基于空间变换三通道卷积的ISAR图像分类方法技术

本发明专利技术公开了一种基于空间变换三通道卷积的ISAR图像分类方法，主要解决现有ISAR目标分类技术中无法适应复杂成像环境，未充分利用ISAR图像特征，分类精度低的问题。其实现步骤为：1)生成训练样本集和测试样本集；2)构建基于空间变换三通道卷积的ISAR图像分类网络；3)将训练样本集输入到基于空间变换三通道卷积的ISAR图像分类网络进行训练；4)将测试样本集输入到训练好的基于空间变换三通道卷积的ISAR图像分类网络进行测试，得到网络输出的分类结果。本发明专利技术能有效校正图像的空间变换，具有形变稳健性，并通过三通道卷积结构提取图像的特征，提高了ISAR图像的分类精度,可用于ISAR图像的目标检测和识别。

【技术实现步骤摘要】
基于空间变换三通道卷积的ISAR图像分类方法
本专利技术属于图像处理
，特别涉及一种逆合成孔径雷达ISAR图像分类方法，可用于ISAR图像的目标检测和识别。
技术介绍
逆合成孔径雷达ISAR具有全天时、全天候、远作用距离等特点，在海面、空中、空间目标自动目标识别ATR等领域有广泛的应用。目标的二维高分辨ISAR像为其三维散射中心分布向二维成像平面的投影，因此蕴含着目标形状、结构、尺寸、运动等重要的可区分特征。ISAR图像与普通的光学图像不同，ISAR观测对象主要为人造目标，反映散射中心的后向散射强度，并且随成像平面的改变而快速变化，具有很强的各向异性，对于同一目标，在不同观测条件下，如不同观测带宽，其对应的ISAR像差异性很大，很难提取其稳健特征；由于ISAR受到目标运动方向、观测带宽、相参积累时间、距离和方位采样率等因素的影响，因此ISAR图像具有旋转敏感、尺度伸缩敏感、平移敏感等特性。为克服ISAR像所特有的旋转、伸缩、尺度及平移敏感性，基于ISAR图像进行自动目标识别的方法主要有提取稳健特征、构建形变匹配模板、校正图像形变。所述提取稳健特征，是利用ISAR图像的特性，将ISAR图像在旋转和伸缩两个变量上进行投影，根据归一化互相关最大准则进行分类。但是，这种投影方法会损失目标重要的形状与结构等可区分信息，并且由于要求所有样本具有相同方位尺度因子，此类方法无法适应复杂的实际应用场景。所述构建形变匹配模板，是利用目标的尺寸和形状等特征构建包含轮廓与边界的原型模板及对应的概率形变变换集，进而在贝叶斯框架下寻找目标与形变模板的最优匹配。但由于该方法需要大量的样本作为参照，故不能有效进行小样本集的分类。所述校正图像形变，是利用目标方位和运动参数对已知样本进行旋转和尺度变化，建立目标真实三维散射中心分布与ISAR像之间的仿射变换模型。在识别过程中，根据该模型逐一对已知样本和待分类样本进行仿射参数估计，并以匹配分数最大为准则实现分类识别。此类方法由于在计算过程中包含大量复杂的变形参数，因而计算量过大。由于深度学习并不需要人工提取特征以及过多专业知识和人工计算量，能够适应多变复杂的环境，通过神经网络模型的训练自动稳健地提取图像特征，有效克服ISAR图像的旋转敏感、尺度伸缩敏感、平移敏感等特性，完成图像的分类，因此近年来被广泛应用在雷达自动目标识别的研究中。CarlosPena-Caballero,ElifalethCantuJesus,RodriguezX.，在其发表的论文“AutomaticTargetRecognitionofAircraftusingInverseSyntheticApertureRadar”，(arXiv:1711.04901v2[cs.CV]12Mar2018.)中提出了一种利用卷积神经网络自主学习ISAR图像特征的逆合成孔径雷达ISAR自动目标识别ATR方法。该方法的具体步骤为：首先使用3D模型对目标进行建模，使用逆合成孔径雷达ISAR对目标模型生成回波并成像，生成ISAR图像保留了每个散射点的散射强度值，再将ISAR图像输入设计的卷积神经网络中进行训练，训练过程中自动学习到ISAR图像的特征，输出得到ISAR图像的分类结果，该方法虽然利用了ISAR图像中蕴含大量轮廓和结构信息的散射特性，减少了大量的专家设计特征和人工计算量，但对于复杂多变的成像环境并没有充分考虑，当成像条件发生变化时，此方法并不能有效的适应ISAR图像的形变，因此分类精度降低。
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，提出一种基于空间变换三通道卷积的ISAR图像分类方法，以提升对目标的识别性能，提高目标分类精度。为实现上述目的，本专利技术采用的技术方案包括如下步骤：(1)生成训练样本集和测试样本集：(1a)对四类卫星目标的HH、HV、VV三种极化雷达回波使用Keystone变换及RD算法，设置俯仰角为50°，方位角为0°～359°，在带宽为1.5G、积累角为5°和带宽为2G、积累角为6°这两种条件，针对每种条件，分别生成每类卫星目标的ISAR图像各4320张，得到共8640张ISAR图像；(1b)对四类卫星目标的HH、HV、VV三种极化雷达回波使用Keystone变换及RD算法，设置俯仰角为55°，方位角为0°～359°，在带宽为1G、积累角为5°和带宽为2G、积累角为4°这两种条件，针对每种条件，分别生成每类卫星目标的ISAR图像各4320张，得到共8640张ISAR图像；(1c)分别围绕(1a)与(1b)中得到的每幅ISAR图像的中心，将每幅ISAR图像裁剪为120×120个像素，并将每幅ISAR图像旋转至方位角为0°，得到用于训练和测试的0°方位角ISAR图像各8640张；(1d)分别围绕每幅用于训练的0°方位角的ISAR图像的中心，将每幅ISAR图像在-5°～5°之间随机选择5个方位角进行旋转，得到共43200张ISAR图像，并将这些图像与用于训练的0°方位角的ISAR图像合并，得到共51840张ISAR图像及相应的标签作为训练样本集R；(1e)分别围绕每幅用于测试的0°方位角的ISAR图像的中心，将每幅ISAR图像在-30°～30°之间随机选择5个方位角进行旋转，得到共43200张ISAR图像，并将这些图像与用于测试的0°方位角的ISAR图像合并，得到共51840张ISAR图像及相应的标签作为测试样本集E；(2)构建基于空间变换三通道卷积的ISAR图像分类网络：(2a)由第一个五组卷积-BN-tanh-池化结构依次级联，并在最后一组卷积-BN-tanh-池化结构的后边再依次级联第一全连接层、第一dropout层、第二全连接层，得到第一深度卷积网络N1；(2b)由第二个五组卷积-BN-tanh-池化结构依次级联，并在最后一组结构中的池化层后依次级联第三全连接层、第二dropout层、第四全连接层，得到第二深度卷积网络N2；(2c)将第一深度卷积网络N1、第一仿射变换单元、第二深度卷积网络N2、第二仿射变换单元依次级联，得到一个空间变换网络T；(2d)由三通道5组卷积层-BN-ReLU-池化层结构依次级联，得到三通道5组卷积网络N3；(2e)由空间变换网络T和三通道卷积网络N3、第五全连接层、第三dropout层、第六全连接层、softmax分类器依次级联，得到基于空间变换三通道卷积的ISAR图像分类网络U；(3)将训练样本集R输入到基于空间变换三通道卷积的ISAR图像分类网络U进行训练，得到训练好的基于空间变换三通道卷积的ISAR图像分类网络；(4)将测试样本集E输入到训练好的基于空间变换三通道卷积的ISAR图像分类网络进行测试，得到网络输出的分类结果。本专利技术与现有技术相比，具有以下优点：1.由于本专利技术采用空间变换网络产生两个仿射变换单元，用这两个仿射变换单对图像进行了两次仿射变换，能够有效校正图像的旋转、平移、尺度变化等空间变换，具有本文档来自技高网...

【技术保护点】
1.一种基于空间变换三通道卷积的ISAR图像分类方法，其特征在于，包括如下：/n(1)生成训练样本集和测试样本集：/n(1a)对四类卫星目标的HH、HV、VV三种极化雷达回波使用Keystone变换及RD算法，设置俯仰角为50°，方位角为0°～359°，在带宽为1.5G、积累角为5°和带宽为2G、积累角为6°这两种条件，针对每种条件，分别生成每类卫星目标的ISAR图像各4320张，得到共8640张ISAR图像；/n(1b)对四类卫星目标的HH、HV、VV三种极化雷达回波使用Keystone变换及RD算法，设置俯仰角为55°，方位角为0°～359°，在带宽为1G、积累角为5°和带宽为2G、积累角为4°这两种条件，针对每种条件，分别生成每类卫星目标的ISAR图像各4320张，得到共8640张ISAR图像；/n(1c)分别围绕(1a)与(1b)中得到的每幅ISAR图像的中心，将每幅ISAR图像裁剪为120×120个像素，并将每幅ISAR图像旋转至方位角为0°，得到用于训练和测试的0°方位角ISAR图像各8640张；/n(1d)分别围绕每幅用于训练的0°方位角的ISAR图像的中心，将每幅ISAR图像在-5°～5°之间随机选择5个方位角进行旋转，得到共43200张ISAR图像，并将这些图像与用于训练的0°方位角的ISAR图像合并，得到共51840张ISAR图像及相应的标签作为训练样本集R；/n(1e)分别围绕每幅用于测试的0°方位角的ISAR图像的中心，将每幅ISAR图像在-30°～30°之间随机选择5个方位角进行旋转，得到共43200张ISAR图像，并将这些图像与用于测试的0°方位角的ISAR图像合并，得到共51840张ISAR图像及相应的标签作为测试样本集E；/n(2)构建基于空间变换三通道卷积的ISAR图像分类网络：/n(2a)由第一个五组卷积-BN-tanh-池化结构依次级联，并在最后一组卷积-BN-tanh-池化结构的后边再依次级联第一全连接层、第一dropout层、第二全连接层，得到第一深度卷积网络N...

【技术特征摘要】
1.一种基于空间变换三通道卷积的ISAR图像分类方法，其特征在于，包括如下：
(1)生成训练样本集和测试样本集：
(1a)对四类卫星目标的HH、HV、VV三种极化雷达回波使用Keystone变换及RD算法，设置俯仰角为50°，方位角为0°～359°，在带宽为1.5G、积累角为5°和带宽为2G、积累角为6°这两种条件，针对每种条件，分别生成每类卫星目标的ISAR图像各4320张，得到共8640张ISAR图像；
(1b)对四类卫星目标的HH、HV、VV三种极化雷达回波使用Keystone变换及RD算法，设置俯仰角为55°，方位角为0°～359°，在带宽为1G、积累角为5°和带宽为2G、积累角为4°这两种条件，针对每种条件，分别生成每类卫星目标的ISAR图像各4320张，得到共8640张ISAR图像；
(1c)分别围绕(1a)与(1b)中得到的每幅ISAR图像的中心，将每幅ISAR图像裁剪为120×120个像素，并将每幅ISAR图像旋转至方位角为0°，得到用于训练和测试的0°方位角ISAR图像各8640张；
(1d)分别围绕每幅用于训练的0°方位角的ISAR图像的中心，将每幅ISAR图像在-5°～5°之间随机选择5个方位角进行旋转，得到共43200张ISAR图像，并将这些图像与用于训练的0°方位角的ISAR图像合并，得到共51840张ISAR图像及相应的标签作为训练样本集R；
(1e)分别围绕每幅用于测试的0°方位角的ISAR图像的中心，将每幅ISAR图像在-30°～30°之间随机选择5个方位角进行旋转，得到共43200张ISAR图像，并将这些图像与用于测试的0°方位角的ISAR图像合并，得到共51840张ISAR图像及相应的标签作为测试样本集E；
(2)构建基于空间变换三通道卷积的ISAR图像分类网络：
(2a)由第一个五组卷积-BN-tanh-池化结构依次级联，并在最后一组卷积-BN-tanh-池化结构的后边再依次级联第一全连接层、第一dropout层、第二全连接层，得到第一深度卷积网络N1；
(2b)由第二个五组卷积-BN-tanh-池化结构依次级联，并在最后一组结构中的池化层后依次级联第三全连接层、第二dropout层、第四全连接层，得到第二深度卷积网络N2；
(2c)将第一深度卷积网络N1、第一仿射变换单元、第二深度卷积网络N2、第二仿射变换单元依次级联，得到一个空间变换网络T；
(2d)由三通道5组卷积层-BN-ReLU-池化层结构依次级联，得到三通道5组卷积网络N3；
(2e)由空间变换网络T和三通道卷积网络N3、第五全连接层、第三dropout层、第六全连接层、softmax分类器依次级联，得到基于空间变换三通道卷积的ISAR图像分类网络U；
(3)将训练样本集R输入到基于空间变换三通道卷积的ISAR图像分类网络U进行训练，得到训练好的基于空间变换三通道卷积的ISAR图像分类网络；
(4)将测试样本集E输入到训练好的基于空间变换三通道卷积的ISAR图像分类网络进行测试，得到网络输出的分类结果。


2.根据权利要求1所述的方法，其中所述(2a)中的第一深度卷积网络N1，其各层参数设置如下：
第一组卷积层的卷积核大小为9×9个像素，卷积核数量为4个；
第二组卷积层的卷积核大小为7×7个像素，卷积核数量为8个；
第三组卷积层的卷积核大小为5×5个像素，卷积核数量为16个；
第四组卷积层的卷积核大小为3×3个像素，卷积核数量为32个；
第五组卷积层的卷积核大小为3×3个像素，卷积核数量为64个；
五组池化层的核大小均为2×2个像素；
第一全连接层神经元个数为50个；
第二全连接层神经元个数为6个。


3.根据权利要求1所述的方法，其中所述(2b)中的第二深度卷积网络N2，其各层参数设置如下：
第1组卷积层的卷积核大小为9×9个像素，卷积核数量为8个；
第2组卷积层的卷积核大小为7×7个像素，卷积核数量为16个；
第3组卷积层的卷积核大小为5×5个像素，卷积核数量为32个；
第4组卷积层的卷积核大小为3×...

【专利技术属性】
技术研发人员：白雪茹，周雪宁，王睿娇，周峰，
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