[发明专利]一种相干斑模式起伏稳健的SAR图像分类方法

说明书

本发明公开了一种相干斑模式起伏稳健的SAR图像分类方法，包括：获取待分类SAR图像；将待分类SAR图像输入训练后的SAR图像分类网络得到待分类SAR图像的分类结果，所述训练后的SAR图像分类网络对无相干斑噪声SAR图像以及对应的相干斑噪声SAR图像提取的特征描述矢量相似且分类结果相同。本发明通过正则约束对特征提取部分和分类器部分都做了约束，增强了对于相干斑噪声的鲁棒性。并且，与现有技术相比，无需进行数据增强，也无需设计特定的相干斑滤波方法。

技术领域

本发明涉及图像处理技术领域，具体涉及一种相干斑模式起伏稳健的SAR图像分类方法。

背景技术

在图像分类或目标检测等实际应用中，由于测试图像总会出现旋转、平移以及尺度等仿射性形变和非仿射性的噪声扰动，因此训练好的模型相对于该形变和扰动的鲁棒性是其面向实际应用的关键问题。合成孔径雷达(Synthetic Aperture Radar,SAR)图像受到固有的乘性相干斑噪声扰动，故卷积神经网络(Convolutional Neural Networks,CNN)模型对于相干斑噪声的鲁棒性是其面向实际用的关键问题。由于相干成像机理，SAR图像表现出颗粒状的噪点即相干斑。研究发现，相干斑是相干成像系统的一种固有干涉现象，从信号处理与分析的角度可将其建模为乘性噪声模型。相干斑噪声不仅使SAR图像呈现较大的动态范围和极低的信噪比，而且淹没目标真实的散射信息。同时，实际应用中的多视处理和图像增强等后处理使得测试SAR图像与原始训练数据之间的相干斑噪声强度通常不同。因此，基于CNN的SAR图像分类方法需考虑其对于相干斑噪声强度的稳健性问题。

SAR图像受到固有的乘性相干斑噪声扰动，故CNN模型对于相干斑噪声的鲁棒性是其面向实际用的关键问题。由于相干成像机理，SAR图像表现出颗粒状的噪点，即相干斑针对相干斑噪声稳健性问题，研究发现，相干斑是相干成像系统的一种固有干涉现象，从信号处理与分析的角度可将其建模为乘性噪声模型。相干斑噪声不仅使SAR图像呈现较大的动态范围和极低的信噪比，而且淹没目标真实的散射信息。同时，实际应用中的多视处理和图像增强等后处理使得测试SAR图像与原始训练数据之间的相干斑噪声强度通常不同。因此，基于CNN的SAR图像分类方法需考虑其对于相干斑噪声强度的相干斑噪声分类边界高分辨率SAR图像的统计多层网络与稳健性分类方法研究稳健性问题。目前已有的相关研究主要包括：基于相干斑噪声抑制、数据增广以及噪声不变约束的方法。(1)基于相干斑噪声抑制的方法是一种最直接的策略，其为了实现CNN的相干斑噪声鲁棒性，直接通过滤波的方法将相干斑噪声滤除。该方面的研究除基于统计的增强Lee滤波、小波域滤波以及MuLoG等相干斑抑制方法，目前也出现了一些基于深度学习的相干斑滤波方法。例如：基于取对数残差学习的相干斑滤波方法，该方法首先将图像映射到对数空间，然后通过全卷积网络学习恢复相干斑噪声分量，最后将恢复的噪声分量从原始SAR图像中移除。同样，基于除法残差学习的相干斑抑制方法通过卷积网络拟合相干斑噪声，但该方法利用除法运算从原始含噪图像中移除乘性相干斑噪声分量。又如基于编码与解码方式的相干斑抑制方法，该方法在实现相干斑抑制的同时引入跳级连接方式，可有效保持图像中的纹理信息。此外，也有方法将相干斑抑制和目标识别任务集成到CNN模型中实现端到端的学习，提升了CNN模型对不同强度等级相干斑噪声的鲁棒性。该方法属于滤波范畴，需要设计特定的相干斑滤波方法。(2)基于数据增广的方法将训练集做扩展，扩展后的训练集包含不同相干斑噪声强度的数据，基于该扩展训练数据的网络模型通过训练收敛后可增强其对于相干斑噪声的鲁棒性。例如：利用乘型噪声模型合成服从指数分布的不同强度训练样本，基于该扩展训练数据做CNN模型表现出较好的相干斑噪声鲁棒性。然而，基于数据增广的方法也存在不足：一方面其并不能获得局部等变性，从而不能保证网络中每一层的等变性；另一方面其特征图不具有可解释性，即本质上是一个黑盒子问题。(3)基于噪声不变约束的方法在模型的优化损失函数中引入正则项，通过约束不同噪声强度下图像的特征矢量尽可能相似实现CNN模型的相干斑噪声鲁棒性。例如：相干斑噪声不变的CNN目标识别方法，该方法是在文献的基础上设计了噪声不变正则项，约束无噪图像与含噪图像特征矢量的二范数距离最小，从而实现CNN模型的相干斑噪声稳健性。然而，该方法仅对CNN模型的特征提取部分引入约束，而并未对分类器部分做约束。