【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及基于局部约束网络的合成孔径雷达图像抗噪识别方法及系统。
技术介绍
1、合成孔径雷达的目标识别是合成孔径雷达图像解译的一个重要应用，需要提取图像中保持不变的图像特征，由于一些误差因素如雷达姿态、成像条件、天气因素和系统噪声干扰等，导致合成孔径雷达图像的分辨率下降；同时，一些合成孔径雷达目标图像之间的差异非常小，对姿态角的变化又十分敏感，几乎很难用肉眼进行区分，采用人工识别的方法既需要大量的专业知识又十分低效，故研究如何提取低质量以及相似目标的合成孔径雷达图像中的细节特征十分必要。
2、现有利用卷积神经网络进行合成孔径雷达图像目标识别的技术，大多在强相干斑噪声下表现不够理想，同时在提取相似目标的图像细节特征表现不好，因此，本专利技术预期公开一种能够对相干斑噪声鲁棒性好、对差异极小目标细节特征提取能力强的合成孔径雷达图像去噪识别方法。
技术实现思路
1、针对现有技术中存在的问题，本专利技术提供基于局部约束网络的合成孔径雷达图像抗噪识别方法及系统，能够在雷达图像检测中提高相干斑噪声鲁棒性，提高差异极小目标细节特征提取能力。
2、本专利技术是通过以下技术方案来实现：
3、基于局部约束网络的合成孔径雷达图像抗噪识别方法，包括以下步骤：
4、基于实测sar数据集与相干斑噪声符合gamma分布的特性，构建带噪声的训练集图像和测试集图像；
5、构建局部约束卷积神经网络，同时构建由均方误差、噪声抑制因子、局部约
6、基于测试图像集进行识别，得到识别结果，完成基于局部约束网络的合成孔径雷达图像抗噪识别方法。
7、进一步的，基于所述相干斑噪声符合gamma分布的特性，构建带噪声的训练集图像和测试集图像的过程为：
8、
9、其中，v为相干斑噪声的强度值，l≥0为视数，1/l等效于相干斑噪声的方差，l的值越小，相干斑噪声越强，γ(·)为gamma函数；
10、将得到符合gamma分布的相干斑噪声与原实测sar数据集相乘得到训练集图像和测试集图像u(x)，所对应的实测sar数据集作为原始图像o(x)。
11、进一步的，所述基于该损失函数和训练集图像，训练局部约束卷积神经网络模型的过程为：
12、所述局部约束卷积神经网络由去噪模块、特征提取模块和分类模块组成，其中，所述去噪模块包括卷积层、归一化层和relu激活函数；所述特征提取模块包括卷积层、最大池化层和relu激活函数；所述分类模块包括全连接层和softmax层；原始图像仅进入特征提取模块提取特征，训练集图像按顺序进入去噪、特征提取和分类模块。
13、进一步的，所述构建由均方误差、噪声抑制因子、局部约束保持、一致性保持和交叉熵组成的多任务损失函数的过程为：
14、损失函数ιtotal为：
15、ιtotal＝ιcross+λ1ιlocal+λ2ιcos+λ3ιmse+λ4ιsns；
16、其中，λ1,λ2,λ3,λ4为调节参数ιcross,ιlocal,ιcos,ιmse,ιsns为不同的损失函数项；
17、均方误差损失函数项ιmse为：
18、
19、其中d(x)表示u(x)经过去噪模块得到的输出图像；
20、噪声抑制因子损失函数项ιsns为：
21、
22、其中，exp(·)表示指数函数，β1,β2为调节参数，μ表示图像匀质区域均值，σ为图像匀质区域方差，i,j表示像素坐标，为等效视数，a,b表示所划分中心区域的边缘范围，分别表示水平方向和垂直方向的边缘保持指数，通过对图像进行划分中心区域和背景区域，在背景区域计算等效视数，在中心区域计算边缘保持指数；
23、局部约束保持损失函数项ιlocal为：
24、
25、ιlocal＝tr(hght)
26、
27、其中，x1,x2∈x，x为图像集合，x1,x2为其中的样本，f(·)表示在全连接层前得到的样本特征，h＝{f(d(x1)),f(d(x2)),…,f(d(xx))}，g＝d-s为拉普拉斯矩阵，对角矩阵d表示相似度矩阵s的行和或者列和，t为常数，分别表示o(x1),o(x2)的类标向量，c为图像的类别数；
28、一致性保持损失函数项ιcos为：
29、ιcos＝1-cos(f(d(x)),f(o(x)))；
30、交叉熵损失函数项ιcross为：
31、
32、其中，和分别表示目标图像xm对应类标和预测类标的第k个分量；
33、所述训练局部约束卷积神经网络模型，得到优化局部约束卷积神经网络模型参数的过程为：
34、将训练数据输入网络进行训练，原始图像o(x)只通过特征提取模块，训练集图像u(x)按顺序通过全部模块；
35、训练过程中采用小批量随机梯度下降算法，设置数据批量、训练轮次、学习率和学习率衰减值，分别设置参数λ1,λ2,λ3,λ4,β1,β2的值；
36、训练中通过正向传播计算损失函数，反向传播更新网络的权重，直至损失函数收敛。
37、进一步的，所述噪声抑制因子的损失函数项ιsns用于衡量去噪模块对相干斑噪声的抑制效果，通过对图像进行划分背景区域和中心区域，在背景区域得到等效视数，在中心区域得到水平和垂直方向上的边缘保持指数，所述背景区域为匀质区域，所述中心区域为目标区域。
38、进一步的，所述局部结构保持损的失函数项ιlocal用于保持图像的局部结构，通过类标构建相似度矩阵，保持数据在特征空间中具有和原始空间一致的局部结构。
39、进一步的，所述一致性保持的损失函数项ιcos用于保持卷积神经网络提取特征的一致性，将原始图像和去噪图像通过卷积神经网络得到的特征计算余弦损失，保证卷积神经网络提取特征的一致性。
40、基于局部约束网络的合成孔径雷达图像抗噪识别系统，包括：
41、预处理模块，被配置为基于实测sar数据集与相干斑噪声符合gamma分布的特性构建带噪声的训练集图像和测试集图像；
42、构建模块，被配置为构建局部约束卷积神经网络，同时构建由均方误差、噪声抑制因子、局部约束保持、一致性保持和交叉熵组成的多任务损失函数，基于该损失函数和训练集图像，训练局部约束卷积神经网络模型，得到训练好的局部约束卷积神经网络模型参数；
43、输出模块，被配置为基于测试图像集进行识别，得到识别结果，完成基于局部约束网络的合成孔径雷达图像抗噪识别方法。
44、一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行本文档来自技高网...
【技术保护点】
1.基于局部约束网络的合成孔径雷达图像抗噪识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于局部约束网络的合成孔径雷达图像抗噪识别方法，其特征在于，基于所述相干斑噪声符合Gamma分布的特性，构建带噪声的训练集图像和测试集图像的过程为：
3.根据权利要求1所述基于局部约束网络的合成孔径雷达图像抗噪识别方法，其特征在于，所述基于该损失函数和训练集图像，训练局部约束卷积神经网络模型的过程为：
4.根据权利要求1所述基于局部约束网络的合成孔径雷达图像抗噪识别方法，其特征在于，所述构建由均方误差、噪声抑制因子、局部约束保持、一致性保持和交叉熵组成的多任务损失函数的过程为：
5.根据权利要求4所述基于局部约束网络的合成孔径雷达图像抗噪识别方法，其特征在于，所述噪声抑制因子的损失函数项ιsns用于衡量去噪模块对相干斑噪声的抑制效果，通过对图像进行划分背景区域和中心区域，在背景区域得到等效视数，在中心区域得到水平和垂直方向上的边缘保持指数，所述背景区域为匀质区域，所述中心区域为目标区域。
6.根据权利要求4所述基于局部约
7.根据权利要求4所述基于局部约束网络的合成孔径雷达图像抗噪识别方法，其特征在于，所述一致性保持的损失函数项ιcos用于保持卷积神经网络提取特征的一致性，将原始图像和去噪图像通过卷积神经网络得到的特征计算余弦损失，保证卷积神经网络提取特征的一致性。
8.基于局部约束网络的合成孔径雷达图像抗噪识别系统，其特征在于，基于权利要求1-7任一项所述基于局部约束网络的合成孔径雷达图像抗噪识别方法，包括：
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述基于局部约束网络的合成孔径雷达图像抗噪识别方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述基于局部约束网络的合成孔径雷达图像抗噪识别方法的步骤。
...【技术特征摘要】
1.基于局部约束网络的合成孔径雷达图像抗噪识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于局部约束网络的合成孔径雷达图像抗噪识别方法，其特征在于，基于所述相干斑噪声符合gamma分布的特性，构建带噪声的训练集图像和测试集图像的过程为：
3.根据权利要求1所述基于局部约束网络的合成孔径雷达图像抗噪识别方法，其特征在于，所述基于该损失函数和训练集图像，训练局部约束卷积神经网络模型的过程为：
4.根据权利要求1所述基于局部约束网络的合成孔径雷达图像抗噪识别方法，其特征在于，所述构建由均方误差、噪声抑制因子、局部约束保持、一致性保持和交叉熵组成的多任务损失函数的过程为：
5.根据权利要求4所述基于局部约束网络的合成孔径雷达图像抗噪识别方法，其特征在于，所述噪声抑制因子的损失函数项ιsns用于衡量去噪模块对相干斑噪声的抑制效果，通过对图像进行划分背景区域和中心区域，在背景区域得到等效视数，在中心区域得到水平和垂直方向上的边缘保持指数，所述背景区域为匀质区域，所述中心区域为目标区域。
6.根据权利要求4所述基于局部约束网络的合成孔径雷达图像抗噪识...
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。