[發(fā)明專利]一種基于深度學(xué)習(xí)SAR圖像分類的圖像選擇的方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110802002.2
• 申請(qǐng)日: 2021-07-15
• 公開（公告）號(hào): CN113505710B
• 公開（公告）日: 2022-06-03
• 發(fā)明（設(shè)計(jì)）人: 許聰;劉海成;王崢
• 申請(qǐng)（專利權(quán)）人: 黑龍江工程學(xué)院
• 主分類號(hào): G06V20/10
• 分類號(hào): G06V20/10;G06V10/771;G06V10/84;G06V10/80;G06V10/764;G06V10/82;G06K9/62;G06N3/08
• 代理公司: 廣東中科華海知識(shí)產(chǎn)權(quán)代理有限公司 44668
• 代理人: 陳春艷

1.一種基于深度學(xué)習(xí)SAR圖像分類的圖像選擇的方法，其特征在于，所述方法包括：

步驟1，對(duì)待分析圖像進(jìn)行初始化，特征層融合可以表示為最大后驗(yàn)概率(MAP)估計(jì)，

其中，S代表N幅圖像對(duì)應(yīng)像素的標(biāo)記，Y＝[y₁,…,y_N]包含不同圖像對(duì)應(yīng)像素的特征；

步驟2，引入因子圖來描述不同圖像中對(duì)應(yīng)像素之間的關(guān)系，不同圖像對(duì)應(yīng)像素之間的關(guān)系建立為馬爾可夫模型，其中，所述引入因子圖來描述不同圖像中對(duì)應(yīng)像素之間的關(guān)系，后驗(yàn)分布p(S|Y)分解為單個(gè)變量和成對(duì)項(xiàng)：

其中，每個(gè)單變量Φ_n(S_n)模擬聯(lián)合分布中S_n的影響，每個(gè)成對(duì)項(xiàng)Ψ_ij(S_i,S_j)表示圖中邊S_i和S_j的相互依賴性；

步驟3，利用信念傳播算法，避免了計(jì)算傳感器的聯(lián)合統(tǒng)計(jì)分布，有利于簡(jiǎn)化圖像選擇算法的計(jì)算，其中，作為消息傳遞機(jī)制的信念傳播算法可以將消息更新規(guī)則簡(jiǎn)化為線性融合模型，作為消息傳遞機(jī)制的信念傳播算法可以將消息更新規(guī)則簡(jiǎn)化為線性融合模型，把L_n和θ定義為：

對(duì)于每一像素l，

θ＝A_lL_n, (5)

其中，A_l是1×N向量，每個(gè)元素a_i代表任一圖像與其他圖像之間的關(guān)系，L_n是N×1向量；

步驟4，對(duì)于選定圖像確定其與其他圖像之間的特征相關(guān)性，并確定傳感器融合的容量以完成圖像選擇的過程，傳感器融合的容量由θ和L_n的互信息定義：

其中，l是像素編號(hào)；

每個(gè)像素都有功率約束的多輸入單輸出(MISO)系統(tǒng)的容量，因此得到：

其中，M是選定圖像的個(gè)數(shù)，不超過N，σ²是加性高斯白噪聲的功率，a_i是A_l的第i個(gè)元素，p_i是每個(gè)像素的功率；

由于p_i設(shè)置為常數(shù)，則等式(7)變?yōu)椋?/p>

其中，a_i表示圖像n與其他圖像之間的特征相關(guān)性，使用典型相關(guān)分析(CCA)方法計(jì)算，是每個(gè)圖像的平均信噪比。

2.一種基于深度學(xué)習(xí)SAR圖像分類的圖像選擇的系統(tǒng)，其特征在于，包括處理器、機(jī)器可讀存儲(chǔ)介質(zhì)，所述機(jī)器可讀存儲(chǔ)介質(zhì)和所述處理器連接，所述機(jī)器可讀存儲(chǔ)介質(zhì)用于存儲(chǔ)程序、指令或代碼，所述處理器用于執(zhí)行所述機(jī)器可讀存儲(chǔ)介質(zhì)中的程序、指令或代碼，以實(shí)現(xiàn)權(quán)利要求1所述的基于深度學(xué)習(xí)SAR圖像分類的圖像選擇的方法。