[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像海洋目標(biāo)分類檢測方法

在審

• 申請?zhí)枺?/td>: 201810650882.4
• 申請日: 2018-06-22
• 公開（公告）號: CN108830242A
• 公開（公告）日: 2018-11-16
• 發(fā)明（設(shè)計(jì)）人: 陳杰;馬夢原;楊威;李春升
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06K9/46;G06N3/04
• 代理公司: 北京格允知識(shí)產(chǎn)權(quán)代理有限公司 11609
• 代理人: 周嬌嬌;李亞東

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像海洋目標(biāo)分類檢測方法，其特征在于，包括以下步驟：

步驟一：將含有海洋目標(biāo)的SAR單視復(fù)圖像轉(zhuǎn)換為功率圖像，并進(jìn)行量化；

步驟二：將量化后的功率圖像分割獲取切片樣本，加注樣本類別的標(biāo)簽后構(gòu)建訓(xùn)練集ψ；

步驟三：計(jì)算訓(xùn)練集的均值得到去均值后的訓(xùn)練集Φ；

步驟四：建立卷積神經(jīng)網(wǎng)絡(luò)模型該網(wǎng)絡(luò)結(jié)構(gòu)包含五層卷積層conv1、conv2、conv3、conv4、conv5，三層池化層pooling1、pooling2、pooling3，兩層全連接層fc1、fc2和softmax分類器；

步驟五：將所述去均值后的訓(xùn)練集Φ輸入卷積神經(jīng)網(wǎng)絡(luò)模型采用隨機(jī)梯度下降法對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到最佳的網(wǎng)絡(luò)參數(shù)；

步驟六：將待分類切片去均值，輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中，得到分類預(yù)測結(jié)果

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的SAR海洋目標(biāo)分類檢測方法，其特征在于，所述的步驟一包括：

(1)設(shè)C^(k)為第k幅待處理的SAR單視復(fù)圖像，大小為X×Y，和分別是C^(k)的實(shí)部和虛部，則通過以下公式獲取功率圖像：

其中，A^(k)為計(jì)算之后得到的功率圖像，k(k＝1,2,…,N)表示單視復(fù)圖像序號，i(i＝1,2,…,X)，j(j＝1,2,…,Y)為圖像的二維坐標(biāo)；

(2)通過以下公式對功率圖像進(jìn)行量化，將圖像的幅值限制在0～1之間：

式中，S^(k)為量化后的功率圖像，T表示量化閾值。

3.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的SAR海洋目標(biāo)分類檢測方法，其特征在于，所述步驟二具體為：

將步驟一生成的量化后的功率圖像S^(k)分割為128×128大小切片，根據(jù)不同海洋目標(biāo)的散射特性，判定樣本類別，所述樣本類別包括小船、油輪、集裝箱輪、風(fēng)機(jī)、鐵塔和貨輪，加注包含樣本類別的標(biāo)簽后構(gòu)建訓(xùn)練集ψ。

4.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的SAR海洋目標(biāo)分類檢測方法，其特征在于，所述步驟三通過以下公式計(jì)算訓(xùn)練集ψ的均值并得到去均值后的訓(xùn)練集Φ；

式中i表示訓(xùn)練集中的切片樣本序號，且i＝1,2,…,N，N為訓(xùn)練集中切片樣本數(shù)目，ψ⁽ⁱ⁾表示第i個(gè)切片樣本的平均灰度值；Φ⁽ⁱ⁾表示第i個(gè)切片樣本去均值后的灰度值。