[发明专利]基于变长增量型极限学习机的SAR图像分类方法

权利要求书

1.一种基于变长增量型极限学习机的SAR图像分类方法，其特征在于，包括以下步骤：

(1)对待分类的SAR图像进行图像预处理操作，对预处理后图像中的每个待分类像素，以该待分类像素为中心像素，并将该中心像素周围预先设定的区域作为待分类样本；

(2)在SAR图像数据库样本集中，分别在不同类别的样本集中采集训练样本构成训练样本集P，所述训练样本的大小与所述待分类样本大小相同；

(3)对待分类的SAR图像的所有待分类样本，所有训练样本分别提取基于灰度共生矩阵的纹理特征和基于Gabor滤波的纹理特征；

(4)对步骤(3)中提取的纹理特征进行融合，采用串行方法组合和主分量分析方法降维得到融合后的特征向量；

(5)基于所述融合后的特征向量，利用所述训练样本集P训练变长增量型极限学习机得到训练好的分类器；

(6)基于所述融合后的特征向量，将所述待分类样本输入到所述训练好的分类器中，得到待分类样本的类别，以待分类样本的类别作为对应中心像素的类别，得到最终的SAR图像分类结果。

2.根据权利要求1所述的SAR图像分类方法，其特征在于，步骤(1)中所述中心像素周围预先设定的区域为以所述中心像素为顶点，且包含2^s×2^s个像素的方形区域，其中s取大于0的正整数。

3.根据权利要求1所述的SAR图像分类方法，其特征在于，步骤(4)中所述采用串行方法组合和主分量分析方法降维得到融合后的特征向量，具体为：

(4a)对于任意待分类样本和训练样本，将该样本的所述基于灰度共生矩阵的纹理特征与所述基于Gabor滤波的纹理特征首尾相连，串行组合形成相应样本的组合特征向量；

(4b)对所有样本的组合特征向量进行基于主分量分析的线性降维方法，降维后特征的维数范围为2至该组合特征向量的维度，对比该范围内所有维度下的降维特征可分度后，选择其中可分度最高的维数作为降维后的维数。

4.根据权利要求1所述的SAR图像分类方法，其特征在于，步骤(5)中利用所述训练样本集P训练变长增量型极限学习机得到训练好的分类器，包括以下步骤：

(5.1)对所述训练样本集P，其训练样本总量为M，记第i个训练样本为：p(x_i,y_i)，其中x_i＝[x_i1,x_i2,...x_in]^T为融合后的特征向量，y_i为第i个训练样本的类别标记，i＝1,2,...M；

(5.2)隐层节点数目初始值为L＝0，网络误差向量e初始值为期望输出，即e＝T，T为期望输出，T＝[y₁,y₂,…y_M]^T，搜索次数k＝0，当前增加的隐层节点数目α初始值为MinNum，α的取值范围为[MinNum，MaxNum]；给定期望的训练误差ε作为训练停止的标志，最大搜索次数为K，激活函数为sigmoid函数：h(t)＝1/(1+exp(-t))；

(5.3)判定网络误差向量e的长度是否小于给定期望的训练误差ε，即||e||＜ε，如果是则终止训练；否则，跳到步骤(5.4)；

(5.4)前一时刻相关参量用*作为上标以示区分，记录前一时刻网络相关参数，α*＝α，e*＝e，L*＝L；

(5.5)根据L*的值调整α的值，计算当前时刻隐层节点数目L＝L*+α；

(5.6)搜素次数k＝0，计算隐含层的输出矩阵H(w_L,b_L,x)，其表达式如下：

w_j＝[w_1j,w_2j,…w_ij,…w_nj]^T为输入层与第j个隐层单元相连的权值，j＝1,2,...L，b_j为第j个隐层单元的偏置，新增α个结点的连接权值w和b，选取[-1,1]进行随机初始化，已存在结点保持原有权值；

(5.7)根据所述输出矩阵H(w_L,b_L,x)计算输出权值β_L；

(5.8)更新搜索次数k＝k+1，计算网络输出误差e^k＝e^*-β||H(w_L,b_L,x)||；

(5.9)通过随机搜索找到下降最快的网络误差e＝{e^k|min(||e¹||,...,||e^m||)}，并保存对应的连接权值如果k≤K，跳转到步骤(5.3)；否则跳转到步骤(5.8)，表示预设常量。