[发明专利]基于空-时联合卷积的SAR序列图像分类方法

说明书

本发明公开了一种基于空‑时联合卷积的SAR序列图像分类方法，主要解决现有SAR目标识别技术中仅利用单张图像特征、时间信息利用不充分、分类准确率低的问题。其实现步骤为：1)生成样本集，并由样本集生成训练序列样本集和测试序列样本集；2)构建空‑时联合卷积神经网络；3)使用训练序列样本集训练空‑时联合卷积神经网络，得到训练好的空‑时联合卷积神经网络；4)将测试序列样本集输入训练完成的空‑时联合卷积神经网络，得到分类结果。本发明利用空‑时联合卷积神经网络，提取了SAR序列图像时间维和空间维的变化特征，提高了SAR目标分类识别的正确率。可用于基于SAR序列图像的自动目标识别。

技术领域

本发明属于图像处理技术领域，更进一步涉及一种合成孔径雷达SAR序列图像分类方法，可用于实现基于SAR序列图像的自动目标识别。

背景技术

合成孔径雷达SAR具有全天候、全天时、高分辨等特性，被广泛应用于军事侦察、战场感知和地理信息采集等领域。自动目标识别ATR是基于计算机系统，从传感器获取数据，提取特征，自动给出目标类别属性的算法。近年来，基于合成孔径雷达SAR序列图像的自动目标识别ATR技术不断发展，在雷达目标识别研究中受到广泛关注。

目前，基于SAR序列图像对目标分类的方法，其主要思想是对目标序列图像进行数据融合，从而输出唯一的类别结果。按照融合发生的位置，主流的方法可以分为三类：判决级融合、特征级融合、像素级融合。其中：

判决级融合，是将每张图像分别通过同一个特征提取器和分类器，然后将分类器的各个输出按照某种准则进行判决，并输出分类结果，由于判决级融合依赖于分类器的性能而忽视了图像之间的联系，因此较难取得理想的分类效果。

特征级融合，首先利用相同特征提取器分别提取序列中每张图像的特征向量，进而将这些特征向量合成为一个用于分类的特征，特征级融合考虑了图像之间的相关信息，但是在对每张图像进行特征提取的过程中，可能存在相关信息的损失。

像素级融合，直接将序列图像整体表示在特征域上，在这个特征域上完成相关的分类操作。

上述SAR自动目标识别方法通过对多幅图像的数据融合，提高了系统的稳健性，但还存在着序列图像相关信息利用不充分、时间维特征难以直观表示的不足。

Moussa Amrani,Feng Jiang在其发表的论文“Deep feature extraction andcombination for synthetic aperture radar target classification”(Journal ofApplied Remote Sensing，2017)中提出了一种由卷积神经网络不同层的输出特征进行特征融合的合成孔径雷达SAR自动目标识别ATR方法。该方法的具体步骤为：首先由卷积神经网络提取SAR图像特征，并采用判别相关分析算法对网络不同层提取的深层特征进行融合，最后使用K-NN分类器得到分类结果。该方法有效提取了SAR图像空间特征，但是，该方法仍然存在的问题是没有有效利用图像序列之间的时间信息，因此识别正确率低。

Jifang Pei,Yulin Huang,Yin Zhang,Jianyu Yang,Tat-Soon Yeo在其发表的论文“SAR Automatic Target Recognition Based on Multiview Deep LearningFramework”(IEEE Transactions on Geoscience and Remote Sensing,2018)提出了一种基于并行卷积神经网络融合特征的合成孔径雷达SAR自动目标识别ATR方法。该方法的具体步骤为：首先将数据集的单张SAR图像组合为多视角的样本集，将样本集中不同视角的多幅SAR图像分别输入并行深度卷积神经网络DCNN，每幅单视角的SAR图像分别经DCNN网络提取特征信息，并逐层融合不同视角的图像特征，最终根据多视角图像的融合特征进行分类，得到分类结果。该方法虽说对视角变化具有较好的鲁棒性，但是，由于构造样本集时造成了图像序列信息不连贯，损失了图像序列之间的变化特性，因此对变化目标的识别性能依然有待提升。