1.基于栈式稀疏自编码网络的多时相PolSAR散射特征降维算法，包括如下步骤：
(1)输入S个时相,大小为N1×N2的PolSAR图像数据；
(2)通过原始的PolSAR图像数据计算出每个像素的极化协方差矩阵[C]和极化相干矩[T]；
(3)采用多种极化分解方法对每个时相的PolSAR数据中[C]和[T]矩阵的进行特征分解，然后将每个时相中每个像素分解得到的M个特征以矩阵形式保存，将会得到一个N1×N2×M大小的三维特征矩阵[A]；
(4)将S个时相所获得的三维特征矩阵进行再次堆叠，形成N1×N2×(M*S)大小的高维特征矩阵[B]；
(5)建立地面真值分布图，结合高维特征矩阵选择训练样本；
a)在高在高维特征矩阵中随机抽取m个无监督训练样本，获得大小为(M*S)×m的无监督训练样本矩阵[D]；
b)结合地面真值分布图，对随机抽取的m个有无监督训练样本添加标签；
(6)构建降维至L维的S-SAE网络，使用训练样本对S-SAE网络进行训练；
a)将无监督训练样本[D]作为S-SAE网络的输入进行逐层训练，并得到降维至L维的训练数据[E]，其大小为L×m；
b)使用降维至维的训练数据[E]作为softmax分类器的输入，结合训练标签样本对softmax分类器进行预训练；
c)将逐层训练完成的S-SAE网络与训练完成的softmax分类器进行结合，然后使用有标签的训练样本对S-SAE网络进行优化训练；
(7)使用优化训练后的S-SAE网络参数，对高维散射特征[B]进行降维运算，得到指定降维维度的多时相散射降维特征矩阵[F]，其大小为N1×N2×L；
(8)结合降维特征和地面分布真值，随机选取支持向量机SVM(Support Vector Machine，SVM)分类器的训练样本；
(9)采用SVM分类器对多时相散射特征的降维特征[F]进行分类；
(10)输出分类后的农作物分布图。
2.根据权利要求1所述的基于栈式稀疏自编码网络的多时相PolSAR散射特征降维算其特征在于：(均使用matlab语言实现)
步骤(1)输入S个时相,大小为N1×N2的PolSAR图像数据具体步骤如下：
第一步，按照下式，先将每个时相的PolSAR数据读入，生成一个行向量。
tem1＝fread(fid,num1·num2·BandNo,'double','ieee-le')；
其中，num1和num2表示该图像在二维平面上纵向和横向的像素点个数，BandNo表示该SAR图像数据的层数
第二步，通过下式将读取进来的SAR数据进行维数的变化，使其变为BandNo·num2行，num1列，然后通过矩阵转置，使读取的数据变为num1行，BandNo·num2列xx＝reshape(tem1,BandNo*num2,num1)；
xx＝xx’；
其中，reshape表示将tem1进行维数变化，行数列数分别对应后边两个输入，xx＝xx'表示矩阵的转置
第三步，通过循环语句，将转置后的PolSAR数据，存入目标矩阵中去，目标矩阵具有和xx相同的列数和行数，目标矩阵的层数与PolSAR图像的层数相同
for i＝1:BandNo
PolSARData(:,:,i)＝xx(:,1+(i-1)·num2:i·num2)；
end
其中PolSARData为目标矩阵，按照层的顺序存储xx中的PolSAR数据，使其变为具有，num1行，num2列，BandNo层的一个三维矩阵，在这样的矩阵中，PolSARData(:,:,i)即在二维的横向和纵向相等的情况下，每层的数据都对应着PolSAR图像中同一个像素点。
3.根据权利要求1所述的基于栈式稀疏自编码网络的多时相PolSAR散射特征降维算法，其特征在于：
步骤(3)中对于多个单时相PolSAR数据进行了多种极化目标分解算法包括(Huynen分解，Freeman-Durden分解,Yamaguchi分解，Cloude分解，等)，获取了36个散射特征，对散射分解特征使用了以下方式进行存储利用；
Dataset1＝zeros(num1,num2,36)；
dataset1(:,:,1)＝F1；
………
Dataset1(:,:,36)＝imag(Ps_y)；
其中dataset是每个时相分解后的特征所要存储的地方。通过这种操作可以得到单时相PolSAR数据的分解特征矩阵[A]，整个矩阵dataset共有36层，每层分别存储该类样本像素点对应的36个分解特征。
4.根据权利要求1所述的基于栈式稀疏自编码网络的多时相PolSAR散射特征降维算法，其特征在于：
步骤(4)对每个时相分解的dataset数据进行再次堆叠储存得到高维特征矩阵[B]，其利用以下方式实现。
All_feature＝zeros(num1,num2,252)；
All_feature(:,:,1:36)＝dataset1；
………
All_feature(:,:,217:252)＝dataset7；
其中All_feature是所有时相数据分解后的特征所要存储的地方，最后通过堆叠的方式可以存储多个时相PolSAR数据分的所有分解特征，得到高维的特征矩阵[B]。整个矩阵共有252层，每层分别存储该类样本像素点对应的一种分解特征。
5.根据权利要求1所述的基于栈式稀疏自编码网络的多时相PolSAR散射特征降维算法，其特征在于：
步骤(6)所述使用训练样本对S-SAE网络进行训练；
第一步，对S-SAE网络进行逐层训练，使用步骤(5a)中得到的无监督训练样本[D]对SAE进行逐层训练，具体利用以下方式实现；
rng('default')
hiddenSize1＝100；
autoenc1＝trainAutoencoder(...
xTrain,hiddenSize1,...
'MaxEpochs',400,...
'L2WeightRegularization',0.001,...
'SparsityRegularization',4,...
'SparsityProportion',0.05,...)；
'UseGPU',true)；
feat1＝encode(autoenc1,xTrain)；
feat1＝zscore(feat1)；
hiddenSize2＝9；
autoenc2＝trainAutoencoder(...
feat1,hiddenSize2,...
'MaxEpochs',400,...
'L2WeightRegularization',0.001,...
'SparsityRegularization',4,...
'SparsityProportion',0.05,...
'UseGPU',true)；
其中，trainAutoencoder为单层Sparse-Autoencoder网络(简称‘SAE’网络)训练函数，xTrain表示为无监督训练样本[D],被训练的网络为autoenc1，autoenc2，最后使用了训练完成的网络对无监督训练样本进行降维，采用了下式进行实现；
feat1＝encode(autoenc1,xTrain)；
feat2＝encode(autoenc2,feat1)；
encode函数实现了使用训练完成的权重矩阵、激活函数、编码器函数对输入的无监督训练矩阵[D]进行逐层降维。其feat2为降维后训练样本特征矩阵[E]
第二步，使用降维的特征矩阵结合标签对softmax分类器进行预训练，采用了如下方式实现
W＝size(xTrain)；
xTrain_lable1＝zeros(15,W(2))；
for i＝1:W(2)
xTrain_lable1(xTrain_lable(1,i)+1,i)＝1；
end
％％训练softmax
softnet＝trainSoftmaxLayer(feat2,xTrain_lable1,'MaxEpochs',800)；
其中trainSoftmaxLayer为训练函数，降维后的训练样本特征矩阵[E]和结合地面真值的标签xTrain_lable1为训练函数的输入；
第三步，将逐层训练完成的S-SAE网络与训练完成的softmax进行结合，然后使用有标签的训练样本进行优化训练，有标签训练样本为无监督训练样本[D]与地面真值标签的结合，训练采用了如下方式实现。
％％拼接网络
stackednet＝stack(autoenc1,autoenc2,softnet)；
％％用有标签的训练集对整体网络进行训练优化
stackednet＝train(stackednet,xTrain,,'useGPU','yes')；
satck函数实现了将各层网络和softmax分类器实现拼接，最后使用无监督样本矩阵矩阵[D]作为网络的输入，结合地面真值标签xTrain_lable1对S-SAE网络进行优化训练，最后，使用了stackednet变量对训练完成的S-SAE网络进行存储。
6.根据权利要求1所述的基于栈式稀疏自编码网络的多时相PolSAR散射特征降维算法，其特征在于：
步骤(7)使用训练完成的网络stackednet对高维特征矩阵[B]进行降维运算的，采用了如下方式实现：
load('All_feature.mat')
data＝reshape(All_feature,1994*1697,252)；
data＝mapminmax(data',0,1)；
data＝data'；
AN_weight1＝stackednet.IW{1}；
AN_weight2＝stackednet.LW{2}；
bias1＝stackednet.b{1}；
bias2＝stackednet.b{2}；
fx1＝bsxfun(@plus,data*AN_weight1',bias1')；
X1＝1./(1+exp(-fx1))；
fx2＝bsxfun(@plus,X1*AN_weight2',bias2')；
Reduced_Feature＝1./(1+exp(-fx2))；
Reduced_Feature_101＝mapminmax(Reduced_Feature')；
Reduced_Feature_101＝reshape(Reduced_Feature_101',1994,1697,9)；
其中，AN_weight1,AN_weight2,bias1,bias2分别为训练完成网络中的各层网络的权重矩阵{W1,W2}和偏置系数{b1,b2}，根据编码器函数和激活函数可以实现对高维特征All_feature进行降维运算，得到矩阵Reduced_Feature为最后的降维特征。最后通过reshape函数对Reduced_Feature降维特征进行重新整理，最后得到了指定维度的多时相散射降维特征矩阵[F]。
基于栈式稀疏自编码网络的多时相PolSAR散射特征的降维
算法
技术领域
[0001] 本
发明属于
微波遥感
数据处理及应用领域，更进一步涉及雷达遥感领域中的多时相极化
合成孔径雷达(Polarimetric Synthetic aperture Aperture Radar,PolSAR)高维散射特征的降维方法和数据应用。本发明可以得到优于传统降维方法的
数据压缩效果，结合现有的极化目标分解方法可以充分的挖掘多时相PolSAR数据中的分类特征，进而从一定程度上提高了多时相PolSAR数据的应用效率，具体在作物分类的多时相PolSAR数据应用上，实验表明采用降维特征结合分类器能够得到优于多时相复Wishart分类方法的分类
精度。
背景技术
[0002]
农作物种植结构，是一个区域的作物类型、分布及面积等信息的综合，是作物估产、区域农业种植结构调整的
基础，也是确保国家粮食安全和发展精准农业的主要依据。因此，在大尺度的农业遥感中，获取更高精度的农作物分类信息具有极其重要的意义。
[0003] PolSAR作为一种遥感手段，凭借其全时相，全天候的高分辨对地观测能
力，农作物分类成为了极化SAR主要应用之一。如今，对于PolSAR数据已经开发了很多的分类算法，大体可以分为三类，基于统计模型的算法，基于
电磁波散射机制的算法，基于先验知识的算法，这些方法有监督型和非监督型，虽然在分类精度上取得了一定的提升，但这些算法仍存在一定的缺点：(1)算法大多数集中在单时相PolSAR数据的分析来对目标进行分类，但因为不同类型的农作物在不同的生长周期具有不同的散射特性，所以单时相的数据并不能在农作物分类的过程中提供足够多的信息。为此，有必要采用多时相PolSAR数据进行农作物分类实现更高的分类精度。(2)基于先验知识尽管能一定程度上提取深一层的分类特征，但人工特征提取的能力是有限的，因为人类知识很难同时理解诸多复杂的因素，如类间相似性，类内变异性，大气条件和散射机制等多种因素。
[0004] 目前，随着大量SAR卫星的成功发射和在轨运行，越来越多的PolSAR系统能够获取同一区域内大量的多时相遥感数据，为多时相分析提供了可能。逐渐地，广泛利用多时全极化相极化PolSAR数据来提升农作物分类表现成为了研究热点之一。
[0005] Jong-Son Lee在文献“Classification of Multi-Look Polarimetric SAR Data Based on Complex Wishart Distribution”(Int.J.Remote Sensing,VOL.15,NO.11,JULY 1994)中提出了一种多时相合成孔径雷达数据处理中监督分类方法，该方法是通过描述多视全极化SAR 图像协方差矩阵的统计特性，直接利用该分布进行分割，可充分利用全极化SAR数据的统计先验知识，并可避免拆分协方差矩阵导致的信息损失，可达到一定程度的分类效果。
[0006] Guo J,Wei P L,Liu J,et al.在文献“Crop Classification Based on Differential Characteristics of H/αScattering Parameters for Multitemporal Quad-and Dual-Polarization SAR Images”(IEEE Transactions on Geoscience and Remote Sensing,2018,PP(99):1-13.)中提出了一种基于H/α/A分解的散射特性变化规律的多时相PolSAR农作物监督型分类算法。通过新定义参数的计算，构建分类函数f(θi)，计算各个
像素点在各类的θi处的函数值，通过比较该值的大小对该像素点进行分类。
[0007] Yekkehkhany B，,Homayouni S,Mcnairn H,et al.在文献“Multi-temporal full polarimetry L-band SAR data classification for agriculture land cover mapping.[C]”(Geoscience &Remote Sensing Symposium.IEEE,2014.)中提出了一种多时相合成孔径雷达数据处理中监督分类方法，该方法是通过对每个时相的数据进行H/α/A分解，最后将所有时相的特征进行合并，共同作为分类器SVM的输入，在一定程度上利了多时相数据的分类信息，提升了分类效果。
[0008] 上述三种多时相PolSAR数据处理的分类方法，都是从本身的极化相干矩阵出发，从不同的
角度对多时相数据进行了利用。但这三种处理方式都存在着一定的不足，方法(1) 中由于全极化PolSAR图像中不可避免地存在相干斑，因此仅利用数据统计的先验知识并不能得到满意的结果；方法(2)是基于人工手动提取的分类特征，难以充分发掘多时相的变化特征；方法(3)将多个时相的分解特征作为分类器输入虽然能一定程度上利用多时相的分类信息，但若为了更近一步的充分利用各个时相的分类信息，增加分解特征，会产生大量的分解特征，给分类器带来“维数灾难的影响”，导致分类失败。
发明内容
[0009] 本发明针对上述在地物分类中多时相合成孔径雷达PolSAR数据处理方法，发明了一种高效利用多个时相PolSAR数据信息的方法，具体是结合栈式稀疏自编码网络 (Stacked-Sparse-Autoencoder，S-SAE)对丰富的散射特征进行高效的低维表征，从而避免了在使用大量的分类特征时，给分类器带来的“维数灾难”的影响，实现了在充分利用多时相分类特征的基础上，进一步提升了作物的分类精度。
[0010] 为实现上述目的，本发明的主要步骤如下：
[0011] (1)输入S个时相,大小为N1×N2的PolSAR图像数据；
[0012] (2)通过原始的PolSAR图像数据计算出每个像素的极化协方差矩阵[C]和极化相干矩[T]；
[0013] (3)采用多种极化分解方法对每个时相的PolSAR数据中[C]和[T]矩阵的进行特征分解，然后将每个时相中每个像素分解得到的M个特征以矩阵形式保存，将会得到一个 N1×N2×M大小的三维特征矩阵[A]；
[0014] (4)将S个时相所获得的三维特征矩阵进行再次堆叠，形成N1×N2×(M*S)大小的高维特征矩阵[B]；
[0015] (5)建立地面真值分布图，结合高维特征矩阵选择训练样本；
[0016] a)在高在高维特征矩阵中随机
抽取m个无监督训练样本，获得大小为 (M*S)×m的无监督训练样本矩阵[D]；
[0017] b)结合地面真值分布图，对随机抽取的m个有无监督训练样本添加标签；
[0018] (6)构建降维至L维的S-SAE网络，使用训练样本对S-SAE网络进行训练；
[0019] a)将无监督训练样本[D]作为S-SAE网络的输入进行逐层训练，并得到降维至L维的
训练数据[E]，其大小为L×m；
[0020] b)使用降维至维的训练数据[E]作为softmax分类器的输入，结合训练标签样本对 softmax分类器进行预训练；
[0021] c)将逐层训练完成的S-SAE网络与训练完成的softmax分类器进行结合，然后使用有标签的训练样本对S-SAE网络进行优化训练；
[0022] (7)使用优化训练后的S-SAE网络参数，对高维散射特征[B]进行降维运算，得到
指定降维维度的多时相散射降维特征矩阵[F]，其大小为N1×N2×L；
[0023] (8)结合降维特征和地面分布真值，随机选取
支持向量机SVM(Support Vector Machine， SVM)分类器的训练样本；
[0024] (9)采用SVM分类器对多时相散射特征的降维特征[F]进行分类；
[0025] (10)输出分类后的农作物分布图。
[0026] 本发明与现有的技术相比，具有以下优点：
[0027] 本发明提出了一种能高效利用多时相PolSAR数据信息的新方法，首先利用了多种极化分解方法对多时相数据进行极化分解，再结合高效的S-SAE降维网络对高维散射特征进行高效的低维表示。对比方法(1)，本方法在充分利用了多时相数据的同时很好的避免了“维数灾难”所带来的影响。对比方法(2)，本方法采用了多层的神经网络，对高维散射矩阵进行了更深的特征提取，避免了人工特征提取的局限性。对比方法(3)，本方法采用了多种经典的极化分解方法，与基于传统的统计学的方法相比，更能提取出更有区分能力的分类特征。此外本发明是在多时相分类方法的基础上改进而来的，在输入相同的多时相 PolSAR图像时或高维散射特征时，该方法具有更优的压缩效率和分类精度。
附图说明
[0029] 图2
单层Auto-encoder网络结构图；
[0030] 图3 S-SAE网络结构简图；
[0031] 图4 S-SAE监督优化训练示意图；
[0032] 图5地物标签真实分布图；
[0033] 图6多种多时相分类方法与本发明方法的分类结果和误差对比图；
具体实施方式
[0034]
[0035] 下面结合附图对本发明做进一步的描述。
[0036] 参照附图1，本发明的具体实施步骤如下：
[0037] 以AGRISAR_2009\Simulated_QuadPol_GTC_Products\Indian_Head_SK ASC_FQ02数据包作为输入为例，其中包含7个时相的全极化PolSAR数据
[0038] 步骤1，多时相PolSAR数据预处理。
[0039] (1)先将每个时相的PolSAR数据读入，生成一个行向量。该向量中共有N1*N2*H 个元素。
[0040] 其中，N1和N2表示该图像在二维平面上纵向和横向的像素点个数,H表示该PolSAR图像数据的层数。
[0041] (2)将读取的PolSAR数据进行维数的变化，使其变为H*N2行,N1列，然后通过矩阵转置，使读取的数据变为N1行，H*N2列的二维矩阵简称矩阵[M]矩阵。
[0042] (3)通过循环语句，将二维矩阵[M]中的PolSAR数据，存入定义的大小为 N1×N2×H的三维矩阵[N]，该三维矩阵具有和该PolSAR图像在二维平面上纵向和横向的像素点个数相同的列数和行数，层数与PolSAR图像的层数相同，
[0043] 在这样的矩阵中，每层的数据都对应着PolSAR图像中同一个像素点，为方便描述将该矩阵定为[N]矩阵，其大致形式如下：
[0044]
[0045]
[0046] 矩阵[N]是一个三维矩阵，矩阵中的行数和列数对应着多时相全极化PolSAR图像中像素点的
位置，层数与多时相全极化PolSAR图像的层数相同，以保证PolSAR数据全部读入。数据预处理具体通过
辐射校正，辐射地形校正，归一化，滤波，几何地形校正，精配准等这一系列操作来完成。
[0047] 步骤2，对每个时相的PolSAR数据进行极化目标分解。
[0048] (1)使用矩阵[N]获得极化协方差矩阵[C],极化相干矩阵[T]，对角线元素和相关特征。
[0049] (2)使用以下四种不同的极化目标分解方法和一组角度特征分解方法，对协方差矩阵[C]和相干矩阵[T]进行分解来获取多个极化分解特征。
[0050] a)Huynen分解(Huynen J R.Phenomenological Theory of Radar Targets[J]. Electromagnetic Scattering,1978:653-712.)，
[0051] b)Freeman-Durden分解(Freeman A,Durden S L.A three-component scattering model for polarimetric SAR data[J].IEEE Transactions on Geoscience&Remote Sensing,1998,36(3):0-973.)，
[0052] c)Yamaguchi分解(Yamaguchi Y,Moriyama T,Ishido M,et al.Four-component scattering model for polarimetric SAR image decomposition[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(8):1699-1706.)，[0053] d)Cloude分解(Cloude S.Polarisation:Applications in Remote Sensing[M].Oxford: Oxford University Press,2010:178-189.)
[0054] e)角度特征分解(Chen S W,Tao C S.Multi-temporal PolSAR crops classification using polarimetric-feature-driven deep convolutional neural network[C]//2017 International Workshop on Remote Sensing with Intelligent Processing(RSIP).IEEE, 2017.)
[0055] 对每个时相的PolSAR数据进行特征分解，然后将所得每个像素点处的各个特征进行保存，单时相的PolSAR数据共得到了36个特征；具体分解的特征个数如表(1)所示。
[0056] 表1：单时相polSAR数据特征分解
[0057]
[0058] 步骤3，多个时相特征矩阵进行堆叠
[0059] 通过步骤2对每个时相得PolSAR数据进行分解，可以得到7*36＝252个特征矩阵，将这些矩阵进行高度维上得堆叠可以得到一个大小为N1×N2×252的高维特征矩阵[B],其中每个像素点对应着252个特征值，其大致形式如下：
[0060] (共252层)
[0061] 步骤4，随机选取训练样本
[0062] 结合地面真值标签，对每一类样本进行1％比例的随机选取，然后将选中像素的高维特征进行全部提取，并按照列向量进行排列。因此将形成一个大小为252×(N1*N2*0.01)的无监督训练样本矩阵[D]，若在无监督训练样本矩阵[D]上添加选中像素的地面真值标签，可以得到监督训练样本矩阵[D1]。
[0063] 步骤5，训练S-SAE网络
[0064] 在S-SAE网络的训练过程中可以分为三步：构建S-SAE网络；无监督逐层训练S-SAE 网络；有监督优化训练S-SAE网络；
[0065] a)构建S-SAE网络。
[0066] S-SAE网络是使用多个稀疏自编码(Sparse-Autoencoder,SAE)堆栈形成的，自
编码器(Auto-encoder,AE)是一种尽可能使输出数据等于输入数据的
无监督学习的神经网络，单层的AE网络结构如附图2所示，由编码器(Encode)，激活层(Activation)和
解码器(Decode)三个独立部分组成，自编码器对原始数据可以进行抽取表达，经过内部的隐含层h进行输出，输入数据通过反向传播算法(Back Propagation，BP)由编码层函数y＝f(Wyx+by)和解码层函数z＝g(Wzy+bz),进行循环训练。其中是{Wy,Wz} 权重矩阵，{by,bz}是偏置系数，{f(·),g(·)}是激活函数，本发明中激活函数均采用非线性sigmoid函数：即[0067]
[0068] 在训练中常通过Wy＝Wz＝W来平衡权重简化网络结构，因此自编码器网络的训练过程可以描述为通过学习参数来最小化一个损失函数，即最小化输入与重构输出之间的误差。函数常被定义为均方误差
[0069]
[0070]
[0071] 稀疏自编码器网络是自编码器的一种延伸。当
隐藏层神经元数目过多时，通过在添加一种额外的稀疏正则化方式，对隐藏层的输出进行稀疏性约束来实现对数据更深层次的挖掘。稀疏惩罚被定义为：
[0072]
[0073] 其中ρ是稀疏性参数，稀疏自编码通过限制网络的平均激活度 来实现其惩罚方式。因此稀疏自编码器网络的损失函数被定义为：
[0074]
[0075] 其中λ为正则化项权值，β为稀疏性惩罚项权值。
[0076] 栈式稀疏自编码器SAE是将多个稀疏自编码器通过
串联的方式构建起来的，它是将上一层的稀疏自编码器的隐含层作为下一层的输入，依次连接可以创建多层的网路结构。栈式稀疏自编码器的训练是通过贪婪训练的方式，逐层训练的。输入数据x，经过第一层稀疏自编码器训练，得到隐含层特征h1，然后将该特征作为下一层稀疏自编码器的输入，得到输入数据的第2层表示，依次重复这种训练，可以得到更深层次的特征提取，如附图 3所示本发明采用了两层稀疏自编码网络进行降维，网络神经元参数设置为252-100-9，实现对252层的高维特征矩阵降维到9层。其中网络训练中正则化项权值λ＝0.001，稀疏性惩罚项权值β＝4，稀疏比例ρ＝0.05。
[0077] b)无监督逐层训练SAE网络
[0078] 使用步骤4中所构建的无监督训练样本矩阵[D]，作为步骤5中S-SAE网络的输入。来对S-SAE网络进行逐层训练，直至最后一层(100-9)训练结束，然后取出S-SAE网络中每个网络层的权重矩阵{Wy,Wz}和偏置系数{by,bz}，使用无监督训练样本矩阵[D]作为，激活函数{f(·),g(·)}和编码器y＝f(Wyx+by)的输入，对训练样本进行降维，即取出 S-SAE网络中最后一层的隐含层数据[W]，该矩阵大小为9×(N1*N2*0.01)。所有的训练
迭代次数epoch＝400。
[0079] c)有监督优化训练S-SAE网络
[0080] 使用降维的样本矩阵片[W]作为softmax分类器的输入，结合训练样本的地面真值标签对softmax分类器进行预训练。训练迭代次数为epoch＝800,训练结束后，将逐层训练的网络与softmax进行结合形成一个完整的S-SAE网络，如附图4所示。然后使用监督样本矩阵矩阵[D1]作为网络的输入，对S-SAE网络进行优化训练。
[0081] 步骤6，特征降维
[0082] 取出训练完成的S-SAE网络中每层的的权重矩阵{W1,W2}和偏置系数{b1,b2}，使用高维特征矩阵[B]作为，激活函数{f(·),g(·)}和编码器y＝f(Wyx+by)的输入，对输入进行降维运算，最后得到的降维后的特征矩阵[S]大小为9×(N1*N2)。
[0083] 步骤7随机选取分类器训练样本，
[0084] 对降维后的散射特征矩阵[S]重新组织成大小为N1×N2×9的降维三维矩阵[F]，使用步骤4的方法对矩阵[F]进行随机取样，依然选取1％的随机样本。结合地面真值标签得到SVM 分类器的训练样本矩阵[G]。
[0085] 步骤8，训练分类器
[0086] 使用训练样本[G]对SVM分类器进行训练。
[0087] 步骤9，输出分类结果
[0088] 对降维后的散射特征矩阵[S]进行转置，将转置后的矩阵采用训练好的SVM分类模型 进行分类，14类作物分类结果如附图6(a-d)所示，与地面真值相比的分类误差图为附图 6(e-h)，此外附图6中6(a)和误差图附图6(e)是采用复-Wishart方法进行的多时相 分类结果，附图6(b)和误差图6(f)是采用主成分分析法(Principal Component Analysis，PCA), 结合SVM分类器得到的分类结果，附图6(c)和误差图6(g)是
局部线性嵌入算法(Locally Linear Embedding，LLE)降维算法结合SVM分类器得到的分类结果。
[0089] 步骤10，分类结果评价
[0090] 最后对所有的分类结果采用了总体分类精度(Overall Accuary,OA)和kappa系数进行定性评价。复-Wishart多时相分类方法下的结果如表2所示，多种降维方法与发明方法结合SVM分类器的分类结果如表3所示。
[0091] 表2复-Wishart分类方法下的分类精度
[0092]
[0093] 表3各种降维方法下的分类精度对比
[0094]
[0095] 通过结合附图5，并参考表2，和表3的各分类结果对比可知，PolSAR图像的整体分类结果，经过本发明所述的降维方法处理后，它的分类精度能达到更进一步的提高，无论从降维效果和分类精度上都具有明显的优势。
