[发明专利]基于DCT-CNN模型的无人机着陆地貌图像分类方法

摘要

本发明公开了基于DCT‑CNN模型的无人机着陆地貌图像分类方法，包括以下步骤：获取无人机着陆地貌图像的训练图像集和测试图像集；对无人机着陆地貌图像DCT变换，并进行DCT系数的筛选；针对无人机着陆地貌图像场景复杂、信息丰富的特点构建DCT‑CNN网络模型；将训练集的DCT系数输入到改进的DCT‑CNN模型中训练，并对网络进行参数更新，直到损失函数收敛于一个较小的值，训练结束；将训练图像特征集作为训练样本对SVM分类器进行训练；输入测试集，利用训练好的模型对测试图像进行逐层学习，最后将得到的特征向量输入到训练好的SVM分类器中进行分类，得到分类结果。本发明降低了数据冗余，使得训练时间大幅度减少，有效的提高了无人机着陆地貌图像的分类准确率。

主权项

基于DCT‑CNN模型的无人机着陆地貌图像分类方法，其特征在于，该方法包括以下步骤，S1：获取无人机着陆地貌图像，图像分为训练图像集和测试图像集；S2：对无人机着陆地貌图像DCT变换，并进行DCT系数的筛选，具体如下：S2.1：首先对无人机着陆地貌图像进行8×8分块，对无人机着陆地貌进行分块后形成子块，对每个子块分别进行DCT变换；S2.2：DCT变换后得到8×8的系数矩阵，对DCT系数进行选择，按照ZigZag扫描的方式保留矩阵左上角的10个低频系数；S2.3：对剩余的54个系数采用系数判别法进行系数选择；提出的系数判别法是：首先求每一个子块的平均值，并设定平均值为每块的系数阈值，然后对每个子块中剩余的54个系数进行选择，如果系数小于设定的阈值则该系数置0，大于阈值则保留该系数；S2.4：把每幅图像筛选的DCT系数进行整合得到DCT系数矩阵；S3：针对无人机着陆地貌图像场景复杂、信息丰富的特点构建了一个14层用于无人机着陆地貌图像分类的DCT‑CNN网络结构，包括一个输入层、五个卷积层、三个池化层，四个ReLU层和一个输出层，具体如下：S3.1：DCT‑CNN模型中的五层卷积层为5‑6‑9‑4‑1结构，卷积核大小分别为：第一层卷积层是5×5，第二层是6×6，第三层是9×9，第四层是4×4；S3.2：DCT‑CNN模型中的池化层采用了平均池化和最大值池化两种方法，总共有三层池化层，第一个池化层采用平均池化，后两层池化采用最大值池化；S3.3：DCT‑CNN模型中增加了zero padding，表示对特征图进行0填充操作，当pad＝1时，将每张输入特征图向四周扩展1格用0填充，填充后相当于长、宽各加2，之后再进行卷积、池化过程；S3.4：在该网络结构中，每一层卷积层后面接着一层激活函数层，是为了给网络加入非线性的因素，使得卷积神经网络可以更好地解决较为复杂的问题，该卷积神经网络中采用的是ReLU激活函数，其公式为：f(x)＝max(0,x)x为ReLU激活函数自变量；S4：将训练集的DCT系数输入到改进的DCT‑CNN模型中训练，并对网络进行参数更新，直到损失函数收敛于一个较小的值，训练结束；S5：将训练图像特征集作为训练样本对SVM分类器进行训练；S6：输入测试集，利用训练好的模型对测试图像进行逐层学习，最后将得到的一维特征向量输入到训练好的SVM分类器中进行分类，得到分类结果。