[发明专利]一种提高SAR图像船只分类精度的方法

说明书

本发明公开了一种提高SAR图像船只分类精度的方法，它是基于深度学习的目标分类理论，利用传统特征提取算法提取SAR传统特征，利用主成分分析方法对提取到的传统特征进行降维。将传统的手工特征与神经网络提取到的特征进行融合，将融合特征用于分类，将传统方法提取到的特征融入到卷积神经网络中去，提高特征的表征能力，从而辅助深度学习方法，提升在SAR图像船只分类上的识别精度。本发明与未融入传统特征的卷积神经网络相比，能够显著提升SAR图像船只的分类精度。

技术领域

本发明属于合成孔径雷达(SAR)图像解译技术领域，涉及一种SAR图像船只分类方法。

背景技术

合成孔径雷达(SAR)是一种微波成像雷达，它具有全天时、全天候、二维成像、高分辨率、不受光照云雾影响等优点，长期以来都是船只目标监视监测的重要手段。详见文献“张晰,张杰,孟俊敏.基于旋翼无人机雷达的船只目标成像与类型识别研究进展综述[J].海洋科学,2020,44(06):141-147.”。

随着卷积神经网络在SAR图像上的应用，研究学者提出了各种模型用于SAR图像船只分类，但是这些网络都只利用网络自身学习和提取到的特征，而将传统的手工特征完全舍弃，这可能会导致SAR图像船只的分类精度难以继续提高。因此，为了解决以上问题，本发明基于深度学习的理论，并结合传统的手工特征提取方法，提出了一种提高SAR图像船只分类精度的方法。

发明内容

本发明属于合成孔径雷达(SAR)图像解译技术领域，公开了一种提高SAR图像船只分类精度的方法。该方法基于深度学习的目标分类理论，并将传统的手工特征与神经网络提取到的特征进行融合，提出了一种新的SAR船只分类方法。本发明主要包括以下三个步骤，首先，使用卷积神经网络进行SAR图像特征的提取。然后，利用手工特征提取算法进行传统特征提取，并利用主成分分析方法对提取到的传统特征进行降维。最后，将深度学习提取到的特征和降维后的传统特征进行融合用于最后的分类。

为了方便描述本发明的内容，首先作以下术语定义：

定义1：OpenSARShip数据集

OpenSARShip数据集是一个可用于SAR图像船只检测和分类的数据集。OpenSARShip数据集采集了41幅不同环境条件下的哨兵一号(Sentinel-1)图像，一共有11346个船只,包含散货船、集装箱船和油船三种类型，并且集成了自动识别系统(AIS)的信息。该数据集具有特定性、大尺度、多样性、可靠性和公开性的特点，可作为SAR船只解译算法研究的基准数据集，并且在未来，该数据集将会不断地进行扩充。OpenSARShip数据集可从链接https://opensar.sjtu.edu.cn/下载获得。详见文献“L.Huang,et al.,‘OpenSARShip:A Dataset Dedicated to Sentinel-1Ship Interpretation,’IEEEJ.Sel.Top.Appl.Earth Obs.Remote Sens.,2018,11(1):195-208.”。

定义2：神经元

神经元是神经网络中一种基本的处理单元，它是根据生物界中神经元的结构进行的一种简化的建模。它能够接受多个输入值，然后对这些输入值进行某种函数运算操作得到输出。通过神经元，人工神经网络能够模拟人脑的神经元处理活动，进而进行各种复杂的运算。详见网站“https://www.cnblogs.com/subconscious/p/5058741.html”。

定义3：标准的卷积层