申请/专利权人：西安理工大学

申请日：2023-06-07

公开（公告）日：2024-06-21

公开（公告）号：CN117115503B

主分类号：G06F17/16

分类号：G06F17/16;G06F17/10;G06V10/764

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2023.12.12#实质审查的生效;2023.11.24#公开

摘要：本发明公开了一种基于多层黎曼稀疏网络的极化SAR图像分类方法，按照以下步骤实施：步骤1，输入并对待分类的极化SAR图像进行超像素分割；步骤2，提取平均协方差矩阵；步骤3，构建黎曼稀疏表示的字典；步骤4，建立极化SAR图像的黎曼稀疏表示模型，构造目标函数；步骤5，推导得到黎曼稀疏表示网络系数迭代公式；步骤6，构建多层黎曼稀疏网络；步骤7，求解目标函数的一阶导数，得到初值，并迭代求解网络系数；步骤8，计算超像素S估计值与超像素S矩阵特征之间的残差，并按残差分类。本发明的方法，减少斑点噪声对分类结果的影响，有效提高分类精度。

主权项：1.一种基于多层黎曼稀疏网络的极化SAR图像分类方法，其特征在于，按照以下步骤实施：步骤1，输入并对待分类的极化SAR图像进行超像素分割，具体过程是：输入待分类的极化SAR图像，利用SLIC超像素分割方法对待分类的极化SAR图像进行超像素分割，得到超像素分割图，确定预定个数的超像素S；步骤2，提取平均协方差矩阵，提取步骤1得到的超像素结果中每个超像素S对应的平均协方差矩阵Xmean，作为超像素S的特征表示，具体过程是：2.1输入分割的超像素结果，找到每一个超像素S对应的协方差矩阵Xi，i＝1,2,...,m，其中m是超像素S的个数；2.2求出协方差矩阵Xi的平均协方差矩阵Xmean，作为每个超像素S的矩阵特征，表达式为： sum为求和操作，即对所有超像素S的特征矩阵进行求和；步骤3，构建黎曼稀疏表示的字典；步骤4，建立极化SAR图像的黎曼稀疏表示模型，构造目标函数，根据步骤2得到的超像素特征表示和步骤3得到的字典，建立极化SAR图像的黎曼稀疏表示模型，并利用仿射不变黎曼度量构造目标函数，具体过程是：4.1构建每一个超像素S的特征矩阵表示为字典原子的线性组合，记为a×Hk，Hk为第k类的字典集合，由Nk个字典原子组成，a为第k类字典原子对应的系数，是由组成的行向量；4.2利用仿射不变黎曼度量构造目标函数，表达式为： 在式2的等号右边，第一项是残差项；第二项是惩罚项；λ是用来平衡第一项与第二项的系数；其中，d.为仿射不变黎曼度量，表达式为： 另外，X、Y分别是一个特征矩阵，分别代表式2中的Xmean和a×Hk，为了简化描述仿射不变黎曼度量，在此用X、Y表示；||.||F是一种矩阵范数，简称F范数；Γ是对角矩阵，用来最小化类内距离，表达式为： 式4中，表示第k类字典原子Hk与超像素S的平均协方差矩阵Xmean的黎曼测地线距离；Nk表示每类字典原子个数；采用的测度为仿射不变黎曼度量，则有如下变换： 则等式2变换为： 步骤5，推导得到黎曼稀疏表示网络系数迭代公式，利用迭代阈值收缩算法，求解步骤4中的目标函数，推导得到黎曼稀疏表示网络系数迭代公式，具体过程是：5.1设步骤4得到的目标函数第一项为f1a，第二项正则项为f2a，即： 5.2当目标函数不考虑第二项f2a时，目标函数则表示为： 5.3对f1a在aK处做二阶泰勒展开，则有： aK为第K次迭代的值，aKT表示aK的转置；表示f1a在aK处的偏导；5.4由于常数项对与求解目标函数没有影响，忽略常数项，由于是f1a在aK处的二阶偏导，看作一个常数，则表示为某个常数乘上a-aKTa-aK，将这个常数用代替，则式11变换为： 5.5为了凑平方项加入常数项经化简得到： 5.6加上正则项，之后，得到： 5.7对式13关于a求偏导，令偏导等于零之后，得到迭代式： 其中，ΓT为黎曼测地线距离Γ的转置，aK+1为第K+1次迭代的值，正则项参数λ和步长t均为常数；f1a的偏导即表达式为： ap表示在字典原子对应系数a中的第p个元素，p＝{1,2,...,Nk}；Hki表示第k类字典原子中的第i字典，Hkp表示第k类字典原子中的第p个原子；Tr表示求矩阵的迹，即求矩阵对角线元素之和；5.8由于迭代式15中λtΓTΓ+1-1是一个固定值，所以将其定义为e，则得到迭代公式： 步骤6，构建多层黎曼稀疏网络，将步骤5.8得到的目标函数的迭代式17展开，构建多层黎曼稀疏网络，具体过程是：将式17作为多层黎曼稀疏网络的基本层的迭代公式，则将迭代公式展开，构成黎曼稀疏网络的完整框架；构造一个四层的黎曼稀疏网络，其中，aK+1为第K+1层RSRC-net中字典原子对应的系数；aK为第K层RSRC-net中字典原子对应的系数；t为步长因子，用来控制系数a的收敛速度；为式2中目标函数的第一项关于aK求偏导，具体求解如式16；e为正则项关于a的偏导，即式9关于a的偏导；步骤7，求解目标函数的一阶导数，得到初值，并迭代求解网络系数，利用谱投影梯度方法求解目标函数的一阶导数，得到初值，并迭代求解网络系数，具体过程是：7.1选取初始的字典对应的系数a0时，利用谱投影梯度方法求解目标函数的一阶导数获得；对于字典原子H的选取参照步骤3，每类超像素随机选取M个平均协方差矩阵作为字典，当极化SAR图像每类超像素所含的个数较少时，每类选取100个，其余情况每类选取200个；对于步长因子t和正则项对应的参数λ的选取，则通过实验数据具体确定；正则项对应的参数λ选值为0.1，步长选值为0.001或0.005；7.2字典对应系数a的具体求解过程为：已知a0为初始的字典对应的系数，经过第一层之后，a更新为a1；a1作为第二层的字典对应的系数，经过第二层之后，a1再更新为a2，以此类推，经过四层之后，得到最终的字典对应的系数a4；其中，求解e的具体函数式为：e＝λtΓTΓ+1-118Γ为字典原子与每个超像素S对应的协方差矩阵之间的黎曼测地线距离，具体计算如式6，ΓT为黎曼测地线距离Γ的转置，.-1表示矩阵的逆；步骤8，计算超像素S估计值与超像素S矩阵特征之间的残差，并按残差分类，具体过程是：8.1计算步骤7得到的超像素S估计值a×Hk与步骤2得到的超像素S矩阵特征Xmean的残差RkS，表达式为：RkS＝d2Xmean,aHk,k＝1～C19其中，C表示极化SAR图像的总类数；8.2根据步骤8.1得到的残差RkS估计每个超像素S的类标： 则有，当估计值与第k类特征矩阵的残差最小时，该超像素被划分为第k类。

全文数据：

权利要求：

百度查询： 西安理工大学 基于多层黎曼稀疏网络的极化SAR图像分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD