[发明专利]基于变长增量型极限学习机的SAR图像分类方法

说明书

本发明公开了一种基于变长增量型极限学习机的SAR图像分类方法，先对待分类的SAR图像进行图像预处理操作，并按照像素进行样本划分；再在SAR图像数据库样本集中采集训练样本；对所有样本图片分别提取基于灰度共生矩阵和基于Gabor滤波的纹理特征；对生成的组合特征进行融合，采用串行方法组合和基于主分量分析方法降维；利用训练样本训练变长增量型极限学习机；将待分类样本输入到训练好的分类器中，得到最终的SAR图像分类结果。本发明方法主要解决SAR图像分类的训练时间长、正确率不高的问题，将变长增量型极限学习机作为分类器，具有泛化性能好、训练效率高的优势，并获得较高的SAR图像分类精度，更具高效性与实用性。

技术领域

本发明属于目标识别领域，尤其涉及一种基于变长增量型极限学习机的SAR图像分类方法。

背景技术

SAR图像分类是SAR图像目标识别系统中一个关键的步骤，主要根据给定图像的特征识别物体的属性，将有相似属性的地物划分为一类，为图像上的每一个像素标记所对应的类别。在SAR图像中，不同区域、目标根据受其本身固有属性的影响，会显示出不同的纹理特性。分类器的选择则决定了识别的有效性，提升分类器的准确性实时性，军事上可以提升侦查的自动化水平、攻防的实时性以及战略预警能力；民用方面，可以进一步加强灾难防控能力、地质海洋结构测绘准确性。

与光学图像相比，SAR图像自动目标识别发展还有待完善，其研究难度主要表现在识别有效性较低，很多算法虽然能够成功解决光学图像问题，但是运用到SAR图像时，识别精度往往达不到标准。许多机器学习的模型，比如神经网络、支持向量机、贝叶斯方法等作为分类器被相继被应用到SAR图像目标识别系统中。神经网络方法具有良好的推广能力、鲁棒性以及容错性的特性，因此对解决分类问题具有明显的优势。

极限学习机基于一种新的单隐含层前馈神经网络训练模式，训练过程中唯一需要调整的只有隐层节点数，是一种高效的网络训练算法。将极限学习机应用于雷达信号分析的研究相继出现：Avci,Engin通过使用遗传算法计算最佳的小波熵参数值，设计了基于遗传小波的极限学习机分类器模型，该模型可完成雷达回波信号的自适应特征提取和分类。Samat Alim等将主动学习与极限学习机相结合提出了主动极限学习机，并将该算法用于解决极化SAR图像分类问题。

虽然以上改进型极限学习机在解决SAR图像分类问题时能够获得较好的识别效果，但是训练时间较长。变长增量型极限学习机在收敛速度和网络训练效率上取得平衡，相较于同样识别效果的分类器，变长增量型极限学习机在训练效率上得到大幅提升。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提出一种基于变长增量型极限学习机的SAR图像分类方法，达到操作步骤简单、可靠性高、高效且识别精度高的效果。

技术方案：为了解决现有SAR图像分类的训练时间长、正确率不高的问题，本发明的基于变长增量型极限学习机的SAR图像分类方法，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；