本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，更進(jìn)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(jī)(RelevanceVectorMachine，RVM)的合成孔徑雷達(dá)(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(shí)別。
背景技術(shù)：
：近年來(lái)，伴隨著計(jì)算機(jī)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(jì)方法、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等技術(shù)從中提取有價(jià)值的信息以處理生產(chǎn)及生活上的實(shí)際問題日益成為一項(xiàng)重要而迫切的研究課題。而其中分類作為一項(xiàng)最基本也最重要的數(shù)據(jù)處理技術(shù)，在文本自動(dòng)分類、海量網(wǎng)頁(yè)歸整、人臉自動(dòng)識(shí)別、個(gè)性化推薦系統(tǒng)、如手寫體識(shí)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(jī)、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(jī)(SupportVectorMachines,SVM)是近年來(lái)被受關(guān)注的分類算法，SVM通過(guò)對(duì)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(duì)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(duì)任意樣本的取得高精度的能力，進(jìn)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(jī)作為一種被廣泛接受使用的分類算法存在以下幾個(gè)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(cè)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(qǐng)的專利“基于相關(guān)向量機(jī)的多類數(shù)據(jù)分類方法”(專利申請(qǐng)?zhí)枺?01110199365.8，公開號(hào)：CN102254193A)中公開了了一種基于相關(guān)向量機(jī)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(jìn)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(jì)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(cè)概率矩陣，矩陣每行最大值對(duì)應(yīng)的列數(shù)組成測(cè)試數(shù)據(jù)集的分類類別，預(yù)測(cè)概率小于虛警概率與檢測(cè)概率對(duì)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(qiáng)，降低了算法的性能。武漢大學(xué)在其申請(qǐng)的專利“一種弱監(jiān)督的SAR圖像分類方法”(專利申請(qǐng)?zhí)枺?01010221605.5，公開號(hào)：CN101894275A)中公開了一種弱監(jiān)督的SAR圖像分類方法。該方法同時(shí)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(gè)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(shí)圖像之間多種相關(guān)信息的過(guò)程中，數(shù)據(jù)之間的信息削減得太快，用來(lái)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(shí)現(xiàn)要素：本發(fā)明的目的是針對(duì)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(jī)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(qiáng)，訓(xùn)練時(shí)間短，分類正確率高。本發(fā)明實(shí)現(xiàn)的具體步驟如下：(1)輸入雙精度類型的合成孔徑雷達(dá)SAR圖像的矩陣；(2)對(duì)輸入的雙精度類型的合成孔徑雷達(dá)SAR圖像的矩陣進(jìn)行歸一化處理；所述的對(duì)輸入的雙精度類型的合成孔徑雷達(dá)SAR圖像的矩陣進(jìn)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(dá)SAR圖像矩陣，X表示輸入的雙精度類型的合成孔徑雷達(dá)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(dá)SAR圖像的矩陣的最大值和最小值；(3)訓(xùn)練三個(gè)受限玻耳茲曼機(jī)RBM：將歸一化后的雙精度類型的合成孔徑雷達(dá)SAR圖像矩陣，輸入三層受限玻耳茲曼機(jī)RBM中進(jìn)行分層訓(xùn)練，得到合成孔徑雷達(dá)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(dá)SAR圖像矩陣，輸入三層受限玻耳茲曼機(jī)RBM中進(jìn)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(dá)SAR圖像矩陣，輸入到第一層受限玻耳茲曼機(jī)RBM中訓(xùn)練，通過(guò)100次迭代訓(xùn)練，得到第一層受限玻耳茲曼機(jī)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(dá)SAR圖像矩陣在第一層受限玻耳茲曼機(jī)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(jī)RBM的余項(xiàng)，將歸一化后的合成孔徑雷達(dá)SAR圖像矩陣輸入到第一層受限玻耳茲曼機(jī)RBM，得到合成孔徑雷達(dá)SAR圖像矩陣的第一層深層特征；將合成孔徑雷達(dá)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(jī)RBM中訓(xùn)練，通過(guò)100次迭代訓(xùn)練，得到第二層受限玻耳茲曼機(jī)RBM的網(wǎng)絡(luò)參數(shù){W2,b2}，其中，W2表示合成孔徑雷達(dá)SAR圖像矩陣的第一層深層特征在第一層受限玻耳茲曼機(jī)RBM中的權(quán)重值，b2表示合成孔徑雷達(dá)SAR圖像矩陣的第一層深層特征在第一層受限玻耳茲曼機(jī)RBM中的余項(xiàng)，將合成孔徑雷達(dá)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(jī)RBM，得到合成孔徑雷達(dá)SAR圖像矩陣的第二層深層特征；將合成孔徑雷達(dá)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(jī)RBM中訓(xùn)練，通過(guò)100次迭代訓(xùn)練，得到第三層受限玻耳茲曼機(jī)RBM的網(wǎng)絡(luò)參數(shù){W3,b3}，其中，W3表示合成孔徑雷達(dá)SAR圖像矩陣的第二層深層特征在第二層受限玻耳茲曼機(jī)RBM中的權(quán)重值，b3表示合成孔徑雷達(dá)SAR圖像矩陣的第二層深層特征在第二層受限玻耳茲曼機(jī)RBM中的余項(xiàng)，將合成孔徑雷達(dá)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(jī)RBM，得到合成孔徑雷達(dá)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(dá)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(dá)SAR圖像矩陣所對(duì)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(jī)RVM分類器；(5)構(gòu)建深度RVM模型：將相關(guān)相量機(jī)RVM分類器級(jí)聯(lián)到三層受限玻耳茲曼機(jī)RBM的第三層，得到深度相關(guān)相量機(jī)RVM模型；(6)分類：將待訓(xùn)練的合成孔徑雷達(dá)SAR圖像矩陣輸入到深度相關(guān)相量機(jī)RVM模型中，得到雙精度類型的合成孔徑雷達(dá)SAR圖像矩陣的各類分類概率；(7)計(jì)算預(yù)測(cè)類標(biāo)：選取雙精度類型的合成孔徑雷達(dá)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(dá)SAR圖像矩陣的預(yù)測(cè)類標(biāo)；(8)得到分類正確率：用分類精度評(píng)判公式，進(jìn)行計(jì)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(dá)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(dá)SAR圖像矩陣的預(yù)測(cè)類標(biāo)數(shù)，er表示雙精度類型合成孔徑雷達(dá)SAR圖像矩陣的分類結(jié)果中的錯(cuò)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(diǎn)：第一，由于本發(fā)明在訓(xùn)練的過(guò)程中采用了三個(gè)受限玻耳茲曼機(jī)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(diǎn)，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(guò)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(diǎn)。第二，由于本發(fā)明在分類過(guò)程中采用了深度相關(guān)相量機(jī)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(qiáng)的缺點(diǎn)，使得本發(fā)明在合成孔徑雷達(dá)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(duì)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(diǎn)。附圖說(shuō)明圖1為本發(fā)明的流程圖。具體實(shí)施方式下面結(jié)合附圖1對(duì)本發(fā)明的步驟做進(jìn)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(dá)SAR圖像的矩陣。步驟2.對(duì)輸入的雙精度類型的合成孔徑雷達(dá)SAR圖像的矩陣進(jìn)行歸一化處理。所述的對(duì)輸入的雙精度類型的合成孔徑雷達(dá)SAR圖像的矩陣進(jìn)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(dá)SAR圖像矩陣，X表示輸入的雙精度類型的合成孔徑雷達(dá)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(dá)SAR圖像的矩陣的最大值和最小值。步驟3.訓(xùn)練三個(gè)受限玻耳茲曼機(jī)RBM。將歸一化后的雙精度類型的合成孔徑雷達(dá)SAR圖像矩陣，輸入三層受限玻耳茲曼機(jī)RBM中進(jìn)行分層訓(xùn)練，得到合成孔徑雷達(dá)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(dá)SAR圖像矩陣，輸入三層受限玻耳茲曼機(jī)RBM中進(jìn)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(dá)SAR圖像矩陣，輸入到第一層受限玻耳茲曼機(jī)RBM中訓(xùn)練，通過(guò)100次迭代訓(xùn)練，得到第一層受限玻耳茲曼機(jī)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(dá)SAR圖像矩陣在第一層受限玻耳茲曼機(jī)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(jī)RBM的余項(xiàng)，將歸一化后的合成孔徑雷達(dá)SAR圖像矩陣輸入到第一層受限玻耳茲曼機(jī)RBM，得到合成孔徑雷達(dá)SAR圖像矩陣的第一層深層特征。將合成孔徑雷達(dá)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(jī)RBM中訓(xùn)練，通過(guò)100次迭代訓(xùn)練，得到第二層受限玻耳茲曼機(jī)RBM的網(wǎng)絡(luò)參數(shù){W2,b2}，其中，W2表示合成孔徑雷達(dá)SAR圖像矩陣的第一層深層特征在第一層受限玻耳茲曼機(jī)RBM中的權(quán)重值，b2表示合成孔徑雷達(dá)SAR圖像矩陣的第一層深層特征在第一層受限玻耳茲曼機(jī)RBM中的余項(xiàng)，將合成孔徑雷達(dá)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(jī)RBM，得到合成孔徑雷達(dá)SAR圖像矩陣的第二層深層特征。將合成孔徑雷達(dá)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(jī)RBM中訓(xùn)練，通過(guò)100次迭代訓(xùn)練，得到第三層受限玻耳茲曼機(jī)RBM的網(wǎng)絡(luò)參數(shù){W3,b3}，其中，W3表示合成孔徑雷達(dá)SAR圖像矩陣的第二層深層特征在第二層受限玻耳茲曼機(jī)RBM中的權(quán)重值，b3表示合成孔徑雷達(dá)SAR圖像矩陣的第二層深層特征在第二層受限玻耳茲曼機(jī)RBM中的余項(xiàng)，將合成孔徑雷達(dá)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(jī)RBM，得到合成孔徑雷達(dá)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(dá)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(dá)SAR圖像矩陣所對(duì)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(jī)RVM分類器。步驟5.構(gòu)建深度RVM模型。將相關(guān)相量機(jī)RVM分類器級(jí)聯(lián)到三層受限玻耳茲曼機(jī)RBM的第三層，得到深度相關(guān)相量機(jī)RVM模型。步驟6.分類。將待訓(xùn)練的合成孔徑雷達(dá)SAR圖像矩陣輸入到深度相關(guān)相量機(jī)RVM模型中，得到雙精度類型的合成孔徑雷達(dá)SAR圖像矩陣的各類分類概率。步驟7.計(jì)算預(yù)測(cè)類標(biāo)。選取雙精度類型的合成孔徑雷達(dá)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(dá)SAR圖像矩陣的預(yù)測(cè)類標(biāo)。步驟8.得到分類正確率。用分類精度評(píng)判公式，進(jìn)行計(jì)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(dá)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(dá)SAR圖像矩陣的預(yù)測(cè)類標(biāo)數(shù)，er表示雙精度類型合成孔徑雷達(dá)SAR圖像矩陣的分類結(jié)果中的錯(cuò)誤分類數(shù)。下面結(jié)合仿真實(shí)驗(yàn)對(duì)本發(fā)明的效果做進(jìn)一步描述。1.仿真條件：本發(fā)明的仿真實(shí)驗(yàn)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(jìn)行的。2.仿真內(nèi)容：本發(fā)明仿真實(shí)驗(yàn)采用美國(guó)MSTAR計(jì)劃錄取的地面靜止目標(biāo)SAR數(shù)據(jù)，實(shí)驗(yàn)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(gè)，測(cè)試樣本共1365個(gè)。3.仿真效果分析：應(yīng)用本發(fā)明方法與支持向量機(jī)SVM、快速稀疏支持向量機(jī)fs_SVM、深度置信網(wǎng)DBN、相關(guān)向量機(jī)RVM四種現(xiàn)有技術(shù)，對(duì)MSTAR數(shù)據(jù)集中三種目標(biāo)類型進(jìn)行分類，分別計(jì)算各種方法的分類正確率，得到仿真實(shí)驗(yàn)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(shí)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(jī)SVM、快速稀疏支持向量機(jī)fs_SVM方法，深度置信網(wǎng)DBN、相關(guān)向量機(jī)RVM的四種現(xiàn)有技術(shù)，分類正確率有明顯提升，這是因?yàn)楸景l(fā)明在訓(xùn)練的過(guò)程中采用了受限玻耳茲曼機(jī)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(jī)RBM和相關(guān)向相量機(jī)的優(yōu)點(diǎn)，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(shí)間。當(dāng)前第1頁(yè)1 2 3