CN105718963A

CN105718963A - 基于变长增量型极限学习机的sar图像分类方法

Info

Publication number: CN105718963A
Application number: CN201610133459.8A
Authority: CN
Inventors: 蒋忠进; 崔铁军; 王诗琦
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2016-03-09
Filing date: 2016-03-09
Publication date: 2016-06-29
Anticipated expiration: 2036-03-09
Also published as: CN105718963B

Abstract

本发明公开了一种基于变长增量型极限学习机的SAR图像分类方法，先对待分类的SAR图像进行图像预处理操作，并按照像素进行样本划分；再在SAR图像数据库样本集中采集训练样本；对所有样本图片分别提取基于灰度共生矩阵和基于Gabor滤波的纹理特征；对生成的组合特征进行融合，采用串行方法组合和基于主分量分析方法降维；利用训练样本训练变长增量型极限学习机；将待分类样本输入到训练好的分类器中，得到最终的SAR图像分类结果。本发明方法主要解决SAR图像分类的训练时间长、正确率不高的问题，将变长增量型极限学习机作为分类器，具有泛化性能好、训练效率高的优势，并获得较高的SAR图像分类精度，更具高效性与实用性。

Description

基于变长增量型极限学习机的SAR图像分类方法

技术领域

本发明属于目标识别领域，尤其涉及一种基于变长增量型极限学习机的SAR图像分类方法。

背景技术

SAR图像分类是SAR图像目标识别系统中一个关键的步骤，主要根据给定图像的特征识别物体的属性，将有相似属性的地物划分为一类，为图像上的每一个像素标记所对应的类别。在SAR图像中，不同区域、目标根据受其本身固有属性的影响，会显示出不同的纹理特性。分类器的选择则决定了识别的有效性，提升分类器的准确性实时性，军事上可以提升侦查的自动化水平、攻防的实时性以及战略预警能力；民用方面，可以进一步加强灾难防控能力、地质海洋结构测绘准确性。

与光学图像相比，SAR图像自动目标识别发展还有待完善，其研究难度主要表现在识别有效性较低，很多算法虽然能够成功解决光学图像问题，但是运用到SAR图像时，识别精度往往达不到标准。许多机器学习的模型，比如神经网络、支持向量机、贝叶斯方法等作为分类器被相继被应用到SAR图像目标识别系统中。神经网络方法具有良好的推广能力、鲁棒性以及容错性的特性，因此对解决分类问题具有明显的优势。

极限学习机基于一种新的单隐含层前馈神经网络训练模式，训练过程中唯一需要调整的只有隐层节点数，是一种高效的网络训练算法。将极限学习机应用于雷达信号分析的研究相继出现：Avci,Engin通过使用遗传算法计算最佳的小波熵参数值，设计了基于遗传小波的极限学习机分类器模型，该模型可完成雷达回波信号的自适应特征提取和分类。SamatAlim等将主动学习与极限学习机相结合提出了主动极限学习机，并将该算法用于解决极化SAR图像分类问题。

虽然以上改进型极限学习机在解决SAR图像分类问题时能够获得较好的识别效果，但是训练时间较长。变长增量型极限学习机在收敛速度和网络训练效率上取得平衡，相较于同样识别效果的分类器，变长增量型极限学习机在训练效率上得到大幅提升。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提出一种基于变长增量型极限学习机的SAR图像分类方法，达到操作步骤简单、可靠性高、高效且识别精度高的效果。

技术方案：为了解决现有SAR图像分类的训练时间长、正确率不高的问题，本发明的基于变长增量型极限学习机的SAR图像分类方法，包括以下步骤：

(1)对待分类的SAR图像进行图像预处理操作，对预处理后图像中的每个待分类像素，以该待分类像素为中心像素，并将该中心像素周围预先设定的区域作为待分类样本；

(2)在SAR图像数据库样本集中，分别在不同类别的样本集中采集训练样本构成训练样本集P，所述训练样本的大小与所述待分类样本大小相同；

(3)对待分类的SAR图像的所有待分类样本，所有训练样本分别提取基于灰度共生矩阵的纹理特征和基于Gabor滤波的纹理特征；

(4)对步骤(3)中提取的纹理特征进行融合，采用串行方法组合和主分量分析方法降维得到融合后的特征向量；

(5)基于所述融合后的特征向量，利用所述训练样本集P训练变长增量型极限学习机得到训练好的分类器；

(6)基于所述融合后的特征向量，将所述待分类样本输入到所述训练好的分类器中，得到待分类样本的类别，以待分类样本的类别作为对应中心像素的类别，得到最终的SAR图像分类结果。

其中，步骤(1)中所述中心像素周围预先设定的区域为以所述中心像素为顶点，且包含2^s×2^s个像素的方形区域。

其中，步骤(4)中所述采用串行方法组合和主分量分析方法降维得到融合后的特征向量，具体为：

(4a)对于任意待分类样本和训练样本，将该样本的所述基于灰度共生矩阵的纹理特征与所述基于Gabor滤波的纹理特征首尾相连，串行组合形成相应样本的组合特征向量；

(4b)对所有样本的组合特征进行基于主分量分析的线性降维方法，降维后特征的维数范围为2至该组合特征向量的维度，对比该范围内所有维度下的降维特征可分度后，选择其中可分度最高的维数作为降维后的维数。

其中，步骤(5)中利用所述训练样本集P训练变长增量型极限学习机得到训练好的分类器，包括以下步骤：

1)对所述训练样本集P，其训练样本总量为M，记第i个训练样本为：p(x_i,y_i)，其中x_i＝[x_i1,x_i2,...x_in]^T为融合后的特征向量，y_i为第i个训练样本的类别标记，i＝1,2,…M；

2)隐层节点数目初始值为L＝0，网络误差向量e初始值为期望输出，即e＝T，T为期望输出，T＝[y₁,y₂,…y_M]^T，搜索次数k＝0，当前增加的隐层节点数目α初始值为MinNum，给定期望的训练误差ε作为训练停止的标志，最大搜索次数为K，激活函数为sigmoid函数：h(t)＝1/(1+exp(-t))；

3)判定网络误差向量e的长度是否小于给定期望的训练误差ε，即||e||<ε，如果是则终止训练；否则，跳到步骤4)；

4)前一时刻相关参量用*作为上标以示区分，记录前一时刻网络相关参数，α*＝α，e*＝e，L*＝L；

5)根据L*的值调整α的值，计算当前时刻隐层节点数目L＝L*+α；

6)搜素次数k＝0，计算隐含层的输出矩阵H(w_L,b_L,x)，其表达式如下：

H = {[\begin{matrix} h (w_{1} \cdot x_{1} + b_{1}) & ... & h (w_{L} \cdot x_{1} + b_{1}) \\ . & . \\ . & ... & . \\ . & . \\ h (w_{1} \cdot x_{N} + b_{1}) & ... & h (w_{L} \cdot x_{N} + b_{L}) \end{matrix}]}_{M \times L}

w_j＝[w_1j,w_2j,…w_ij,…w_nj]^T为输入层与第j个隐层单元相连的权值，j＝1,2,...L，b_j为第j个隐层单元的偏置，新增α个结点的连接权值w和b选取[-1,1]进行随机初始化，已存在结点保持原有权值；

7)根据所述输出矩阵H(w_L,b_L,x)计算输出权值β_L；

8)更新搜索次数k＝k+1，计算网络输出误差e^k＝e*-β||H(w_L,b_L,x)||；

9)通过随机搜索找到下降最快的网络误差e＝{e^k|min(||e¹||,...,||e^m||)}，并保存对应的连接权值如果k≤K，跳转到步骤3)；否则跳转到步骤8)。

进一步地，步骤5)中根据L*的值调整α的值，具体为：

当L*≤1时，α＝α*；

当L*>2时，假设当前网络收敛速度变化量Δρ＝Δe-Δe^*，Δe为网络训练样本输出误差平方和的变化量Δe＝||e||²-||e*||²，α与α*的关系为：

α = \{\begin{matrix} α * + 1 & i f & α * < M a x N u m & a n d & Δ ρ < 0 \\ α * - 1 & i f & α * < M i n N u m & a n d & Δ ρ &GreaterEqual; 0 \\ M a x N u m & i f & α * &GreaterEqual; M a x N u m & a n d & Δ ρ < 0 \\ M i n N u m & i f & α * \leq M i n N u m & a n d & Δ ρ &GreaterEqual; 0 \end{matrix} .

进一步地，步骤5)中所述输出权值β_L的表达式为：

β_{L} = \frac{e * \cdot H (w_{L}, b_{L}, x)}{H (w_{L}, b_{L}, x) \cdot H (w_{L}, b_{L}, x)} .

本发明与现有SAR图像分类算法相比的优点在于：本发明中的SAR图像分类方法将像素周围预设的区域作为评定该像素类别的样本，能充分反映该像素的纹理特性；对待分类图像进行包括小波去噪方法、图像直方图均衡化增强方法在内的预处理方法，提高了图像质量与分类性能；利用变长增量型极限学习机方法对SAR图像分类，该算法泛化性能好，分类精度高；又利用网络输出误差的变化率控制网络增长速度，避免随机搜索的时间消耗，训练速度快，运行时间短。

附图说明

图1是本发明中基于变长增量型极限学习机的SAR图像分类方法的流程图；

图2是待分类样本的像素点示意图；

图3是实施例1中仿真使用的待分类SAR图像；

图4是图3的分类结果图；

图5是实施例2中仿真使用的待分类SAR图像；

图6是图5的分类结果图。

具体实施方式

下面将参照附图对本发明进行说明。

图1中，基于变长增量型极限学习机的SAR图像分类方法包括以下步骤：

(1)对待分类的SAR图像进行常规的图像预处理操作，以预处理后图像中的任意待分类像素为中心像素构造待分类样本；

(2)在SAR图像数据库样本集中，分别在不同类别的样本集采集训练样本构成训练样本集；

(3)对待分类的SAR图像的所有待分类样本、训练样本分别提取基于灰度共生矩阵的纹理特征和基于Gabor滤波的纹理特征；

(5)基于融合后的特征向量，利用训练样本集训练变长增量型极限学习机；

(6)基于融合后的特征向量，将待分类样本输入到训练好的分类器中，得到待分类样本的类别，以待分类样本的类别作为对应中心像素的类别，得到最终的SAR图像分类结果。

本发明中将变长增量型极限学习机作为分类器，具有泛化性能好、训练效率高的优势，解决SAR图像分类的训练时间长、正确率不高的问题。下面以2个实施例对本发明方法做进一步具体的介绍。

实施例1：

图3中的待分类SAR数据图像来自于美国新墨西哥州的Albuquerque城中的一处河流，是Ku波段、分辨率为1m的图像，该图像的像素大小为256*256，图像区域地物可分为3类：植被、河流、农作物，即每个像素的类别为该3类中的一种，在进行SAR图像分类是该图像所涉及到的类别是未知的，本实施中利用基于变长增量型极限学习机的SAR图像分类方法的目的是获取该SAR图像中的3种不同类别，将有相似属性的地物划分为一类，为图像上的每一个像素标记所对应的类别。

利用本发明中的基于变长增量型极限学习机的SAR图像分类方法对图3中的待分类SAR图像进行分类包括以下步骤：

(1)对待分类的SAR图像进行常规的图像预处理操作，该预处理操作主要包括去噪、图像增强，以预处理后的图像中任意待分类像素为中心像素，并以中心像素周围预先设定的区域作为待分类样本；

上述中心像素周围预先设定的区域指的是一包含2^s×2^s个像素，其中s取大于0的正整数，且包括该中心像素的一个像素区域，本实施例中采用如图2所示的16×16区域，其中每个小方格表示一个像素，画斜线的像素为中心像素；当然，预先设定的区域也不限于此，次操作主要是为了降低计算量，将获取每个中心像素的类别转变为获取待分类样本的类别。按照预先设定的区域，有些像素将无法满足相应条件，例如，本实施例中对于某些边界像素，便没有相应的待分类样本，在本实施例中将能够获取到待分类样本的像素称为待分类像素。

(2)在预先已经构建好的SAR图像数据库中，该数据库中包括了4种类别的样本集，分别为：植被、河流和2种农作物，从不同类别的样本集中采集训练样本，采用均衡样本训练，即各个类别训练样本数目相等，在四个类别中各取大小为16×16的100张图片样本作为训练样本，这些样本构成训练样本集P，同时保留每个样本的类别信息，训练样本总量为M＝400；

上述预先已经构建好的SAR图像数据库中所涉及到的类别可以根据实际需要进行信息存储，不限于本实施例中所涉及到的4个类别。

(3)对待分类的SAR图像的所有待分类样本、SAR图像数据库样本，分别基于灰度共生矩阵纹理分析方法和基于Gabor滤波纹理分析方法进行特征提取。

通常情况下，计算样本尺度为8的灰度共生矩阵的14种特征参数分别为：角二阶矩、对比度、相关性、方差、逆微分矩、均方和、和方差、和熵、熵、微分方差、微分熵、相关性的两个测度、最大相关系数，获得14维的灰度共生矩阵特征，以及，在4个方向和5个尺度下的共20维Gabor特征。

(4)对提取的两种不同的纹理特征进行特征信息融合，得到融合后维数更低的特征向量；具体如下：

(4a)将14维的灰度共生矩阵特征与20维的Gabor特征收尾相连，串行组合成一个34维的特征向量；

(4b)对所有样本的组合特征进行基于主分量分析的线性降维方法，对比2到34维降维特征的可分度后，选择其中可分度最高的维数作为降维后的维数n，本实施例中为n＝12；

(5)利用训练样本集训练变长增量型极限学习机；具体包括如图1中所示的部分步骤：

(5a)变长增量型极限学习机网络参数初始化；具体为：

1)对于已经形成的训练样本集P，其训练样本总量为M，记第i个样本为：p(x_i,y_i)，其中x_i＝[x_i1,x_i2,...x_in]^T为融合后的特征向量，y_i为第i个样本的类别标记，i＝1,2,...M；

(5b)将训练样本集P输入到变长增量型极限学习机中，进行网络训练；具体为：

1)判定网络误差向量e的长度是否小于给定期望的训练误差ε，即||e||<ε，如果是则终止训练；否则，跳到步骤2)；

2)前一时刻相关参量用*作为上标以示区分，记录前一时刻网络相关参数，α*＝α，e*＝e，L*＝L；

3)根据L*的值调整α的值，计算当前时刻隐层节点数目L＝L*+α。

当L*≤1时，α＝α*；当L*>2时，假设当前网络收敛速度变化量Δρ＝Δe-Δe^*，Δe为网络训练样本输出误差平方和的变化量Δe＝||e||²-||e*||²，α与α*的关系为：

α = \{\begin{matrix} α * + 1 & i f & α * < M a x N u m & a n d & Δ ρ < 0 \\ α * - 1 & i f & α * < M i n N u m & a n d & Δ ρ &GreaterEqual; 0 \\ M a x N u m & i f & α * &GreaterEqual; M a x N u m & a n d & Δ ρ < 0 \\ M i n N u m & i f & α * \leq M i n N u m & a n d & Δ ρ &GreaterEqual; 0 \end{matrix}

α的取值范围为[MinNum，MaxNum]，控制增加或减少最大限度，MinNum＝1，MaxNum＝5。如果要求精度更高更好，可适当减小MinNum与MaxNum，如果对网络训练效率更高，可适当增大MinNum与MaxNum。

4)搜索次数k＝0，计算隐含层的输出矩阵H(w_L,b_L,x)。

H = {[\begin{matrix} h (w_{1} \cdot x_{1} + b_{1}) & ... & h (w_{L} \cdot x_{1} + b_{1}) \\ . & . \\ . & ... & . \\ . & . \\ h (w_{1} \cdot x_{N} + b_{1}) & ... & h (w_{L} \cdot x_{N} + b_{L}) \end{matrix}]}_{M \times L}

w_j＝[w_1j,w_2j,…w_ij,…w_nj]^T为输入层与第j个隐层单元相连的权值，j＝1,2,…L，b_j为第j个隐层单元的偏置，新增α个结点的连接权值w和b选取[-1,1]进行随机初始化，已存在结点保持原有权值。

5)计算输出权值β_L；

β_{L} = \frac{e * \cdot H (w_{L}, b_{L}, x)}{H (w_{L}, b_{L}, x) \cdot H (w_{L}, b_{L}, x)};

6)更新搜索次数k＝k+1，计算网络输出误差e^k＝e*-β||H(w_L,b_L,x)||；

7)通过随机搜索找到下降最快的网络误差e＝{e^k|min(||e¹||,...,||e^m||)}，并保存对应的连接权值如果k≤K，跳转到步骤1)；否则跳转到步骤6)。

(6)将待分类样本输入到训练好的分类器中，在图像上对每个样本的中心像素作类别标记，得到最终的SAR图像分类结果。分类结果如图4所示，可以看出该图中总共有3种颜色的区域，一种颜色代表一种类别，经过对中心像素类别进行统计分析计算得到平均识别率为90.31％。

实施例2：

图5中的待分类SAR数据图像分辨率为5m的无人机载X-SAR图像，图像的像素大小为256*256，图像区域地物可分为4类：植被、河流和两类农作物。与实施例1相同，在进行SAR图像分类是该图像所涉及到的类别是未知的，本实施中利用基于变长增量型极限学习机的SAR图像分类方法具体同实施例1，其目的是获取该SAR图像中的4种不同类别，将有相似属性的地物划分为一类，为图像上的每一个像素标记所对应的类别。

分类结果如图6所示，本实施例中与实施例1的区别仅在于该图像的区域地物类别为4类，因此，相应地，可以看出该图中总共有4种颜色的区域，一种颜色代表一种类别，经过对中心像素类别进行统计分析计算得到平均识别率为91.85％。

由以上两个实施例不难得出以下结论：基于变长增量型极限学习机的SAR图像分类方法将像素的类别定位扩展为待分类样本的定位，虽然在细节刻画上有所缺失，但是区域一致性最好。特征融合能够弥补不同特征在描述图像性质时的不完整性，分类正确率基本能够达到90％以上，充分说明了本算法在解决SAR图像目标识别问题的有效性。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims

1.一种基于变长增量型极限学习机的SAR图像分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的SAR图像分类方法，其特征在于，步骤(1)中所述中心像素周围预先设定的区域为以所述中心像素为顶点，且包含2^s×2^s个像素的方形区域。

3.根据权利要求1所述的SAR图像分类方法，其特征在于，步骤(4)中所述采用串行方法组合和主分量分析方法降维得到融合后的特征向量，具体为：

4.根据权利要求1所述的SAR图像分类方法，其特征在于，步骤(5)中利用所述训练样本集P训练变长增量型极限学习机得到训练好的分类器，包括以下步骤：

1)对所述训练样本集P，其训练样本总量为M，记第i个训练样本为：p(x_i,y_i)，其中x_i＝[x_i1,x_i2,...x_in]^T为融合后的特征向量，y_i为第i个训练样本的类别标记，i＝1,2,...M；

7)根据所述输出矩阵H(w_L,b_L,x)计算输出权值β_L；

5.根据权利要求4所述的SAR图像分类方法，其特征在于，步骤5)中根据L*的值调整α的值，具体为：

当L*≤1时，α＝α*；

α = {\begin{matrix} α * + 1 & i f & α * < M a x N u m & a n d & Δ ρ < 0 \\ α * - 1 & i f & α * < M i n N u m & a n d & Δ ρ &GreaterEqual; 0 \\ M a x N u m & i f & α * &GreaterEqual; M a x N u m & a n d & Δ ρ < 0 \\ M i n N u m & i f & α * \leq M i n N u m & a n d & Δ ρ &GreaterEqual; 0 \end{matrix} .

6.根据权利要求4所述的SAR图像分类方法，其特征在于，步骤5)中所述输出权值β_L的表达式为：

β_{L} = \frac{e * \cdot H (w_{L}, b_{L}, x)}{H (w_{L}, b_{L}, x) \cdot H (w_{L}, b_{L}, x)} .