[發明專利]對逆合成孔徑雷達ISAR的批量成像質量評估方法

在審

• 申請號: 201811216249.0
• 申請日: 2018-10-18
• 公開（公告）號: CN109523514A
• 公開（公告）日: 2019-03-26
• 發明（設計）人: 張磊;許濤;張曼;周葉劍
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

1.一種對逆合成孔徑雷達ISAR的批量成像質量評估方法，其特征在于，包括如下：

(1)對N幅ISAR圖像由人工視覺分為“優”、“良”、“中”和“差”這4類，每類圖像的個數為n，N≥960，n≥240；

(2)給人工分類的ISAR圖像貼上不同的標簽，即“優”的標簽為“1”，“良”的標簽為“2”，“中”的標簽為“3”，“差”的標簽為“4”；

(3)選取4類帶標簽的ISAR圖像的一半作為訓練樣本，輸入到卷積神經網絡CNN中進行訓練，得到訓練好的卷積神經網絡CNN′，并提取出所有類別的圖像的特征μ；

(4)將提取得到的特征μ輸入到不同正則化系數λ下的支持向量機SVM中進行訓練，得到訓練好的支持向量機SVMs′，進而得到訓練樣本的4種實際分類結果；

(5)將訓練樣本的實際分類結果與標簽對比，確定最優的正則化系數λ′，得到最終訓練好的支持向量機SVM′；

(6)選取(2)中4類帶標簽的ISAR圖像的另一半作為測試樣本，輸入到經(3)訓練好的卷積神經網絡CNN′中進行特征提取，提取出所有類別的圖像特征κ；

(7)將(6)中提取得到的特征κ輸入最終訓練好的支持向量機SVM′中進行分類，得到對逆合成孔徑雷達ISAR的批量成像質量評估結果。

2.如權利要求1所述的方法，其特征在于，在(1)中對N幅ISAR圖像由人工視覺分為4類，其分類標準如下：

“優”，是指整體結構清晰可分辨，即聚焦良好；

“良”，是指整體結構可分辨，即聚焦一般；

“中”，是指整體結構模糊，局部結構可分辨，即聚焦較差；

“差”，是指整體結構不可分辨，局部結構不可分辨，即聚焦很差。

3.如權利要求1所述的方法，其特征在于(3)中的利用訓練樣本對卷積神經網絡CNN進行訓練，其實現如下：

(3a)選擇由一個輸入層、兩個卷積層、兩個采樣層、一個全連接層和一個輸出層組成的7層CNN網絡，且每個卷積層的大小為5×5的卷積窗口，每個采樣層采用均值采樣；

(3b)設置各層之間的激活函數采用sigmoid函數，其具體形式為：其中z為每一層的輸入，e為自然常數；

(3c)設輸入層的圖像大小為32×32，使其先經過第一卷積層后得到6個28×28的特征圖，再經過第一采樣層得到6個14×14的特征圖，再經過第二卷積層得到16個10×10的特征圖，最后經第二采樣層2采樣得到16個5×5的特征圖，輸入給全連接層；

(3d)全連接層將16個5×5的特征圖展開成一個16×5×5的向量，輸入給輸出層，得到分類x是正確分類的預測概率q(x)，取值范圍為(0,1)；

(3e)設置卷積神經網絡CNN的損失函數H(p,q)為交叉熵形式，即：其中，p(x)表示分類x是正確分類的先驗概率，其取值為0或1；q(x)表示分類x是正確分類的預測概率，取值范圍為(0,1)；

(3f)應用反向傳播BP算法優化損失函數H(p,q)，得到訓練好的卷積神經網絡CNN′。

4.如權利要求1所述的方法，其特征在于(4)中的利用提取得到的特征μ對支持向量機SVM進行訓練，其實現如下：

(4a)對支持向量機SVM設置不同的正則化系數λ；

(4b)損失函數采用Crammer和Singer提出的用于多分類的鉸鏈損失形式，即：其中y是分類x的標簽，t是不等于y的標簽，w_t是選擇t標簽的超平面參數，w_y是選擇y標簽的超平面參數；

(4c)采用Limited-memory BFGS優化算法對(4b)中的損失函數l(y)進行優化，得到訓練好的不同正則化系數λ所對應的支持向量機SVMs′。