[发明专利]基于NSCT双CNN通道和选择性注意机制的SAR图像目标分类

说明书

本发明公开了基于NSCT双通道CNN和选择性注意机制的SAR图像目标分类方法，其方案是：获取用于目标检测和分类的训练样本集D1和D2；扩充D1和D2得到样本集D3和D4；训练分别用于目标检测和分类的模型M1和M2；对测试图进行显著性检测及形态学处理，对其进行连通域标记，提取连通域质心对应的目标候选区并在其周围若干像素点内平移，生成目标候选区；用M1对目标候选区分类判断，得到目标的最准确定位；用M2分类后投票决定目标的最终类别。本发明加入非下采样轮廓波层，将低频和高频特征图输入双通道CNN中，组成NSCT双通道CNN，结合选择性注意机制应用到SAR图像分类中，提高了SAR图像目标检测分类的准确率，解决了现有技术目标分类准确率低的问题。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于NSCT(非下采样轮廓波)双CNN通道卷积神经网络(Convolutional Neural Network)与选择性注意机制的合成孔径雷达SAR(Synthetic Aperture Rader)图像目标分类方法，本发明可用于合成孔径雷达SAR图像的目标分类与识别。

背景技术

合成孔径雷达作为一种主动式传感器，其分辨率与观测距离无关，具有对地面全天候、全天时不间断观测并且采集数据的能力。目前，SAR已经成为军事侦察及地理遥感不可或缺的手段之一。

SAR图像的目标检测及分类是SAR图像处理与解译中的重要问题。目前在SAR图像的目标检测及分类方面很多是基于像素级处理，需要考虑统计信息。然而由于背景杂波的估计需要一定的先验知识，在先验信息不足的情况下，背景杂波不一定服从预设的分布，将造成杂波统计模型不够准确，带来了检测不准确、虚警率高的问题并且在SAR图像尺寸较大时，耗时将相当长。

随着很多特征提取方法的出现，基于机器学习的目标分类引起了很大的关注。虽然现在已有很多的特征提取方法，但是由于SAR图像的噪声，阴影等影响图像显著性的因素存在，SAR图像的目标检测依旧是一个具有挑战的难题。近些年来，深度学习方法，比如卷积网(CNN)、深度堆栈网(DBN)、自编码(AE)在计算机视觉领域展现出了强大有效的特征表征能力，在SAR图像目标分类方面展现了不同的应用效果。

发明内容

本发明的目的在于针对上述问题，提出一种基于NSCT双通道卷积神经网络(CNN)和选择性注意机制的SAR图像目标分类方法，通过加入NSCT层(即非下采样轮廓波层)，将得到的特征图输入到双CNN通道中，学习到SAR图像的多尺度与多分辨信息，得到更好的分类精度，从而在SAR图像目标检测和分类上得到精确的检测分类结果。

为了实现上述目的，本发明采用的技术方案是，一种基于NSCT双CNN通道和选择性注意机制的SAR图像目标分类方法，包括：

步骤1)，获取用于目标检测的网络模型的训练样本集D1和用于目标分类的网络模型的训练样本集D2；

步骤2)，用数据增强中的平移方法训练样本集D1和训练样本集D2进行扩充，得到新训练样本集D3和训练样本集D4；

步骤3)，训练网络模型；

3a)构建用于目标检测的基于NSCT双CNN通道的分类模型；

3b)用训练样本集D3对步骤3a)中构建的分类模型进行训练，得到训练好的模型M1；

3c)构建用于目标分类的基于NSCT双CNN通道的分类模型；

3d)用训练样本集D4对步骤3c)中构建的网络进行训练，得到训练好的模型M2；

步骤4)用图像视觉显著注意模型对待检测分类的SAR场景图进行显著性检测，得到显著特征图；对显著特征图进行形态学处理后，进行连通域标记，提取与每个连通域的质心对应的目标候选区，将各个目标候选区分别在其上下左右四个方向进行平移来扩充每个目标候选区的待判断数量，在每个平移方向上平移的总像素不超过其边长的像素；