[发明专利]基于小波变换的CNN训练和遥感图像目标识别方法

权利要求书

1.一种基于小波变换的卷积神经网络CNN方法，其特征在于，包括：

构建目标对象的训练集；

对所述训练集中的训练图像进行图像预处理，得到预处理训练图像；

对所述预处理训练图像进行小波变换，得到变换小波图像；

将所述变换小波图像和所述预处理训练图像分别输入至卷积神经网络进行训练；

所述卷积神经网络的第一层卷积包括第一分支卷积和第二分支卷积；所述第一分支卷积和所述第二分支卷积采用初始化权重；所述卷积神经网络最后一组卷积层和池化层之间包括通道注意力机制模块；

所述将所述变换小波图像和所述预处理训练图像分别输入至卷积神经网络进行训练，包括：

将所述变换小波图像作为第一输入图像输入至所述卷积神经网络的第一分支卷积，将所述预处理训练图像作为第二输入图像输入至所述卷积神经网络的第二分支卷积，以对所述卷积神经网络进行训练；

其中，所述卷积神经网络的损失函数根据所述第一分支卷积对应支路的第一损失函数所述第二分支卷积对应支路的第二损失函数以及根据所述第一损失函数L₁和所述第二损失函数L₂产生的对抗损失函数确定；x_i和y_i分别代表所述预处理训练图像和所述变换小波 图像经过所述卷积神经网络生成特征图的第i个特征，t_i代表目标识别标签，也即期待识别出的特征，m代表训练集的批次的大小，n代表舰船的总类别数量，W是目标卷积神经网络中分类网络针对各特征的权重，T代表转置计算。

2.根据权利要求1所述的方法，其特征在于，所述构建目标对象的训练集，包括：

获取所述目标对象的源数据，并根据所述源数据确定原始数据集；

将根据设定数据集比例从所述原始数据集抽取得到的数据作为所述训练集。

3.根据权利要求1所述的方法，其特征在于，所述对所述训练集中的训练图像进行图像预处理，得到预处理训练图像，包括：

对各所述训练图像进行调整，得到大小一致的调整训练图像；

对所述调整训练图像进行数据扩增，得到所述预处理训练图像。

4.根据权利要求1所述的方法，其特征在于，所述对所述预处理训练图像进行小波变换，得到变换小波图像，包括：

对所述预处理训练图像的RGB通道分别进行小波变换，得到中间处理小波图像；

对所述中间处理小波图像沿RGB通道进行拼接，得到所述变换小波图像。

5.一种基于小波变换卷积神经网络CNN的图像识别方法，其特征在于，包括：

获取待识别图像；

对所述待识别图像进行图像预处理，得到预处理待识别图像；

对所述预处理待识别图像进行小波变换，得到变换小波待识别图像；

将所述变换小波待识别图像和所述预处理待识别图像分别输入至通过权利要求1-4任一所述的基于小波变换的CNN训练方法得到的卷积神经网络，得到两路输出结果；

对所述两路输出结果进行融合。