基於改進的深度置信網絡的無人機著陸地貌分類方法與流程
2023-05-26 19:34:52
本發明涉及一種無人機著陸地貌圖像分類方法，屬於模式識別與智能計算、圖像處理技術領域，特別涉及一種基於改進的深度置信網絡的無人機著陸地貌分類方法。
背景技術：
近年來提出無人機可以應用於對危險環境的偵查，自然災害後救災物資的運輸等複雜的背景，由於這些背景下無人機著陸地點是完全未知的，對於未知區域著陸地貌的識別是無人機安全著陸的基礎，因此對無人機著陸的自然地貌分類成為了研究的重點。而深度學習思想的提出，為機器學習的帶來了新的研究領域。深度學習是建立、模擬人腦進行學習時的神經網絡，模擬人腦學習機制來處理數據。深度置信網絡是人工神經網絡的一種特殊學習模型，它的輸出是經過多個隱含層提取的，加入一定的限制條件，可以提取出圖像的深層特徵。深度置信網絡通過提取圖像的本質特徵，使得輸入的樣本經過多層提取後又通過權值分配儘可能的展現了圖像的本質特徵，具有較好的特徵提取能力，可以有效的提高圖像分類的準確率。支持向量機在解決非線性及高維分類問題時具有明顯優勢，在解決多分類的圖像方面有較好的分類效果。
現有的方法存在的不足：一方面，傳統的特徵提取方法在特徵提取時不易提取到完整、深層的本質特徵，因此會丟失一部分特徵信息，使得特徵缺乏魯棒性，進而影響圖像分類的準確率；另一方面，支持向量機會受到參數、核函數等因素的影響，支持向量機性能的好壞會影響最終的地貌圖像分類準確率。
技術實現要素：
本發明的目的旨在解決上述技術缺陷，用於提取地貌圖像深層次抽象特徵，提高特徵識別能力，提高分類器的分類性能，進而提高無人機著陸地貌圖像的分類準確率。
為達到上述目的，本發明提出一種基於改進的深度置信網絡的無人機著陸地貌分類方法，包括以下步驟：
s1：獲取無人機著陸地貌的訓練圖像集和測試圖像集；
s2：構建深度置信網絡，輸入無人機著陸地貌的訓練圖像集，對深度置信網絡進行訓練，直到滿足訓練條件；
s3：將無人機著陸地貌的測試圖像集輸入到訓練好的深度置信網絡中進行逐層學習，提取出一組圖像的待分類特徵集
s4：採用基於灰度共生矩陣的特徵提取算法，提取出無人機著陸地貌的樣本圖像的紋理特徵，獲得訓練樣本和測試樣本的紋理特徵向量，並將其與待分類特徵集組合成綜合特徵向量集；
s5：將無人機著陸地貌的訓練圖像特徵集作為訓練樣本對支持向量機(svm)分類器進行訓練，並採用粒子群算法(pso)對支持向量機進行優化，選擇出支持向量機的最優參數，獲得一個最優的svm分類器。
s6：將得到的待分類圖像特徵集輸入到優化後的支持向量機，進行圖像分類。
有益效果
本發明是通過基於改進的深度置信網絡提取無人機著陸地貌的圖像的深層特徵，本方法在特徵提取方面，採用了多隱含層的深度置信網絡來進行特徵學習，每經過一個隱含層都會得到一個特徵表達。然後根據提出的特徵權值結合法對每層隱含層得到的特徵集分配一個特徵權值，最後，每個特徵集和相應的權值結合成一個新的待分類圖像特徵集，新特徵集具有完整、抽象的深層特徵信息，具有較高的特徵識別力。
針對支持向量機的分類性能易受到參數、核函數等因素的影響，採用粒子群算法優化支持向量機，粒子群算法能在較短時間內搜索到全局最優的點，即能達到支持向量機最優分類性能的參數。仿真實驗表明，本發明能自動地提取圖像深層抽象特徵，提高了特徵識別力，有效的提高了無人機著陸地貌圖像的分類準確率，具有良好的泛化能力和適用範圍。
附圖說明
本發明上述的和/或附加的方面和優點從下面結合附圖對實施例的描述中將變得明顯和容易理解，其中：
圖1為本發明實施例的基於改進的深度置信網絡的無人機著陸地貌分類方法的流程圖；
圖2為本發明一個實施例的粒子群優化支持向量機的流程圖。
具體實施方式
下面詳細描述本發明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，僅用於解釋本發明，而不能解釋為對本發明的限制。
如圖1所示，根據本發明基於改進的深度置信網絡的無人機著陸地貌分類方法，對幾類無人機航拍地貌圖像進行分類。
無人機飛行環境一般比較複雜，拍攝到的圖像也是各種地物相互交錯，很難得到只含單一地貌的航拍圖像，為獲得符合條件的訓練測試樣本，需對無人機拍攝的原始圖像進行分割處理，從而獲得只含有單一地貌的無人機航拍圖像庫，不應在各類地物的混交地區和類別的邊緣選取，以保證數據具有典型性，從而能進行準確的分類；
實驗選取沙地、草地、土地、森林、水面和公路這6類無人機航拍圖像進行實驗；這6類地貌圖像比較具有代表性，是實驗的主要研究對象；其他地貌在本方法中不會直接分出類，因此分類最終結果為不宜著陸類,不加關注，因此不用細分類，這樣也是為了加快算法處理速度；
採用上述6類經過裁剪後的無人機航拍圖像進行實施，具體實施步驟如下：
s1：獲取待分類的無人機航拍圖像，對無人機拍攝的原始圖像進行分割處理，從而獲得只含有單一地貌的無人機航拍圖像，選擇其中每類地貌圖像50幅作為訓練樣本集，其餘圖像作為測試樣本。
s2：構建深度置信網絡，輸入訓練圖像集，對深度置信網絡進行訓練，直到滿足訓練條件；
深度置信網絡首先要進行網絡訓練，具體訓練過程如下：
1)設置網絡結構，調整網絡輸入層、隱含層和輸出層參數。
2)使用測試樣本集圖像訓練網絡，採用無監督的逐層貪婪訓練方法，一旦底層訓練完成後便將其權值固定，並使用其輸出作為下一層輸入，直至整個網絡訓練完成。
s3：將測試圖像集輸入到訓練好的深度置信網絡進行逐層學習，每層隱含層提取到一個特徵集信息；並使用特徵權值的方法對每個特徵集分配一個特徵權值，最後將每層隱含層獲得的特徵集和對應的權值結合成一個新的待分類圖像特徵集；
s4：採用基於灰度共生矩陣的特徵提取算法，提取出樣本圖像的紋理特徵，獲得訓練樣本和測試樣本的紋理特徵向量，並將其與待分類特徵集組合成綜合特徵向量集；具體步驟如下：
使用待分類無人機航拍圖像，採用基於灰度共生矩陣的特徵提取算法，提取出樣本圖像的紋理特徵，表1為六幅實例圖像提取後的紋理特徵向量；
表1無人機航拍圖像的紋理特徵值
將得到的紋理特徵與待分類特徵集組合成綜合特徵向量集。
s5：將訓練圖像特徵集作為訓練樣本對支持向量機(svm)分類器進行訓練，並採用粒子群算法(pso)對支持向量機進行優化，選擇出支持向量機的最優參數，獲得一個最優得svm分類器。具體方法如下：
在實際應用中，每一個粒子代表一個待求量的可能解，每個粒子通過以下規則實現尋優：
其中，為第i個粒子第j維當前前進的速度，為第i個粒子第j維粒子的當前位置，pi,j,pg,j分別表示粒子的個體最優位置和全局最優位置，r1,i和r2,i為隨機常數，c1為個體最優位置的學習因子，c2為全局最優位置的學習因子，w為慣性權重。
將粒子群優化方法用於svm的訓練時，其目的在於求得最佳的核函數、核函數參數以及錯誤懲罰因子。那麼這些粒子就可以認為是待定的核函數、核函數參數以及錯誤懲罰因子，而粒子的當前位置就可以認為是這些待定參數的當前值。即：
x＝(h0,h1,r0...rn,c0...cm)
其中，h0,h1為svm的核函數類型的二進位編碼，總共有四種類型的核函數；核函數參數的編碼為n位，錯誤懲罰因子的編碼為m位，都是在取值範圍內的二進位編碼。找到的最優「位置」即為向量中的元素的最優解，也就是svm的核函數、核函數參數以及錯誤懲罰因子。
s6：將得到的待分類圖像特徵集輸入到優化後的支持向量機，進行圖像分類。本方法最終通過svm分類器將待分類圖像進行識別。
在輸入待測樣本圖像的紋理特徵向量值之後，svm分類器會得到一個輸出結果，判斷輸出結果屬於哪一類圖像時，採用是歐氏距離判斷法，輸出向量和四個目標向量哪一個距離最近就判定為哪一類，前提是距離需要達到一定精度，若任一距離都大於設定的精度值則判定為其他圖像。