基于改进神经网络的复数SAR图像目标识别方法技术

本申请涉及一种基于改进神经网络的复数SAR图像目标识别方法。所述方法包括：通过利用SAR图像特有的复数信息生成三通道的SAR图像，同时基于通道注意力机制模块和残差网络进行构建的目标识别神经网络可以自适应关注各通道的有用特征，来提高SAR图像目标识别的准确率，利用三通道的SAR图像对构建目标识别神经网络进行训练，使得训练好的神经网络可有效利用SAR图像的复数信息并对于目标相关的特征进行提取，以提高SAR图像目标识别的准确率。以提高SAR图像目标识别的准确率。以提高SAR图像目标识别的准确率。

【技术实现步骤摘要】
基于改进神经网络的复数SAR图像目标识别方法


[0001]本申请涉及雷达图像处理
，特别是涉及一种基于改进神经网络的复数SAR图像目标识别方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar，SAR)采用微波相干成像，因此SAR图像本质上是复值的，在像素信息量上SAR图像更加丰富，这也是其和普通光学红外遥感图像显著不同之处。因其可以全天时、全天候的获取二维高分辨图像，是目前世界各国进行海上目标监测的重要手段。
[0003]当前SAR图像舰船目标识别方法可以总结为:1)基于有效特征提取的识别方法。通过提取有效特征可以从不同角度描述图像中目标特性，再选择有效的分类方法进行目标识别。目前特征表达方法主要分为空间特征、统计特征、变换域特征和代数特征。2)基于特征融合的识别方法。进行特征融合可以增加图像的特征信息，实现更加全面的特征表达。3)基于模型匹配的识别方法。根据训练图像获取模型预测特征，再通过匹配模型的预测特征和图像的提取特征来实现目标识别。4)基于SAR成像原理和地物电磁散射机理的识别方法。使用目标的强散射信息，SAR数据中方位不变性等特征来提高分类识别精度。5)基于深度学习的识别方法。随着深度学习方法的快速发展，已经广泛的应用到目标识别的领域中，通过使用无监督或监督学习方法的机器学习特征建立低级特征和高级语义之间的关系大大提升了目标识别的准确性，也充分体现了深度学习在目标识别中的巨大优势和潜力。
[0004]近年来，CNN、FCN等深度学习框架用于SAR图像目标识别中，都取得了较好的结果。但目前应用于SAR图像识别的深度学习框架，都是针对其幅度信息，需要将复数SAR图像投影到以幅度为代表的实数域中，无法有效利用SAR图像特有的复数信息。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够有效提高SAR图像目标识别准确率的基于改进神经网络的复数SAR图像目标识别方法。
[0006]一种基于改进神经网络的复数SAR图像目标识别方法，所述方法包括：
[0007]获取多个复数SAR样本图像，分别提取各所述复数SAR样本图像的实部图像、虚部图像以及幅度图像并进行重组得到，与各所述复数SAR样本图像对应的三通道SAR样本图像，并根据各所述三通道SAR样本图像构建样本数据集；
[0008]对所述样本数据集进行标准化处理，得到样本数据集的数据均值和数据标准差；
[0009]构建通道注意力机制模块与残差网络相结合的目标识别神经网络，并根据所述数据均值和数据标准差对所述目标识别神经网络进行参数设置，再将样本数据集输入所述目标识别神经网络进行训练，得到已训练的目标识别神经网络；
[0010]获取待识别的复数SAR图像，提取所述复数SAR图像的实部图像、虚部图像以及幅度图像并进行融合得到与复数SAR图像对应的三通道SAR图像；
[0011]将所述三通道SAR图像输入已训练的目标识别神经网络，进行目标识别。
[0012]在其中一实施例中，在对所述复数SAR样本图像的实部图像、虚部图像以及幅度图像进行重组时保留原始灰度。
[0013]在其中一实施例中，采用标准分数方法进行对所述样本数据集进行标准化处理。
[0014]在其中一实施例中，所述构建通道注意力机制模块与残差网络相结合的目标识别神经网络包括：
[0015]将所述通道注意力机制模块连接至残差网络中的各残差学习单元“identity”分支上以构建所述目标识别神经网络。
[0016]在其中一实施例中，对所述目标识别神经网络进行训练时还加入标签平滑正则化对目标识别神经网络进行约束，使得损失函数为：
[0017][0018]其中，ε为超参数，K为所述样本数据集中各复数SAR样本图像的类别数目，q(k)为标签分布，P(k)为预测分布，k为所述样本数据集中各复数SAR样本图像的某一类别标签，y为真实标签。
[0019]上述基于改进神经网络的复数SAR图像目标识别方法，通过利用SAR图像特有的复数信息生成三通道的SAR图像，同时基于通道注意力机制模块和残差网络进行构建的目标识别神经网络可以自适应关注各通道的有用特征，来提高SAR图像目标识别的准确率，利用三通道的SAR图像对构建目标识别神经网络进行训练，使得训练好的神经网络可有效利用SAR图像的复数信息并对于目标相关的特征进行提取，以提高SAR图像目标识别的准确率。
附图说明
[0020]图1为一个实施例中基于改进神经网络的复数SAR图像目标识别方法的流程示意图；
[0021]图2为一个实施例中复数SAR图像数据增强示意图；
[0022]图3为一个实施例中目标识别神经网络结构示意图；
[0023]图4为一个实施例中通道注意力机制模块结构示意图；
[0024]图5为一个实施例中不同目标识别方法实验结果对比图；
[0025]图6为一个实施例中基于改进神经网络的复数SAR图像目标识别装置的结构框图；
[0026]图7为一个实施例中计算机设备的内部结构图。
具体实施方式
[0027]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0028]如图1所示，提供了一种基于改进神经网络的复数SAR图像目标识别方法，包括以
下步骤：
[0029]步骤S100，获取多个复数SAR样本图像，分别提取各所复数SAR样本图像的实部图像、虚部图像以及幅度图像并进行重组得到，与各复数SAR样本图像对应的三通道SAR样本图像，并根据各三通道SAR样本图像构建样本数据集；
[0030]步骤S110，对所述样本数据集进行标准化处理，得到样本数据集的数据均值和数据标准差；
[0031]步骤S120，构建通道注意力机制模块与残差网络相结合的目标识别神经网络，并根据所述数据均值和数据标准差对所述目标识别神经网络进行参数设置，再将样本数据集输入所述目标识别神经网络进行训练，得到已训练的目标识别神经网络；
[0032]步骤S130，获取待识别的复数SAR图像，提取复数SAR图像的实部图像、虚部图像以及幅度图像并进行融合得到与复数SAR图像对应的三通道SAR图像；
[0033]步骤S140，将三通道SAR图像输入已训练的目标识别神经网络，进行目标识别。
[0034]为了针对SAR图像具有复数信息这一特征，并且在现有的利用深度学习网络对SAR图像进行目标识别时，都是针对SAR图像的幅度信息，需要将复数SAR图像投影到以幅度为代表的实数域中，也就是在深度学习网络进行识别时并没有有效利用SAR图像特有的复数信息提出了一种有效利用SAR图像复数信息进行目标识别的方法。
[0035]在本实施例中，是基于一个改进神经网络实现对SAR复数图像进行目标识别。
[0036本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进神经网络的复数SAR图像目标识别方法，其特征在于，所述方法包括：获取多个复数SAR样本图像，分别提取各所述复数SAR样本图像的实部通道图像、虚部图像以及幅度图像并进行重组得到，与各所述复数SAR样本图像对应的三通道SAR样本图像，并根据各所述三通道SAR样本图像构建样本数据集；对所述样本数据集进行标准化处理，得到样本数据集的数据均值和数据标准差；构建通道注意力机制模块与残差网络相结合的目标识别神经网络，并根据所述数据均值和数据标准差对所述目标识别神经网络进行参数设置，再将样本数据集输入所述目标识别神经网络进行训练，得到已训练的目标识别神经网络；获取待识别的复数SAR图像，提取所述复数SAR图像的实部图像、虚部图像以及幅度图像并进行融合得到与复数SAR图像对应的三通道SAR图像；将所述三通道SAR图像输入已训练的目标识别神经网络，进行目标识别。2.根据权利要求1所述的复数SAR图像目标识别...

【专利技术属性】
技术研发人员：冷祥光，雷禹，孙忠镇，计科峰，熊博莅，唐涛，赵凌君，雷琳，张思乾，孙浩，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：