一种基于稀疏SAR幅度-相位图像数据集的目标分类方法技术

本发明专利技术公开了一种基于稀疏SAR幅度

【技术实现步骤摘要】
一种基于稀疏SAR幅度
‑
相位图像数据集的目标分类方法


[0001]本专利技术属于雷达图像处理和目标分类领域，尤其涉及一种基于稀疏SAR幅度
‑
相位图像数据集的目标分类方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar，SAR)作为一种主动式微波遥感，可以不受时间和天气的影响，实现全天时全天候的对地观测，目前被广泛地用于军事和民用领域。2006年Hinton教授提出了深度学习的概念，指出多层的卷积神经网络具有强大的特征学习的能力，对于分类方面的问题有着很重要的研究意义。AlexNet模型是由Krizhevesky等人在2012年提出的一个深度卷积神经网络(Convolutional Neural Networks，简称CNN)模型，获得了ImageNet比赛的冠军，在图像分类方面取得了突破性的进展。考虑到光学图像和SAR图像的相似性，CNN同样可以适用于SAR图像的目标分类。针对SAR图像中同时具有幅度和相位两种信息的情况，不少学者也展开了一系列的研究。在2017年，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏SAR幅度
‑
相位图像数据集的目标分类方法，其特征在于，包括以下步骤：(1)基于匹配滤波复图像，采用BiIST算法对复图像进行重建，得到具有保留图像相位信息的稀疏SAR图像；(2)将稀疏SAR图像的幅度和相位作为网络的两个通道输入，制作并划分出训练集、测试集和验证集；(3)将步骤(2)得到的待分类的稀疏SAR图像数据集作为幅度
‑
相位卷积神经网络的输入，输出得到目标分类的结果及准确率。2.根据权利要求1所述的基于稀疏SAR幅度
‑
相位图像数据集的目标分类方法，其特征在于，所述步骤(1)包括以下步骤：(11)第i+1步观测场景的非稀疏估计为：其中，表示重建的观测场景的非稀疏估计，初始化中间变量W
(0)
＝X
MF
，X
MF
表示已知的基于匹配滤波方法重建的观测场景的SAR复图像数据，重建的观测场景的稀疏估计初始化为表示迭代步数；(12)第i+1步的正则化参数β
(i+1)
表示为：其中，表示幅度图像的第K+1个最大的元素值，K表示场景的稀疏度，即观测场景中非零元素的个数，参数μ的取值为0＜μ
‑1＜1；(...

【专利技术属性】
技术研发人员：毕辉，邓佳瑞，张晶晶，刘泽昊，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：