[发明专利]一种面向深度学习SAR图像目标识别的图像预处理方法

说明书

本发明公开了一种面向深度学习合成孔径雷达图像自动目标识别的图像预处理方法。它充分利用了SAR图像的成像特点，将不同方位角上SAR图像的信息进行整合，在未增加数据集样本数量的情况下，增加了SAR图像中的目标信息，可有效提高后续SAR图像目标识别的准确率，与使用数据增强方法将数据集样本数量扩大很多倍的SAR图像预处理方法相比，本发明方法可有效缩短后续网络模型的训练时间，同时也可减少对计算资源的使用。

技术领域

本发明属于雷达目标识别领域，特别涉及一种面向深度学习合成孔径雷达（Synthetic Aperture Radar，SAR）图像自动目标识别（Automatic Target Recognition，ATR）的图像预处理方法。

背景技术

合成孔径雷达是一种基于主动式微波传感的相干成像雷达，是遥感领域的重要组成部分。相比于被动成像的光学遥感，合成孔径雷达不受云、雪、雨、雾等不利天气条件和昼夜时间的限制，并且可以一定程度上穿透植被和伪造遮挡，这些优秀的特性使得其被越来越广泛的应用于环境地形调查、军事侦察、海洋监测、农业检测、林业监测、大气监测、地质勘探等领域。由于成像机理的不同，SAR图像与人眼易于理解的光学图像有着很大的差别，SAR图像中包含了许多乘性噪声，并且SAR图像对观测方位角极其的敏感，同一目标相邻观测方位角上的SAR图像都有比较明显差异，这些都对图像目标判读解译工作造成了很大干扰。SAR图像目标判读解译的方法主要分为两种，人工目视判读解译与计算机模式识别。然而人工方式需要耗费极高的成本且工作效率难以进一步提升，因此探索更好、更有效的SAR图像目标自动识别的方法具有重要的意义。随着科学技术的不断进步，近几年来深度学习已成为一个非常热门的研究领域。为了拓展SAR ATR领域的研究，人们开始聚焦于使用深度学习方法来解决SAR图像目标识别的问题。由于目前公开的SAR军用车辆图像数据集有限，通常需要使用图像预处理方法对原数据集进行数据扩增，将原数据集扩大很多倍，为SAR图像目标识别网络模型的构建提供更多的图像样本数据，这将导致网络模型的训练时间变长并且占用大量的计算资源。本发明利用了SAR图像的成像特点，将不同方位角上的SAR图像信息进行整合，在未增加数据集样本数量的情况下，增加了SAR图像中的目标信息，从而可以有效提高后续SAR图像目标识别的准确率，并且相较于使用数据增强的方法将数据集扩大很多倍的SAR图像预处理方法，本发明方法后续网络模型训练时长会短很多，同时也可减少对计算资源的使用。

发明内容

本发明提出了一种面向深度学习SAR图像目标识别的图像预处理方法，以实现不同方位角上SAR图像信息的整合，其实现步骤如下：

步骤一：选取连续方位角上的两幅SAR图像 与，并取图像的中心点，其中两幅SAR图像的方位角分别为  与。

 步骤二：将图像绕中心点逆时针旋转角度得到图像，其中心点为 ，为了得到完整的旋转图片，图像为图像旋转后图像的外接矩形图像。

 步骤三：将图像 中位于旋转图像以外的像素值全部置为0，并且绕中心点 将图像裁剪到与原图像相同大小，得到图像。

步骤四：将步骤三中得到的图像与步骤一中选取的图像，进行加权求和得到图像，其中。

通过上述步骤，可以实现不同方位角上SAR图像信息的整合，在未增加数据集样本数量的情况下，增加了SAR图像中的目标信息，可有效提高后续SAR图像目标识别的准确率。

与现有技术相比，本发明的有益效果是：充分利用了SAR图像的成像特点，将不同方位角上SAR图像的信息进行整合，在未增加数据集样本数量的情况下，增加了SAR图像中的目标信息，可有效提高SAR图像目标识别的准确率，相较于使用数据增强方法将数据集扩大很多倍的SAR图像预处理方法，本发明方法后续网络模型训练时间会短很多，同时也可减少对计算资源的使用。

附图说明