基于變長增量型極限學(xué)習(xí)機的sar圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于目標識別領(lǐng)域，尤其設(shè)及一種基于變長增量型極限學(xué)習(xí)機的SAR圖像 分類方法。
【背景技術(shù)】
[0002] SAR圖像分類是SAR圖像目標識別系統(tǒng)中一個關(guān)鍵的步驟，主要根據(jù)給定圖像的特 征識別物體的屬性，將有相似屬性的地物劃分為一類，為圖像上的每一個像素標記所對應(yīng) 的類別。在SAR圖像中，不同區(qū)域、目標根據(jù)受其本身固有屬性的影響，會顯示出不同的紋理 特性。分類器的選擇則決定了識別的有效性，提升分類器的準確性實時性，軍事上可W提升 偵查的自動化水平、攻防的實時性W及戰(zhàn)略預(yù)警能力；民用方面，可W進一步加強災(zāi)難防控 能力、地質(zhì)海洋結(jié)構(gòu)測繪準確性。
[0003] 與光學(xué)圖像相比，SAR圖像自動目標識別發(fā)展還有待完善，其研究難度主要表現(xiàn)在 識別有效性較低，很多算法雖然能夠成功解決光學(xué)圖像問題，但是運用到SAR圖像時，識別 精度往往達不到標準。許多機器學(xué)習(xí)的模型，比如神經(jīng)網(wǎng)絡(luò)、支持向量機、貝葉斯方法等作 為分類器被相繼被應(yīng)用到SAR圖像目標識別系統(tǒng)中。神經(jīng)網(wǎng)絡(luò)方法具有良好的推廣能力、魯 棒性W及容錯性的特性，因此對解決分類問題具有明顯的優(yōu)勢。
[0004] 極限學(xué)習(xí)機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)練過程中唯一需要 調(diào)整的只有隱層節(jié)點數(shù)，是一種高效的網(wǎng)絡(luò)訓(xùn)練算法。將極限學(xué)習(xí)機應(yīng)用于雷達信號分析 的研究相繼出現(xiàn):Avci ,Engin通過使用遺傳算法計算最佳的小波賭參數(shù)值，設(shè)計了基于遺 傳小波的極限學(xué)習(xí)機分類器模型，該模型可完成雷達回波信號的自適應(yīng)特征提取和分類。 Samat Alim等將主動學(xué)習(xí)與極限學(xué)習(xí)機相結(jié)合提出了主動極限學(xué)習(xí)機，并將該算法用于解 決極化SAR圖像分類問題。
[0005] 雖然W上改進型極限學(xué)習(xí)機在解決SAR圖像分類問題時能夠獲得較好的識別效 果，但是訓(xùn)練時間較長。變長增量型極限學(xué)習(xí)機在收斂速度和網(wǎng)絡(luò)訓(xùn)練效率上取得平衡，相 較于同樣識別效果的分類器，變長增量型極限學(xué)習(xí)機在訓(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增量型極 限學(xué)習(xí)機的SAR圖像分類方法，達到操作步驟簡單、可靠性高、高效且識別精度高的效果。
[0007] 技術(shù)方案:為了解決現(xiàn)有SAR圖像分類的訓(xùn)練時間長、正確率不高的問題，本發(fā)明 的基于變長增量型極限學(xué)習(xí)機的SAR圖像分類方法，包括W下步驟：
[000引（1)對待分類的SAR圖像進行圖像預(yù)處理操作，對預(yù)處理后圖像中的每個待分類像 素，W該待分類像素為中屯、像素，并將該中屯、像素周圍預(yù)先設(shè)定的區(qū)域作為待分類樣本；
[0009] (2)在SAR圖像數(shù)據(jù)庫樣本集中，分別在不同類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樣本大小相同；
[0010] (3)對待分類的SAR圖像的所有待分類樣本，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)對步驟(3)中提取的紋理特征進行融合，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)練變長增量型極限學(xué)習(xí) 機得到訓(xùn)練好的分類器；
[0013] (6)基于所述融合后的特征向量，將所述待分類樣本輸入到所述訓(xùn)練好的分類器 中，得到待分類樣本的類別，W待分類樣本的類別作為對應(yīng)中屯、像素的類別，得到最終的 SAR圖像分類結(jié)果。
[0014] 其中，步驟（1)中所述中屯、像素周圍預(yù)先設(shè)定的區(qū)域為W所述中屯、像素為頂點，且 包含2S X 2S個像素的方形區(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)對于任意待分類樣本和訓(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)對所有樣本的組合特征進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)練變長增量型極限學(xué)習(xí)機得到訓(xùn)練好的 分類器，包括W下步驟：
[0019] 1)對所述訓(xùn)練樣本集P，其訓(xùn)練樣本總量為M，記第i個訓(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個訓(xùn)練樣本的類別標記，i = 1,2，..-M;
[0020] 2)隱層節(jié)點數(shù)目初始值為L = 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，當前增加的隱層節(jié)點數(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)前一時刻相關(guān)參量用*作為上標W示區(qū)分，記錄前一時刻網(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，計算當前時刻隱層節(jié)點數(shù)目L = L*+a;
[0024] 6)捜素次數(shù)k = 0,計算隱含層的輸出矩陣化*1，如，^)，其表達式如下：
[0025]
[002引町=[司，《^，...*山...師山為輸入層與第^'個隱層單元相連的權(quán)值0 = 1，2，..丄， bj為第j個隱層單元的偏置，新增Cl個結(jié)點的連接權(quán)值W和b選取[-1,1]進行隨機初始化，已 存在結(jié)點保持原有權(quán)值；
[0027] 7)根據(jù)所述輸出矩陣H( WL，k，X)計算輸出權(quán)值化；
[002引8)更新捜索次數(shù)k = k+l，計算網(wǎng)絡(luò)輸出誤差ek = e*-引|H(WL，bL，x)M ;
[0029] 9)通過隨機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] 進一步地，步驟5)中根據(jù)L*的值調(diào)整a的值，具體為：
[0031 ]當L* < 1 時，a二Q*;
[0032] 當L*〉2時，假設(shè)當前網(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圖像分類算法相比的優(yōu)點在于:本發(fā)明中的SAR圖像分類方法將 像素周圍預(yù)設(shè)的區(qū)域作為評定該像素類別的樣本，能充分反映該像素的紋理特性;對待分 類圖像進行包括小波去噪方法、圖像直方圖均衡化增強方法在內(nèi)的預(yù)處理方法，提高了圖 像質(zhì)量與分類性能；利用變長增量型極限學(xué)習(xí)機方法對SAR圖像分類，該算法泛化性能好， 分類精度高;又利用網(wǎng)絡(luò)輸出誤差的變化率控制網(wǎng)絡(luò)增長速度，避免隨機捜索的時間消耗， 訓(xùn)練速度快，運行時間短。
【附圖說明】
[0037] 圖1是本發(fā)明中基于變長增量型極限學(xué)習(xí)機的SAR圖像分類方法的流程圖；
[0038] 圖2是待分類樣本的像素點示意圖；
[0039] 圖3是實施例1中仿真使用的待分類SAR圖像；
[0040] 圖4是圖3的分類結(jié)果圖；
[0041] 圖5是實施例2中仿真使用的待分類SAR圖像；
[0042] 圖6是圖5的分類結(jié)果圖。
【具體實施方式】
[0043] 下面將參照附圖對本發(fā)明進行說明。
[0044] 圖1中，基于變長增量型極限學(xué)習(xí)機的SAR圖像分類方法包括W下步驟：
[0045] (1)對待分類的SAR圖像進行常規(guī)的圖像預(yù)處理操作，W預(yù)處理后圖像中的任意待 分類像素為中屯、像素構(gòu)造待分類樣本；
[0046] (2)在SAR圖像數(shù)據(jù)庫樣本集中，分別在不同類別的樣本集采集訓(xùn)練樣本構(gòu)成訓(xùn)練 樣本集；
[0047] (3)對待分類的SAR圖像的所有待分類樣本、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)對步驟(3)中提取的紋理特征進行融合，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)練變長增量型極限學(xué)習(xí)機；
[0050] (6)基于融合后的特征向量，將待分類樣本輸入到訓(xùn)練好的分類器中，得到待分類 樣本的類別，W待分類樣本的類別作為對應(yīng)中屯、像素的類別，得到最終的SAR圖像分類結(jié) 果。
[0051] 本發(fā)明中將變長增量型極限學(xué)習(xí)機作為分類器，具有泛化性能好、訓(xùn)練效率高的 優(yōu)勢，解決SAR圖像分類的訓(xùn)練時間長、正確率不高的問題。下面W2個實施例對本發(fā)明方法 做進一步具體的介紹。
[0化2]實施例1:
[0053] 圖3中的待分類SAR數(shù)據(jù)圖像來自于美國新墨西哥州的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： 植被、河流、農(nóng)作物，即每個像素的類別為該3類中的一種，在進行SAR圖像分類是該圖像所 設(shè)及到的類別是未知的，本實施中利用基于變長增量型極限學(xué)習(xí)機的SAR圖像分類方法的 目的是獲取該SAR圖像中的3種不同類別，將有相似屬性的地物劃分為一類，為圖像上的每 一個像素標記所對應(yīng)的類別。
[0054] 利用本發(fā)明中的基于變長增量型極限學(xué)習(xí)機的SAR圖像分類方法對圖3中的待分 類SAR圖像進行分類包括W下步驟：
[0055] (1)對待分類的SAR圖像進行常規(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，W預(yù)處理后的圖像中任意待分類像素為中屯、像素，并W中屯、像素周圍預(yù)先設(shè) 定的區(qū)域作為待分類樣本；
[0056] 上述中屯、像素周圍預(yù)先設(shè)定的區(qū)域指的是一包含2SX2S個像素，其中S取大于0的 正整數(shù)，且包括該中屯、像素的一個像素區(qū)域，本實施例中采用如圖2所示的16X16區(qū)域，其 中每個小方格表示一個像素，畫斜線的像素為中屯、像素；當然，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算量，將獲取每個中屯、像素的類別轉(zhuǎn)變?yōu)楂@取待分類樣本的 類別。按照預(yù)先設(shè)定的區(qū)域，有些像素將無法滿足相應(yīng)條件，例如，本實施例中對于某些邊 界像素，便沒有相應(yīng)的待分類樣本，在本實施例中將能夠獲取到待分類樣本的像素稱為待 分類像素。
[0057] (2)在預(yù)先已經(jīng)構(gòu)建好的SAR圖像數(shù)據(jù)庫中，該數(shù)據(jù)庫中包括了4種類別的樣本集， 分別為:植被、河流和巧巾農(nóng)作物，從不同類別的樣本集中采集訓(xùn)練樣本，采用均衡樣本訓(xùn) 練，即各個類別訓(xùn)練樣本數(shù)目相等，在四個類別中各取大小為16X16的100張圖片樣本作為 訓(xùn)練樣本，運些樣本構(gòu)成訓(xùn)練樣本集P，同時保留每個樣本的類別信息，訓(xùn)練樣本總量為M = 400