[發(fā)明專利]一種基于小波變換的SAR影像風條紋識別方法在審
| 申請?zhí)枺?/td> | 202011294183.4 | 申請日： | 2020-11-18 |
| 公開（公告）號： | CN112434590A | 公開（公告）日： | 2021-03-02 |
| 發(fā)明（設計）人： | 艾未華;郭朝剛;劉茂宏;喬俊淇 | 申請（專利權）人： | 中國人民解放軍國防科技大學 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/46;G06K9/62;G06T5/10;G06N3/04;G06N3/08 |
| 代理公司： | 南京縱橫知識產權代理有限公司 32224 | 代理人： | 董建林 |
| 地址： | 211101 江*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 變換 sar 影像 條紋 識別 方法 | ||
1.一種基于小波變換的SAR影像風條紋識別方法，其特征是，包括如下步驟：
按預設空間分辨率對目標SAR影像切片處理，獲取不少于兩個SAR特征圖像；
對所述SAR特征圖像進行小波變換，提取所述SAR特征圖像的小波系數；
將所述小波系數輸入預先訓練好的卷積神經網絡，獲取所述小波系數的分類結果；
基于所述分類結果，判定與所述小波系數相對應的SAR特征圖像的風條紋是否明顯。
2.根據權利要求1所述的基于小波變換的SAR影像風條紋識別方法，其特征是，所述小波變換為二維Mexican-hat小波變換。
3.根據權利要求2所述的基于小波變換的SAR影像風條紋識別方法，其特征是，所述二維Mexican-hat小波變換，其計算公式如下：
式中，ψH(k)為小波母函數，k為二維空間—頻率域的變量，·為向量內積，e為自然常數。
4.根據權利要求1所述的基于小波變換的SAR影像風條紋識別方法，其特征是，所述預設空間分辨率包括10km×10km或5km×5km。
5.根據權利要求1所述的基于小波變換的SAR影像風條紋識別方法，其特征是，所述卷積神經網絡包括不少于一組交替分布的卷積層和池化層。
6.根據權利要求5所述的基于小波變換的SAR影像風條紋識別方法，其特征是，所述卷積層的計算公式如下：
式中，為第l層的第j個SAR特征圖像的小波系數，為卷積核函數，f()為激活函數，為加性偏置參數，Mj為輸入的SAR特征圖像小波系數的集合。
7.根據權利要求6所述的基于小波變換的SAR影像風條紋識別方法，其特征是，所述池化層的計算公式如下：
式中，down()下層采樣函數，為第l層的第j個SAR特征圖像小波系數的乘性偏置參數。
8.根據權利要求1所述的基于小波變換的SAR影像風條紋識別方法，其特征是，所述卷積神經網絡的訓練過程中，包括：
求取卷積神經網絡的實際輸出值與理想輸出值之間的誤差值；
利用所述誤差值按極小化誤差方法反向傳播調整所述卷積神經網絡中各權值和閾值。
9.根據權利要求8所述的基于小波變換的SAR影像風條紋識別方法，其特征是，所述極小化誤差方法，其計算公式如下：
W(t+1)＝W(t)+ηδ(t)x(t)，
式中，W(t+1)為t+1時刻權值，W(t)為t時刻權值，η為學習速率，x(t)為神經元的輸入，δ(t)為實際輸出值與理想輸出值之間的誤差值。
通過大量的訓練，優(yōu)化神經網絡模型參數，得到基于小波分析的星載SAR風條紋識別模型，并用于高效率和高準確性的識別海面風條紋。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中國人民解放軍國防科技大學，未經中國人民解放軍國防科技大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202011294183.4/1.html，轉載請聲明來源鉆瓜專利網。
