基于SAR-SIFT和DBN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CN105894035A(43)申请公布日2016.08.24(21)申请号201610206107.0(22)申请日2016.04.05(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)G06K9/46(2006.01)权利要求书2页说明书6页附图1页(54)发明名称基于SAR-SIFT和DBN的SAR图像分类方法(57)摘要本发明公开了一种基于SAR-SIFT和DBN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)输入整数类型SAR图像矩阵；(2)转换SAR图像矩阵；(3)提取SAR-SIFT特征；(4)最大池化处理；(5)归一化；(6)训练四个受限玻耳兹曼机RBM；(7)训练softmax分类器；(8)构建深度置信网DBN网络；(9)分类；(10)计算分类精度。本发明提取了合成孔径雷达图像的SAR-SIFT特征，采用了深度置信网DBN，逐层地学习特征，保留了雷达图像的信息完整性，挖掘了深度信息，具有良好的分类效果，可用于SAR图像分类。CN105894035ACN105894035A权利要求书1/2页1.基于SAR-SIFT和DBN的SAR图像分类方法，其具体步骤包括如下：(1)输入整数类型SAR图像矩阵；(2)转换SAR图像矩阵：将输入的整数类型SAR图像矩阵的整数int类型矩阵转化为双精度double类型矩阵；(3)提取SAR-SIFT特征：(3a)选取半径为16个像素，移动步长为2个像素的圆形窗口，在双精度double类型SAR图像矩阵中滑动，得到双精度double类型SAR图像矩阵的区域；(3b)在双精度double类型SAR图像矩阵的区域中，运用尺度不变特征转换方法，提取SAR-SIFT局部特征，得到128*2209维的SAR-SIFT特征矩阵；(4)最大池化处理：(4a)选取一个大小为2个像素的向下采样的因子，得到大小为2*2个像素的池化窗口，将SAR-SIFT局部特征矩阵划分到576个不相交的矩形子区域上；(4b)从每一个不相交的矩形子区域中提取一个最大特征，组成池化后的SAR-SIFT特征矩阵；(5)按照下式，对池化后的SAR-SIFT特征矩阵进行归一化：其中，Xnorm表示归一化后的SAR-SIFT特征矩阵，X表示池化后的SAR-SIFT特征矩阵，Xmax和Xmin分别表示池化后的SAR-SIFT特征矩阵的最大值和最小值；(6)训练四个受限玻耳兹曼机RBM：(6a)将归一化后的SAR-SIFT特征矩阵，输入到第一层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第一层受限玻耳兹曼机RBM的网络参数{W1,b1}，将归一化后的SAR-SIFT特征矩阵输入到第一层受限玻耳兹曼机RBM，得到SAR-SIFT特征矩阵的第一层深层特征；(6b)将SAR-SIFT特征矩阵的第一层深层特征，输入到第二层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第二层受限玻耳兹曼机RBM的网络参数{W2,b2}，将SAR-SIFT特征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SAR-SIFT特征矩阵的第二层深层特征；(6c)将SAR-SIFT特征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，通过反复迭代训练，得到第三层受限玻耳兹曼机RBM的网络参数{W3,b3}，将SAR-SIFT特征矩阵的第二层深层特征输入到第三层受限玻耳兹曼机RBM，得到SAR-SIFT特征矩阵的第三层深层特征；(6d)将SAR-SIFT特征矩阵的第三层深层特征，输入到第四层受限玻耳兹曼机RBM中训练，通过反复迭代训练，得到第四层受限玻耳兹曼机RBM的网络参数{W4,b4}，将SAR-SIFT特征矩阵的第三层深层特征输入到第四层受限玻耳兹曼机RBM，得到SAR-SIFT特征矩阵的第四层深层特征；(7)训练softmax分类器：将SAR-SIFT特征矩阵的第四层深层特征和输入的整数类型SAR图像矩阵所对应类标，输入到softmax分类器中，采用softmax函数训练softmax分类器，得到softmax分类器的参数θ；2CN105894035A权利要求书2/2页(8)构建深度置信网DBN网络：(8a)将训练受限玻耳兹曼机RBM得到的参数{W1,b1,W2,b2,W3,b3,W4,b4}和softmax分类器训练得到的参数θ组成深度置信网DBN的参数{W1,b1,W2,b2,W3,b3,W4,b4,θ}；(8b