基于深度置信网络的SAR图像目标识别方法技术

本发明专利技术公开了一种基于深度置信网络的SAR图像目标识别方法。其步骤为：(1)获取待识别图像样本；(2)滤波；(3)提取特征；(4)训练深度置信网络DBN；(5)目标识别；本发明专利技术采用深度置信网络，将多种参数结合起来作为输入，能够有效地解决现有技术中仅采用SAR图像的单一特征，不足以表征更全面的目标信息和利用浅层学习方法时，依赖大量人工工作导致速度慢的问题，本发明专利技术具有结合图像多种特征，获取更丰富更深层的目标信息，提高SAR图像目标识别精度的优点。

【技术实现步骤摘要】

本专利技术属于图像处理
，更进一步涉及目标识别
中的一种基于深度置信网络的合成孔径雷达(SyntheticApertureRadar，SAR)目标识别方法。本专利技术针对SAR图像，采用深度置信网络，从而实现对SAR图像目标的自动识别并有效的提高SAR图像目标识别精度。
技术介绍
随着SAR成像技术的完善和SAR数据级数倍的增加，从大量数据以及复杂的地物场景中获取并识别各类军事目标成为了研究热点。目前关于SAR图像目标识别方面的论文专利非常多，从采取的技术路线来看，这些方法在图像预处理，特征提取，分类器设计方面各不同。有的是基于模板匹配的SAR自动目标识别方法，有的使用核主成分分析(KernelPrincipalComponentAnalysis，KPCA)来提取目标SAR图像特征，再利用支撑向量机(SupportVectorMachine，SVM)进行识别分类，还有一些基于稀疏表示的识别方法。这些方法均属于浅层学习范畴，主要依赖于特征提取，需要大量人工工作，而且仅采用SAR图像的单一特征，不足以表征更全面的目标信息，导致识别率不高。最近深度学习在各个领域发展的如火如荼。已经在图像分割、人脸识别、目标检测等方面取得了很好的效果。电子科技大学在其申请的专利“一种合成孔径雷达自动目标识别的方法”(专利申请号：201210338630.0，授权公告号：CN102902979B)中提出了一种合成孔r>径雷达自动目标识别的方法。该方法首先进行初始化数据，构造相似化矩阵和差异性矩阵，然后利用基于最大边缘准则计算目标矩阵，再计算投影矩阵并对训练和测试样本提取特征，最后根据最近邻分类器对测试样本进行分类。该方法存在的不足之处是，当训练样本数目较多、图像尺寸大时，计算复杂度明显增大，导致计算时间长，实时性差。SizheChen,HaipengWang,在其发表的论文“SARTargetRecognitionBasedonDeepLearning”(DataScienceandAdvancedAnalytics(DSAA),2014InternationalConferenceon.IEEE,2014)中提出了一种基于深度学习的SAR目标识别方法，该方法首先利用无监督学习进行预训练，得到卷积神经网络(convolutionNeuralNets，CNN)的卷积核及偏置参数，用所学到的参数初始化CNN网络，最后使用训练样本训练网络，用测试样本完成分类识别。该方法存在的不足之处是，由于所采用的卷积神经网络只有一层，没有提取到更深层次的特征，导致识别率不高。
技术实现思路
本专利技术的目的是针对上述现有技术存在的不足，提出了一种基于深度置信网络的SAR图像目标识别方法。本专利技术与现有技术中其他SAR目标识别技术相比，识别率高，适应性强。本专利技术实现的具体步骤包括如下：(1)获取待识别图像样本；(1a)从MSTAR数据集中任意获取已知类别标签的SAR图像作为训练样本集；(1b)从MSTAR数据集中任意获取不同于训练样本的已知类别标签的SAR图像作为测试样本集；(2)滤波：对训练样本集和测试样本集中每个样本进行中值滤波，得到滤波后的训练样本集和测试样本集；(3)提取特征：(3a)对滤波后的训练样本集及测试样本集中的每个样本xk，进行轮廓波变换，得到41个子带图像，将41个子带图像全部投影到水平、垂直和两个对角线方向，得到164个投影向量，将164个投影向量的均值和方差组成一个向量，作为样本xk的轮廓波特征向量；(3b)对样本xk进行归一化处理,得到图像利用曲线波变换方法，提取图像的低频子带系数，得到图像的低频子带图像采用形态学处理方法，去除图像的背景冗余，将形态学处理后的图像拉伸成向量作为样本xk的曲线波特征向量；(3c)对样本xk下采样，得到32×32大小的图像将图像拉伸成1024维向量，得到样本xk的原始特征向量；(3d)将样本xk的原始特征向量、轮廓波特征向量与曲线波特征向量首尾连接，得到样本xk的特征向量A；(4)训练深度置信网络DBN：(4a)将滤波后训练样本集中所有样本xk的特征向量A输入三层高斯限制玻尔兹曼机GRBM中，对三层高斯限制玻尔兹曼机GRBM进行训练，得到并保存三层高斯限制玻尔兹曼机GRBM的参数及输出向量；(4b)将输出向量输入到softmax分类器中，训练softmax分类器；(4c)利用反向传播方法，对整个深度置信网络DBN进行微调,得到训练好的深度置信网络DBN；(5)目标识别：将滤波后测试样本集中所有样本xk的特征向量A输入到训练好的深度置信网络DBN中进行识别，得到样本xk的识别标签yk。本专利技术与现有技术相比具有以下优点：第一、由于本专利技术将合成孔径雷达SAR图像原始数据下采样得到将样本xk的原始特征向量、轮廓波特征向量与曲线波特征向量首尾连接，，形成新的合成特征，克服了现有技术中仅采用SAR图像的单一特征，不足以表征更全面的目标信息，导致识别率不高的问题，使得本专利技术能全面细致地描述图像特征，提高目标识别正确率。第二、由于本专利技术采用基于深度置信网络的SAR图像目标识别方法，通过训练深度置信网络DBN，得到三层高斯限制玻尔兹曼机GRBM的输出向量，克服了现有技术中利用浅层学习方法，依赖大量人工工作导致速度慢，实时性差的问题，使得本专利技术能自动学习图像更深层次的特征，降低了计算量和复杂度。附图说明图1是本专利技术的流程图；图2是本专利技术输入的部分MSTAR目标图像；具体实施方式下面结合附图对本专利技术做进一步的描述。参照图1，本专利技术实现的具体步骤如下：步骤1，获取待识别图像样本。从MSTAR数据集中任意获取已知类别标签的SAR图像作为训练样本集。从MSTAR数据集中任意获取不同于训练样本的已知类别标签的SAR图像作为测试样本集。步骤2，滤波。对训练样本集和测试样本集中每个样本进行中值滤波，得到滤波后的训练样本集和测试样本集。设定中值滤波模板的大小为3×3像素，将该滤波模板中心与每个样本图像中所有像素位置分别重合，读取模板下各对应像素的灰度值，将这些灰度值从小到大排列，取这一列的中间数据的灰度值，将其赋给对应模板中心位置的像素。遍历整个图像得到滤波后的样本。步骤3，提取特征。第1步，对滤波后的训练样本集及测试样本集中的每个样本xk，进行轮廓波变换，其中本文档来自技高网...

【技术保护点】
一种基于深度置信网络的SAR图像目标识别方法，包括如下步骤：(1)获取待识别图像样本；(1a)从MSTAR数据集中任意获取已知类别标签的SAR图像作为训练样本集；(1b)从MSTAR数据集中任意获取不同于训练样本的已知类别标签的SAR图像作为测试样本集；(2)滤波：对训练样本集和测试样本集中每个样本进行中值滤波，得到滤波后的训练样本集和测试样本集；(3)提取特征：(3a)对滤波后的训练样本集及测试样本集中的每个样本xk，进行轮廓波变换，得到41个子带图像，将41个子带图像全部投影到水平、垂直和两个对角线方向，得到164个投影向量，将164个投影向量的均值和方差组成一个向量，作为样本xk的轮廓波特征向量；(3b)对样本xk进行归一化处理,得到图像利用曲线波变换方法，提取图像的低频子带系数，得到图像的低频子带图像采用形态学处理方法，去除图像的背景冗余，将形态学处理后的图像拉伸成向量作为样本xk的曲线波特征向量；(3c)对样本xk下采样，得到32×32大小的图像将图像拉伸成1024维向量，得到样本xk的原始特征向量；(3d)将样本xk的原始特征向量、轮廓波特征向量与曲线波特征向量首尾连接，得到样本xk的特征向量A；(4)训练深度置信网络DBN：(4a)将滤波后训练样本集中所有样本xk的特征向量A输入三层高斯限制玻尔兹曼机GRBM中，对三层高斯限制玻尔兹曼机GRBM进行训练，得到并保存三层高斯限制玻尔兹曼机GRBM的第1层、第2层和第3层的输出向量；(4b)将第3层的输出向量输入到softmax分类器中，训练softmax分类器；(4c)利用反向传播方法，对整个深度置信网络DBN进行微调,得到训练好的深度置信网络DBN；(5)目标识别：将滤波后测试样本集中所有样本xk的特征向量A输入到训练好的深度置信网络DBN中进行识别，得到样本xk的识别标签yk。...

【技术特征摘要】
1.一种基于深度置信网络的SAR图像目标识别方法，包括如下步骤：
(1)获取待识别图像样本；
(1a)从MSTAR数据集中任意获取已知类别标签的SAR图像作为训练样本集；
(1b)从MSTAR数据集中任意获取不同于训练样本的已知类别标签的SAR图
像作为测试样本集；
(2)滤波：
对训练样本集和测试样本集中每个样本进行中值滤波，得到滤波后的训练样
本集和测试样本集；
(3)提取特征：
(3a)对滤波后的训练样本集及测试样本集中的每个样本xk，进行轮廓波变
换，得到41个子带图像，将41个子带图像全部投影到水平、垂直和两个对角线
方向，得到164个投影向量，将164个投影向量的均值和方差组成一个向量，作
为样本xk的轮廓波特征向量；
(3b)对样本xk进行归一化处理,得到图像利用曲线波变换方法，提取
图像的低频子带系数，得到图像的低频子带图像采用形态学处理方法，
去除图像的背景冗余，将形态学处理后的图像拉伸成向量作为样本xk的曲线
波特征向量；
(3c)对样本xk下采样，得到32×32大小的图像将图像拉伸成1024
维向量，得到样本xk的原始特征向量；
(3d)将样本xk的原始特征向量、轮廓波特征向量与曲线波特征向量首尾连
接，得到样本xk的特征向量A；
(4)训练深度置信网络DBN：
(4a)将滤波后训练样本集中所有样本xk的特征向量A输入三层高斯限制
玻尔兹曼机GRBM中，对三层高斯限制玻尔兹曼机GRBM进行训练，得到并保存三
层高斯限制玻尔兹曼机GRBM的第1层、第2层和第3层的输出向量；
(4b)将第3层的输出向量输入到softmax分类器中，训练softmax分类器；
(4c)利用反向传播方法，对整个深度置信网络DBN进行微调,得到训练好
的深度置信网络DBN；
(5)目标识别：
将滤波后测试样本集中所有样本xk的特征向量A输入到训练好的深度置信
网络DBN中进行识别，得到样本xk的识别标签yk。
2.根据权利要求1所述的基于深度置信网络的SAR图像目标识别方法...

【专利技术属性】
技术研发人员：王爽，焦李成，赵菲妮，张妍妍，郭岩河，侯彪，马文萍，张丹丹，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61