基于变长增量型极限学习机的sar图像分类方法
【技术领域】
[0001] 本发明属于目标识别领域，尤其设及一种基于变长增量型极限学习机的SAR图像 分类方法。
【背景技术】
[0002] SAR图像分类是SAR图像目标识别系统中一个关键的步骤，主要根据给定图像的特 征识别物体的属性，将有相似属性的地物划分为一类，为图像上的每一个像素标记所对应 的类别。在SAR图像中，不同区域、目标根据受其本身固有属性的影响，会显示出不同的纹理 特性。分类器的选择则决定了识别的有效性，提升分类器的准确性实时性，军事上可W提升 侦查的自动化水平、攻防的实时性W及战略预警能力；民用方面，可W进一步加强灾难防控 能力、地质海洋结构测绘准确性。
[0003] 与光学图像相比，SAR图像自动目标识别发展还有待完善，其研究难度主要表现在 识别有效性较低，很多算法虽然能够成功解决光学图像问题，但是运用到SAR图像时，识别 精度往往达不到标准。许多机器学习的模型，比如神经网络、支持向量机、贝叶斯方法等作 为分类器被相继被应用到SAR图像目标识别系统中。神经网络方法具有良好的推广能力、鲁 棒性W及容错性的特性，因此对解决分类问题具有明显的优势。
[0004] 极限学习机基于一种新的单隐含层前馈神经网络训练模式，训练过程中唯一需要 调整的只有隐层节点数，是一种高效的网络训练算法。将极限学习机应用于雷达信号分析 的研究相继出现:Avci ,Engin通过使用遗传算法计算最佳的小波赌参数值，设计了基于遗 传小波的极限学习机分类器模型，该模型可完成雷达回波信号的自适应特征提取和分类。 Samat Alim等将主动学习与极限学习机相结合提出了主动极限学习机，并将该算法用于解 决极化SAR图像分类问题。
[0005] 虽然W上改进型极限学习机在解决SAR图像分类问题时能够获得较好的识别效 果，但是训练时间较长。变长增量型极限学习机在收敛速度和网络训练效率上取得平衡，相 较于同样识别效果的分类器，变长增量型极限学习机在训练效率上得到大幅提升。
【发明内容】
[0006] 发明目的：为了克服现有技术中存在的不足，本发明提出一种基于变长增量型极 限学习机的SAR图像分类方法，达到操作步骤简单、可靠性高、高效且识别精度高的效果。
[0007] 技术方案:为了解决现有SAR图像分类的训练时间长、正确率不高的问题，本发明 的基于变长增量型极限学习机的SAR图像分类方法，包括W下步骤：
[000引（1)对待分类的SAR图像进行图像预处理操作，对预处理后图像中的每个待分类像 素，W该待分类像素为中屯、像素，并将该中屯、像素周围预先设定的区域作为待分类样本；
[0009] (2)在SAR图像数据库样本集中，分别在不同类别的样本集中采集训练样本构成训 练样本集P，所述训练样本的大小与所述待分类样本大小相同；
[0010] (3)对待分类的SAR图像的所有待分类样本，所有训练样本分别提取基于灰度共生 矩阵的纹理特征和基于Gabor滤波的纹理特征；
[0011] (4)对步骤(3)中提取的纹理特征进行融合，采用串行方法组合和主分量分析方法 降维得到融合后的特征向量；
[0012] (5)基于所述融合后的特征向量，利用所述训练样本集P训练变长增量型极限学习 机得到训练好的分类器；
[0013] (6)基于所述融合后的特征向量，将所述待分类样本输入到所述训练好的分类器 中，得到待分类样本的类别，W待分类样本的类别作为对应中屯、像素的类别，得到最终的 SAR图像分类结果。
[0014] 其中，步骤（1)中所述中屯、像素周围预先设定的区域为W所述中屯、像素为顶点，且 包含2S X 2S个像素的方形区域。
[0015] 其中，步骤(4)中所述采用串行方法组合和主分量分析方法降维得到融合后的特 征向量，具体为：
[0016] (4a)对于任意待分类样本和训练样本，将该样本的所述基于灰度共生矩阵的纹理 特征与所述基于Gabor滤波的纹理特征首尾相连，串行组合形成相应样本的组合特征向量；
[0017] (4b)对所有样本的组合特征进行基于主分量分析的线性降维方法，降维后特征的 维数范围为2至该组合特征向量的维度，对比该范围内所有维度下的降维特征可分度后，选 择其中可分度最高的维数作为降维后的维数。
[0018] 其中，步骤(5)中利用所述训练样本集P训练变长增量型极限学习机得到训练好的 分类器，包括W下步骤：
[0019] 1)对所述训练样本集P，其训练样本总量为M，记第i个训练样本为:p(xi，yi)，其中 Xi = [Xii，Xi2，. . . Xin]T为融合后的特征向量，yi为第i个训练样本的类别标记，i = 1,2，..-M;
[0020] 2)隐层节点数目初始值为L = O,网络误差向量e初始值为期望输出，即e = T，T为期 望输出，T= [yi，y2，- ，捜索次数k = 0，当前增加的隐层节点数目a初始值为MinNum,给 定期望的训练误差e作为训练停止的标志，最大捜索次数为K，激活函数为sigmoid函数:h (t) = l/(l+exp(-t))；
[0021] 3)判定网络误差向量e的长度是否小于给定期望的训练误差e，即I I e||<e，如果是 则终止训练;否则，跳到步骤4);
[0022] 4)前一时刻相关参量用*作为上标W示区分，记录前一时刻网络相关参数，a* = a， e 本= e，L本=L;
[0023] 5)根据L*的值调整a的值，计算当前时刻隐层节点数目L = L*+a;
[0024] 6)捜素次数k = 0,计算隐含层的输出矩阵化*1，如，^)，其表达式如下：
[0025]
[002引町=[司，《^，...*山...师山为输入层与第^'个隐层单元相连的权值0 = 1，2，..丄， bj为第j个隐层单元的偏置，新增Cl个结点的连接权值W和b选取[-1,1]进行随机初始化，已 存在结点保持原有权值；
[0027] 7)根据所述输出矩阵H( WL，k，X)计算输出权值化；
[002引8)更新捜索次数k = k+l，计算网络输出误差ek = e*-引|H(WL，bL，x)M ;
[0029] 9)通过随机捜索找到下降最快的网络误差e={ek|min(||ei| 1,...,1 |em| I)}，并 保存对应的连接权值KA) = _。||/|[[，如果k如跳转到步骤3);否则跳转 到步骤8)。
[0030] 进一步地，步骤5)中根据L*的值调整a的值，具体为：
[0031 ]当L* < 1 时，a二Q*;
[0032] 当L*〉2时，假设当前网络收敛速度变化量A P二Ae-Ae^, Ae为网络训练样本输 出误差平方和的变化量Ae= MeM2-I |e*| |2，a与a*的关系为：
[0033]
[0034]
[0035]
[0036] 本发明与现有SAR图像分类算法相比的优点在于:本发明中的SAR图像分类方法将 像素周围预设的区域作为评定该像素类别的样本，能充分反映该像素的纹理特性;对待分 类图像进行包括小波去噪方法、图像直方图均衡化增强方法在内的预处理方法，提高了图 像质量与分类性能；利用变长增量型极限学习机方法对SAR图像分类，该算法泛化性能好， 分类精度高;又利用网络输出误差的变化率控制网络增长速度，避免随机捜索的时间消耗， 训练速度快，运行时间短。
【附图说明】
[0037] 图1是本发明中基于变长增量型极限学习机的SAR图像分类方法的流程图；
[0038] 图2是待分类样本的像素点示意图；
[0039] 图3是实施例1中仿真使用的待分类SAR图像；
[0040] 图4是图3的分类结果图；
[0041] 图5是实施例2中仿真使用的待分类SAR图像；
[0042] 图6是图5的分类结果图。
【具体实施方式】
[0043] 下面将参照附图对本发明进行说明。
[0044] 图1中，基于变长增量型极限学习机的SAR图像分类方法包括W下步骤：
[0045] (1)对待分类的SAR图像进行常规的图像预处理操作，W预处理后图像中的任意待 分类像素为中屯、像素构造待分类样本；
[0046] (2)在SAR图像数据库样本集中，分别在不同类别的样本集采集训练样本构成训练 样本集；
[0047] (3)对待分类的SAR图像的所有待分类样本、训练样本分别提取基于灰度共生矩阵 的纹理特征和基于Gabor滤波的纹理特征；
[0048] (4)对步骤(3)中提取的纹理特征进行融合，采用串行方法组合和主分量分析方法 降维得到融合后的特征向量；
[0049] (5)基于融合后的特征向量，利用训练样本集训练变长增量型极限学习机；
[0050] (6)基于融合后的特征向量，将待分类样本输入到训练好的分类器中，得到待分类 样本的类别，W待分类样本的类别作为对应中屯、像素的类别，得到最终的SAR图像分类结 果。
[0051] 本发明中将变长增量型极限学习机作为分类器，具有泛化性能好、训练效率高的 优势，解决SAR图像分类的训练时间长、正确率不高的问题。下面W2个实施例对本发明方法 做进一步具体的介绍。
[0化2]实施例1:
[0053] 图3中的待分类SAR数据图像来自于美国新墨西哥州的Mbuque巧Ue城中的一处河 流，是Ku波段、分辨率为Im的图像，该图像的像素大小为256*256,图像区域地物可分为3类： 植被、河流、农作物，即每个像素的类别为该3类中的一种，在进行SAR图像分类是该图像所 设及到的类别是未知的，本实施中利用基于变长增量型极限学习机的SAR图像分类方法的 目的是获取该SAR图像中的3种不同类别，将有相似属性的地物划分为一类，为图像上的每 一个像素标记所对应的类别。
[0054] 利用本发明中的基于变长增量型极限学习机的SAR图像分类方法对图3中的待分 类SAR图像进行分类包括W下步骤：
[0055] (1)对待分类的SAR图像进行常规的图像预处理操作，该预处理操作主要包括去 噪、图像增强，W预处理后的图像中任意待分类像素为中屯、像素，并W中屯、像素周围预先设 定的区域作为待分类样本；
[0056] 上述中屯、像素周围预先设定的区域指的是一包含2SX2S个像素，其中S取大于0的 正整数，且包括该中屯、像素的一个像素区域，本实施例中采用如图2所示的16X16区域，其 中每个小方格表示一个像素，画斜线的像素为中屯、像素；当然，预先设定的区域也不限于 此，次操作主要是为了降低计算量，将获取每个中屯、像素的类别转变为获取待分类样本的 类别。按照预先设定的区域，有些像素将无法满足相应条件，例如，本实施例中对于某些边 界像素，便没有相应的待分类样本，在本实施例中将能够获取到待分类样本的像素称为待 分类像素。
[0057] (2)在预先已经构建好的SAR图像数据库中，该数据库中包括了4种类别的样本集， 分别为:植被、河流和巧巾农作物，从不同类别的样本集中采集训练样本，采用均衡样本训 练，即各个类别训练样本数目相等，在四个类别中各取大小为16X16的100张图片样本作为 训练样本，运些样本构成训练样本集P，同时保留每个样本的类别信息，训练样本总量为M = 400