[发明专利]基于改进的深度置信网络的无人机着陆地貌分类方法

权利要求书

1.基于改进的深度置信网络的无人机着陆地貌分类方法，其特征在于：该方法包括以下步骤，

S1：获取无人机着陆地貌的训练图像集和测试图像集；

S2：构建深度置信网络，输入无人机着陆地貌的训练图像集，对深度置信网络进行训练，直到满足训练条件；

S3：将无人机着陆地貌的测试图像集输入到训练好的深度置信网络中进行逐层学习，提取出一组图像的待分类特征集

S4：采用基于灰度共生矩阵的特征提取算法，提取出无人机着陆地貌的样本图像的纹理特征，获得训练样本和测试样本的纹理特征向量，并将其与待分类特征集组合成综合特征向量集；

S5：将无人机着陆地貌的训练图像特征集作为训练样本对支持向量机(SVM)分类器进行训练，并采用粒子群算法(PSO)对支持向量机进行优化，选择出支持向量机的最优参数，获得一个最优的SVM分类器；

S6：将得到的待分类图像特征集输入到优化后的支持向量机，进行图像分类。

2.根据权利要求1所述的基于深度置信网络的无人机着陆地貌分类方法，其特征在于：

选取沙地、草地、土地、森林、水面和公路这6类无人机航拍图像进行实验；

采用上述6类经过裁剪后的无人机航拍图像进行实施，具体实施步骤如下：

S1：获取待分类的无人机航拍图像，对无人机拍摄的原始图像进行分割处理，从而获得只含有单一地貌的无人机航拍图像，选择其中每类地貌图像50幅作为训练样本集，其余图像作为测试样本；

S2：构建深度置信网络，输入训练图像集，对深度置信网络进行训练，直到满足训练条件；

深度置信网络首先要进行网络训练，具体训练过程如下：

1)设置网络结构，调整网络输入层、隐含层和输出层参数；

2)使用测试样本集图像训练网络，采用无监督的逐层贪婪训练方法，一旦底层训练完成后便将其权值固定，并使用其输出作为下一层输入，直至整个网络训练完成；

S3：将测试图像集输入到训练好的深度置信网络进行逐层学习，每层隐含层提取到一个特征集信息；并使用特征权值的方法对每个特征集分配一个特征权值，最后将每层隐含层获得的特征集和对应的权值结合成一个新的待分类图像特征集；

S4：采用基于灰度共生矩阵的特征提取算法，提取出样本图像的纹理特征，获得训练样本和测试样本的纹理特征向量，并将其与待分类特征集组合成综合特征向量集；具体步骤如下：

使用待分类无人机航拍图像，采用基于灰度共生矩阵的特征提取算法，提取出样本图像的纹理特征，表1为六幅实例图像提取后的纹理特征向量；

表1 无人机航拍图像的纹理特征值

将得到的纹理特征与待分类特征集组合成综合特征向量集；

S5：将训练图像特征集作为训练样本对支持向量机(SVM)分类器进行训练，并采用粒子群算法(PSO)对支持向量机进行优化，选择出支持向量机的最优参数，获得一个最优得SVM分类器；具体方法如下：

在实际应用中，每一个粒子代表一个待求量的可能解，每个粒子通过以下规则实现寻优：

其中，为第i个粒子第j维当前前进的速度，为第i个粒子第j维粒子的当前位置，p_i,j,p_g,j分别表示粒子的个体最优位置和全局最优位置，r_1,i和r_2,i为随机常数，c₁为个体最优位置的学习因子，c₂为全局最优位置的学习因子，w为惯性权重；

将粒子群优化方法用于SVM的训练时，其目的在于求得最佳的核函数、核函数参数以及错误惩罚因子；那么这些粒子就可以认为是待定的核函数、核函数参数以及错误惩罚因子，而粒子的当前位置就可以认为是这些待定参数的当前值；即：

x＝(h₀,h₁,r₀...r_n,c₀...c_m)

其中，h₀,h₁为SVM的核函数类型的二进制编码，总共有四种类型的核函数；核函数参数的编码为n位，错误惩罚因子的编码为m位，都是在取值范围内的二进制编码；找到的最优“位置”即为向量中的元素的最优解，也就是SVM的核函数、核函数参数以及错误惩罚因子；

S6：将得到的待分类图像特征集输入到优化后的支持向量机，进行图像分类；本方法最终通过SVM分类器将待分类图像进行识别；

在输入待测样本图像的纹理特征向量值之后，SVM分类器会得到一个输出结果，判断输出结果属于哪一类图像时，采用是欧氏距离判断法，输出向量和四个目标向量哪一个距离最近就判定为哪一类，前提是距离需要达到一定精度，若任一距离都大于设定的精度值则判定为其他图像。