基于深度神经网络的SAR图像识别方法技术

本发明专利技术关于基于深度神经网络的SAR图像识别方法，包括：构建卷积神经网络架构，包括卷积层、relu层、批量归一化层和最大池化层；构建深度神经网络架构，包括输入层、多层卷积神经网络架构、全连接层、softmax层和分类层；训练网络，设置相应的网络参数，对分好的图像数据训练集、验证集和测试集进行网络训练；识别，最后使用经过训练完成的网络识别验证数据并计算最终的识别率。方法融合了特征提取与分类识别，用深度学习来代替手工选取特征和分类器，减少目标识别中人为的工作量，提高了SAR图像目标识别及分类的性能，验证表明测试准确度达99.88％，非常接近验证准确度，表明构建的网络模型具有极强的鲁棒性。模型具有极强的鲁棒性。模型具有极强的鲁棒性。

【技术实现步骤摘要】
基于深度神经网络的SAR图像识别方法


[0001]本专利技术主要关于计算机视觉识别
，特别是关于一种基于深度神经网络的SAR图像识别方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar,SAR)是属于微波成像传感器中的一种，不同于被动式传感器，SAR能够主动自发地发射电磁波并且接收返回的信号进行成像和探测。SAR不受外部光源的约束，所以能够全天时对地面数据进行提取，并且由于其电磁波波段拥有较强穿透性，浓雾、大气烟雾以及云层都可以无障碍穿透。SAR工作不受光照、气候的影响，这一优势是其他传感器无法比拟的。SAR拍摄的高分辨率图像能反映目标的散射特性并含有利用其他传感器所获取的图像所不具有的大量信息，因此SAR在军事和民用均有广泛应用。
[0003]雷达图像是地物目标的后向散射形成的图像信息，基于极化分解矩阵的特征检测算法，可以将复杂的散射机制分解成多种简单的极化散射机制，在此基础上，通过对简化极化散射机制的信息含量进行研究和分析，从而得到雷达目标的极化散射特性，获得所需目标的空间结构特征。
[0004]雷达图像中的目标物和背景存在不同的深浅程度，而不同的目标之间又存在的不同的形状特征，这些都包含了SAR图像丰富的纹理特征，所以基于Gabor、LBP、SIFT等纹理特征的检测算法由之产生。
[0005]通过对图像中的地物目标之间的空间关系进行解析，从基本物理特征中获取空间语义特征的检测算法，可以对目标进行提取和分类。
[0006]另外近些年广泛发展的机器学习检测算法例如支持向量机、随机森林、随机树等方法与传统的算法有很大的区别，无需像传统方法那样进行人工设计特征，而是从数据中挖掘更深层次信息，统计和学习其中的知识，并形成了一套完整的训练体系。
[0007]近年来，深度学习快速发展，卷积神经网络(Convolutional Neural Network，CNN)在图像分类识别领域展现出优异的性能。CNN是一种直接将原始图像作为输入的端到端的处理架构，不需要人为参与特征提取，降低了对图像数据预处理的要求，提高了效率。此外，局部连接、权值共享和池化操作可以有效降低网络的复杂度，使得CNN模型对平移或失真具有不变性。
[0008]具体到对SAR图像的识别算法，基于极化分解矩阵的特征检测算法利用极化SAR数据的不同特征进行特征提取和检测。雷达目标的极化效应可以用一个复二维散射矩阵来表示，但其适用对象是确定性目标，对于起伏目标，电磁散射特性不再是固定的，而是具有一定的随机性，有些目标仅由较少的散射点组成没有清晰的轮廓，缺少外部结构特征，此外SAR图像存在斑点噪声，干扰了目标的准确定位。
[0009]基于纹理特征的检测算法，在对SAR图像进行检测时，一般需要先对图像进行去斑去噪的预处理，然后对图像利用特征算子进行提取，这样无形中会增大算法的计算量；另一
方面是对图像处理的实时性较低，因此会导致图像和传统方法不匹配的问题，在图像分辨率低，质量差的情况下，难以得到满意的检测识别效果。
[0010]基于空间语义特征的检测算法，相比于基于纹理特征的检测算法，使用范围广，并且可以提供处理有意和无意目标遮挡的能力。然而，对于SAR图像的深度多层次描述还存在不足，特别是当这些描述隐含物理语义时。
[0011]基于机器学习的检测算法，主要包括人工神经网络，支持向量机(SVM)，随机森林等。SVM则是在基于小样本统计理论的基础上，利用空间的核函数,再利用在线性可分的情况下的求解方法对高维空间进行求解，达到简化高维空间问题的求解难度目的。随机森林是多重决策树的组合，由于其非常稳定，具有很强的抗干扰能力，如果有很大一部分的特征遗失，用随机森林算法仍然可以维持准确度，并且可以处理高维的数据，不用做特征选择，因此大部分用来解决分类和回归问题。
[0012]传统的SAR图像目标识别算法主要由预处理、特征提取、识别等独立步骤组成，然而这种方法需要对原始图像进行预处理、且需要大量的SAR知识才能提取到较为有效的分类特征。对于SAR图像，提取的特征缺乏有效性，无法准确表征目标有效特征并且这些特征提取算法都需要专业技术高超的工程师和经验丰富的领域专家来设计，耗时费力；分类器选择缺乏适用性，分类器与特征的关联性较差，不能对选取的特征形成一个反馈，无形中加重了工作量。由于SAR图像目标的多变性以及传统算法难以进行整体优化，导致了SAR图像目标识别率和识别效率的提升受限。
[0013]前述
技术介绍
知识的记载旨在帮助本领域普通技术人员理解与本专利技术较为接近的现有技术，同时便于对本申请专利技术构思及技术方案的理解，应当明确的是，在没有明确的证据表明上述内容在本专利申请的申请日前已公开的情况下，上述
技术介绍
不应当用于评价本申请技术方案的新创性。

技术实现思路

[0014]为解决上述
技术介绍
中提及的至少一种技术问题，本专利技术的目的旨在提供基于深度神经网络的SAR图像识别方法，融合了特征提取与分类识别，用深度学习来代替手工选取特征和分类器，减少目标识别中人为的工作量，提高了SAR图像目标识别及分类的性能，验证表明测试准确度达99.88％，非常接近验证准确度，进一步表明构建的网络模型具有极强的鲁棒性。
[0015]一种基于深度神经网络的SAR图像识别方法，包括：
[0016]构建卷积神经网络架构，通过卷积层、relu层、批量归一化层、最大池化层构建卷积神经网络架构；
[0017]构建深度神经网络架构，采用输入层、多层卷积神经网络架构、全连接层、softmax层、分类层构建深度神经网络架构；
[0018]训练网络，设置相应的网络参数，对分好的图像数据训练集、验证集和测试集进行网络训练；
[0019]识别，最后使用经过训练完成的网络识别验证数据并计算最终的识别率。
[0020]在具体的部分实施方案，所述通过卷积层、relu层、批量归一化层、最大池化层构建卷积神经网络架构包括依次设置卷积层
‑
relu层
‑
卷积层
‑
批量归一化层
‑
relu层
‑
最大池
化层
‑
relu层。
[0021]在具体的部分实施方案，所述采用输入层、多层卷积神经网络架构、全连接层、softmax层、分类层构建深度神经网络架构包括依次设置输入层
‑
多层卷积神经网络架构
‑
全连接层
‑
softmax层
‑
分类层。
[0022]在具体的部分实施方案，所述多层卷积神经网络架构的层数不少于两层。
[0023]在具体的部分实施方案，所述多层卷积神经网络架构
‑
全连接层之间还设置有卷积层、relu层和dropout层。
[0024]在具体的部分实施方案，所述对分好的图像数据训练集、验证集和测试集进行网络训练包括：首先对SAR图像数据集加载，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度神经网络的SAR图像识别方法，其特征在于包括：构建卷积神经网络架构，通过卷积层、relu层、批量归一化层、最大池化层构建卷积神经网络架构；构建深度神经网络架构，采用输入层、多层卷积神经网络架构、全连接层、softmax层、分类层构建深度神经网络架构；训练网络，设置相应的网络参数，对分好的图像数据训练集、验证集和测试集进行网络训练；识别，最后使用经过训练完成的网络识别验证数据并计算最终的识别率。2.根据权利要求1所述的方法，其特征在于：所述通过卷积层、relu层、批量归一化层、最大池化层构建卷积神经网络架构包括依次设置卷积层
‑
relu层
‑
卷积层
‑
批量归一化层
‑
relu层
‑
最大池化层
‑
relu层。3.根据权利要求1所述的方法，其特征在于：所述采用输入层、多层卷积神经网络架构、全连接层、softmax层、分类层构建深度神经网络架构包括依次设置输入层
‑
多层卷积神经网络架构
‑
全连接层
‑
softmax层
‑
分类层。4.根据权利要求1
‑
3任一项所述的方法，其特征在于：所述多层卷积神经网络架构的层数不少于两层，优选2
‑
10层，更优选5
‑
10层，最优选7层。5.根据权利要求1
‑
3任一项所述的方法，其特征在于：所述深度神经网络架构具体为：输入层
‑
(卷积层
‑
relu层
‑
卷积层
‑
批量归一化层
‑
rel...

【专利技术属性】
技术研发人员：张福旺，
申请(专利权)人：北京盛安同力科技开发有限公司，
类型：发明
国别省市：