基于PCANet及多分类器融合的图像溢油检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115984223A(43)申请公布日2023.04.18(21)申请号202310011074.4G06N3/08(2023.01)(22)申请日2023.01.05G06N3/047(2023.01)G06N3/0464(2023.01)(71)申请人江苏科技大学地址212003江苏省镇江市梦溪路2号(72)发明人魏雪云江蒋伟张贞凯郑威靳标奚彩萍尚尚(74)专利代理机构南京正联知识产权代理有限公司32243专利代理师李寰(51)Int.Cl.G06T7/00(2017.01)G06V10/764(2022.01)G06V10/774(2022.01)G06V10/42(2022.01)G06V10/82(2022.01)权利要求书2页说明书6页附图2页(54)发明名称基于PCANet及多分类器融合的图像溢油检测方法(57)摘要本发明涉及合成孔径雷达图像溢油分割领域，具体地说，是一种基于PCANet及多分类器融合的图像溢油检测方法，本发明实现了基于PCANet网络与浅层分类器结合进行SAR图像溢油识别，在分析了PCANet网络算法原理与结构的基础上，将其应用到不同极化下的SAR图像特征提取中，有效提高了数据特征维度，以支持向量机、K‑近邻和SOFTMAX三种浅层分类器为基础的决策级融合，提升了图像识别精度，分类器偏向性得以改善。CN115984223ACN115984223A权利要求书1/2页1.一种基于PCANet及多分类器融合的图像溢油检测方法，其特征在于，包括以下步骤：S1、选择SAR溢油图像数据集作为训练样本输入主成分分析神经网络，对图像矩阵进行预处理；S2、根据步骤S1处理过的图像数据生成相应滤波器，将滤波器作为卷积核与图像进行卷积运算，进一步丰富图像数据的浅层特征；S3、利用哈希函数对步骤S2输出的图像数据进行处理，降低图像数据的整体复杂度，随后使用直方图统计，生成扩展直方图特征向量；S4、基于SVM、K近邻和SoftMax算法搭建多种分类器，对步骤S3输出的特征向量进行分类；S5、采用加权投票表决的方式对不同分类器的输出分类向量进行求和得到最终的预测分类向量，与实际样本比对，得出模型误差率。2.根据权利要求1所述的基于PCANet及多分类器融合的图像溢油检测方法，其特征在于，所述步骤S1具体过程如下：S11、对每一张图片进行预处理，根据图片的像素，以k1×k2为大小对矩阵进行分块，将每个分片矩阵按列优先原则展开为列向量，将这些列向量从左向右重新组合成一个矩阵；S12、图片像素为m×n，分块时以行步长为b1，列步长为b2沿着图片矩阵进行移动，矩阵大小的计算公式为：行：r＝k1×k2列：c＝((m‑k1)/b1+1)×((m‑k2)/b2+1)。3.根据权利要求2所述的基于PCANet及多分类器融合的图像溢油检测方法，其特征在于，所述步骤S2具体过程如下：S21、主成分分析分为两个阶段，第一个阶段对矩阵每一列减去列平均，得到矩阵然后对n张训练图片进行相同的处理，得到矩阵x的行大小为r，列为c×n，对得到的矩阵使用PCA算法，取前L1个最大的特征值对应的特征向量作为滤波器，数学表达式为：S22、第二阶段先对第一阶段输出的N幅图像Ii分别与第一阶段的L1个滤波器做卷积，得到L1×N张图像，后续与第一阶段相似，在矩阵做卷积之前要先对其进行一个边界0的填充，这样做是为了对扩展后的矩阵卷积，能得到的矩阵和Ii大小相同。4.根据权利要求3所述的基于PCANet及多分类器融合的图像溢油检测方法，其特征在于，所述步骤S3具体过程如下：对第二阶段每一张图像做以下计算：随后对矩阵进行直方图矩阵统计，直方图的范围为直方图矩阵向量化得到行向量，接着同样对所有的矩阵做直方图处理，然后级联起来，最终得到块扩展直方图特征。5.根据权利要求4所述的基于PCANet及多分类器融合的图像溢油检测方法，其特征在2CN115984223A权利要求书2/2页于进一步的，所述步骤S4具体过程如下：S41、SVM分类器基于样本数据建立一个超平面使要分类的数据间隔尽量最大，然后对样本数据进行分割，从而变成一个凸二次问题求解，其超平面的方程为：g(x)＝w·x+bw是判别函数中的权向量，w＝(w1,w2,…,wn)T，b是常数，w·x是权向量与样本向量的内积；S42、K近邻分类器，通过已知数据与给定的类别，计算未知样本与已知数据间的距离大小，然后判别未知样本属于的类别，距离计算表达式为：S43、SoftMax分类器能够使用假设函数将输出值映射为预测结果的概率，具体假设函数如下：其中，k是种类标签序号，也是最终输出概率向量的维度；w是分类器模型的参数矩阵，(i)T(i)也可以表示为w＝(w1,w2,…,