[發明專利]一種基于卷積神經網絡的SAR圖像壓縮方法

有效

• 申請號: 202010515967.9
• 申請日: 2020-06-09
• 公開（公告）號: CN111681293B
• 公開（公告）日: 2022-08-23
• 發明（設計）人: 邸志雄;向云帆;徐啟涵;吳強;馮全源
• 申請（專利權）人: 西南交通大學
• 主分類號: G06T9/00
• 分類號: G06T9/00;G06N3/04;G06N3/08
• 代理公司: 成都信博專利代理有限責任公司 51200
• 代理人: 卓仲陽

1.一種基于卷積神經網絡的SAR圖像壓縮方法，其特征在于，在卷積網絡的自編碼器之上，采用圖像增強處理的數據集與自適應的優化策略，具體步驟如下：

步驟1：SAR圖像數據集的構建與預處理：

在對SAR原始數據進行成像之后，全部裁剪成統一大小的圖像；再挑選含特征信息的圖像，構建初始的訓練集和測試集；通過二維小波變換，對初始的訓練集運用圖像增強技術；

步驟2：自編解碼器卷積網絡的構建：

自編解碼器卷積網絡分為四個部分，分別為輸入層、編碼器、解碼器、輸出層；其中，編碼器通過多層卷積以及殘差結構完成對SAR圖像的壓縮編碼；而解碼器通過多層的轉置卷積和殘差結構完成對編碼圖像的解碼；

所述自編解碼器卷積網絡通過層層的卷積進行圖像的壓縮，再通過層層的反卷積進行圖像的重構，并采用殘差模塊加強深度網絡的梯度性，對編碼壓縮部分網絡和解碼重構部分網絡進行聯合優化；利用上述網絡，以預處理后的SAR圖像作為訓練樣本，訓練得到針對SAR圖像的壓縮網絡；所述自編解碼器卷積網絡具體結構為：

輸入層：

(1)讀取數據，依次從訓練集中和測試集中讀取SAR灰度圖像信息；

(2)歸一化，將原圖像8位存儲的int型轉為32位存儲的float型，再對每一位數據除以255；

(3)格式轉換，將圖像格式從三維矩陣轉換成四維矩陣；

編碼器：

(1)卷積層：設置通道數為64，卷積核大小為5，步長為2，進行填充；

(2)激活層：采用Relu的激活函數，對每一位數據進行非線性映射，維持梯度；

(3)殘差模塊Resnet：設x為輸入特征圖，經過卷積后被映射為F(x)，再經過一層卷積變為F′(x)，然后將F′(x)與原始輸入x累加，得到整個殘差結構的輸出；

解碼器：

(1)反卷積層：反卷積層與卷積層相對應，設置通道數為64，卷積核大小為5，步長為2，進行填充；

(2)激活層：采用Relu的激活函數，與編碼器中激活層相同；

(3)殘差模塊Resnet：與編碼器中采用的殘差模塊相同；

輸出層：

(1)格式轉換，將圖像格式從四維矩陣轉換成三維矩陣；

(2)反歸一化，對每一位數據乘以255，將32位的float型輸出四舍五入轉為圖像8位存儲的int型；

(3)存儲圖像，根據圖像的大小，依次從矩陣中保存相應的解壓后的圖像；

步驟3：失真優化：

通過自編解碼器前向傳播壓縮恢復后的圖像與原始圖像的均方誤差來計算網絡的損失，再進行反向傳播更新權重矩陣，不斷地訓練和優化。

2.根據權利要求1所述的一種基于卷積神經網絡的SAR圖像壓縮方法，其特征在于，所述步驟1中，通過haar小波，把圖像信號分解成不同子帶：對低頻子帶進行非線性圖像增強，用以增強目標的對比度，抑制背景；而對高頻部分進行小波去噪處理，減少噪聲對圖像的影響；再將小波重構回圖像信號，完成最終訓練集的構建。

3.根據權利要求1所述的一種基于卷積神經網絡的SAR圖像壓縮方法，其特征在于，所述步驟3的損失函數采用MSE，優化器選用的是Adam，訓練時的批尺寸大小設置為5。