[發明專利]基于深度神經網絡的SAR紋理圖像分類方法

在審

• 申請號: 201410745713.0
• 申請日: 2014-12-08
• 公開（公告）號: CN104408483A
• 公開（公告）日: 2015-03-11
• 發明（設計）人: 焦李成;李玲玲;韓佳敏;屈嶸;楊淑媛;侯彪;王爽;劉紅英;熊濤;馬文萍;馬晶晶
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06K9/46;G06N3/02
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

技術領域

本發明屬于圖像處理技術領域，特別涉及一種基于深度神經網絡的多樣本、多類別、特征復雜的SAR紋理圖像分類方法，可用于目標識別，目標跟蹤等領域。

背景技術

合成孔徑雷達SAR在地球科學遙感領域的應用非常廣泛。SAR紋理圖像分類是模式識別在SAR圖像處理中的應用，它將圖像數據從二維灰度空間轉換到目標模式空間，其分類的結果是根據圖像的不同屬性將其劃分為多個不同類別的子區域。SAR圖像的可靠分類特征主要是灰度特征和紋理特征，但是在實際應用中利用灰度特征進行分類得到的結果并不是很理想，因此好的紋理特征成為提高分類精度的重要手段。SAR圖像中含有特別豐富的紋理信息，不同的地表粗糙程度代表不同的紋理特征，從SAR圖像中提取有效的紋理信息，成為了合成孔徑雷達識別地物的一項關鍵技術。

傳統的獲取圖像紋理特征的主要方法有基于幾何知識的方法、基于結構的方法、基于統計學的方法、基于信號處理的方法和基于建模的方法。目前的熱點方法是基于統計學的紋理提取方法。紋理圖像的主要分類算法有距離度量法、人工神經網絡分類算法和支撐矢量機，其中人工神經網絡分類算法在樣本數量很大時能夠獲得較高的分類準確率。

SAR紋理圖像分類是利用傳統機器學習的方法對其紋理特征進行分類。但是傳統機器學習和信號處理方法是僅含單層非線性變換的淺層學習結構。淺層模型的一個共性是僅含單個將原始輸入信號轉換到特定問題空間特征的簡單結構。深度學習通過學習一種深層非線性網絡結構，實現復雜函數逼近，表征輸入數據的分布式表示，并展現了強大的從少數樣本集中學習數據集本質特征的能力。

深度學習通過組合低層特征形成更加抽象的高層表示，即屬性類別或特征表示，以發現數據的分布式特征表示。深度學習可通過多層映射單元和逐層學習的算法獲取輸入數據的主要結構信息。

近年來，隨著計算機技術的迅速發展，大量的文本，語音，圖像，視頻等數據與日俱增，大量的數據成為有價值的信息資源，信息成為商業運作的核心。數據挖掘的核心原理是通過充分利用計算機的先進技術從大量的復雜的數據中攫取出其本質特征，從而可以充分利用其中有價值的數據信息。數據挖掘包含很多方法，其中非常重要的一種是分類。分類的方法同樣在機器學習，人工智能以及模式識別等相關科技領域已然成為當前受到關注的方法。它可以從內容豐富、蘊藏大量信息的數據庫中提取描述重要數據類的模型，用于做出智能決策，所以應用非常廣泛。分類的目的是學習到一個分類函數或分類模型，通過該分類模型，分析訓練數據表現出的特性，描述每個類的特征，根據類的描述對測試數據進行分類。

發明內容

本發明的目的在于針對上述已有技術的不足，提出一種深度神經網絡的SAR紋理圖像分類方法，以獲得較高的分類準確率。

本發明的技術方案是這樣實現的：

一.技術原理

徑向基函數RBF是一個取值僅僅依賴于離原點距離的實值函數，即Φ(x)＝Φ(‖x‖),或者是到任意中心點c的距離，即Φ(x，c)＝Φ(‖x-c‖)，標準的距離一般使用歐氏距離。任意一個滿足Φ(x)＝Φ(‖x‖)特性的函數Φ都叫做徑向基函數RBF，這種徑向基函數RBF可以作為神經網絡隱含層的核函數，完成神經網絡的函數逼近等功能。

RBF神經網絡由三層組成，一個輸入層，一個隱含層和一個輸出層。RBF神經網絡的基本思想是：用徑向基函數RBF作為“隱”單元的基函數構成隱含層空間，先將數據非線性映射到一個高維度的空間中；然后在高維空間用線性模型來做回歸或者分類；再將輸入向量直接映射到隱含層的空間。RBF神經網絡可以以任意準確率逼近任意連續函數。目前廣泛應用于非線性函數逼近、數據處理、模式識別、圖像分類、系統建模等。

受限玻爾茲曼機RBM神經網絡由兩層組成，一個隱含單元和一個可視單元。隱含單元和可視單元包含一定數量的神經元。受限玻爾茲曼機RBM神經網絡是一種模擬神經網絡結構的隨機概率模型。隱含單元和可視單元自身的所有神經元之間都不連接，但隱含單元和可視單元之間的所有神經元是完全連接的。受限玻爾茲曼機RBM神經網絡是一種無導師學習的特征提取模型，由于它是基于能量的模型，所以能夠提取到較優的特征，可通過對比差異算法CD算法來訓練受限玻爾茲曼機RBM神經網絡。

傳統的SAR紋理圖像分類方法是通過淺層學習結構，學習到的特征比較低級，本發明的出發點是拓展深度學習應用，著眼于如何充分合理地利用深度學習在增強傳統學習算法RBF神經網絡在SAR紋理圖像地物分類問題的性能。

二.技術方案

根據上述原理，本發明的技術方案包括以下步驟：