[發(fā)明專利]基于融合卷積神經(jīng)網(wǎng)絡的SAR圖像目標檢測方法有效
| 申請?zhí)枺?/td> | 201910327007.7 | 申請日: | 2019-04-22 |
| 公開(公告)號: | CN110097524B | 公開(公告)日: | 2022-12-06 |
| 發(fā)明(設計)人: | 李亞超;呂雅麗;全英匯;王亦倩;武春風;徐鋼鋒 | 申請(專利權(quán))人: | 西安電子科技大學 |
| 主分類號: | G06T5/30 | 分類號: | G06T5/30;G06T5/50;G06T7/11;G06T3/60;G06T5/00;G06T7/136;G06V10/774;G06V10/82;G06N3/04 |
| 代理公司: | 陜西電子工業(yè)專利中心 61205 | 代理人: | 田文英;王品華 |
| 地址: | 710071 陜*** | 國省代碼: | 陜西;61 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 基于 融合 卷積 神經(jīng)網(wǎng)絡 sar 圖像 目標 檢測 方法 | ||
1.一種基于融合卷積神經(jīng)網(wǎng)絡的SAR圖像目標檢測方法,其特征在于,利用分水嶺算法生成電磁散射特征圖,將訓練好的SAR圖像目標檢測網(wǎng)絡與電磁散射特征檢測網(wǎng)絡進行融合生成融合卷積神經(jīng)網(wǎng)絡來對SAR圖像進行目標檢測;該方法的步驟包括如下:
(1)構(gòu)建卷積神經(jīng)網(wǎng)絡:
(1a)搭建一個16層的卷積神經(jīng)網(wǎng)絡;
(1b)設置卷積神經(jīng)網(wǎng)絡的參數(shù);
(2)生成訓練集:
(2a)從SAR圖像數(shù)據(jù)集中選取至少1000幅含有陸地上機動目標的SAR圖像組成訓練集;
(2b)對訓練集中的每幅圖像依次進行平移、翻轉(zhuǎn)操作,得到擴充后的訓練集;
(3)利用形態(tài)學操作對圖像進行預處理:
(3a)從擴充后的訓練集中選取一個未選過的圖像;
(3b)用3*3大小1個像素的步長,對所選圖像進行滑窗操作,得到多個3*3的像素塊;
(3c)使用sobel算子,對每個3*3像素塊進行濾波,得到所選圖像的梯度幅值圖像;
(3d)用2*2大小1個像素的步長,對所選圖像進行滑窗操作,得到多個2*2的像素塊;
(3e)對每個2*2像素塊依次進行形態(tài)學腐蝕操作→形態(tài)學重建操作→形態(tài)學膨脹操作→形態(tài)學重建操作→最大類間方差法otsu分割操作,得到所選圖像中目標的二值圖像;
(3f)判斷是否選完擴充后的訓練集中所有圖像,若是,則執(zhí)行步驟(4);否則,執(zhí)行步驟(3a);
(4)利用分水嶺算法生成電磁散射特征圖:
(4a)從所有的目標的二值圖像中選取一個未選過的圖像;
(4b)用所選圖像中每個像素點與其周圍的非零灰度值像素點之間的最近距離,替換該像素點的灰度值,對替換灰度值后的圖像進行分水嶺變換操作,得到分水嶺脊線標記;
(4c)用所選二值圖像,對該圖像在擴充后的訓練集中對應的圖像以及對應的梯度幅值圖像分別進行濾波,得到濾波后的目標圖像及濾波后的目標梯度幅值圖像;
(4d)用4*4大小1個像素的步長,對濾波后的目標圖像進行滑窗操作,得到多個4*4的像素塊;
(4e)對每個4*4像素塊依次進行取局部極大像素值操作和去除小連通域操作,得到目標部件級的前景標記;
(4f)將目標部件級的前景標記與分水嶺脊線標記,在濾波后的目標梯度幅值圖像中分別標記為全局最小灰度值和全局最大灰度值,得到標記圖像;
(4g)對標記圖像進行分水嶺變換操作,得到電磁散射特征圖;
(4h)判斷是否選完所有的目標的二值圖像,若是,則執(zhí)行步驟(4i);否則,執(zhí)行步驟(4a);
(4i)對每幅電磁散射特征圖依次進行平移、翻轉(zhuǎn)操作,得到擴充后的電磁散射特征訓練集;
(5)訓練卷積神經(jīng)網(wǎng)絡:
(5a)從光學圖像數(shù)據(jù)集中選取至少1000幅含有不同陸地上機動目標的光學圖像,組成預訓練數(shù)據(jù)集;
(5b)將預訓練數(shù)據(jù)集輸入到卷積神經(jīng)網(wǎng)絡中進行訓練,得到預訓練后的網(wǎng)絡;
(5c)將訓練集和電磁散射特征訓練集,分別輸入到預訓練網(wǎng)絡中進行訓練,得到訓練好的SAR圖像目標檢測網(wǎng)絡和訓練好的電磁散射特征檢測網(wǎng)絡;
(6)生成融合卷積神經(jīng)網(wǎng)絡:
(6a)利用融合公式,對訓練好的SAR圖像目標檢測網(wǎng)絡與電磁散射特征檢測網(wǎng)絡的第11卷積層分別輸出的特征圖對應位置元素的值,進行相加融合,得到融合后的特征圖;
(6b)用融合后的特征圖替換訓練好的SAR目標檢測網(wǎng)絡中的第11卷積層輸出的特征圖,得到替換后的SAR目標檢測網(wǎng)絡;
(6c)去掉訓練好的電磁散射特征檢測網(wǎng)絡第11卷積層及之后所有結(jié)構(gòu),得到待融合的電磁散射特征檢測網(wǎng)絡;
(6d)將替換后的SAR目標檢測網(wǎng)絡與待融合的電磁散射特征檢測網(wǎng)絡在第11卷積層處連接,得到融合卷積神經(jīng)網(wǎng)絡;
(7)訓練融合卷積神經(jīng)網(wǎng)絡:
將訓練集和電磁散射特征訓練集,同時輸入到融合卷積神經(jīng)網(wǎng)絡中進行訓練,得到訓練好的融合卷積神經(jīng)網(wǎng)絡;
(8)生成測試集:
(8a)從SAR圖像數(shù)據(jù)集中選取與訓練集中圖像不同的至少1000幅含有陸地上機動目標的SAR圖像組成測試集;
(8b)對測試集中的每幅圖像依次進行平移、翻轉(zhuǎn)操作,得到擴充后的測試集;
(9)對測試集進行目標檢測:
將測試集輸入到訓練好的融合卷積神經(jīng)網(wǎng)絡中,輸出測試集圖像中機動目標的檢測結(jié)果。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于西安電子科技大學,未經(jīng)西安電子科技大學許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201910327007.7/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 卷積運算處理方法及相關(guān)產(chǎn)品
- 一種卷積神經(jīng)網(wǎng)絡的計算方法及系統(tǒng)
- 卷積運算方法及系統(tǒng)
- 卷積運算方法、裝置及系統(tǒng)
- 深度神經(jīng)網(wǎng)絡裁剪方法、裝置及電子設備
- 基于卷積神經(jīng)網(wǎng)絡的圖像處理方法和圖像處理裝置
- 卷積神經(jīng)網(wǎng)絡及基于卷積神經(jīng)網(wǎng)絡的圖像處理方法
- 一種圖像處理方法、裝置以及計算機存儲介質(zhì)
- 用于卷積神經(jīng)網(wǎng)絡的卷積運算裝置
- 基于FPGA實現(xiàn)圖像識別的方法、裝置、設備及存儲介質(zhì)
- 硬件神經(jīng)網(wǎng)絡轉(zhuǎn)換方法、計算裝置、軟硬件協(xié)作系統(tǒng)
- 生成較大神經(jīng)網(wǎng)絡
- 神經(jīng)網(wǎng)絡的生成方法、生成裝置和電子設備
- 一種舌診方法、裝置、計算設備及計算機存儲介質(zhì)
- 學習神經(jīng)網(wǎng)絡結(jié)構(gòu)
- 脈沖神經(jīng)網(wǎng)絡轉(zhuǎn)換方法及相關(guān)轉(zhuǎn)換芯片
- 圖像處理方法、裝置、可讀存儲介質(zhì)和計算機設備
- 一種適應目標數(shù)據(jù)集的網(wǎng)絡模型微調(diào)方法、系統(tǒng)、終端和存儲介質(zhì)
- 用于重構(gòu)人工神經(jīng)網(wǎng)絡的處理器及其操作方法、電氣設備
- 一種圖像神經(jīng)網(wǎng)絡結(jié)構(gòu)的優(yōu)化方法及裝置





