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>

      非下采樣輪廓波卷積神經網絡的極化sar圖像分類方法_2

      文檔序號:9929868閱讀:來源:國知局
      驟6,構造非下采樣輪廓波卷積神經網絡。
      [0068] (6a)選擇一個由輸入層^卷積層^池化層^卷積層^池化層^全連接層^全連 接層^softmax分類器組成的8層卷積神經網絡,并確定卷積神經網絡的濾波器大小W及各 層的特征映射圖;
      [0069] (6b)用非下采樣輪廓波變換層替換卷積神經網絡中的第2層卷積層,得到非下采 樣輪廓波卷積神經網絡,得到如下8層結構:
      [0070] 輸入層^非下采樣輪廓波變換層^池化層^卷積層^池化層^全連接層^全連 接層一 SOf tmax分類器;
      [0071] 各層的參數為:
      [0072] 第1層輸入層:輸出特征映射圖=3;
      [0073] 第2層非下采樣輪廓波變換層:輸出特征映射圖= 12;
      [0074] 第3層池化層:下采樣尺度=2;
      [0075] 第4層卷積層:輸出特征映射圖=20,濾波器尺寸=4;
      [0076] 第5層池化層:下采樣尺度=2;
      [0077] 第6層全連接層:輸出特征映射圖=100;
      [0078] 第7層全連接層:輸出特征映射圖=64;
      [00巧]第8層SOftmax分類器:輸出特征映射圖= 15。
      [0080] 步驟7,用非下采樣輪廓波卷積神經網絡對訓練數據集進行訓練。
      [0081] 將訓練數據集的特征矩陣作為非下采樣輪廓波卷積神經網絡的輸入,網絡輸出層 是對應的預測類標,通過求解預測類標與人工標記的正確類標之間的誤差,并對誤差進行 反向傳播,優(yōu)化非下采樣輪廓波卷積神經網絡的權值,本發(fā)明誤差反向傳播方式與卷積神 經網絡相同,人工標記的正確類標如圖3所示。
      [0082] 步驟8,利用訓練好的非下采樣輪廓波卷積神經網絡對測試數據集進行分類,得到 極化SAR圖像測試數據集中每個像素點的像素類別。
      [0083] 本發(fā)明的效果可W通過W下仿真實驗進一步說明:
      [0084] 1.仿真條件:
      [00化]仿真實驗采用NASA/肝L實驗室AIRSAR系統(tǒng)的L波段荷蘭Flevoland地區(qū)的全極化 數據,基于化Uli分解得到的圖像大小為750X1024像素點。
      [00化]硬件平臺為:InteKlOXeon(R)CPU E5-2620,2.00GHz*18,內存為64G。
      [0087]軟件平臺為:MATLAB_2014a。
      [008引2.仿真內容與結果:
      [0089] 用本發(fā)明方法在上述仿真條件下進行實驗,即分別從極化SAR數據的每個類別中 隨機選取700個有標記的像素點作為訓練樣本,其余有標記的像素點作為測試樣本,訓練數 據集占樣本總數的6%,得到如圖4的分類結果,從圖4可W看出:除了極少數錯分像素點,分 類結果的區(qū)域一致性較好,輪廓非常清晰。
      [0090] 再依次減少訓練樣本,使訓練數據集占樣本總數的5%、4%、3%,將本發(fā)明與卷積 神經網絡的測試數據集精度W及模型訓練時間進行對比,結果如表1所示:
      [0091] 表1
      [0092]
      [0093] 從表1可見,本發(fā)明在訓練數據集占樣本總數的6%、5%、4%、3%時,測試數據集 精度均高于卷積神經網絡,且需要的模型訓練時間更短;在訓練數據集占樣本總數的3% 時,本發(fā)明可W得到92%的分類精度,而卷積神經網絡的分類精度不收斂。
      [0094] 綜上,本發(fā)明通過在卷積神經網絡中引入非下采樣輪廓波變換有效提高了極化 SAR圖像特征的表達能力,提升分類精度,并減少了模型訓練時間。在樣本數目較少時,優(yōu)勢 明顯。
      【主權項】
      1. 一種非下采樣輪廓波卷積神經網絡的極化SAR圖像分類方法,包括: (1) 對待分類的極化SAR圖像進行去噪,得到極化SAR圖像濾波后的極化散射矩陣S; (2) 對濾波后的極化散射矩陣S進行Pauli分解,將Pauli分解得到的奇次散射、偶次散 射、體散射的值作為極化SAR圖像的圖像特征; (3) 將Pauli分解得到的圖像特征組合成極化SAR圖像的基于像素點的特征矩陣F,每個 像素點對應3維Pauli分解特征,并將F中的元素值歸一化到[0,1 ]之間,記作F1; (4) 對每個像素點取F1周圍22X22的塊,得到基于塊的特征矩陣F2,即每個像素點對應 3個22X22的塊; (5) 從基于塊的特征矩陣F2中選取訓練數據集和測試數據集: (5a)將極化SAR圖像地物分為15類,分別從每個類別中隨機選取N個有標記的像素點作 為訓練樣本D1,其余有標記的像素點作為測試樣本ΤΙ,N取300~700之間的整數; (5b)用Canny算子提取極化SAR圖像的邊緣點,在訓練樣本D1中加入Canny算子提取的 邊緣點,即增加置信度較高的訓練樣本,得到更新后的訓練數據集D和測試數據集T; (6) 構造非下采樣輪廓波卷積神經網絡: (6a)選擇一個由輸入層-卷積層-池化層-卷積層-池化層-全連接層-全連接層 -softmax分類器組成的8層卷積神經網絡,并確定卷積神經網絡的濾波器大小以及各層的 特征映射圖; (6b)用非下采樣輪廓波變換層替換卷積神經網絡中的第2層卷積層,得到非下采樣輪 廓波卷積神經網絡; (7) 用非下采樣輪廓波卷積神經網絡對訓練數據集進行訓練; (8) 利用訓練好的非下采樣輪廓波卷積神經網絡對測試數據集進行分類,得到極化SAR 圖像測試數據集中每個像素點的像素類別。2. 根據權利要求1所述的非下采樣輪廓波卷積神經網絡的極化SAR圖像分類方法,其中 步驟(1)中對待分類的極化SAR圖像進行去噪,采用精致極化LEE濾波法,其步驟如下: (la) 設定精致極化LEE濾波的滑動窗口,該滑動窗口的大小為5 X 5像素; (lb) 將滑動窗口在輸入的極化SAR圖像的像素上,從左到右、從上到下漫游,每漫游一 步時,將滑動窗口按照像素空間位置,從左到右、從上到下依次分成9個子窗口,每個子窗口 的大小為3 X 3像素,子窗口之間有重疊; (lc) 將每個子窗口對應位置的像素值求均值,將所得到的均值構成3 X 3像素的均值窗 P; (1 d)選取水平、垂直、45度和135度的四個方向的梯度模版,將均值窗口分別與四個模 版進行加權,對所得到的加權結果求絕對值,選出所有絕對值中的最大值,將該最大值對應 的方向作為邊緣方向; (le) 從9個子窗口中取中心窗口邊緣方向的左右2個子窗口,分別對這2個子窗口內的 所有像素值求均值,用得到的2個均值分別減去中心窗口所有像素值的均值,將均值差值中 絕對值小的值所對應的子窗口作為方向窗口,其中,中心窗口是指5 X 5窗口中心的3 X 3的 子窗口; (lf) 按照式〈1>,得到精致極化LEE濾波的權值: <1> 其中,b表示精致極化LEE濾波的權值,var(y)表示方向窗口內極化SAR總功率圖像像素 的方差值,y表示方向窗口內極化SAR總功率圖像的像素,p表示方向窗口內極化SAR總功率 圖像所有像素的均值,表示輸入的極化SAR圖像相干斑噪聲的方差值。 (lg) 按照式〈2>,得到濾波后極化SAR圖像中心像素的極化相干矩陣T: T=w+b(z-w), <2> 其中,w表示方向窗口內極化SAR圖像像素的極化相干矩陣的均值,b表示精致LEE濾波 的權值,z表示極化SAR圖像中心像素的極化相干矩陣。 (lh) 按照式〈3>,可求得水平發(fā)射且水平接收的散射分量SHH、垂直發(fā)射且垂直接收的散 射分量Sw、水平發(fā)射且垂直接收的散射分量Shv:<3> 其中,Tn、T22、T33為極化相干矩陣T的對角線上元素。3.根據權利要求1所述的非下采樣輪廓波卷積神經網絡的極化SAR圖像分類方法,其中 步驟(2)中對濾波后的極化散射矩陣S進行Pauli分解,其步驟如下: (2a)定義基本的散射矩陣,稱為Pauli基:{Sa,Sb,S。,Sd},公式如下:<4> 其中Λ Y表不奇次散射,Λ \表不偶次散射,< Λ表不體散射,Λ_表不不 οι」 L〇 _1」 L]- 卜.〇 存在的地物類型,因此d取值為0; (2b)根據式〈4>定義的Pauli基,得到極化散射矩陣S的表達式:<:5> 其中a對應奇次散射的值,b對應偶次散射的值,c表示體散射的值,d表示不存在的地物 類型所對應散射成分的值; (2c)求解式〈5>,得到散射值a、b、c、d,將其表示為向量形式如下:當滿足互易條件SHV= S?時,式〈6>簡化為:將式〈3>求得的Shh、Sw、Shv代入式〈7>,求得極化特征K。4. 根據權利要求1所述的非下采樣輪廓波卷積神經網絡的極化SAR圖像分類方法,其中 步驟(3)中對基于像素點的特征矩陣F歸一化,采用特征線性縮放法,即先求出特征矩陣F的 最大值max(F);再將特征矩陣F中的每個元素均除以最大值max(F),得到歸一化的特征矩陣 Fl〇5. 根據權利要求1所述的非下采樣輪廓波卷積神經網絡的極化SAR圖像分類方法,其中 步驟(6b)中的非下采樣輪廓波卷積神經網絡,其結構為8層,表示為: 輸入層-非下采樣輪廓波變換層-池化層-卷積層-池化層-全連接層-全連接層 -softmax分類器 各層的參數為: 第1層輸入層:輸出特征映射圖=3; 第2層非下采樣輪廓波變換層:輸出特征映射圖=12; 第3層池化層:下采樣尺度=2。 第4層卷積層:輸出特征映射圖=20,濾波器尺寸=4; 第5層池化層:下采樣尺度=2; 第6層全連接層:輸出特征映射圖=100; 第7層全連接層:輸出特征映射圖=64; 第8層sof tmax分類器:輸出特征映射圖=15 〇
      【專利摘要】本發(fā)明公開了一種基于非下采樣輪廓波卷積神經網絡的極化SAR圖像分類方法,主要解決現(xiàn)有技術難以避免相干斑噪聲的影響及分類精度低的問題,其實現(xiàn)步驟是:對待分類的極化SAR圖像進行去噪,對去噪得到的極化散射矩陣S進行Pauli分解;將Pauli分解得到的圖像特征組合成特征矩陣F,并對其歸一化,記作F1;對每個像素點取F1周圍的22×22塊,得到基于塊的特征矩陣F2;從F2中選取訓練數據集和測試數據集;構造非下采樣輪廓波卷積神經網絡,對訓練數據集進行訓練;利用訓練好的非下采樣輪廓波卷積神經網絡對測試數據集進行分類。本發(fā)明提高了極化SAR圖像特征的表達能力和分類精度,可用于目標識別。
      【IPC分類】G06K9/62, G06N3/02
      【公開號】CN105718957
      【申請?zhí)枴緾N201610051110
      【發(fā)明人】焦李成, 楊淑媛, 馬麗媛, 趙佳琦, 馬文萍, 馬晶晶, 劉紅英, 尚榮華, 侯彪
      【申請人】西安電子科技大學
      【公開日】2016年6月29日
      【申請日】2016年1月26日
      當前第2頁1 2 
      網友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1