基于导向重构与范数约束DBN的SAR目标识别算法制造技术

本发明专利技术提出一种基于导向重构与范数约束DBN的SAR目标识别算法，针对传统基于DBN的SAR目标识别算法网络结构复杂度高、训练次数较多且识别率低等问题，提出利用导向重构算法对训练样本和测试样本做重构预处理，然后裁剪后扩展成一维图像矢量，用加权范数约束的深度置信网络提取低维特征，用Softmax对目标进行分类。实验结果表明，本发明专利技术方法可降低图像特征的维度和网络训练的次数，网络的识别性能进一步提高。

【技术实现步骤摘要】
基于导向重构与范数约束DBN的SAR目标识别算法
本专利技术涉及一种基于导向重构与范数约束深度置信网络(DeepBeliefNetworks，DBN)的目标识别算法，可以应用于各种军用或民用的图像处理系统。
技术介绍
现代高科技战争中，战场信息及时准确获取以及战场态势的高效评估，对争夺战场的军事主导权具有十分重要的作用。合成孔径雷达图像(SyntheticApertureRadar，SAR)作为一种重要的微波成像传感器，在环境监测、资源勘察和国防军事等领域有着非常广泛的应用。近年来，基于深度神经网络的目标识别技术在各个领域都取得很好的效果，促进其在SAR图像目标识别方面的研究。文献“SARAutomaticTargetRecognitionBasedonEuclideanDistanceRestrictedAutoencoder，IEEEJ.Sel.TopicsAppl.EarthObserv.RemoteSens.，pp.1-11，Jul.2017.”将欧氏距离限制与自编码器相结合，使得在增加样本类间距的同时减小类内样本间距，用dropout操作解决有限训练样本产生的过拟合现象。文本文档来自技高网...

【技术保护点】
1.一种基于导向重构与范数约束DBN的SAR目标识别算法，其特征在于步骤如下：步骤1：基于导向滤波器的两尺度图像重构对原图像In做拉普拉斯滤波得到高频图像Hn：Hn＝In*L  (1)式中，In是第n个源图像，L是一个3×3拉普拉斯滤波器，Hn取绝对值并作局部平均用来重建特征映射图Sn：Sn＝|Hn|*gr,σ  (2)式中，g是一个(2r+1)×(2r+1)高斯低通滤波器，σ是高斯低通滤波器的标准差，r和σ均为5；特征映射图对图像高频细节分量的显著性水平提供良好的表征，特征映射图的权重图如下：

【技术特征摘要】
1.一种基于导向重构与范数约束DBN的SAR目标识别算法，其特征在于步骤如下：步骤1：基于导向滤波器的两尺度图像重构对原图像In做拉普拉斯滤波得到高频图像Hn：Hn＝In*L(1)式中，In是第n个源图像，L是一个3×3拉普拉斯滤波器，Hn取绝对值并作局部平均用来重建特征映射图Sn：Sn＝|Hn|*gr,σ(2)式中，g是一个(2r+1)×(2r+1)高斯低通滤波器，σ是高斯低通滤波器的标准差，r和σ均为5；特征映射图对图像高频细节分量的显著性水平提供良好的表征，特征映射图的权重图如下：将加权导向滤波器应用于每个视觉特征加权映射图Pn中，其相对应的源图像In作为引导图像并通过导向滤波器生成的加权图如下：r1,ε1,r2和ε2是加权导向滤波器的参数，和是低频近似分量和高频细节分量的加权图并对其进行归一化处理；其中r1＝45；ε1＝0.3；r2＝7；ε2＝10-6；总之，利用平滑滤波器对源图像进行两尺度分解得到低频近似分量，高频细节分量则通过源图像减去低频近似分量获得，如下式：式中：是源图像的低频分量，是源图像的高频分量；G是(2r+1)×(2r+1)窗口的平滑滤波器，其中r＝15；最后将源图像的低频近似分量和高频细节分量分别通过加权平均进行重构得到各自的重构低频分量和高频分量随后利用分量进行重构后得到重构图像，如下式：将得到的重构后的低频近似分量和高频细节分量进行重构得到重构后的图像，则步骤2：基于加权范数约束深度置信网络的低维特征提取设X＝{x1,x2,…,xN}代表训练样本数据，xn(n＝1,2,…,N)是其中第n个训练样本数据，其是由原图像In作两尺度分解和重构后的图像做裁剪并扩展成一维矢量形成的，是一个列向量，N表示训练样本的总数；受限玻尔兹曼机RBM将输入图像X由可视层V映射到隐层H；在RBM中，任意两个相连的神经元之间的权值Wvh表示其连接强度，v表示可视层的随机变量，h表示隐含层的随机变量，每个神经元自身有一个可视层神经元的偏置系数b和隐含层神经元的偏置系数c来表示其自身权重；RBM的能量函数表示为：θ＝{Wvh,b,c}表示该网络的模型系数，表示第i个可视层神经元与第j个隐含层神经元之间的连接权值，hj表示第j个隐含层的神经元，vi表示第i个可视层的神经元，dx表示可视层神经元的数目，dh表示隐含层神经元的数目；可视层与隐含层的联合概率分布得到可视层v的独立分布为：式中dv和dh表示可视层与隐含层神经元的数量；第j个隐含层神经元hj被激活的概率和第i个可视层神经元vi被激活概率分别为：式中，σ设定为Sigmoid函数，根据概率密度独立性，可得到下式：RBM根据计算每个隐含层神经元的开启概率P(hj|x),j＝1,2,…,dh，取一个0-1的随机数μ作为阈值，隐含层每个神经元激活状态如下(可视层同理)：RBM共有五个参数：v是输入向量，h是输出向量，Wvh和b、c，也就是相应的权重和偏置值，是通过学习得到的；对于一个样本数据x，采用对比散度算法CD对其进行训练：...

【专利技术属性】
技术研发人员：王健，秦春霞，杨珂，任萍，
申请(专利权)人：西北工业大学，西安爱生技术集团公司，
类型：发明
国别省市：陕西,61