[发明专利]基于卷积神经网络的合成孔径聚焦成像深度评估方法

说明书

一种基于卷积神经网络的合成孔径聚焦成像深度评估方法，由构建多层卷积神经网络、采集并生成合成孔径图像、对合成孔径图像进行分类、训练构建的卷积神经网络、判断合成孔径图像聚焦程度步骤组成。本发明以单张合成孔径图像作为输入，采用了卷积神经网络深度学习工具，提取合成孔径图像中的聚焦特征，对于聚焦部分面积较小的合成孔径图像有较高的判断准确率，与现有的方法相比，本发明有效地降低了计算的复杂度，缩短了计算时间，提高了判断的准确率，增强了可扩展性，可用于合成孔径图像的自动聚焦。

技术领域

本发明属于图像处理与模式识别技术领域，具体涉及基于卷积神经网络的合成孔径聚焦成像深度评估方法。

背景技术

现有的相机可调整焦距，位于聚焦平面上的物体成像清晰，反之，位于非聚焦平面上的物体成像模糊，物体是否位于聚焦平面上是判断图像是否聚焦的关键，随着相机价格的降低，利用多个相机组成的相机阵列进行合成孔径成像越来越成为可能。然而，在合成孔径成像领域中，找到一种测量聚焦程度的方法受到广大研究者的重视。

现有的测量聚焦方法采用像素值之间的梯度算法和对像素值的局部统计来实现对图像聚焦程度的判断。近年来，关于聚焦测量方法的研究在多方面有了一定的进展。Pech等人提出了一种计算兴趣区域内灰度值方差的方法，Tian等人提出了基于微波的拉普拉斯混合模型，Kristan等人采用图像频谱的谱熵计算子区域的聚焦程度。这些测量方法经常被用于解决对焦寻形，图像融合以及自动聚焦等问题。此外，现有方法需要场景中其他信息作为输入，例如多个视角的图像信息或聚焦在不同深度的图像序列，现有的方法需要消耗大量的时间用于多个图像中像素值的计算。

发明内容

本发明所要解决的技术问题在于克服上述现有技术的不足，提供一种运行时间短、判断图像准确率高、可扩展性强、聚焦面较小的基于卷积神经网络的合成孔径聚焦成像深度评估方法。

解决上述技术问题所采用的技术方案由下述步骤组成：

(1)构建多层卷积神经网络

对于网络的输入图像，统一尺寸为227×227×3，其中，227×227为输入图像的分辨率，3为输入图像具有三个彩色通道的像素信息。

卷积神经网络包含5个卷积层，3个池化层和3个全连接层；在卷积层中，对输入的图像进行卷积操作：

式中G(x,y)为卷积层输出矩阵中的元素，F(x,y)为卷积层输入矩阵中的元素，H(a,b)为卷积核中的元素，x、y分别为矩阵中的第x行、第y列，a、b分别为卷积核中的第a行、第b列，I为输入矩阵的大小，J为卷积核的大小；经过卷积操作后，卷积层的输出矩阵在激活层被ReLU函数激活：

R(x,y)＝max(0,G(x,y)) (2)

式中R(x,y)为激活层输出矩阵中的元素；激活层的输出矩阵在池化层进行下采样操作：

U(x′,y′)＝max(R(x+m,y+n)) (3)

式中U(x′,y′)为池化层输出矩阵中的元素，m、n为[0,ΔI]中的整数，ΔI是下采样的步长为有限的正整数；在池化层后构建归一化层，将U(x′,y′)规范得到归一化层输出矩阵中的元素：

式中V(x,y)为归一化层输出矩阵中的元素，σ是缩放常数为0.0001，μ是指数常数为0.75，M为输入矩阵的通道数；全连接层处理池化层的输出，以0.3～0.5的概率舍弃全连接层中的元素。

(2)采集并生成合成孔径图像