基于深度相关向量机的SAR图像分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106203520A(43)申请公布日2016.12.07(21)申请号201610561371.6(22)申请日2016.07.17(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号(72)发明人焦李成屈嵘王雅依张丹马文萍马晶晶尚荣华赵进赵佳琦侯彪杨淑媛(74)专利代理机构陕西电子工业专利中心61205代理人田文英王品华(51)Int.Cl.G06K9/62(2006.01)权利要求书2页说明书5页附图1页(54)发明名称基于深度相关向量机的SAR图像分类方法(57)摘要本发明公开了一种基于深度相关向量机的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)输入双精度类型的合成孔径雷达SAR图像的矩阵；(2)对输入的双精度类型的合成孔径雷达SAR图像的矩阵进行归一化处理；(3)训练三个受限玻耳兹曼机RBM；(4)训练RVM分类器；(5)构建深度RVM模型；(6)分类；(7)计算预测类标；(8)得到分类正确率。本发明挖掘了合成孔径雷达图像的深度特征，采用了相关向量机RVM，稀疏地学习特征，保留了雷达图像的信息完整性，挖掘了深度信息，减少了时间复杂度，具有良好的分类效果，可用于SAR图像分类。CN106203520ACN106203520A权利要求书1/2页1.一种基于深度相关向量机的SAR图像分类方法，其具体步骤包括如下：(1)输入双精度类型的合成孔径雷达SAR图像的矩阵；(2)对输入的双精度类型的合成孔径雷达SAR图像的矩阵进行归一化处理；(3)训练三个受限玻耳兹曼机RBM：将归一化后的双精度类型的合成孔径雷达SAR图像矩阵，输入三层受限玻耳兹曼机RBM中进行分层训练，得到合成孔径雷达SAR图像矩阵的第三层深层特征；(4)训练RVM分类器：将合成孔径雷达SAR图像矩阵的第三层深层特征和输入的双精度类型合成孔径雷达SAR图像矩阵所对应的类标，输入到稀疏贝叶斯分类模型中，选择核函数为线性核，迭代次数为600次，根据拉普拉斯逼近方法推断模型参数，训练相关相量机RVM分类器；(5)构建深度RVM模型：将相关相量机RVM分类器级联到三层受限玻耳兹曼机RBM的第三层，得到深度相关相量机RVM模型；(6)分类：将待训练的合成孔径雷达SAR图像矩阵输入到深度相关相量机RVM模型中，得到双精度类型的合成孔径雷达SAR图像矩阵的各类分类概率；(7)计算预测类标：选取双精度类型的合成孔径雷达SAR图像矩阵的各类分类概率中的每类概率最大的类标，作为双精度类型合成孔径雷达SAR图像矩阵的预测类标；(8)得到分类正确率：用分类精度评判公式，进行计算，得到分类正确率。2.根据权利要求1所述的基于深度相关向量机的SAR图像分类方法，其特征在于：步骤(2)中所述的对输入的双精度类型的合成孔径雷达SAR图像的矩阵进行归一化处理的公式如下：其中，Xnorm表示归一化后的双精度类型的合成孔径雷达SAR图像矩阵，X表示输入的双精度类型的合成孔径雷达SAR图像矩阵，Xmax和Xmin分别表示输入的双精度类型的合成孔径雷达SAR图像的矩阵的最大值和最小值。3.根据权利要求1所述的基于深度相关向量机的SAR图像分类方法，其特征在于：步骤(3)中所述的将归一化后的双精度类型的合成孔径雷达SAR图像矩阵，输入三层受限玻耳兹曼机RBM中进行分层训练的具体步骤如下：第1步，将归一化后的双精度类型的合成孔径雷达SAR图像矩阵，输入到第一层受限玻耳兹曼机RBM中训练，通过100次迭代训练，得到第一层受限玻耳兹曼机RBM的网络参数{W1,b1}，其中，W1表示归一化后的双精度类型的合成孔径雷达SAR图像矩阵在第一层受限玻耳兹曼机RBM的权重值，b1表示归一化后的双精度类型的SAR图像矩阵在第一层受限玻耳兹曼机RBM的余项，将归一化后的合成孔径雷达SAR图像矩阵输入到第一层受限玻耳兹曼机RBM，得到合成孔径雷达SAR图像矩阵的第一层深层特征；第2步，将合成孔径雷达SAR图像矩阵的第一层深层特征，输入到第二层受限玻耳兹曼2CN106203520A权利要求书2/2页机RBM中训练，通过100次迭代训练，得到第二层受限玻耳兹曼机RBM的网络参数{W2,b2}，其中，W2表示合成孔径雷达SAR图像矩阵的第一层深层特征在第一层受限玻耳兹曼机RBM中的权重值，b2表示合成孔径雷达SAR图像矩阵的第一层深层特征在第一层受限玻耳兹曼机RBM中的余项，将合成孔径雷达SAR图像矩阵的第一层深层特征输入到第二层受限玻耳兹曼机RBM，得到合成孔径雷达SAR图像矩阵的第二层深层特征；第3步，将合成孔径雷达SAR图像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100次迭代训