一种制造技术

本发明专利技术涉及一种

【技术实现步骤摘要】
一种SAR图像目标识别方法、系统、电子设备及介质


[0001]本专利技术涉及雷达
，尤其涉及一种
SAR
图像目标识别方法
、
系统
、
电子设备及介质
。

技术介绍

[0002]合成孔径雷达
SAR(Synthetic Aperture Radar)
是一种基于多运动平台的主动对地观测系统
。
由于电磁波的穿透性，
SAR
不受光照和气候条件的限制，具有全天
、
全天候
、
高分辨率和宽宽度等多种特性
。
经过几十年的发展，
SAR
成像技术逐渐成熟，高分辨率
SAR
图像的数据采集能力显著提高，为
SAR
图像的智能化应用奠定了基础
。SAR
目标识别是在特征空间中对图像进行分类，因此从图像中提取有效的特征是提高识别性能的关键
。
[0003]许多研究人员已经开始尝试使用卷积神经网络来处理
SAR
图像目标识别问题，并取得了理想的结果
。
尽管基于
CNN
的方法很容易获得令人满意的识别结果，但深度网络提取的特征往往是无法解释的，导致无法解释的问题有待解决
。

技术实现思路

[0004]为了克服在光学
SAR
图像的目标识别过程中深度网络提取的特征无法解释的问题，本专利技术提供了一种
SAR
图像目标识别方法
、
系统
、
电子设备及介质
。
[0005]第一方面，为了解决上述技术问题，本专利技术提供了一种
SAR
图像目标识别方法，包括：
[0006]获取不同类别的多张光学
SAR
图像，并将每张光学
SAR
图像转换为对应的张量；
[0007]对每个张量进行张量高阶奇异值分解，确定每个张量对应的基矩阵；
[0008]通过低秩近似计算任意两个基矩阵之间的距离度量，若距离度量小于预设值，则将两个基矩阵放入同一个预设子空间中，一个预设子空间对应一个光学
SAR
图像的类别；
[0009]将同一个预设子空间中的基矩阵作为基矩阵集合，并将不同预设子空间对应的基矩阵集合作为训练集对深度神经网络进行训练，得到识别模型；
[0010]通过识别模型对
SAR
图像进行目标识别
。
[0011]第二方面，本专利技术提供了一种
SAR
图像目标识别系统，包括：
[0012]张量获取模块，用于获取不同类别的多张光学
SAR
图像，并将每张光学
SAR
图像转换为对应的张量；
[0013]基矩阵确定模块，用于对每个张量进行张量高阶奇异值分解，确定每个张量对应的基矩阵；
[0014]距离度量模块，用于通过低秩近似计算任意两个基矩阵之间的距离度量，若距离度量小于预设值，则将两个基矩阵放入同一个预设子空间中，一个预设子空间对应一个光学
SAR
图像的类别；
[0015]训练模块，用于将同一个预设子空间中的基矩阵作为基矩阵集合，并将不同预设子空间对应的基矩阵集合作为训练集对深度神经网络进行训练，得到识别模型；
[0016]目标识别模块，用于通过识别模型对
SAR
图像进行目标识别
。
[0017]第三方面，本专利技术还提供了一种电子设备，包括存储器
、
处理器及存储在存储器上并在处理器上运行的程序，处理器执行程序时实现如上述的一种
SAR
图像目标识别方法的步骤
。
[0018]第四方面，本专利技术还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在终端设备上运行时，使得终端设备执行一种
SAR
图像目标识别方法的步骤
。
[0019]本专利技术的有益效果是：将光学
SAR
图像转换为张量，再对张量进行高阶奇异值分解，得到对应的基矩阵，张量进行高阶奇异值分解可以得到光学
SAR
图像中更高层次表达的有用信息，便于后续神经网络对光学
SAR
图像中的特征进行有效提取，再通过低秩近似计算任意两个基矩阵之间的距离度量，对光学
SAR
图像进行分类，并将训练集进行分类后对深度神经网络进行训练，得到识别模型，最后通过识别模型对
SAR
图像进行目标识别，由于识别模型提取的是高阶奇异值分解后的基矩阵，具有更高层次表达的有用信息，解决了光学
SAR
图像的目标识别过程中深度网络提取的特征无法解释的问题
。
附图说明
[0020]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面结合附图和实施例对本专利技术作进一步说明
。
[0021]图1为本专利技术实施例的一种
SAR
图像目标识别方法的流程示意图；
[0022]图2为张量近似的示意图；
[0023]图3为张量分解的示意图；
[0024]图4为目标位置与天线波束的几何关系；
[0025]图5为不同的目标的光学
SAR
图像和识别结果的对比结果图；
[0026]图6为混淆矩阵识别结果；
[0027]图7为本专利技术实施例的一种
SAR
图像目标识别系统的结构示意图
。
具体实施方式
[0028]下列实施例是对本专利技术的进一步解释和补充，对本专利技术不构成任何限制
。
[0029]以下结合附图描述本专利技术实施例的一种
SAR
图像目标识别方法
、
系统
、
电子设备及介质
。
[0030]如图1所示，本专利技术实施例的一种
SAR
图像目标识别方法，包括如下步骤：
[0031]S1、
获取不同类别的多张光学
SAR
图像，并将每张光学
SAR
图像转换为对应的张量
。
[0032]一阶张量是一个具有索引的对象，张量的维度被称为模式，公共向量和矩阵可以分别被视为一阶张量和二阶张量，但是光学
SAR
图像中存在
R、G、B
三色通道，因此，需要使用三阶张量来表示光学
SAR
图像
。
[0033]三阶张量可表示为其中，
A
表示三阶张量，
I,J,K
都是正数，决定了三阶张量中每个顺序中元素的数量
。
[0034]另外，由于三阶张量中每个顺序中包含了多个元素，因此，可以将张量进行矩阵化，张量
K
的模
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种
SAR
图像目标识别方法，其特征在于，包括：获取不同类别的多张光学
SAR
图像，并将每张光学
SAR
图像转换为对应的张量；对每个张量进行张量高阶奇异值分解，确定每个张量对应的基矩阵；通过低秩近似计算任意两个基矩阵之间的距离度量，若所述距离度量小于预设值，则将两个基矩阵放入同一个预设子空间中，所述一个预设子空间对应一个光学
SAR
图像的类别；将同一个所述预设子空间中的基矩阵作为基矩阵集合，并将不同所述预设子空间对应的所述基矩阵集合作为训练集对深度神经网络进行训练，得到识别模型；通过识别模型对
SAR
图像进行目标识别
。2.
根据权利要求1所述的方法，其特征在于，所述对每个张量进行张量高阶奇异值分解，确定每个张量对应的基矩阵，公式如下：其中，
A
SAR
表示张量，第
v
个张量对应的基矩阵，表示线性组合系数，
K
表示张量的前
K
列，
×3表示模3乘积
。3.
根据权利要求2所述的方法，其特征在于，通过低秩近似计算任意两个基矩阵之间的距离度量，公式如下：其中，
F
表示距离度量，
U
k
和
V
k
分别是
U
和
V
的前
k
列，
U
和
V
表示任意两个基矩阵，
Σ
k
＝
diag(
σ1,L,
σ
k
)
，
diag()
表示对角化算子，
σ1、L、
σ
k
均表示
k
个奇异值
。4.
根据权利要求1所述的方法，其特征在于，该方法还包括对识别模型的测试，包括：获取不同类别的多张测试图像，通过识别模型得到每张测试图像对应的识别结果；计算每个测试图像与对应的识别结果的平方范数；根据各个所述平方范数对识别模型进行评估
。5.
根据权利要求4所述的方法，其特征在于，计算每个测试图像与对应的识别结果的平方范数，公式如下：
μ
＝
0,1,L,9.
其中，
R(
μ
)
表示平方范数，
D
表示测试图像对应的识别结果，表示第
v
个测试图像对应的张量的归一化值，
k
表示第
v
个张量的前
k
列，
μ
表示样本类别
。6.
根据权利要求1‑5任一项所述的方法，其特征在于，获取不同类别的多张光学
SAR
图像，并将每张光...

【专利技术属性】
技术研发人员：许淑芳，刘丹，王宁，姜晓轮，陈成增，邱祥风，
申请(专利权)人：平湖空间感知实验室科技有限公司，
类型：发明
国别省市：