一种基于深度改进残差网络的SAR图像分类方法技术

本发明专利技术公开了一种基于深度改进残差网络的SAR图像分类方法，首先准备用于训练和测试的SAR图像数据训练集和测试集，两种数据都包括十类目标，每类目标包括多张SAR图像。建立深度残差网络模型，改进了残差模块，在传统残差模块的基础上进行三次跳跃性连接，增加了连接的分支数。深度残差网络模型包含依次顺序连接的输入层Input、残差与下采样组合、全连接层以及输出层Output，残差与下采样组合包括依次连接的多重连接残差模块和下采样模块DS，多重连接残差模块包括三个非线性处理子模块。用训练集对深度残差网络模型进行训练，然后用测试集对训练好的深度残差网络模型进行测试，并输出目标分类结果。本发明专利技术不仅继承了ResNet的易学习的优点，还加强了特征的传播利用率，有效提高了SAR图像目标分类的精度和速度。

【技术实现步骤摘要】
一种基于深度改进残差网络的SAR图像分类方法
本专利技术涉及一种基于深度改进残差网络的SAR图像分类方法，属于机器视觉

技术介绍
随着人工智能的快速发展，卷积神经网络(ConventionalNeuralNetwork，CNN)在合成孔径雷达(SyntheticApertureRadar,SAR)图像处理领域受到了越来越多的应用，尤其在图像分类方面效果十分明显。与传统的图片特征提取方式不同，CNN通过共享卷积核进行自适应的图片特征提取，该过程不需要复杂计算和人工干预，解决了特征选取困难的问题。但是随着CNN网络深度的增加，网络模型的训练显得越来越困难，模型出现难收敛或者不收敛的问题，而且还会出现模型退化的现象，即深度较深的模型效果不如较浅的模型。残差网络(ResidualNetwork,ResNet)的提出有利于解决这个问题，该网络的最大优势在于设计了残差模块结构，输入可以跳跃式地跨层前向传播。如何设计出更加有效的深度残差网络模型，从而更好地解决深度CNN网络的模型训练问题，是科研人员面临的一个问题。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于深度残差网络的SAR图像分类方法，在深度残差网络的训练过程中，网络梯度变化主要是由残差网络的分支主导的。本专利技术在传统残差网络的基础上设计出了多个分支结构的深度残差网络模型，提高了残差模块的跳跃性连接分支数，并命名为密集连接型残差网络(DenselyConnectedResidualNetwork,DCResNet)，用于SAR图像中的车辆目标识别，其目的在于提高网络训练效率，缩短网络训练时间。技术方案：为实现上述目的，本专利技术采用的技术方案为：一种基于深度改进残差网络的SAR图像分类方法，包括以下步骤：步骤1、准备用于训练的SAR图像数据，训练数据包括多类目标，每类目标包括多张SAR图像，然后对训练数据进行图像预处理，并为每张SAR图像建立标签，得到训练集。步骤2、准备用于测试的SAR图像数据，测试数据包括多类目标，每类目标包括多张SAR图像，然后对测试数据进图像行预处理，得到测试集。步骤3、建立深度残差网络模型：深度残差网络模型包括依次顺序连接的输入层Input、残差与下采样组合、全连接层以及输出层Output，其中，所述残差与下采样组合为四个，分别为残差与下采样组合一MC_DS_1、残差与下采样组合二MC_DS_2、残差与下采样组合三MC_DS_3和残差与下采样组合四MC_DS_4，全连接层为两个，分别为全连接层一FC_1和全连接层二FC_2。残差与下采样组合包括依次连接的多重连接残差模块和下采样模块DS，所述多重连接残差模块有三个，分别为多重连接残差模块一MC_1、多重连接残差模块二MC_2和多重连接残差模块三MC_3。多重连接残差模块包括非线性处理子模块，所述非线性处理子模块有三个，分别为非线性处理子模块一NP_1、非线性处理子模块二NP_2和非线性处理子模块三NP_3，所述非线性处理子模块一NP_1、非线性处理子模块二NP_2和非线性处理子模块三NP_3依次连接：多重连接残差模块的输入为Xl_0，输出为Xl_4。非线性处理子模块一NP_1的输入为Xl_0，输出为Xl_1。非线性处理子模块二NP_2的输入为Xl_1，输出为Xl_2。非线性处理子模块三NP_3的输入为Xl_2，输出为Xl_3。存在如下关系：Xl_1＝Hl_1(Xl_0)Xl_2＝Hl_2(Xl_1)Xl_3＝Hl_3(Xl_2)Xl_4＝Xl_3+Xl_2+Xl_1+Xl_0＝Hl_3(Hl_2(Hl_1(Xl_0)))+Hl_2(Hl_1(Xl_0))+Hl_1(Xl_0)+Xl_0其中，Hl_1(·)表示非线性处理子模块一NP_1的运算函数，Hl_2(·)表示非线性处理子模块二NP_2的运算函数，Hl_3(·)表示非线性处理子模块三NP_3的运算函数。步骤4、用训练集中的训练数据对深度残差网络模型进行训练，得到训练好的深度残差网络模型。步骤5、用测试集中的测试数据对训练好的深度残差网络模型进行测试，并输出分类结果。优选的：所述非线性处理子模块包括加法模块、依次连接的批量归一化层BatchNorm、非线性激活函数层Relu以及卷积层Conv，同时批量归一化层BatchNorm、非线性激活函数层Relu以及卷积层Conv的输出均与加法模块连接。优选的：所述下采样模块DS包括依次连接的1×1卷积层Conv_1×1和平均池化层AvgPolling。优选的：所述图像预处理包括如下步骤：步骤11、将SAR图像的幅值归一化到0到1之间。步骤12、将SAR图像的每一个像素均进行如下处理：其中，xin表示预处理前的像素幅值，xout表示预处理后的像素幅值，μ表示预处理前的SAR图像的幅值平均值，ξ表示常数。优选的：常数ξ介于0到1之间。本专利技术相比现有技术，具有以下有益效果：基于MSTAR数据集对DCResNet网络进行了多方面的测试，实验结果表明，DCResNet网络在SAR图像车辆目标识别中具有很好的分类效果，在网络训练中效率更高，不仅具有更快的收敛速度和推理速度，而且目标分类的准确率更高。附图说明图1残差模块结构示意图，其中图1中图(a)表示传统残差模块结构示意图，图1中图(b)表示改进残差模块结构示意图。图2基于深度残差网络的SAR图像分类方法流程图。图3DCResNet网络结构图。图4平均池化层计算示例。图5十种车辆目标SAR图像样本，其中，图5中图(a)表示BTR60车辆目标SAR图像样本；图5中图(b)表示2S1车辆目标SAR图像样本；图5中图(c)表示BRDM2车辆目标SAR图像样本；图5中图(d)表示D7车辆目标SAR图像样本；图5中图(e)表示T62车辆目标SAR图像样本；图5中图(f)表示ZIL131车辆目标SAR图像样本；图5中图(g)表示ZSU234车辆目标SAR图像样本；图5中图(h)表示T72车辆目标SAR图像样本；图5中图(i)表示BTR70车辆目标SAR图像样本；图5中图(j)表示BMP2车辆目标SAR图像样本。图6三种CNN网络损失值变化对比。具体实施方式下面结合附图和具体实施例，进一步阐明本专利技术，应理解这些实例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。本专利技术公开了一种基于深度残差网络的SAR图像分类方法。首先准备用于训练和测试的SAR图像数据，两种数据都包括10类目标，每类目标包括多张SAR图像，然后对训练和测试数据进行统一的预处理，并为每张训练SAR图像建立标签。建立深度残差网络模型，可以用不同的编程语言实现。用训练数据对深度残差网络进行训练，然后用测试数本文档来自技高网...

【技术保护点】
1.一种基于深度残差网络的SAR图像分类方法，其特征在于，包括以下步骤：/n步骤1、准备用于训练的SAR图像数据，训练数据包括多类目标，每类目标包括多张SAR图像，然后对训练数据进行图像预处理，并为每张SAR图像建立标签，得到训练集；/n步骤2、准备用于测试的SAR图像数据，测试数据包括多类目标，每类目标包括多张SAR图像，然后对测试数据进图像行预处理，得到测试集；/n步骤3、建立深度残差网络模型：/n深度残差网络模型包括依次顺序连接的输入层Input、残差与下采样组合、全连接层以及输出层Output，其中，所述残差与下采样组合为四个，分别为残差与下采样组合一MC_DS_1、残差与下采样组合二MC_DS_2、残差与下采样组合三MC_DS_3和残差与下采样组合四MC_DS_4，全连接层为两个，分别为全连接层一FC_1和全连接层二FC_2；/n残差与下采样组合包括依次连接的多重连接残差模块和下采样模块DS，所述多重连接残差模块有三个，分别为多重连接残差模块一MC_1、多重连接残差模块二MC_2和多重连接残差模块三MC_3；/n多重连接残差模块包括非线性处理子模块，所述非线性处理子模块有三个，分别为非线性处理子模块一NP_1、非线性处理子模块二NP_2和非线性处理子模块三NP_3，所述非线性处理子模块一NP_1、非线性处理子模块二NP_2和非线性处理子模块三NP_3依次连接：多重连接残差模块的输入为X...

【技术特征摘要】
1.一种基于深度残差网络的SAR图像分类方法，其特征在于，包括以下步骤：
步骤1、准备用于训练的SAR图像数据，训练数据包括多类目标，每类目标包括多张SAR图像，然后对训练数据进行图像预处理，并为每张SAR图像建立标签，得到训练集；
步骤2、准备用于测试的SAR图像数据，测试数据包括多类目标，每类目标包括多张SAR图像，然后对测试数据进图像行预处理，得到测试集；
步骤3、建立深度残差网络模型：
深度残差网络模型包括依次顺序连接的输入层Input、残差与下采样组合、全连接层以及输出层Output，其中，所述残差与下采样组合为四个，分别为残差与下采样组合一MC_DS_1、残差与下采样组合二MC_DS_2、残差与下采样组合三MC_DS_3和残差与下采样组合四MC_DS_4，全连接层为两个，分别为全连接层一FC_1和全连接层二FC_2；
残差与下采样组合包括依次连接的多重连接残差模块和下采样模块DS，所述多重连接残差模块有三个，分别为多重连接残差模块一MC_1、多重连接残差模块二MC_2和多重连接残差模块三MC_3；
多重连接残差模块包括非线性处理子模块，所述非线性处理子模块有三个，分别为非线性处理子模块一NP_1、非线性处理子模块二NP_2和非线性处理子模块三NP_3，所述非线性处理子模块一NP_1、非线性处理子模块二NP_2和非线性处理子模块三NP_3依次连接：多重连接残差模块的输入为Xl_0，输出为Xl_4；非线性处理子模块一NP_1的输入为Xl_0，输出为Xl_1；非线性处理子模块二NP_2的输入为Xl_1，输出为Xl_2；非线性处理子模块三NP_3的输入为Xl_2，输出为Xl_3；存在如下关系：
Xl_1＝Hl_1(Xl_0)
Xl_2＝Hl_2(Xl_1)
Xl_3＝Hl_3(X...

【专利技术属性】
技术研发人员：蒋忠进，曹磊，王强，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32