基于sdae-svm的sar图像目标分类方法
【专利摘要】本发明公开了一种基于SDAE?SVM的SAR图像目标分类方法。主要解决现有方法中普通堆栈自编码器提取到的SAR图像特征鲁棒性差，softmax分类器微调深度网络分类准确率低的问题。其步骤为：(1)读入数据；(2)分割操作；(3)旋转操作；(4)确定SAR图像的目标切片；(5)目标切片向量化；(6)构建一个四层的初始栈式去噪自编码器SDAE；(7)训练初始栈式去噪自编码器SDAE；(8)微调；(9)计算测试准确率；本发明具有提取得到的SAR图像目标特征鲁棒性高、能够提高SAR图像目标分类正确率的优点。
【专利说明】
基于SDAE-SVM的SAR图像目标分类方法
技术领域
[0001] 本发明属于图像处理技术领域，更进一步涉及到图像分类技术领域中的一种基于 堆栈去噪自编码器和支撑矢量机SDAE_SVM(Stacked Denoising Autoencoder Support Vector Machine)的合成孔径雷达SAR(Synthetic Aperture Radar)图像目标分类方法。本 发明可用于SAR图像中的目标分类和识别。
【背景技术】
[0002] 合成孔径雷达SAR是一种高分辨率成像雷达，它作为一种成像系统有着不受天气、 光照影响的优势，可以全天时，全天候地对目标场景进行监控。因此，进行合成孔径雷达SAR 图像的目标分类无论对军事还是民用都有着积极的意义。随着合成孔径雷达SAR系统的开 发与应用以及合成孔径雷达SAR数据传输水平的提高，人们可以在短时间内获得大量的合 成孔径雷达SAR图像数据，因此快速、准确地处理合成孔径雷达SAR目标图像成为了人类的 必然趋势和重要需求。
[0003] 深度学习作为一种新兴的特征提取方法，在近些年来得到了广泛的关注和使用。 而栈式去噪自编码器SDAE作为一种无监督的特征提取方法，可以提取出合成孔径雷达SAR 图像样本更为鲁棒、本质的特征，得到较高的分类准确率。
[0004] 电子科技大学在其申请的专利"一种SAR图像目标识别方法"（专利申请号： 201210201460.1，公开号：CN102737253A)中公开了本发明公开了一种SAR图像目标识别方 法，本发明的方法利用稀疏表示理论将目标数据表示为训练样本的线性组合，通过求解最 优化问题得到了具有可区分能力的近似非负稀疏系数，然后基于各类别系数和的大小确定 样本的类别。本发明的方法训练样本系数值的大小反应了目标数据与该训练样本的相似性 程度，系数值越大相似性越高，反之则相似性越低，因此实际上目标数据对应系数的大小在 某种程度上可以体现目标数据的真实类别;而且通过非负约束保证测试图像均为各训练样 本的非负加权和，使其具有更加可以解。该方法存在的不足之处是，提取特征过程复杂，且 提取到的特征缺少鲁棒性，分类精度低。
[0005]哈尔滨工业大学在其申请的专利"基于堆栈自动编码机的合成孔径雷达分类"（专 利申请号：201410765174.7，公开号：CN104392244A)中公开了 一种基于堆栈自动编码机的 合成孔径雷达分类方法。该方法首先采集N幅原始SAR图像进行数据准备，获得SAR图像数据 及SAR监督数据；由SAR图像数据获得训练图像数据和测试图像数据；由SAR监督数据获得训 练监督数据及测试监督数据;使用训练图像数据对各层自动编码机进行预训练，在预训练 的基础上，使用训练监督数据对网络进行有监督学习，微调网络，获得训练好的基于堆栈自 动编码机的网络;将测试图像数据输入训练好的基于堆栈自动编码机的网络实现SAR图像 分类。该方法存在的不足之处是，使用传统的堆栈自编码机和softmax分类器模型，导致分 类精度低。
【发明内容】
[0006] 本发明的目的是针对上述现有技术存在的不足，提出了一种基于SDAE-SVM的SAR 图像目标分类方法。本发明与现有技术中其他SAR图像的目标分类技术相比，计算量低，分 类准确率更高。
[0007] 本发明实现上述目的的思路是:首先利用马尔科夫随机场MRF对SAR图像进行预分 割处理，再对分割后的二值图像与该二值图像预分割前的SAR图像进行旋转操作，使得SAR 图像的目标部分呈现垂直状态，计算每幅旋转后的SAR图像中目标部分的质心，以质心为中 心对SAR图像中的目标部分进行切割，获得目标切片，将训练样本的目标切片变为列向量输 入到去噪自编码器中进行预训练，利用支撑矢量机对预训练后的去噪自编码器进行微调， 得到训练好的堆栈去噪自编码器和支撑矢量机SDAE-SVM，将测试样本的目标切片变为列向 量，输入到训练好的堆栈去噪自编码器和支撑矢量机SDAE-SVM中，得到测试准确率。
[0008] 本发明实现的具体步骤包括如下：
[0009] (1)读入数据：
[0010] (la)从SAR图像数据集中分别读入训练样本集和测试样本集；
[0011] (lb)从SAR图像数据集中分别读入训练样本集和测试样本集中每幅SA R图像对应 的旋转角度；
[0012] (2)分割操作：
[0013] 采用马尔科夫随机场MRF分割方法，对读入的SAR图像数据集中的训练集样本和测 试样本集的每幅SAR图像进行预分割，得到每幅SAR图像对应的二值图像；
[0014] (3)旋转操作：
[0015] (3a)以每幅SAR图像对应的旋转角度为旋转角，分别对每幅SAR图像与该SAR图像 对应的二值图像进行顺时针旋转操作，使得每幅SAR图像与该SAR图像对应的二值图像的目 标部分处于垂直状态，得到旋转后的SAR图像和对应的旋转后的二值图像；
[0016] (4)确定SAR图像的目标切片：
[0017] (4a)利用质心计算公式，计算每幅旋转后的SAR图像中目标部分的质心位置横坐 标值和纵坐标值，得到每幅旋转后的SAR图像中目标部分的质心位置；
[0018] (4b)以每幅旋转后的SAR图像中目标部分的质心位置为中心，从每幅旋转后的SAR 图像中选取大小为61 X 31的图像块，将所选取的图像块作为每幅SAR图像的目标切片；
[0019] (5)目标切片向量化：
[0020] (5a)将训练样本集中每幅SAR图像的目标切片按列排列，得到每个训练样本的列 向量；
[0021 ] (5b)将测试样本集中每幅SAR图像的目标切片按列排列，得到每个测试样本的列 向量；
[0022] (6)构建一个四层的初始栈式去噪自编码器SDAE;
[0023] (7)训练初始栈式去噪自编码器SDAE:
[0024] (7a)将每个训练样本的列向量输入到初始栈式去噪自编码器SDAE中；
[0025] (7b)采用反向传递BP算法，对初始栈式去噪自编码器SDAE进行预训练，得到预训 练后的栈式去噪自编码器SDAE;
[0026] (8)微调：
[0027] (8a)将支撑矢量机SVM堆叠在预训练后的栈式去噪自编码器SDAE的顶层，得到初 始的栈式去噪自编码器和支撑矢量机SDAE-SVM;
[0028] (8b)采用反向传递梯度方法，对初始的栈式去噪自编码器和支撑矢量机SDAE- SVM进行微调，得到微调好的栈式去噪自编码器和支撑矢量机SDAE-SVM;
[0029] (9)计算测试准确率：
[0030] (9a)采用微调好的的栈式去噪自编码器和支撑矢量机SDAE-SVM对每个测试样本 的列向量进行分类，得到每个测试样本的预测类别标签；
[0031] (9b)按照下式，计算测试准确率：
[0033] 其中，c表示测试样本的测试准确率，size表示求个数操作，b表示测试样本的预测 类别标签，k表示测试样本的真实类别标签。
[0034] 本发明与现有技术相比具有以下优点：
[0035] 第一，由于本发明采用微调好的的栈式去噪自编码器和支撑矢量机SDAE-SVM对每 个测试样本的列向量进行分类，克服了现有技术中提取特征过程复杂，且提取到的特征缺 少鲁棒性，分类精度低的问题，使得本发明能够提取到深层、抽象、鲁棒的特征，具有分类精 度高的优势。
[0036] 第二，由于本发明采用反向传递梯度方法，对初始的栈式去噪自编码器和支撑矢 量机SDAE-SVM进行微调，克服了现有技术中使用传统的堆栈自编码机和softmax分类器模 型，导致分类精度低的问题，使得本发明更适于不同样本的分类，具有分类精度高的优势。
【附图说明】
[0037] 图1是本发明的流程图；
[0038]图2是本发明仿真图。
【具体实施方式】
[0039] 下面结合附图对本发明做进一步的描述。
[0040] 参照图1，本发明的具体实现步骤如下。
[0041]步骤1，读入数据。
[0042] 从SAR图像数据集中分别读入训练样本集和测试样本集。
[0043] 从SAR图像数据集中分别读入训练样本集和测试样本集中每幅SAR图像对应的旋 转角度。
[0044] 步骤2,分割操作。
[0045] 采用马尔科夫随机场MRF分割方法，对读入的SAR图像数据集中的训练集样本和测 试样本集的每幅SAR图像进行预分割，得到每幅SAR图像对应的二值图像。
[0046]步骤3,旋转操作。
[0047]以每幅SAR图像对应的旋转角度为旋转角，分别对每幅SAR图像与该SAR图像对应 的二值图像进行顺时针旋转操作，使得每幅SAR图像与该SAR图像对应的二值图像的目标部 分处于垂直状态，得到旋转后的SAR图像和对应的旋转后的二值图像。
[0048]步骤4，确定SAR图像的目标切片。
[0049] 利用质心计算公式，计算每幅旋转后的SAR图像中目标部分的质心位置横坐标值 和纵坐标值，得到每幅旋转后的SAR图像中目标部分的质心位置。
[0050] 质心计算公式如下：
[0053]其中，p表示每幅旋转后的SAR图像中目标部分的质心位置横坐标值，E表示求和 操作，G表示属于关系，i表示每幅旋转后的SAR图像中目标部分每个像素点的横坐标值，j 表示每幅旋转后的SAR图像中目标部分每个像素点的纵坐标值，见表示每幅旋转后的SAR图 像中目标部分所有像素点横坐标值的集合，N 2表示每幅旋转后的SAR图像中目标部分所有 像素点纵坐标值的集合，f(i，j)表示每幅旋转后的SAR图像中目标部分(i，j)处像素点的灰 度值，q表示每幅旋转后的SAR图像中目标部分的质心位置纵坐标值。
[0054]以每幅旋转后的SAR图像中目标部分的质心位置为中心，从每幅旋转后的SAR图像 中选取大小为61 X 31的图像块，将所选取的图像块作为每幅SAR图像的目标切片。
[0055] 步骤5,目标切片向量化。
[0056] 将训练样本集中每幅SAR图像的目标切片按列排列，得到每个训练样本的列向量。
[0057] 将测试样本集中每幅SAR图像的目标切片按列排列，得到每个测试样本的列向量。
[0058] 步骤6，构建一个四层的初始栈式去噪自编码器SDAE。
[0059]四层的初始栈式去噪自编码器SDAE，其自下向上结构是：第一层神经元的个数为 1891、第二层神经元的个数为1300、第三层神经元的个数为600、第四层神经元的个数为 200 〇
[0060] 步骤7，训练初始栈式去噪自编码器SDAE。
[0061] 将每个训练样本的列向量输入到初始栈式去噪自编码器SDAE中。
[0062]采用反向传递BP算法，对初始栈式去噪自编码器SDAE进行预训练，得到预训练后 的栈式去噪自编码器SDAE。
[0063] 步骤8,微调。
[0064]将支撑矢量机SVM堆叠在预训练后的栈式去噪自编码器SDAE的顶层，得到初始的 栈式去噪自编码器和支撑矢量机SDAE-SVM。
[0065] 采用反向传递梯度方法，对初始的栈式去噪自编码器和支撑矢量机SDAE-SVM进行 微调，得到微调好的栈式去噪自编码器和支撑矢量机SDAE-SVM。
[0066] 反向传递梯度方法的具体步骤如下：
[0067] 第一步，将当前微调的迭代次数设置为1;
[0068]第二步，将训练样本的列向量输入到预训练后的栈式去噪自编码器SDAE中，自下 向上逐层传递到顶层，得到预训练后的栈式去噪自编码器SDAE的顶层特征；
[0069]第三步，将预训练后的栈式去噪自编码器SDAE的顶层特征作为支撑矢量机SVM训 练样本，输入到支撑矢量机SVM中进行训练，得到支撑矢量机SVM的权值；
[0070]第四步，按照下式，计算支撑矢量机SVM的目标函数；
[0072]其中，l(w)表示支撑矢量机SVM的目标函数，w表示支撑矢量机SVM的权值，min表示 求最小值操作，T表示转置操作，C表示支撑矢量机SVM的惩罚项系数，E表示求和操作，N表 示训练样本总数，n表示训练样本的索引值，max表示求最大值操作，x n表示支撑矢量机SVM 的第n个训练样本，^表示支撑矢量机SVM的第n个训练样本的标签；
[0073]第五步，按照下式，计算支撑矢量机SVM训练样本的梯度；
[0074] hn = -2Ctnw(max( l-WTXntn,〇))
[0075] 其中，1^表示支撑矢量机SVM中第n个训练样本的梯度，C表示支撑矢量机SVM的惩 罚项系数，1表示支撑矢量机SVM的第n个训练样本的标签，w表示支撑矢量机SVM的权值， max表不最大值操作，T表不转置操作，xn表不支撑矢量机SVM的第n个训练样本；
[0076] 第六步，利用反向传递BP算法，对预训练后的栈式去噪自编码器SDAE进行微调；
[0077] 第七步，判断当前微调的迭代次数是否小于150,若是，则将微调的迭代次数加1后 执行本步骤第二步，否则，执行本步骤第八步；
[0078] 第八步，得到微调好的栈式去噪自编码器和支撑矢量机SDAE-SVM。
[0079] 步骤8,计算测试准确率。
[0080] 采用微调好的的栈式去噪自编码器和支撑矢量机SDAE-SVM对每个测试样本的列 向量进行分类，得到每个测试样本的预测类别标签。
[0081 ]按照下式，计算测试准确率：
[0083] 其中，c表示测试样本的测试准确率，size表示求个数操作，b表示测试样本的预测 类别标签，k表示测试样本的真实类别标签。
[0084]下面结合仿真图对本发明的效果做进一步的说明。
[0085] 1、仿真条件：
[0086] 本发明的仿真实验是在主频3.2GHz的Inter(R)Core(TM)i5-3470CPU、内存4GB的 硬件环境和MATLAB R2015a的软件环境下进行的。
[0087] 2、仿真内容与结果分析：
[0088] 图2是本发明仿真图，本发明仿真实验的SAR图像数据集是美国国防预研究计划署 和空军研究实验室(DARPA/AFRL)联合资助的运动和静止目标获取与识别(MSTAR)计划录取 的实测SAR地面静止目标数据。数据是由聚束SAR采集而得，分辨率为0.3 X 0.3m，目标图像 大小为128X128像素。仿真使用的数据集包括俯仰角在17°和15°下BMP2(装甲车）、BTR70 (装甲车)和T72(主战坦克）的3大类目标。图2(a)、图2(b)分别是在BMP2(装甲车）训练集和 测试集中随机抽取的样本，图2(c)、图2(d)分别是在BTR70 (装甲车)训练集和测试集中随机 抽取的样本，图2(e)、图2(f)分别是在T72(主战坦克)训练集和测试集中随机抽取的样本。
[0089] 本发明的仿真实验是将待分类的合成孔径雷达图像目标分成3类，仿真实验中，训 练集和测试集中分别有698幅和1365幅SAR图像。
[0090] 表1是分别采用现有技术支持向量机SVM分类方法、SDAE-softmax分类方法和本发 明方法对MSTAR SAR图像的目标分类正确率和运行时间的统计。表中F1表示采用支持向量 机SVM分类方法，F2表示采用SDAE-sof tmax分类方法，F3表示本发明方法。
[0091] 表1.三种方法在仿真中得到的分类正确率和运行时间一览表
[0093]从表1中可以看出，本发明方法相比于现有技术的其他两种方法，在分类正确率上 有较大的提高，这主要是因为采用SDAE深度网络对样本提取特征，能够提取到更为深层、鲁 棒、本质的特征，且使用支撑矢量机SVM对SDAE网络进行微调，相比于softmax分类器，更适 用于样本的分类，因此得到了更高的分类准确率。
【主权项】
1. 一种基于SDAE-SVM的SAR图像目标分类方法，主要包括如下步骤： (1) 读入数据： (la) 从SAR图像数据集中分别读入训练样本集和测试样本集； (lb) 从SAR图像数据集中分别读入训练样本集和测试样本集中每幅SA R图像对应的旋 转角度； (2) 分割操作： 采用马尔科夫随机场MRF分割方法，对读入的SAR图像数据集中的训练集样本和测试样 本集的每幅SAR图像进行预分割，得到每幅SAR图像对应的二值图像； (3) 旋转操作： W每幅SAR图像对应的旋转角度为旋转角，分别对每幅SAR图像与该SAR图像对应的二 值图像进行顺时针旋转操作，使得每幅SAR图像与该SAR图像对应的二值图像的目标部分处 于垂直状态，得到旋转后的SAR图像和对应的旋转后的二值图像； (4) 确定SAR图像的目标切片： (4a)利用质屯、计算公式，计算每幅旋转后的SAR图像中目标部分的质屯、位置横坐标值 和纵坐标值，得到每幅旋转后的SAR图像中目标部分的质屯、位置； (4b) W每幅旋转后的SAR图像中目柄；部分的质屯、位置为中屯、，从每幅旋转后的SAR图像 中选取大小为61 X 31的图像块，将所选取的图像块作为每幅SAR图像的目标切片； (5) 目标切片向量化： 巧a)将训练样本集中每幅SAR图像的目标切片按列排列，得到每个训练样本的列向量； 巧b)将测试样本集中每幅SAR图像的目标切片按列排列，得到每个测试样本的列向量； (6) 构建一个四层的初始找式去噪自编码器SDAE; (7) 训练初始找式去噪自编码器SDAE: (7a)将每个训练样本的列向量输入到初始找式去噪自编码器SDAE中； (7b)采用反向传递BP算法，对初始找式去噪自编码器SDAE进行预训练，得到预训练后 的找式去噪自编码器SDAE; (8) 微调： (8a)将支撑矢量机SVM堆叠在预训练后的找式去噪自编码器SDAE的顶层，得到初始的 找式去噪自编码器和支撑矢量机SDAE-SVM; (8b)采用反向传递梯度方法，对初始的找式去噪自编码器和支撑矢量机SDAE-SVM进行 微调，得到微调好的找式去噪自编码器和支撑矢量机SDAE-SVM。 (9) 计算测试准确率： (9a)采用微调好的的找式去噪自编码器和支撑矢量机SDAE-SVM对每个测试样本的列 向量进行分类，得到每个测试样本的预测类别标签； (9b)按照下式，计算测试准确率：其中，C表示测试样本的测试准确率，size表示求个数操作，b表示测试样本的预测类别 标签，k表示测试样本的真实类别标签。2. 根据权利要求1所述的基于SDAE-SVM的SAR图像目标分类方法，其特征在于：步骤 (4a)所述的质屯、计算公式如下：其中，P表示每幅旋转后的SAR图像中目标部分的质屯、位置横坐标值，E表示求和操作， e表示属于关系，i表示每幅旋转后的SAR图像中目标部分每个像素点的横坐标值，j表示每 幅旋转后的SAR图像中目标部分每个像素点的纵坐标值，化表示每幅旋转后的SAR图像中目 标部分所有像素点横坐标值的集合，化表示每幅旋转后的SAR图像中目标部分所有像素点 纵坐标值的集合，f(i，j)表示每幅旋转后的SAR图像中目标部分(i，j)处像素点的灰度值，q 表示每幅旋转后的SAR图像中目标部分的质屯、位置纵坐标值。3. 根据权利要求1所述的基于SDAE-SVM的SAR图像目标分类方法，其特征在于:步骤(6) 中所述的四层的初始找式去噪自编码器SDAE，其自下向上结构是:第一层神经元的个数为 1891、第二层神经元的个数为1300、第S层神经元的个数为600、第四层神经元的个数为 200。4. 根据权利要求1所述的基于SDAE-SVM的SAR图像目标分类方法，其特征在于：步骤 (8b)中所述反向传递梯度方法的具体步骤如下： 第一步，将当前微调的迭代次数设置为1; 第二步，将训练样本的列向量输入到预训练后的找式去噪自编码器SDAE中，自下向上 逐层传递到顶层，得到预训练后的找式去噪自编码器SDAE的顶层特征； 第S步，将预训练后的找式去噪自编码器SDAE的顶层特征作为支撑矢量机SVM训练样 本，输入到支撑矢量机SVM中进行训练，得到支撑矢量机SVM的权值； 第四步，按照下式，计算支撑矢量机SVM的目标函数；其中，1 (W)表示支撑矢量机SVM的目标函数，W表示支撑矢量机SVM的权值，min表示求最 小值操作，T表示转置操作，C表示支撑矢量机SVM的惩罚项系数，E表示求和操作，N表示训 练样本总数，n表示训练样本的索引值，max表示求最大值操作，Xn表示支撑矢量机SVM的第n 个训练样本，tn表示支撑矢量机SVM的第n个训练样本的标签； 第五步，按照下式，计算支撑矢量机SVM训练样本的梯度； hn = -2CtnW(max ( I -w\ntn , 0 )) 其中，hn表示支撑矢量机SVM中第n个训练样本的梯度，C表示支撑矢量机SVM的惩罚项系 数，tn表示支撑矢量机SVM的第n个训练样本的标签，W表示支撑矢量机SVM的权值，max表示 最大值操作，T表示转置操作，Xn表示支撑矢量机SVM的第n个训练样本； 第六步，利用反向传递BP算法，对预训练后的找式去噪自编码器SDAE进行微调； 第屯步，判断当前微调的迭代次数是否小于150,若是，则将微调的迭代次数加1后执行 第二步，否则，执行第八步； 第八步，得到微调好的找式去噪自编码器和支撑矢量机SDAE-SVM。
【文档编号】G06K9/62GK105913090SQ201610230172
【公开日】2016年8月31日
【申请日】2016年4月14日
【发明人】焦李成, 屈嵘, 贾庆超, 杨淑媛, 马文萍, 侯彪, 马晶晶, 尚荣华, 赵进, 赵佳琦, 张丹
【申请人】西安电子科技大学