[發明專利]一種基于深度階梯網絡的高分辨SAR圖像分類方法

有效

• 申請號: 201710369380.X
• 申請日: 2017-05-23
• 公開（公告）號: CN107133653B
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 焦李成;屈嶸;李晰;張丹;楊淑媛;侯彪;馬文萍;劉芳;尚榮華;張向榮;唐旭;馬晶晶
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06T7/11
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

1.一種基于深度階梯網絡的高分辨SAR圖像分類方法，其特征在于，包括如下步驟：

(1)通過高分辨SAR圖像及其人工標記圖來構造訓練數據集D1和測試數據集D2；

(2)將訓練數據集D1和測試數據集D2中每個元素歸一化至[0，1]之間，分別得到歸一化后的訓練數據集D3和歸一化后的測試數據集D4；

(3)構造基于深度階梯網絡的分類模型；

(4)用訓練數據集D1對基于深度階梯網絡進行訓練，得到訓練好的模型；

(5)利用訓練好的模型對測試數據集D2進行分類，獲得最終的分類結果；

所述步驟(1)的具體步驟如下：

(1a)先對高分辨SAR圖像進行三倍降采樣，再在該圖上采用滑窗的方法取21×21像素大小的塊代表該塊區域，將21×21像素大小的塊拉成441維的列向量作為訓練數據集D1的特征部分；

再將待分類的高分辨SAR圖像的人工標記圖采用滑窗的方法取21×21像素大小的圖像塊，并統計每個圖像塊中每類標記像素的個數，若未標記像素占整個圖像塊的30％以上則拋棄該像素塊，否則選取像素個數最多的類別作為這塊圖像的類標，得到訓練數據集D1的類標；在D1中取5％作為有類標數據L，剩下數據作為無類標數據U；

(1b)對高分辨SAR圖像進行三倍降采樣后的圖進行超像素分割，以每個超像素的中心點取21×21大小的圖像塊代表整個超像素區域，將其拉成441維的列向量作為測試數據集D2的特征部分；

所述步驟(3)的具體步驟如下：

(3a)構造一個編碼器，分為含噪通路與不含噪通路，含噪通路中每層均會加入一定的噪聲，不含噪通路則不加，兩者采用相同的結構，其結構為：由輸入層→隱藏層1→隱藏層2→隱藏層3→隱藏層4→softmax分類器組成的6層全連接神經網絡，給定各層的節點數，所采用的6層全連接神經網絡，每層的權重與偏置參數對含噪通路與不含噪通路是共享的；

(3b)構造一個解碼器，其接受來自編碼器含噪通路中對應層的輸出以及解碼器上一層的輸出作為解碼器的輸入，其每一層重構出編碼器不含噪通路對應層的特征；

(3c)構造損失函數C；

所述步驟(3b)中，中構造解碼器器時，其重構函數為其中，為含噪通路第l層的輸出，為解碼器l+1層的輸出，為解碼器第l層的輸出；

步驟(3c)構造的損失函數C為：

其中，為交叉熵損失函數，其中為分類器輸出，t(n)為第n個樣本的類標，N為每批訓練樣本個數；為每層重構均方誤差項，其中z^(l)為第l層不含噪通路的特征，為解碼器第l層重構特征，L為網絡的層數，λ_l代表每層重構誤差在損失函數中所占權重，設置為[1000，10，0.1，0.1，0.1，0.1]，m_l每層神經元個數。

2.根據權利要求1所述的一種基于深度階梯網絡的高分辨SAR圖像分類方法，其特征在于，所述步驟(2)中歸一化處理采用線性縮放的方法，具體為：對訓練數據集D1的特征先求出其最大值max(D1)；再將訓練數據集D1特征中的每個元素均除以最大值max(D1)，得到歸一化后的訓練數據集D3，對測試數據集D2進行相同的操作得到歸一化后的測試數據集D4。

3.根據權利要求1所述的一種基于深度階梯網絡的高分辨SAR圖像分類方法，其特征在于，所述步驟(3a)中，對含噪通路中添加的噪聲為均值為0，方差為0.2的高斯噪聲，輸入層、隱藏層1、隱藏層2、隱藏層3、隱藏層4和softmax分類器的參數如下：

第一層為輸入層，設置單元個數為441；

第二層為隱藏層1，設置單元個數為800；

第三層為隱藏層2，設置單元個數為500；

第四層為隱藏層3，設置單元個數為300；

第五層為隱藏層4，設置單元個數為100；

第六層為softmax分類器，設置輸出單元個數為3。