CN104392244A - 基于堆栈自动编码机的合成孔径雷达图像分类方法 - Google Patents
基于堆栈自动编码机的合成孔径雷达图像分类方法 Download PDFInfo
- Publication number
- CN104392244A CN104392244A CN201410765174.7A CN201410765174A CN104392244A CN 104392244 A CN104392244 A CN 104392244A CN 201410765174 A CN201410765174 A CN 201410765174A CN 104392244 A CN104392244 A CN 104392244A
- Authority
- CN
- China
- Prior art keywords
- automatic coding
- data
- coding machine
- sar
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
基于堆栈自动编码机的合成孔径雷达图像分类方法,属于雷达图像分类技术领域。本发明是为了解决SAR图像数据由于噪声污染严重以及非线性特性,造成分类精度低的问题。它首先采集N幅原始SAR图像进行数据准备,获得SAR图像数据及SAR监督数据;由SAR图像数据获得训练图像数据和测试图像数据;由SAR监督数据获得训练监督数据及测试监督数据;使用训练图像数据对各层自动编码机进行预训练,在预训练的基础上,使用训练监督数据对网络进行有监督学习,微调网络,获得训练好的基于堆栈自动编码机的网络;将测试图像数据输入训练好的基于堆栈自动编码机的网络实现SAR图像分类。本发明用于合成孔径雷达图像的分类。
Description
技术领域
本发明涉及基于堆栈自动编码机的合成孔径雷达图像分类方法,属于雷达图像分类技术领域。
背景技术
合成孔径雷达SAR是一种利用微波进行感知的主动传感器,相对于其它传感器,SAR可以全天候、全天时进行信息的获取。随着SAR技术的不断发展,能够获取的SAR图像越来越多,如何有效地使用这些图像成为一个亟需解决的问题。
SAR图像数据由于噪声污染严重以及其非线性特性,对其分类精度造成了限制。
发明内容
本发明目的是为了解决SAR图像数据由于噪声污染严重以及非线性特性,造成分类精度低的问题,提供了一种基于堆栈自动编码机的合成孔径雷达图像分类方法。
本发明所述基于堆栈自动编码机的合成孔径雷达图像分类方法,它包括以下步骤:
步骤一:采集N幅原始SAR图像进行数据准备,获得SAR图像数据及SAR监督数据;
步骤二:由SAR图像数据获得训练图像数据和测试图像数据;由SAR监督数据获得训练监督数据及测试监督数据;
步骤三:使用训练图像数据对基于堆栈自动编码机构成的网络的各层自动编码机进行预训练,学习数据特征并提取特征;在预训练的基础上,使用训练监督数据对基于堆栈自动编码机构成的网络进行有监督学习,微调网络,获得训练好的基于堆栈自动编码机的网络;
步骤四:将测试图像数据输入训练好的基于堆栈自动编码机的网络实现SAR图像分类。
步骤一中获得SAR图像数据及SAR监督数据的具体方法为:
设定每幅原始SAR图像的大小为M×M,读取每一幅原始SAR图像,将每一幅原始SAR图像转化为M2的行向量;对N幅原始SAR图像进行遍历,得到SAR图像数据,为N×M2的矩阵;由原始SAR图像确定相应的图像类别标号,作为SAR监督数据,为N×1的向量,该向量中第i个元素标记第i幅原始SAR图像的类别标号,i=1,2,3,……N。
步骤二中由SAR图像数据获得训练图像数据和测试图像数据;由SAR监督数据获得训练监督数据及测试监督数据的具体方法为:
对SAR图像数据,从第一行开始,由上至下隔行抽取行向量形成训练图像数据;从第二行开始,由上至下隔行抽取行向量形成测试图像数据;
对SAR监督数据,从第一行开始,由上至下隔行抽取行向量形成训练监督数据;从第二行开始,由上至下隔行抽取行向量形成测试监督数据。
步骤三中获得训练好的基于堆栈自动编码机的网络的具体方法为:
将训练图像数据作为基于堆栈自动编码机构成的网络的m层自动编码机的输入,m为正整数,通过非监督的学习预训练所述网络;每层自动编码机采用相同的隐层节点数目h,h为正整数,作为网络输入层的自动编码机的节点数目为M2,其余层的自动编码机的输入为上一层的输出,可视节点数目为h;在预训练所述网络的过程中,通过不断的迭代调整网络输入层与隐层之间的连接权重,实现数据特征的学习并提取特征;
在m层自动编码机的输出端,使用逻辑回归分类器作为分类器,将作为网络输出层的自动编码机的包含有h个节点的输出作为逻辑回归分类器的输入,逻辑回归分类器的输出节点数目为原始SAR图像的类别总数C,逻辑回归分类器输出节点的相应图像类别位置置1,其它输出节点为0;再采用训练监督数据对网络输入层与隐层之间的连接权重进行微调,获得训练好的基于堆栈自动编码机的网络。
步骤四中将测试图像数据输入训练好的基于堆栈自动编码机的网络实现SAR图像分类的具体方法为:
将测试图像数据构成的二维矩阵作为训练好的基于堆栈自动编码机的网络的输入,进行分类,训练好的基于堆栈自动编码机的网络的输出为测试图像数据的图像类别标号。
将测试监督数据的类别标号与步骤四中获得的测试图像数据的图像类别标号进行比较,获得最终分类结果。
本发明的优点:本发明采用深度学习技术中的堆栈自动编码机SAE实现对合成孔径雷达图像特征的提取,它针对SAR图像数据的噪声污染严重以及非线性特性,用深度学习的方法对图像进行深层的特征学习与提取,再通过有监督的微调,结束整个深层网络的训练过程,最后将待分类的SAR图像输入网络完成分类。
本发明方法解决了SAR图像数据的噪声污染严重以及非线性特性对分类精度的限制,充分利用了SAR图像所包含的信息,通过深层的神经网络结构,实现了图像数据的分类。
附图说明
图1是本发明所述基于堆栈自动编码机的合成孔径雷达图像分类方法的流程图。
具体实施方式
具体实施方式一:下面结合图1说明本实施方式,本实施方式所述基于堆栈自动编码机的合成孔径雷达图像分类方法,它包括以下步骤:
步骤一:采集N幅原始SAR图像进行数据准备,获得SAR图像数据及SAR监督数据;
步骤二:由SAR图像数据获得训练图像数据和测试图像数据;由SAR监督数据获得训练监督数据及测试监督数据;
步骤三:使用训练图像数据对基于堆栈自动编码机构成的网络的各层自动编码机进行预训练,学习数据特征并提取特征;在预训练的基础上,使用训练监督数据对基于堆栈自动编码机构成的网络进行有监督学习,微调网络,获得训练好的基于堆栈自动编码机的网络;
步骤四:将测试图像数据输入训练好的基于堆栈自动编码机的网络实现SAR图像分类。
步骤一中进行数据准备是为了对原始SAR图像进行整理,以适应后续算法的需要。
具体实施方式二:本实施方式对实施方式一作进一步说明,步骤一中获得SAR图像数据及SAR监督数据的具体方法为:
设定每幅原始SAR图像的大小为M×M,读取每一幅原始SAR图像,将每一幅原始SAR图像转化为M2的行向量;对N幅原始SAR图像进行遍历,得到SAR图像数据,为N×M2的矩阵;由原始SAR图像确定相应的图像类别标号,作为SAR监督数据,为N×1的向量,该向量中第i个元素标记第i幅原始SAR图像的类别标号,i=1,2,3,……N。
具体实施方式三:本实施方式对实施方式二作进一步说明,步骤二中由SAR图像数据获得训练图像数据和测试图像数据;由SAR监督数据获得训练监督数据及测试监督数据的具体方法为:
对SAR图像数据,从第一行开始,由上至下隔行抽取行向量形成训练图像数据;从第二行开始,由上至下隔行抽取行向量形成测试图像数据;
对SAR监督数据,从第一行开始,由上至下隔行抽取行向量形成训练监督数据;从第二行开始,由上至下隔行抽取行向量形成测试监督数据。
具体实施方式四:本实施方式对实施方式三作进一步说明,步骤三中获得训练好的基于堆栈自动编码机的网络的具体方法为:
将训练图像数据作为基于堆栈自动编码机构成的网络的m层自动编码机的输入,m为正整数,通过非监督的学习预训练所述网络;每层自动编码机采用相同的隐层节点数目h,h为正整数,作为网络输入层的自动编码机的节点数目为M2,其余层的自动编码机的输入为上一层的输出,可视节点数目为h;在预训练所述网络的过程中,通过不断的迭代调整网络输入层与隐层之间的连接权重,实现数据特征的学习并提取特征;
在m层自动编码机的输出端,使用逻辑回归分类器作为分类器,将作为网络输出层的自动编码机的包含有h个节点的输出作为逻辑回归分类器的输入,逻辑回归分类器的输出节点数目为原始SAR图像的类别总数C,逻辑回归分类器输出节点的相应图像类别位置置1,其它输出节点为0;再采用训练监督数据对网络输入层与隐层之间的连接权重进行微调,获得训练好的基于堆栈自动编码机的网络。
本实施方式包括两部分:使用训练图像数据对构成深层网络的各层自动编码机AE进行预训练,学习数据特征并提取特征;在预训练的基础上,在训练监督数据的协助下,利用反向转播算法对多层AE构成的基于堆栈自动编码机SAE进行有监督学习,微调网络。
通过不断的迭代调整网络输入层与隐层之间的连接权重,使得整个网络能够较为准确的学习并提取出数据的本质特征。
在训练监督数据的协助下,对整个网络的权重进行微调,能够保证图像数据较高的分类精度。
本实施方式中,m的取值一般为2-5;h的取值一般为20-100。
具体实施方式五:本实施方式对实施方式四作进一步说明,步骤四中将测试图像数据输入训练好的基于堆栈自动编码机的网络实现SAR图像分类的具体方法为:
将测试图像数据构成的二维矩阵作为训练好的基于堆栈自动编码机的网络的输入,进行分类,训练好的基于堆栈自动编码机的网络的输出为测试图像数据的图像类别标号。
本实施方式实现了SAR图像的分类。
具体实施方式六:本实施方式对实施方式五作进一步说明,将测试监督数据的类别标号与步骤四中获得的测试图像数据的图像类别标号进行比较,获得最终分类结果。
本实施方式可以计算出整个分类系统的分类精度的定量衡量。
Claims (6)
1.一种基于堆栈自动编码机的合成孔径雷达图像分类方法,其特征在于,它包括以下步骤:
步骤一:采集N幅原始SAR图像进行数据准备,获得SAR图像数据及SAR监督数据;
步骤二:由SAR图像数据获得训练图像数据和测试图像数据;由SAR监督数据获得训练监督数据及测试监督数据;
步骤三:使用训练图像数据对基于堆栈自动编码机构成的网络的各层自动编码机进行预训练,学习数据特征并提取特征;在预训练的基础上,使用训练监督数据对基于堆栈自动编码机构成的网络进行有监督学习,微调网络,获得训练好的基于堆栈自动编码机的网络;
步骤四:将测试图像数据输入训练好的基于堆栈自动编码机的网络实现SAR图像分类。
2.根据权利要求1所述的基于堆栈自动编码机的合成孔径雷达图像分类方法,其特征在于,步骤一中获得SAR图像数据及SAR监督数据的具体方法为:
设定每幅原始SAR图像的大小为M×M,读取每一幅原始SAR图像,将每一幅原始SAR图像转化为M2的行向量;对N幅原始SAR图像进行遍历,得到SAR图像数据,为N×M2的矩阵;由原始SAR图像确定相应的图像类别标号,作为SAR监督数据,为N×1的向量,该向量中第i个元素标记第i幅原始SAR图像的类别标号,i=1,2,3,……N。
3.根据权利要求2所述的基于堆栈自动编码机的合成孔径雷达图像分类方法,其特征在于,步骤二中由SAR图像数据获得训练图像数据和测试图像数据;由SAR监督数据获得训练监督数据及测试监督数据的具体方法为:
对SAR图像数据,从第一行开始,由上至下隔行抽取行向量形成训练图像数据;从第二行开始,由上至下隔行抽取行向量形成测试图像数据;
对SAR监督数据,从第一行开始,由上至下隔行抽取行向量形成训练监督数据;从第二行开始,由上至下隔行抽取行向量形成测试监督数据。
4.根据权利要求3所述的基于堆栈自动编码机的合成孔径雷达图像分类方法,其特征在于,步骤三中获得训练好的基于堆栈自动编码机的网络的具体方法为:
将训练图像数据作为基于堆栈自动编码机构成的网络的m层自动编码机的输入,m为正整数,通过非监督的学习预训练所述网络;每层自动编码机采用相同的隐层节点数目h,h为正整数,作为网络输入层的自动编码机的节点数目为M2,其余层的自动编码机的输入为上一层的输出,可视节点数目为h;在预训练所述网络的过程中,通过不断的迭代调整网络输入层与隐层之间的连接权重,实现数据特征的学习并提取特征;
在m层自动编码机的输出端,使用逻辑回归分类器作为分类器,将作为网络输出层的自动编码机的包含有h个节点的输出作为逻辑回归分类器的输入,逻辑回归分类器的输出节点数目为原始SAR图像的类别总数C,逻辑回归分类器输出节点的相应图像类别位置置1,其它输出节点为0;再采用训练监督数据对网络输入层与隐层之间的连接权重进行微调,获得训练好的基于堆栈自动编码机的网络。
5.根据权利要求4所述的基于堆栈自动编码机的合成孔径雷达图像分类方法,其特征在于,步骤四中将测试图像数据输入训练好的基于堆栈自动编码机的网络实现SAR图像分类的具体方法为:
将测试图像数据构成的二维矩阵作为训练好的基于堆栈自动编码机的网络的输入,进行分类,训练好的基于堆栈自动编码机的网络的输出为测试图像数据的图像类别标号。
6.根据权利要求5所述的基于堆栈自动编码机的合成孔径雷达图像分类方法,其特征在于,将测试监督数据的类别标号与步骤四中获得的测试图像数据的图像类别标号进行比较,获得最终分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410765174.7A CN104392244A (zh) | 2014-12-11 | 2014-12-11 | 基于堆栈自动编码机的合成孔径雷达图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410765174.7A CN104392244A (zh) | 2014-12-11 | 2014-12-11 | 基于堆栈自动编码机的合成孔径雷达图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104392244A true CN104392244A (zh) | 2015-03-04 |
Family
ID=52610145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410765174.7A Pending CN104392244A (zh) | 2014-12-11 | 2014-12-11 | 基于堆栈自动编码机的合成孔径雷达图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104392244A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751173A (zh) * | 2015-03-12 | 2015-07-01 | 西安电子科技大学 | 基于协同表示和深度学习的极化sar图像分类方法 |
CN106803062A (zh) * | 2016-12-20 | 2017-06-06 | 陕西师范大学 | 栈式降噪自编码神经网络手势图像的识别方法 |
CN108834170A (zh) * | 2018-07-24 | 2018-11-16 | 南昌航空大学 | 无线传感器网络链路质量评估方法 |
CN108896450A (zh) * | 2018-05-14 | 2018-11-27 | 中国科学院合肥物质科学研究院 | 基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法 |
CN109711314A (zh) * | 2018-12-21 | 2019-05-03 | 西安电子科技大学 | 基于特征融合与sae的雷达辐射源信号分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080095428A1 (en) * | 2006-09-05 | 2008-04-24 | Bruker Daltonik Gmbh | Method for training of supervised prototype neural gas networks and their use in mass spectrometry |
CN104156736A (zh) * | 2014-09-05 | 2014-11-19 | 西安电子科技大学 | 基于sae和idl的极化sar图像分类方法 |
-
2014
- 2014-12-11 CN CN201410765174.7A patent/CN104392244A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080095428A1 (en) * | 2006-09-05 | 2008-04-24 | Bruker Daltonik Gmbh | Method for training of supervised prototype neural gas networks and their use in mass spectrometry |
CN104156736A (zh) * | 2014-09-05 | 2014-11-19 | 西安电子科技大学 | 基于sae和idl的极化sar图像分类方法 |
Non-Patent Citations (1)
Title |
---|
ZHOUHAN LIN等: "Spectral-Spatial Classification of Hyperspectral Image Using Autoencoders", 《IEEE》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751173A (zh) * | 2015-03-12 | 2015-07-01 | 西安电子科技大学 | 基于协同表示和深度学习的极化sar图像分类方法 |
CN104751173B (zh) * | 2015-03-12 | 2018-05-04 | 西安电子科技大学 | 基于协同表示和深度学习的极化sar图像分类方法 |
CN106803062A (zh) * | 2016-12-20 | 2017-06-06 | 陕西师范大学 | 栈式降噪自编码神经网络手势图像的识别方法 |
CN108896450A (zh) * | 2018-05-14 | 2018-11-27 | 中国科学院合肥物质科学研究院 | 基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法 |
CN108896450B (zh) * | 2018-05-14 | 2020-11-03 | 中国科学院合肥物质科学研究院 | 基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法 |
CN108834170A (zh) * | 2018-07-24 | 2018-11-16 | 南昌航空大学 | 无线传感器网络链路质量评估方法 |
CN108834170B (zh) * | 2018-07-24 | 2021-04-13 | 南昌航空大学 | 无线传感器网络链路质量评估方法 |
CN109711314A (zh) * | 2018-12-21 | 2019-05-03 | 西安电子科技大学 | 基于特征融合与sae的雷达辐射源信号分类方法 |
CN109711314B (zh) * | 2018-12-21 | 2021-04-02 | 西安电子科技大学 | 基于特征融合与sae的雷达辐射源信号分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184309B (zh) | 基于cnn和svm的极化sar图像分类 | |
CN104392244A (zh) | 基于堆栈自动编码机的合成孔径雷达图像分类方法 | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
CN104537647B (zh) | 一种目标检测方法及装置 | |
CN106875373A (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN103927534A (zh) | 一种基于卷积神经网络的喷码字符在线视觉检测方法 | |
CN106096561A (zh) | 基于图像块深度学习特征的红外行人检测方法 | |
CN104834940A (zh) | 一种基于支持向量机的医疗影像检查疾病分类方法 | |
CN103218831A (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
CN104182772A (zh) | 一种基于深度学习的手势识别方法 | |
CN109784204A (zh) | 一种用于并联机器人的堆叠串类水果主果梗识别和提取方法 | |
Gyawali et al. | Comparative analysis of multiple deep CNN models for waste classification | |
CN101599126A (zh) | 利用全局互信息加权的支持向量机分类器 | |
CN102855490A (zh) | 高分辨率遥感影像面向对象神经网络分类方法 | |
CN104484681A (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
CN103077399B (zh) | 基于集成级联架构的生物显微图像分类方法 | |
CN101251896B (zh) | 一种基于多分类器的物体检测系统及方法 | |
CN104361351A (zh) | 一种基于区域统计相似度的合成孔径雷达图像分类方法 | |
CN106650823A (zh) | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 | |
CN105740914A (zh) | 一种基于近邻多分类器集成的车牌识别方法及系统 | |
CN101980251A (zh) | 二叉树多类支持向量机遥感分类方法 | |
CN112990282B (zh) | 一种细粒度小样本图像的分类方法及装置 | |
CN103886332A (zh) | 一种检测与识别金属网栅缺陷的方法 | |
Arikan et al. | Surface defect classification in real-time using convolutional neural networks | |
CN109145944A (zh) | 一种基于纵向三维图像深度学习特征的分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150304 |
|
WD01 | Invention patent application deemed withdrawn after publication |