CN105701503A - 基于dbn模型的干涉sar图像分类方法 - Google Patents

Abstract

本发明公开了一种基于深度信念网络DBN模型的干涉SAR图像分类方法，本发明解决了自动提取干涉SAR图像特征的技术问题。其实现过程是：1输入数据预处理，将输入数据进行归一化，对每个像素取其一个大小为M×M窗口；2样本提取，根据干涉SAR图像对应的实际地物，对待分类的每种地物选取一定量的样本；3根据实验确定DBN模型参数，然后根据样本训练DBN模型；4根据训练好的DBN模型，对待分类数据进行分类。本发明把DBN模型应用到干涉SAR图像分类上，利用了DBN模型自身优势，自动提取图像特征，缩短分类时间；发掘图像之间的相关性，提高分类准确率。可应用于干涉化合成孔径雷达SAR图像分类。

Description

基于DBN模型的干涉SAR图像分类方法

技术领域

本发明属于图像处理技术领域，涉及一种基于深度信念网络(DBN模型)的干涉合成孔径雷达(InterferometricSyntheticApertureRadar，InSAR)图像分类方法，具体是一种基于DBN模型的干涉SAR图像分类方法。可用于对雷达图像中不同目标区域进行分类。

背景技术

合成孔径雷达干涉技术作为合成孔径雷达的延伸和发展，主要应用于获取数字高程图(DigitalElevationModel，DEM)、地表形变的检测等领域。在干涉SAR数据处理过程中，会生成一幅衡量干涉图质量好坏的相干图，而相干图对地物具有良好的可分性。

根据相干图的良好可分性，干涉SAR应用到地物分类一般分为两类：直接根据相干图分类以及结合干涉SAR的强度图和相干图对地物进行分类。

只用相干图进行分类包括：云日升提出将Kmeans分类算法与Markov随机场结合一起分类的算法，并将该算法应用在干涉SAR相干图的分类，取得了较好效果；RiadhAbdelfattah等在分析相干图分布特性基础上利用混合模型方法对干涉SAR的相干图分割，其首先用直方图来统计不同地物的相干特性的并利用用混合模型来进行匹配，然后再根据不同模型利用阈值法对不同地物分类。但是以上技术都没有充分利用干涉SAR数据信息，强度图的灰度信息并没有得到利用。

结合干涉的强度图和相干图对地物进行分类包括：MarcusE.Engdahl等人对28幅强度图及对应的14幅相干图采用ISODATA算法进行分类；L.V.DUTRA等人通过对干涉SAR图像特征提取及选择对干涉SAR图像进行分类。但是以上技术分类对干涉SAR图像特征的选择比较繁琐且费时，特别是主强度图、辅强度图及相干图间的相关性并没有发掘提取。

发明内容

本发明的目的在于解决上述现有技术的不足，提出了一种基于DBN模型的干涉SAR图像分类方法，相比现有方法，DBN模型结合了监督学习与非监督学习的优点，充分利用了干涉SAR图像信息，并自动充分发掘主辅强度图和相干图在空间与时间上的相关信息，进而能够更容易、更精确的对干涉SAR图像分类。

本发明是一种基于DBN模型的干涉SAR图像分类方法，其特征在于，包括有以下步骤：

(1)输入数据的预处理

输入的数据主要包括干涉SAR图像的主强度图、辅强度图及相干图，对以上三幅图的灰度值进行归一化处理；为了减小噪声影响，对每幅图像中的每个像素取一个邻域窗口作为对应每个像素的输入值；将三幅图叠加在一起，合成一个三维图像，该合成图像包括了干涉SAR图像对应所有的待分类数据信息；

(2)样本选择

根据干涉SAR图像的实际地物分布，对合成三维图像中的每一类数据随机选取n个M×M×3的图像块作为训练样本；

(3)深度信念网络DBN模型训练

DBN模型训练前首先确定模型参数，主要包括：网络层数、每层节点数、学习率，这些参数通过实验逐一调整，将确定好的参数用于预训练和微调整；

DBN模型训练包括预训练阶段和微调整阶段

DBN模型由多层无监督的限制玻尔兹曼机(restrictedBoltzmanmachine,RBM)和一层有监督的反向传播(back-propagation,BP)网络组成，

3.1预训练阶段采用逐层训练的方式对各层中的RBM进行训练，低一层RBM的隐含层输出作为上一层的RBM的可见层输入，得到整个网络初始权值参数；

3.2微调阶段采用有监督学习方式对最后一层的BP网络进行训练，并将实际输出与预期输出的误差逐层向后传播，对整个DBN网络的权值进行微调，得到训练好的DBN模型；

(4)图像分类

使用训练好的DBN模型，对待分类数据进行用softmax方法分类，得到干涉SAR图像的分类结果。

本发明实现上述目的的思路是：先根据干涉SAR原始数据获取到主辅强度图和相干图，对获得的图像进行预处理，然后根据选取每类的样本数据训练DBN模型，利用训练好的DBN模型对待分类数据进行分类，得到分类结果。

本发明与现有技术相比，具有以下优点：

第一，由于本发明直接利用干涉SAR强度图和相干图的灰度信息来对地物进行分类，利用DBN模型的优点，自动提取输入图像的特征，克服了人工提取特征的困难，使得分类效率更高。

第二，由于本发明采用DBN模型来对图像进行分类，DBN模型可自动发掘主强度图、辅强度图和相干图等三幅图之间的空间和时间上的相关性，克服以往对三幅图在空间和时间上的相关性信息难以获取的缺点。

附图说明

图1为本发明的流程图；

图2所用数据一为Phoenix地区的Radarsat-2的C波段数据，图2(a)为本发明所用数据一的强度图，图2(b)为本发明所用数据一的相干图，图2(c)利用支持向量机SVM对实验数据一的分类结果图，图2(d)采用本发明对实验数据一的仿真图；

图3所用数据二为美国旧金山地区的TerraSAR-X的X波段数据，图3(a)为本发明所用数据二的强度图，图3(b)为本发明所用数据二的相干图，图3(c)为用支持向量机SVM的对数据二的仿真图，图3(d)为本发明对数据二的仿真图。

具体实施方式

下面结合附图，对本发明做详细描述。

现有技术中对干涉SAR图像进行分类时，需要首先对图像的特征提取和选择，其实施过程比较繁琐和费时，而且主强度图、辅强度图及相干图间的相关性难以发掘提取。

实施例1

为此，本发明提出一种基于DBN模型的干涉SAR图像分类方法，参见图1，具体分类包括有以下步骤：

(1)输入数据的预处理

输入的数据主要包括干涉SAR图像的主强度图、辅强度图及相干图，对以上三幅图的灰度值进行归一化处理；为了减小噪声影响，对每幅图像中的每个像素取一个邻域窗口作为对应每个像素的输入值；将三幅图叠加在一起，合成一个三维图像，该合成图像包括了干涉SAR图像对应所有的待分类数据信息。本例中邻域窗口大小为5×5的像素块。预处理以后去除了强度图和相干图不同量纲对分类结果的影响，且有效减小了噪声对分类效果影响。

(2)样本选择

根据干涉SAR图像的实际地物分布，对合成三维图像中的每一类数据随机选取n个M×M×3的图像块作为训练样本。本例中n为3，M为50。

(3)深度信念网络DBN模型训练

DBN模型训练前首先确定模型参数，主要包括：网络层数、每层节点数、学习，以上这些参数对分类效果影响较大，主要的参数通过实验逐一调整，将确定好的参数用于预训练和微调整。

DBN模型训练包括预训练阶段和微调整阶段：

DBN模型由多层无监督的限制玻尔兹曼机(restrictedBoltzmanmachine,RBM)和一层有监督的反向传播(back-propagation,BP)网络组成。

3.1预训练阶段采用逐层训练的方式对各层中的RBM进行训练，低一层RBM的隐含层输出作为上一层的RBM的可见层输入，得到整个网络初始权值参数。

3.2微调阶段采用有监督学习方式对最后一层的BP网络进行训练，并将实际输出与预期输出的误差逐层向后传播，对整个DBN网络的权值进行微调，得到训练好的DBN模型。

(4)图像分类

本发明使用训练好的DBN模型，对待分类数据进行用softmax方法分类，得到干涉SAR图像的分类结果。

实施例2

基于DBN模型的干涉SAR图像分类方法同实施例1，其中步骤3中预训练阶段包括有如下步骤：

3.1.1对于一组特定数据(v,h)，则DBN网络中RBM作为一个系统所拥有的能量E用数学表达式表示为：

$E(v,h|\mathrm{\θ})=-\underset{i=1}{\overset{I}{\Σ}}{a}_i{v}_i-\underset{j=1}{\overset{J}{\Σ}}{b}_j{h}_j-\underset{i=1}{\overset{I}{\Σ}}\underset{j=1}{\overset{J}{\Σ}}{w}_{ij}{v}_i{h}_j$

v和h分别代表RBM的可见层和隐含层；w代表两层间的连接权值大小；I和J分别表示可见层和隐含层的节点数目；v_i和h_j则分别代表第i个可见层神经元的状态和第j个隐含层神经元的状态；w_ij代表隐含层节点h_j和可见层节点v_i之间的连接权值大小；a_i、b_j分别代表可见层v_i、隐含层h_j的偏置值量；θ＝(w_ij,a_i,b_j)是RBM网络参数；

3.1.2基于以上能量函数E，获得可见层和隐含层(v,h)的联合概率分布：

p(v,h|θ)＝e^-E(v,h|θ)/Z(θ)

式中，代表归一化项，即配分函数。

3.1.3求取第j个隐含层神经元的激活概率：

$p(h_j=1|v,\mathrm{\θ})=\mathrm{\σ}(b_j+\underset{i=1}{\overset{I}{\Σ}}{v}_i{w}_{ji})$

σ(x)＝1/(a+e^-x)是sigmoid函数；

3.1.4获取第i个可见层神经元的激活概率：

$p(h_i=1|h,\mathrm{\θ})=\mathrm{\σ}(b_i+\underset{j=1}{\overset{J}{\Σ}}{v}_j{w}_{ji})$

3.1.5通过对训练集上求极大数似然函数获得参数θ*，样本数目为T：

$\mathrm{\θ}*={\arg }_{\mathrm{\θ}}\max L\left(\mathrm{\θ}\right)={\arg }_{\mathrm{\θ}}max\underset{t=1}{\overset{T}{\Σ}}lnp\left(v^{\left(t\right)}\right|\mathrm{\θ})$

3.1.6利用对比散度(contrastivedivergence，CD)算法求得各网络层内部参数，其更新规则

Δw_ij＝ε(＜v_ih_j＞_data-＜v_ih_j＞_recon)

Δa_i＝ε(＜v_i＞_data-＜v_i＞_recon)

Δb_j＝ε(＜h_j＞_data-＜h_j＞_recon)

ε为预训练的学习率，＜·＞_data表示样本数据集在所定义分布上的数学期望，＜·＞_recon表示重构后模型定义的分布上数学期望。

另外，本例中邻域窗口大小为3×3的像素块。为了去除强度图和相干图不同量纲对分类结果的影响，对输入图像的灰度值进行了归一化。

根据干涉SAR图像的实际地物分布，对合成三维图像中的每一类数据随机选取n个M×M×3的图像块作为训练样本。本例中干涉SAR图像对应的实际地物比较复杂，在每一类区域选取多个样本，n取为20，M取为20。

由于本发明采用DBN模型来对图像进行分类，充分利用了DBN模型能够主动学习数据特征的优点。本发明中采用的主强度图和辅强度图是由不同时间对同一地区获取的干涉SAR数据得到的，因此两幅图在时间上有相关性，而相干图是由主图像和辅图像复相乘得到的，因此相干图和主辅强度图在空间上有相关性，因此，本发明能够自动发掘主强度图、辅强度图及相干图三幅图之间在空间和时间上的规律，克服以往忽视了三幅图在空间和时间上的相关性信息。

实施例3

基于DBN模型的干涉SAR图像分类方法同实施例1-2，其中步骤3中微调整阶段包括有如下步骤：

3.2.1计算每一层的灵敏度δ

δ_i＝o_i(1-o_i)(d_i-o_i)

o_i表示第i个节点实际的输出；d_i表示第i个节点的期望输出；δ表示灵敏度。

在第l个隐含层里，灵敏度δ的计算根据下式计算：

${\mathrm{\δ}}_i^l=y_i^l(1-y_i^l){\mathrm{\Σw}}_{ij}^l{\mathrm{\δ}}_j^{l+1}$

式中，表示第l个隐含层的第i个节点实际输出。

3.2.2获取到每层的灵敏度δ之后，DBN网络结构各网络层权值根据下式更新：

$w_{ij}^l=w_{ij}^l+{\mathrm{\ϵ}}_{fine-turning}\×y_i^l{\mathrm{\δ}}_j^{l+1}$

$b_j^l=b_j^l+{\mathrm{\ϵ}}_{fine-turning}\×{\mathrm{\δ}}_j^{l+1}$

式中，ε_fine-turning为微调整学习率，l为隐含层序号。

实施例4

基于DBN模型的干涉SAR图像分类方法同实施例1-3，其中步骤3中DBN模型参数调整和确定过程包括有如下步骤：

DBN模型参数主要包括：网络层数、每层节点数、学习，以上这些参数对分类效果影响较大，批训练mini—batch一般根据样本数量大小来选定，当数据量比较大时候，对应的mini-batch也较大，迭代次数一般根据实验来确定，这些参数一般根据经验和实验数据来选定。

a.把DBN模型预训练和微调学习率均初始设置为0.05，mini—batch为100，迭代次数设置为20，节点数为100，隐含层数从{2，3，4，5，6}里选取，获取不同层数时的分类效果。

b.保持DBN模型其他参数不变，不变的参数有：学习率、mini-batch、迭代次数。隐含层数目设置为分类效果最好时的3层，隐含层节点数目从{10，20，40，60，100}里选取，获取不同节点数时的分类效果。

c.保持DBN模型其他参数不变，不变的参数有：网络层数、mini-batch、迭代次数。隐含层节点数目设置为100，学习率从{0.01、0.05、0.1、0.5、1}选取，获取不学习率时的分类效果。

通过以上步骤，确定适用于干涉SAR图像分类的DBN模型最优参数：学习率为0.05，模型层数为3，每层节点数为100。

本发明的效果可通过以下仿真进一步说明

实施例5

基于DBN模型的干涉SAR图像分类方法同实施例1-4，

1.仿真条件：

本发明的仿真实验在主频2.5GHZ的PentiumDual_CoreCPUE5200、内存4.00GB的硬件环境和MATLABR2014a的软件环境下进行的。

2.仿真内容：

本发明仿真使用的实验数据一为Phoenix地区的Radarsat-2的C波段数据，使用的实验数据二为美国旧金山地区的TerraSAR-X的X波段数据，图2(a)和图2(b)分别为本发明仿真使用Phoenix地区的Radarsat-2的C波段数据的强度图和相干图。图2(c)利用支持向量机SVM对实验数据一的分类结果图。图2(d)采用本发明对实验数据一的仿真图。图3(a)和图3(b)分别为本发明仿真使用美国旧金山地区的TerraSAR-X的X波段数据的强度图和相干图。图3(c)是采用经典SVM分类方法对实验数据二的分类结果图。图3(d)是采用本发明对实验数据二的分类结果图。

3.仿真效果分析：

图2中待分类地物是三种不同的农作物。图2(c)是使用支持向量机SVM对实验数据一分类效果图，分类准确为89.13％，图2(d)是使用本发明对实验数据一分类效果图，分类准确率为91.03％。从准确率对比可以看出，与传统经典支持向量机SVM相比，本发明的分类准确率更高，而且本发明的运行时间要比现有技术分类方法短很多，效率更高。

实施例6

基于DBN模型的干涉SAR图像分类方法同实施例1-4，仿真条件和仿真内容同是实例5，参见图3。

图3(c)是采用经典的支持向量机SVM分类方法得到的结果，从图中可以看出，目标区域地物大致得到了划分，但是还有较多地域划分不准确，楼房区域分类不明显，楼房的整体轮廓没有较好的分割出来，边缘较模糊，被划分为道路区域太多，道路和植被两类之间错分太多。由图3(d)可见，本发明的分类结果与图3(c)相比，本发明对楼房的整体轮廓分类效果更好，楼房轮廓和边缘更清晰，道路也大致被划分出来，道路与植被间错分更少，两类方法对阴影和水域分类效果都较好。由此表面，本发明对干涉SAR图像分类效果更好。

简而言之，本发明公开的基于深度信念网络(DBN模型)的干涉SAR图像分类方法，解决了自动提取干涉SAR图像特征的技术问题。可应用于干涉化合成孔径雷达SAR图像分类。其实现过程是：(1)输入数据预处理，将输入的三幅图的灰度值进行归一化数据转换，对每个像素取其一个大小为M×M窗口；(2)样本提取，根据干涉SAR图像对应的实际地物，对待分类的每种地物选取一定量的样本；(3)根据实验确定DBN模型参数，然后根据样本训练DBN模型；(4)根据训练好的DBN模型，对待分类数据进行分类。本发明把DBN模型应用到干涉SAR图像分类上，利用了DBN模型自身优势，自动提取图像特征，发掘主辅强度图和相干图在空间和时间上的规律，缩短分类时间，提高了分类准确率。

Claims (4)

1.一种基于DBN模型的干涉SAR图像分类方法，其特征在于，包括有以下步骤：

(1)输入数据的预处理

输入的数据主要包括干涉SAR图像的主强度图、辅强度图及相干图，对以上三幅图的灰度值进行归一化处理；对每幅图像中的每个像素取一个邻域窗口作为对应每个像素的输入值；将三幅图叠加在一起，合成一个三维图像，该合成图像包括了干涉SAR图像对应所有的待分类数据信息；

(2)样本选择

根据干涉SAR图像的实际地物分布，对合成三维图像中的每一类数据随机选取n个M×M×3的图像块作为训练样本；

(3)深度信念网络DBN模型训练

DBN模型训练前首先确定模型参数，主要包括：网络层数、每层节点数、学习率，这些参数通过实验逐一调整，将确定好的参数用于预训练和微调整；

DBN模型训练包括预训练阶段和微调整阶段

3.1预训练阶段采用逐层训练的方式对各层中的RBM进行训练，低一层RBM的隐含层输出作为上一层的RBM的可见层输入，得到整个网络初始权值参数；

3.2微调阶段采用有监督学习方式对最后一层的BP网络进行训练，并将实际输出与预期输出的误差逐层向后传播，对整个DBN网络的权值进行微调，得到训练好的DBN模型；

(4)图像分类

使用训练好的DBN模型，对待分类数据进行用softmax方法分类，得到干涉SAR图像的分类结果。

2.根据权利要求1所述的基于DBN模型的干涉SAR图像分类方法，其特征在于，步骤3中所述的预训练阶段包括有如下步骤：

3.1.1对于一组特定数据(v,h)，则DBN网络中RBM作为一个系统所拥有的能量E用数学表达式表示为：

$E(v,h|\mathrm{\θ})=-\underset{i=1}{\overset{I}{\Σ}}{a}_i{v}_i-\underset{j=1}{\overset{J}{\Σ}}{b}_j{h}_j-\underset{i=1}{\overset{I}{\Σ}}\underset{j=1}{\overset{J}{\Σ}}{w}_{ij}{v}_i{h}_j$

v和h分别代表RBM的可见层和隐含层；w代表两层间的连接权值大小；I和J分别表示可见层和隐含层的节点数目；v_i和h_i则分别代表第i个可见层神经元的状态和第j个隐含层神经元的状态；w_ij代表隐含层节点h_j和可见层节点v_i之间的连接权值大小；a_i、b_j分别代表可见层v_i、隐含层h_j的偏置值量；θ＝(w_ij,a_i,b_j)是RBM网络参数；

3.1.2基于以上能量函数，获得可见层和隐含层(v,h)的联合概率分布：

p(v,h|θ)＝e^-E(v,h|θ)/Z(θ)

式中，代表归一化项，即配分函数；

3.1.3求取第j个隐含层神经元的激活概率：

$p(h_i=1|h,\mathrm{\θ})=\mathrm{\σ}(b_i+\underset{j=1}{\overset{J}{\Σ}}{v}_j{w}_{ji})$

σ(x)＝1/(a+e^-x)是sigmoid函数；

3.1.4获取第i个可见层神经元的激活概率：

$p(v_i=1|h,\mathrm{\θ})=\mathrm{\σ}(a_i+\underset{j=1}{\overset{I}{\Σ}}{h}_j{w}_{ji})$

3.1.5通过对训练集上求极大数似然函数获得参数θ*，样本的数目为T：

$\mathrm{\θ}*={\arg }_{\mathrm{\θ}}\max L\left(\mathrm{\θ}\right)={\arg }_{\mathrm{\θ}}max\underset{t=1}{\overset{T}{\Σ}}\ln p\left(v^{\left(t\right)}\right|\mathrm{\θ})$

3.1.6利用对比散度算法求得各网络层内部参数，其更新规则：

Δw_ij＝ε(＜v_ih_j＞_data-＜v_ih_j＞_recon)

Δa_i＝ε(＜v_i＞_data-＜v_i＞_recon)

Δb_j＝ε(＜h_j＞_data-＜h_j＞_recon)

ε为预训练的学习率，＜·＞_data表示样本数据集在所定义分布上的数学期望，＜·＞_recon表示重构后模型定义的分布上数学期望。

3.根据权利要求1所述的基于DBN模型的干涉SAR图像分类方法，其特征在于，步骤3中所述的微调整阶段包括有如下步骤：

3.2.1计算实际输出和期望输出的灵敏度δ

δ_i＝o_i(1-o_i)(d_i-o_i)

o_i表示第i个节点实际的输出；d_i表示第i个节点的期望输出；δ表示灵敏度。

在第l个隐含层里，灵敏度δ的计算根据下式计算：

${\mathrm{\δ}}_i^l=y_i^l(1-y_i^l){\mathrm{\Σw}}_{ij}^l{\mathrm{\δ}}_j^{l+1}$

式中，表示第l个隐含层的第i个节点实际输出。

3.2.2获取到每层的灵敏度δ之后，DBN网络结构各层权值根据下式更新：

$w_{ij}^l=w_{ij}^l+{\mathrm{\ϵ}}_{fine-turning}\×y_i^l{\mathrm{\δ}}_j^{l+1}$

$b_j^l=b_j^l+{\mathrm{\ϵ}}_{fine-turning}\×{\mathrm{\δ}}_j^{l+1}$

ε_fine-turning表示微调整学习率，b_j表示隐含层的偏置值量。

4.根据权利要求1或2或3所述的基于DBN模型的干涉SAR图像分类方法，其特征在于，步骤3中所述的DBN模型参数调整和确定过程包括有如下步骤：

a.把DBN模型预训练和微调学习率均初始设置为0.05，mini—batch为100，迭代次数设置为20，节点数为100，隐含层数从{2，3，4，5，6}里选取，获取不同层数时的分类效果；

b.保持DBN模型其他参数不变，隐含层数目设置为分类效果最好时的3层，隐含层节点数目从{10，20，40，60，100}里选取，获取不同节点数时的分类效果；

c.保持DBN模型其他参数不变，隐含层节点数目设置为100，学习率从{0.01、0.05、0.1、0.5、1}选取，获取不同学习率时的分类效果；

通过以上步骤，确定适用于干涉SAR图像分类的DBN模型最优参数：学习率为0.05，模型层数为3，每层节点数为100。