[发明专利]一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法

摘要

一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法，属于计算机遥感影像处理与模式识别领域。步骤如下：首先对合成孔径雷达遥感图像进行预处理，得到地理坐标位置准确、相干斑噪声低、图像可视性高的遥感图像；其次，提取雷达遥感图像的纹理特征和轮廓特征；然后，对纹理图像和轮廓图像进行超像素分割；最后，将超像素块特征图像输入到分类识别器中，获得分类识别结果。本发明的效果和益处是能够大幅度地提高合成孔径雷达遥感图像的有监督分类精度。

主权项

1.一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法，其特征在于以下步骤：第一步，对合成孔径雷达遥感图像进行预处理，得到地理坐标位置准确、相干斑噪声低、图像可视性高的SAR图像；预处理包括几何校正处理、增强Lee滤波处理、灰度拉伸处理；第二步，特征提取对第一步得到的SAR图像进行纹理特征、轮廓特征提取，提取SAR图像中的纹理特征和轮廓特征，得到SAR图像的纹理特征图像和轮廓特征图像；第三步，对纹理特征图像和轮廓特征图像的超像素进行分割处理，得到超像素块的特征图像；采用基于几何流的水平集方法TurboPixels，将SAR图像分割成M个超像素块{S₁,S₂,…,S_M}；过程如下：选择个M个像素点作为种子像素点分布在整个遥感图像中，种子像素点之间的距离近似等于其中N表示图像的总像素数；将每一个种子像素点周围相距1个像素点的所有像素点作为初始边界，将初始边界向外距离4个像素的区域作为曲线演变的范围；迭代演变各个时刻的初始边界，得到初始分割图，再估计未分割区域的基本结构，更新每个边界点和未分割的靠近边界点的速率，直至边界没有变化，即当所有边界点的变化速率接近0时，得到超像素块的特征图像；第四步，分类识别将第三步得到的超像素块特征图像输入到深度协同稀疏编码网络分类识别器中，获得分类识别结果；(1)构建深度协同稀疏编码DCSCN网络结构将多个协同稀疏编码器堆叠起来构成深度协同稀疏编码DCSCN网络；DCSCN网络共包含L层，第1层到第L‑1层网络为协同稀疏编码器，第L层网络为Softmax分类器；表示输入到DCSCN网络的第i个像素块的S_i个像素点的特征组，其中表示x_i,1对应的R维特征；DCSCN网络中各层协同稀疏编码器的编码、解码过程如下：设第k层协同稀疏编码器的输入样本特征为进行线性映射得到通过隐含层激励元得到编码结果同样，解码过程也是先进行线性映射得到再通过输出层激励元得到解码输出为了让输入样本特征逼近整个超像素块的平均特征，网络中解码层的期望输出为表示第i个超像素块的特征平均值；网络参数W和b通过训练学习来确定；为了进行协同表示，各层协同稀疏编码器的输入对输出进行约束，即每个特征的输出与输入的这组特征的平均值接近；因此，在前向逐层训练过程中，每层参数都是将特征组的特征依次输入网络后确定的；完成逐层贪心训练后，整个网络的参数通过后向反馈整体微调；(2)DCSCN网络训练DCSCN网络需要先确定各层参数，然后再进行分类识别；DCSCN网络各层参数的优化过程分为预训练pre‑training和整体微调fine‑tune；所述的预训练是逐层优化各层网络的参数；所述的整体微调是从顶层引入标签信息优化整个网络参数，使得网络输出的特征更适合于分类器；训练样本指用于训练模型参数的样本集，测试样本指检验最终选择最优的模型的性能的样本集；1)DCSCN网络预训练预训练过程是将训练样本的特征输入到DCSCN网络，逐层训练得到各层网络的参数，所述的参数包括权重和偏置；对于第k层网络，参数优化的目标函数为：其中，代表样本总数目，λ是权重衰减系数；是权重衰减项，保证权重值不会过大；β表示稀疏性惩罚因子权重，l_k代表第k层协同稀疏编码器的隐含层节点个数；是稀疏性惩罚项，通过相对熵KL计算，公式如下：其中，ρ是稀疏性参数；表示第j个隐含单元在所有超像素块特征组编码后的平均激励值，其中的大小由网络权重和偏置决定；ρ是人为设定的接近0的数值，目的是让的值接近0，隐含层输出的值接近0，保证隐含层具有稀疏性；目标函数(5)利用约束项求解网络权重和偏置，目的是使网络的隐含层输出具有稀疏性；通过梯度下降法确定网络参数，公式(5)目标函数具体求解过程如下：对于第k层网络，设定：其中，表示稀疏项偏导，f′(·)表示sigmoid函数的导函数；这样，目标函数的偏导数如下2)DCSCN网络整体微调通过预训练得到的各层网络的参数，在第L层网络中加入训练样本标签信息优化整个网络参数，使网络输出的特征更适合于Softmax分类器，即不同类别的样本特征差异更大；采用误差反向传播梯度下降算法对DCSCN网络整体微调，得到整个网络参数，所述的网络参数为权重和偏置；设网络层数为L，则第L层的目标函数表示如下：其中，表示第L‑1层网络隐含层激励值，y_i,t表示样本x_i,t对应的标签，W_L代表网络最后一层的权重，W_k1和b_k1分别表示网络其它层的权重和偏置；利用BP算法优化求解如公式(18)所示的目标函数，得到整个网络参数，过程如下：step 1：设权重系数的修改量为ΔW，考虑到学习速率η，有step 2：求解设则有：当k＝L时，上式简化为：dL＝(hL‑Y)hL(1‑hL)  (22)当k＜L时，式(21)简化为：step 3：按照负梯度方向修改权系数W和偏置系数b：同理，可得偏置系数的修改量：由于W:＝W+ΔW，得权重系数和偏置系数更新公式如下：Wk1:＝Wk1+ΔWk1＝Wk1‑ηdkhk‑1  (27)WL:＝WL+ΔWL＝WL‑ηdLhL‑1  (28)同理，权重Wk1和偏置bk1迭代更新停止条件是目标函数取值不再变小或者达到最大迭代步数；(3)分类识别训练好整个网络的参数后，采用最后一层网络的Softmax分类器对测试样本进行识别；如果测试样本xi,t是目标，则对应的标签为+1；如果测试样本不是目标，则对应的标签为‑1；所述的样本xi,t是否为目标的概率计算如下：其中，W_L代表网络最后一层的权重，代表样本x_i,t在第L‑1层编码后的特征；最后，测试样本xi,t的类别判决如下：