一种基于图的SAR目标散射特征与图像特征融合识别方法技术

本发明专利技术公开了一种基于图的SAR目标散射特征与图像特征融合识别方法，通过分别提取SAR图像的图像特征以及提取SAR图像的散射特征，其中散射特征包含SAR图像中目标的几何特征，为此将SAR图像的图像特征和散射特征进行融合，增强了SAR图像的特征；对融合后的SAR图像特征通过分类器进行目标识别，解决了如何互补融合SAR图像的散射特征与图像特征以提高识别精度的问题。精度的问题。精度的问题。

【技术实现步骤摘要】
一种基于图的SAR目标散射特征与图像特征融合识别方法


[0001]本专利技术属于SAR目标识别领域，尤其涉及一种基于图的SAR目标散射特征与图像特征融合识别方法。

技术介绍

[0002]合成孔径雷达(SyntheticApertureRadar,SAR)以其全天候全时、高分辨率的能力成为民用和军用领域的重要工具。SAR与可见光或红外等光学遥感手段不同，SAR主动发射电磁波作用于目标和其他地面物体，接受其后向散射波，生成高分辨率图像。由于其成像方式，在恶劣天气下，SAR也能获得高分辨率图像，并具有一定的穿透能力，使得SAR在灾害监测、环境监测、海洋监测、测绘和军事等领域的应用上具有独特的优势。
[0003]SAR自动目标识别(AutomaticTargetRecognition,ATR)能够快速有效地解译SAR图像并对其进行应用，一般来说，SARATR系统主要由两部分组成，即特征提取和分类，其中特征提取旨在从高维SAR图像中提取低维表示，并保持用于识别的判别性信息；分类器则为提取的低维特征提供匹配策略。然而，传统的基于模板匹配等方法需要大量的先验知识，十分依赖手工选取的目标特征，难以生成有效的分类器。深度学习自提出以来，在图像识别等领域得到了成功应用，其特点是可以通过加深网络自动学习目标特征，提取更加有辨别力的特征。因此，判别式网络如深度卷积网络等被广泛应用于SARATR。
[0004]仅用卷积网络(ConvolutionalNeuralNetwork，CNN)等传统深度学习方法提取SAR图像特征，一方面只能在像素级邻域内提取图像特征，而SAR图像较可见光图像其局部相关性较弱，无法挖掘到完备表征目标特性的特征；另一方面CNN仅考虑了SAR图像的幅度信息，没有充分利用SAR目标不同物理结构的电磁散射特性，因此缺少完备表征SAR目标的本质属性的能力，进而导致网络的解释性和泛化性较差，表现为不同波段、极化方式、不同探测角度下对目标识别的性能差异极大。因此如何互补融合SAR图像的散射特征与图像特征以提高识别精度成为亟待解决的难题。

技术实现思路

[0005]本专利技术的目的是提供一种基于图的SAR目标散射特征与图像特征融合识别方法，以解决如何互补融合SAR图像的散射特征与图像特征以提高识别精度的问题。
[0006]本专利技术采用以下技术方案：
[0007]本专利技术提供了一种基于图的SAR目标散射特征与图像特征融合识别方法，包括以下步骤：
[0008]提取SAR图像的散射特征和所述SAR图像的图像特征；
[0009]对所述散射特征和所述图像特征进行深度特征融合，得到所述SRA图像的融合特征；
[0010]将所述融合特征作为分类器的输入，进行目标识别，获得所述SAR图像的目标类别。
[0011]可选地，提取SAR图像的散射特征包括：
[0012]以所述SRA图像中每个强散射点为节点，确定每个节点特征，所述节点特征包括坐标信息和后向散射幅度；
[0013]根据所述节点特征提取所述SAR图像的散射特征。
[0014]可选地，确定每个节点特征之前包括：对每个所述节点的坐标信息进行修正。
[0015]可选地，根据节点特征提取SAR图像的散射特征包括：
[0016]根据节点特征通过K最近邻法确定每个节点的邻域节点和邻域节点对应的邻域特征；
[0017]将节点特征和邻域特征进行加权聚合，输出更新后的节点特征；
[0018]将所有更新后的节点特征构成第一节点特征矩阵；
[0019]根据第一邻接矩阵和第一节点特征矩阵提取SAR图像的散射特征，其中，第一邻接矩阵由每个节点和邻域节点的拓扑矩阵构成。
[0020]可选地，根据第一邻接矩阵和第一节点特征矩阵提取SAR图像的散射特征的提取方法包括：
[0021]根据DiffPool方法对第一邻接矩阵和第一节点特征矩阵分别进行聚类分配，生成第二邻接矩阵和第二节点特征矩阵；
[0022]根据第二邻接矩阵和第二节点特征矩阵提取SAR图像的散射特征。
[0023]可选地，对所述散射特征和所述图像特征进行深度特征融合，包括：
[0024]对所述散射特征和所述图像特征分别进行归一化处理；
[0025]对归一化处理后的散射特征和归一化处理后的图像特征采用一层卷积网络进行深度特征融合，得到得所述融合特征。
[0026]可选地，所述分类器的损失函数为：
[0027][0028]其中，L
c
为目标分类损失，L
LP
为正则化损失，L
E
为聚类分配损失，为所述分类器的总损失。
[0029]本专利技术还提供了一种基于图的SAR目标散射特征与图像特征融合识别装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如权利要求1
‑
8任一项的一种基于图的SAR目标散射特征与图像特征融合识别方法。
[0030]本专利技术的有益效果是：本专利技术通过两个分支分别提取SAR图像的图像特征以及提取SAR图像的散射特征，其中散射特征包含SAR图像中目标的几何特征，为此将SAR图像的图像特征和散射特征进行融合，增强了融合特征对SAR图像的表达，提高了分类器对SAR图像的识别精度。
附图说明
[0031]图1为本专利技术提供的一种基于图的SAR目标散射特征与图像特征融合识别方法的原理图；
[0032]图2为本专利技术提供的一种基于图的SAR目标散射特征与图像特征融合识别方法的详细流程示意图；
[0033]图3为本专利技术方法和已有方法的准确性效果验证图；
[0034]图4为本专利技术提供的一种基于图的SAR目标散射特征与图像特征融合识别装置示意图。
具体实施方式
[0035]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0036]本专利技术提供了一种基于图的SAR目标散射特征与图像特征融合识别方法，如图1所示，该方法的具体步骤包括：
[0037]步骤101、提取SAR图像的散射特征和所述SAR图像的图像特征；
[0038]在一种实施例中，如图1所示，将SAR图像送入两个分支网络，一条网络分支为散射特征提取网络，提取SAR图像的散射特征，该散射特征包含SRA图像中所有强散射点的几何拓扑信息；而另一条网络分支采用传统的CNN网络提取SAR图像的图像特征。
[0039]步骤102、对所述散射特征和所述图像特征进行深度特征融合，得到所述SRA图像的融合特征；
[0040]在一种实施例中，如图1所示，分别从两个网络分支的输出端分别输出SRA图像的散射特征和图像特征，以端到端的方式进行图像特征融合，得到SAR图像的融合特征，相比采用传统方法只提取SAR图像的图像特征而未考虑SAR图像的散射特征，使得图像特征有所加强，以提高网络的泛化性和可解释性。
[0041]步骤103、将所述融合特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图的SAR目标散射特征与图像特征融合识别方法，其特征在于，包括以下步骤：提取SAR图像的散射特征和所述SAR图像的图像特征；对所述散射特征和所述图像特征进行深度特征融合，得到所述SRA图像的融合特征；将所述融合特征作为分类器的输入，进行目标识别，获得所述SAR图像的目标类别。2.如权利要求1所述的基于图的SAR目标散射特征与图像特征融合识别方法，其特征在于，提取SAR图像的散射特征包括：以所述SRA图像中每个强散射点为节点，确定每个节点特征，所述节点特征包括坐标信息和后向散射幅度；根据所述节点特征提取所述SAR图像的散射特征。3.如权利要求2所述的基于图的SAR目标散射特征与图像特征融合识别方法，其特征在于，确定每个节点特征之前包括：对每个所述节点的坐标信息进行修正。4.如权利要求2所述的基于图的SAR目标散射特征与图像特征融合识别方法，其特征在于，根据所述节点特征提取所述SAR图像的散射特征包括：根据所述节点特征通过K最近邻法确定每个节点的邻域节点和所述邻域节点对应的邻域特征；将所述节点特征和所述邻域特征进行加权聚合，输出更新后的节点特征；将所有所述更新后的节点特征构成第一节点特征矩阵；根据第一邻接矩阵和所述第一节点特征矩阵提取所述SAR图像的散射特征，其中，所述第一邻接矩阵由每个节点和所述邻域节点的拓扑矩阵构成。5.如权利要求4所述的基于图的SAR目标散射特征与图像特征融合识别方法，其特征在于，根据所述第一邻接矩阵...

【专利技术属性】
技术研发人员：文载道，于幽兰，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：