国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      基于變長(zhǎng)增量型極限學(xué)習(xí)機(jī)的sar圖像分類(lèi)方法

      文檔序號(hào):9929871閱讀:577來(lái)源:國(guó)知局
      基于變長(zhǎng)增量型極限學(xué)習(xí)機(jī)的sar圖像分類(lèi)方法
      【技術(shù)領(lǐng)域】
      [0001] 本發(fā)明屬于目標(biāo)識(shí)別領(lǐng)域,尤其設(shè)及一種基于變長(zhǎng)增量型極限學(xué)習(xí)機(jī)的SAR圖像 分類(lèi)方法。
      【背景技術(shù)】
      [0002] SAR圖像分類(lèi)是SAR圖像目標(biāo)識(shí)別系統(tǒng)中一個(gè)關(guān)鍵的步驟,主要根據(jù)給定圖像的特 征識(shí)別物體的屬性,將有相似屬性的地物劃分為一類(lèi),為圖像上的每一個(gè)像素標(biāo)記所對(duì)應(yīng) 的類(lèi)別。在SAR圖像中,不同區(qū)域、目標(biāo)根據(jù)受其本身固有屬性的影響,會(huì)顯示出不同的紋理 特性。分類(lèi)器的選擇則決定了識(shí)別的有效性,提升分類(lèi)器的準(zhǔn)確性實(shí)時(shí)性,軍事上可W提升 偵查的自動(dòng)化水平、攻防的實(shí)時(shí)性W及戰(zhàn)略預(yù)警能力;民用方面,可W進(jìn)一步加強(qiáng)災(zāi)難防控 能力、地質(zhì)海洋結(jié)構(gòu)測(cè)繪準(zhǔn)確性。
      [0003] 與光學(xué)圖像相比,SAR圖像自動(dòng)目標(biāo)識(shí)別發(fā)展還有待完善,其研究難度主要表現(xiàn)在 識(shí)別有效性較低,很多算法雖然能夠成功解決光學(xué)圖像問(wèn)題,但是運(yùn)用到SAR圖像時(shí),識(shí)別 精度往往達(dá)不到標(biāo)準(zhǔn)。許多機(jī)器學(xué)習(xí)的模型,比如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、貝葉斯方法等作 為分類(lèi)器被相繼被應(yīng)用到SAR圖像目標(biāo)識(shí)別系統(tǒng)中。神經(jīng)網(wǎng)絡(luò)方法具有良好的推廣能力、魯 棒性W及容錯(cuò)性的特性,因此對(duì)解決分類(lèi)問(wèn)題具有明顯的優(yōu)勢(shì)。
      [0004] 極限學(xué)習(xí)機(jī)基于一種新的單隱含層前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練模式,訓(xùn)練過(guò)程中唯一需要 調(diào)整的只有隱層節(jié)點(diǎn)數(shù),是一種高效的網(wǎng)絡(luò)訓(xùn)練算法。將極限學(xué)習(xí)機(jī)應(yīng)用于雷達(dá)信號(hào)分析 的研究相繼出現(xiàn):Avci ,Engin通過(guò)使用遺傳算法計(jì)算最佳的小波賭參數(shù)值,設(shè)計(jì)了基于遺 傳小波的極限學(xué)習(xí)機(jī)分類(lèi)器模型,該模型可完成雷達(dá)回波信號(hào)的自適應(yīng)特征提取和分類(lèi)。 Samat Alim等將主動(dòng)學(xué)習(xí)與極限學(xué)習(xí)機(jī)相結(jié)合提出了主動(dòng)極限學(xué)習(xí)機(jī),并將該算法用于解 決極化SAR圖像分類(lèi)問(wèn)題。
      [0005] 雖然W上改進(jìn)型極限學(xué)習(xí)機(jī)在解決SAR圖像分類(lèi)問(wèn)題時(shí)能夠獲得較好的識(shí)別效 果,但是訓(xùn)練時(shí)間較長(zhǎng)。變長(zhǎng)增量型極限學(xué)習(xí)機(jī)在收斂速度和網(wǎng)絡(luò)訓(xùn)練效率上取得平衡,相 較于同樣識(shí)別效果的分類(lèi)器,變長(zhǎng)增量型極限學(xué)習(xí)機(jī)在訓(xùn)練效率上得到大幅提升。

      【發(fā)明內(nèi)容】

      [0006] 發(fā)明目的:為了克服現(xiàn)有技術(shù)中存在的不足,本發(fā)明提出一種基于變長(zhǎng)增量型極 限學(xué)習(xí)機(jī)的SAR圖像分類(lèi)方法,達(dá)到操作步驟簡(jiǎn)單、可靠性高、高效且識(shí)別精度高的效果。
      [0007] 技術(shù)方案:為了解決現(xiàn)有SAR圖像分類(lèi)的訓(xùn)練時(shí)間長(zhǎng)、正確率不高的問(wèn)題,本發(fā)明 的基于變長(zhǎng)增量型極限學(xué)習(xí)機(jī)的SAR圖像分類(lèi)方法,包括W下步驟:
      [000引(1)對(duì)待分類(lèi)的SAR圖像進(jìn)行圖像預(yù)處理操作,對(duì)預(yù)處理后圖像中的每個(gè)待分類(lèi)像 素,W該待分類(lèi)像素為中屯、像素,并將該中屯、像素周?chē)A(yù)先設(shè)定的區(qū)域作為待分類(lèi)樣本;
      [0009] (2)在SAR圖像數(shù)據(jù)庫(kù)樣本集中,分別在不同類(lèi)別的樣本集中采集訓(xùn)練樣本構(gòu)成訓(xùn) 練樣本集P,所述訓(xùn)練樣本的大小與所述待分類(lèi)樣本大小相同;
      [0010] (3)對(duì)待分類(lèi)的SAR圖像的所有待分類(lèi)樣本,所有訓(xùn)練樣本分別提取基于灰度共生 矩陣的紋理特征和基于Gabor濾波的紋理特征;
      [0011] (4)對(duì)步驟(3)中提取的紋理特征進(jìn)行融合,采用串行方法組合和主分量分析方法 降維得到融合后的特征向量;
      [0012] (5)基于所述融合后的特征向量,利用所述訓(xùn)練樣本集P訓(xùn)練變長(zhǎng)增量型極限學(xué)習(xí) 機(jī)得到訓(xùn)練好的分類(lèi)器;
      [0013] (6)基于所述融合后的特征向量,將所述待分類(lèi)樣本輸入到所述訓(xùn)練好的分類(lèi)器 中,得到待分類(lèi)樣本的類(lèi)別,W待分類(lèi)樣本的類(lèi)別作為對(duì)應(yīng)中屯、像素的類(lèi)別,得到最終的 SAR圖像分類(lèi)結(jié)果。
      [0014] 其中,步驟(1)中所述中屯、像素周?chē)A(yù)先設(shè)定的區(qū)域?yàn)閃所述中屯、像素為頂點(diǎn),且 包含2S X 2S個(gè)像素的方形區(qū)域。
      [0015] 其中,步驟(4)中所述采用串行方法組合和主分量分析方法降維得到融合后的特 征向量,具體為:
      [0016] (4a)對(duì)于任意待分類(lèi)樣本和訓(xùn)練樣本,將該樣本的所述基于灰度共生矩陣的紋理 特征與所述基于Gabor濾波的紋理特征首尾相連,串行組合形成相應(yīng)樣本的組合特征向量;
      [0017] (4b)對(duì)所有樣本的組合特征進(jìn)行基于主分量分析的線性降維方法,降維后特征的 維數(shù)范圍為2至該組合特征向量的維度,對(duì)比該范圍內(nèi)所有維度下的降維特征可分度后,選 擇其中可分度最高的維數(shù)作為降維后的維數(shù)。
      [0018] 其中,步驟(5)中利用所述訓(xùn)練樣本集P訓(xùn)練變長(zhǎng)增量型極限學(xué)習(xí)機(jī)得到訓(xùn)練好的 分類(lèi)器,包括W下步驟:
      [0019] 1)對(duì)所述訓(xùn)練樣本集P,其訓(xùn)練樣本總量為M,記第i個(gè)訓(xùn)練樣本為:p(xi,yi),其中 Xi = [Xii,Xi2,. . . Xin]T為融合后的特征向量,yi為第i個(gè)訓(xùn)練樣本的類(lèi)別標(biāo)記,i = 1,2,..-M;
      [0020] 2)隱層節(jié)點(diǎn)數(shù)目初始值為L(zhǎng) = O,網(wǎng)絡(luò)誤差向量e初始值為期望輸出,即e = T,T為期 望輸出,T= [yi,y2,- ,捜索次數(shù)k = 0,當(dāng)前增加的隱層節(jié)點(diǎn)數(shù)目a初始值為MinNum,給 定期望的訓(xùn)練誤差e作為訓(xùn)練停止的標(biāo)志,最大捜索次數(shù)為K,激活函數(shù)為sigmoid函數(shù):h (t) = l/(l+exp(-t));
      [0021] 3)判定網(wǎng)絡(luò)誤差向量e的長(zhǎng)度是否小于給定期望的訓(xùn)練誤差e,即I I e||<e,如果是 則終止訓(xùn)練;否則,跳到步驟4);
      [0022] 4)前一時(shí)刻相關(guān)參量用*作為上標(biāo)W示區(qū)分,記錄前一時(shí)刻網(wǎng)絡(luò)相關(guān)參數(shù),a* = a, e 本= e,L本=L;
      [0023] 5)根據(jù)L*的值調(diào)整a的值,計(jì)算當(dāng)前時(shí)刻隱層節(jié)點(diǎn)數(shù)目L = L*+a;
      [0024] 6)捜素次數(shù)k = 0,計(jì)算隱含層的輸出矩陣化*1,如,^),其表達(dá)式如下:
      [0025]
      [002引町=[司,《^,...*山...師山為輸入層與第^'個(gè)隱層單元相連的權(quán)值0 = 1,2,..丄, bj為第j個(gè)隱層單元的偏置,新增Cl個(gè)結(jié)點(diǎn)的連接權(quán)值W和b選取[-1,1]進(jìn)行隨機(jī)初始化,已 存在結(jié)點(diǎn)保持原有權(quán)值;
      [0027] 7)根據(jù)所述輸出矩陣H( WL,k,X)計(jì)算輸出權(quán)值化;
      [002引8)更新捜索次數(shù)k = k+l,計(jì)算網(wǎng)絡(luò)輸出誤差ek = e*-引|H(WL,bL,x)M ;
      [0029] 9)通過(guò)隨機(jī)捜索找到下降最快的網(wǎng)絡(luò)誤差e={ek|min(||ei| 1,...,1 |em| I)},并 保存對(duì)應(yīng)的連接權(quán)值KA) = _。||/|[[,如果k如跳轉(zhuǎn)到步驟3);否則跳轉(zhuǎn) 到步驟8)。
      [0030] 進(jìn)一步地,步驟5)中根據(jù)L*的值調(diào)整a的值,具體為:
      [0031 ]當(dāng)L* < 1 時(shí),a二Q*;
      [0032] 當(dāng)L*〉2時(shí),假設(shè)當(dāng)前網(wǎng)絡(luò)收斂速度變化量A P二Ae-Ae^, Ae為網(wǎng)絡(luò)訓(xùn)練樣本輸 出誤差平方和的變化量Ae= MeM2-I |e*| |2,a與a*的關(guān)系為:
      [0033]
      [0034]
      [0035]
      [0036] 本發(fā)明與現(xiàn)有SAR圖像分類(lèi)算法相比的優(yōu)點(diǎn)在于:本發(fā)明中的SAR圖像分類(lèi)方法將 像素周?chē)A(yù)設(shè)的區(qū)域作為評(píng)定該像素類(lèi)別的樣本,能充分反映該像素的紋理特性;對(duì)待分 類(lèi)圖像進(jìn)行包括小波去噪方法、圖像直方圖均衡化增強(qiáng)方法在內(nèi)的預(yù)處理方法,提高了圖 像質(zhì)量與分類(lèi)性能;利用變長(zhǎng)增量型極限學(xué)習(xí)機(jī)方法對(duì)SAR圖像分類(lèi),該算法泛化性能好, 分類(lèi)精度高;又利用網(wǎng)絡(luò)輸出誤差的變化率控制網(wǎng)絡(luò)增長(zhǎng)速度,避免隨機(jī)捜索的時(shí)間消耗, 訓(xùn)練速度快,運(yùn)行時(shí)間短。
      【附圖說(shuō)明】
      [0037] 圖1是本發(fā)明中基于變長(zhǎng)增量型極限學(xué)習(xí)機(jī)的SAR圖像分類(lèi)方法的流程圖;
      [0038] 圖2是待分類(lèi)樣本的像素點(diǎn)示意圖;
      [0039] 圖3是實(shí)施例1中仿真使用的待分類(lèi)SAR圖像;
      [0040] 圖4是圖3的分類(lèi)結(jié)果圖;
      [0041] 圖5是實(shí)施例2中仿真使用的待分類(lèi)SAR圖像;
      [0042] 圖6是圖5的分類(lèi)結(jié)果圖。
      【具體實(shí)施方式】
      [0043] 下面將參照附圖對(duì)本發(fā)明進(jìn)行說(shuō)明。
      [0044] 圖1中,基于變長(zhǎng)增量型極限學(xué)習(xí)機(jī)的SAR圖像分類(lèi)方法包括W下步驟:
      [0045] (1)對(duì)待分類(lèi)的SAR圖像進(jìn)行常規(guī)的圖像預(yù)處理操作,W預(yù)處理后圖像中的任意待 分類(lèi)像素為中屯、像素構(gòu)造待分類(lèi)樣本;
      [0046] (2)在SAR圖像數(shù)據(jù)庫(kù)樣本集中,分別在不同類(lèi)別的樣本集采集訓(xùn)練樣本構(gòu)成訓(xùn)練 樣本集;
      [0047] (3)對(duì)待分類(lèi)的SAR圖像的所有待分類(lèi)樣本、訓(xùn)練樣本分別提取基于灰度共生矩陣 的紋理特征和基于Gabor濾波的紋理特征;
      [0048] (4)對(duì)步驟(3)中提取的紋理特征進(jìn)行融合,采用串行方法組合和主分量分析方法 降維得到融合后的特征向量;
      [0049] (5)基于融合后的特征向量,利用訓(xùn)練樣本集訓(xùn)練變長(zhǎng)增量型極限學(xué)習(xí)機(jī);
      [0050] (6)基于融合后的特征向量,將待分類(lèi)樣本輸入到訓(xùn)練好的分類(lèi)器中,得到待分類(lèi) 樣本的類(lèi)別,W待分類(lèi)樣本的類(lèi)別作為對(duì)應(yīng)中屯、像素的類(lèi)別,得到最終的SAR圖像分類(lèi)結(jié) 果。
      [0051] 本發(fā)明中將變長(zhǎng)增量型極限學(xué)習(xí)機(jī)作為分類(lèi)器,具有泛化性能好、訓(xùn)練效率高的 優(yōu)勢(shì),解決SAR圖像分類(lèi)的訓(xùn)練時(shí)間長(zhǎng)、正確率不高的問(wèn)題。下面W2個(gè)實(shí)施例對(duì)本發(fā)明方法 做進(jìn)一步具體的介紹。
      [0化2]實(shí)施例1:
      [0053] 圖3中的待分類(lèi)SAR數(shù)據(jù)圖像來(lái)自于美國(guó)新墨西哥州的Mbuque巧Ue城中的一處河 流,是Ku波段、分辨率為Im的圖像,該圖像的像素大小為256*256,圖像區(qū)域地物可分為3類(lèi): 植被、河流、農(nóng)作物,即每個(gè)像素的類(lèi)別為該3類(lèi)中的一種,在進(jìn)行SAR圖像分類(lèi)是該圖像所 設(shè)及到的類(lèi)別是未知的,本實(shí)施中利用基于變長(zhǎng)增量型極限學(xué)習(xí)機(jī)的SAR圖像分類(lèi)方法的 目的是獲取該SAR圖像中的3種不同類(lèi)別,將有相似屬性的地物劃分為一類(lèi),為圖像上的每 一個(gè)像素標(biāo)記所對(duì)應(yīng)的類(lèi)別。
      [0054] 利用本發(fā)明中的基于變長(zhǎng)增量型極限學(xué)習(xí)機(jī)的SAR圖像分類(lèi)方法對(duì)圖3中的待分 類(lèi)SAR圖像進(jìn)行分類(lèi)包括W下步驟:
      [0055] (1)對(duì)待分類(lèi)的SAR圖像進(jìn)行常規(guī)的圖像預(yù)處理操作,該預(yù)處理操作主要包括去 噪、圖像增強(qiáng),W預(yù)處理后的圖像中任意待分類(lèi)像素為中屯、像素,并W中屯、像素周?chē)A(yù)先設(shè) 定的區(qū)域作為待分類(lèi)樣本;
      [0056] 上述中屯、像素周?chē)A(yù)先設(shè)定的區(qū)域指的是一包含2SX2S個(gè)像素,其中S取大于0的 正整數(shù),且包括該中屯、像素的一個(gè)像素區(qū)域,本實(shí)施例中采用如圖2所示的16X16區(qū)域,其 中每個(gè)小方格表示一個(gè)像素,畫(huà)斜線的像素為中屯、像素;當(dāng)然,預(yù)先設(shè)定的區(qū)域也不限于 此,次操作主要是為了降低計(jì)算量,將獲取每個(gè)中屯、像素的類(lèi)別轉(zhuǎn)變?yōu)楂@取待分類(lèi)樣本的 類(lèi)別。按照預(yù)先設(shè)定的區(qū)域,有些像素將無(wú)法滿(mǎn)足相應(yīng)條件,例如,本實(shí)施例中對(duì)于某些邊 界像素,便沒(méi)有相應(yīng)的待分類(lèi)樣本,在本實(shí)施例中將能夠獲取到待分類(lèi)樣本的像素稱(chēng)為待 分類(lèi)像素。
      [0057] (2)在預(yù)先已經(jīng)構(gòu)建好的SAR圖像數(shù)據(jù)庫(kù)中,該數(shù)據(jù)庫(kù)中包括了4種類(lèi)別的樣本集, 分別為:植被、河流和巧巾農(nóng)作物,從不同類(lèi)別的樣本集中采集訓(xùn)練樣本,采用均衡樣本訓(xùn) 練,即各個(gè)類(lèi)別訓(xùn)練樣本數(shù)目相等,在四個(gè)類(lèi)別中各取大小為16X16的100張圖片樣本作為 訓(xùn)練樣本,運(yùn)些樣本構(gòu)成訓(xùn)練樣本集P,同時(shí)保留每個(gè)樣本的類(lèi)別信息,訓(xùn)練樣本總量為M = 400
      當(dāng)前第1頁(yè)1 2 
      網(wǎng)友詢(xún)問(wèn)留言 已有0條留言
      • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1