[發明專利]一種基于融合頻域和空間域網絡模型的SAR圖像識別方法

有效

• 申請號: 202110220080.1
• 申請日: 2021-02-26
• 公開（公告）號: CN112926457B
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 李雪松;李曉冬;杜記川;羅子娟;吳蔚;楊東
• 申請（專利權）人: 中國電子科技集團公司第二十八研究所
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/48;G06V10/77;G06V10/764;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 胡建華

本發明屬于圖像識別技術領域，公開了一種基于融合頻域和空間域網絡模型的SAR圖像識別方法，包括步驟：將原始空間域圖像轉換為頻域圖像；頻域圖像進行信道選擇獲取有效頻域信號；將有效頻域信號輸入到頻域主干網絡提取頻域特征；將原始空間域圖像輸入到空間域主干網絡，提取出空間域特征；通過網絡模型融合空間域特征和頻域特征；對融合后的特征輸入到分類器中，實現SAR圖像中目標的識別分類。本發明設計了一種端到端的融合頻域和空間域的網絡模型，不僅考慮SAR圖像的空間域的像素特征，還針對SAR區別于可見光的成像特性，提取出SAR圖像的頻域特征，通過融合空間域特征和頻域特征，能夠進一步提升SAR圖像識別模型的有效性和魯棒性。

技術領域

本發明屬于計算機圖像識別技術領域，具體涉及了一種基于融合頻域和空間域網絡模型的SAR圖像識別方法。

背景技術

合成孔徑雷達(Synthetic Aperture Radar，SAR)圖像識別利用目標的特征信息將特定目標區分出來，實現SAR影像的解譯和分析。

SAR圖像目標識別被廣泛應用在軍事領域、資源勘探和環境監測等方面。相較于可見光圖像和紅外圖像，SAR圖像具有全天候、穿透性強以及圖像信息更加豐富等特點。一方面，由于SAR圖像是通過目標的微波反射來成像；另一方面，SAR圖像一般包含大量的噪聲干擾和幾何形變。因此，SAR圖像的目標識別非常具有挑戰性。

SAR圖像識別吸引了一大批的國內外學者進行研究。傳統的SAR圖像識別的框架包含以下幾個步驟：(1)圖像預處理模塊：SAR圖像通常會存在相干斑噪聲，這些噪聲干擾會影響圖像識別的性能，圖像預處理模塊的功能是對這些噪聲進行抑制；(2)特征提取模塊：特征的提取和選擇對目標識別的性能起到關鍵性影響，SAR目標特征主要包括幾何特征、散射特征和變換特征；(3)分類識別模塊：將提取的特征通過分類器映射到特征空間實現目標分類識別。隨著深度學習方法在計算機視覺領域的深入研究和廣泛應用，許多深度神經網絡模型被遷移應用到SAR圖像識別中，取得了比傳統方法更好的效果。這主要是因為傳統方法依賴于人工設計的特征提取器，需要有專業的知識背景和復雜的調參過程，并且每個方法僅針對具體應用和固定場景，模型的泛化性能和魯棒性較差。而深度學習是通過構建深層的神經網絡結構以數據驅動的方式進行特征提取，根據大量樣本的學習能夠得到深層的、跟任務密切相關的特征表示，其對數據集的表達更高效和準確，所提取的抽象特征泛化能力更好，并且通過端到端的方式模型魯棒性更強。

雖然一些可見光圖像識別的深度學習方法在SAR圖像識別領域同樣取得了不錯的性能，但是SAR圖像與可見光圖像存在一些差異：一方面，SAR圖像每個像素的復數數據可通過頻域變換提取相應的振幅和相位信息。振幅信息與可見光圖像的灰度信息有很大的相關性，它是地面目標對雷達波的后向散射強度；相位信息是傳感器與地面目標的往返傳播距離。另一方面，可見光圖像識別模型通常僅考慮空間域的像素點以及像素點之間關系的高階特征建模，而未考慮SAR圖像以及待識別目標的特性，例如背景強散射雜波的不均勻性等。因此，僅考慮空間域的特征提取和模型構建，不太適用于SAR圖像識別。

在實現本發明過程中，發明人發現現有技術中至少存在如下問題：SAR圖像由于其成像的特性，不僅可以獲得空域的幅度圖像，還包含頻域的后向散射特性。大多數現有的深度學習方法僅搭建網絡模型建模SAR目標的空域特性，未挖掘出SAR圖像的頻域特性，造成了關鍵信息的損失。一些深度學習方法雖然也挖掘了SAR圖像的頻域特性，但是未驗證頻域信號的有效性。一方面，由于空間域圖像中存在背景信息，背景信息轉換的頻域信號和前景信息轉換的頻域信號分布在不同頻域通道，即存在一部分頻域通道的信號為噪聲信息，不利于SAR圖像的識別；另一方面，SAR圖像存在有相干斑噪聲，也分布于不同的頻域通道，會干擾SAR圖像的識別性能。因此，如何分離出有效頻域信號至關重要。

發明內容