[发明专利]基于DBN模型的干涉SAR图像分类方法

权利要求书

1.一种基于DBN模型的干涉SAR图像分类方法，其特征在于，包括有以下步骤：

(1)输入数据的预处理

输入的数据主要包括干涉SAR图像的主强度图、辅强度图及相干图，对以上三幅图的灰度值进行归一化处理；对每幅图像中的每个像素取一个邻域窗口作为对应每个像素的输入值；将三幅图叠加在一起，合成一个三维图像，该合成图像包括了干涉SAR图像对应所有的待分类数据信息；

(2)样本选择

根据干涉SAR图像的实际地物分布，对合成三维图像中的每一类数据随机选取n个M×M×3的图像块作为训练样本；

(3)深度信念网络DBN模型训练

DBN模型训练前首先确定模型参数，主要包括：网络层数、每层节点数、学习率，这些参数通过实验逐一调整，将确定好的参数用于预训练和微调整；

DBN模型训练包括预训练阶段和微调整阶段

3.1预训练阶段采用逐层训练的方式对各层中的RBM进行训练，低一层RBM的隐含层输出作为上一层的RBM的可见层输入，得到整个网络初始权值参数；

3.2微调阶段采用有监督学习方式对最后一层的BP网络进行训练，并将实际输出与预期输出的误差逐层向后传播，对整个DBN网络的权值进行微调，得到训练好的DBN模型；

(4)图像分类

使用训练好的DBN模型，对待分类数据进行用softmax方法分类，得到干涉SAR图像的分类结果。

2.根据权利要求1所述的基于DBN模型的干涉SAR图像分类方法，其特征在于，步骤3中所述的DBN模型参数调整和确定过程包括有如下步骤：

a.把DBN模型预训练和微调学习率均初始设置为0.05，mini—batch为100，迭代次数设置为20，节点数为100，隐含层数从{2，3，4，5，6}里选取，获取不同层数时的分类效果；

b.保持DBN模型其他参数不变，隐含层数目设置为分类效果最好时的3层，隐含层节点数目从{10，20，40，60，100}里选取，获取不同节点数时的分类效果；

c.保持DBN模型其他参数不变，隐含层节点数目设置为100，学习率从{0.01、0.05、0.1、0.5、1}选取，获取不同学习率时的分类效果；

通过以上步骤，确定适用于干涉SAR图像分类的DBN模型最优参数：学习率为0.05，模型层数为3，每层节点数为100。