[發(fā)明專利]基于深度可變形卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810263825.0
• 申請(qǐng)日: 2018-03-28
• 公開（公告）號(hào): CN108510467B
• 公開（公告）日: 2022-04-08
• 發(fā)明（設(shè)計(jì)）人: 白靜;葉維健;徐航;李超賢;張景森;李曉宇;焦李成;侯彪
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06T5/50
• 分類號(hào): G06T5/50;G06T5/30;G06T5/00;G06T7/11;G06T7/136;G06N3/08;G06N3/04
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;朱紅星

1.一種基于深度可變形卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別方法，其特征在于，包括：

(1)對(duì)于SAR圖像目標(biāo)切片數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)增：

(1a)對(duì)于俯視角為17度的數(shù)據(jù)，在每一類128×128的原始目標(biāo)切片中擴(kuò)增獲取88×88大小的目標(biāo)切片；

(1b)對(duì)于俯視角為15度的SAR圖像目標(biāo)切片，將每一類目標(biāo)圖像以中心像素點(diǎn)為中心，切取88×88的切片；

(2)將包含目標(biāo)的10類436個(gè)圖像切片嵌入不同環(huán)境場(chǎng)景的數(shù)據(jù)圖像中，共獲得50幅不同場(chǎng)景下的合成圖像；

(3)構(gòu)建網(wǎng)絡(luò)訓(xùn)練樣本集和測(cè)試樣本集：

(3a)對(duì)于10類地物目標(biāo)，每一類均使用2200幅經(jīng)過數(shù)據(jù)擴(kuò)增的俯視角為17度的目標(biāo)切片圖像，共計(jì)22000幅訓(xùn)練圖像構(gòu)成訓(xùn)練樣本集，每一個(gè)訓(xùn)練樣本均有各自的參考標(biāo)簽；

(3b)使用5000幅經(jīng)過數(shù)據(jù)擴(kuò)增的俯視角為17度及2425幅俯視角為15度的目標(biāo)切片圖像，共計(jì)7425幅測(cè)試圖像構(gòu)成測(cè)試樣本集，每一個(gè)測(cè)試樣本均有各自的參考標(biāo)簽；

(4)構(gòu)建基于像素級(jí)的峰值特征提取模塊：

(4a)對(duì)SAR圖像使用中值濾波器進(jìn)行噪聲去除，并對(duì)中值濾波后SAR圖像依次進(jìn)行膨脹、腐蝕、像素值歸一化和閾值分割；

(4b)對(duì)SAR圖像進(jìn)行計(jì)數(shù)濾波，并對(duì)計(jì)數(shù)濾波后的SAR圖像進(jìn)行膨脹處理，得到峰值特征提取模塊；

(5)構(gòu)建連通區(qū)域標(biāo)記模塊：

(5a)使用8連通區(qū)域判定準(zhǔn)則，通過一次對(duì)圖像的遍歷，記錄下每一行或列中連續(xù)的序列和標(biāo)記的等價(jià)對(duì)；

(5b)對(duì)標(biāo)記前的峰值圖像利用(5a)得到的等價(jià)對(duì)進(jìn)行重新標(biāo)記，完成連通區(qū)域標(biāo)記模塊的構(gòu)建；

(6)構(gòu)建一個(gè)包括7層結(jié)構(gòu)的深度可變形卷積神經(jīng)網(wǎng)絡(luò)模型，即第1層為網(wǎng)絡(luò)輸入層，第2層為第一卷積層，第3層為第二卷積層，第4層為第三卷積層，第5層為第四卷積層，第6層為全局均值池化層，第7層為輸出層；

(7)對(duì)深度可變形卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練：

將訓(xùn)練樣本集與訓(xùn)練樣本集標(biāo)簽作為深度可變形卷積神經(jīng)網(wǎng)絡(luò)模型的輸入，對(duì)深度可變形卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行若干次迭代有監(jiān)督訓(xùn)練，設(shè)置初始學(xué)習(xí)率為2×e^-4，數(shù)據(jù)迭代次數(shù)為20；

設(shè)置訓(xùn)練集與測(cè)試集批塊的大小為25，調(diào)整深度卷積神經(jīng)網(wǎng)絡(luò)的超參數(shù)并防止過擬合，得到訓(xùn)練好的深度可變形卷積神經(jīng)網(wǎng)絡(luò)模型；

(8)依據(jù)(5b)中得到的峰值圖像標(biāo)記結(jié)果，畫出目標(biāo)檢測(cè)結(jié)果圖，框出檢測(cè)到的目標(biāo)，將這些目標(biāo)送入(7)得到的深度可變形卷積神經(jīng)網(wǎng)絡(luò)，得到輸出的實(shí)際分類標(biāo)簽，完成SAR圖像目標(biāo)識(shí)別。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(1a)中對(duì)于俯視角為17度的數(shù)據(jù)，在每一類128×128的原始目標(biāo)切片中擴(kuò)增獲取88×88大小的目標(biāo)切片，其實(shí)現(xiàn)如下：

首先，隨機(jī)選取一張128×128的原始目標(biāo)切片，在該目標(biāo)切片上隨機(jī)選取(x,y)坐標(biāo)點(diǎn)，x，y均為10到30間的隨機(jī)數(shù)；

然后，以(x,y)坐標(biāo)點(diǎn)作為擴(kuò)充切片的左上角坐標(biāo)，向右擴(kuò)增88個(gè)像素點(diǎn)，向下擴(kuò)增88個(gè)像素點(diǎn)，獲取88×88大小的目標(biāo)切片。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(4a)中對(duì)中值濾波后SAR圖像依次進(jìn)行膨脹、腐蝕、像素值歸一化和閾值分割，是先使用大小為5×5的塊填滿當(dāng)前像素點(diǎn)鄰域間隙，完成膨脹操作；再使用大小為5×5的塊分離目標(biāo)區(qū)域和周圍的雜波區(qū)域，完成腐蝕操作；再將像素值大于200的點(diǎn)通過像素值歸一化轉(zhuǎn)換為1，將像素值小于200的點(diǎn)通過像素值歸一化轉(zhuǎn)換為0，完成像素值歸一化和閾值分割。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(4b)中對(duì)SAR圖像進(jìn)行計(jì)數(shù)濾波，并進(jìn)行膨脹處理，其實(shí)現(xiàn)如下：

(4b1)以光柵掃描順序依次對(duì)SAR圖像像素點(diǎn)進(jìn)行掃描，判斷當(dāng)前像素點(diǎn)的5×5鄰域內(nèi)像素值大小，若皆為1時(shí)則該點(diǎn)處像素值為1，否則置零，完成SAR圖像的計(jì)數(shù)濾波；

(4b2)使用大小為11×11的塊填滿當(dāng)前像素點(diǎn)鄰域間隙，完成膨脹操作。