[发明专利]基于栈式自编码器的特征融合方法

说明书

本发明提供一种基于栈式自编码器的特征融合方法。技术方案包括下述内容：首先，提取图像的局部三斑块二值模式纹理特征，利用特征选择方法选择并提取图像的若干种基线特征，将得到的所有特征进行串联得到串联向量。然后，对串联向量先进行标准化再进行白化。将白化后的结果作为SAE的输入，利用逐层贪婪训练法对SAE进行训练。最后利用训练好的SAE，通过softmax分类器对SAE进行微调，使得损失函数最小，SAE的输出即为区分性高的融合特征向量。本发明选取的特征冗余性小，为特征融合提供更丰富的信息。

技术领域

本发明属于图像融合技术领域，涉及一种基于SAE(Stacked Autoencoder，栈式自编码器)的特征融合的方法，提高了融合特征的区分度和效率。

背景技术

特征融合是指对提取的特征信息，进行综合分析及融合处理的技术。在图像理解中，利用特征融合不仅可以增加图像的特征信息，而且能有效综合原始特征之间的优势获得目标更全面的特征表达。经典的特征融合算法(特征融合算法可参考文献王大伟,陈定荣,何亦征.面向目标识别的多特征图像融合技术综述[J].航空电子技术,2011,42(2):6-12.)，直接把特征按照某种方式直接组合起来，没有从本质上考虑特征间的关系对融合结果的影响，因此融合后的特征冗余性较大，区分性不高。

SAE是一种无监督的学习网络，能通过简单的非线性模型将原始特征转化为更为抽象的表达，进行有效的特征融合。基于SAE的特征融合，不仅能提取出原始特征中的深层互补特征，得到更具区分性的特征，同时能利用特征提取减少输入数据的特征维度，简化网络结构，提高融合效率。

已有的基于SAE的特征融合算法(基于SAE的特征融合算法可参考文献Chen Y,LinZ,Zhao X,et al..Deep Learning-Based Classification of Hyperspectral Data[J].IEEE Journal of Selected Topics in Applied Earth Observations&RemoteSensing,2014,7(6):2094-2107.)，选取的特征维数高，融合网络结构复杂，训练时间较长，无法满足实时性的需求。另外特征之间冗余性大，互补性小，融合后特征区分度提高不明显。

发明内容

本发明通过选取互补性高，冗余性小的特征，得到了基于SAE的特征融合 方法。该方法能有效减少数据维度，简化SAE的网络结构，提高融合效率。同时，选取了不同属性的特征，为融合提供了丰富的信息，提取出了更具区分性的融合特征。

本发明的技术方案是：

首先，提取图像的TPLBP(Three-Patch Local Binary Patterns，局部三斑块二值模式)纹理特征，利用特征选择方法选择并提取图像的若干种基线特征，将得到的所有特征进行串联得到串联向量。然后，对串联向量先进行标准化再进行白化。将白化后的结果作为SAE的输入，利用逐层贪婪训练法对SAE进行训练。最后利用训练好的SAE，通过softmax分类器对SAE进行微调，使得损失函数最小，SAE的输出即为区分性高的融合特征向量。

本发明的有益效果是：

1.本发明选取了基线特征和TPLBP特征进行组合，基线特征描述了图像的几何结构特性，TPLBP特征描述了图像的局部纹理，不同属性的两种特征互补性大，冗余性小，为特征融合提供更丰富的信息。

2.本发明设计的SAE结构，通过特征提取，改变了原始特征的空间分布，能有效增加原始特征之间的类间距离，减小类内距离，使融合后的分类精度有较大的提升。

3.本发明提出的技术方案，将228维的串联特征而不是整幅图像作为SAE输入，在有效融合特征的同时，简化了SAE结构，有效减少了网络训练时间和测试时间，融合效率得到有效提升。

附图说明