[发明专利]基于SAR图像统计分布和DBN的SAR图像分类方法

权利要求书

1.基于SAR图像统计分布特性和DBN的SAR图像分类方法，包括：

1)读入一幅待分类的SAR图像，由该图像中的一个像素与其周围的像素构成邻域矩阵，对图像的每个像素取一个邻域矩阵，用这些邻域矩阵组成神经网络的输入矩阵；

2)设计由3个受限玻尔兹曼机组成深度置信网络DBN，其中第1个受限玻尔兹曼机是伽马受限玻尔兹曼机Gamma RBM，第2个和第3个受限玻尔兹曼机是伯努利-伯努利受限玻尔兹曼机BBRBM；每个受限玻尔兹曼机均由可视层和隐层组成，层内结点无连接，层间结点全连接，每个受限玻尔兹曼机的参数集为{W,b,c}，其中W为连接可见层节点和隐层节点的权值矩阵，b、c分别为可见层和隐层的偏置；

3)对步骤2设计的网络进行训练，得到训练好的深度置信网络DBN：

3a)将输入矩阵作为深度置信网络DBN的输入，对第1个受限玻尔兹曼机进行预训练，得到第1个受限玻尔兹曼机的输出，并保存其权值矩阵和偏置；其实现如下：

(3a1)对于一组特定的数据(v,h)，根据SAR图像的Gamma分布和受限玻尔兹曼机的能量公式，推导出新的能量函数：

其中v和h分别代表受限玻尔兹曼机的可见层和隐层，L代表SAR图像的视数，W_ij是权值矩阵的第i行第j列元素，表示连接第i个可见层结点和第j个隐层结点的权重值；n_v为可视层节点的数目，n_h是隐层节点的数目；v_i代表第i个可见层结点的状态，h_j代表第j个隐层结点的状态；b_i和c_j分别为可见层节点v_i和隐层节点h_j的偏置；

(3a2)由新的能量函数推导得出第j个隐层节点的激活值为：

其中sigmoid函数是神经网络中的激活函数，其定义为：

sigmoid(x)＝1/(1+e^-x)

该激活值公式表示在已知可见层状态v^(k)时，采样得到第j个隐层节点值为1的概率；

(3a3)调用CD-k算法进行k次Gibbs采样，即产生[0,1]内的随机数，当P(h_j＝1|v)＞R_j时，h_j＝1,否则h_j＝0，通过对全部隐层节点采样后，得到第k次迭代的受限玻尔兹曼机的隐层状态h^(k)；

(3a4)在采样得到隐层状态后，重构第i个可见层节点的激活值：

其中

其中Γ()表示Gamma函数，该激活值公式表示在已知隐层状态h^(k)时，采样得到第i个可见层节点值为x的概率，通过对全部可见层节点采样后，得到可见层状态v^(k+1)；

(3a5)设第一个受限玻尔兹曼机训练样本集为：

其中，n_s为训练样本的数目，v^t是第t个训练样本:

(3a6)计算第t个训练样本的概率:

其中θ为受限玻尔兹曼机初始化的参数集，即θ＝{W_ij,b_i,c_j}，Z为受限玻尔兹曼机的配分项；

(3a7)对P(v^t|θ)求关于W_ij、b_i和c_j的偏导数，得到第k次迭代各个参数的梯度：

其中Δw_ij^k表示第一个受限玻尔兹曼机的权值矩阵的梯度，Δb_i^k表示第一个受限玻尔兹曼机的可视层偏置的梯度，Δc_j^k表示第一个受限玻尔兹曼机的隐层偏置的梯度；

(3a8)根据第k次迭代各个参数的梯度，得到训练后的参数W_ij^k+1，b_i^k+1，c_j^k+1：

W_ij^k+1＝W_ij+ηΔw_ij^k

b_i^k+1＝b_i+ηΔb_i^k

c_j^k+1＝c_j+ηΔc_j^k

其中η为各项参数的学习率；

3b)将第1个受限玻尔兹曼机的输出作为深度置信网络DBN的第二个受限玻尔兹曼机的输入，对第2个受限玻尔兹曼机进行预训练，得到第2个受限玻尔兹曼机的输出，并保存其权值矩阵和偏置；

3c)将第3个受限玻尔兹曼机权值矩阵中的数值设置为服从均值为0、方差为0.1的正态分布随机数，将隐层偏置c设置为[0,1]内的随机数；

4)根据SAR图像地物类别参考图中已标注的类别信息，对每个类别随机选取一部分带类别标签的像素集；

5)采用反向传播算法BP，使用带类别标签的像素集对训练好的深度置信网络DBN的参数进行有监督的微调整，得到调整后的深度置信网络DBN；

6)使用调整后的深度置信网络DBN，对待分类图像中的所有像素进行逐一分类，得出分类结果；

7)在完成分类的SAR图像上，按照红绿蓝三基色，对相同的类别标注相同的颜色，得到上色后的分类结果图并输出。