[發明專利]基于2D-PCA和卷積神經網絡的SAR圖像分類方法

在審

• 申請號: 201811090713.6
• 申請日: 2018-09-19
• 公開（公告）號: CN109242028A
• 公開（公告）日: 2019-01-18
• 發明（設計）人: 侯彪;李井亮;焦李成;馬晶晶;馬文萍;白靜
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華

本發明公開了一種基于二維主成分分析和卷積神經網絡的合成孔徑雷達圖像分類方法，主要解決現有技術中分類準確率低、魯棒性差、復雜度高和噪聲敏感性高的問題。其實現方案是：1.選取訓練和測試樣本，并進行擴增；2.對于訓練樣本集和測試樣本集中的每個樣本進行二維主成分分析，得到降維后的訓練樣本集和測試樣本集；3.構建卷積神經網絡模型，并用降維后的訓練樣本進行訓練；4.將訓練好的模型權重值加載到構建的卷積神經網絡中，并將降維后的測試樣本輸入到該卷積神經網絡中完成對原始SAR圖像的分類。本發明降低模型訓練復雜度和對噪聲的敏感性，提高模型的魯棒性和分類精度，可用于目標檢測。

技術領域

本發明屬于圖像處理領域，更進一步涉及SAR圖像分類技術領域，可用于目標檢測。

背景技術

合成孔徑雷達是一種全天時，全天候工作的雷達系統，廣泛應用軍事，農業，導航，地理監視等諸多領域。隨著雷達技術的發展，SAR圖像分類已經成為了一個重要的領域。SAR特別適用于目標分類，檢測以及監視等。由于SAR圖像的成像機制和傳統圖像成像機制的差異，所以在的理解與解譯的過程中SAR圖像和傳統圖像也有很大的不同。通過人眼來分類是非常耗時耗力的，所以需要通過研究一些算法達到分類效果。隨著深度學習的發展，深度學習被廣泛應用在各個方面。

西安電子科技大學在其申請的專利“基于深度置信網絡的SAR圖像目標識別分類方法”(專利號：201610136519.1，授權公告號：CN105809198A)中提出了一種合成孔徑雷達圖像目標識別的分類方法。該方法首先進行獲取圖像樣本，濾波，然后提取特征，再然后訓練深度置信網絡對樣本進行分類。該方法存在的不足之處是訓練復雜度高，模型的魯棒性差，識別率不高。

SiZhe Chen,Haipeng Wang,Feng Xu,Ya-Qiu Jin，在其發表的論文“TargetClassification Using the Deep Convolutional Networks for SAR Image”中提出了一種基于深度卷積網絡的SAR圖像分類方法。該方法首先裁剪待分類的圖像到固定的大小，然后構建5層卷積網絡模型，最后利用訓練集訓練構建好的模型并實現測試集的分類。該方法存在的不足之處是對噪聲的敏感性比較大，當隨機添加部分噪聲是會導致分類精度降低。

發明內容

本發明提出了一種基于二維PCA和卷積神經網絡模型的合成孔徑雷達圖像的分類方法，可以克服上述已有技術的不足，降低模型訓練復雜度和對噪聲的敏感性，提高模型的魯棒性和分類精度。

為實現上述目的，本發明的實現方案如下：

(1)從包含BMP2裝甲車,BTR70裝甲車,T72主戰坦克數據的MSTAR數據集中選取訓練和測試數據，并進行擴增：

選取俯角為17度的所有圖像作為訓練圖像X₁，將每一張訓練圖像在水平和豎直方向隨機平移(x,y)個像素點，其中x,y均為(-10,10)內的整數，重復該操作50次，使每一張訓練圖像擴充為50張，得到訓練樣本集A₁；

選取俯角為15度的所有圖像作為測試圖像X₂，同樣將每一張測試圖像同樣在水平和豎直方向隨機平移(x,y)個像素點，重復該操作6次，使每一張測試圖像擴充為6張，得到測試樣本集A₂；

(2)對于訓練樣本集和測試樣本集中的每個樣本進行二維主成分分析2D-PCA，得到降維后28×28的二維矩陣：

(2a)對于擴充后的訓練樣本和測試樣本集，分別裁剪成其中心為60×60的區域；

(2b)利用裁剪后的訓練樣本計算列方向上的投影矩陣U，根據投影矩陣U計算列方向上的降維矩陣F，再根據降維矩陣F計算行方向上的投影矩陣V；