鬼佬大哥大
  • / 13
  • 下載費用:30 金幣  

基于深度RBF網絡的SAR圖像地物分類方法.pdf

摘要
申請專利號:

CN201410160538.9

申請日:

2014.04.18

公開號:

CN103955702A

公開日:

2014.07.30

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):G06K 9/62申請日:20140418|||公開
IPC分類號: G06K9/62; G06N3/02 主分類號: G06K9/62
申請人: 西安電子科技大學
發明人: 焦李成; 劉芳; 韓佳敏; 馬文萍; 馬晶晶; 王爽; 侯彪; 李陽陽; 楊淑媛
地址: 710071 陜西省西安市太白南路2號
優先權:
專利代理機構: 陜西電子工業專利中心 61205 代理人: 王品華;朱紅星
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201410160538.9

授權公告號:

||||||

法律狀態公告日:

2017.02.15|||2014.08.27|||2014.07.30

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

本發明提出了一種基于深度RBF網絡的SAR圖像地物分類方法,主要解決現有技術分類準確率低的問題。其實現步驟是:(1)提取SAR圖像的紋元特征;(2)通過深度RBF網絡第一層RBF神經網絡對SAR圖像的紋元特征進行訓練,得到圖像的高級特征;(3)通過深度RBF網絡的第二層稀疏自動編碼器網絡SAE對高級特征進行訓練,得到圖像的更高級特征;(4)通過深度RBF網絡第三層RBF神經網絡對更高級特征進行訓練,得到圖像地物分類特征;(5)將圖像測試樣本的地物分類特征與測試樣本標簽對比,調節深度RBF網絡各層參數,得到最優測試分類準確率。本發明分類準確率高,可用于復雜圖像分類。

權利要求書

權利要求書
1.  一種基于深度RBF網絡的SAR圖像地物分類方法,包括以下步驟:
(1)給定一個由三層結構構成的深度RBF網絡,其中第一層與第三層均是由一個輸入單元,一個隱含單元和一個輸出單元組成的RBF神經網絡;第二層是由一個輸入單元,一個隱含單元和一個輸出單元組成的稀疏自編碼器SAE神經網絡;
(2)對SAR圖像進行預處理,利用所述的深度RBF網絡學習出SAR圖像的地物分類特征:
(2a)選取包含城鎮,農田,山脈三類地物的SAR圖像作為分類對象,其中每類地物有50個訓練樣本,100個測試樣本,每個樣本的分辨率均是128*128,將每個樣本分割成分辨率為64*64的圖像塊,得到200個訓練樣本和400個測試樣本;
(2b)提取訓練樣本的紋元特征feature1,即SAR圖像訓練樣本的低級特征;將紋元特征feature1作為深度RBF網絡中第一層輸入單元的輸入特征,通過RBF神經網絡對紋元特征feature1進行訓練,得到RBF神經網絡中隱含單元的輸出feature2,即SAR圖像的高級特征;
(2c)通過稀疏自編碼網絡SAE對SAR圖像的高級特征feature2進行訓練,得到該SAE網絡輸出單元的輸出feature3,作為深度RBF網絡的第二層輸出,即SAR圖像的更高級特征;
(2d)通過RBF神經網絡對SAR圖像的更高級特征feature3進行訓練,得到該RBF神經網絡輸出單元的輸出feature4,作為深度RBF網絡的第三層輸出,即SAR圖像訓練樣本的地物分類特征;
(3)將SAR圖像訓練樣本的地物分類特征feature4與SAR圖像的訓練樣本類別標簽進行對比,通過調節深度RBF網絡各層的參數,得到最優的訓練分類準確率;
(4)重復步驟(1)-(3),利用深度RBF網絡對SAR圖像測試樣本的紋元特征進行訓練,得到SAR圖像測試樣本的地物分類特征,并將SAR圖像測試樣本的地物分類特征與SAR圖像的測試樣本類別標簽進行對比,通過調節深度RBF網絡各層的參數,得到最優的SAR圖像地物測試分類準確率。

2.  根據權利要求1所述的方法,其中步驟(2b)所述的通過RBF神經網絡對紋元特征 feature1進行訓練,按如下步驟進行:
(2b1)將紋元特征feature1作為矩陣實驗室MATLAB自帶的RBF神經網絡訓練函數NEWRB()的輸入單元;
(2b2)矩陣實驗室MATLAB自帶的RBF神經網絡訓練函數NEWRB()用非監督方法K均值K-means聚類方法確定徑向基函數RBF的歐式距離中心和均方差,并根據均方差和紋元特征feature1自動確定RBF神經網絡隱含單元結點數目;
(2b3)調節RBF神經網絡的均方差,獲得紋元特征feature1的訓練準確率。

3.  根據權利要求1所述的方法,其中步驟(2c)所述的通過稀疏自編碼網絡SAE對SAR圖像的高級特征feature2進行訓練,按如下步驟進行:
(2c1)將SAR圖像的高級特征feature2作為稀疏自編碼網絡SAE的輸入單元;
(2c2)隨機初始化稀疏自編碼網絡SAE中連接輸入單元與隱含單元的權值矩陣W和偏置值b,用反向傳播算法BP訓練權值矩陣W和偏置值b;
(2c3)利用梯度下降法L-BFGS的多次迭代對反向傳播算法BP訓練權值矩陣W和偏置值b進行更新,得到最優的權值矩陣W和偏置值b,完成稀疏自編碼網絡SAE的訓練;
(2c4)調節稀疏自編碼網絡SAE的隱含單元結點數目,獲得SAR圖像的高級特征feature2訓練準確率。

4.  根據權利要求1所述的方法,其中所述的步驟(3),按如下步驟進行:
(3a)用矩陣實驗室MATLAB自帶的sim()函數對SAR圖像訓練樣本的地物分類特征進行預測,得到訓練樣本地物特征的標簽label1;
(3b)將預測出訓練樣本地物特征的標簽label1與SAR圖像給定的訓練樣本類別標簽label2進行對比,統計標簽相同的樣本個數,得到訓練分類準確率,通過微調深度RBF網絡各層的參數得到最優的訓練分類準確率。

5.  根據權利要求1所述的方法,其中步驟(4)所述的將SAR圖像測試樣本的地物分類特征與SAR圖像的測試樣本類別標簽進行對比,通過調節深度RBF網絡各層的參數,得到最優的SAR圖像地物測試分類準確率,按如下步驟進行:
(4a)提取測試樣本的紋元特征test-feature1;利用深度RBF網絡第一層RBF神經網絡對該紋元特征test-feature1進行訓練,得到RBF神經網絡隱含單元的輸出test-feature2,即SAR圖像測試樣本的高級特征,利用矩陣實驗室MATLAB自帶的sim()函數,預測出測試樣本高級特征的標簽test-label1;
(4b)將預測出測試樣本高級特征的標簽test-label1與SAR圖像給定的測試樣本類別標簽test-label進行對比,統計標簽相同的樣本個數,得到RBF神經網絡的測試分類準確率,通過微調RBF神經網絡的均方差得到最優的RBF神經網絡測試分類準確率;
(4c)測試樣本高級特征test-feature2通過深度RBF網絡第二層和第三層的訓練,得到測試樣本的地物分類特征test-feature4,利用矩陣實驗室MATLAB自帶的sim()函數,預測出測試樣本地物分類特征的標簽test-label2;
(4d)將預測出測試樣本地物分類特征的標簽test-label2與SAR圖像給定的測試樣本類別標簽test-label進行對比,統計標簽相同的樣本個數,得到深度RBF網絡的測試分類準確率,通過微調深度RBF網絡各層的參數得到最優的RBF神經網絡測試分類準確率。

說明書

說明書基于深度RBF網絡的SAR圖像地物分類方法
技術領域
本發明屬于圖像處理技術領域,特別涉及一種多特征,多類別的SAR圖像分類方法,可用于目標識別,目標跟蹤等領域。
背景技術
合成孔徑雷達SAR在地球科學遙感領域的應用非常廣泛。SAR圖像地物分類是模式分類在SAR圖像處理中的應用,它完成將圖像數據從二維灰度空間轉換到目標模式空間的工作其分類的結果是將圖像根據不同屬性劃分為多個不同類別的子區域。即根據SAR圖像的基本特性,提取可靠特征,將圖像區分為人造目標、自然目標、背景和陰影四種類別,為不同的應用提供對應的感興趣區域。人造目標包括機動車輛、建筑物等強散射體;自然目標包括樹木、灌木、樹林等自然作物;背景包括草地、平地、植被等占圖像大部分面積的地域;陰影包括目標陰影、湖泊、水域等鏡面散射體。
SAR圖像地物分類技術是傳統的自動地物分類ATC技術的擴展。一方面可以作為SAR圖像解譯系統的中前端,以帶層次信息的感興趣區域取代目標檢測和鑒別模塊,為目標識別過程提供潛在目標切片以及空間位置、尺寸等信息,另一方面,可以直接為人工判讀提供必要參數,建立獨立的輔助判讀系統。
SAR圖像地物分類,是在圖像預處理后利用傳統機器學習的方法進行分類。但是傳統機器學習和信號處理僅含單層非線性變換的淺層學習結構。淺層模型的一個共性是僅含單個將原始輸入信號轉換到特定問題空間特征的簡單結構。深度學習可通過學習一種深層非線性網絡結構,實現復雜函數逼近,表征輸入數據分布式表示,并展現了強大的從少數樣本集中學習數據集本質特征的能力。
深度學習通過組合低層特征形成更加抽象的高層表示,即屬性類別或特征表示,以發現數據的分布式特征表示。深度學習可通過多層映射單元和逐層學習的算法獲取輸入數據的主要結構信息。
近些年來,深度學習吸引了越來越多科研人員的注意力。Hinton和他的學生于2006年提出了深度置信網DBN模型,之后又提出了多層自動編碼器深層結構。Lecun等人于1998年提出了卷積神經網絡CNNs,之后出現許多變形的深度結構,例如去噪自動編碼 器。如今Google、微軟、百度等知名的擁有大數據的高科技公司都非常重視深度學習的研究,因為只有更加復雜且更加強大的深度模型才能深刻地發現海量數據里復雜而豐富的信息,并通過對數據的分析,對未來或未知事件做更精準的預測。深度學習目前仍有大量工作需要研究。研究模型方面是否有其他更為有效且有理論依據的深度模型學習算法,即探索新的特征提取模型。在深度學習的應用拓展方面,如何充分合理地利用深度學習在增強傳統學習算法的性能仍是目前各領域的研究重點。
目前深度學習Deep Learning相關的應用大都集中在人工智能AI相關的經典問題,例如目標識別Objection Recognition、語音識別Speech Recognition方面,還有很多工作集中在分類方面。
當前多數分類、回歸等學習方法為淺層結構算法,其局限性在于有限樣本和計算單元情況下對復雜函數的表示能力有限,針對復雜分類問題其泛化能力受到一定制約。典型的淺層學習結構包括傳統隱馬爾可夫模型HMM、條件隨機場CRFs、最大熵模型、支持矢量機SVM、核回歸以及僅包含單個隱含層的多層感知器MLP、RBF等。
現有的SAR圖像地物分類方法大致可以分為基于單個分類器的SAR圖像地物分類方法和基于多個分類器的分類器集成系統的SAR圖像地物分類方法。基于單個分類器的方法包括基于神經網絡的MLP和RBF、KNN、SVM分類器的SAR圖像地物分類方法;基于多個分類器的分類器集成系統的方法包括基于bagging、boosting、子空間等集成策略的分類器集成SAR圖像地物分類方法。其中基于單個分類器的SAR圖像地物分類方法,是將訓練數據輸入單個分類器,經過學習后分類器具有分類識別能力,該類方法分類速度較快,但是分類器參數調節困難而且結果不穩定;基于分類器集成的SAR圖像地物分類方法,是采用某種集成策略將多個分類器集成在一起,多個分類器共同對SAR圖像數據進行決策,該類方法的分類效果雖好,但是速度較慢。
發明內容
本發明的目的在于針對上述基于單個分類器方法的不足,提出一種基于深度RBF網絡的SAR圖像地物分類方法,以提高分類準確率。
本發明的技術方案是這樣實現的:
1.技術原理
徑向基函數RBF是一個取值僅僅依賴于離原點距離的實值函數,即Φ(x)=Φ(‖x‖),或者是到任意中心點c的距離,即Φ(x,c)=Φ(‖x-c‖),標準的距離一般使用歐氏距離。任意一個滿足Φ(x)=Φ(‖x‖)特性的函數Φ都叫做徑向基函數RBF,這種徑向基函數RBF 可以作為神經網絡隱含層的核函數,完成神經網絡的函數逼近等功能。
RBF神經網絡由三層組成,一個輸入層,一個隱含層和一個輸出層。RBF神經網絡的基本思想是:用徑向基函數RBF作為“隱”單元的基函數構成隱含層空間,先將數據非線性映射到一個高維度的空間中,然后再在高維空間用線性模型來做回歸或者分類。輸入向量可以被直接映射到隱含層的空間。RBF神經網絡可以以任意準確率逼近任意連續函數。目前廣泛應用于非線性函數逼近、數據處理、模式識別、圖像分類、系統建模等。
其中圖像分類是通過淺層結構,即單個分類器進行分類,學習到的特征比較低級,本發明的出發點是拓展深度學習應用,著眼于如何充分合理地利用深度學習在增強傳統學習算法RBF神經網絡在SAR圖像地物分類問題的性能。
為了達到以上目的,本發明基于深度學習的思想,提出了基于深度RBF網絡的SAR圖像地物分類方法,其包括以下步驟:
(1)給定一個由三層結構構成的深度RBF網絡,其中第一層與第三層均是由一個輸入單元,一個隱含單元和一個輸出單元組成的RBF神經網絡;第二層是由一個輸入單元,一個隱含單元和一個輸出單元組成的稀疏自編碼器SAE神經網絡;
(2)對SAR圖像進行預處理,利用所述的深度RBF網絡學習出SAR圖像的地物分類特征:
(2a)選取包含城鎮,農田,山脈三類地物的SAR圖像作為分類對象,其中每類地物有50個訓練樣本,100個測試樣本,每個樣本的分辨率均是128*128,將每個樣本分割成分辨率為64*64的圖像塊,得到200個訓練樣本和400個測試樣本;
(2b)提取訓練樣本的紋元特征feature1,即SAR圖像訓練樣本的低級特征;將紋元特征feature1作為深度RBF網絡中第一層輸入單元的輸入特征,通過RBF神經網絡對紋元特征feature1進行訓練,得到RBF神經網絡中隱含單元的輸出feature2,即SAR圖像的高級特征;
(2c)通過稀疏自編碼網絡SAE對SAR圖像的高級特征feature2進行訓練,得到該SAE網絡輸出單元的輸出feature3,作為深度RBF網絡的第二層輸出,即SAR圖像的更高級特征;
(2d)通過RBF神經網絡對SAR圖像的更高級特征feature3進行訓練,得到該RBF神經網絡輸出單元的輸出feature4,作為深度RBF網絡的第三層輸出,即SAR圖像訓練樣本的地物分類特征;
(3)將SAR圖像訓練樣本的地物分類特征feature4與SAR圖像的訓練樣本類別標簽 進行對比,通過調節深度RBF網絡各層的參數,得到最優的訓練分類準確率;
(4)重復步驟(1)-(3),利用深度RBF網絡對SAR圖像測試樣本的紋元特征進行訓練,得到SAR圖像測試樣本的地物分類特征,并將SAR圖像測試樣本的地物分類特征與SAR圖像的測試樣本類別標簽進行對比,通過調節深度RBF網絡各層的參數,得到最優的SAR圖像地物測試分類準確率。
本發明與基于單個分類器的SAR圖像地物分類方法相比,具有以下優點:
1.本發明由于利用了SAR圖像的紋元特征,不僅使得樣本的數目大大降低,提高了深度學習的效率,而且為提高深度學習的分類準確率提供了很好的基礎特征。
2.本發明由于利用了深度神經網絡的逐層學習,提取到SAR圖像的層次特征,能更好地逼近圖像的特征,克服了單個分類器逼近圖像特征能力有限的缺點。
3.本發明由于利用了深度學習中“逐層初始化”的方法對圖像低級特征進行訓練,不僅降低了時間復雜度,還可以避免出現梯度擴散gradient diffusion的問題。
實驗結果表明,本發明能夠有效的應用于SAR圖像地物分類問題,獲得了比單個分類器支撐矢量機SVM和RBF神經網絡更高的魯棒性和分類準確率,可進一步應用在特征更復雜,類別更多的SAR圖像地物分類問題上。
附圖說明
圖1是本發明的實現流程圖;
圖2是本發明中的深度RBF神經網絡結構圖;
圖3是本發明中對SAR圖像三類地物單個訓練樣本分割后的圖像塊示意圖;
圖4是本發明中對SAR圖像三類地物單個測試樣本分割后的圖像塊示意圖;
圖5是本發明中的SAR圖像三類地物單個訓練樣本和單個測試樣本的原圖及紋元特征圖。
具體實施方式
參照圖1,對本發明的實施步驟詳述如下:
步驟1,給定一個由三層結構構成的深度RBF網絡。
如圖2所示,本實例給定的深度RBF網絡由三層結構構成,其中第一層與第三層均是由一個輸入單元,一個隱含單元和一個輸出單元組成的RBF神經網絡;第二層是由一個輸入單元,一個隱含單元和一個輸出單元組成的稀疏自編碼器SAE神經網絡。
步驟2,對SAR圖像進行預處理,利用所述的深度RBF網絡學習出SAR圖像的地物分類特征。
(2a)選取包含城鎮,農田,山脈三類地物的SAR圖像作為分類對象,其中每類地物有50個訓練樣本,100個測試樣本,每個樣本的分辨率均是128*128,將每個樣本分割成分辨率為64*64的圖像塊,得到200個訓練樣本和400個測試樣本;這三類地物單個訓練樣本如圖3所示,其中圖3(a)表示城鎮,圖3(b)表示農田,圖3(c)表示山脈,單個測試樣本如圖4所示,其中圖4(a)表示城鎮,圖4(b)表示農田,圖4(c)表示山脈;
(2b)提取三類地物訓練樣本紋元特征feature1和測試樣本的紋元特征test-feature1,即SAR圖像訓練樣本和測試樣本的低級特征,如圖5所示,其中圖5(a)表示單個訓練樣本的城鎮,圖5(b)表示單個訓練樣本的農田,圖5(c)表示單個訓練樣本的山脈,圖5(d)表示與5(a)對應的紋元特征,圖5(e)表示與5(b)對應的紋元特征,圖5(f)表示與5(c)對應的紋元特征;其中圖5(g)表示單個測試樣本的城鎮,圖5(h)表示單個測試樣本的農田,圖5(i)表示單個測試樣本的山脈,圖5(j)表示與5(g)對應的紋元特征,圖5(k)表示與5(h)對應的紋元特征,圖5(l)表示與5(i)對應的紋元特征;
(2b1)用遍歷的方法對每個64*64的訓練樣本取9*9的圖像塊,每個訓練樣本取出56*56個塊,將9*9的塊變成81*1的列向量,則每個訓練樣本變成81*3136的矩陣;
(2b2)隨機生成一個50*81的隨機矩陣rand,將三類地物的訓練樣本矩陣分別乘以隨機矩陣rand,得到50*3136大小的矩陣;
(2b3)每類訓練樣本的50*3136矩陣用K均值k-means方法聚類出50個聚類中心即大小為50*50的矩陣,將三類訓練樣本的聚類中心組成一個150*50的中心矩陣;
(2b4)統計每類每個樣本與中心矩陣的最小歐氏距離,得到訓練樣本的統計直方圖,即紋元特征feature1;
(2c)提取訓練樣本的紋元特征feature1,即SAR圖像訓練樣本的低級特征;將紋元特征feature1作為深度RBF網絡中第一層輸入單元的輸入特征,通過RBF神經網絡對紋元特征feature1進行訓練,得到RBF神經網絡中隱含單元的輸出feature2,即SAR圖像的高級特征;
(2c1)將紋元特征feature1作為矩陣實驗室MATLAB自帶的RBF神經網絡訓練函數NEWRB()的輸入單元;
(2c2)矩陣實驗室MATLAB自帶的RBF神經網絡訓練函數NEWRB()用非監督K均值K-means聚類方法確定徑向基函數RBF的歐式距離中心和均方差,并根據均方差和紋元特征feature1自動確定RBF神經網絡隱含單元結點數目;
(2c3)調節RBF神經網絡的均方差,獲得紋元特征feature1的訓練準確率;
(2d)通過稀疏自編碼網絡SAE對SAR圖像的高級特征feature2進行訓練,得到該SAE網絡輸出單元的輸出feature3,作為深度RBF網絡的第二層輸出,即SAR圖像的更高級特征;
(2d1)將SAR圖像的高級特征feature2作為稀疏自編碼網絡SAE的輸入單元;
(2d2)隨機初始化稀疏自編碼網絡SAE中連接輸入單元與隱含單元的權值矩陣W和偏置值b,用反向傳播算法BP訓練權值矩陣W和偏置值b;
(2d3)利用梯度下降法L-BFGS的多次迭代對反向傳播算法BP訓練權值矩陣W和偏置值b進行更新,得到最優的權值矩陣W和偏置值b,完成稀疏自編碼網絡SAE的訓練;
(2d4)調節稀疏自編碼網絡SAE的隱含單元結點數目,獲得SAR圖像的高級特征feature2訓練準確率;
(2e)通過RBF神經網絡對SAR圖像的更高級特征feature3進行訓練,得到該RBF神經網絡輸出單元的輸出feature4,作為深度RBF網絡的第三層輸出,即SAR圖像訓練樣本的地物分類特征;
(2e1)將SAR圖像的更高級特征feature3作為矩陣實驗室MATLAB自帶的RBF神經網絡訓練函數NEWRB()的輸入單元;
(2e2)矩陣實驗室MATLAB自帶的RBF神經網絡訓練函數NEWRB()用非監督方法K均值K-means聚類方法確定徑向基函數RBF的歐式距離中心和均方差,并根據均方差和SAR圖像的更高級特征feature3自動確定RBF神經網絡隱含單元結點數目;
(2e3)調節RBF神經網絡的均方差,獲得SAR圖像的更高級特征feature3的訓練準確率。
步驟3,將SAR圖像訓練樣本的地物分類特征feature4與SAR圖像的訓練樣本類別標簽進行對比,通過調節深度RBF網絡各層的參數,得到最優的訓練分類準確率。
(3a)用矩陣實驗室MATLAB自帶的sim()函數對SAR圖像訓練樣本的地物分類特征進行預測,得到訓練樣本地物特征的標簽label1;
(3b)將預測出訓練樣本地物特征的標簽label1與SAR圖像給定的訓練樣本類別標簽label2進行對比,統計標簽相同的樣本個數,得到訓練分類準確率,通過微調深度RBF神經網絡各層的參數得到最優的訓練分類準確率。
步驟4,重復步驟(1)-(3),得到最優的SAR圖像地物測試分類準確率。
(4a)提取測試樣本的紋元特征test-feature1;利用深度RBF網絡第一層RBF神經網絡對該紋元特征test-feature1進行訓練,得到RBF神經網絡隱含單元的輸出test-feature2, 即SAR圖像測試樣本的高級特征,利用矩陣實驗室MATLAB自帶的sim()函數,預測出測試樣本高級特征的標簽test-label1;
(4b)將預測出測試樣本高級特征的標簽test-label1與SAR圖像給定的測試樣本類別標簽test-label進行對比,統計標簽相同的樣本個數,得到RBF神經網絡的測試分類準確率,通過微調RBF神經網絡的均方差得到最優的RBF神經網絡測試分類準確率;
(4c)測試樣本高級特征test-feature2通過深度RBF網絡第二層和第三層的訓練,得到測試樣本的地物分類特征test-feature4,利用矩陣實驗室MATLAB自帶的sim()函數,預測出測試樣本地物分類特征的標簽test-label2;
(4d)將預測出測試樣本地物分類特征的標簽test-label2與SAR圖像給定的測試樣本類別標簽test-label進行對比,統計標簽相同的樣本個數,得到深度RBF網絡的測試分類準確率,通過微調深度RBF網絡各層的參數得到最優的RBF神經網絡測試分類準確率。
本發明的效果可以通過以下仿真實驗來進行驗證。
1.仿真條件:
在CPU為Core(TM)22.3GHZ、內存2G、WINDOWS XP系統上使用MatlabR2012a進行仿真。
2.仿真內容與結果:
對SAR圖像測試樣本的紋元特征分別用支撐矢量機SVM,RBF神經網絡和深度RBF網絡三種分類方法進行分類,每類樣本的分類實驗和三類樣本的分類實驗均運行20次,最終仿真結果取20次實驗的平均值,三種算法的分類準確率對比結果如表一所示:
表一三種算法分類精度對比表
數據庫深度RBF網絡SVMRBF神經網絡第一類城鎮99.500%95.500%99.000%第二類農田99.250%93.250%97.000%第三類山脈93.750%87.500%92.250%三類地物SAR97.500%92.083%96.083%
從仿真效果上看,由于深度RBF網絡利用了逐層學習的算法,提取出SAR圖像地物主要的層次特征,獲得比單個分類器支撐矢量機SVM和RBF神經網絡更高的魯棒性和分類準確率。

關 鍵 詞:
基于 深度 RBF 網絡 SAR 圖像 地物 分類 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:基于深度RBF網絡的SAR圖像地物分類方法.pdf
鏈接地址:http://www.wwszu.club/p-6140597.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大