[发明专利]基于CNN的MSTAR数据噪声强度控制的分类识别方法

说明书

本发明涉及图像识别技术领域，尤其涉及一种基于CNN的MSTAR数据噪声强度控制的分类识别方法。该分类识别方法包括：搭建卷积神经网络模型；获取MSTAR图像，并检测图像包含噪声程度等级；选择设定噪声等级以下的噪声图像作为原始图像训练集；扩充图像样本，将得到的扩充后的含噪声图像训练集输入到卷积神经网络模型进行训练和测试；将训练完成后的卷积神经网络模型用于目标图像分类识别；通过多源噪声扩充方法，以削弱噪声特征对网络性能的影响，有助于提升目标的识别准确率。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种基于CNN的MSTAR数据噪声强度控制的分类识别方法。

背景技术

相干斑噪声(speckle noise)是目标回波信号存在衰落引起的目标成像区域有所模糊，是SAR图像本身固有的属性。相干斑噪声大大降低了图像的可读性和对目标的识别、可区分性。

基于卷积神经网络(CNN)等深度学习模型虽然已经被广泛应用于SAR图像目标识别领域，但是其网络模型自动提取学习到的特征仍然对斑点噪声敏感。本发明通过构建不同强度噪声数据集，以研究噪声对网络性能的影响，并以探究针对特定的数据集，在保证一定的目标识别准确率的前提下，噪声对网络性能的最大影响程度。为将来的数据预处理和数据筛选、小样本数据丰富在噪声水平方面提供了基础实验支撑。

因此，现有技术中需要一种能够解决图像噪声强度控制下的SAR图像识别分类的方案。

发明内容

本发明目的在于提供一种基于CNN的MSTAR数据噪声强度控制的分类识别方法，解决现有技术存在的图像噪声强度控制下的SAR图像识别分类准确率的问题。

本申请一方面提供一种基于CNN的MSTAR数据噪声强度控制的分类识别方法，包括以下

步骤：

搭建卷积神经网络模型；

获取MSTAR图像，并检测图像包含噪声程度等级；

依据识别需求，设定合理可控的噪声等级，选择设定噪声等级以下的噪声图像作为原始图像训练集；

以平移截取的方式扩充图像样本，将得到的扩充后的含噪声图像训练集输入到卷积神经网络模型进行训练和测试；

将训练完成后的卷积神经网络模型用于目标图像分类识别。

其中，在选择噪声图像作为原始图像训练集时，选择在俯仰角17°下的三类目标图像中每张图像添加5种同一水平、随机分布的噪声。

其中，选择的所述噪声的噪声强度为0.25-2，噪声间隔为0.25。

其中，添加噪声后的图像再以平移截取的方式扩充16倍，得到扩充后的混合分布噪声图像训练集。

其中，所述卷积神经网络模型包括依次设置的三层交替层和两层全连接层。

其中，所述交替层包括卷积层和池化层。

其中，所述卷积层用于提取图像特征，其计算过程如下式：

其中W_ij为卷积核；h×w为尺寸；x_ij为图像局部，b为偏置；f表示激活函数；y_i′j′表示输出结果。

其中，所述池化层用于降低卷积层的输出维度，其计算过程如下式：

其中x_ij为图像局部，m×m为池化核尺寸，f(x)为经过最大池化后的输出结果。

其中，全连接层为将特征映射到图像标签分类的概率值，其计算过程如下式：