CN105894035A - 基于sar-sift和dbn的sar图像分类方法 - Google Patents

Abstract

本发明公开了一种基于SAR‑SIFT和DBN的SAR图像分类方法，主要解决了合成孔径雷达图像分类问题。其分类过程为：(1)输入整数类型SAR图像矩阵；(2)转换SAR图像矩阵；(3)提取SAR‑SIFT特征；(4)最大池化处理；(5)归一化；(6)训练四个受限玻耳兹曼机RBM；(7)训练softmax分类器；(8)构建深度置信网DBN网络；(9)分类；(10)计算分类精度。本发明提取了合成孔径雷达图像的SAR‑SIFT特征，采用了深度置信网DBN，逐层地学习特征，保留了雷达图像的信息完整性，挖掘了深度信息，具有良好的分类效果，可用于SAR图像分类。

Description

基于SAR-SIFT和DBN的SAR图像分类方法

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分类技术领域中的一种基于合成孔径雷达的尺度不变性特征转换(Synthetic Aperture Radar-Scale invariant featuretransform，SAR-SIFT)和深度置信网(Deep Brief Network，DBN)的合成孔径雷达(Synthetic Aperture Radar，SAR)图像分类方法。本发明可应用于SAR图像的目标分类与识别。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)能够全天时、全天候工作，且其获得的图像分辨率与光学图像相当。SAR图像的分类是合成孔径雷达成像领域的一个关键分支。利用SAR图像对地物进行分类时，特征提取与选择是至关重要的。SAR图像中的典型特征包括峰值、纹理、区域、边缘、强度等。图像中不同区域、目标或物体依据其显示出的不同纹理特性进行区分，这已在SAR图像的分类得到了广泛应用。

针对SAR图像的以上特点，经典的SAR图像分类方法有无监督和有监督两大类。

无监督分类是根据图像数据本身的统计特征及点群分布情况，从纯统计学的角度对图像数据进行类别划分，对象的类别数目和所属类别事先未知。非监督分类的主要方法有，动态聚类法，模糊聚类法，系统聚类法和分裂法等。与无监督分类方法相比，监督分类的优势在于它能通过较为理想的训练样本获得更高的分类精度。监督分类是根据已知的训练样本，通过建立判别函数，将图像中的目标分到给定的类别，因此也称作目标识别。常用的最小距离分类法、最大似然分类法、误差反传神经网络分类法等都属于监督分类法，这种方法分类精度高，是进行SAR图像目标分类识别的有效方法。

西安电子科技大学在其申请的专利“基于稀疏动态集成选择的SAR图像地物分类方法”(专利申请号：201210101134.3，公开号：CN102651073A)中公开了一种基于稀疏动态集成选择SAR图像地物分类方法。该方法对待分类SAR图像提取小波能量特征，从待分类SAR图像中获取训练数据，对待分类SAR图像进行区域划分获得待分类数据，利用训练样本学习集成系统，训练数据学习字典，获得合成字典。虽然能将现有动态集成选择和动态分类器选择算法用于SAR图像地物分类，实现较好的图像分类结果。但是，该方法仍然存在的不足之处是，要求对每一类训练数据学习一个字典，并获得合成字典，以及依赖于对合成字典中每一个原子进行的动态集成选择，导致该分类方法训练时间长，计算复杂度较高，并且鲁棒性不强，降低了多次分类运行的平均精确度。

武汉大学在其申请的专利“一种弱监督的SAR图像分类方法”(专利申请号：201010221605.5，公开号：CN101894275A)中公开了一种弱监督的SAR图像分类方法。该方法同时利用图像的数据信息，图像与图像之间的相关性息和图像在多个尺度上的相关信息，从少量的弱信息中提取重要信息，即从关键词标注的训练数据中学习SAR图像的分类模型，可以大幅度地减少获取精确训练数据的难度，很好的克服了SAR图像分类中的一些局部不确定性问题，但是该方法存在的不足是，在同时图像之间多种相关信息的过程中，数据之间的信息削减得太快，用来训练的少量的弱信息丢失了很多重要细节，导致该分类方法的多次平均分类精度不高，鲁棒性不足。

发明内容

为了克服上述现有技术存在的不足，本发明包括以下步骤：

(1)输入整数类型SAR图像矩阵；

(2)转换SAR图像矩阵：

将输入的整数类型SAR图像矩阵的整数int类型矩阵转化为双精度double类型矩阵；

(3)提取SAR-SIFT特征：

(3a)选取半径为16个像素，移动步长为2个像素的圆形窗口，在双精度double类型SAR图像矩阵中滑动，得到双精度double类型SAR图像矩阵的区域。

(3b)在双精度double类型SAR图像矩阵的区域中，运用尺度不变特征转换方法，提取SAR-SIFT局部特征，得到128*2209维的SAR-SIFT特征矩阵；

(4)最大池化处理：

(4a)选取一个大小为2个像素的向下采样的因子，得到大小为2*2个像素的池化窗口，将SAR-SIFT局部特征矩阵划分到576个不相交的矩形子区域上；

(4b)从每一个不相交的矩形子区域中提取一个最大特征，组成池化后的SAR-SIFT特征矩阵；

(5)按照下式，对池化后的SAR-SIFT特征矩阵进行归一化：

$X_{norm}=\frac{X-X_{min}}{X_{max}-X_{min}}$

其中，X_norm表示归一化后的SAR-SIFT特征矩阵，X表示池化后的SAR-SIFT特征矩阵，X_max和X_min分别表示池化后的SAR-SIFT特征矩阵的最大值和最小值；

(6)训练四个受限玻耳兹曼机RBM：

(6a)将归一化后的SAR-SIFT特征矩阵，输入到第一层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第一层受限玻耳兹曼机RBM的网络参数{W₁,b₁}，将归一化后的SAR-SIFT特征矩阵输入到第一层受限玻耳兹曼机RBM，得到SAR-SIFT特征矩阵的第一层深层特征；

(6b)将SAR-SIFT特征矩阵的第一层深层特征，输入到第二层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第二层受限玻耳兹曼机RBM的网络参数{W₂,b₂}，将SAR-SIFT特征矩阵的第一层深层特征输入到第二层受限玻耳兹曼机RBM，得到SAR-SIFT特征矩阵的第二层深层特征；

(6c)将SAR-SIFT特征矩阵的第二层深层特征，输入到第三层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第三层受限玻耳兹曼机RBM的网络参数{W₃,b₃}，将SAR-SIFT特征矩阵的第二层深层特征输入到第三层受限玻耳兹曼机RBM，得到SAR-SIFT特征矩阵的第三层深层特征；

(6d)将SAR-SIFT特征矩阵的第三层深层特征，输入到第四层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第四层受限玻耳兹曼机RBM的网络参数{W₄,b₄}，将SAR-SIFT特征矩阵的第三层深层特征输入到第四层受限玻耳兹曼机RBM，得到SAR-SIFT特征矩阵的第四层深层特征；

(7)训练softmax分类器：

将SAR-SIFT特征矩阵的第四层深层特征和输入的整数类型SAR图像矩阵所对应类标，输入到softmax分类器中，采用softmax函数训练softmax分类器，得到softmax分类器的参数θ；

(8)构建深度置信网DBN网络：

(8a)将训练受限玻耳兹曼机RBM得到的参数{W₁,b₁,W₂,b₂,W₃,b₃,W₄,b₄}和softmax分类器训练得到的参数θ组成深度置信网DBN的参数{W₁,b₁,W₂,b₂,W₃,b₃,W₄,b₄,θ}；

(8b)将softmax分类器级联到四层受限玻耳兹曼机RBM的第四层，得到深度置信网DBN模型；

(8c)将深度置信网DBN的参数{W₁,b₁,W₂,b₂,W₃,b₃,W₄,b₄,θ}输入深度置信网DBN模型，得到深度置信网DBN网络；

(9)分类：

将归一化后的SAR-SIFT特征矩阵，输入到深度置信网DBN中，得到整数SAR图像矩阵的分类结果；

(10)按照下式，计算分类精度：

$\frac{lab-er}{lab}$

其中，lab表示输入整数类型SAR图像矩阵的类标数，er表示整数SAR图像矩阵的分类结果中的错误分类数。

本发明与现有技术相比具有以下优点：

第一，由于本发明采用SAR-SIFT特征提取方法提取SAR-SIFT特征，克服了现有技术在多个尺度的相关信息中，数据之间的联系削减得太快，丢失了很多重要细节的缺点，使得本发明保留了更多SAR图像的原始特征，为后面的分类过程提供了更多的图像细节信息，由此具有了准确度大大改善，获得了更加准确的图像分类结果的优点。

第二，由于本发明在训练的过程中采用了深度置信网模型，克服了现有技术高维特征训练时间长，计算复杂度较高的缺点，使得本发明挖掘了数据的深度信息，并将其抽象到高维，大幅度降低了特征的维数，由此具有了分类速度得到了明显改善，提升了分类效率的优点。

附图说明

图1为本发明的流程图；

具体实施方式

下面结合附图1对本发明的步骤做进一步的详细描述。

步骤1.输入整数类型SAR图像矩阵。

步骤2.转换SAR图像矩阵：

将输入的整数类型SAR图像矩阵的整数int类型矩阵转化为双精度double类型矩阵。

步骤3.提取SAR-SIFT特征，具体操作步骤如下：

第一步，选取半径为16个像素，移动步长为2个像素的圆形窗口，在双精度double类型SAR图像矩阵中滑动，得到双精度double类型SAR图像矩阵的区域。

第二步，在双精度double类型SAR图像矩阵的区域中，运用尺度不变特征转换方法，提取SAR-SIFT局部特征，得到128*2209维的SAR-SIFT特征矩阵，其中SAR-SIFT局部特征矩阵中的每一个局部特征的维数是128维，每个双精度double类型SAR图像矩阵中局部特征的个数是2209个。

步骤4.最大池化处理，具体操作步骤如下：

第一步，选取一个大小为2个像素的向下采样的因子，得到大小为2*2个像素的池化窗口，将SAR-SIFT局部特征矩阵划分到576个不相交的矩形子区域上。

第二步，从每一个不相交的矩形子区域中提取一个最大特征，组成池化后的SAR-SIFT特征矩阵。

步骤5.按照下式，对池化后的SAR-SIFT特征矩阵进行归一化：

$X_{norm}=\frac{X-X_{min}}{X_{max}-X_{min}}$

其中，X_norm表示归一化后的SAR-SIFT特征矩阵，X表示池化后的SAR-SIFT特征矩阵，X_max和X_min分别表示池化后的SAR-SIFT特征矩阵的最大值和最小值。

步骤6.训练四个受限玻耳兹曼机RBM，具体操作步骤如下：

第一步，将归一化后的SAR-SIFT特征矩阵，输入到第一层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第一层受限玻耳兹曼机RBM的网络参数{W₁,b₁}，将归一化后的SAR-SIFT特征矩阵输入到第一层受限玻耳兹曼机RBM，得到SAR-SIFT特征矩阵的第一层深层特征。

第二步，将SAR-SIFT特征矩阵的第一层深层特征，输入到第二层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第二层受限玻耳兹曼机RBM的网络参数{W₂,b₂}，将SAR-SIFT特征矩阵的第一层深层特征输入到第二层受限玻耳兹曼机RBM，得到SAR-SIFT特征矩阵的第二层深层特征。

第三步，将SAR-SIFT特征矩阵的第二层深层特征，输入到第三层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第三层受限玻耳兹曼机RBM的网络参数{W₃,b₃}，将SAR-SIFT特征矩阵的第二层深层特征输入到第三层受限玻耳兹曼机RBM，得到SAR-SIFT特征矩阵的第三层深层特征。

第四步，将SAR-SIFT特征矩阵的第三层深层特征，输入到第四层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第四层受限玻耳兹曼机RBM的网络参数{W₄,b₄}，将SAR-SIFT特征矩阵的第三层深层特征输入到第四层受限玻耳兹曼机RBM，得到SAR-SIFT特征矩阵的第四层深层特征。

步骤7.训练softmax分类器：

将SAR-SIFT特征矩阵的第四层深层特征和输入的整数类型SAR图像矩阵所对应类标，输入到softmax分类器中，采用softmax函数训练softmax分类器，得到softmax分类器的参数θ。

步骤8.构建深度置信网DBN网络，具体操作步骤如下：

第一步，将训练受限玻耳兹曼机RBM得到的参数{W₁,b₁,W₂,b₂,W₃,b₃,W₄,b₄}和softmax分类器训练得到的参数θ组成深度置信网DBN的参数{W₁,b₁,W₂,b₂,W₃,b₃,W₄,b₄,θ}。

第二步，将softmax分类器级联到四层受限玻耳兹曼机RBM的第四层，得到深度置信网DBN模型。

第三步，将深度置信网DBN的参数{W₁,b₁,W₂,b₂,W₃,b₃,W₄,b₄,θ}输入深度置信网DBN模型，得到深度置信网DBN网络。

步骤9.分类：

将归一化后的SAR-SIFT特征矩阵，输入到深度置信网DBN中，得到整数SAR图像矩阵的分类结果。

步骤10.按照下式，计算分类精度：

$\frac{lab-er}{lab}$

其中，lab表示输入整数类型SAR图像矩阵的类标数，er表示整数SAR图像矩阵的分类结果中的错误分类数。

下面结合仿真图对本发明的效果做进一步描述。

1.仿真条件

本发明的仿真是在主频为2.30GHz的Intel Pentium(R)Dual-Core CPU、内存为5GB的硬件环境和MATLAB R2014a软件环境下进行的。

2.仿真内容

本发明仿真实验采用美国MSTAR计划录取的地面静止目标SAR数据，实

验中选用其中的三类SAR目标：BMP2装甲车、BTR70装甲车、T72主战坦克，

SAR图像的分辨率是0.3m×0.3m，方位角覆盖范围是0～360°，图像大小为128×128

像素，训练样本共698个，测试样本共1365个。

3.仿真效果分析

应用本发明方法与三种现有技术(支持向量机SVM、快速稀疏支持向量机

fs_SVM、深度置信网DBN)对MSTAR数据集中三种目标类型进行分类，计算

各种方法的分类精度，实验结果如表1所示。时间表示学习训练样本所需的时间。

表1.MSTAR数据集分类结果表

分类方法	时间	分类精度(％)
			fs_SVM	32.633	89.162
SVM	148.103	91.210
			DBN	5403.657	87.179
本发明	2002.191	93.187

从表1可见，本发明相比支持向量机SVM、快速稀疏支持向量机fs_SVM方法，分类精度有明显提升，这是因为本发明提取了训练样本中更有代表性的SAR-SIFT特征，有利于SAR图像的目标识别。本发明相比深度置信网DBN，训练时间大大减少，这是因为本发明对提取的SAR-SIFT特征进行了最大池化和归一化处理，减少了数据量，加快了收敛速度。综上，本发明综合了特征提取和深度学习的优点，挖掘了数据的深度信息，大大降低了特征的维数，能处理大量的数据，可获得较高的分类精度，并且缩短训练时间。

Claims (2)

1.基于SAR-SIFT和DBN的SAR图像分类方法，其具体步骤包括如下：

(1)输入整数类型SAR图像矩阵；

(2)转换SAR图像矩阵：

将输入的整数类型SAR图像矩阵的整数int类型矩阵转化为双精度double类型矩阵；

(3)提取SAR-SIFT特征：

(3a)选取半径为16个像素，移动步长为2个像素的圆形窗口，在双精度double类型SAR图像矩阵中滑动，得到双精度double类型SAR图像矩阵的区域；

(3b)在双精度double类型SAR图像矩阵的区域中，运用尺度不变特征转换方法，提取SAR-SIFT局部特征，得到128*2209维的SAR-SIFT特征矩阵；

(4)最大池化处理：

(4a)选取一个大小为2个像素的向下采样的因子，得到大小为2*2个像素的池化窗口，将SAR-SIFT局部特征矩阵划分到576个不相交的矩形子区域上；

(4b)从每一个不相交的矩形子区域中提取一个最大特征，组成池化后的SAR-SIFT特征矩阵；

(5)按照下式，对池化后的SAR-SIFT特征矩阵进行归一化：

$X_{norm}=\frac{X-X_{min}}{X_{max}-X_{min}}$

其中，X_norm表示归一化后的SAR-SIFT特征矩阵，X表示池化后的SAR-SIFT特征矩阵，X_max和X_min分别表示池化后的SAR-SIFT特征矩阵的最大值和最小值；

(6)训练四个受限玻耳兹曼机RBM：

(6a)将归一化后的SAR-SIFT特征矩阵，输入到第一层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第一层受限玻耳兹曼机RBM的网络参数{W₁,b₁}，将归一化后的SAR-SIFT特征矩阵输入到第一层受限玻耳兹曼机RBM，得到SAR-SIFT特征矩阵的第一层深层特征；

(6b)将SAR-SIFT特征矩阵的第一层深层特征，输入到第二层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第二层受限玻耳兹曼机RBM的网络参数{W₂,b₂}，将SAR-SIFT特征矩阵的第一层深层特征输入到第二层受限玻耳兹曼机RBM，得到SAR-SIFT特征矩阵的第二层深层特征；

(6c)将SAR-SIFT特征矩阵的第二层深层特征，输入到第三层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第三层受限玻耳兹曼机RBM的网络参数{W₃,b₃}，将SAR-SIFT特征矩阵的第二层深层特征输入到第三层受限玻耳兹曼机RBM，得到SAR-SIFT特征矩阵的第三层深层特征；

(6d)将SAR-SIFT特征矩阵的第三层深层特征，输入到第四层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第四层受限玻耳兹曼机RBM的网络参数{W₄,b₄}，将SAR-SIFT特征矩阵的第三层深层特征输入到第四层受限玻耳兹曼机RBM，得到SAR-SIFT特征矩阵的第四层深层特征；

(7)训练softmax分类器：

将SAR-SIFT特征矩阵的第四层深层特征和输入的整数类型SAR图像矩阵所对应类标，输入到softmax分类器中，采用softmax函数训练softmax分类器，得到softmax分类器的参数θ；

(8)构建深度置信网DBN网络：

(8a)将训练受限玻耳兹曼机RBM得到的参数{W₁,b₁,W₂,b₂,W₃,b₃,W₄,b₄}和softmax分类器训练得到的参数θ组成深度置信网DBN的参数{W₁,b₁,W₂,b₂,W₃,b₃,W₄,b₄,θ}；

(8b)将softmax分类器级联到四层受限玻耳兹曼机RBM的第四层，得到深度置信网DBN模型；

(8c)将深度置信网DBN的参数{W₁,b₁,W₂,b₂,W₃,b₃,W₄,b₄,θ}输入深度置信网DBN模型，得到深度置信网DBN网络；

(9)分类：

将归一化后的SAR-SIFT特征矩阵，输入到深度置信网DBN中，得到整数SAR图像矩阵的分类结果；

(10)按照下式，计算分类精度：

$\frac{lab-er}{lab}$

其中，lab表示输入整数类型SAR图像矩阵的类标数，er表示整数SAR图像矩阵的分类结果中的错误分类数。

2.根据权利要求1所述的基于SAR-SIFT和DBN的SAR图像分类方法，其特征在于：步骤(3b)所述的128*2209维的SAR-SIFT特征矩阵是指，SAR-SIFT局部特征矩阵中的每一个局部特征的维数是128维，每个双精度double类型SAR图像矩阵中局部特征的个数是2209个。