[发明专利]对逆合成孔径雷达ISAR的批量成像质量评估方法

权利要求书

1.一种对逆合成孔径雷达ISAR的批量成像质量评估方法，其特征在于，包括如下：

(1)对N幅ISAR图像由人工视觉分为“优”、“良”、“中”和“差”这4类，每类图像的个数为n，N≥960，n≥240；

(2)给人工分类的ISAR图像贴上不同的标签，即“优”的标签为“1”，“良”的标签为“2”，“中”的标签为“3”，“差”的标签为“4”；

(3)选取4类带标签的ISAR图像的一半作为训练样本，输入到卷积神经网络CNN中进行训练，得到训练好的卷积神经网络CNN′，并提取出所有类别的图像的特征μ；

(4)将提取得到的特征μ输入到不同正则化系数λ下的支持向量机SVM中进行训练，得到训练好的支持向量机SVMs′，进而得到训练样本的4种实际分类结果；

(5)将训练样本的实际分类结果与标签对比，确定最优的正则化系数λ′，得到最终训练好的支持向量机SVM′；

(6)选取(2)中4类带标签的ISAR图像的另一半作为测试样本，输入到经(3)训练好的卷积神经网络CNN′中进行特征提取，提取出所有类别的图像特征κ；

(7)将(6)中提取得到的特征κ输入最终训练好的支持向量机SVM′中进行分类，得到对逆合成孔径雷达ISAR的批量成像质量评估结果。

2.如权利要求1所述的方法，其特征在于，在(1)中对N幅ISAR图像由人工视觉分为4类，其分类标准如下：

“优”，是指整体结构清晰可分辨，即聚焦良好；

“良”，是指整体结构可分辨，即聚焦一般；

“中”，是指整体结构模糊，局部结构可分辨，即聚焦较差；

“差”，是指整体结构不可分辨，局部结构不可分辨，即聚焦很差。

3.如权利要求1所述的方法，其特征在于(3)中的利用训练样本对卷积神经网络CNN进行训练，其实现如下：

(3a)选择由一个输入层、两个卷积层、两个采样层、一个全连接层和一个输出层组成的7层CNN网络，且每个卷积层的大小为5×5的卷积窗口，每个采样层采用均值采样；

(3b)设置各层之间的激活函数采用sigmoid函数，其具体形式为：其中z为每一层的输入，e为自然常数；

(3c)设输入层的图像大小为32×32，使其先经过第一卷积层后得到6个28×28的特征图，再经过第一采样层得到6个14×14的特征图，再经过第二卷积层得到16个10×10的特征图，最后经第二采样层2采样得到16个5×5的特征图，输入给全连接层；

(3d)全连接层将16个5×5的特征图展开成一个16×5×5的向量，输入给输出层，得到分类x是正确分类的预测概率q(x)，取值范围为(0,1)；

(3e)设置卷积神经网络CNN的损失函数H(p,q)为交叉熵形式，即：其中，p(x)表示分类x是正确分类的先验概率，其取值为0或1；q(x)表示分类x是正确分类的预测概率，取值范围为(0,1)；

(3f)应用反向传播BP算法优化损失函数H(p,q)，得到训练好的卷积神经网络CNN′。

4.如权利要求1所述的方法，其特征在于(4)中的利用提取得到的特征μ对支持向量机SVM进行训练，其实现如下：

(4a)对支持向量机SVM设置不同的正则化系数λ；

(4b)损失函数采用Crammer和Singer提出的用于多分类的铰链损失形式，即：其中y是分类x的标签，t是不等于y的标签，w_t是选择t标签的超平面参数，w_y是选择y标签的超平面参数；

(4c)采用Limited-memory BFGS优化算法对(4b)中的损失函数l(y)进行优化，得到训练好的不同正则化系数λ所对应的支持向量机SVMs′。