[发明专利]基于深度可变形卷积神经网络的SAR图像目标识别方法

摘要

本发明公开了一种基于深度可变形卷积神经网络的SAR图像目标识别方法，主要解决现有技术目标识别速度慢，准确率低的问题，其步骤为：1)对于SAR图像目标切片数据进行数据扩增，构建目标与场景的合成图像集合，进而得到训练样本集和测试样本集；2)构建基于像素级的峰值特征模块与连通区域标记模块；3)构建深度可变形卷积神经网络并对其进行训练；4)依据得到的峰值图像标记结果，画出目标检测结果图，将目标送入网络，得到输出的分类标签，完成SAR图像目标识别。本发明利用多层网络结构提取输入图像的特征，提高了SAR目标识别中检测速度和识别准确率，可用于遥感目标的目标检测、目标识别和侦查监视。

主权项

1.一种基于深度可变形卷积神经网络的SAR图像目标识别方法，其特征在于，包括：(1)对于SAR图像目标切片数据进行数据扩增：(1a)对于俯视角为17度的数据，在每一类128×128的原始目标切片中扩增获取88×88大小的目标切片；(1b)对于俯视角为15度的SAR图像目标切片，将每一类目标图像以中心像素点为中心，切取88×88的切片；(2)将包含目标的10类436个图像切片嵌入不同环境场景的数据图像中，共获得50幅不同场景下的合成图像；(3)构建网络训练样本集和测试样本集：(3a)对于10类地物目标，每一类均使用2200幅经过数据扩增的俯视角为17度的目标切片图像，共计22000幅训练图像构成训练样本集，每一个训练样本均有各自的参考标签；(3b)使用5000幅经过数据扩增的俯视角为17度及2425幅俯视角为15度的目标切片图像，共计7425幅测试图像构成测试样本集，每一个测试样本均有各自的参考标签；(4)构建基于像素级的峰值特征提取模块：(4a)对SAR图像使用中值滤波器进行噪声去除，并对中值滤波后SAR图像依次进行膨胀、腐蚀、像素值归一化和阈值分割；(4b)对SAR图像进行计数滤波，并对计数滤波后的SAR图像进行膨胀处理，得到峰值特征提取模块；(5)构建连通区域标记模块：(5a)使用8连通区域判定准则，通过一次对图像的遍历，记录下每一行或列中连续的序列和标记的等价对；(5b)对标记前的峰值图像利用(5a)得到的等价对进行重新标记，完成连通区域标记模块的构建；(6)构建一个包括7层结构的深度可变形卷积神经网络模型，即第1层为网络输入层，第2层为第一卷积层，第3层为第二卷积层，第4层为第三卷积层，第5层为第四卷积层，第6层为全局均值池化层，第7层为输出层；(7)对深度可变形卷积神经网络模型进行训练：将训练样本集与训练样本集标签作为深度可变形卷积神经网络模型的输入，对深度可变形卷积神经网络模型进行若干次迭代有监督训练，设置初始学习率为2×e‑4，数据迭代次数为20；设置训练集与测试集批块的大小为25，调整深度卷积神经网络的超参数并防止过拟合，得到训练好的深度可变形卷积神经网络模型；(8)依据(5b)中得到的峰值图像标记结果，画出目标检测结果图，框出检测到的目标，将这些目标送入(7)得到的深度可变形卷积神经网络，得到输出的实际分类标签，完成SAR图像目标识别。