【技术实现步骤摘要】
对逆合成孔径雷达ISAR的批量成像质量评估方法
本专利技术属于图像处理
，特别涉及一种图像质量的定量评估方法，可用于对雷达性能的检测和雷达设计。
技术介绍
对于雷达技术而言，雷达图像质量的好坏是至关重要的，其决定了后续信息处理的效果。因此，对于具备成像能力的雷达系统而言，图像质量也是衡量雷达系统整体性能的重要指标，图像质量评价是图像处理领域中的一项重要研究内容。目前，针对图像质量的评价方法，主要包括两种：一种是主观评价方法，凭借实验人员的主观感知来评价图像的质量，通常采用连续双激励质量度量法，即对观测者连续给出原始图像和处理过的失真图像，由观测者根据主观感知给出打分值。这种方法的不足是需要针对多个测试图像进行多次重复实验，耗时多，费用高，难以操作；另一种是客观评价方法，依据模型给出量化指标，模拟人类视觉系统感知机制衡量图像质量。但这种方法需要对雷达成像系统进行建模，模型复杂，建模难度大，参数不易设定。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足，将主观评价和客观评价相结合，提出一种对逆合成孔径雷达ISAR的批量成像质量评估方法，以减少耗时和费用，便...
【技术保护点】
1.一种对逆合成孔径雷达ISAR的批量成像质量评估方法，其特征在于，包括如下：(1)对N幅ISAR图像由人工视觉分为“优”、“良”、“中”和“差”这4类，每类图像的个数为n，N≥960，n≥240；(2)给人工分类的ISAR图像贴上不同的标签，即“优”的标签为“1”，“良”的标签为“2”，“中”的标签为“3”，“差”的标签为“4”；(3)选取4类带标签的ISAR图像的一半作为训练样本，输入到卷积神经网络CNN中进行训练，得到训练好的卷积神经网络CNN′，并提取出所有类别的图像的特征μ；(4)将提取得到的特征μ输入到不同正则化系数λ下的支持向量机SVM中进行训练，得到训练好的...
【技术特征摘要】
1.一种对逆合成孔径雷达ISAR的批量成像质量评估方法，其特征在于，包括如下：(1)对N幅ISAR图像由人工视觉分为“优”、“良”、“中”和“差”这4类，每类图像的个数为n，N≥960，n≥240；(2)给人工分类的ISAR图像贴上不同的标签，即“优”的标签为“1”，“良”的标签为“2”，“中”的标签为“3”，“差”的标签为“4”；(3)选取4类带标签的ISAR图像的一半作为训练样本，输入到卷积神经网络CNN中进行训练，得到训练好的卷积神经网络CNN′，并提取出所有类别的图像的特征μ；(4)将提取得到的特征μ输入到不同正则化系数λ下的支持向量机SVM中进行训练，得到训练好的支持向量机SVMs′，进而得到训练样本的4种实际分类结果；(5)将训练样本的实际分类结果与标签对比，确定最优的正则化系数λ′，得到最终训练好的支持向量机SVM′；(6)选取(2)中4类带标签的ISAR图像的另一半作为测试样本，输入到经(3)训练好的卷积神经网络CNN′中进行特征提取，提取出所有类别的图像特征κ；(7)将(6)中提取得到的特征κ输入最终训练好的支持向量机SVM′中进行分类，得到对逆合成孔径雷达ISAR的批量成像质量评估结果。2.如权利要求1所述的方法，其特征在于，在(1)中对N幅ISAR图像由人工视觉分为4类，其分类标准如下：“优”，是指整体结构清晰可分辨，即聚焦良好；“良”，是指整体结构可分辨，即聚焦一般；“中”，是指整体结构模糊，局部结构可分辨，即聚焦较差；“差”，是指整体结构不可分辨，局部结构不可分辨，即聚焦很差。3.如权利要求1所述的方法，其特征在于(3)中的利用训练样本对卷积神经网络CNN进行训练，其实现如下：(3a)选择由一个输入层、两个卷积层、两个采样层、一个全连接层和一个输出层组成的7层CNN网络，且每个卷积层的大小为5×5的卷积窗口，每个采样层采用均值采样；(3b)设置各层之间的激活函数采用sigmoid函数，其具体形式为：其中z为每一层的输入，e为自然常数；(3c)设输入层的图像大小为32×32，使其先经过第一卷积层后得到6个28×28的特征图，再经过第一采样层得到6个14×14的特征图，再经过第二卷积层得到16个10×10的特征图，最后经第二采样层2采样得到16个5×5的特征图，输入给全连接层；(3d)全连接层将16个5×5的特征图展开成一个16×5×5的向量，输入给输出层，得到分类x是正确分类的预测概率q(x)，取值范围为(0,1)；(3...
【专利技术属性】
技术研发人员：张磊，许涛，张曼，周叶剑，
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。