[發(fā)明專利]一種提高SAR圖像船只分類精度的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110563213.5
• 申請(qǐng)日: 2021-05-24
• 公開（公告）號(hào): CN113344046A
• 公開（公告）日: 2021-09-03
• 發(fā)明（設(shè)計(jì)）人: 張曉玲;鄭順心;張?zhí)煳?/a>;胥小我;師君;韋順軍
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 電子科技大學(xué)專利中心 51203
• 代理人: 曾磊

1.一種提高SAR圖像船只分類精度的方法，其特征是它包括以下幾個(gè)步驟：

步驟1、準(zhǔn)備數(shù)據(jù)集

獲得公知的OpenSARShip數(shù)據(jù)集，記為OSS；

在OSS數(shù)據(jù)集中，三類目標(biāo)中數(shù)量最少的類別為油船，一共有484個(gè)采樣，將其按照7:3的比例進(jìn)行訓(xùn)練集和測(cè)試集的劃分，即訓(xùn)練集338個(gè)采樣，測(cè)試集146個(gè)采樣；其他兩類目標(biāo)，即散貨船和集裝箱船，分別包含666個(gè)采樣和1146個(gè)采樣，它們訓(xùn)練集的數(shù)目和油船保持一致，即338個(gè)采樣，則散貨船和集裝箱船分別剩下328個(gè)采樣和808個(gè)采樣作為測(cè)試集；則油船的338個(gè)采樣、散貨船的666個(gè)采樣和集裝箱船的1146個(gè)采樣作為訓(xùn)練集，并記為Train，油船的146個(gè)采樣、散貨船的328個(gè)采樣和集裝箱船的808個(gè)采樣作為測(cè)試集，并記為Test；

在數(shù)據(jù)集輸入到網(wǎng)絡(luò)之前，對(duì)Train和Test中的圖像采用標(biāo)準(zhǔn)的圖像重采樣方法進(jìn)行重采樣，得到新的訓(xùn)練集和新的測(cè)試集，并將新的訓(xùn)練集記為Train_new，新的測(cè)試集記為Test_new；重采樣后新的訓(xùn)練集和新的測(cè)試集的大小為128×128，至此完成數(shù)據(jù)集的準(zhǔn)備；

步驟2、由經(jīng)典特征提取算子提取傳統(tǒng)特征

采用經(jīng)典的灰度特征提取方法、經(jīng)典的Canny邊緣特征提取方法、經(jīng)典的CornerHarris特征提取方法以及經(jīng)典的HOG特征提取方法，對(duì)Train_new和Test_new中的圖像分別進(jìn)行提取，得到相應(yīng)的四種特征：將Train_new中圖像對(duì)應(yīng)的四種特征分別記為F_Gray、F_Canny、F_CornerHarris和F_HOG；將Test_new中圖像對(duì)應(yīng)的四種特征分別記為F_Gray-test、F_Canny-test、F_{CornerHarris-test}和F_HOG-test，至此傳統(tǒng)特征提取完畢；

步驟3、對(duì)提取到的傳統(tǒng)特征進(jìn)行降維

采用經(jīng)典的PCA方法對(duì)步驟2中提取到的F_Gray、F_Canny、F_CornerHarris、F_HOG、F_Gray-test、F_Canny-test、F_{CornerHarris-test}和F_HOG-test分別進(jìn)行降維處理，得到降維后的特征分別記為F_Gray-PCA、F_Canny-PCA、F_{CornerHarris-PCA}、F_HOG-PCA、F_{Gray-PCA-test}、F_{Canny-PCA-test}、F_{CornerHarris-PCA-test}和F_HOG-PCA-test，至此，傳統(tǒng)特征降維完畢；

步驟4、搭建現(xiàn)有網(wǎng)絡(luò)

根據(jù)標(biāo)準(zhǔn)的網(wǎng)絡(luò)結(jié)構(gòu)導(dǎo)入方法，分別得到經(jīng)典的AlexNet、經(jīng)典的VGGNet-16、經(jīng)典的ResNet-50和經(jīng)典的DenseNet-121網(wǎng)絡(luò)結(jié)構(gòu)，分別重新命名為Conv_AlexNet、Conv_VGGNet-16、Conv_ResNet-50和Conv_DenseNet-121；

步驟5、對(duì)現(xiàn)有網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到訓(xùn)練好的網(wǎng)絡(luò)模型

步驟5.1網(wǎng)絡(luò)訓(xùn)練方法

見附圖1，首先，將步驟1中得到的Train_new輸入到步驟4得到的Conv_AlexNet網(wǎng)絡(luò)，經(jīng)過(guò)Conv_AlexNet卷積塊部分得到二維特征f_conv1，并將該二維特征采用采用標(biāo)準(zhǔn)的的flatten操作方法，得到它的一維特征形式，記為f_flatten1；

接著，將一維特征f_flatten1輸入到Conv_AlexNet全連接層部分，得到輸出的一維特征，記為f_flatten1-fc；

然后，采用經(jīng)典的Concatenate操作方法，將f_flatten1-fc和步驟3中的F_Gray-PCA進(jìn)行融合得到融合特征，并記為f_fusion1；

最后，將f_fusion1輸入到長(zhǎng)度為3的全連接層，并采用經(jīng)典的Softmax函數(shù)歸一化后，得到網(wǎng)絡(luò)的輸出；以經(jīng)典交叉熵?fù)p失函數(shù)作為損失函數(shù)，采用經(jīng)典的Adam算法進(jìn)行訓(xùn)練，訓(xùn)練完成后得到船只分類模型，記為model_AlexNet-Gray，至此該網(wǎng)絡(luò)訓(xùn)練過(guò)程完畢；

同理，將Train_new和步驟3中的F_Ganny-PCA、Train_new和步驟3中的F_{CornerHarris-PCA}、Train_new和步驟3中的F_HOG-PCA分別輸入到Conv_AlexNet，采用上述同樣的網(wǎng)絡(luò)訓(xùn)練方法，進(jìn)行訓(xùn)練，得到船只分類模型，分別記為model_{AlexNet-Canny}、model_{AlexNet-CornerHarris}和model_AlexNet-HOG；

步驟5.2

首先，將步驟1中得到的Train_new輸入到步驟4得到的Conv_VGGNet-16網(wǎng)絡(luò)，經(jīng)過(guò)Conv_VGGNet-16網(wǎng)絡(luò)卷積塊部分后，得到二維特征f_conv2；對(duì)二維特征f_conv2采用中標(biāo)準(zhǔn)的flatten操作方法，得到二維特征f_conv2的一維特征形式，記為f_flatten2；

接著，將一維特征f_flatten2輸入到Conv_AlexNet全連接層部分，得到輸出的一維特征，記為f_flatten2-fc；

然后，采用標(biāo)準(zhǔn)的Concatenate操作方法，將f_flatten2-fc和步驟3中的F_Gray-PCA進(jìn)行融合得到融合特征，并記為f_fusion2；

最后，將f_fusion2輸入到長(zhǎng)度為3的全連接層，并采用經(jīng)典的Softmax函數(shù)得到網(wǎng)絡(luò)的輸出，以經(jīng)典交叉熵?fù)p失函數(shù)作為目標(biāo)函數(shù)，采用經(jīng)典的Adam算法進(jìn)行訓(xùn)練；訓(xùn)練完成后得到船只分類模型，記為model_{VGGNet-16-Gray}，至此該網(wǎng)絡(luò)訓(xùn)練過(guò)程完畢；

同理，將Train_new和步驟3中的F_Ganny-PCA、Train_new和步驟3中的F_{CornerHarris-PCA}、Train_new和步驟3中的F_HOG-PCA分別輸入到Conv_AlexNet，采用上述同樣的網(wǎng)絡(luò)訓(xùn)練方法，進(jìn)行訓(xùn)練，得到船只分類模型，分別記為model_{AlexNet-Canny}、model_{AlexNet-CornerHarris}和model_AlexNet-HOG；

步驟5.3

首先，將步驟1中得到的Train_new輸入到到步驟4得到的Conv_AlexNet網(wǎng)絡(luò)，經(jīng)過(guò)Conv_ResNet-50卷積塊部分后，得到二維特征f_conv3，將該二維特征采用標(biāo)準(zhǔn)的flatten操作方法，得到它的一維特征形式，記為f_flatten3；

接著，將一維特征f_flatten3輸入到Conv_AlexNet全連接層部分，得到輸出的一維特征，記為f_flatten3-fc；

然后，采用標(biāo)準(zhǔn)的Concatenate操作方法，對(duì)f_flatten3-fc和步驟3中的F_Gray-PCA進(jìn)行融合得到融合特征，并記為f_fusion3；

最后，將f_fusion3輸入到長(zhǎng)度為3的全連接層，并采用經(jīng)典的Softmax函數(shù)得到網(wǎng)絡(luò)的輸出，以經(jīng)典交叉熵?fù)p失函數(shù)作為損失函數(shù)，并采用經(jīng)典的Adam算法進(jìn)行訓(xùn)練；訓(xùn)練完成后得到船只分類模型，記為model_{ResNet-50-Gray}，至此該網(wǎng)絡(luò)訓(xùn)練過(guò)程完畢；

同理，將Train_new和步驟3中的F_Ganny-PCA、Train_new和步驟3中的F_{CornerHarris-PCA}、Train_new和步驟3中的F_HOG-PCA分別輸入到Conv_AlexNet，采用上述同樣的網(wǎng)絡(luò)訓(xùn)練方法，進(jìn)行訓(xùn)練，得到船只分類模型，分別記為model_{AlexNet-Canny}、model_{AlexNet-CornerHarris}和model_AlexNet-HOG；

步驟5.4

首先，將步驟1中得到的Train_new輸入到Conv_DenseNet-121，經(jīng)過(guò)Conv_DenseNet-121卷積塊部分得到二維特征f_conv4，并將該二維特征采用標(biāo)準(zhǔn)的flatten操作方法展成一維特征形式，記為f_flatten4；

接著，將一維特征f_flatten4輸入到Conv_AlexNet全連接層部分，得到輸出的一維特征，記為f_flatten4-fc；

然后，采用標(biāo)準(zhǔn)的Concatenate操作方法，將f_flatten4-fc和步驟3中的F_Gray-PCA進(jìn)行融合得到融合特征，并記為f_fusion4；

最后，將f_fusion4輸入到長(zhǎng)度為3的全連接層，并采用經(jīng)典的Softmax函數(shù)得到網(wǎng)絡(luò)的輸出，以經(jīng)典交叉熵?fù)p失函數(shù)作為目標(biāo)函數(shù)，并采用經(jīng)典的Adam算法進(jìn)行訓(xùn)練；訓(xùn)練完成后得到船只分類模型，記為model_{DenseNet-121-Gray}，至此該網(wǎng)絡(luò)訓(xùn)練過(guò)程完畢；

同理，將Train_new和步驟3中的F_Ganny-PCA、Train_new和步驟3中的F_{CornerHarris-PCA}、Train_new和步驟3中的F_HOG-PCA分別輸入到Conv_AlexNet，采用上述同樣的網(wǎng)絡(luò)訓(xùn)練方法，進(jìn)行訓(xùn)練，得到船只分類模型，分別記為model_{AlexNet-Canny}、model_{AlexNet-CornerHarris}和model_AlexNet-HOG；

步驟6、測(cè)試船只分類模型

步驟6.1

首先，將步驟1中得到的Test_new輸入到步驟5.1中得到的model_AlexNet-Gray，經(jīng)過(guò)model_AlexNet-Gray卷積塊部分，得到二維特征f_conv1-test；對(duì)二維特征f_conv1-test采用標(biāo)準(zhǔn)flatten操作方法，得到他的一維特征形式，記為f_{flatten1-test}；

接著，將一維特征f_{flatten1-test}輸入到model_AlexNet-Gray全連接層部分，得到輸出的一維特征，記為f_{flatten1-test-fc}；

然后，采用標(biāo)準(zhǔn)的Concatenate操作方法，將f_{flatten1-test-fc}和步驟3中的F_{Gray-PCA-test}進(jìn)行融合得到融合特征，并記為f_fusion1-test；

最后，將f_fusion1-test輸入到長(zhǎng)度為3的全連接層部分，采用經(jīng)典的Softmax函數(shù)得到網(wǎng)絡(luò)的輸出，定義為網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，記為result_AlexNet-Gray，至此該網(wǎng)絡(luò)測(cè)試過(guò)程完畢；

同理，將Test_new和步驟3中的F_{Ganny-PCA-test}、Test_new和步驟3中的F_{CornerHarris-PCA-test}、Test_new和步驟3中的F_HOG-PCA-test分別輸入到步驟5.1中得到的model_{AlexNet-Canny}、model_{AlexNet-CornerHarris}和model_AlexNet-HOG中，采用上述同樣的網(wǎng)絡(luò)測(cè)試方法，進(jìn)行網(wǎng)絡(luò)測(cè)試，得到所測(cè)試網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果，分別記為result_{AlexNet-Canny}、result_{AlexNet-CornerHarris}和result_AlexNet-HOG；

步驟6.2

首先，將步驟1中得到的Test_new輸入到model_{VGGNet-16-Gray}，經(jīng)過(guò)model_{VGGNet-16-Gray}卷積塊部分得到二維特征f_conv2-test，并將該二維特征采用標(biāo)準(zhǔn)的flatten操作方法，得到它的一維特征形式，記為f_{flatten2-test}；

接著，將一維特征f_{flatten2-test}輸入到model_{VGGNet-16-Gray}全連接層部分，得到輸出的一維特征，記為f_{flatten2-test-fc}；

然后，采用Concatenate操作方法，將f_{flatten2-test-fc}和步驟3中的F_{Gray-PCA-test}進(jìn)行融合得到融合特征，并記為f_fusion2-test；

最后，將f_fusion2-test輸入到長(zhǎng)度為3的全連接層部分，采用經(jīng)典的Softmax函數(shù)得到網(wǎng)絡(luò)的輸出，定義為網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，記為result_{VGGNet-16-Gray}，至此該網(wǎng)絡(luò)測(cè)試過(guò)程完畢；

同理，將Test_new和步驟3中的F_{Ganny-PCA-test}、Test_new和步驟3中的F_{CornerHarris-PCA-test}、Test_new和步驟3中的F_HOG-PCA-test分別輸入到步驟5.2中得到的model_{VGGNet-16-Canny}、model_{VGGNet-16-CornerHarris}和model_{VGGNet-16-HOG}中，采用上述同樣的網(wǎng)絡(luò)測(cè)試方法，進(jìn)行網(wǎng)絡(luò)測(cè)試，得到所測(cè)試網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果，分別記為result_{VGGNet-16-Canny}、result_{VGGNet-16-CornerHarris}和result_{VGGNet-16-HOG}；

步驟6.3

首先，將Test_new輸入到步驟5.3中得到的model_{ResNet-50-Gray}，經(jīng)過(guò)model_{ResNet-50-Gray}卷積塊部分得到二維特征f_conv3-test，并將該二維特征采用標(biāo)準(zhǔn)的flatten操作方法，得到它的一維特征形式，記為f_{flatten3-test}；

接著，將一維特征f_{flatten3-test}輸入到model_{ResNet-50-Gray}全連接層部分，得到輸出的一維特征，記為f_{flatten3-test-fc}；

然后，采用Concatenate操作方法，將f_{flatten3-test-fc}和步驟3中的F_Gray-PCA進(jìn)行融合得到融合特征，并記為f_fusion3-test；

最后，將f_fusion3-test輸入到長(zhǎng)度為3的全連接層部分，并采用經(jīng)典的Softmax函數(shù)得到網(wǎng)絡(luò)的輸出，定義為網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，記為result_{ResNet-50-Gray}，至此該網(wǎng)絡(luò)測(cè)試過(guò)程完畢；

同理，將Test_new和步驟3中的F_{Ganny-PCA-test}、Test_new和步驟3中的F_{CornerHarris-PCA-test}、Test_new和步驟3中的F_HOG-PCA-test分別輸入到步驟5.3中，采用上述同樣的網(wǎng)絡(luò)測(cè)試方法，進(jìn)行網(wǎng)絡(luò)測(cè)試，得到所測(cè)試網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果，分別記為result_{ResNet-50-Canny}、result_{ResNet-50-CornerHarris}和result_{ResNet-50-HOG}；

步驟6.4

首先，將Test_new輸入到步驟5.4中得到的model_{DenseNet-121-Gray}，經(jīng)過(guò)model_{DenseNet-121-Gray}卷積塊部分，得到二維特征f_conv4-test，并將該二維特征采用flatten操作方法，得到它的一維特征形式，記為f_{flatten4-test}；

接著，將一維特征f_{flatten4-test}輸入到model_{DenseNet-121-Gray}全連接層部分，得到輸出的一維特征，記為f_{flatten4-test-fc}；

然后，采用標(biāo)準(zhǔn)的Concatenate操作方法，將f_{flatten4-test-fc}和步驟3中的F_Gray-PCA進(jìn)行融合得到融合特征，并記為f_fusion4-test；

最后，將f_fusion4-test輸入到長(zhǎng)度為3的全連接層部分，并采用經(jīng)典的Softmax函數(shù)得到網(wǎng)絡(luò)的預(yù)測(cè)結(jié)采用上述同樣的網(wǎng)絡(luò)測(cè)試方法，進(jìn)行網(wǎng)絡(luò)測(cè)試，得到所測(cè)試網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果，記為result_{DenseNet-121-Gray},至此該網(wǎng)絡(luò)測(cè)試過(guò)程完畢；

同理，將Test_new和步驟3中的F_{Ganny-PCA-test}、Test_new和步驟3中的F_{CornerHarris-PCA-test}、Test_new和步驟3中的F_HOG-PCA-test分別輸入到步驟5.4中得到的model_{DenseNet-121-Canny}、model_{DenseNet-121-CornerHarris}和model_{DenseNet-121-HOG}中，采用上述同樣的網(wǎng)絡(luò)測(cè)試方法，進(jìn)行網(wǎng)絡(luò)測(cè)試，得到所測(cè)試網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果分別記為result_{DenseNet-121-Canny}、result_{DenseNet-121-CornerHarris}和result_{DenseNet-121-HOG}；

步驟7、船只分類準(zhǔn)確率評(píng)估

對(duì)于步驟6.1至步驟6.4得到的網(wǎng)絡(luò)預(yù)測(cè)結(jié)果result_AlexNet-Gray、result_{AlexNet-Canny}、result_{AlexNet-CornerHarris}、result_AlexNet-HOG、result_{VGGNet-16-Gray}、result_{VGGNet-16-Canny}、result_{VGGNet-16-CornerHarris}、、result_{VGGNet-16-HOG}、result_{ResNet-50-Gray}、result_{ResNet-50-Canny}、result_{ResNet-50-CornerHarris}、result_{ResNet-50-HOG}、result_{DenseNet-121-Gray}、result_{DenseNet-121-Canny}、result_{DenseNet-121-CornerHarris}和result_{DenseNet-121-HOG}，采用標(biāo)準(zhǔn)的準(zhǔn)確率評(píng)估方法進(jìn)行評(píng)估，得到船只分類準(zhǔn)確率評(píng)估結(jié)果。