[發(fā)明專利]基于巴氏系數(shù)的單類標(biāo)注下遙感影像目標(biāo)區(qū)域提取方法

在審

• 申請?zhí)枺?/td>: 201810334259.8
• 申請日: 2018-04-14
• 公開（公告）號: CN108920998A
• 公開（公告）日: 2018-11-30
• 發(fā)明（設(shè)計）人: 張燕;張晨光
• 申請（專利權(quán)）人: 海南大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種單類標(biāo)注下遙感影像目標(biāo)區(qū)域的提取方法，其特征在于依次包括以下步驟：

步驟 1，輸入一張多光譜高分辨率遙感影像至可進(jìn)行圖像處理的計算設(shè)備，選取m（m為常數(shù)）個波段，將每一波段的值都?xì)w一化至[0,1]范圍內(nèi), 組成m個通道的圖像；通過計算設(shè)備在圖像中人工標(biāo)注少量目標(biāo)區(qū)域的像元位置；

步驟2，對影像的每一個像元位置，在圖像的每一個通道上，以該位置為中心施加k×k（k是奇數(shù)）的模板提取該位置在該通道上的特征，特征包括模板內(nèi)所有像素的灰度值、灰度均值、灰度標(biāo)準(zhǔn)差、Gabor特征；將每一個像元位置在所有通道上得到的特征合并組成一個d維列向量，一個像元位置對應(yīng)一個d維列向量，稱為像元特征向量，并將這些向量組成向量集，記為，其中l是已標(biāo)注像元位置的個數(shù)，是待標(biāo)注像元位置的個數(shù)，對應(yīng)已標(biāo)注像元位置，組成的集合記為 ，其余對應(yīng)待標(biāo)注像元位置，組成的集合記為；

步驟3，建立隱含混合高斯-伯努利受限玻爾茨曼機（Implicit mixture model ofGaussian-Bernoulli Restricted Boltzmann Machines）用以描述像元特征向量的數(shù)據(jù)分布，它的兩個受限玻爾茨曼機分量分別用以描述正類（目標(biāo)）和負(fù)類（非目標(biāo)）像元特征向量的數(shù)據(jù)分布，具體步驟包括：

步驟3.1，兩個波爾茲曼機分量都是標(biāo)準(zhǔn)的受限波爾茲曼機，具有相同的網(wǎng)絡(luò)結(jié)構(gòu)，包括可見層和隱藏層，層間全連接，層內(nèi)無連接；令兩個波爾茲曼機分量中可視層的結(jié)點個數(shù)都為d，隱藏層結(jié)點個數(shù)都為m；令、和分別是第k個波爾茲曼機可見層第i個結(jié)點與隱藏層第j個結(jié)點之間的連接權(quán)重、可見層所有結(jié)點的偏移量和隱藏層所有結(jié)點的偏移量，其中，，, 且表示正類, 表示負(fù)類；進(jìn)一步將，，作為元素分別組成d行m列矩陣，d行列向量，m行列向量，；

步驟3.2， 混合高斯-伯努利玻爾茨曼機的自由能量函數(shù)定義為：

其中

，

是可見層結(jié)點的取值，是隱藏層結(jié)點的取值，被稱為指示量，是一個2維2值向量，當(dāng)中的元素取值只能為0或1，且，當(dāng)時表示當(dāng)前像元特征向量屬于正類，否則屬于負(fù)類；

步驟3.3，給定可見層結(jié)點取值，并給定模型參數(shù)如前所述，它屬于第k類的后驗條件概率為

其中；

步驟4，以最小化正類分布密度與負(fù)類分布密度之間的巴氏系數(shù)（Bhattacharyyacoefficient）為目標(biāo)使得正負(fù)類之間盡量遠(yuǎn)離彼此，并要求隱含混合高斯-伯努利受限玻爾茨曼機與待標(biāo)注像元特征向量的經(jīng)驗分布相吻合，要求正類玻爾茨曼機分量與已標(biāo)注目標(biāo)像元特征向量的經(jīng)驗分布相吻合，建立優(yōu)化問題如下：

，

其中：且；以及都是經(jīng)驗分布，是關(guān)于向量的函數(shù)，它僅在0向量點上為0，其余向量點上值為1； 是Kullback–Leibler散度運算；

步驟5，求解步驟4中的優(yōu)化問題，得到隱含混合高斯-伯努利受限玻爾茨曼機中的模型參數(shù)值，具體步驟包括：

步驟5.1，令

（是一個常數(shù)）；

將步驟4中的優(yōu)化問題轉(zhuǎn)換為無約束優(yōu)化問題

；

令

，

，

，

，

;

步驟5.2，采用梯度法求解上述無約束優(yōu)化問題，具體步驟如下：

步驟5.2.1，隨機初始化模型參數(shù)，給定閾值，給定最大循環(huán)次數(shù)；令當(dāng)前迭代次數(shù)；

步驟5.2.2，令；令優(yōu)化目標(biāo)關(guān)于模型參數(shù)的梯度為，其中，，，；

步驟5.2.3，初始化；

步驟5.2.4，給定可見層結(jié)點取值，估計的類別：若，令；若，通過在當(dāng)前模型參數(shù)基礎(chǔ)上計算得到屬于正類的后驗條件概率；隨機生成區(qū)間[0,1]之間的一個數(shù)，如果，令，表示屬于正類，否則令，表示屬于負(fù)類；

步驟5.2.5，給定可見層結(jié)點取值，選定第個受限玻爾茨曼機分量，通過

，，

計算得到給定可見層取值的條件下隱藏層任意結(jié)點（）取值為1的概率；隨機生成區(qū)間[0,1]之間的一個數(shù)，如果，令，否則令，得到隱藏層取值為

；

步驟5.2.6，給定隱藏層結(jié)點取值，在第個受限玻爾茨曼機分量上，通過

，，

重構(gòu)可見層的取值，得到可見層新的取值為；

步驟5.2.7，給定可見層新的取值上，重復(fù)步驟5.2.4得到屬于正類的后驗條件概率，進(jìn)而得到的類別，如果表示屬于正類，否則表示屬于負(fù)類；選定第個受限玻爾茨曼機分量，在新的可見層取值上重復(fù)步驟5.2.5得到隱藏層任意結(jié)點（）取值為1的概率，進(jìn)而得到新的隱藏層結(jié)點取值為

；

步驟5.2.8，當(dāng)時，輸出，，，，，，，，，其中輸出；否則令，跳轉(zhuǎn)至步驟5.2.4，繼續(xù)循環(huán)執(zhí)行步驟5.2.4至步驟5.2.8；

步驟5.2.9，關(guān)于模型參數(shù)（，）偏導(dǎo)的估計值為

,

是僅關(guān)于的函數(shù)，它關(guān)于（）的偏導(dǎo)數(shù)的估計值為

，

是僅關(guān)于的函數(shù)，它關(guān)于（，）的偏導(dǎo)數(shù)的估計值為

，

其中取為個（）中值為1占總數(shù)的比例且，

與分別是已標(biāo)注像元特征向量和待標(biāo)注像元特征向量重構(gòu)后的經(jīng)驗分布，是關(guān)于向量的函數(shù)，它僅在0向量點上為0，其余向量點上值為1，

，

，

，，

，

，

，

，是二范數(shù)；

步驟5.2.10，令，，其中；令（），；更新模型參數(shù)為，其中為大于0的常數(shù)；

步驟5.2.11，當(dāng)U集上的重構(gòu)誤差或迭代次數(shù)時輸出模型參數(shù)；否則跳轉(zhuǎn)至步驟5.2.2，繼續(xù)循環(huán)執(zhí)行步驟5.2.2至步驟5.2.11；

步驟6，對任意一個待標(biāo)注的像元特征向量，在已得到的模型參數(shù)的基礎(chǔ)上計算它屬于正類的后驗概率，即令

；

根據(jù)貝葉斯判別方法，如果，則當(dāng)前待標(biāo)注像元特征屬于正類，否則屬于負(fù)類；最后按照待標(biāo)注像元位置的類別標(biāo)記從遙感影像中提取得到目標(biāo)區(qū)域。