CN109359509B - 基于OpenCL并行的极化SAR地物分类方法 - Google Patents
基于OpenCL并行的极化SAR地物分类方法 Download PDFInfo
- Publication number
- CN109359509B CN109359509B CN201810977933.4A CN201810977933A CN109359509B CN 109359509 B CN109359509 B CN 109359509B CN 201810977933 A CN201810977933 A CN 201810977933A CN 109359509 B CN109359509 B CN 109359509B
- Authority
- CN
- China
- Prior art keywords
- sample set
- test sample
- representing
- ground object
- support 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
Abstract
一种基于OpenCL并行的极化SAR地物分类方法,实现步骤为:(1)输入待分类的极化SAR图像和与其对应的极化SAR真实地物类标;(2)去除相干斑噪声;(3)提取特征;(4)生成训练样本集和测试样本集;(5)预处理;(6)训练支持向量机模型;(7)配置开放运算语言OpenCL设备端;(8)并行预测测试样本集地物类标;(9)对测试样本集地物类标上色;(10)输出上色后的分类结果图。本发明利用OpenCL设备的多线程并行处理待预测数据,将支持向量机预测阶段原有的串行处理方式改为并行处理方式,实现在不影响测试样本集分类精度的情况下减少预测阶段所用时间。
Description
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的一种基于开放运算语言OpenCL(Open Computing Language)硬件设备并行处理预测数据的极化合成孔径雷达SAR(Polarimetric Synthetic Aperture Radar)地物分类方法。本发明可用于提取极化SAR图像的特征和利用该特征进行极化SAR地物分类。
背景技术
基于支持向量机的极化SAR图像地物分类方法是一种非常重要的分类方法。但是由于支持向量机预测阶段的运行时间长,难以满足实际场景中需要在秒级内快速得到分类结果并进行后续图像处理任务的要求。由于支持向量机求解模型的复杂性决定了其难以在算法上根本解决此问题。针对该问题,本发明提出基于OpenCL并行的极化SAR地物分类方法:利用OpenCL硬件设备的并行性,对支持向量机的预测阶段进行加速,将支持向量机预测阶段原有的预测数据串行处理方式改为并行处理方式,克服支持向量机方法预测阶段用时长的问题。
电子科技大学在其申请的专利文献“一种基于多特征融合的极化SAR图像分类方法”(专利申请号201710485443,8,公开号CN107330457A)中公开了一种基于多特征融合和支持向量机的极化SAR图像地物分类方法。该方法首先提取待分类极化SAR图像的极化特征向量;再提取该图像SPAN处理结果的形态学断面特征向量;将两类高维特征分别进行降维处理后,将两类低维特征分别通过基于最大后验概率的支持向量机,依据最大后验概率原则,得到高分辨极化SAR图像的最终分类结果。此种方法能一定程度上提高极化SAR图像地物分类的精度和效率,但是,该方法仍然存在的不足之处是:由于支持向量机模型本身的复杂性,预测阶段的计算复杂度高,导致该方法中支持向量机预测阶段的运行效率低,运行时间长,难以满足实际场景中需要在秒级内快速得到分类结果并进行后续图像处理任务的要求。
哈尔滨工程大学在其申请的专利文献“一种改进的分层级联的支持向量机并行化方法”(专利申请号201710237933,6,公开号CN107194411A)中公开了一种并行化训练支持向量机的方法。Cascade SVM是一种支持向量机并行化训练方法,通过设置多层来训练支持向量机,开始第一层训练时,将训练样本分成N个子集,然后在每个训练子集上进行独立的支持向量机训练,得到每个支持向量机的支持向量作为局部支持向量,并将得到的局部支持向量两两合并后作为下一层的输入,再独立训练N/2个支持向量机,以此类推,直至只有一个数据集,在此基础上训练得到全局支持向量,验证全局支持向量是否满足训练精度,如满足则训练结束,不满足则将此结果返回第一层,继续按以上方式训练。该方法修正了Cascade SVM的层级结构,将Cascade SVM中局部支持向量的两两合并修正为将上一层所有局部支持向量全部合并后作为本层的输入,并判断本层训练后得到的局部支持向量数量与上一层所有支持向量的比值是否大于预设值,如果满足则训练终止,否则继续训练。以此来提高训练效率。但是,由于该方法是基于Spark平台实现的并行化支持向量机,只适用于分布式系统,可移植性不高,限制了其应用范围。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于OpenCL并行的极化SAR地物分类方法。
实现本发明目的的思路是,利用OpenCL硬件设备的并行性,对支持向量机的预测阶段进行加速,将支持向量机预测阶段原有的预测数据串行处理方式改为并行处理方式,克服支持向量机方法预测阶段用时长的问题。
实现本发明目的的具体步骤如下:
(1)输入待分类的极化合成孔径雷达SAR图像和与其对应的极化合成孔径雷达SAR真实地物类标;
(2)去除相干斑噪声:
采用滤波窗口大小为7×7的精致Lee滤波方法,对待分类的极化合成孔径雷达SAR图像进行滤波,去除相干斑噪声,得到滤波后的极化合成孔径雷达SAR图像;
(3)提取特征:
(3a)从滤波后极化合成孔径雷达SAR图像所有像素点中,选取所有含有真实地物标记的像素点,组成有真实地物标记像素点集合;
(3b)分别计算每个有真实地物标记像素点的极化相干矩阵上三角6个数据的模值,将6个模值依次首尾相连组成每个有真实地物标记像素点的特征向量,每个特征向量含有6个特征维度;
(4)生成训练样本集和测试样本集;
(4a)将所有有真实地物标记像素点的特征向量中,真实地物类标相同像素点的特征向量作为同一类别;
(4b)从每种类别中任意选取1%的有真实地物标记像素点的特征向量组成训练样本集,剩余99%有真实地物标记像素点的特征向量,组成测试样本集;
(5)预处理:
(5a)利用标准差公式,计算训练样本集中所有特征向量每个特征维度的标准差;
(5b)利用z-score数据预处理方法,对训练样本集和测试样本集进行数据预处理,得到预处理后的训练样本集和测试样本集;
(6)训练支持向量机模型:
(6a)将训练样本集和其对应的真实地物类标,分别输入到支持向量机模型中,利用支持向量机模型的优化公式,计算模型参数,训练支持向量机模型;
(6b)利用支持向量机模型偏置值的公式,计算支持向量机模型偏置值;
(7)配置开放运算语言OpenCL设备端:
(7a)构建中央处理器CPU主机端和开放运算语言OpenCL设备端,中央处理器CPU主机端和开放运算语言OpenCL设备端通过PCIe总线连接;
(7b)划分开放运算语言OpenCL设备端工作组,创建两个内核程序;
(8)并行预测测试样本集地物类标:
(8a)在中央处理器CPU主机端将测试样本集和支持向量机模型参数传入开放运算语言OpenCL设备端全局内存中;
(8b)在开放运算语言OpenCL设备端中,执行两个内核程序,并行地计算测试样本集中每个特征向量的地物类标,将测试样本集中所有特征向量的地物类标组合在一起,得到测试样本集初始地物类标并拷贝至中央处理器CPU主机端内存中;
(8c)在中央处理器CPU主机端,将测试样本集初始地物类标的二分类类标转换为多分类类标;
(8d)对测试样本集初始地物类标的多分类类标进行多数投票操作,选择票数最多的类别作为测试样本集地物类标;
(9)对测试样本集地物类标上色:
(9a)将测试样本集地物类标中类别相同的作为同一类别;
(9b)按照红色、绿色、蓝色三基色上色法,对测试样本集地物类标进行上色,同一类别上相同的颜色,得到上色后的分类结果图;
(10)输出上色后的分类结果图。
本发明与现有技术相比具有如下优点:
第一,本发明利用OpenCL硬件设备的并行性,使用支持向量机模型预测测试样本集分类结果时,并行地计算测试样本集中每个测试样本的地物类标,将原有的预测数据串行处理方式改为并行处理方式,克服现有技术支持向量机方法预测阶段用时长的问题,使得本发明满足实际场景中需要在秒级内快速得到分类结果并进行后续图像处理任务的要求。
第二,本发明利用OpenCL编程框架,配置本发明中用于并行计算的硬件设备,替换现有的并行开发框架,克服现有技术并行化支持向量机方法可移植性差的问题,使得本发明方法可以在更多的硬件平台上使用,扩大了其应用范围。
附图说明
图1为本发明的流程图;
图2为OpenCL设备端工作组划分示意图;
图3为第一个内核程序工作项任务划分示意图;
图4为第二个内核程序工作项任务划分示意图;
图5为本发明仿真图。
具体实施方式
下面结合附图,对本发明做进一步的详细描述。
参照附图1。对本发明的具体实施步骤做进一步的详细描述。
步骤1,输入待分类的极化合成孔径雷达SAR图像和与其对应的极化合成孔径雷达SAR真实地物类标。
步骤2,去除相干斑噪声。
采用滤波窗口大小为7×7的精致Lee滤波方法,对待分类的极化合成孔径雷达SAR图像进行滤波,去除相干斑噪声,得到滤波后的极化合成孔径雷达SAR图像。
步骤3,提取特征。
从滤波后极化合成孔径雷达SAR图像所有像素点中,选取所有含有真实地物标记的像素点,组成有真实地物标记像素点集合。
分别计算每个有真实地物标记像素点的极化相干矩阵上三角6个数据的模值,将6个模值依次首尾相连组成每个有真实地物标记像素点的特征向量,每个特征向量含有6个特征维度。
步骤4,生成训练样本集和测试样本集。
将所有有真实地物标记像素点的特征向量中,真实地物类标相同像素点的特征向量作为同一类别。
从每种类别中任意选取1%的有真实地物标记像素点的特征向量组成训练样本集,剩余99%有真实地物标记像素点的特征向量,组成测试样本集。
步骤5,预处理。
利用标准差公式,计算训练样本集中所有特征向量每个特征维度的标准差。
所述的标准差公式如下:
其中,σj表示训练样本集中所有特征向量的第j个特征维度的标准差,j的取值为0,1,…,5,表示平方根操作,N表示训练样本集中特征向量的总数,∑表示求和操作,i表示训练样本集中特征向量的序号,i的取值为0,1,…,N-1,xi,j表示训练样本集中第i个特征向量第j个特征维度的值,μj表示训练样本集中所有特征向量第j个特征维度的均值。
利用z-score数据预处理方法,对训练样本集和测试样本集进行数据预处理,得到预处理后的训练样本集和测试样本集。
所述的z-score数据预处理方法的具体步骤如下:
第1步,按照下式,计算预处理后的训练样本集中每个特征向量的每个特征维度的值:
第2步,按照下式,计算预处理后的测试样本集中每个特征向量的每个特征维度的值:
其中,表示预处理后的测试样本集中第i'个特征向量的第j个特征维度的值,i'的取值为0,1,…,N'-1,N'表示测试样本集中特征向量的总数,y′i,j表示预处理前的测试样本集中第i'个特征向量的第j个特征维度的值。
步骤6,训练支持向量机模型。
将训练样本集和其对应的真实地物类标,分别输入到支持向量机模型中,利用支持向量机模型的优化公式,计算模型参数,训练支持向量机模型。
所述的支持向量机模型的优化公式如下:
其中,max表示取最大值操作,α表示拉格朗日乘子,p表示选取的第一个拉格朗日乘子的位置,p取值为p=0,1,…,N-1,q表示选取的第二个拉格朗日乘子的位置,q取值为q=0,1,…,N-1,αp表示选取的第一个拉格朗日乘子,αq表示选取的第二个拉格朗日乘子,λp、λq分别表示选取的第一个、第二个拉格朗日乘子对应特征向量的真实地物类标,K表示支持向量机的核函数,表示选取的第一个、第二个拉格朗日乘子对应的特征向量,l表示选取的第三个拉格朗日乘子的位置,l取值为l=0,1,…,N-1,αl表示选取的第三个拉格朗日乘子,αl取值为0≤αl≤C,C表示惩罚参数,C的取值为C>0,λl表示选取的第三个拉格朗日乘子对应特征向量的真实地物类标。
利用支持向量机模型偏置值的公式,计算支持向量机模型偏置值。
所述的计算支持向量机模型偏置值的公式如下:
步骤7,配置开放运算语言OpenCL设备端。
构建中央处理器CPU主机端和开放运算语言OpenCL设备端,中央处理器CPU主机端和开放运算语言OpenCL设备端通过PCIe总线连接。
划分开放运算语言OpenCL设备端工作组,创建两个内核程序。
参照附图2,对划分开放运算语言OpenCL设备端工作组的过程,作进一步的描述。
图2(a)为划分第一个内核程序的工作组过程的示意图,第一个内核程序的工作组为一个二维工作组,每个工作组内设置多个工作项,工作组的每行和每列含有相同数量的工作项。图2(a)中的横坐标表示工作项全局列索引,纵坐标表示工作项全局行索引。图2(a)中的实线圆角矩形框表示全体工作项,虚线矩形框表示工作组,实线矩形框表示工作项。图2(b)为第二个内核程序的工作组划分过程的示意图,第二个内核程序的工作组为一个一维工作组,每个工作组内设置多个工作项。图2(b)中的纵坐标表示工作项全局行索引,实线圆角矩形框表示全体工作项,虚线矩形框表示工作组,实线矩形框表示工作项。
步骤8,并行预测测试样本集地物类标。
在中央处理器CPU主机端将测试样本集和支持向量机模型参数传入开放运算语言OpenCL设备端全局内存中。
在开放运算语言OpenCL设备端中,执行两个内核程序,并行地计算测试样本集中每个特征向量的地物类标,将测试样本集中所有特征向量的地物类标组合在一起,得到测试样本集初始地物类标并拷贝至中央处理器CPU主机端内存中。
所述的并行地计算测试样本集中每个特征向量的地物类标的具体步骤如下:
第1步,按照下式,第一个内核程序并行计算内核函数值:
其中,kernelg,h表示内核函数值矩阵第g行第h列元素的值,g表示内核函数值矩阵的行号,g的取值为0,1,…,N'-1,h表示内核函数值矩阵的列号,h的取值为0,1,…,Nsv-1,Nsv表示支持向量机模型支持向量的个数,αh表示内核函数值矩阵第h列元素对应的拉格朗日乘子,λg表示内核函数值矩阵第g行元素在测试样本集中对应特征向量的真实地物类标,表示内核函数值矩阵第g行元素在测试样本集中对应的特征向量,svh表示内核函数值矩阵第h列元素在支持向量机模型中对应的支持向量。
第2步,将内核函数值矩阵每行中相邻几个元素进行求和操作,得到按行部分求和后的内核函数值矩阵。
参照附图3,对第一个内核程序每个工作项进行任务分配的过程,作进一步的描述。
图3为第一个内核程序工作项任务划分过程的示意图。图3中的横坐标表示工作项全局列索引,纵坐标表示工作项全局行索引。图3中的坐标系内部的大实线矩形框表示内核函数值矩阵,坐标系内部的小实线矩形框表示第一个内核程序的一个工作项,每个工作项负责计算测试样本集数据中一个特征向量和支持向量数据中多个支持向量的内核函数值,并将内核函数值矩阵按行进行部分求和操作。图3中横坐标上方的实线矩形框支持向量数据,纵坐标左侧的实线矩形框表示测试样本集数据。
第3步,按照下式,第二个内核程序并行地计算测试样本集中每个特征向量的地物类标:
其中,表示内核函数值矩阵第g行元素在测试样本集中对应的特征向量的地物类标,sign(·)表示符号函数,这里规定,当自变量取值为0时,符号函数取值为1,m表示部分求和后的内核函数矩阵行的序号,m的取值为0,1,…,M-1,M表示部分求和后的内核函数矩阵的列数,kersumg,m表示部分求和后内核函数矩阵第g行第m列的元素。
参照附图4,对第二个内核程序每个工作项进行任务分配的过程,作进一步的描述。
图4为第二个内核程序工作项任务划分过程的示意图。图4中的纵坐标表示工作项全局行索引。图4中的纵坐标左侧的实线矩形框表示按行部分求和后的内核函数值矩阵,纵坐标右侧的大实线矩形框表示测试样本集地物类标,纵坐标右侧的小实线矩形框表示第二个内核程序的一个工作项,每个工作项负责按照下式计算测试样本集中一个特征向量的地物类标。
在中央处理器CPU主机端,将测试样本集初始地物类标的二分类类标转换为多分类类标。
对测试样本集初始地物类标的多分类类标进行多数投票操作,选择票数最多的类别作为测试样本集地物类标。
步骤9,对测试样本集地物类标上色。
将测试样本集地物类标中类别相同的作为同一类别。
按照红色、绿色、蓝色三基色上色法,对测试样本集地物类标进行上色,同一类别上相同的颜色,得到上色后的分类结果图。
步骤10,输出上色后的分类结果图。
下面结合仿真实验对本发明的效果做进一步详细描述。
1.仿真实验条件:
本发明的仿真实验条件为:异构平台为NVIDIA异构开发平台和FPGA异构开发平台。
NVIDIA异构开发平台主机端CPU为Core(TM)i5-6300HQ,2.30GHz,内存8G,64位WINDOWS 10系统,软件采用Microsoft Visual Studio 2015,编程语言为OpenCL,软件开发工具包为NVIDIA GPU Computing SDK,OpenCL硬件设备端:NVIDIA GTX 965m GPU。
FPGA异构开发平台主机端CPU为Core(TM)i5-3470,3.20GHz,内存16G,64位WINDOWS 7系统,软件采用Microsoft Visual Studio 2015,编程语言为OpenCL,软件开发工具包为Altera OpenCL SDK,OpenCL硬件设备端:Altera Stratix V DE5-Net FPGA。
2.仿真实验内容及其仿真实验结果分析:
本发明仿真采用现有技术的串行支持向量机极化SAR地物分类方法和本发明的方法对某地区的全极化SAR图像进行地物分类。
图5(a)是德国DLR的ESAR系统获取的Oberpfaffenhofen地区L波段的全极化SAR图像,其大小为1300×1200,分辨率为3m×3m。该地区包含3类地物,分别为城区,林地和开阔地。图5(b)为图5(a)全极化SAR图像的真实地物类标图,图5(c)为采用现有技术中的串行支持向量机极化SAR地物分类方法对图5(a)进行分类的结果图,图5(d)为采用本发明的基于OpenCL并行的极化SAR地物分类方法对图5(a)进行分类的结果图。
本发明的仿真实验是对图5(a)的全极化SAR图像进行地物分类,分别采用现有技术的串行方法,以及本发明的并行方法对图5(a)的全极化SAR图像进行地物分类,分别获取两种方法对图5(a)的全极化SAR图像进行地物分类的预测阶段所用时间,并使用下述的分类精度公式,分别计算现有技术串行方法和本发明并行方法的测试样本集分类精度,分类精度公式如下:
其中,accuracy表示测试样本集分类精度,ind表示指示函数,当两个自变量的取值相同时,指示函数的值为1,否则,指示函数的值为0,predi'表示由本发明仿真实验所使用的两种方法,分别获得的测试样本集地物类标,labeli'表示本发明仿真实验所使用的全极化SAR图像的测试样本集真实地物类标。
将两种方法计算得到的测试样本集分类精度和预测阶段所用时间做对比,结果如表1和表2所示。
表1为本发明仿真实验的测试样本集分类精度对比表
类型 | 现有技术的串行方法 | 本发明的并行方法 |
accuracy | 81.69% | 81.69% |
由表1可见,本发明的并行方法和现有技术的串行方法的测试样本集分类精度相同。
表2为本发明仿真实验的预测阶段所用时间对比表
表2中的i5-6300HQ表示英伟达NVIDIA异构开发平台主机端中央处理器CPU,i5-3470表示现场可编程门阵列FPGA异构开发平台主机端中央处理器CPU,图形处理器GPU表示英伟达NVIDIA异构开发平台开放运算语言OpenCL硬件设备端,现场可编程门阵列FPGA表示现场可编程门阵列FPGA异构开发平台开放运算语言OpenCL硬件设备端。
由表2可见,本发明并行方法的预测阶段所用时间明显少于现有技术的串行方法。由此可以证明,用本发明的并行方法可以在不影响测试样本集分类精度的情况下提升算法运行效率,减少预测阶段所用时间。
Claims (5)
1.一种基于开放运算语言OpenCL并行的极化合成孔径雷达SAR地物分类方法,其特征在于,利用开放运算语言OpenCL配置开放运算语言OpenCL设备,利用开放运算语言OpenCL设备的多线程并行处理待预测数据;该方法的步骤包括如下:
(1)输入待分类的极化合成孔径雷达SAR图像和与其对应的极化合成孔径雷达SAR真实地物类标;
(2)去除相干斑噪声:
采用滤波窗口大小为7×7的精致Lee滤波方法,对待分类的极化合成孔径雷达SAR图像进行滤波,去除相干斑噪声,得到滤波后的极化合成孔径雷达SAR图像;
(3)提取特征:
(3a)从滤波后极化合成孔径雷达SAR图像所有像素点中,选取所有含有真实地物标记的像素点,组成有真实地物标记像素点集合;
(3b)分别计算每个有真实地物标记像素点的极化相干矩阵上三角6个数据的模值,将6个模值依次首尾相连组成每个有真实地物标记像素点的特征向量,每个特征向量含有6个特征维度;
(4)生成训练样本集和测试样本集;
(4a)将所有有真实地物标记像素点的特征向量中,真实地物类标相同像素点的特征向量作为同一类别;
(4b)从每种类别中任意选取1%的有真实地物标记像素点的特征向量组成训练样本集,剩余99%有真实地物标记像素点的特征向量,组成测试样本集;
(5)预处理:
(5a)利用标准差公式,计算训练样本集中所有特征向量每个特征维度的标准差;
(5b)利用z-score数据预处理方法,对训练样本集和测试样本集进行数据预处理,得到预处理后的训练样本集和测试样本集;
(6)训练支持向量机模型:
(6a)将训练样本集和其对应的真实地物类标,分别输入到支持向量机模型中,利用支持向量机模型的优化公式,计算模型参数,训练支持向量机模型;
(6b)利用支持向量机模型偏置值的公式,计算支持向量机模型偏置值;
(7)配置开放运算语言OpenCL设备端:
(7a)构建中央处理器CPU主机端和开放运算语言OpenCL设备端,中央处理器CPU主机端和开放运算语言OpenCL设备端通过PCIe总线连接;
(7b)划分开放运算语言OpenCL设备端工作组,创建两个内核程序;
(8)并行预测测试样本集地物类标:
(8a)在中央处理器CPU主机端将测试样本集和支持向量机模型参数传入开放运算语言OpenCL设备端全局内存中;
(8b)在开放运算语言OpenCL设备端中,执行两个内核程序,并行地计算测试样本集中每个特征向量的地物类标,将测试样本集中所有特征向量的地物类标组合在一起,得到测试样本集初始地物类标并拷贝至中央处理器CPU主机端内存中;
所述的并行地计算测试样本集中每个特征向量的地物类标的具体步骤如下:
第1步,按照下式,第一个内核程序并行计算内核函数值:
其中,kernelg,h表示内核函数值矩阵第g行第h列元素的值,g表示内核函数值矩阵的行号,g的取值为0,1,…,N'-1,h表示内核函数值矩阵的列号,h的取值为0,1,…,Nsv-1,Nsv表示支持向量机模型支持向量的个数,αh表示内核函数值矩阵第h列元素对应的拉格朗日乘子,λg表示内核函数值矩阵第g行元素在测试样本集中对应特征向量的真实地物类标,表示内核函数值矩阵第g行元素在测试样本集中对应的特征向量,svh表示内核函数值矩阵第h列元素在支持向量机模型中对应的支持向量;
第2步,将内核函数值矩阵每行中相邻几个元素进行求和操作,得到按行部分求和后的内核函数值矩阵;
第3步,按照下式,第二个内核程序并行地计算测试样本集中每个特征向量的地物类标:
其中,表示内核函数值矩阵第g行元素在测试样本集中对应的特征向量的地物类标,sign(·)表示符号函数,这里规定,当自变量取值为0时,符号函数取值为1,m表示部分求和后的内核函数矩阵的行号,m的取值为0,1,…,M-1,M表示部分求和后的内核函数矩阵的列数,kersumg,m表示部分求和后内核函数矩阵第g行第m列的元素,b表示支持向量机模型偏置值;
(8c)在中央处理器CPU主机端,将测试样本集初始地物类标的二分类类标转换为多分类类标;
(8d)对测试样本集初始地物类标的多分类类标进行多数投票操作,选择票数最多的类别作为测试样本集地物类标;
(9)对测试样本集地物类标上色:
(9a)将测试样本集地物类标中类别相同的作为同一类别;
(9b)按照红色、绿色、蓝色三基色上色法,对测试样本集地物类标进行上色,同一类别上相同的颜色,得到上色后的分类结果图;
(10)输出上色后的分类结果图。
3.根据权利要求2所述的基于开放运算语言OpenCL并行的极化合成孔径雷达SAR地物分类方法,其特征在于,步骤(5b)中所述的z-score数据预处理方法的具体步骤如下:
第1步,按照下式,计算预处理后的训练样本集中每个特征向量的每个特征维度的值:
第2步,按照下式,计算预处理后的测试样本集中每个特征向量的每个特征维度的值:
4.根据权利要求1所述的基于开放运算语言OpenCL并行的极化合成孔径雷达SAR地物分类方法,其特征在于:步骤(6a)所述的支持向量机模型的优化公式如下:
其中,max表示取最大值操作,α表示拉格朗日乘子,p表示选取的第一个拉格朗日乘子的位置,p取值为p=0,1,…,N-1,q表示选取的第二个拉格朗日乘子的位置,q取值为q=0,1,…,N-1,αp表示选取的第一个拉格朗日乘子,αq表示选取的第二个拉格朗日乘子,λp、λq分别表示选取的第一个、第二个拉格朗日乘子对应特征向量的真实地物类标,K表示支持向量机的核函数,表示选取的第一个、第二个拉格朗日乘子对应的特征向量,l表示选取的第三个拉格朗日乘子的位置,l取值为l=0,1,…,N-1,αl表示选取的第三个拉格朗日乘子,αl取值为0≤αl≤C,C表示惩罚参数,C的取值为C>0,λl表示选取的第三个拉格朗日乘子对应特征向量的真实地物类标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810977933.4A CN109359509B (zh) | 2018-08-27 | 2018-08-27 | 基于OpenCL并行的极化SAR地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810977933.4A CN109359509B (zh) | 2018-08-27 | 2018-08-27 | 基于OpenCL并行的极化SAR地物分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359509A CN109359509A (zh) | 2019-02-19 |
CN109359509B true CN109359509B (zh) | 2021-09-28 |
Family
ID=65349989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810977933.4A Active CN109359509B (zh) | 2018-08-27 | 2018-08-27 | 基于OpenCL并行的极化SAR地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359509B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927688B (zh) * | 2019-11-09 | 2023-03-24 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种用于地杂波特性研究的同类地物相似度判定方法 |
CN113688852A (zh) * | 2020-05-19 | 2021-11-23 | 中移(成都)信息通信科技有限公司 | 树木种群分类方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096070A (zh) * | 2010-11-16 | 2011-06-15 | 苏州科技学院 | 一种全极化合成孔径雷达海面溢油检测方法 |
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 |
CN105825223A (zh) * | 2016-03-09 | 2016-08-03 | 西安电子科技大学 | 基于深度学习和度量学习的极化sar地物分类方法 |
CN106682633A (zh) * | 2016-12-30 | 2017-05-17 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便镜检图像有形成分的分类识别方法 |
CN108133173A (zh) * | 2017-11-24 | 2018-06-08 | 西安电子科技大学 | 基于半监督梯形网络的极化sar图像分类方法 |
CN108256429A (zh) * | 2017-12-19 | 2018-07-06 | 国网山西省电力公司阳泉供电公司 | 一种利用高空间分辨率单极化sar图像的输电杆塔目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10436897B2 (en) * | 2014-12-08 | 2019-10-08 | The United States Of America As Represented By The Secretary Of The Army | System for detecting man-made objects using polarimetric synthetic aperture radar imagery with error reduction and method of use |
-
2018
- 2018-08-27 CN CN201810977933.4A patent/CN109359509B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096070A (zh) * | 2010-11-16 | 2011-06-15 | 苏州科技学院 | 一种全极化合成孔径雷达海面溢油检测方法 |
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 |
CN105825223A (zh) * | 2016-03-09 | 2016-08-03 | 西安电子科技大学 | 基于深度学习和度量学习的极化sar地物分类方法 |
CN106682633A (zh) * | 2016-12-30 | 2017-05-17 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便镜检图像有形成分的分类识别方法 |
CN108133173A (zh) * | 2017-11-24 | 2018-06-08 | 西安电子科技大学 | 基于半监督梯形网络的极化sar图像分类方法 |
CN108256429A (zh) * | 2017-12-19 | 2018-07-06 | 国网山西省电力公司阳泉供电公司 | 一种利用高空间分辨率单极化sar图像的输电杆塔目标检测方法 |
Non-Patent Citations (4)
Title |
---|
Accelerating Learning to Rank via SVM with OpenCL and OpenMP on Heterogeneous Platforms;Huming Zhu等;《2016 IEEE 22nd International Conference on Parallel and Distributed Systems (ICPADS)》;20170119;1199-1202 * |
OpenCL 2.0 规范 – SVM共享虚拟内存;苍月代表我;《https://www.cnblogs.com/lifan3a/articles/4613858.html》;20150701;1-5 * |
Parallel Self-organizing Map Using Shared Virtual Memory Buffers;Noor Elaiza Bt Abd Khalid等;《ACIIDS 2017》;20170323;49-58 * |
基于GPU的并行支持向量机的设计与实现;易卓霖;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120415;35-48 * |
Also Published As
Publication number | Publication date |
---|---|
CN109359509A (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN110852227A (zh) | 高光谱图像深度学习分类方法、装置、设备及存储介质 | |
Li et al. | Soft measurement of wood defects based on LDA feature fusion and compressed sensor images | |
CN110245709A (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
CN106056157A (zh) | 基于空‑谱信息的高光谱图像半监督分类方法 | |
CN107358142A (zh) | 基于随机森林构图的极化sar图像半监督分类方法 | |
CN104008394B (zh) | 基于近邻边界最大的半监督高光谱数据降维方法 | |
CN111709318B (zh) | 一种基于生成对抗网络的高分辨率遥感图像分类方法 | |
CN102609944B (zh) | 基于距离几何理论的高光谱遥感图像混合像元分解方法 | |
CN109359509B (zh) | 基于OpenCL并行的极化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 | |
CN103679210A (zh) | 基于高光谱图像解混的地物识别方法 | |
CN111222545B (zh) | 基于线性规划增量学习的图像分类方法 | |
CN113723492A (zh) | 一种改进主动深度学习的高光谱图像半监督分类方法及装置 | |
Li et al. | Small object detection algorithm based on feature pyramid-enhanced fusion SSD | |
CN114463637A (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
CN113052006A (zh) | 一种基于卷积神经网络的图像目标检测方法,系统及可读存储介质 | |
Pichel et al. | A new approach for sparse matrix classification based on deep learning techniques | |
CN115082790A (zh) | 一种基于连续学习的遥感图像场景分类方法 | |
Li et al. | Multi-scale object detection in satellite imagery based on YOLT | |
Xu et al. | Ida-det: An information discrepancy-aware distillation for 1-bit detectors | |
Chawda et al. | Extracting building footprints from satellite images using convolutional neural networks | |
CN103955711B (zh) | 一种成像光谱目标识别分析中的模式识别方法 | |
CN114548170A (zh) | 基于gpu端模糊c均值聚类算法的雷达信号分选方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |