[发明专利]一种基于迁移学习的小样本SAR图像舰船分类方法

说明书

本发明涉及一种基于迁移学习的小样本SAR图像舰船分类方法，属于计算机视觉技术领域。该方法包括：1)对SAR图像舰船切片进行预处理从而使舰船切片满足迁移学习对输入图片的要求，对舰船切片采取图像增强，并通过DCGAN网络合成相似的舰船切片图像，从而满足CNN分类网络对于数据数量的要求；2)将图片通过去噪自编码器提取图像特征，降低DCGAN网络生成图像时加入的噪声，降低不同海况背景对分类结果的影响；3)采用ResNet网络进行迁移学习，并采用fine‑tune方法进一步提升分类准确性。本发明保证了小样本SAR图像舰船分类能够达到一定准确性。

技术领域

本发明属于计算机视觉技术领域，涉及一种基于迁移学习的小样本SAR图像舰船分类方法。

背景技术

星载SAR(Synthetic Aperture Radar)是利用合成孔径原理的主动式微波传感器，通过星载SAR可以实现对舰船的监视、检测、分类等功能。随着星载SAR的发展，SAR图像有了更丰富的细节，通过肉眼观察或者采用传统特征检测进行舰船检测、分类的效果达不到需求。

基于分类需求，最常用的分类方式是采用深度学习模型进行SAR图像分类，但是此种分类方法需要大量带真值标注的样本。如：专利申请“基于跨领域迁移学习的图像地物分类方法”(申请公布号：CN105224949A)公开了采用SVM向量机作为分类器的分类方法，根据SVM的输出表示图像类别得分，最终知道该图像是哪种类别，但是该方法仅适合样本数量充足的情况。专利申请“一种基于DCGAN的极化SAR图像分类方法”(申请公布号：CN107292336)公开了采用DCGAN网络生成舰船图像，但最后采用辨别器D作为分类网络提取特征，在样本量少的前提下，特征提取效果不佳。文献“基于迁移学习小样本训练的SAR 目标识别”中，采用迁移学习识别SAR目标，虽然采用了残差模块的类ResNet网络，但卷积网络需要大量数据，文中分类效果仍受限于样本数量。

由于SAR图像获取困难，从SAR图像上分割获得的带真值标注舰船切片则更加稀少。因此，亟需一种能够基于小样本的SAR图像舰船分类方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于迁移学习的小样本SAR图像舰船分类方法，解决在SAR图像获取困难、带标注SAR图像较少的情况下对SAR图像舰船分类的问题；应用于SAR图像中舰船目标的分类，从而满足沿海舰船监视、海事救援等海洋监视需求。

为达到上述目的，本发明提供如下技术方案：

一种基于迁移学习的小样本SAR图像舰船分类方法，具体包括以下步骤：

S1：对SAR图像舰船切片进行预处理，使舰船切片满足迁移学习对输入图片的要求；

S2：对SAR图像集进行图像增强如对图像中舰船进行平移、旋转等操作，达到扩充训练集，增强网络泛化能力的作用；

S3：将SAR图像舰船类别作为标签，并将不同种类舰船图像分别通过深度卷积生成对抗网络(Deep Convolution Generative Adversarial Networks,DCGAN)，生成相似分布的舰船图像集；

S4：判断步骤S3中的DCGAN网络代价函数是否收敛，若收敛，则判断生成图片是否相似于对应舰船类别；若不收敛，对应类别则继续对DCGAN网络参数进行调节；

S5：将原始及生成的SAR图像数据集通过去噪自编码器，提取舰船特征，去除SAR图像噪声(如SAR图像海面杂波噪声、鬼影噪声等)；

S6：对步骤S5输出图像进行归一化处理，将图像像素减去像素均值；采用ResNet网络进行迁移学习，将处理后图像作为ResNet网络输入，并在ResNet网络后面构造分类识别网络；最终输出SAR图像中舰船类别的判断结果。