[發明專利]基于改進神經網絡的復數SAR圖像目標識別方法

有效

• 申請號: 202110769105.3
• 申請日: 2021-07-07
• 公開（公告）號: CN113537020B
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 冷祥光;雷禹;孫忠鎮;計科峰;熊博蒞;唐濤;趙凌君;雷琳;張思乾;孫浩
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/82;G06V10/774;G06N3/04;G06N3/08
• 代理公司: 長沙國科天河知識產權代理有限公司 43225
• 代理人: 邱軼

本申請涉及一種基于改進神經網絡的復數SAR圖像目標識別方法。所述方法包括：通過利用SAR圖像特有的復數信息生成三通道的SAR圖像，同時基于通道注意力機制模塊和殘差網絡進行構建的目標識別神經網絡可以自適應關注各通道的有用特征，來提高SAR圖像目標識別的準確率，利用三通道的SAR圖像對構建目標識別神經網絡進行訓練，使得訓練好的神經網絡可有效利用SAR圖像的復數信息并對于目標相關的特征進行提取，以提高SAR圖像目標識別的準確率。

技術領域

本申請涉及雷達圖像處理技術領域，特別是涉及一種基于改進神經網絡的復數SAR圖像目標識別方法。

背景技術

合成孔徑雷達(Synthetic Aperture Radar，SAR)采用微波相干成像，因此SAR圖像本質上是復值的，在像素信息量上SAR圖像更加豐富，這也是其和普通光學紅外遙感圖像顯著不同之處。因其可以全天時、全天候的獲取二維高分辨圖像，是目前世界各國進行海上目標監測的重要手段。

當前SAR圖像艦船目標識別方法可以總結為:1)基于有效特征提取的識別方法。通過提取有效特征可以從不同角度描述圖像中目標特性，再選擇有效的分類方法進行目標識別。目前特征表達方法主要分為空間特征、統計特征、變換域特征和代數特征。2)基于特征融合的識別方法。進行特征融合可以增加圖像的特征信息，實現更加全面的特征表達。3)基于模型匹配的識別方法。根據訓練圖像獲取模型預測特征，再通過匹配模型的預測特征和圖像的提取特征來實現目標識別。4)基于SAR成像原理和地物電磁散射機理的識別方法。使用目標的強散射信息，SAR數據中方位不變性等特征來提高分類識別精度。5)基于深度學習的識別方法。隨著深度學習方法的快速發展，已經廣泛的應用到目標識別的領域中，通過使用無監督或監督學習方法的機器學習特征建立低級特征和高級語義之間的關系大大提升了目標識別的準確性，也充分體現了深度學習在目標識別中的巨大優勢和潛力。

近年來，CNN、FCN等深度學習框架用于SAR圖像目標識別中，都取得了較好的結果。但目前應用于SAR圖像識別的深度學習框架，都是針對其幅度信息，需要將復數SAR圖像投影到以幅度為代表的實數域中，無法有效利用SAR圖像特有的復數信息。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠有效提高SAR圖像目標識別準確率的基于改進神經網絡的復數SAR圖像目標識別方法。

一種基于改進神經網絡的復數SAR圖像目標識別方法，所述方法包括：

獲取多個復數SAR樣本圖像，分別提取各所述復數SAR樣本圖像的實部圖像、虛部圖像以及幅度圖像并進行重組得到，與各所述復數SAR樣本圖像對應的三通道SAR樣本圖像，并根據各所述三通道SAR樣本圖像構建樣本數據集；

對所述樣本數據集進行標準化處理，得到樣本數據集的數據均值和數據標準差；

構建通道注意力機制模塊與殘差網絡相結合的目標識別神經網絡，并根據所述數據均值和數據標準差對所述目標識別神經網絡進行參數設置，再將樣本數據集輸入所述目標識別神經網絡進行訓練，得到已訓練的目標識別神經網絡；

獲取待識別的復數SAR圖像，提取所述復數SAR圖像的實部圖像、虛部圖像以及幅度圖像并進行融合得到與復數SAR圖像對應的三通道SAR圖像；

將所述三通道SAR圖像輸入已訓練的目標識別神經網絡，進行目標識別。

在其中一實施例中，在對所述復數SAR樣本圖像的實部圖像、虛部圖像以及幅度圖像進行重組時保留原始灰度。

在其中一實施例中，采用標準分數方法進行對所述樣本數據集進行標準化處理。

在其中一實施例中，所述構建通道注意力機制模塊與殘差網絡相結合的目標識別神經網絡包括：

將所述通道注意力機制模塊連接至殘差網絡中的各殘差學習單元“identity”分支上以構建所述目標識別神經網絡。