[发明专利]基于SAR图像统计分布和DBN的SAR图像分类方法

摘要

本发明公开了一种基于SAR图像统计分布和DBN的SAR图像分类方法，主要解决传统的深度置信网络DBN用于SAR图像分类，易产生区域一致性差和边缘信息不完整的问题。其实现过程为：对待分类SAR图像进行预处理，得到DBN的输入矩阵；设计由3个受限玻尔兹曼机组成的DBN；用输入矩阵预训练设计的网络，得到训练好的DBN；从SAR图像类别标记图的标签中，随机选取部分带类别标签的像素集，并使用反向传播算法对训练好的DBN进行微调整；使用微调整后DBN，对待分类图像进行逐像素的分类，得到分类结果并上色输出。本发明具有分类结果优良、区域一致性好、边缘信息完整的优点，可应用于SAR图像的地物分类和目标识别。

主权项

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；

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。

2.根据权利要求1所述的方法，其中步骤3a)中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，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：

下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。 免登录下载普通用户下载升级VIP会员，免费下载

该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西安电子科技大学，未经西安电子科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】

本文链接：http://www.vipzhuanli.com/patent/201810031937.3/，转载请声明来源钻瓜专利网。