[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）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: 北京格允知識產(chǎn)權(quán)代理有限公司 11609
• 代理人: 周嬌嬌;李亞東

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像海洋目標(biāo)分類檢測方法，包括以下幾個步驟：步驟一：將含有海洋目標(biāo)的SAR單視復(fù)圖像轉(zhuǎn)換為進行功率圖像轉(zhuǎn)換并量化；步驟二：將量化后的功率圖像進行分割，加注樣本類別的標(biāo)簽后構(gòu)建訓(xùn)練集建立數(shù)據(jù)集；步驟三：對訓(xùn)練集數(shù)據(jù)集去均值處理；步驟四：建立卷積神經(jīng)網(wǎng)絡(luò)模型；步驟五：使用訓(xùn)練集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型；步驟六：將待分類切片輸入卷積神經(jīng)網(wǎng)絡(luò)模型，得到分類檢測結(jié)果。本發(fā)明具有可靠性強、泛化能力強、計算復(fù)雜度低，實用性強、應(yīng)用范圍廣等特點。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像海洋目標(biāo)分類檢測方法，屬于圖像處理與計算機視覺領(lǐng)域。

背景技術(shù)

合成孔徑雷達起源于軍事應(yīng)用，發(fā)展于20世紀(jì)50年代，是一種主動式對地觀測系統(tǒng)。合成孔徑雷達可以不受氣候、天氣、光照等條件影響，對地進行全天候、全天時的觀測，其廣泛應(yīng)用于：農(nóng)業(yè)、土壤濕度、林業(yè)、地質(zhì)、水文、洪水和海洋監(jiān)測、海洋學(xué)、艦船和浮油探測、冰雪探測、地表覆蓋測繪、高度測繪和地球變化檢測等方面。

近十年以來，卷積神經(jīng)網(wǎng)絡(luò)得到了極大的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)通過卷積層，池化層，激活函數(shù)，全連接層，分類器等結(jié)構(gòu)，將特征提取、特征選擇和特征分類融合在同一模型中，采用逐層訓(xùn)練策略，優(yōu)化網(wǎng)絡(luò)參數(shù)，得到訓(xùn)練模型，進而對輸入圖像進行分類檢測。

目前，大部分針對SAR海洋目標(biāo)分類算法多基于傳統(tǒng)的分類算法如支持向量機、K最近鄰分類和決策樹等算法，分類準(zhǔn)確率較低。很多基于卷積神經(jīng)網(wǎng)絡(luò)的海洋目標(biāo)分類算法的樣本類別和樣本數(shù)量較少，網(wǎng)絡(luò)結(jié)構(gòu)不合理，導(dǎo)致算法實用性較低且分類效果較差。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題在于，針對現(xiàn)有技術(shù)中的以上一個或多個缺陷，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像海洋目標(biāo)分類檢測方法，該方法對高分辨率SAR圖像進行預(yù)處理，將海洋目標(biāo)劃分為多個類別，建立SAR海洋目標(biāo)數(shù)據(jù)集，通過分析海洋目標(biāo)的特征，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，基于數(shù)據(jù)集對卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，最后將待測圖像輸入卷積神經(jīng)網(wǎng)絡(luò)模型，輸出分類檢測結(jié)果。

本發(fā)明提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像海洋目標(biāo)分類檢測方法，具體包括以下幾個步驟：

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)模型采用隨機梯度下降法對網(wǎng)絡(luò)模型進行訓(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

實施本發(fā)明的基于卷積神經(jīng)網(wǎng)絡(luò)的SAR海洋目標(biāo)分類檢測方法，具有以下有益效果：

(1)本發(fā)明提出的基于卷積神經(jīng)網(wǎng)絡(luò)的SAR海洋目標(biāo)分類檢測方法的可靠性強。該方法將特征提取、特征選擇和特征分類融合在同一模型中，通過端到端的訓(xùn)練，提升了海洋目標(biāo)分類檢測結(jié)果的準(zhǔn)確性。

(2)本發(fā)明提出的基于卷積神經(jīng)網(wǎng)絡(luò)的SAR海洋目標(biāo)分類檢測方法的泛化能力強，計算復(fù)雜度低。該卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)較簡單，僅有五層卷積層，不易導(dǎo)致模型過擬合。

(3)本發(fā)明提出的基于卷積神經(jīng)網(wǎng)絡(luò)的SAR海洋目標(biāo)分類檢測方法的實用性強。本發(fā)明將待測圖像直接輸入訓(xùn)練好的網(wǎng)絡(luò)模型即可獲取預(yù)測結(jié)果。