CN110321847A - 一种基于极端决策树的sar图像目标识别方法 - Google Patents
一种基于极端决策树的sar图像目标识别方法 Download PDFInfo
- Publication number
- CN110321847A CN110321847A CN201910599694.8A CN201910599694A CN110321847A CN 110321847 A CN110321847 A CN 110321847A CN 201910599694 A CN201910599694 A CN 201910599694A CN 110321847 A CN110321847 A CN 110321847A
- Authority
- CN
- China
- Prior art keywords
- extreme
- decision tree
- sar
- extreme decision
- sar image
- 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.)
- Pending
Links
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明应用于合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别领域,特别涉及一种SAR目标识别的分类器设计,具体为一种基于极端决策树的SAR图像目标识别方法。本发明首先对SAR图像经过归一化及向量化预处理,然后使用全局特征提取算法主成分分析(PCA)实现维数约简,将维数约减后的SAR数据经过极端决策树的极端随机方法,提取SAR图像的表征特征,形成极端决策森林,最终完成SAR目标识别。本发明通过极端决策树构成的极端决策森林,有效解决了传统算法的多步骤匹配问题,能够利用随机特性提取版别性较强的特征,利用交叉验证的方法确认最优参数,保证对于不同数据集均能实现较高的识别水平。
Description
技术领域
本发明应用于合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别领域,特别涉及一种SAR目标识别的分类器设计,具体为一种基于极端决策树的SAR图像目标识别方法。
背景技术
由于SAR高分辨、全天时全天候、穿透性强等工作特点,其已成功应用到环境监测,民用管理及国防安全监控等诸多方面,而SAR自动目标识别一直以来是SAR中的研究热点之一。传统的SAR目标识别包括目标检测、鉴别、识别三步操作,目标识别是SAR自动目标识别中的研究重点,而其中的特征提取和分类器设计在SAR自动目标识别尤为重要。目前多数SAR目标识别方法集中在特征提取方法或者分类器设计的单方面研究,因此有些鉴别特征并不一定能得到更好的分类性能。
发明内容
本发明的目的在于针对上述SAR目标识别框架非最优问题,提出一种基于极端决策树的SAR图像目标识别方法,其中,极端决策树(Extra Decision Tree)是一种将特征提取与目标分类模型集成的算法,能够将原始SAR图像经过极端决策树的分层特征提取后形成分类路径,构成一个多棵树构成的森林结构;有效解决了传统算法的多步骤匹配问题,仅需单一算法便能够解决特征提取和分类识别两个重要步骤。
为实现上述目的,本发明采用的技术方案为:
一种基于极端决策树的SAR图像目标识别方法,包括以下步骤:
步骤1:对所有原始SAR图像做向量化、归一化处理,得到训练数据集;
假设SAR的图像大小为a×b,对图像做向量化处理可得到(a×b)的列向量;并做归一化处理,将原始SAR图像数据中每一维特征归一化,映射为0-1的数据值;
步骤2:对训练数据集进行全局特征提取(PCA),得到降维数据集;用于加速运算;
步骤3:全局特征提取后的数据,经过极端决策树的特征提取,形成分类路径;
具体的极端决策树建树步骤为:
步骤3.1:将降维数据集中所有特征作为单棵极端决策树的输入,特征分裂使用随机分裂的方式,构建单棵极端决策树;
步骤3.2:重复步骤3.1,构建预设数量的单棵极端决策树,形成极端决策森林;其中,包含多棵极端决策树,每一棵树中包含对应的类别信息和形成的类别路径;
步骤3.3:K-折交叉验证,从训练数据集中取出一定比例的样本作为测试样本,多次学习得到最优参数;
步骤4:使用极端决策森林对待测样本完成分类识别,实现高精度的SAR目标识别。
需要说明的是,所述步骤2中,具体的做法是:全局特征提取,根据数据集的不同,匹配最优的维度保留数,图像的大小也影响着参数的选择;PCA降维的维数和图像大小需要按照数据集变化而动态变化;这样做的有益效果是:减少信息的丢失和避免信息的冗余,动态的参数将能够保证,进入决策树的数据特征是已经经过准确筛选的数据,极端决策树在随机选择特征的过程中能够选择判断能力较高的特征;
所述步骤3.1中,单棵决策树形成的一个分层的SAR图像数据集,第一层仅仅含有一个特征分类点,第二层包含两个特征点,随着层数的增加,逐渐的节点开始表示为类别信息,全部数据集都进入极端决策树,保证树的深度,当树深增加时,容易出现过拟合,结合随机选择特征有效的避免了树深带来的困扰。这样做的有益效果是:从方差偏差平衡机角度分析,随机选择特征使得偏差增大,正好弥补了采用全部数据集的过拟合问题,使得极端决策树在数据集偏差方差影响力不一致的情况下,对数据集的学习能力优于随机森林和其他方法,同样模型的泛化能力也表现更好;
所述步骤3.3中,K折交叉验证来确认参数,K代表份数,取其中K-1用于训练,剩余的一份用于测试,K次变化测试集,这样做的有益效果是:对于极端决策树引入交叉验证,能够避免随机选择特征带来的随机性,能够得到表现最优的参数集合。
综上,本发明的有益效果在于:通过极端决策树构成的极端决策森林,有效解决了传统算法的多步骤匹配问题,能够利用随机特性提取版别性较强的特征,利用交叉验证的方法确认最优参数,保证对于不同数据集均能实现较高的识别水平。
附图说明
图1本发明一种基于极端决策树的SAR图像目标识别方法流程图;
图2本发明实施例中极端决策树的特征分裂策略。
具体实施方式
以下将针对本文的发明内容的实施方法进行详细阐述,以便于更好地体现出本发明的技术要点。
本发明是一种基于极端决策树的SAR图像识别方法,其流程如图1所示,首先对SAR图像经过归一化及向量化预处理,然后使用全局特征提取算法主成分分析(PrincipalCompone nt Analysis,PCA)实现维数约简,将维数约减后的SAR数据经过极端决策树的极端随机方法,提取SAR图像的表征特征,形成极端决策森林,最终完成SAR目标识别。
具体步骤为:
步骤1:对所有原始SAR图像做向量化、归一化处理,得到训练数据集;
假设SAR的图像大小为a×b,对图像做向量化处理可得到(a×b)的列向量;并做归一化处理,将原始SAR图像数据中每一维特征归一化,映射为0-1的数据值;
步骤2:对训练数据集进行全局特征提取(PCA),得到降维数据集;用于加速运算;
步骤3:全局特征提取后的数据,经过极端决策树的特征提取,形成分类路径;
具体的极端决策树建树步骤为:
步骤3.1:将降维数据集中所有特征作为单棵极端决策树的输入,特征分裂使用随机分裂的方式,构建单棵极端决策树;
步骤3.2:重复步骤3.1,构建预设数量的单棵极端决策树,形成极端决策森林;其中,包含多棵极端决策树,每一棵树中包含对应的类别信息和形成的类别路径;
步骤3.3:K-折交叉验证,从训练数据集中取出一定比例的样本作为测试样本,多次学习得到最优参数;
步骤4:使用极端决策森林对待测样本完成分类识别,实现高精度的SAR目标识别。
本实施例中,原始数据集在经过全局特征提取后,利用训练数据集形成极端决策树森林,数据数据如实施例中所述,验证不同数据集情况下本发明中的极端决策树SAR图像目标识别框架。图像大小采用128×128像素,PCA降维维度根据数据集的大小和设计,实验(1)采用90维,对比分类器为高斯朴素贝叶斯(GNB),逻辑斯蒂回归(LR),梯度提升决策树(GB),轻量级梯度提升机(LGB),K最近邻(KNN),支持向量机(SVM),随机森林(RF),极端决策树(ERT)。实验(2)采用图像大小为64×64像素,PCA降维为80维,实验(3)(4)采用100×100像素值,图像降维统一采用90维,实验结果表明所有实验中,极端决策树均表现出较高精度。
实施例,验证本发明所述方法采用MSTAR标准数据集,为了验证本发明能够解决SAR图像目标识别的特征提取与分类器分类的问题,使用单一算法完成上述步骤,并能够实现较高的识别精度,设计四不同的验证方式:
(1)验证标准数据集,采用十个不同类别的地面目标:BMP2、BRDM_2、BTR70、BTR60、T72、2S1、D7、T62、ZIL131、ZSU23_4,分别使用“A-J”字母表示,实验数据及实验结果如表1,2:
表1
表2
对比分类器为高斯朴素贝叶斯(GNB),逻辑斯蒂回归(LR),梯度提升决策树(GB),轻量级梯度提升机(LGB),K最近邻(KNN),支持向量机(SVM),随机森林(RF),极端决策树(ERT);
(2)验证拓展工作条件下,极端决策树的识别能力,使用2S1、BRDM2、ZSU23_4三类数据,训练集为17°俯仰角SAR图像,测试集为30°,45°俯仰角SAR图像,实验数据及实验结果如表3,4;
表3
表4(a)30°识别结果;
表4(b)45°识别结果
(3)验证不同配置的识别能力,训练集为BMP2、BRDM2、BTR70、T72,测试集使用不同配置的5类T72样本集,包括S7、A32、A62、A63、A64,验证,在不同配置的情况下,能否提取核心特征,避免配置干扰识别,识别目标所属类别,实验数据及实验结果如表5,6:
表5
表6
(4)验证不同版本信息的情况下,极端决策树的识别能力,训练集使用配置识别相同的训练数据,测试样本采用两类数据,BMP2中两类版本9566和C21,T72中使用812,A04,A05,A07,A10版本,验证极端决策树在不同版本信息的识别能力,实验数据及实验结果如表7,8:
表7
表8
最终结果证明,极端决策树在不同条件下,均能实现高精度识别结果。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (1)
1.一种基于极端决策树的SAR图像目标识别方法,包括以下步骤:
步骤1:对所有原始SAR图像做向量化、归一化处理,得到训练数据集;
步骤2:对训练数据集进行全局特征提取(PCA),得到降维数据集;
步骤3:构建极端决策森林;
步骤3.1:将降维数据集中所有特征作为单棵极端决策树的输入,特征分裂使用随机分裂的方式,构建单棵极端决策树;
步骤3.2:重复步骤3.1,构建预设数量的单棵极端决策树,形成极端决策森林;
步骤3.3:K-折交叉验证,从训练数据集中取出一定比例的样本作为测试样本,多次学习得到最优参数;
步骤4:使用极端决策森林对待测样本完成分类识别,实现高精度的SAR目标识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910599694.8A CN110321847A (zh) | 2019-07-04 | 2019-07-04 | 一种基于极端决策树的sar图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910599694.8A CN110321847A (zh) | 2019-07-04 | 2019-07-04 | 一种基于极端决策树的sar图像目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110321847A true CN110321847A (zh) | 2019-10-11 |
Family
ID=68122688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910599694.8A Pending CN110321847A (zh) | 2019-07-04 | 2019-07-04 | 一种基于极端决策树的sar图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110321847A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751201A (zh) * | 2019-10-16 | 2020-02-04 | 电子科技大学 | 基于纹理特征变换的sar装备任务失效成因推理方法 |
CN110895564A (zh) * | 2019-11-05 | 2020-03-20 | 泰康保险集团股份有限公司 | 一种潜在客户数据处理方法和装置 |
CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617427A (zh) * | 2013-12-13 | 2014-03-05 | 首都师范大学 | 极化sar图像分类方法 |
CN104268553A (zh) * | 2014-09-11 | 2015-01-07 | 江苏大学 | 基于核模糊Foley-Sammon转换的SAR图像目标识别方法 |
US20170069062A1 (en) * | 2015-09-08 | 2017-03-09 | The Johns Hopkins University | Small maritime target detector |
CN108776968A (zh) * | 2018-06-22 | 2018-11-09 | 西安电子科技大学 | 基于深度森林的sar图像变化检测方法 |
CN109948680A (zh) * | 2019-03-11 | 2019-06-28 | 合肥工业大学 | 病历数据的分类方法及系统 |
-
2019
- 2019-07-04 CN CN201910599694.8A patent/CN110321847A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617427A (zh) * | 2013-12-13 | 2014-03-05 | 首都师范大学 | 极化sar图像分类方法 |
CN104268553A (zh) * | 2014-09-11 | 2015-01-07 | 江苏大学 | 基于核模糊Foley-Sammon转换的SAR图像目标识别方法 |
US20170069062A1 (en) * | 2015-09-08 | 2017-03-09 | The Johns Hopkins University | Small maritime target detector |
CN108776968A (zh) * | 2018-06-22 | 2018-11-09 | 西安电子科技大学 | 基于深度森林的sar图像变化检测方法 |
CN109948680A (zh) * | 2019-03-11 | 2019-06-28 | 合肥工业大学 | 病历数据的分类方法及系统 |
Non-Patent Citations (8)
Title |
---|
JONATHAN PISANE等: "An extra-trees-based automatic target recognition algorithm", 《2009 INTERNATIONAL RADAR CONFERENCE "SURVEILLANCE FOR A SAFER WORLD" (RADAR 2009)》 * |
JONATHAN PISANE等: "Robust automatic target recognition using extra-trees", 《2010 IEEE RADAR CONFERENCE》 * |
RAPHAEL MAREE等: "Random Subwindows for Robust Image Classification", 《IEEE CVPR》 * |
丘昌镇等: "基于PCA和2D-PCA特征的SAR图像目标分类性能比较", 《信号处理》 * |
方积乾等: "《中国统计出版社》", 31 May 2018 * |
殷复莲: "《数据分析与数据挖掘实用教程》", 30 September 2017 * |
毛良瑾等: "一种有效的SAR图像自动目标识别方法", 《计算机工程与应用》 * |
谢英杰等: "基于机器学习算法的合成孔径雷达图像的目标识别", 《河南大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751201A (zh) * | 2019-10-16 | 2020-02-04 | 电子科技大学 | 基于纹理特征变换的sar装备任务失效成因推理方法 |
CN110751201B (zh) * | 2019-10-16 | 2022-03-25 | 电子科技大学 | 基于纹理特征变换的sar装备任务失效成因推理方法 |
CN110895564A (zh) * | 2019-11-05 | 2020-03-20 | 泰康保险集团股份有限公司 | 一种潜在客户数据处理方法和装置 |
CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Metcalf et al. | The strong gravitational lens finding challenge | |
Nguyen et al. | Iris recognition with off-the-shelf CNN features: A deep learning perspective | |
Hon et al. | Deep learning classification in asteroseismology | |
CN106874889B (zh) | 基于卷积神经网络的多特征融合sar目标鉴别方法 | |
Huang et al. | Deep embedding network for clustering | |
CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
Abdollahi | Identification of medicinal plants in ardabil using deep learning: identification of medicinal plants using deep learning | |
CN101763507B (zh) | 人脸识别方法及人脸识别系统 | |
CN110321847A (zh) | 一种基于极端决策树的sar图像目标识别方法 | |
CN109615008B (zh) | 基于堆叠宽度学习的高光谱图像分类方法和系统 | |
CN107316013A (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
CN109828251A (zh) | 基于特征金字塔轻量卷积神经网络的雷达目标识别方法 | |
Butera et al. | Precise agriculture: effective deep learning strategies to detect pest insects | |
Sharma et al. | Offline signature verification using deep neural network with application to computer vision | |
CN105184260B (zh) | 一种图像特征提取方法及行人检测方法及装置 | |
Zhou et al. | Convolutional neural networks based pornographic image classification | |
Halkias et al. | Classification of mysticete sounds using machine learning techniques | |
Bharali et al. | Plant disease detection by leaf image classification using convolutional neural network | |
Morawski et al. | Convolutional neural network classifier for the output of the time-domain-statistic all-sky search for continuous gravitational waves | |
CN111914728A (zh) | 高光谱遥感影像半监督分类方法、装置及存储介质 | |
Mehdipour Ghazi et al. | Open-set plant identification using an ensemble of deep convolutional neural networks | |
CN111126361A (zh) | 基于半监督学习和特征约束的sar目标鉴别方法 | |
Liu et al. | Image retrieval using CNN and low-level feature fusion for crime scene investigation image database | |
Guehairia et al. | Deep random forest for facial age estimation based on face images | |
Le et al. | Document retrieval based on logo spotting using key-point matching |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |
|
RJ01 | Rejection of invention patent application after publication |