基于多层感知器的遥感影像分割方法技术

本发明专利技术公开了基于多层感知器的遥感影像分割方法，包括以下步骤：S1：对原始的遥感影像进行滤波处理；S2：对滤波后的遥感影像进行降维处理，得到新的特征图像和对应的特征矩阵；S3：将新的特征图像均匀地分割成若干个像素大小相同的小图像，从中分别选取若干个小图像作为训练样本和测试样本；S4：初始化神经网络，输入训练样本开始训练，直到网络误差达到设定值或者训练次数达到最大值时停止，保存相应的权值和阈值；S5：选择待分割的遥感影像，利用已经训练好的神经网络对输入向量进行训练，最后的输出向量作为遥感影像的分割结果；S6：将分割结果由向量形式转换为图像的灰度矩阵。本发明专利技术模型学习效果好、正轴方向上网络收敛速度快。

【技术实现步骤摘要】
基于多层感知器的遥感影像分割方法
本专利技术涉及高光谱遥感影像分割方法，特别是涉及基于多层感知器的遥感影像分割方法。
技术介绍
近三十年来，学者们不断的在遥感影像分割及其应用方面展开广泛而深入的研究并提出了众多的影像分割方法。多层感知器神经网络常常采用反向传播算法(BP算法)来进行网络训练，这种采用BP算法的多层感知器神经网络是迄今为止使用的最为普遍的神经网络。在多层感知器神经网络中，往往采用ReLu函数或者Softsign函数作为激活函数。ReLu函数相比Softsign函数，在正轴方向上具有梯度不饱和、计算速度快的优势，但在负轴方向上，ReLu函数粗暴的强制稀疏处理屏蔽了很多有用的特征，导致模型学习效果变差。Softsign函数相比ReLu函数，在负轴方向上不具备很好的稀疏性，避免了负轴有用特征信息的缺失，但在正轴方向上的网络收敛速度要比ReLu函数慢很多。因此，现有技术中的激活函数有的存在模型学习效果差的问题，有的存在正轴方向上网络收敛速度慢的问题。
技术实现思路
专利技术目的：本专利技术的目的是针对现有技术中存在的问题，提供一种模型学习效果好、正轴方向上网络收敛速度快的基于多层感知器的遥感影像分割方法。技术方案：本专利技术所述的基于多层感知器的遥感影像分割方法，包括以下步骤：S1：对原始的遥感影像进行滤波处理；S2：对滤波后的遥感影像进行降维处理，得到新的特征图像和对应的特征矩阵；S3：将新的特征图像均匀地分割成若干个像素大小相同的小图像，从中分别选取若干个小图像作为训练样本和测试样本；S4：初始化神经网络，输入训练样本开始训练，直到网络误差达到设定值或者训练次数达到最大值时停止，保存相应的权值和阈值；S5：选择待分割的遥感影像，利用已经训练好的神经网络对输入向量进行训练，最后的输出向量作为遥感影像的分割结果；S6：将分割结果由向量形式转换为图像的灰度矩阵。进一步，所述步骤S2中的降维处理通过主成分分析法实现。进一步，所述步骤S1中使用Lee滤波器进行滤波处理。进一步，所述步骤S6中，转换为灰度矩阵后，对分割结果进行显示。进一步，所述步骤S4中，神经网络采用激活函数f(x)进行训练：式(1)中，x为输入数据。有益效果：本专利技术公开了一种基于多层感知器的遥感影像分割方法，构造了一个新的分段的非饱和修正线性激活函数，有效提高了网络收敛速度和分割精度，也有效改善了模型学习效果。附图说明图1为本专利技术具体实施方式中神经网络的流程图；图2为本专利技术具体实施方式中影像分割的流程图；图3为本专利技术具体实施方式中激活函数的示意图；图4为本专利技术具体实施方式中运用不同激活函数的网络进行分割的精确度随训练次数的变化曲线。具体实施方式本具体实施方式公开了一种基于多层感知器的遥感影像分割方法，如图2所示，包括以下步骤：S1：使用Lee滤波器对原始的遥感影像进行滤波处理；S2：通过主成分分析法对滤波后的遥感影像进行降维处理，得到新的特征图像和对应的特征矩阵；S3：将新的特征图像均匀地分割成若干个像素大小相同的小图像，从中分别选取若干个小图像作为训练样本和测试样本；S4：如图1所示，初始化神经网络，输入训练样本开始训练，直到网络误差达到设定值或者训练次数达到最大值时停止，保存相应的权值和阈值；S5：选择待分割的遥感影像，利用已经训练好的神经网络对输入向量进行训练，最后的输出向量作为遥感影像的分割结果，对分割结果进行显示；S6：将分割结果由向量形式转换为图像的灰度矩阵。步骤S4中，神经网络采用激活函数f(x)进行训练：式(1)中，x为输入数据。激活函数f(x)记为Relu_Softsign函数，如图3为该函数示意图。下面对实验仿真过程和结果进行介绍：1、实验图像实验所用的的遥感影像数据集是由比利时皇家军事学院于2011年在比利时泽布鲁日海港和城市地区通过机载平台收集的一部分。遥感影像经过滤波和PCA降维后得到10000*10000的特征图像，仿真实验采用MultiSpecWin64、MATLABR2013b、UltraEditv24.10.0.32(x64)和JetBrainsPyCharm2017.2.3x64软件系统编程。2、实验过程本算法中遥感影像经过滤波和PCA降维后得到10000*10000的特征图像，将特征图像切割成500*500个20*20像素的小图像。本具体实施方式选取共100000个小图像作为训练样本，也就是说，神经网络的输入样本数为100000个，每个样本中有20*20等于400个输入特征数据，即输入向量为400维，输入神经元个数为400。将该100000组样本数据分为目标、背景两种类别，即输出向量为2维，输出神经元个数为2。3、算法结果对比基于四种传统的激活函数和改进的激活函数，设计五种不同的多层感知器神经网络用于遥感影像的分割，并与GA(GeneticAlgorithm，遗传算法)-BP神经网络进行对比分析。神经网络的网络结构如下表所示：表1多层感知器神经网络的结构当使用传统的S型激活函数构造多层感知器神经网络时，网络的相关参数初始化如下表所示：表2多层感知器神经网络初始化参数表(S型激活函数)当使用修正线性激活函数构造多层感知器神经网络时，由于函数的性能受网络学习率的影响较大，学习率大时更容易导致神经元“坏死”现象的产生，所以要将网络的学习率设置成一个合适的较小值。网络的相关参数初始化如下表所示：表3多层感知器神经网络初始化参数表(修正线性激活函数)表4不同神经网络的影像分割精度由图4和表4可以看出，使用Sigmoid函数构造的BP网络，其影像分割精度是最低的，仅为72.23％，且Sigmoid函数构造的BP网络难以收敛，需要对网络参数进行大量反复的调整；相比使用Sigmoid函数构造的BP网络，使用Tanh函数构造的BP网络的收敛速度明显提高了不少，但是它的影像分割精度也只有77.83％；使用Softsign函数构造的BP网络，其影像分割精度相比前两个网络有很大的提高，最高分割精度达到82.32％，但它的不足之处在于网络的收敛速度相对缓慢；使用ReLu函数构造的BP网络，不仅其影像分割精度较高，而且网络的收敛速度也较快，最高分割精度为91.46％；而使用改进的激活函数Relu_Softsign构造的BP网络，其影像分割精度是最高的，最高分割精度达到93.60％，而且保留了ReLu函数网络收敛速度快的优点。因此，相较于常见的激活函数，使用改进后的激活函数不但可以提高网络的收敛速度，而且可以提高网络的分割精度。再将改进前后的BP神经网络与GA-BP神经网络对比，可以看出，改进前的BP神经网络，抗噪声干扰性能较差，影像主体目标的边缘分割的也不是很清楚；采用GA-BP神经网络获得的分割效果要比改进前的BP神经网络效果略好，其抗噪性能也有所提高；而改进后的BP神经网络进一步去除了大量的噪声和孤立点，相比前两种算法，其分割效果最为理想。表5不同神经网络的影像分割精度由表5可知，使用改进前的BP神经网络进行影像分割时，以ReLu函数作为激活函数的网络分割精度要比以Softsign函数作为激活函数的网络分割精度有明显的提高，但是抗噪性能都比较差，存在大量的噪声斑点而且主体目标的边缘分割的也很模糊；使用GA-BP神经网络获得的分本文档来自技高网...

【技术保护点】
1.基于多层感知器的遥感影像分割方法，其特征在于：包括以下步骤：S1：对原始的遥感影像进行滤波处理；S2：对滤波后的遥感影像进行降维处理，得到新的特征图像和对应的特征矩阵；S3：将新的特征图像均匀地分割成若干个像素大小相同的小图像，从中分别选取若干个小图像作为训练样本和测试样本；S4：初始化神经网络，输入训练样本开始训练，直到网络误差达到设定值或者训练次数达到最大值时停止，保存相应的权值和阈值；S5：选择待分割的遥感影像，利用已经训练好的神经网络对输入向量进行训练，最后的输出向量作为遥感影像的分割结果；S6：将分割结果由向量形式转换为图像的灰度矩阵。

【技术特征摘要】
1.基于多层感知器的遥感影像分割方法，其特征在于：包括以下步骤：S1：对原始的遥感影像进行滤波处理；S2：对滤波后的遥感影像进行降维处理，得到新的特征图像和对应的特征矩阵；S3：将新的特征图像均匀地分割成若干个像素大小相同的小图像，从中分别选取若干个小图像作为训练样本和测试样本；S4：初始化神经网络，输入训练样本开始训练，直到网络误差达到设定值或者训练次数达到最大值时停止，保存相应的权值和阈值；S5：选择待分割的遥感影像，利用已经训练好的神经网络对输入向量进行训练，最后的输出向量作为遥感影像的分割结果；S6：将分割结果由向量...

【专利技术属性】
技术研发人员：高红民，杨耀，杨琪，李臣明，璩晓宇，高志祥，杜星熠，何炜航，袁文晶，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32