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