[发明专利]基于深度RBF网络的SAR图像地物分类方法

摘要

本发明提出了一种基于深度RBF网络的SAR图像地物分类方法，主要解决现有技术分类准确率低的问题。其实现步骤是(1)提取SAR图像的纹元特征；(2)通过深度RBF网络第一层RBF神经网络对SAR图像的纹元特征进行训练，得到图像的高级特征；(3)通过深度RBF网络的第二层稀疏自动编码器网络SAE对高级特征进行训练，得到图像的更高级特征；(4)通过深度RBF网络第三层RBF神经网络对更高级特征进行训练，得到图像地物分类特征；(5)将图像测试样本的地物分类特征与测试样本标签对比，调节深度RBF网络各层参数，得到最优测试分类准确率。本发明分类准确率高，可用于复杂图像分类。

主权项

一种基于深度RBF网络的SAR图像地物分类方法，包括以下步骤：(1)给定一个由三层结构构成的深度RBF网络，其中第一层与第三层均是由一个输入单元，一个隐含单元和一个输出单元组成的RBF神经网络；第二层是由一个输入单元，一个隐含单元和一个输出单元组成的稀疏自编码器SAE神经网络；(2)对SAR图像进行预处理，利用所述的深度RBF网络学习出SAR图像的地物分类特征：(2a)选取包含城镇，农田，山脉三类地物的SAR图像作为分类对象，其中每类地物有50个训练样本，100个测试样本，每个样本的分辨率均是128*128，将每个样本分割成分辨率为64*64的图像块，得到200个训练样本和400个测试样本；(2b)提取训练样本的纹元特征feature1，即SAR图像训练样本的低级特征；将纹元特征feature1作为深度RBF网络中第一层输入层的输入特征输入，通过RBF神经网络对纹元特征feature1进行训练，得到RBF神经网络中隐含单元的输出feature2，即SAR图像的高级特征；所述的通过RBF神经网络对纹元特征feature1进行训练，按如下步骤进行：(2b1)将纹元特征feature1作为矩阵实验室MATLAB自带的RBF神经网络训练函数NEWRB()的输入；(2b2)矩阵实验室MATLAB自带的RBF神经网络训练函数NEWRB()用非监督方法K均值K‑means聚类方法确定径向基函数RBF的欧式距离中心和均方差，并根据均方差和纹元特征feature1自动确定RBF神经网络隐含单元结点数目；(2b3)调节RBF神经网络的均方差，获得纹元特征feature1的训练准确率；(2c)通过稀疏自编码网络SAE对SAR图像的高级特征feature2进行训练，得到该SAE网络输出单元的输出feature3，作为深度RBF网络的第二层输出，即SAR图像的更高级特征：(2c1)将SAR图像的高级特征feature2作为稀疏自编码网络SAE的输入单元的输入；(2c2)随机初始化稀疏自编码网络SAE中连接输入单元与隐含单元的权值矩阵W和偏置值b，用反向传播算法BP训练权值矩阵W和偏置值b；(2c3)利用梯度下降法L‑BFGS的多次迭代对反向传播算法BP训练权值矩阵W和偏置值b进行更新，得到最优的权值矩阵W和偏置值b，完成稀疏自编码网络SAE的训练；(2c4)调节稀疏自编码网络SAE的隐含单元结点数目，获得SAR图像的高级特征feature2训练准确率；(2d)通过RBF神经网络对SAR图像的更高级特征feature3进行训练，得到该RBF神经网络输出单元的输出feature4，作为深度RBF网络的第三层输出，即SAR图像训练样本的地物分类特征；(3)将SAR图像训练样本的地物分类特征feature4与SAR图像的训练样本类别标签进行对比，通过调节深度RBF网络各层的参数，得到最优的训练分类准确率：(3a)用矩阵实验室MATLAB自带的sim()函数对SAR图像训练样本的地物分类特征进行预测，得到训练样本地物特征的标签label1；(3b)将预测出训练样本地物特征的标签label1与SAR图像给定的训练样本类别标签label2进行对比，统计标签相同的样本个数，得到训练分类准确率，通过微调深度RBF网络各层的参数得到最优的训练分类准确率；(4)重复步骤(1)‑(3)，利用深度RBF网络对SAR图像测试样本的纹元特征进行训练，得到SAR图像测试样本的地物分类特征，并将SAR图像测试样本的地物分类特征与SAR图像的测试样本类别标签进行对比，通过调节深度RBF网络各层的参数，得到最优的SAR图像地物测试分类准确率。