发明名称 |
基于深度RBF网络的SAR图像地物分类方法 |
摘要 |
本发明提出了一种基于深度RBF网络的SAR图像地物分类方法,主要解决现有技术分类准确率低的问题。其实现步骤是:(1)提取SAR图像的纹元特征;(2)通过深度RBF网络第一层RBF神经网络对SAR图像的纹元特征进行训练,得到图像的高级特征;(3)通过深度RBF网络的第二层稀疏自动编码器网络SAE对高级特征进行训练,得到图像的更高级特征;(4)通过深度RBF网络第三层RBF神经网络对更高级特征进行训练,得到图像地物分类特征;(5)将图像测试样本的地物分类特征与测试样本标签对比,调节深度RBF网络各层参数,得到最优测试分类准确率。本发明分类准确率高,可用于复杂图像分类。 |
申请公布号 |
CN103955702A |
申请公布日期 |
2014.07.30 |
申请号 |
CN201410160538.9 |
申请日期 |
2014.04.18 |
申请人 |
西安电子科技大学 |
发明人 |
焦李成;刘芳;韩佳敏;马文萍;马晶晶;王爽;侯彪;李阳阳;杨淑媛 |
分类号 |
G06K9/62(2006.01)I;G06N3/02(2006.01)I |
主分类号 |
G06K9/62(2006.01)I |
代理机构 |
陕西电子工业专利中心 61205 |
代理人 |
王品华;朱红星 |
主权项 |
一种基于深度RBF网络的SAR图像地物分类方法,包括以下步骤:(1)给定一个由三层结构构成的深度RBF网络,其中第一层与第三层均是由一个输入单元,一个隐含单元和一个输出单元组成的RBF神经网络;第二层是由一个输入单元,一个隐含单元和一个输出单元组成的稀疏自编码器SAE神经网络;(2)对SAR图像进行预处理,利用所述的深度RBF网络学习出SAR图像的地物分类特征:(2a)选取包含城镇,农田,山脉三类地物的SAR图像作为分类对象,其中每类地物有50个训练样本,100个测试样本,每个样本的分辨率均是128*128,将每个样本分割成分辨率为64*64的图像块,得到200个训练样本和400个测试样本;(2b)提取训练样本的纹元特征feature1,即SAR图像训练样本的低级特征;将纹元特征feature1作为深度RBF网络中第一层输入单元的输入特征,通过RBF神经网络对纹元特征feature1进行训练,得到RBF神经网络中隐含单元的输出feature2,即SAR图像的高级特征;(2c)通过稀疏自编码网络SAE对SAR图像的高级特征feature2进行训练,得到该SAE网络输出单元的输出feature3,作为深度RBF网络的第二层输出,即SAR图像的更高级特征;(2d)通过RBF神经网络对SAR图像的更高级特征feature3进行训练,得到该RBF神经网络输出单元的输出feature4,作为深度RBF网络的第三层输出,即SAR图像训练样本的地物分类特征;(3)将SAR图像训练样本的地物分类特征feature4与SAR图像的训练样本类别标签进行对比,通过调节深度RBF网络各层的参数,得到最优的训练分类准确率;(4)重复步骤(1)‑(3),利用深度RBF网络对SAR图像测试样本的纹元特征进行训练,得到SAR图像测试样本的地物分类特征,并将SAR图像测试样本的地物分类特征与SAR图像的测试样本类别标签进行对比,通过调节深度RBF网络各层的参数,得到最优的SAR图像地物测试分类准确率。 |
地址 |
710071 陕西省西安市太白南路2号 |