[发明专利]一种基于深度神经网络的多视SAR图像目标识别方法

说明书

本发明公开了一种基于深度神经网络的多视SAR图像目标识别方法，包括图像预处理、基于CAE的特征提取、基于RNN的多视SAR图像识别三个步骤。首先对输入图形进行裁剪，能量归一化等预处理过程，然后通过对CAE进行无监督训练提取到原始图像的特征，而后先利用上述特征构建多视SAR图像特征序列。之后，用训练集特征序列对RNN进行有监督训练。训练完成后，RNN可用于对测试集特征序列进行识别。本发明能充分利用CNN在学习和提取图像概括性特征方面的能力，及RNN充分提取序列上下文关系的能力，从而有效的提高了多视SAR图像目标的识别率，具有较高的工程价值。

技术领域

本发明涉及雷达技术领域，具体地说，是指一种基于深度神经网络的多视SAR图像目标识别方法。

背景技术

作为SAR图像解译系统的组成部分，SAR自动目标识别由于其在灾害评估、资源探测、战场侦察等军事和民用领域的重要意义,引起了研究人员的广泛关注。SAR自动目标识别主要包括特征提取和识别器的构建两个部分。对于特征提取方面，PCA、KPCA、KLDA等方法都被比较成功的运用。对于目标识别领域，模板匹配法，HMM，SVM等方法也都进行了尝试。但是，对于特征提取而言，目前的方法主要集中于对图像特征进行空间变换处理，使得不同类特征具有较好的区分性。但是，这样的做法并不能利用图像中的二维结构信息，得到的特征并不具有概括性，对噪声的鲁棒性不强。

另外，SAR图像识别最重要的指标为识别正确率。而一种有效的提升识别正确率的方法即是利用多幅属于同一目标的多视SAR图像进行联合识别。但是，已有的多视SAR图像识别方法，例如联合稀疏表示，决策级融合等等，都并不能充分利用图像之间的相关性，实现识别正确率的提升。

近年来，两种特殊的深度神经网络：卷积神经网络(Convolution NeuralNetwork，简称CNN)和循环神经网络(Recurrent Neural Network，简称RNN)在模式识别领域得到了广泛的应用。前者能够有效的提取图像中的二维结构信息，并且，其中的卷积层、降采样层交替出现的网络结构使得CNN对于图像一定程度的畸变具有识别不变性。而后者则能够有效提取序列中上下文之间的相互关系。因此，需要将两种模型的优势进行结合，在利用CNN提取特征的基础上，运用RNN提取相互关系，实现多视SAR图像目标识别。

发明内容

本发明的目的是从特征提取和目标识别两个角度入手，提升多视SAR图像目标识别率。本发明将CNN中的所有的卷积层和降采样层当做卷积稀疏自编码器(ConvolutionalAuto-Encoder,简称CAE)进行无监督训练，用于特征提取。此后，利用RNN对多视SAR图像经过CAE提取后的特征进行识别。这样可以充分利用CNN和RNN的优势，提升多视SAR图像识别正确率。

一种基于深度神经网络的多视SAR图像目标识别方法，主要包括以下步骤：

步骤一、对输入的训练集图像和测试集图像进行尺寸裁剪，能量归一化等预处理过程。

(1)以原始图像的目标中心为中心进行裁剪，仅保留原图中目标的部分。

(2)对裁剪后的图像进行能量归一化处理

其中式(1)中，x(i,j)表示原图中(i,j)像素点的原始值，m为原图中各个像素点的均值,σ为原图中各个像素点的均方差，为经过归一化后的图像中(i,j)像素点的值；

步骤二、构建包含卷积层和降采样层的卷积稀疏自编码器(Convolutional Auto-Encoder,简称CAE)，并采用类似于稀疏自编码器(Sparse Auto-Encoder，简称SAE)的无监督训练方法对CAE进行无监督训练，利用完成训练的CAE提取原始图像的特征。并对提取到的特征进行降维处理。