[发明专利]基于深度卷积神经网络模型的SAR图像目标形状生成方法

说明书

本发明公开了基于深度卷积神经网络模型(DCNN)的合成孔径雷达(SAR)图像目标形状生成方法。本发明目的是为了克服SAR图像中的乘性相干斑噪声和目标强度的非同质性变化等内在性特点，以提高SAR图像目标形状生成的准确性。该方法的首先设计深度卷积神经网络算法，并制定迭代区域合并算法，以获取目标形状初始化机制，然后设计基于稀疏表示的目标形状生成算法，以获取更加精确的目标形状生成结果。本发明有效的解决了SAR图像目标性状的生成问题，提高了SAR图像目标形状生成的准确性。

技术领域

本发明涉及图像处理领域，更具体的涉及一种基于深度卷积神经网络模型(DCNN)的合成孔径雷达(SAR)图像目标形状生成方法。

背景技术

图像分类是图像解译的基础，是实现系统自动目标识别的必要技术手段，同时图像分类技术也是信息技术众多领域的核心技术之一。SAR图像分类即是通过研究目标散射回波来提取目标特征，分析目标特征，对不同的类别目标加以区分。

目标形状的生成是SAR图像分割的重要研究内容，在后续的图像分析、处理及识别中占有重要地位。由于SAR图像中的乘性相干斑噪声和目标强度的非同质性变化等内在性特点，即使采用较优秀的目标形状建模方案，也仍然面临多种挑战，例如，目标形状的生成对初始位置较为敏感，在目标异质性变化区域难以生成理想的形状；基于形状先验方法的目标形状建模方案使用单一形状模板或基于固定参数的形状仿射变换，表示能力不强，对目标形状的大幅度变形不具鲁棒性。因此，设计有效的目标形状生成方案来适应SAR图像典型目标强度表征变化的复杂性，显得极为迫切。

综上所述，本发明提出了一个基于深度卷积神经网络模型和稀疏表示的SAR图像目标形状生成方法，有效地解决了SAR图像目标形状的生成问题。

发明内容

本发明目的是为了克服SAR图像中的乘性相干斑噪声和目标强度的非同质性变化等内在性特点，以提高SAR图像目标形状生成的准确性，提出了一种基于深度卷积神经网络模型的SAR图像目标形状生成方法。

本发明的主要思路是首先设计深度卷积神经网络算法，并制定迭代区域合并算法，以获取目标形状初始化机制，然后设计基于稀疏表示的目标形状生成算法，以获取更加精确的目标形状生成结果。

本发明是通过以下技术方案来实现的，基于深度卷积神经网络模型的SAR图像目标形状生成方法，包括以下具体步骤：

步骤1，加载图像数据。

步骤2，参数初始化，设置以下参数的数值：时间步长timestep、最大迭代次数iter、滤波算子窗口大小W、批次大小batch_size、基本学习率Lr。

步骤3，对图像进行二维高斯卷积操作，再进行平滑处理。

步骤4，将图像灰度值归一化到[0,255]范围内。

步骤5，通过深度学习的思想进行目标形状的初始化。

步骤6，设计迭代区域合并算法。

步骤7，应用Procrustes分析方法对初始目标形状结果进行排列对齐。

步骤8，利用k-means算法对已对齐的样本数据进行分类，并设计基于稀疏表示的目标形状生成算法，得到稀疏编码模型。

步骤9，基于步骤8得到的稀疏编码模型，使用OMP(正交匹配追踪算法)得到目标形状结果s。

进一步地，所述步骤5包括如下步骤：