以往忽视了三幅图在空间和时间 上的相关性信息。
[0066] 实施例3
[0067]基于DBN模型的干涉SAR图像分类方法同实施例1-2,其中步骤3中微调整阶段包括 有如下步骤：
[0068] 3.2.1计算每一层的灵敏度δ
[0069] 5i = 〇i( l-〇i) (di-〇i)
[0070] 〇1表示第i个节点实际的输出；ck表示第i个节点的期望输出；δ表示灵敏度。
[0071] 在第1个隐含层里，灵敏度δ的计算根据下式计算：
[0073] 式中，g表示第1个隐含层的第i个节点实际输出。
[0074] 3.2.2获取到每层的灵敏度δ之后，DBN网络结构各网络层权值根据下式更新：
[0077] 式中，efine-turning为微调整学习率，1为隐含层序号。
[0078] 实施例4
[0079]基于DBN模型的干涉SAR图像分类方法同实施例1 -3，其中步骤3中DBN模型参数调 整和确定过程包括有如下步骤：
[0080] DBN模型参数主要包括：网络层数、每层节点数、学习，以上这些参数对分类效果影 响较大，批训练mini - batch-般根据样本数量大小来选定，当数据量比较大时候，对应的 mini-batch也较大，迭代次数一般根据实验来确定，这些参数一般根据经验和实验数据来 选定。
[0081 ] a.把DBN模型预训练和微调学习率均初始设置为0.05，mini - batch为100,迭代次 数设置为20,节点数为100,隐含层数从{2,3,4,5,6}里选取，获取不同层数时的分类效果。 [0082] b.保持DBN模型其他参数不变，不变的参数有：学习率、mini-batch、迭代次数。隐 含层数目设置为分类效果最好时的3层，隐含层节点数目从{10,20,40,60，100}里选取，获 取不同节点数时的分类效果。
[0083] C.保持DBN模型其他参数不变，不变的参数有：网络层数、mini-batch、迭代次数。 隐含层节点数目设置为100,学习率从{0.01、0.05、0.1、0.5、1}选取，获取不学习率时的分 类效果。
[0084]通过以上步骤，确定适用于干涉SAR图像分类的DBN模型最优参数:学习率为0.05， 模型层数为3,每层节点数为100。
[0085] 本发明的效果可通过以下仿真进一步说明
[0086] 实施例5
[0087]基于DBN模型的干涉SAR图像分类方法同实施例1-4，
[0088] U方真条件：
[0089] 本发明的仿真实验在主频2.5GHZ的Pentium Dual_Core CPU E5200、内存4.00GB 的硬件环境和MATLAB R2014a的软件环境下进行的。
[0090] 2.仿真内容：
[0091 ]本发明仿真使用的实验数据一为Phoeni X地区的Radar sat-2的C波段数据，使用的 实验数据二为美国旧金山地区的TerraSAR-X的X波段数据，图2(a)和图2(b)分别为本发明 仿真使用Phoenix地区的Radarsat-2的C波段数据的强度图和相干图。图2(c)利用支持向量 机SVM对实验数据一的分类结果图。图2(d)采用本发明对实验数据一的仿真图。图3(a)和图 3(b)分别为本发明仿真使用美国旧金山地区的TerraSAR-X的X波段数据的强度图和相干 图。图3(c)是采用经典SVM分类方法对实验数据二的分类结果图。图3(d)是采用本发明对实 验数据二的分类结果图。
[0092] 3.仿真效果分析：
[0093] 图2中待分类地物是三种不同的农作物。图2(c)是使用支持向量机SVM对实验数据 一分类效果图，分类准确为89.13%，图2(d)是使用本发明对实验数据一分类效果图，分类 准确率为91.03%。从准确率对比可以看出，与传统经典支持向量机SVM相比，本发明的分类 准确率更高，而且本发明的运行时间要比现有利记sbobet网址方法短很多，效率更高。
[0094] 实施例6
[0095]基于DBN模型的干涉SAR图像分类方法同实施例1-4，仿真条件和仿真内容同是实 例5,参见图3。
[0096] 图3(c)是采用经典的支持向量机SVM分类方法得到的结果，从图中可以看出，目标 区域地物大致得到了划分，但是还有较多地域划分不准确，楼房区域分类不明显，楼房的整 体轮廓没有较好的分割出来，边缘较模糊，被划分为道路区域太多，道路和植被两类之间错 分太多。由图3(d)可见，本发明的分类结果与图3(c)相比，本发明对楼房的整体轮廓分类效 果更好，楼房轮廓和边缘更清晰，道路也大致被划分出来，道路与植被间错分更少，两类方 法对阴影和水域分类效果都较好。由此表面，本发明对干涉SAR图像分类效果更好。
[0097] 简而言之，本发明公开的基于深度信念网络(DBN模型）的干涉SAR图像分类方法， 解决了自动提取干涉SAR图像特征的技术问题。可应用于干涉化合成孔径雷达SAR图像分 类。其实现过程是：（1)输入数据预处理，将输入的三幅图的灰度值进行归一化数据转换，对 每个像素取其一个大小为MXM窗口；（2)样本提取，根据干涉SAR图像对应的实际地物，对待 分类的每种地物选取一定量的样本；（3)根据实验确定DBN模型参数，然后根据样本训练DBN 模型；（4)根据训练好的DBN模型，对待分类数据进行分类。本发明把DBN模型应用到干涉SAR 图像分类上，利用了DBN模型自身优势，自动提取图像特征，发掘主辅强度图和相干图在空 间和时间上的规律，缩短分类时间，提高了分类准确率。
【主权项】
1. 一种基于DB饰莫型的干设SAR图像分类方法，其特征在于，包括有w下步骤： (1) 输入数据的预处理 输入的数据主要包括干设SAR图像的主强度图、辅强度图及相干图，对W上Ξ幅图的灰 度值进行归一化处理;对每幅图像中的每个像素取一个邻域窗口作为对应每个像素的输入 值;将Ξ幅图叠加在一起，合成一个Ξ维图像，该合成图像包括了干设SAR图像对应所有的 待分类数据信息； (2) 样本选择 根据干设SAR图像的实际地物分布，对合成Ξ维图像中的每一类数据随机选取η个MXM Χ3的图像块作为训练样本； (3) 深度信念网络DBN模型训练 DBN模型训练前首先确定模型参数，主要包括：网络层数、每层节点数、学习率，运些参 数通过实验逐一调整，将确定好的参数用于预训练和微调整； DB饰莫型训练包括预训练阶段和微调整阶段 3.1预训练阶段采用逐层训练的方式对各层中的RBM进行训练，低一层RBM的隐含层输 出作为上一层的RBM的可见层输入，得到整个网络初始权值参数； 3.2微调阶段采用有监督学习方式对最后一层的ΒΡ网络进行训练，并将实际输出与预 期输出的误差逐层向后传播，对整个DBN网络的权值进行微调，得到训练好的DB饰莫型； (4) 图像分类 使用训练好的DB饰莫型，对待分类数据进行用softmax方法分类，得到干设SAR图像的分 类结果。2. 根据权利要求1所述的基于DBN模型的干设SAR图像分类方法，其特征在于，步骤3中 所述的预训练阶段包括有如下步骤： 3.1.1对于一组特定数据(V，h)，则DBN网络中RBM作为一个系统所拥有的能量E用数学 表达式表不为：V和h分别代表RBM的可见层和隐含层;W代表两层间的连接权值大小；I和J分别表示可 见层和隐含层的节点数目；VI和hi则分别代表第i个可见层神经元的状态和第j个隐含层神 经元的状态;WU代表隐含层节点h神日可见层节点VI之间的连接权值大小;ai、b攻作Ij代表可 见层Vi、隐含层hj的偏置值重；Θ = (wij,ai,bj)是RBM网络参数； 3.1.2基于W上能量函数，获得可见层和隐含层(V，h)的联合概率分布：式中，代表归一化项，即配分函数； 3.1.3求取第j个隐含层神经元的激活概率：〇(x) = l/(a+e-x)是 sigmoid 函数； 3.1.4获取第i个可见层神经元的激活概率：3.1.5通过对训练集上求极大数似然函数获得参数Θ*，样本的数目为T:3.1.6利用对比散度算法求得各网络层内部参数，其更新规则： A Wij = ε ( < Vihj >data-< Vihj >recon) A ￡li = e(<Vi>data-<Vi>recon) A bj - ε ( <hj〉data-<hj〉recon) ε为预训练的学习率，< · >data表示样本数据集在所定义分布上的数学期望，< · >re。。。表示重构后模型定义的分布上数学期望。3. 根据权利要求1所述的基于DBN模型的干设SAR图像分类方法，其特征在于，步骤3中 所述的微调整阶段包括有如下步骤： 3.2.1计算实际输出和期望输出的灵敏度δ 5i = 〇i(l-〇i)(di-〇i) Οι表示第i个节点实际的输出;di表示第i个节点的期望输出；δ表示灵敏度。 在第1个隐含层里，灵敏度S的计算根据下式计算：式中，表示第1个隐含层的第i个节点实际输出。 3.2.2获取到每层的灵敏度δ之后，DBN网络结构各层权值根据下式更新：Ef ine-turning表不微调整学习率，bj表不隐含层的偏置值量。4. 根据权利要求1或2或3所述的基于DBN模型的干设SAR图像分类方法，其特征在于，步 骤3中所述的DB饰莫型参数调整和确定过程包括有如下步骤： a. 把DB饰莫型预训练和微调学习率均初始设置为0.05，mini-batch为100，迭代次数设 置为20,节点数为100,隐含层数从{2,3,4,5,6}里选取，获取不同层数时的分类效果； b. 保持DBN模型其他参数不变，隐含层数目设置为分类效果最好时的3层，隐含层节点 数目从{10,20,40,60，100}里选取，获取不同节点数时的分类效果； C.保持DBN模型其他参数不变，隐含层节点数目设置为100,学习率从{0.01、0.05、0.1、 〇.5、1}选取，获取不同学习率时的分类效果； 通过W上步骤，确定适用于干设SAR图像分类的DBN模型最优参数:学习率为0.05,模型 层数为3,每层节点数为100。
【专利摘要】本发明公开了一种基于深度信念网络DBN模型的干涉SAR图像分类方法，本发明解决了自动提取干涉SAR图像特征的技术问题。其实现过程是：1输入数据预处理，将输入数据进行归一化，对每个像素取其一个大小为M×M窗口；2样本提取，根据干涉SAR图像对应的实际地物，对待分类的每种地物选取一定量的样本；3根据实验确定DBN模型参数，然后根据样本训练DBN模型；4根据训练好的DBN模型，对待分类数据进行分类。本发明把DBN模型应用到干涉SAR图像分类上，利用了DBN模型自身优势，自动提取图像特征，缩短分类时间；发掘图像之间的相关性，提高分类准确率。可应用于干涉化合成孔径雷达SAR图像分类。
【IPC分类】G06K9/62, G06N3/08
【公开号】CN105701503
【申请号】CN201610009494
【发明人】缑水平, 赵昌锋, 焦李成, 钟桦, 王爽, 马文萍, 马晶晶
【申请人】西安电子科技大学
【公开日】2016年6月22日
【申请日】2016年1月7日