[发明专利]基于卷积神经网络及微调的SAR图像分类方法

说明书

本发明涉及一种基于卷积神经网络及微调的SAR图像分类方法。本发明采用的数据集是美国MSTAR数据集在标准采集条件下的10类地面军事车，该数据集已经包含了推荐的训练集和测试集。本发明首先在ImageNet数据集上预训练ResNet50网络，然后把训练好的ResNet50拿来，固定其前45层参数，而可以只对输出层及接近输出层的若干卷积层训练，即固定低层参数而只训练高层参数。这样能提取数据的有效信息，基础边缘的信息不用重复获取，大大提升了网络训练的效率。为了更加充分的训练网络，采用数据增强预处理的方法。本发明对SAR图像具有良好的分类效果。

技术领域

本发明属于图像处理领域，涉及一种基于卷积神经网络及微调的SAR图像方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种微波遥感成像雷达,与光学、红外等雷达相比,它的成像受气候等条件的限制程度小,具有全天时、全天候、多视角和高分辨率等特点，因此被广泛应用于制图学、资源勘探、海洋应用等国民经济各领域。大数据时代的智能方法如计算机视觉技术目前已经取得巨大成功，然而这些先进算法是针对光学图像开发的，并不能直接应用到SAR图像上。另外，由于SAR图像数据集小，样本量不够多的特点，从头开始训练具有几千万参数的大型神经网络是不现实的，因为越大的模型对数据量的要求越大，过拟合无法避免。

发明内容

本发明针对现有技术的不足，现提出一种基于卷积神经网络及微调的卷积神经网络识别模型实现对SAR图像的分类识别。

本发明解决技术问题所采取的技术方案为：

基于卷积神经网络及微调的SAR图像分类方法，具体如下：

步骤(1).数据集的获取及预处理：

采用美国MSTAR数据集，MSTAR数据集中的目标是雷达工作在多种不同的俯仰角时，各个目标在方向上面的成像图片。选用的是标准工作条件下采集的包括共10类地面军事车目标。该数据集包含一个推荐的训练集和测试集。

将原始的数据集沿目标中心裁剪成100*100的大小，并使用剪切变换、旋转变换、缩放、水平翻转进行数据增强，获取图像数量更多的数据集。

步骤(2).确定卷积神经网络模型：

选用的卷积神经网络模型为ResNet50卷积神经网络,残差网络更容易优化并且能够通过增加相当的深度来提高准确率。

步骤(2.1).预训练：

在ImageNet数据集上对卷积神经网络ResNet50进行预训练。

步骤(2.2).对卷积神经网络ResNet50进行微调：

具体操作是，将深度卷积神经网络ResNet50的前45层固定，这些层的参数不参加训练，只训练输出层以及靠近输出层的卷积层。

微调时，采用随机梯度下降进行优化。确定了损失函数以后，目标就是最小化损失函数，对每一个参数求偏导，得到当前一轮的梯度，然后损失函数按梯度的反方向进行更新，不断这样进行迭代更新，得到超参数的全局最优解。

步骤(2.3).非线性变换：

激活函数采用ReLu函数，定义为：

当时，ReLu硬饱和；

当时，则不存在不饱和问题。

步骤(3).SAR图像分类：

卷积神经网络网络ResNet50通过训练得到SAR图像的特征信息，再用softmax分类器将进行分类，通过输出概率得到最终的分类结果；