基于卷积神经网络的SAR图像海洋目标分类检测方法技术

本发明专利技术公开了一种基于卷积神经网络的SAR图像海洋目标分类检测方法，包括以下几个步骤：步骤一：将含有海洋目标的SAR单视复图像转换为进行功率图像转换并量化；步骤二：将量化后的功率图像进行分割，加注样本类别的标签后构建训练集建立数据集；步骤三：对训练集数据集去均值处理；步骤四：建立卷积神经网络模型；步骤五：使用训练集训练卷积神经网络模型；步骤六：将待分类切片输入卷积神经网络模型，得到分类检测结果。本发明专利技术具有可靠性强、泛化能力强、计算复杂度低，实用性强、应用范围广等特点。

【技术实现步骤摘要】
基于卷积神经网络的SAR图像海洋目标分类检测方法
本专利技术涉及一种基于卷积神经网络的SAR图像海洋目标分类检测方法，属于图像处理与计算机视觉领域。
技术介绍
合成孔径雷达起源于军事应用，发展于20世纪50年代，是一种主动式对地观测系统。合成孔径雷达可以不受气候、天气、光照等条件影响，对地进行全天候、全天时的观测，其广泛应用于：农业、土壤湿度、林业、地质、水文、洪水和海洋监测、海洋学、舰船和浮油探测、冰雪探测、地表覆盖测绘、高度测绘和地球变化检测等方面。近十年以来，卷积神经网络得到了极大的发展，卷积神经网络通过卷积层，池化层，激活函数，全连接层，分类器等结构，将特征提取、特征选择和特征分类融合在同一模型中，采用逐层训练策略，优化网络参数，得到训练模型，进而对输入图像进行分类检测。目前，大部分针对SAR海洋目标分类算法多基于传统的分类算法如支持向量机、K最近邻分类和决策树等算法，分类准确率较低。很多基于卷积神经网络的海洋目标分类算法的样本类别和样本数量较少，网络结构不合理，导致算法实用性较低且分类效果较差。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术中的以上一个或多个缺陷，提出一种基于卷积神经网络的SAR图像海洋目标分类检测方法，该方法对高分辨率SAR图像进行预处理，将海洋目标划分为多个类别，建立SAR海洋目标数据集，通过分析海洋目标的特征，构建卷积神经网络架构，基于数据集对卷积神经网络模型进行训练，最后将待测图像输入卷积神经网络模型，输出分类检测结果。本专利技术提出了一种基于卷积神经网络的SAR图像海洋目标分类检测方法，具体包括以下几个步骤：步骤一：将含有海洋目标的SAR单视复图像转换为功率图像，并进行量化；步骤二：将量化后的功率图像分割获取切片样本，加注样本类别的标签后构建训练集ψ；步骤三：计算训练集的均值得到去均值后的训练集Φ；步骤四：建立卷积神经网络模型该网络结构包含五层卷积层conv1、conv2、conv3、conv4、conv5，三层池化层pooling1、pooling2、pooling3，两层全连接层fc1、fc2和softmax分类器；步骤五：将所述去均值后的训练集Φ输入卷积神经网络模型采用随机梯度下降法对网络模型进行训练，得到最佳的网络参数；步骤六：将待分类切片去均值，输入训练好的卷积神经网络模型中，得到分类预测结果实施本专利技术的基于卷积神经网络的SAR海洋目标分类检测方法，具有以下有益效果：(1)本专利技术提出的基于卷积神经网络的SAR海洋目标分类检测方法的可靠性强。该方法将特征提取、特征选择和特征分类融合在同一模型中，通过端到端的训练，提升了海洋目标分类检测结果的准确性。(2)本专利技术提出的基于卷积神经网络的SAR海洋目标分类检测方法的泛化能力强，计算复杂度低。该卷积神经网络结构较简单，仅有五层卷积层，不易导致模型过拟合。(3)本专利技术提出的基于卷积神经网络的SAR海洋目标分类检测方法的实用性强。本专利技术将待测图像直接输入训练好的网络模型即可获取预测结果。(4)本专利技术提出基于卷积神经网络的SAR海洋目标分类检测方法的应用范围广、可移植性强。该方法覆盖了主要的海洋目标类别，由于每一类海洋目标的雷达散射特性相似，因此该方法适用于不同SAR系统的海洋目标图像。附图说明图1是本专利技术提出的基于卷积神经网络的SAR海洋目标分类检测方法流程图；图2a～2f为本专利技术所提出的六种海洋典型目标散射特性图；图3是本专利技术使用的卷积神经网络结构图；图4是本专利技术实施例中所使用的高分三号海洋目标功率图像样例；图5是本专利技术实施例中的待测海洋目标切片样例；图6是本专利技术实施例中的海洋目标切片分类预测结果。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，为根据本专利技术基于卷积神经网络的SAR图像海洋目标分类检测方法的流程图。如图1所示，该方法包括以下几个步骤：S1、执行步骤一：将含有海洋目标的SAR单视复图像转换为功率图像，并进行量化；具体为：(1)设C(k)为第k幅待处理的SAR单视复图像，如图2所示，大小为X×Y，和分别是C(k)的实部和虚部，则通过以下公式获取功率图像：其中，A(k)为公式(1)计算之后得到的功率图像，k(k＝1,2,…,N)表示单视复图像序号，i(i＝1,2,…,X)，j(j＝1,2,…,Y)为图像的二维坐标。(2)通过以下公式对功率图像进行量化，将图像的幅值限制在0～1之间；具体为：式中，S(k)为量化后的功率图像，T表示量化阈值，根据经验值取128。S2、执行步骤二：将步骤一生成的量化后的功率图像，即含有海洋目标的高分辨率SAR图像分割获取切片样本，加注包含样本类别的标签，建立训练集ψ；具体为：将含有海洋目标的高分辨率SAR图像S(k)分割为128×128大小切片，根据不同海洋目标的散射特性，判定样本的类别，包括小船，油轮、集装箱轮、风机、铁塔和货轮，加注标签，建立训练集。样本图片如图2a～图2f所示，其中图2a为货轮，图2b为小船，图2c为集装箱轮，图2d为铁塔，图2e为油轮，图2f为风机。S3、执行步骤三：计算训练集的均值得到去均值后的训练集Φ；具体为：式中i(i＝1,2,…,N)表示训练集中的样本集切片样本序号；N为训练集中切片样本数目；，ψ(i)表示第i个切片样本的平均灰度值；Φ(i)表示第i个切片样本去均值后的灰度值。S4、执行步骤四：建立卷积神经网络模型如附图3所示。该网络结构包含五层卷积层conv1、conv2、conv3、conv4、conv5，三层池化层pooling1、pooling2、pooling3，两层全连接层fc1、fc2和softmax分类器。第一层为卷积层conv1，卷积核大小为6×6，滑动步长为2，对输入图片进行卷积操作，输出32个62×62的特征图到池化层pooling1。第二层为池化层pooling1，池化尺度为3×3，滑动步长为2，池化方式为最大池化，输出32个池化后32×32的特征图到卷积层conv2。第三层为卷积层conv2，卷积核大小为5×5，滑动步长为1，对输入特征图进行卷积操作，输出64个28×28的特征图到池化层pooling2。第四层为池化层pooling2，池化尺度为3×3，滑动步长为2，对输入特征图进行最大池化，输出64个池化后14×14的特征图到卷积层conv3。第五层为卷积层conv3，卷积核大小为3×3，滑动步长为1，对输入的特征图进行卷积操作，输出128个卷积后的特征图到卷积层conv4。第六层为卷积层conv4，卷积核大小为3×3，滑动步长为1，对输入的特征图进行卷积操作，输出128个卷积后14×14的特征图到卷积层conv5。第七层为卷积层conv5，卷积核大小为3×3，滑动步长为1，对输入的特征图进行卷积操作，输出128个卷积后14×14的特征图到池化层pooling3。第八层为池化层pooling3，池化尺度为3×3，滑动步长为2，对输本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的SAR图像海洋目标分类检测方法，其特征在于，包括以下步骤：步骤一：将含有海洋目标的SAR单视复图像转换为功率图像，并进行量化；步骤二：将量化后的功率图像分割获取切片样本，加注样本类别的标签后构建训练集ψ；步骤三：计算训练集的均值

【技术特征摘要】
1.一种基于卷积神经网络的SAR图像海洋目标分类检测方法，其特征在于，包括以下步骤：步骤一：将含有海洋目标的SAR单视复图像转换为功率图像，并进行量化；步骤二：将量化后的功率图像分割获取切片样本，加注样本类别的标签后构建训练集ψ；步骤三：计算训练集的均值得到去均值后的训练集Φ；步骤四：建立卷积神经网络模型该网络结构包含五层卷积层conv1、conv2、conv3、conv4、conv5，三层池化层pooling1、pooling2、pooling3，两层全连接层fc1、fc2和softmax分类器；步骤五：将所述去均值后的训练集Φ输入卷积神经网络模型采用随机梯度下降法对网络模型进行训练，得到最佳的网络参数；步骤六：将待分类切片去均值，输入训练好的卷积神经网络模型中，得到分类预测结果2.根据权利要求1所述的基于卷积神经网络的SAR海洋目标分类检测方法，其特征在于，所述的步骤一包括：(1)设C(k)为第k幅待处理的SAR单视复图像，大小为X×Y，和分别是C(k)的实部和虚部，则通过以下公式获取功率图像：其中，A(k)为计算之后得到的功率图像，k(k＝1,2,…,N)表示单视复图像序号，i(i＝1,2,…,X)，j(j＝1,2,…,Y)为图像的二维坐标；(2)通过以下公式对功率图像进行量化，将图像的幅值限制在0～1之间：式中，S(k)为量化后的功率图像，T表示量化阈值。3.根据权利要求1所述的基于卷积神经网络的SAR海洋目标分类检测方法，其特征在于，所述步骤二具体为：将步骤一生成的量化后的功率图像S(k)分割为128×128大小切片，根据不同海洋目标的散射特性，判定样本类别，所述样本类别包括小船、油轮、集装箱轮、风机、铁塔和货轮，加注包含样本类别的标签后构建训练集ψ。4.根据权利要求1所述的基于卷积神经网络的SAR海洋目标分类检测方法，其特征在于，所述步骤三通过以下公式计算训练集ψ的均值并得到去均值后的训练集Φ；式中i表示训练集中的切片样本序号，且i＝1,2,…,N，N为训练集中切片样本数目，ψ(i)表示第i个切片样本的平均灰度值；Φ(i)表示第i个切片样本去均值后的灰度值。5.根据权利要求1～4中任一项所述的基于卷积神经网络的SAR海洋目标分类检测方法，其特征在于，所述步骤四中建立的卷积神经网络模型包括：第一层：卷积层conv1，卷积核大小为6×6，滑动步长为2，对输入图片进行卷积操作，输出32个62×62的特征图到池化层pooling1；第二层：池化层pooling1，池化尺度为3×3，滑动步长为2，池化方式为最大池化，输出32个池化后32×32的特征图到卷积层conv2；第三层：卷积层conv2，卷积核大小为5×5，滑动步长为1，对输入特征图进行卷积操作，输出64个28×28的特征图到池化层pooling2；第四层：池化层pooling2，池化尺度为3×3，滑动步长为2，对输入特征图进行最大池化，输...

【专利技术属性】
技术研发人员：陈杰，马梦原，杨威，李春升，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11