[发明专利]基于SPM和深度增量SVM的SAR图像分类方法

摘要

本发明公开了一种基于SPM和深度增量SVM的SAR图像分类方法。其步骤为：(1)输入SAR图像；(2)提取SAR图像稠密SIFT特征；(3)构建字典；(4)稀疏编码；(5)空间金字塔池化；(6)计算归一化特征；(7)构建增量训练集；(8)初始化深度增量支持向量机；(9)计算测试样本的初始分类准确率；(10)更新深度增量支持向量机；(11)计算测试样本的分类准确率。本发明能有效提取图像的空间信息，并结合了深度学习和增量学习的优点，具有提高SAR图像分类精度，减少训练时间的优点。

主权项

1.一种基于SPM和深度增量SVM的SAR图像分类方法，包括如下步骤：(1)输入SAR图像：输入SAR图像数据集中已知类别标签的训练样本集和测试样本集；(2)提取SAR图像稠密SIFT特征：采用稠密取样的方法，以16*16像素大小，步长为6的稠密网格提取训练样本集和测试样本集中的所有SAR图像的平移不变特征变换SIFT特征点；(3)构建字典：(3a)从训练样本集的每幅SAR图像中，随机抽取100个平移不变特征变换SIFT特征点，作为字典的训练样本；(3b)设置字典的原子个数为200，字典的稀疏度为5，采用K‐SVD算法对字典的训练样本进行训练，得到训练好的字典；(4)稀疏编码：按照下式，计算训练样本集和测试样本集中每幅SAR图像的平移不变特征变换SIFT特征点的稀疏编码，得到训练样本集和测试样本集中每幅SAR图像的特征编码：其中，min表示求最小值操作，c表示平移不变特征变换SIFT特征点的稀疏编码，||||2表示求二范数操作，f表示平移不变特征变换SIFT特征点，B表示训练好的字典；(5)空间金字塔池化：(5a)对训练样本集和测试样本集中每幅SAR图像的特征编码，建立三层的空间金字塔，得到含有21个子区域的三层空间金字塔；(5b)分别对三层空间金字塔的每个子区域进行最大值池化，得到每个子区域的最大值池化结果；(5c)将每个子区域的池化结果首尾相连，得到训练样本集和测试样本集中每幅SAR图像的特征向量；(6)计算归一化特征：采用归一化公式，计算训练样本集和测试样本集中每幅SAR图像的特征向量的归一化特征，得到空间金字塔匹配SPM处理后的训练样本集和测试样本集；(7)构建增量训练集：对处理后的训练样本集进行分批处理，每50个训练样本为一个增量训练集，得到整理好的增量训练集；(8)初始化深度增量支持向量机：(8a)随机选取一个增量训练集作为初始训练集；(8b)采用增量学习方法，将初始训练集输入到深度支持向量机中的第一层支持向量机进行训练，得到初始训练样本的支持向量以及支持向量对应的拉格朗日乘子和类别标签；(8c)采用特征值公式，计算初始训练样本的所有支持向量对应的特征值；(8d)将初始训练样本中的所有支持向量对应的特征值，输入到深度支持向量机中的第二层支持向量机进行训练，得到初始的深度增量支持向量机；(9)计算测试样本的初始分类准确率：(9a)将处理后的测试样本输入到初始的深度增量支持向量机进行分类，得到测试样本的预测类别标签；(9b)采用精度公式，计算测试样本的初始分类准确率，得到测试样本的初始分类准确率；(10)将深度增量支持向量机的更新次数k设置为1；(11)更新深度增量支持向量机：在剩余的增量训练集中任选一个增量训练集输入第k‑1次更新后的深度增量支持向量机中进行增量训练，得到第k次更新后的深度增量支持向量机；(12)计算测试样本的分类准确率：(12a)将处理后的测试样本输入第k次更新后的深度增量支持向量机进行识别，得到测试样本的预测类别标签；(12b)采用精度公式，计算测试样本的分类准确率，得到测试样本的分类准确率；(13)判断是否训练完所有的增量训练集，若是，则执行步骤(14)，否则，将深度增量支持向量机的更新次数k加1，执行步骤(11)；(14)结束。