[發明專利]一種深度協同稀疏編碼網絡的合成孔徑雷達遙感圖像海洋浮筏識別方法

在審

• 申請號: 201710242585.1
• 申請日: 2017-04-14
• 公開（公告）號: CN108734171A
• 公開（公告）日: 2018-11-02
• 發明（設計）人: 范劍超;趙建華;張豐收;耿杰;胡園園;王心哲
• 申請（專利權）人: 國家海洋環境監測中心
• 主分類號: G06K9/40
• 分類號: G06K9/40;G06K9/46;G06K9/62
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 李曉亮

1.一種深度協同稀疏編碼網絡的合成孔徑雷達遙感圖像海洋浮筏識別方法，其特征在于以下步驟：

第一步，對合成孔徑雷達遙感圖像進行預處理，得到地理坐標位置準確、相干斑噪聲低、圖像可視性高的SAR圖像；預處理包括幾何校正處理、增強Lee濾波處理、灰度拉伸處理；

第二步，特征提取

對第一步得到的SAR圖像進行紋理特征、輪廓特征提取，提取SAR圖像中的紋理特征和輪廓特征，得到SAR圖像的紋理特征圖像和輪廓特征圖像；

第三步，對紋理特征圖像和輪廓特征圖像的超像素進行分割處理，得到超像素塊的特征圖像；

采用基于幾何流的水平集方法TurboPixels，將SAR圖像分割成M個超像素塊{S₁,S₂,…,S_M}；過程如下：選擇個M個像素點作為種子像素點分布在整個遙感圖像中，種子像素點之間的距離近似等于其中N表示圖像的總像素數；將每一個種子像素點周圍相距1個像素點的所有像素點作為初始邊界，將初始邊界向外距離4個像素的區域作為曲線演變的范圍；

迭代演變各個時刻的初始邊界，得到初始分割圖，再估計未分割區域的基本結構，更新每個邊界點和未分割的靠近邊界點的速率，直至邊界沒有變化，即當所有邊界點的變化速率接近0時，得到超像素塊的特征圖像；

第四步，分類識別

將第三步得到的超像素塊特征圖像輸入到深度協同稀疏編碼網絡分類識別器中，獲得分類識別結果；

(1)構建深度協同稀疏編碼DCSCN網絡結構

將多個協同稀疏編碼器堆疊起來構成深度協同稀疏編碼DCSCN網絡；DCSCN網絡共包含L層，第1層到第L-1層網絡為協同稀疏編碼器，第L層網絡為Softmax分類器；表示輸入到DCSCN網絡的第i個像素塊的S_i個像素點的特征組，其中表示x_i,1對應的R維特征；

DCSCN網絡中各層協同稀疏編碼器的編碼、解碼過程如下：設第k層協同稀疏編碼器的輸入樣本特征為進行線性映射得到通過隱含層激勵元得到編碼結果同樣，解碼過程也是先進行線性映射得到再通過輸出層激勵元得到解碼輸出為了讓輸入樣本特征逼近整個超像素塊的平均特征，網絡中解碼層的期望輸出為表示第i個超像素塊的特征平均值；網絡參數W和b通過訓練學習來確定；

為了進行協同表示，各層協同稀疏編碼器的輸入對輸出進行約束，即每個特征的輸出與輸入的這組特征的平均值接近；因此，在前向逐層訓練過程中，每層參數都是將特征組的特征依次輸入網絡后確定的；完成逐層貪心訓練后，整個網絡的參數通過后向反饋整體微調；

(2)DCSCN網絡訓練

DCSCN網絡需要先確定各層參數，然后再進行分類識別；DCSCN網絡各層參數的優化過程分為預訓練pre-training和整體微調fine-tune；所述的預訓練是逐層優化各層網絡的參數；所述的整體微調是從頂層引入標簽信息優化整個網絡參數，使得網絡輸出的特征更適合于分類器；訓練樣本指用于訓練模型參數的樣本集，測試樣本指檢驗最終選擇最優的模型的性能的樣本集；

1)DCSCN網絡預訓練

預訓練過程是將訓練樣本的特征輸入到DCSCN網絡，逐層訓練得到各層網絡的參數，所述的參數包括權重和偏置；對于第k層網絡，參數優化的目標函數為：

其中，代表樣本總數目，λ是權重衰減系數；是權重衰減項，保證權重值不會過大；β表示稀疏性懲罰因子權重，l_k代表第k層協同稀疏編碼器的隱含層節點個數；是稀疏性懲罰項，通過相對熵KL計算，公式如下：

其中，ρ是稀疏性參數；表示第j個隱含單元在所有超像素塊特征組編碼后的平均激勵值，其中的大小由網絡權重和偏置決定；ρ是人為設定的接近0的數值，目的是讓的值接近0，隱含層輸出的值接近0，保證隱含層具有稀疏性；

目標函數(5)利用約束項求解網絡權重和偏置，目的是使網絡的隱含層輸出具有稀疏性；通過梯度下降法確定網絡參數，公式(5)目標函數具體求解過程如下：

對于第k層網絡，設定：

其中，表示稀疏項偏導，f′(·)表示sigmoid函數的導函數；這樣，目標函數的偏導數如下

2)DCSCN網絡整體微調

通過預訓練得到的各層網絡的參數，在第L層網絡中加入訓練樣本標簽信息優化整個網絡參數，使網絡輸出的特征更適合于Softmax分類器，即不同類別的樣本特征差異更大；

采用誤差反向傳播梯度下降算法對DCSCN網絡整體微調，得到整個網絡參數，所述的網絡參數為權重和偏置；設網絡層數為L，則第L層的目標函數表示如下：

其中，表示第L-1層網絡隱含層激勵值，y_i,t表示樣本x_i,t對應的標簽，W_L代表網絡最后一層的權重，W_k1和b_k1分別表示網絡其它層的權重和偏置；

利用BP算法優化求解如公式(18)所示的目標函數，得到整個網絡參數，過程如下：

step 1：設權重系數的修改量為ΔW，考慮到學習速率η，有

step 2：求解

設則有：

當k＝L時，上式簡化為：

d^L＝(h^L-Y)h^L(1-h^L) (22)

當k＜L時，式(21)簡化為：

step 3：按照負梯度方向修改權系數W和偏置系數b：

同理，可得偏置系數的修改量：

由于W:＝W+ΔW，得權重系數和偏置系數更新公式如下：

W_k1:＝W_k1+ΔW_k1＝W_k1-ηd^kh^k-1 (27)

W_L:＝W_L+ΔW_L＝W_L-ηd^Lh^L-1 (28)

同理，權重W_k1和偏置b_k1迭代更新停止條件是目標函數取值不再變小或者達到最大迭代步數；

(3)分類識別

訓練好整個網絡的參數后，采用最后一層網絡的Softmax分類器對測試樣本進行識別；如果測試樣本x_i,t是目標，則對應的標簽為+1；如果測試樣本不是目標，則對應的標簽為-1；所述的樣本x_i,t是否為目標的概率計算如下：

其中，W_L代表網絡最后一層的權重，代表樣本x_i,t在第L-1層編碼后的特征；

最后，測試樣本x_i,t的類別判決如下：