【技术实现步骤摘要】
基于2D-PCA和卷积神经网络的SAR图像分类方法
本专利技术属于图像处理领域，更进一步涉及SAR图像分类
，可用于目标检测。
技术介绍
合成孔径雷达是一种全天时，全天候工作的雷达系统，广泛应用军事，农业，导航，地理监视等诸多领域。随着雷达技术的发展，SAR图像分类已经成为了一个重要的领域。SAR特别适用于目标分类，检测以及监视等。由于SAR图像的成像机制和传统图像成像机制的差异，所以在的理解与解译的过程中SAR图像和传统图像也有很大的不同。通过人眼来分类是非常耗时耗力的，所以需要通过研究一些算法达到分类效果。随着深度学习的发展，深度学习被广泛应用在各个方面。西安电子科技大学在其申请的专利“基于深度置信网络的SAR图像目标识别分类方法”(专利号：201610136519.1，授权公告号：CN105809198A)中提出了一种合成孔径雷达图像目标识别的分类方法。该方法首先进行获取图像样本，滤波，然后提取特征，再然后训练深度置信网络对样本进行分类。该方法存在的不足之处是训练复杂度高，模型的鲁棒性差，识别率不高。SiZheChen,HaipengWang,Feng...
【技术保护点】
1.一种基于2D‑PCA和卷积神经网络的SAR图像分类方法，包括如下：(1)从包含BMP2装甲车,BTR70装甲车,T72主战坦克数据的MSTAR数据集中选取训练和测试数据，并进行扩增：选取俯角为17度的所有图像作为训练图像X1，将每一张训练图像在水平和竖直方向随机平移(x,y)个像素点，其中x,y均为(‑10,10)内的整数，重复该操作50次，使每一张训练图像扩充为50张，得到训练样本集A1；选取俯角为15度的所有图像作为测试图像X2，同样将每一张测试图像同样在水平和竖直方向随机平移(x,y)个像素点，重复该操作6次，使每一张测试图像扩充为6张，得到测试样本集A2；(2)...
【技术特征摘要】
1.一种基于2D-PCA和卷积神经网络的SAR图像分类方法，包括如下：(1)从包含BMP2装甲车,BTR70装甲车,T72主战坦克数据的MSTAR数据集中选取训练和测试数据，并进行扩增：选取俯角为17度的所有图像作为训练图像X1，将每一张训练图像在水平和竖直方向随机平移(x,y)个像素点，其中x,y均为(-10,10)内的整数，重复该操作50次，使每一张训练图像扩充为50张，得到训练样本集A1；选取俯角为15度的所有图像作为测试图像X2，同样将每一张测试图像同样在水平和竖直方向随机平移(x,y)个像素点，重复该操作6次，使每一张测试图像扩充为6张，得到测试样本集A2；(2)对于训练样本集和测试样本集中的每个样本进行二维主成分分析2D-PCA降维，得到降维后28×28的二维矩阵：(2a)对于扩充后的训练样本和测试样本集，分别裁剪成其中心为60×60的区域；(2b)利用裁剪后的训练样本计算列方向上的投影矩阵U，根据投影矩阵U计算列方向上的降维矩阵F，再根据降维矩阵F计算行方向上的投影矩阵V；(2c)分别计算训练样本的降维矩阵Y1和测试样本的降维矩阵Y2，并保存：Y1＝VT·A1·U，Y2＝VT·A2·U，其中T表示转置；(3)搭建结构依次为：输入层，第一卷积层，第一池化层，第二卷积层，第二池化层，第一全连层，第二全连层的卷积神经网络模型，设置各层的参数，并对卷积神经网络模型进行训练；(4)利用训练好的模型权重值对测试样本进行分类：(4a)将训练好的模型权重值加载到卷积神经网络模型中；(4b)将测试样本Y2输入到(5a)的卷积神经网络模型中，得到所有的测试样本类别概率P，每一个样本的类别概率包含三个值，分别对应该样本是BMP2，BTR70，T72的概率；(4c)从P中取连续6个测试样本的类别概率Pi×6,...,(i+1)×6，共计有18个概率值，从这18个概率值中取其最大值对应的类别作为测试图片X2中第i个图片的最终分类结果，其中i＝1…n，n为测试图片的数量。2.根据权利要求书1中所述的方法，其中(3)中搭建的卷积神经网络模型中，各层的参数设置如下：输入层的输入尺寸为28*28*1；第一卷积层特征图的总数为32，卷积核大小为5*5，步长为1*1；第一池化层池化核大小为2*2，步长为2*2；第二卷积层特征图的总数为64，卷积核大小为5*5，步长为1*1；第二池化层池化核大小为2*2，...
【专利技术属性】
技术研发人员：侯彪，李井亮，焦李成，马晶晶，马文萍，白静，
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。