基于序列调整网络的逆合成孔径雷达图像分类方法技术

本发明专利技术公开了一种基于序列调整网络的逆合成孔径雷达图像分类方法，主要解决现有技术对空间目标逆合成孔径雷达图像分类时，难以利用逆合成孔径雷达连续成像的特性，难以提取较大形变图像的稳健特征，分类正确率和稳健性较低，复杂环境下性能受限等问题，实现步骤为：(1)生成训练集；(2)构建序列调整网络；(3)训练序列调整网络；(4)对待分类的逆合成孔径雷达图像进行分类。本发明专利技术通过参数共享得到轻量化的形变调整和分类网络，实现了基于轻量化网络的序列图像形变调整和准确分类，使得本发明专利技术的网络训练时间大幅缩短，提高了本发明专利技术在实际应用中的时效性。用中的时效性。用中的时效性。

【技术实现步骤摘要】
基于序列调整网络的逆合成孔径雷达图像分类方法


[0001]本专利技术属于图像处理
，更进一步涉及目标识别
中的一种基于序列调整网络的逆合成孔径雷达图像分类方法。本专利技术针对逆合成孔径雷达序列图像，提出一种序列调整网络结构，可用于对逆合成孔径雷达图像的稳健分类。

技术介绍

[0002]逆合成孔径雷达具有全天候、全天时、远作用距离等特性，被广泛应用于态势感知和防空反导等领域。逆合成孔径雷达图像是目标三维散射中心向未知成像平面的投影。与雷达一维距离像相比，逆合成孔径雷达图像蕴含着更为丰富的形状、结构、运动及散射特性等分类特征。当逆合成孔径雷达对目标进行连续观测时，能够获得其逆合成孔径雷达图像序列，该图像序列蕴含着目标形状、结构、散射强度及其随雷达视角的变化规律等重要特征。目前基于深度学习的逆合成孔径雷达图像分类方法主要在卷积神经网络的基础上进行改进，有效避免了复杂的人工设计过程。但是，现有方法尚未利用逆合成孔径雷达图像连续成像的特性，分类正确率和稳健性较低，难以在实际中进行应用。
[0003]Hong Yang,Yasheng 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于序列调整网络的逆合成孔径雷达图像分类方法，其特征在于，利用卷积子网络和可变形卷积子网络构建的全局图像调整模块生成仿射变换参数，对序列的每张图像进行仿射变换，通过卷积子网络和可变形卷积子网络构建的局部图像调整模块，对仿射调整后的逆合成孔径雷达序列图像进行局部变换，通过注意增强的双向长短期记忆模块，在充分利用逆合成孔径雷达序列图像时变特性的基础上融合序列各元素并得到分类结果；该方法的具体步骤包括如下：(1)生成训练集：(1a)将雷达在50
°
仰角，91
°
～359
°
方位角，2GHz带宽、6
°
积累角或1GHz带宽、5
°
积累角的条件下获取的四类卫星逆合成孔径雷达HV极化图像中，选取至少2160幅逆合成孔径雷达图像组成样本集；(1b)将样本集中每幅逆合成孔径雷达图像裁剪为120
×
120个像素，得到裁剪后的样本集；(1c)以裁剪后每10幅逆合成孔径雷达图像为一组，对裁剪后的样本集进行滑窗；(1d)将滑窗得到的至少2088组序列样本组成训练集；(2)构建序列调整网络：(2a)构建一个由卷积层组，批归一化层，非线性激活层，最大值池化层组成的第一卷积子网络，所述卷积层组包括四个级联的卷积层；(2b)构建一个由卷积层组，批归一化层，非线性激活层，最大值池化层组成的第二卷积子网络，所述卷积层组包括三个级联的卷积层；(2c)构建一个由卷积层组，批归一化层，非线性激活层，最大值池化层组成的第三卷积子网络，所述卷积层组包括三个级联的卷积层；(2d)构建一个由可变形卷积层，批归一化层，非线性激活层，最大值池化层组成的第一可变形卷积子网络；其中，可变形卷积层具有核大小为3
×
3个像素的64个可变形卷积核，可变形卷积核进行的操作是通过卷积运算得到的二维偏移参数改变像素点位置后，再将一般卷积核作用于改变的像素点，批归一化层的通道数为64，非线性激活层采用线性整流单元激活函数，最大值池化层的窗口大小为2
×
2个像素，步长为2个像素；(2e)构建一个由可变形卷积层，批归一化层，非线性激活层，最大值池化层组成的第二可变形卷积子网络；其中，可变形卷积层具有核大小为3
×
3个像素的128个可变形卷积核，可变形卷积核进行的操作是通过卷积运算得到的二维偏移参数改变像素点位置后，再将一般卷积核作用于改变的像素点，批归一化层的通道数为128，非线性激活层采用线性整流单元激活函数，最大值池化层的窗口大小为2
×
2个像素，步长为2个像素；(2f)将第一卷积子网络，第二卷积子网络，第三卷积子网络，第一可变形卷积子网络，全连接层级联成全局图像调整模块；将第一卷积子网络，第二卷积子网络，第三卷积子网络，第二可变形卷积子网络级联成局部图像调整模块；(2g)搭建一...

【专利技术属性】
技术研发人员：白雪茹，薛瑞航，赵晨，周雪宁，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：