[发明专利]基于SAR-SIFT和DBN的SAR图像分类方法

摘要

本发明公开了一种基于SAR‑SIFT和DBN的SAR图像分类方法，主要解决了合成孔径雷达图像分类问题。其分类过程为：(1)输入整数类型SAR图像矩阵；(2)转换SAR图像矩阵；(3)提取SAR‑SIFT特征；(4)最大池化处理；(5)归一化；(6)训练四个受限玻耳兹曼机RBM；(7)训练softmax分类器；(8)构建深度置信网DBN网络；(9)分类；(10)计算分类精度。本发明提取了合成孔径雷达图像的SAR‑SIFT特征，采用了深度置信网DBN，逐层地学习特征，保留了雷达图像的信息完整性，挖掘了深度信息，具有良好的分类效果，可用于SAR图像分类。

主权项

1.基于SAR‑SIFT和DBN的SAR图像分类方法，其具体步骤包括如下：(1)输入整数类型SAR图像矩阵；(2)转换SAR图像矩阵：将输入的整数类型SAR图像矩阵的整数int类型矩阵转化为双精度double类型矩阵；(3)提取SAR‑SIFT特征：(3a)选取半径为16个像素，移动步长为2个像素的圆形窗口，在双精度double类型SAR图像矩阵中滑动，得到双精度double类型SAR图像矩阵的区域；(3b)在双精度double类型SAR图像矩阵的区域中提取SAR‑SIFT局部特征，得到128*2209维的SAR‑SIFT特征矩阵；(4)最大池化处理：(4a)选取一个大小为2个像素的向下采样的因子，得到大小为2*2个像素的池化窗口，将SAR‑SIFT局部特征矩阵划分到576个不相交的矩形子区域上；(4b)从每一个不相交的矩形子区域中提取一个最大特征，组成池化后的SAR‑SIFT特征矩阵；(5)按照下式，对池化后的SAR‑SIFT特征矩阵进行归一化：其中，Xnorm表示归一化后的SAR‑SIFT特征矩阵，X表示池化后的SAR‑SIFT特征矩阵，Xmax和Xmin分别表示池化后的SAR‑SIFT特征矩阵的最大值和最小值；(6)训练四个受限玻耳兹曼机RBM：(6a)将归一化后的SAR‑SIFT特征矩阵，输入到第一层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第一层受限玻耳兹曼机RBM的网络参数{W1,b1}，将归一化后的SAR‑SIFT特征矩阵输入到第一层受限玻耳兹曼机RBM，得到SAR‑SIFT特征矩阵的第一层深层特征；(6b)将SAR‑SIFT特征矩阵的第一层深层特征，输入到第二层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第二层受限玻耳兹曼机RBM的网络参数{W2,b2}，将SAR‑SIFT特征矩阵的第一层深层特征输入到第二层受限玻耳兹曼机RBM，得到SAR‑SIFT特征矩阵的第二层深层特征；(6c)将SAR‑SIFT特征矩阵的第二层深层特征，输入到第三层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第三层受限玻耳兹曼机RBM的网络参数{W3,b3}，将SAR‑SIFT特征矩阵的第二层深层特征输入到第三层受限玻耳兹曼机RBM，得到SAR‑SIFT特征矩阵的第三层深层特征；(6d)将SAR‑SIFT特征矩阵的第三层深层特征，输入到第四层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第四层受限玻耳兹曼机RBM的网络参数{W4,b4}，将SAR‑SIFT特征矩阵的第三层深层特征输入到第四层受限玻耳兹曼机RBM，得到SAR‑SIFT特征矩阵的第四层深层特征；(7)训练softmax分类器：将SAR‑SIFT特征矩阵的第四层深层特征和输入的整数类型SAR图像矩阵所对应类标，输入到softmax分类器中，采用softmax函数训练softmax分类器，得到softmax分类器的参数θ；(8)构建深度置信网DBN网络：(8a)将训练受限玻耳兹曼机RBM得到的参数{W1,b1,W2,b2,W3,b3,W4,b4}和softmax分类器训练得到的参数θ组成深度置信网DBN的参数{W1,b1,W2,b2,W3,b3,W4,b4,θ}；(8b)将softmax分类器级联到四层受限玻耳兹曼机RBM的第四层，得到深度置信网DBN模型；(8c)将深度置信网DBN的参数{W1,b1,W2,b2,W3,b3,W4,b4,θ}输入深度置信网DBN模型，得到深度置信网DBN网络；(9)分类：将归一化后的SAR‑SIFT特征矩阵，输入到深度置信网DBN中，得到整数SAR图像矩阵的分类结果；(10)按照下式，计算分类精度：其中，lab表示输入整数类型SAR图像矩阵的类标数，er表示整数SAR图像矩阵的分类结果中的错误分类数。