[发明专利]一种用于深度学习训练的SAR时敏目标样本增广方法

说明书

本发明涉及一种用于深度学习训练的SAR时敏目标样本增广方法，属于图像处理技术和深度学习领域；包括如下步骤：步骤一、对目标所在区域拍摄分辨率为a米的异源SAR图集,转换成分辨率为b米的异源SAR图集；步骤二、找到全部目标，并将每个目标制作成SAR时敏目标切片，获得切片集；步骤三、从异源SAR图集中各图片截取背景图像，获得背景图像集；步骤四、对切片集中各切片进行优化处理；步骤五、建立时敏目标的学习样本集；步骤六、旋转时敏目标的学习样本，获得不同角度下的学习样本；本发明解决了因样本数量较少以及未考虑深度学习网络特点而导致深度学习训练效果不好的问题。

技术领域

本发明属于图像处理技术和深度学习领域，涉及一种用于深度学习训练的SAR时敏目标样本增广方法。

背景技术

近年来，各国争相将人工智能技术引入军事领域，加快武器装备智能化和智能新概念武器的研发与部署。由于卷积神经网络在目标识别与分类领域的优势，智能感知与识别分支在军事领域的发展较为广泛，包括基于星载SAR图像智能目标识别与分类技术、弹载SAR图像智能信息处理技术等。上述技术要想获得较好的识别与分类效果，在选择合适的深度学习算法基础上，无一例外地需要大量的数据去训练网络，调节网络参数以适应目标的特征。目前，获取SAR时敏目标的主要途径有三种，一是星载SAR图像，但由于各国对卫星数据资源管理非常严格，公开的数据集较少，且目标特性较为单一；二是SAR设备挂飞时敏目标采集，此方法受试验条件和经费限制，采集到的数据量有限：三是SAR时敏目标仿真，该方法可批量生成目标样本，但目标特性与实际相比存在一定差异，经特定处理后可作为部分数据参与训练。目前的主流样本增广技术有两种，一是基于生成对抗网络的SAR目标样本增广技术；二是基于图像变换的SAR目标样本增广技术。这些技术实际上仅对样本数量进行增广，并没有考虑深度学习网络机理对数据样本的需求进行增广。所以，仅靠数据集中样本数量的增广方法不能很好地提升训练效果。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提出一种用于深度学习训练的SAR时敏目标样本增广方法，解决了因样本数量较少以及未考虑深度学习网络特点而导致深度学习训练效果不好的问题。

本发明解决技术的方案是：

一种用于深度学习训练的SAR时敏目标样本增广方法，包括如下步骤：

步骤一、对目标所在区域拍摄分辨率为a米的异源SAR图集I_i,a；i为图片序号，并将异源SAR图集I_i,a转换成学习训练所需的分辨率为b米的异源SAR图集I_i,b；i为图片序号；

步骤二、设定图片灰度阈值threshold_1；将异源SAR图集I_i,b中的各图片按像素划分网格；各像素表示为I_i,b(x,y)，(x,y)为各像素在对应第i张图片中的坐标；遍历各图片的像素，找到全部I_i,b(x,y)≥threshold_1的像素，即为目标，并将每个目标制作成SAR时敏目标切片，获得切片集S_j；j为各切片序号；

步骤三、从异源SAR图集I_i,b中各图片截取背景图像，获得背景图像集B_i；

步骤四、对切片集中各切片S_j进行优化处理；处理内容包括灰度增强处理、加乘性噪声处理、径向模糊处理、镜像变换处理和旋转变换处理；

步骤五、建立时敏目标的学习样本集L_i

S1、在其中一个背景图像B_i中，以距左侧边[75,225]像素和距顶边[75,225]像素作为边界区域，在边界区域随机选取一点[x_d,y_d]作为第一序号切片S₁的左上角点，将第一个切片放置在背景图像中；