CN106228182B - 基于spm和深度增量svm的sar图像分类方法 - Google Patents
基于spm和深度增量svm的sar图像分类方法 Download PDFInfo
- Publication number
- CN106228182B CN106228182B CN201610561677.1A CN201610561677A CN106228182B CN 106228182 B CN106228182 B CN 106228182B CN 201610561677 A CN201610561677 A CN 201610561677A CN 106228182 B CN106228182 B CN 106228182B
- Authority
- CN
- China
- Prior art keywords
- vector
- training
- indicate
- training sample
- supporting vector
- 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.)
- Active
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于SPM和深度增量SVM的SAR图像分类方法。其步骤为:(1)输入SAR图像;(2)提取SAR图像稠密SIFT特征;(3)构建字典;(4)稀疏编码;(5)空间金字塔池化;(6)计算归一化特征;(7)构建增量训练集;(8)初始化深度增量支持向量机;(9)计算测试样本的初始分类准确率;(10)更新深度增量支持向量机;(11)计算测试样本的分类准确率。本发明能有效提取图像的空间信息,并结合了深度学习和增量学习的优点,具有提高SAR图像分类精度,减少训练时间的优点。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及合成孔径雷达图像目标分类技术领域中一种空间金字塔匹配(Spatial Pyramid Matching,SPM)模型和深度增量支持向量机(Support Vector Machine,SVM)的合成孔径雷达(Synthetic Aperture Radar,SAR)图像分类方法。本发明可用于SAR图像的目标分类与识别。
背景技术
合成孔径雷达(SAR)具有全天候、远距离、极强的穿透力和高分辨率等特点,在国民经济和军事领域中都有着广泛的应用。面对不断增长的SAR图像数据采集能力,如何对这些图像进行准确快速的理解和识别已经越来越引起人们的关注和重视。
西安电子科技大学在其申请的专利“基于稀疏最小二乘支撑向量机的SAR目标识别方法”(专利申请号:200910022648.8,公开号:CN101551856A)中公开了一种基于稀疏最小二乘支撑向量机的SAR图像目标识别方法。该方法首先通过对已知类别信息的目标图像和待识别图像分别进行特征提取,得到训练样本和测试样本,然后对训练样本采用增量学习和逆学习相结合的方法进行迭代训练,选出稀疏的支撑向量集合,得到该集合中支撑向量所对应的拉格朗日乘子和偏斜量,然后使用分类决策函数对测试样本进行识别。该方法存在的不足之处是,特征提取部分没有针对性,使得学习到的特征不能很好的表示原始图像,导致识别率不高。
电子科技大学在其申请的专利“一种SAR图像目标识别方法”(专利申请号:201210201460.1,公开号:CN102737253A)中公开了一种SAR图像目标识别方法。该方法利用稀疏表示理论将目标数据表示为训练样本的线性组合,通过求解最优化问题得到了具有可区分能力的近似非负稀疏系数,然后基于各类别系数和的大小确定样本的类别。该方法通过非负约束保证测试图像均为各训练样本的非负加权和,更有利于识别。但是,该方法仍然存在的不足之处是,当训练样本数目改变时,必须重新组合所有训练样本,计算复杂度明显增大,导致训练时间长,识别效率低,实时性差。
发明内容
本发明的目的是针对上述现有技术存在的不足,提出了一种基于SPM和深度增量SVM的SAR图像分类方法。本发明与现有技术中其他SAR图像的深度学习和目标分类技术相比,分类准确率高,训练时间短。
本发明实现的具体步骤包括如下:
(1)输入SAR图像:
输入SAR图像数据集中已知类别标签的训练样本集和测试样本集;
(2)提取SAR图像稠密SIFT特征:
采用稠密取样的方法,以16*16像素大小,步长为6的稠密网格提取训练样本集和测试样本集中的所有SAR图像的平移不变特征变换SIFT特征点;
(3)构建字典:
(3a)从训练样本集的每幅SAR图像中,随机抽取100个平移不变特征变换SIFT特征点,作为字典的训练样本;
(3b)设置字典的原子个数为200,字典的稀疏度为5,采用K-SVD算法对字典的训练样本进行训练,得到训练好的字典;
(4)稀疏编码:
按照下式,计算训练样本集和测试样本集中每幅SAR图像的平移不变特征变换SIFT特征点的稀疏编码,得到训练样本集和测试样本集中每幅SAR图像的特征编码:
其中,min表示求最小值操作,c表示平移不变特征变换SIFT特征点的稀疏编码,||||2表示求二范数操作,f表示平移不变特征变换SIFT特征点,B表示训练好的字典;
(5)空间金字塔池化:
(5a)对训练样本集和测试样本集中每幅SAR图像的稀疏编码,建立三层的空间金字塔,得到含有21个子区域的三层空间金字塔;
(5b)分别对三层空间金字塔的每个子区域进行最大值池化,得到每个子区域的最大值池化结果;
(5c)将每个子区域的池化结果首尾相连,得到训练样本集和测试样本集中每幅SAR图像的特征向量;
(6)计算归一化特征:
采用归一化公式,计算训练样本集和测试样本集中每幅SAR图像的特征向量的归一化特征,得到空间金字塔匹配SPM处理后的训练样本集和测试样本集;
(7)构建增量训练集:
对处理后的训练样本集进行分批处理,每50个训练样本为一个增量训练集,得到整理好的增量训练集;
(8)初始化深度增量支持向量机:
(8a)随机选取一个增量训练集作为初始训练集;
(8b)采用增量学习方法,将初始训练集输入到深度支持向量机中的第一层支持向量机进行训练,得到初始训练样本的支持向量以及支持向量对应的拉格朗日乘子和类别标签;
(8c)采用特征值公式,计算初始训练样本的所有支持向量对应的特征值;
(8d)将初始训练样本中的所有支持向量对应的特征值,输入到深度支持向量机中的第二层支持向量机进行训练,得到初始的深度增量支持向量机;
(9)计算测试样本的初始识别率:
(9a)将处理后的测试样本输入到初始的深度增量支持向量机进行分类,得到测试样本的预测类别标签;
(9b)采用精度公式,计算测试样本的初始分类准确率,得到测试样本的初始分类准确率;
(10)将深度增量支持向量机的更新次数k设置为1;
(11)更新深度增量支持向量机:
在剩余的增量训练集中任选一个增量训练集输入第k-1次更新后的深度增量支持向量机中进行增量训练,得到第k次更新后的深度增量支持向量机;
(12)计算测试样本的分类准确率:
(12a)将处理完毕的测试样本输入第k次更新后的深度增量支持向量机进行识别,得到测试样本的预测类别标签;
(12b)采用精度公式,计算测试样本的分类准确率,得到测试样本的分类准确率;
(13)判断是否训练完所有的增量训练集,若是,则执行步骤(14),否则,将深度增量支持向量机的更新次数k加1,执行步骤(11);
(14)结束。
本发明与现有技术相比具有以下优点:
第一、由于本发明采用了空间金字塔匹配SPM对训练样本进行特征提取,不仅能表示图像中的敏感信息,而且空间金字塔匹配SPM能得到图像的空间信息,克服了现有技术中SAR图像特征提取性能低的问题,使得本发明能有效提取图像信息,提升分类准确率。
第二、由于本发明采用深度增量支持向量机SVM对SAR图像进行分类,不仅能处理增量数据,而且还能进一步提取样本深层的有判别性的特征,克服了现有技术中训练时间长,分类准确率低的问题,使得本发明能处理增量数据,训练时间短,分类准确率高。
附图说明
图1是本发明的流程图;
图2是本发明分类准确率的仿真图;
图3是本发明训练时间的仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,本发明实现的具体步骤如下:
步骤1,输入SAR图像。
输入MSTAR数据集中已知类别标签的训练样本集和测试样本集。
步骤2,提取SAR图像稠密SIFT特征。
采用稠密取样的方法,以16*16像素大小,步长为6的稠密网格提取训练样本集和测试样本集中的所有SAR图像的平移不变特征变换SIFT特征点。
步骤3,构建字典。
从训练样本集的每幅SAR图像中,随机抽取100个平移不变特征变换SIFT特征点,作为字典的训练样本。
设置字典的原子个数为200,字典的稀疏度为5,采用K-SVD算法对字典的训练样本进行训练,得到训练好的字典。
步骤4,稀疏编码。
按照下式,计算训练样本集和测试样本集中每幅SAR图像的平移不变特征变换SIFT特征点的稀疏编码,得到训练样本集和测试样本集中每幅SAR图像的特征编码:
其中,min表示求最小值操作,c表示平移不变特征变换SIFT特征点的稀疏编码,||||2表示求二范数操作,f表示平移不变特征变换SIFT特征点,B表示训练好的字典。
步骤5,空间金字塔池化。
对训练样本集和测试样本集中每幅SAR图像的稀疏编码,建立三层的空间金字塔,得到含有21个子区域的三层空间金字塔。
其中建立三层空间金字塔的方法是,将训练样本集和测试样本集中每幅SAR图像的特征编码的扩展成三层,将第一层划分成1*1个子区域,第二层划分成2*2个子区域,第三层划分成4*4个子区域,共得到21个子区域。
分别对三层空间金字塔的每个子区域进行最大值池化,得到每个子区域的最大值池化结果;
将每个子区域的池化结果首尾相连,得到训练样本集和测试样本集中每幅SAR图像的特征向量。
步骤6,计算归一化特征:
采用归一化公式,计算训练样本集和测试样本集中每幅SAR图像的特征向量的归一化特征,得到空间金字塔匹配SPM处理后的训练样本集和测试样本集。
其中归一化公式为:
其中,表示每幅SAR图像的特征向量的归一化特征,P表示每幅SAR图像的特征向量,表示取二范数的平方操作,e表示由网格搜索法获得的误差参数。
步骤7,构建增量训练集。
对处理后的训练样本集进行分批处理,每50个训练样本为一个增量训练集,得到整理好的增量训练集。
步骤8,初始化深度增量支持向量机。
随机选取一个增量训练集作为初始训练集。
采用增量学习方法,将初始训练集输入到深度支持向量机中的第一层支持向量机进行训练,得到初始训练样本的支持向量以及支持向量对应的拉格朗日乘子和类别标签。
其中增量学习方法具体操作步骤如下:
第1步,构建支持向量集、剩余向量集和错分向量集。
第2步,将初始训练集中第一个训练样本作为支持向量放入支持向量集中,初始化支持向量集中支持向量对应的拉格朗日乘子和偏斜量,得到一个初始分类器。
第3步,从初始训练集剩余的训练样本中任意选择一个训练样本进行学习,将所选训练样本的拉格朗日乘子初始化为零。
第4步,按照下式,计算所选训练样本的阈值:
其中,gc表示所选训练样本的阈值,m表示支持向量集中支持向量的个数,∑表示求和操作,s表示支持向量集中第s个支持向量,αs表示支持向量集中第s个支持向量对应的拉格朗日乘子,yc表示所选训练样本的类别标签,ys表示支持向量集中第s个支持向量的类别标签,K(·)表示核函数,xs表示支持向量集中第s个支持向量,xc表示所选的训练样本,b表示支持向量集中支持向量对应的偏斜量。
第5步,判断所选训练样本的阈值是否大于零,若是,则执行第6步,否则,执行第7步。
第6步,将所选训练样本放入剩余向量集中,执行第11步。
第7步,按照下式,更新支持向量集中支持向量对应的拉格朗日乘子和偏斜量后执行第8步。
其中,αs'表示更新后的支持向量集中支持向量对应的拉格朗日乘子,αs表示支持向量集中支持向量对应的拉格朗日乘子,R表示支持向量集中支持向量的核相关矩阵,ys表示支持向量集中第s个支持向量的类别标签,K(·)表示核函数,xc表示所选训练样本,xs表示支持向量集中第s个支持向量,表示所选训练样本对应的拉格朗日乘子的最大改变量,b'表示更新后的支持向量集中支持向量对应的偏斜量,yc表示所选训练样本的类别标签。
第8步,判断所选训练样本的阈值是否等于零,若是,则执行第9步,否则,执行第10步。
第9步,将所选训练样本放入支持向量集中,执行第11步。
第10步,将所选训练样本放入错分向量集中,执行第11步。
第11步,判断是否选择完初始训练集中的所有训练样本,若是,则执行第12步,否则,执行第3步。
第12步,得到初始训练集的支持向量、支持向量对应的拉格朗日乘子和类别标签。
采用特征值公式,计算初始训练样本的所有支持向量对应的特征值。特征值公式如下:
hi=βitiK(si,x)
其中,hi表示初始训练样本的第i个支持向量对应的特征值,βi表示第i个支持向量的拉格朗日乘子,ti表示第i个支持向量的类别标签,K(·)表示核函数,si表示第i个支持向量,x表示初始训练样本。
将初始训练样本所有支持向量对应的特征值输入到深度支持向量机中的第二层支持向量机进行训练,得到初始的深度增量支持向量机。
步骤9,计算测试样本的初始分类准确率。
将处理后的测试样本输入到初始的深度增量支持向量机进行分类,得到测试样本的预测类别标签。
采用精度公式,计算测试样本的初始分类准确率,得到测试样本的初始分类准确率。精度公式如下:
其中,a表示测试样本的初始分类准确率,size表示求个数操作,p表示测试样本的预测类别标签,l表示测试样本的真实类别标签。
步骤10,将深度增量支持向量机的更新次数k设置为1。
步骤11,更新深度增量支持向量机。
在剩余的增量训练集中任选一个增量训练集输入第k-1次更新后的深度增量支持向量机中进行增量训练,得到第k次更新后的深度增量支持向量机。
步骤12,计算测试样本的分类准确率。
将处理后的测试样本输入第k次更新后的深度增量支持向量机进行识别,得到测试样本的预测类别标签。
采用精度公式,计算测试样本的分类准确率,得到测试样本的分类准确率。精度公式如下:
其中,c表示测试样本的分类准确率,size表示求个数操作,b表示测试样本的预测类别标签,l表示测试样本的真实类别标签。
步骤13,判断是否训练完所有的增量训练集,若是,则执行步骤14,否则,将深度增量支持向量机的更新次数k加1,执行步骤11。
步骤14,结束。
下面结合仿真图对本发明的效果做进一步的描述。
1、仿真实验条件:
本发明的仿真实验采用美国MSTAR计划录取的地面静止目标SAR数据,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,训练样本和测试样本分别是SAR在俯仰角17°和15°时对地面目标的成像数据。
硬件平台为:Intel(R)Core(TM)i5CPU M 460@2.53GHZ、4GB RAM,软件平台:MATLAB R2014a。
本发明仿真实验所采用的训练样本和测试样本的数量具体分布情况如表1所示。表中,一共包含MSTAR数据集中10类不同的地面军事目标,SAR图像型号分别为:BMP2、BRDM2、BTR60、BTR70、D7、T62、T72、ZIL131、ZSU234、2S1,每个型号的训练样本数量和测试样本数量如表中所示,其中训练样本共2747个,测试样本共3203个。
表1.实验样本分布表
SAR图像型号 | 训练样本数量 | 测试样本数量 |
BMP2 | 233 | 195 |
BRDM2 | 298 | 274 |
BTR60 | 256 | 195 |
BTR70 | 233 | 196 |
D7 | 299 | 274 |
T62 | 299 | 273 |
T72 | 232 | 196 |
ZIL131 | 299 | 274 |
ZSU234 | 299 | 274 |
2S1 | 299 | 274 |
2、实验内容与结果分析:
本发明首先将训练样本和测试样本进行特征提取,具体步骤为:提取训练样本和测试样本的128维SIFT特征,并使用训练样本的部分SIFT特征学习一个容量为200的字典,利用学习好的字典对训练样本和测试样本的SIFT特征进行稀疏编码,将稀疏编码进行空间金字塔最大值池化,分别得到训练样本和测试样本的4200维的池化特征,将池化特征进行对比归一化,得到处理好的训练样本和测试样本。将处理好的训练样本进行进行分批处理,每次随机选取五十个训练样本作为一个增量训练集,共生成54个增量训练集。其次随机选取一个增量训练集作为初始训练集初始化深度增量支持向量机,并使用剩余的增量训练集更新深度增量支持向量机,并将处理好的测试样本输入各个训练好的深度增量支持向量机进行分类测试。
采用本发明方法与快速稀疏SVM,增量SVM,深度SVM三种现有技术对测试样本进行分类,四种方法在使用SPM进行特征提取前后的分类准确率如表2所示。表中F1表示快速稀疏SVM,F2表示经SPM处理后的快速稀疏SVM,F3表示增量SVM,F4表示经SPM处理后的增量SVM,F5表示深度SVM,F6表示经SPM处理后的深度SVM,F7表示深度增量SVM,F8表示本发明方法。
表2.各方法在仿真实验中得到的分类准确率
方法 | F1 | F2 | F3 | F4 | F5 | F6 | F7 | F8 |
准确率(%) | 82.36 | 88.83 | 89.73 | 90.99 | 90.60 | 93.10 | 90.70 | 93.23 |
从表2中可以看出,经过SPM处理之后,各个方法对MSTAR数据集的分类准确率均有提升,说明SPM对SAR图像的特征提取有一定优势。
采用本发明方法与三种现有技术(快速稀疏SVM,增量SVM,深度SVM)对经过SPM处理后的测试样本进行分类,其中快速稀疏SVM和深度SVM批量的输入增量样本集,即每次新增样本都要训练之前所有的训练样本,四种方法在新增样本的过程中分类准确率和训练时间如图2和图3所示。
图2中以F1标示的曲线表示经SPM处理后的快速稀疏SVM随着增量数据集的增加分类准确率的变化,F2表示经SPM处理后的增量SVM随着增量数据集的增加分类准确率的变化,F3表示经SPM处理后的深度SVM随着增量数据集的增加分类准确率的变化,F4表示本发明随着增量数据集的增加分类准确率的变化,横坐标表示增量数据集的批次,纵坐标表示分类准确率。
图3中以F1标示的曲线表示经SPM处理后的快速稀疏SVM随着增量数据集的增加训练时间的变化,F2表示经SPM处理后的增量SVM随着增量数据集的增加训练时间的变化,F3表示经SPM处理后的深度SVM随着增量数据集的增加训练时间的变化,F4表示本发明随着增量数据集的增加训练时间的变化,横坐标表示增量数据集的批次,纵坐标表示训练时间。
由图2可知,在增加增量数据集的过程中,四种方法的准确率都在增长,但是F3和本发明的准确率最高。由图3可知,在增加增量数据集的过程中,F3的训练时间越来越长,而F1,F2和本发明的训练时间相对来说很短。本发明在取得和深度SVM相似准确率的同时,训练时间大大减少,这是因为本发明可以处理增量的数据,只需学习新的训练样本就可以得到和批量方法相当甚至更好的识别率。
综上所述,本发明中的SPM模型对SAR图像的特征提取有一定优势,成功的提高了MSTAR数据集的分类准确率,并且本发明综合了增量学习和深度学习的优点,能处理增量的数据,可获得较高的分类准确率,减少训练时间。
Claims (7)
1.一种基于SPM和深度增量SVM的SAR图像分类方法,包括如下步骤:
(1)输入SAR图像:
输入SAR图像数据集中已知类别标签的训练样本集和测试样本集;
(2)提取SAR图像稠密SIFT特征:
采用稠密取样的方法,以16*16像素大小,步长为6的稠密网格提取训练样本集和测试样本集中的所有SAR图像的平移不变特征变换SIFT特征点;
(3)构建字典:
(3a)从训练样本集的每幅SAR图像中,随机抽取100个平移不变特征变换SIFT特征点,作为字典的训练样本;
(3b)设置字典的原子个数为200,字典的稀疏度为5,采用K‐SVD算法对字典的训练样本进行训练,得到训练好的字典;
(4)稀疏编码:
按照下式,计算训练样本集和测试样本集中每幅SAR图像的平移不变特征变换SIFT特征点的稀疏编码,得到训练样本集和测试样本集中每幅SAR图像的特征编码:
其中,min表示求最小值操作,c表示平移不变特征变换SIFT特征点的稀疏编码,||||2表示求二范数操作,f表示平移不变特征变换SIFT特征点,B表示训练好的字典;
(5)空间金字塔池化:
(5a)对训练样本集和测试样本集中每幅SAR图像的特征编码,建立三层的空间金字塔,得到含有21个子区域的三层空间金字塔;
(5b)分别对三层空间金字塔的每个子区域进行最大值池化,得到每个子区域的最大值池化结果;
(5c)将每个子区域的池化结果首尾相连,得到训练样本集和测试样本集中每幅SAR图像的特征向量;
(6)计算归一化特征:
采用归一化公式,计算训练样本集和测试样本集中每幅SAR图像的特征向量的归一化特征,得到空间金字塔匹配SPM处理后的训练样本集和测试样本集;
(7)构建增量训练集:
对处理后的训练样本集进行分批处理,每50个训练样本为一个增量训练集,得到整理好的增量训练集;
(8)初始化深度增量支持向量机:
(8a)随机选取一个增量训练集作为初始训练集;
(8b)采用增量学习方法,将初始训练集输入到深度支持向量机中的第一层支持向量机进行训练,得到初始训练样本的支持向量以及支持向量对应的拉格朗日乘子和类别标签;
(8c)采用特征值公式,计算初始训练样本的所有支持向量对应的特征值;
(8d)将初始训练样本中的所有支持向量对应的特征值,输入到深度支持向量机中的第二层支持向量机进行训练,得到初始的深度增量支持向量机;
(9)计算测试样本的初始分类准确率:
(9a)将处理后的测试样本输入到初始的深度增量支持向量机进行分类,得到测试样本的预测类别标签;
(9b)采用精度公式,计算测试样本的初始分类准确率,得到测试样本的初始分类准确率;
(10)将深度增量支持向量机的更新次数k设置为1;
(11)更新深度增量支持向量机:
在剩余的增量训练集中任选一个增量训练集输入第k-1次更新后的深度增量支持向量机中进行增量训练,得到第k次更新后的深度增量支持向量机;
(12)计算测试样本的分类准确率:
(12a)将处理后的测试样本输入第k次更新后的深度增量支持向量机进行识别,得到测试样本的预测类别标签;
(12b)采用精度公式,计算测试样本的分类准确率,得到测试样本的分类准确率;
(13)判断是否训练完所有的增量训练集,若是,则执行步骤(14),否则,将深度增量支持向量机的更新次数k加1,执行步骤(11);
(14)结束。
2.根据权利要求1所述的基于SPM和深度增量SVM的SAR图像分类方法,其特征在于:步骤(5a)中所述建立三层的空间金字塔的方法是,将训练样本集和测试样本集中每幅SAR图像的特征编码的扩展成三层,将第一层划分成1*1个子区域,第二层划分成2*2个子区域,第三层划分成4*4个子区域,共得到21个子区域。
3.根据权利要求1所述的基于SPM和深度增量SVM的SAR图像分类方法,其特征在于:步骤(6)中所述归一化公式如下:
其中,表示每幅SAR图像的特征向量的归一化特征,P表示每幅SAR图像的特征向量,表示取二范数的平方操作,e表示由网格搜索法获得的误差参数。
4.根据权利要求1所述的基于SPM和深度增量SVM的SAR图像分类方法,其特征在于:步骤(8b)中所述增量学习方法的具体步骤如下:
第1步,构建支持向量集、剩余向量集和错分向量集;
第2步,将初始训练集中第一个训练样本作为支持向量放入支持向量集中,初始化支持向量集中支持向量对应的拉格朗日乘子和偏斜量,得到一个初始分类器;
第3步,从初始训练集剩余的训练样本中任意选择一个训练样本进行学习,将所选训练样本的拉格朗日乘子初始化为零;
第4步,按照下式,计算所选训练样本的阈值:
其中,gc表示所选训练样本的阈值,m表示支持向量集中支持向量的个数,∑表示求和操作,s表示支持向量集中第s个支持向量,αs表示支持向量集中第s个支持向量对应的拉格朗日乘子,yc表示所选训练样本的类别标签,ys表示支持向量集中第s个支持向量的类别标签,K(·)表示核函数,xs表示支持向量集中第s个支持向量,xc表示所选的训练样本,b表示支持向量集中支持向量对应的偏斜量;
第5步,判断所选训练样本的阈值是否大于零,若是,则执行第6步,否则,执行第7步;
第6步,将所选训练样本放入剩余向量集中,执行第11步;
第7步,按照下式,更新支持向量集中支持向量对应的拉格朗日乘子和偏斜量后执行第8步;
其中,αs'表示更新后的支持向量集中支持向量对应的拉格朗日乘子,αs表示支持向量集中支持向量对应的拉格朗日乘子,R表示支持向量集中支持向量的核相关矩阵,ys表示支持向量集中第s个支持向量的类别标签,K(·)表示核函数,xc表示所选训练样本,xs表示支持向量集中第s个支持向量,表示所选训练样本对应的拉格朗日乘子的最大改变量,b'表示更新后的支持向量集中支持向量对应的偏斜量,yc表示所选训练样本的类别标签;
第8步,判断所选训练样本的阈值是否等于零,若是,则执行第9步,否则,执行第10步;
第9步,将所选训练样本放入支持向量集中,执行第11步;
第10步,将所选训练样本放入错分向量集中,执行第11步;
第11步,判断是否选择完初始训练集中的所有训练样本,若是,则执行第12步,否则,执行第3步;
第12步,得到初始训练集的支持向量、支持向量对应的拉格朗日乘子和类别标签。
5.根据权利要求1所述的基于SPM和深度增量SVM的SAR图像分类方法,其特征在于:步骤(8c)中所述的特征值公式如下:
hi=βitiK(si,x)
其中,hi表示初始训练样本的第i个支持向量对应的特征值,βi表示第i个支持向量的拉格朗日乘子,ti表示第i个支持向量的类别标签,K(·)表示核函数,si表示第i个支持向量,x表示初始训练样本。
6.根据权利要求1所述的基于SPM和深度增量SVM的SAR图像分类方法,其特征在于:步骤(9b)中所述的精度公式如下:
其中,a表示测试样本的初始分类准确率,size表示求个数操作,p表示测试样本的预测类别标签,l表示测试样本的真实类别标签。
7.根据权利要求1所述的基于SPM和深度增量SVM的SAR图像分类方法,其特征在于:步骤(12b)中所述的精度公式如下:
其中,c表示测试样本的分类准确率,size表示求个数操作,b表示测试样本的预测类别标签,l表示测试样本的真实类别标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610561677.1A CN106228182B (zh) | 2016-07-17 | 2016-07-17 | 基于spm和深度增量svm的sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610561677.1A CN106228182B (zh) | 2016-07-17 | 2016-07-17 | 基于spm和深度增量svm的sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106228182A CN106228182A (zh) | 2016-12-14 |
CN106228182B true CN106228182B (zh) | 2019-02-15 |
Family
ID=57519863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610561677.1A Active CN106228182B (zh) | 2016-07-17 | 2016-07-17 | 基于spm和深度增量svm的sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106228182B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319968A (zh) * | 2017-12-27 | 2018-07-24 | 中国农业大学 | 一种基于模型融合的果蔬图像分类识别方法及系统 |
CN109800725B (zh) * | 2019-01-25 | 2022-12-06 | 西安电子科技大学 | 基于elbp特征的dvs事件分类方法 |
CN110728313B (zh) * | 2019-09-29 | 2023-01-17 | 北京声智科技有限公司 | 一种用于意图分类识别的分类模型训练方法及装置 |
CN111079431A (zh) * | 2019-10-31 | 2020-04-28 | 北京航天云路有限公司 | 一种基于迁移学习的实体关系联合抽取方法 |
CN112666533B (zh) * | 2020-12-31 | 2022-04-08 | 西安电子科技大学 | 基于空间金字塔池化网络的重频变化稳健目标识别方法 |
CN114255374B (zh) * | 2022-02-28 | 2022-05-20 | 南京明博互联网安全创新研究院有限公司 | 一种针对软间隔支持向量机的量子方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886336A (zh) * | 2014-04-09 | 2014-06-25 | 西安电子科技大学 | 基于稀疏自动编码器的极化sar图像分类方法 |
CN104239900A (zh) * | 2014-09-11 | 2014-12-24 | 西安电子科技大学 | 基于k均值和深度svm的极化sar图像分类方法 |
CN104463213A (zh) * | 2014-12-09 | 2015-03-25 | 西安电子科技大学 | 基于小波核稀疏lssvm的极化sar图像分类方法 |
-
2016
- 2016-07-17 CN CN201610561677.1A patent/CN106228182B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886336A (zh) * | 2014-04-09 | 2014-06-25 | 西安电子科技大学 | 基于稀疏自动编码器的极化sar图像分类方法 |
CN104239900A (zh) * | 2014-09-11 | 2014-12-24 | 西安电子科技大学 | 基于k均值和深度svm的极化sar图像分类方法 |
CN104463213A (zh) * | 2014-12-09 | 2015-03-25 | 西安电子科技大学 | 基于小波核稀疏lssvm的极化sar图像分类方法 |
Non-Patent Citations (2)
Title |
---|
Beyond Bags of Features: Spatial Pyramid Matching for Recognizing Natural Scene Categories;S. Lazebnik等;《2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR"06)》;20061231;第2169-2178页 * |
Linear spatial pyramid matching using sparse coding for image classification;Jianchao Yang等;《2009 IEEE Conference on Computer Vision and Pattern Recognition》;20090818;第1794-1801页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106228182A (zh) | 2016-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106228182B (zh) | 基于spm和深度增量svm的sar图像分类方法 | |
CN103984966B (zh) | 基于稀疏表示的sar图像目标识别方法 | |
CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
CN105913073B (zh) | 基于深度增量支持向量机的sar图像目标识别方法 | |
Blaschko et al. | Automatic in situ identification of plankton | |
CN108596213A (zh) | 一种基于卷积神经网络的高光谱遥感图像分类方法及系统 | |
CN110148162A (zh) | 一种基于复合算子的异源图像匹配方法 | |
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
CN105117736B (zh) | 基于稀疏深度堆栈网络的极化sar图像分类方法 | |
CN103886342A (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
CN105930794A (zh) | 一种基于云计算的室内场景识别方法 | |
CN103745233B (zh) | 基于空间信息迁移的高光谱图像分类方法 | |
CN108764310A (zh) | 基于多尺度多特征深度森林的sar目标识别方法 | |
CN105160351B (zh) | 基于锚点稀疏图的半监督高光谱分类方法 | |
CN106096651B (zh) | 基于超像素和度量学习的极化sar地物分类方法 | |
CN109359525A (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 | |
CN106682675A (zh) | 一种面向高光谱图像的空谱联合特征提取方法 | |
Pan et al. | Siamese network based metric learning for SAR target classification | |
CN111882554B (zh) | 一种基于SK-YOLOv3的电力线故障智能检测方法 | |
CN103246894A (zh) | 一种解决光照不敏感问题的地基云图识别方法 | |
Duan et al. | Image classification of fashion-MNIST data set based on VGG network | |
CN108664986A (zh) | 基于lp范数正则化的多任务学习图像分类方法及系统 | |
CN109801208B (zh) | 基于多gpu任务优化的sar图像变化检测方法 | |
CN104751174B (zh) | 基于超向量编码的极化sar图像分类方法 | |
CN109145770B (zh) | 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |