本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，更進一步涉及圖像分類
技術(shù)領(lǐng)域：
中的一種基于深度相關(guān)向量機(RelevanceVectorMachine，RVM)的合成孔徑雷達(SyntheticApertureRadar，SAR)圖像分類方法。本發(fā)明可應(yīng)用于SAR圖像的目標(biāo)分類與識別。
背景技術(shù)：
：近年來，伴隨著計算機性能的快速提高以及互聯(lián)網(wǎng)的高速發(fā)展，如何更好地利用統(tǒng)計方法、機器學(xué)習(xí)、數(shù)據(jù)挖掘等技術(shù)從中提取有價值的信息以處理生產(chǎn)及生活上的實際問題日益成為一項重要而迫切的研究課題。而其中分類作為一項最基本也最重要的數(shù)據(jù)處理技術(shù)，在文本自動分類、海量網(wǎng)頁歸整、人臉自動識別、個性化推薦系統(tǒng)、如手寫體識別、基因和蛋白質(zhì)分類等領(lǐng)域都有廣泛的應(yīng)用。目前使用廣泛且有良好表現(xiàn)的分類方法主要有支持向量機、樸素貝葉斯分類、決策樹、神經(jīng)網(wǎng)絡(luò)等。其中支持向量機(SupportVectorMachines,SVM)是近年來被受關(guān)注的分類算法，SVM通過對于給定的樣本數(shù)據(jù)學(xué)習(xí)，衡量其模型的復(fù)雜性，即對給定訓(xùn)練樣本的學(xué)習(xí)精度，以及模型的學(xué)習(xí)能力，即對任意樣本的取得高精度的能力，進而尋求最佳折衷方案，以期獲得最優(yōu)的推廣能力。但支持向量機作為一種被廣泛接受使用的分類算法存在以下幾個問題，例如模型中使用的核函數(shù)必須滿足Mercer條件、得到的預(yù)測結(jié)果為定性變量而非概率輸出等。西安電子科技大學(xué)在其申請的專利“基于相關(guān)向量機的多類數(shù)據(jù)分類方法”(專利申請?zhí)枺?01110199365.8，公開號：CN102254193A)中公開了了一種基于相關(guān)向量機的多類數(shù)據(jù)分類方法。該方法劃分多類數(shù)據(jù)集,并進行歸一化預(yù)處理，確定核函數(shù)類型和核參數(shù)，設(shè)置基本參數(shù)，計算分類面參數(shù)，根據(jù)更新完成后的分類面參數(shù)，得預(yù)測概率矩陣，矩陣每行最大值對應(yīng)的列數(shù)組成測試數(shù)據(jù)集的分類類別，預(yù)測概率小于虛警概率與檢測概率對應(yīng)曲線中設(shè)定的虛警概率值的樣本被據(jù)判。雖然能用較少的關(guān)聯(lián)向量，得到與SVM相比擬的分類及拒判性能。但是，該方法仍然存在的不足之處是，僅在部分?jǐn)?shù)據(jù)集上有良好的分類效果，不能移植到其他類型的數(shù)據(jù)集上，魯棒性不強，降低了算法的性能。武漢大學(xué)在其申請的專利“一種弱監(jiān)督的SAR圖像分類方法”(專利申請?zhí)枺?01010221605.5，公開號：CN101894275A)中公開了一種弱監(jiān)督的SAR圖像分類方法。該方法同時利用圖像的數(shù)據(jù)信息，圖像與圖像之間的相關(guān)性息和圖像在多個尺度上的相關(guān)信息，從少量的弱信息中提取重要信息，即從關(guān)鍵詞標(biāo)注的訓(xùn)練數(shù)據(jù)中學(xué)習(xí)SAR圖像的分類模型，可以大幅度地減少獲取精確訓(xùn)練數(shù)據(jù)的難度，很好的克服了SAR圖像分類中的一些局部不確定性問題，但是，該方法仍然存在的不足之處是，在同時圖像之間多種相關(guān)信息的過程中，數(shù)據(jù)之間的信息削減得太快，用來訓(xùn)練的少量的弱信息丟失了很多重要細(xì)節(jié)，導(dǎo)致該分類方法的多次平均分類精度不高，魯棒性不足。技術(shù)實現(xiàn)要素：本發(fā)明的目的是針對上述現(xiàn)有技術(shù)存在的不足，提出了一種基于深度相關(guān)向量機的SAR圖像分類方法。本發(fā)明與現(xiàn)有技術(shù)中其他SAR圖像分類技術(shù)相比，數(shù)據(jù)相關(guān)性強，訓(xùn)練時間短，分類正確率高。本發(fā)明實現(xiàn)的具體步驟如下：(1)輸入雙精度類型的合成孔徑雷達SAR圖像的矩陣；(2)對輸入的雙精度類型的合成孔徑雷達SAR圖像的矩陣進行歸一化處理；所述的對輸入的雙精度類型的合成孔徑雷達SAR圖像的矩陣進行歸一化處理的公式如下：Xnorm=X-XminXmax-Xmin]]>其中，Xnorm表示歸一化后的雙精度類型的合成孔徑雷達SAR圖像矩陣，X表示輸入的雙精度類型的合成孔徑雷達SAR圖像矩陣，Xmax和Xmin分別表示輸入的雙精度類型的合成孔徑雷達SAR圖像的矩陣的最大值和最小值；(3)訓(xùn)練三個受限玻耳茲曼機RBM：將歸一化后的雙精度類型的合成孔徑雷達SAR圖像矩陣，輸入三層受限玻耳茲曼機RBM中進行分層訓(xùn)練，得到合成孔徑雷達SAR圖像矩陣的第三層深層特征；所述的將歸一化后的雙精度類型的合成孔徑雷達SAR圖像矩陣，輸入三層受限玻耳茲曼機RBM中進行分層訓(xùn)練的具體步驟如下：將歸一化后的雙精度類型的合成孔徑雷達SAR圖像矩陣，輸入到第一層受限玻耳茲曼機RBM中訓(xùn)練，通過100次迭代訓(xùn)練，得到第一層受限玻耳茲曼機RBM的網(wǎng)絡(luò)參數(shù){W1,b1}，其中，W1表示歸一化后的雙精度類型的合成孔徑雷達SAR圖像矩陣在第一層受限玻耳茲曼機RBM的權(quán)重值，b1表示歸一化后的雙精度類型的SAR圖像矩陣在第一層受限玻耳茲曼機RBM的余項，將歸一化后的合成孔徑雷達SAR圖像矩陣輸入到第一層受限玻耳茲曼機RBM，得到合成孔徑雷達SAR圖像矩陣的第一層深層特征；將合成孔徑雷達SAR圖像矩陣的第一層深層特征，輸入到第二層受限玻耳茲曼機RBM中訓(xùn)練，通過100次迭代訓(xùn)練，得到第二層受限玻耳茲曼機RBM的網(wǎng)絡(luò)參數(shù){W2,b2}，其中，W2表示合成孔徑雷達SAR圖像矩陣的第一層深層特征在第一層受限玻耳茲曼機RBM中的權(quán)重值，b2表示合成孔徑雷達SAR圖像矩陣的第一層深層特征在第一層受限玻耳茲曼機RBM中的余項，將合成孔徑雷達SAR圖像矩陣的第一層深層特征輸入到第二層受限玻耳茲曼機RBM，得到合成孔徑雷達SAR圖像矩陣的第二層深層特征；將合成孔徑雷達SAR圖像矩陣的第二層深層特征，輸入到第三層受限玻耳茲曼機RBM中訓(xùn)練，通過100次迭代訓(xùn)練，得到第三層受限玻耳茲曼機RBM的網(wǎng)絡(luò)參數(shù){W3,b3}，其中，W3表示合成孔徑雷達SAR圖像矩陣的第二層深層特征在第二層受限玻耳茲曼機RBM中的權(quán)重值，b3表示合成孔徑雷達SAR圖像矩陣的第二層深層特征在第二層受限玻耳茲曼機RBM中的余項，將合成孔徑雷達SAR圖像矩陣的第二層深層特征輸入到第三層受限玻耳茲曼機RBM，得到合成孔徑雷達SAR圖像矩陣的第三層深層特征；(4)訓(xùn)練RVM分類器：將合成孔徑雷達SAR圖像矩陣的第三層深層特征和輸入的雙精度類型合成孔徑雷達SAR圖像矩陣所對應(yīng)的類標(biāo)，輸入到稀疏貝葉斯分類模型中，選擇核函數(shù)為線性核，迭代次數(shù)為600次，根據(jù)拉普拉斯逼近方法推斷模型參數(shù)，訓(xùn)練相關(guān)相量機RVM分類器；(5)構(gòu)建深度RVM模型：將相關(guān)相量機RVM分類器級聯(lián)到三層受限玻耳茲曼機RBM的第三層，得到深度相關(guān)相量機RVM模型；(6)分類：將待訓(xùn)練的合成孔徑雷達SAR圖像矩陣輸入到深度相關(guān)相量機RVM模型中，得到雙精度類型的合成孔徑雷達SAR圖像矩陣的各類分類概率；(7)計算預(yù)測類標(biāo)：選取雙精度類型的合成孔徑雷達SAR圖像矩陣的各類分類概率中的每類概率最大的類標(biāo)，作為雙精度類型合成孔徑雷達SAR圖像矩陣的預(yù)測類標(biāo)；(8)得到分類正確率：用分類精度評判公式，進行計算，得到分類正確率。所述的分類正確率的公式如下：acc=lab-erlab]]>其中，acc表示雙精度類型合成孔徑雷達SAR圖像矩陣的分類正確率，lab表示輸入雙精度類型合成孔徑雷達SAR圖像矩陣的預(yù)測類標(biāo)數(shù)，er表示雙精度類型合成孔徑雷達SAR圖像矩陣的分類結(jié)果中的錯誤分類數(shù)。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點：第一，由于本發(fā)明在訓(xùn)練的過程中采用了三個受限玻耳茲曼機RBM模型，克服了現(xiàn)有技術(shù)在圖像相關(guān)信息中，數(shù)據(jù)之間的聯(lián)系削減得太快，丟失了很多重要細(xì)節(jié)的缺點，使得本發(fā)明將數(shù)據(jù)抽象到高維，挖掘了數(shù)據(jù)的深度信息，為后面的分類過程提供了更多的圖像細(xì)節(jié)信息，由此具有了準(zhǔn)確度大大改善，獲得了更加準(zhǔn)確的圖像分類結(jié)果的優(yōu)點。第二，由于本發(fā)明在分類過程中采用了深度相關(guān)相量機RVM分類器，克服了現(xiàn)有技術(shù)模型中僅在部分?jǐn)?shù)據(jù)集上有良好的分類效果，不能移植到其他類型的數(shù)據(jù)集上，魯棒性不強的缺點，使得本發(fā)明在合成孔徑雷達SAR圖像數(shù)據(jù)集上也有較高的分類正確率，因此具有了面對大規(guī)模的數(shù)據(jù)集，模型仍具有稀疏性和魯棒性的優(yōu)點。附圖說明圖1為本發(fā)明的流程圖。具體實施方式下面結(jié)合附圖1對本發(fā)明的步驟做進一步的詳細(xì)描述。步驟1.輸入雙精度類型的合成孔徑雷達SAR圖像的矩陣。步驟2.對輸入的雙精度類型的合成孔徑雷達SAR圖像的矩陣進行歸一化處理。所述的對輸入的雙精度類型的合成孔徑雷達SAR圖像的矩陣進行歸一化處理的公式如下：Xnorm=X-XminXmax-Xmin]]>其中，Xnorm表示歸一化后的雙精度類型的合成孔徑雷達SAR圖像矩陣，X表示輸入的雙精度類型的合成孔徑雷達SAR圖像矩陣，Xmax和Xmin分別表示輸入的雙精度類型的合成孔徑雷達SAR圖像的矩陣的最大值和最小值。步驟3.訓(xùn)練三個受限玻耳茲曼機RBM。將歸一化后的雙精度類型的合成孔徑雷達SAR圖像矩陣，輸入三層受限玻耳茲曼機RBM中進行分層訓(xùn)練，得到合成孔徑雷達SAR圖像矩陣的第三層深層特征。所述的將歸一化后的雙精度類型的合成孔徑雷達SAR圖像矩陣，輸入三層受限玻耳茲曼機RBM中進行分層訓(xùn)練的具體步驟如下：將歸一化后的雙精度類型的合成孔徑雷達SAR圖像矩陣，輸入到第一層受限玻耳茲曼機RBM中訓(xùn)練，通過100次迭代訓(xùn)練，得到第一層受限玻耳茲曼機RBM的網(wǎng)絡(luò)參數(shù){W1,b1}，其中，W1表示歸一化后的雙精度類型的合成孔徑雷達SAR圖像矩陣在第一層受限玻耳茲曼機RBM的權(quán)重值，b1表示歸一化后的雙精度類型的SAR圖像矩陣在第一層受限玻耳茲曼機RBM的余項，將歸一化后的合成孔徑雷達SAR圖像矩陣輸入到第一層受限玻耳茲曼機RBM，得到合成孔徑雷達SAR圖像矩陣的第一層深層特征。將合成孔徑雷達SAR圖像矩陣的第一層深層特征，輸入到第二層受限玻耳茲曼機RBM中訓(xùn)練，通過100次迭代訓(xùn)練，得到第二層受限玻耳茲曼機RBM的網(wǎng)絡(luò)參數(shù){W2,b2}，其中，W2表示合成孔徑雷達SAR圖像矩陣的第一層深層特征在第一層受限玻耳茲曼機RBM中的權(quán)重值，b2表示合成孔徑雷達SAR圖像矩陣的第一層深層特征在第一層受限玻耳茲曼機RBM中的余項，將合成孔徑雷達SAR圖像矩陣的第一層深層特征輸入到第二層受限玻耳茲曼機RBM，得到合成孔徑雷達SAR圖像矩陣的第二層深層特征。將合成孔徑雷達SAR圖像矩陣的第二層深層特征，輸入到第三層受限玻耳茲曼機RBM中訓(xùn)練，通過100次迭代訓(xùn)練，得到第三層受限玻耳茲曼機RBM的網(wǎng)絡(luò)參數(shù){W3,b3}，其中，W3表示合成孔徑雷達SAR圖像矩陣的第二層深層特征在第二層受限玻耳茲曼機RBM中的權(quán)重值，b3表示合成孔徑雷達SAR圖像矩陣的第二層深層特征在第二層受限玻耳茲曼機RBM中的余項，將合成孔徑雷達SAR圖像矩陣的第二層深層特征輸入到第三層受限玻耳茲曼機RBM，得到合成孔徑雷達SAR圖像矩陣的第三層深層特征。步驟4.訓(xùn)練RVM分類器。將合成孔徑雷達SAR圖像矩陣的第三層深層特征和輸入的雙精度類型合成孔徑雷達SAR圖像矩陣所對應(yīng)的類標(biāo)，輸入到稀疏貝葉斯分類模型中，選擇核函數(shù)為線性核，迭代次數(shù)為600次，根據(jù)拉普拉斯逼近方法推斷模型參數(shù)，訓(xùn)練相關(guān)相量機RVM分類器。步驟5.構(gòu)建深度RVM模型。將相關(guān)相量機RVM分類器級聯(lián)到三層受限玻耳茲曼機RBM的第三層，得到深度相關(guān)相量機RVM模型。步驟6.分類。將待訓(xùn)練的合成孔徑雷達SAR圖像矩陣輸入到深度相關(guān)相量機RVM模型中，得到雙精度類型的合成孔徑雷達SAR圖像矩陣的各類分類概率。步驟7.計算預(yù)測類標(biāo)。選取雙精度類型的合成孔徑雷達SAR圖像矩陣的各類分類概率中的每類概率最大的類標(biāo)，作為雙精度類型合成孔徑雷達SAR圖像矩陣的預(yù)測類標(biāo)。步驟8.得到分類正確率。用分類精度評判公式，進行計算，得到分類正確率。分類正確率的公式如下：acc=lab-erlab]]>其中，acc表示雙精度類型合成孔徑雷達SAR圖像矩陣的分類正確率，lab表示輸入雙精度類型合成孔徑雷達SAR圖像矩陣的預(yù)測類標(biāo)數(shù)，er表示雙精度類型合成孔徑雷達SAR圖像矩陣的分類結(jié)果中的錯誤分類數(shù)。下面結(jié)合仿真實驗對本發(fā)明的效果做進一步描述。1.仿真條件：本發(fā)明的仿真實驗是基于主頻為2.30GHz的IntelPentium(R)Dual-CoreCPU、內(nèi)存為5GB的硬件環(huán)境和MATLABR2014a軟件環(huán)境下進行的。2.仿真內(nèi)容：本發(fā)明仿真實驗采用美國MSTAR計劃錄取的地面靜止目標(biāo)SAR數(shù)據(jù)，實驗中選用其中的三類SAR目標(biāo)：BMP2裝甲車、BTR70裝甲車、T72主戰(zhàn)坦克，SAR圖像的分辨率是0.3m×0.3m，方位角覆蓋范圍是0～360°，圖像大小為128×128像素，訓(xùn)練樣本共698個，測試樣本共1365個。3.仿真效果分析：應(yīng)用本發(fā)明方法與支持向量機SVM、快速稀疏支持向量機fs_SVM、深度置信網(wǎng)DBN、相關(guān)向量機RVM四種現(xiàn)有技術(shù)，對MSTAR數(shù)據(jù)集中三種目標(biāo)類型進行分類，分別計算各種方法的分類正確率，得到仿真實驗的結(jié)果如表1所示。表1.MSTAR數(shù)據(jù)集分類結(jié)果表分類方法時間(s)分類正確率(％)fs_SVM61.7883.07SVM235.5485.20DBN5557.3285.78RVM154.1685.57本發(fā)明2856.0893.40從表1可見，本發(fā)明相比支持向量機SVM、快速稀疏支持向量機fs_SVM方法，深度置信網(wǎng)DBN、相關(guān)向量機RVM的四種現(xiàn)有技術(shù)，分類正確率有明顯提升，這是因為本發(fā)明在訓(xùn)練的過程中采用了受限玻耳茲曼機RBM模型，將數(shù)據(jù)抽象到高維，減少了數(shù)據(jù)量，挖掘了數(shù)據(jù)的深度信息，提供了更多的圖像細(xì)節(jié)信息，由此具有了準(zhǔn)確度大大改善。綜上所述，本發(fā)明綜合了受限玻耳茲曼機RBM和相關(guān)向相量機的優(yōu)點，能處理大量的數(shù)據(jù)，可獲得較高的分類精度，并且縮短訓(xùn)練時間。當(dāng)前第1頁1 2 3