G(a_L,b_L,x_i)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_M)& ...& G(a_j,b_j,x_M)& ...& G(a_L,b_L,x_M)\end{array}\right]}_{M\×L};$

(7b)根据输出权值β⁰和输出矩阵Q，计算初始阶段数据集的分类结果为Y₀＝Qβ⁰；

(8)用在线训练集进行在线阶段的学习，获得在线阶段的分类结果为Y_k+1：

(8a)输入在线训练集计算隐藏层的输出矩阵为H_k+1，

$H_{k+1}={\left[\begin{array}{ccccc}G(a_1,b_1,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})& ...& G(a_j,b_j,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})& ...& G(a_L,b_L,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_i)& ...& G(a_j,b_j,x_i)& ...& G(a_L,b_L,x_i)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})& ...& G(a_j,b_j,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})& ...& G(a_L,b_L,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})\end{array}\right]}_{N_{k+1}\×L};$

(8b)计算在线学习阶段的输出权值 ${\mathrm{\β}}^{(k+1)}={\mathrm{\β}}^{\left(k\right)}-P_{k+1}{H}_{k+1}^T(T_{k+1}-H_{k+1}{\mathrm{\β}}^{\left(k\right)}),$

其中 $P_{k+1}=P_k-P_k{H}_{k+1}^T{(I+H_{k+1}{P}_k{H}_{k+1}^T)}^{-1}{H}_{k+1}{P}_k,$ 右上标^T为转置运算，右上标^-1为矩阵求逆运算；

(8c)根据输出权值β^(k+1)和输出矩阵Q，计算数据集的在线阶段的分类结果为Y_k+1＝Qβ^(k+1)；

(8d)设置在线学习迭代标志k＝k+1，返回步骤(8a)中循环，直到满足结束条件k＝4时结束。

2.根据权利要求1所述的基于极限学习机的极化SAR图像地物分类方法，其中所述步骤(1)中Lee滤波器的窗口大小为11×11。

3.根据权利要求1所述的基于极限学习机的极化SAR图像地物分类方法，其中所述步骤(3)中归一化处理采取特征标准化，使得数据集的每一维特征具有零均值和单位方差。

4.根据权利要求1所述的基于极限学习机的极化SAR图像地物分类方法，其中所述步骤(6)中计算输出权值β⁰和中间参数P₀，按如下步骤进行：

(6a)输入训练集计算隐藏层输出矩阵为H₀，

$H_0={\left[\begin{array}{ccccc}G(a_1,b_1,x_1)& ...& G(a_j,b_j,x_1)& ...& G(a_L,b_L,x_1)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_i)& ...& G(a_j,b_j,x_i)& ...& G(a_L,b_L,x_i)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_{N_0})& ...& G(a_j,b_j,x_{N_0})& ...& G(a_L,b_L,x_{N_0})\end{array}\right]}_{N_0\×L};$

(6b)计算初始学习阶段的输出权值为β⁰＝P₀H₀ ^TT₀，其中 $T_0={[t_1,....t_{N_0}]}^T.$