【技术实现步骤摘要】
本申请涉及合成孔径雷达图像识别，特别是涉及一种基于多尺度全局散射特征关联的sar目标识别方法及装置。
技术介绍
1、合成孔径雷达(sar)是一种具有全天时、全天候、高分辨率特点的有源微波传感器，作为海洋信息获取和监视不可或缺的手段。sar舰船目标识别具有重要的发展前景，特别是在海洋监测、目标监视、生态环境保护和灾害预报等方面。
2、在过去的几年里，传统的sar舰船目标识别方法主要集中在人工特征和分类器设计上。sar舰船目标常见的手动特征包括纹理结构、几何结构、散射强度、方向梯度直方图、hog、sift等。许多机器学习分类器被应用于特征分类，如knn、svm和随机森林。尽管传统的手工特征具有明确的含义和可解释的数学公式，但这些特征过于依赖于专家知识的积累，无法带来高识别性能和优越的泛化能力。目前，随着深度学习的快速发展，出现了各种优秀的算法，如resnet、vggnet和inception，这些算法都可以获得出色的性能。
3、虽然深度学习为舰船目标识别提供了新思路，但现有方法只是通过对深度网络进行改进和迁移，而忽略了舰船目标的内部成像机制和散射特征。因此，这些方法无法表征目标的内在特征，可能会导致识别性能不理想，特别是由于合成孔径雷达舰船目标存在散焦和交叉光斑现象，并且具有复杂的结构和轮廓。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够使得目标识别结果更为精准的基于多尺度全局散射特征关联的sar目标识别方法及装置。
2、一种基于多
3、获取待进行目标识别的sar图像；
4、对所述sar图像进行精细分割，得到所述sar图像中目标的分割区域；
5、利用多维度散射特征提取网络基于所述sar图像中目标的分割区域进行散射特征提取，先提取目标的多个散射中心，根据多个所述散射中心构建表征目标散射特征的全局散射图结构，再利用多个散射特征提取层对所述全局散射图结构进行多维度散射特征的提取，得到目标的多维度全局散射特征；
6、采用多尺度特征增强网络对所述多维度全局散射特征进行拼接融合，得到目标的多尺度散射特征；
7、利用多核深层特征提取网络根据所述sar图像进行语义特征提取，得到目标的深层语义特征；
8、采用特征融合网络根据所述目标的多尺度散射特征以及深层语义特征进行特征融合，得到所述目标的融合特征，基于所述融合特征对所述sar图像中的目标进行识别。
9、在其中一实施例中，所述对所述sar图像进行精细分割，得到所述sar图像中目标的分割区域，包括：
10、依次采用radon变换的分割方法以及阈值分割在所述sar图像中分割出初步目标区域；
11、依次采用形态学方法以及基于椭圆约束的方法对所述初步目标区域进行细化处理，得到所述目标的分割区域。
12、在其中一实施例中，所述根据多个所述散射中心构建表征目标散射特征的全局散射图结构包括：
13、基于各所述散射中心与其相邻散射中心构建得到，对应各所述散射中心的局部图结构；
14、通过计算各所述局部图结构之间的关系，对各所述局部图结构进行关联得到目标的全局散射图结构。
15、在其中一实施例中，所述多维度散射特征提取网络包括散射中心点提取单元、局部图结构构造单元、全局散射特征关联单元以及包含有多个依次连接的所述散射特征提取层的特征提取单元；
16、在所述散射中心点提取单元中，基于所述sar图像中目标的分割区域提取多个所述散射中心；
17、在所述局部图结构构造单元中，基于各所述散射中心与其相邻散射中心构建得到，对应各所述散射中心的局部图结构；
18、在所述全局散射特征关联单元中，通过计算各所述局部图结构之间的关系，对各所述局部图结构进行关联得到目标的全局散射图结构；
19、在各所述散射特征提取层中，根据前一层散射特征提取层提取的散射特征或全局散射图结构进行聚合和映射得到更高维度的散射特征；
20、由各所述散射特征提取层输入的不同维度的散射特征以及全局散射图像结构，得到所述目标的多维度全局散射特征。
21、在其中一实施例中，在所述局部图结构构造单元中，采用k近邻算法得到所述局部图结构；
22、在所述全局散射特征关联单元中，采用边缘卷积算法得到所述全局散射图结构；
23、各所述散射特征提取层中均包含k近邻算法层以及边缘卷积算法层；
24、将所述局部图结构构造单元以及全局散射特征关联单元作为所述特征提取单元中的第一层散射特征提取层。
25、在其中一实施例中，在所述多尺度特征增强网络中：将所述多维度全局散射特征进行拼接融合后，通过最大池化操作和平均池化操作对得到的拼接融合特征进行集成，得到所述多尺度散射特征。
26、在其中一实施例中，所述多核深层特征提取网络中包括多个依次连接的语义特征提取单元，以及连接在最后一个语义特征提取单元输出端的池化层；
27、各所述语义特征提取单元中采用不同尺寸的卷积核对输入图像或所述sar图像的语义特征进行提取，并将提取得到的特征进行融合后通过归一化以及最大池化的处理得到输出数据，并将所述输出数据作为输入至下一个语义特征提取单元或池化层的输入数据。
28、在其中一实施例中，在各所述语义特征提取单元中包含3×3、5×5和7×7尺寸的卷积核。
29、在其中一实施例中，在所述特征融合网络中，分别根据相应的预设权重对所述多尺度散射特征以及深层语义特征进行加权后，再进行特征融合。
30、本申请提供了一种基于多尺度全局散射特征关联的sar目标识别装置，所述装置包括：
31、sar图像获取模块，用于获取待进行目标识别的sar图像；
32、目标区域分割模块，用于对所述sar图像进行精细分割，得到所述sar图像中目标的分割区域；
33、多维度全局散射特征提取模块，用于利用多维度散射特征提取网络基于所述sar图像中目标的分割区域进行散射特征提取，先提取目标的多个散射中心，根据多个所述散射中心构建表征目标散射特征的全局散射图结构，再利用多个散射特征提取层对所述全局散射图结构进行多维度散射特征的提取，得到目标的多维度全局散射特征；
34、多尺度散射特征提取模块，用于采用多尺度特征增强网络对所述多维度全局散射特征进行拼接融合，得到目标的多尺度散射特征；
35、深层语义特征提取模块，用于利用多核深层特征提取网络根据所述sar图像进行语义特征提取，得到目标的深层语义特征；
36、特征融合及目标识别模块，用于采用特征融合网络根据所述目标的多尺度散射特征以及深层语义特征进行特征融合，得到所述目标的融合特征，基于所述融合特征对所述sar图像中的目标进行识别。
37、一种计算机设备，包括存储器和本文档来自技高网...
【技术保护点】
1.一种基于多尺度全局散射特征关联的SAR目标识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的SAR目标识别方法，其特征在于，所述对所述SAR图像进行精细分割，得到所述SAR图像中目标的分割区域，包括：
3.根据权利要求2所述的SAR目标识别方法，其特征在于，所述根据多个所述散射中心构建表征目标散射特征的全局散射图结构包括：
4.根据权利要求3所述的SAR目标识别方法，其特征在于，所述多维度散射特征提取网络包括散射中心点提取单元、局部图结构构造单元、全局散射特征关联单元以及包含有多个依次连接的所述散射特征提取层的特征提取单元；
5.根据权利要求4所述的SAR目标识别方法，其特征在于，
6.根据权利要求1所述的SAR目标识别方法，其特征在于，在所述多尺度特征增强网络中：
7.根据权利要求1所述的SAR目标识别方法，其特征在于，所述多核深层特征提取网络中包括多个依次连接的语义特征提取单元，以及连接在最后一个语义特征提取单元输出端的池化层；
8.根据权利要求7所述的SAR目标识别方法，其特
9.根据权利要求8所述的SAR目标识别方法，其特征在于，在所述特征融合网络中，分别根据相应的预设权重对所述多尺度散射特征以及深层语义特征进行加权后，再进行特征融合。
10.一种基于多尺度全局散射特征关联的SAR目标识别装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.一种基于多尺度全局散射特征关联的sar目标识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的sar目标识别方法，其特征在于，所述对所述sar图像进行精细分割，得到所述sar图像中目标的分割区域，包括：
3.根据权利要求2所述的sar目标识别方法，其特征在于，所述根据多个所述散射中心构建表征目标散射特征的全局散射图结构包括：
4.根据权利要求3所述的sar目标识别方法，其特征在于，所述多维度散射特征提取网络包括散射中心点提取单元、局部图结构构造单元、全局散射特征关联单元以及包含有多个依次连接的所述散射特征提取层的特征提取单元；
5.根据权利要求4所述的sar目标识别方法，其特征在于，
6.根...
【专利技术属性】
技术研发人员：张思乾，张祥辉，计科峰，赵凌君，雷琳，匡纲要，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。