一种基于三通道稀疏SAR图像数据的目标分类方法技术

本发明专利技术公开了一种基于三通道稀疏SAR图像数据的目标分类方法，包括如下步骤：(1)基于BiIST算法重构现有的匹配滤波复图像得到具有保相性的稀疏SAR图像；(2)制作由幅度、实部和虚部构成的三通道稀疏SAR图像数据集；(3)将步骤(2)得到的待分类的稀疏SAR图像数据集作为多通道卷积神经网络的输入，输出得到目标分类的结果及准确率。本发明专利技术采用的稀疏重构算法基于SAR复图像进行处理，相较于传统的重构算法降低了系统的计算复杂度，不仅可以提升图像的质量，而且可以实现复图像相位信息的保留，为后续的多通道卷积神经网络的训练提供保障；对比只利用幅度信息的分类网络，本发明专利技术提出的基于三通道稀疏SAR图像数据的目标分类方法表现出更好的分类性能。出更好的分类性能。出更好的分类性能。

【技术实现步骤摘要】
一种基于三通道稀疏SAR图像数据的目标分类方法


[0001]本专利技术属于雷达图像处理和目标分类领域，尤其涉及一种基于三通道稀疏SAR图像数据的目标分类方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar,简称SAR)是一种主动式的对地观测系统。由于其具备全天时、全天候的观测能力，以及一定的地表穿透能力，自从1951年Wiley提出以来，SAR发展迅速，目前已被广泛应用于军用和民用领域，在战事监视侦察、海洋监测、灾害监测、资源勘查等应用中发挥着不可替代的重要作用。
[0003]2006年，Hinton等人提出通过采用无监督预训练初始化权值和监督训练微调的方法来解决深度网络中梯度消失的问题，深度学习由此拉开序幕。基于卷积神经网络(Convolutional Neural Networks，简称CNN)强大的特征提取能力，CNN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，Zhang等人提出了一种复值CNN用来提取SAR图像的相位信息，相较于传统的仅利用幅度信息的CNN，复值CNN在极化SAR数据的分类试验中取得了更小的分类误差。2018年，Coman等人将相位信息分解为实部信息和虚部信息，采用幅度
‑
实部
‑
虚部三层数据构成输入数据的方法，在基于MSTAR数据集的实验中达到约90％的测试精度。2020年，Yu等人在复值CNN的基础上，提出将其中的池化层与全连接层都替换为卷积层的方法以避免复杂的池化操作和过拟合，并在基于MSTAR数据集的实验上取得了比复值CNN更高的识别精度。
[0004]通过匹配滤波重构的SAR图像存在比较严重的杂波和旁瓣，阈值迭代(Iterative Soft Thresholding，简称IST)算法又会破坏恢复图像的相位信息和背景统计分布，而BiIST算法不仅能够有效抑制旁瓣和杂波，提升图像质量，还能保留SAR图像的相位信息。相较于传统的SAR图像，经过稀疏处理的稀疏SAR图像不仅能够保留其相位信息，还具有旁瓣更低，信噪比更高等优点，为后续基于幅度和相位信息的分类网络的训练提供了保障。

技术实现思路

[0005]专利技术目的：本专利技术的目的是提供一种基于三通道稀疏SAR图像数据的目标分类方法，用于目标分类的，提升分类精度。
[0006]技术方案：本专利技术提供了一种基于三通道稀疏SAR图像数据的目标分类方法，包括以下步骤：
[0007](1)基于BiIST稀疏重构算法对匹配滤波复图像进行重建，得到复图像的具有保相性的非稀疏估计；
[0008](2)制作三通道稀疏SAR图像数据集，并划分训练集、验证集和测试集；
[0009](3)SAR图像目标分类：将步骤(2)得到的训练集作为多通道卷积神经网络的输入进行训练，分别对幅度、实部和虚部通道进行特征提取，最后通过全连接层输出目标的分类
结果并计算分类精度。
[0010]进一步地，所述步骤(2)实现过程如下：
[0011]将稀疏图像的幅度、实部和虚部提取出来，将得到的稀疏SAR图像的幅度作为第一层，实部和虚部分别为第二层和第三层，制作成三通道的稀疏SAR图像数据集。
[0012]进一步地，所述训练集包含目标对应的类别标签。
[0013]进一步地，步骤(3)所述多通道卷积神经网络包含4个卷积层，3个池化层以及2个全连接层；在输入层，将稀疏SAR图像分解成幅度，实部和虚部三层数据作为网络的输入数据；在卷积层中，对计算的得到的结果进行批标准化操作加快训练的收敛速度，然后通过Relu激活函数增加网络的非线性因素；在池化层中，利用平均池化在对数据降维减少计算量的同时保留其包含的特征信息；最后，全连接层将之前提取到的高维特征组合并通过Softmax分类器获得分类结果。
[0014]有益效果：与现有技术相比，本专利技术的有益效果：1、相比于匹配滤波算法，BiIST算法重构的稀疏SAR图像能有效的抑制旁瓣和噪声，提升图像质量，而且不同于传统的稀疏重构算法，BiIST算法重构得到的非稀疏估计可以实现图像相位信息的保留，为后续基于幅度和相位信息的网络训练提供了保障；2、传统的深度学习分类方法仅使用幅度信息，将SAR分类问题转化为简单的图像分类任务，本专利技术采用的多通道卷积神经网络将稀疏SAR图像的幅度、实部和虚部提取出来构成一个三通道的输入数据，使分类网络在学习过程中利用上SAR图像的相位信息，增强数据集的潜力，并在一定程度上缓解了有限样本导致的过拟合问题。
附图说明
[0015]图1为本专利技术的流程图；
[0016]图2为提取的稀疏图像的幅度、实部和虚部图；
[0017]图3为本专利技术中多通道卷积神经网络的网络结构示意图；
[0018]图4为本专利技术的稀疏SAR图像数据集分别在幅度卷积神经网络和多通道卷积神经网络下的平均分类精度曲线图。
具体实施方式
[0019]下面结合附图对本专利技术做进一步详细说明。
[0020]本专利技术提出一种基于三通道稀疏SAR图像数据的目标分类方法，如图1所示，具体包括如下步骤：
[0021]步骤1：基于BiIST稀疏重构算法对匹配滤波复图像进行重建，得到复图像的稀疏估计和非稀疏估计。
[0022]本专利技术基于BiIST稀疏重构算法对匹配滤波复图像进行重建，得到复图像的稀疏估计和非稀疏估计，其中非稀疏估计是用于本专利技术的具有保相性的稀疏SAR图像。通过在迭代过程中引入了一个中间变量W，很好地保留了图像的背景统计特性和目标的相位信息，从而实现了算法得到的非稀疏估计具有保相性。
[0023]步骤2：制作三通道稀疏SAR图像数据集，并划分训练集、验证集和测试集。
[0024]将步骤1得到的稀疏图像的幅度、实部和虚部提取出来，将得到的稀疏SAR图像的
幅度作为第一层，实部和虚部分别为第二层和第三层，制作成三通道的稀疏SAR图像数据集，并划分训练集、验证集和测试集。其中，训练集包含目标对应的类别标签。以MSTAR数据集中的一张目标切片为例，其幅度、实部、虚部如图2所示。
[0025]步骤3：SAR图像目标分类：将步骤2得到的训练集作为多通道卷积神经网络的输入进行训练，分别对幅度、实部和虚部通道进行特征提取，最后通过全连接层输出目标的分类结果并计算分类精度。
[0026]将步骤2得到的训练集作为多通道卷积神经网络的输入进行训练，分别对幅度、实部和虚部通道进行特征提取，最后通过全连接层输出目标的分类结果并计算分类精度。多通道卷积神经网络的结构如图3所示。
[0027]该三通道网络包含4个卷积层，3个池化层以及2个全连接层。在输入层，将稀疏SAR图像分解成幅度，实部和虚部三层数据作为网络的输入数据。在卷积层中，对计算的得到的结果进行批标准化(Batch Normalization，简称BN)操作加快训练的收敛速度，然后通过Relu激活函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于三通道稀疏SAR图像数据的目标分类方法，其特征在于，包括以下步骤：(1)基于BiIST稀疏重构算法对匹配滤波复图像进行重建，得到复图像具有保相性的非稀疏估计；(2)制作三通道稀疏SAR图像数据集，并划分训练集、验证集和测试集；(3)SAR图像目标分类：将步骤(2)得到的训练集作为多通道卷积神经网络的输入进行训练，分别对幅度、实部和虚部通道进行特征提取，最后通过全连接层输出目标的分类结果并计算分类精度。2.根据权利要求1所述的基于三通道稀疏SAR图像数据的目标分类方法，其特征在于，所述步骤(2)实现过程如下：将稀疏图像的幅度、实部和虚部提取出来，将得到的稀疏SAR图像的幅度作为第一层，实部和虚部分别为第二层和第三层，制作成三通道的...

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