[发明专利]基于小波去噪阈值自学习的带噪SAR图像目标识别方法

说明书

本发明涉及基于小波去噪阈值自学习的带噪SAR图像目标识别方法，属于及雷达目标识别技术领域。依托于可学习阈值的小波散斑抑制网络和压缩‑激励卷积神经网络，可学习阈值的小波散斑抑制网络包括小波变换模块、可学习阈值模块及逆小波变换模块；可学习阈值的小波散斑抑制网络通过DWT提取图像高频分量放入卷积和全连接层，自适应对高频分量进行软阈值处理，再与低频分量结合后经过IWT得到去噪后图像；实现通过训练集标签来监督学习小波去噪的阈值，可学习阈值的小波散斑抑制网络输出后的图像经网络自动分层提取特征，并加入压缩‑激励模块对来自于原始图像和去噪分支的特征图贡献度进行权衡。所述方法具有识别能力强以及测试精度高的优势。

技术领域

本发明涉及基于小波去噪阈值自学习的带噪SAR图像目标识别方法，尤其涉及斑点噪声污染下可学习阈值的小波去噪网络和压缩激励卷积神经网络(SENet)的合成孔径雷达(Convolutional Neural Network；SAR)目标识别方法，属于基于深度学习的模式识别以及雷达目标识别技术领域。

背景技术

SAR目标识别是雷达高分辨图像解译的一项重要课题，图像目标识别技术在军事和国土安全方面有着重要的应用价值，如敌我识别、战场监视和救灾等。近年来，以卷积神经网络CNN为代表的深度学习技术在图像识别领域取得了巨大的成就。现有研究人员还提出了一系列基于CNN的合成孔径雷达图像目标识别算法，证明了这些算法的有效性。同时传递学习、模型压缩和压缩激励建模也被应用于基于CNN的合成孔径雷达目标识别，并在MSTAR基准实验和合成孔径雷达图像样本数量有限的场景中取得了良好的效果。

此外，散斑噪声和杂波是影响合成孔径雷达目标识别精度的重要因素。它会降低合成孔径雷达图像的对比度，影响后向散射强度的统计特性，从而影响目标识别和解释。传统的合成孔径雷达图像去噪方法主要包括基于空间域的方法和基于变换域的方法，基于CNN的合成孔径雷达目标识别方法中也有处理噪声的研究。针对上述问题的两个解决角度，研究人研究人员已经做了一些工作，但仍然存在一些问题：

第一，现有方案需要先经过额外的图像分割或滤波预处理步骤，不是一种基于CNN的端到端噪声合成孔径雷达目标识别解决方案，从方案实施的整体性上讲有所欠缺。

第二，形态学分割或ILS滤波的阈值依赖于经验设置，特征的分类精度或斑点噪声不变性也会受到阈值设置的约束，进而影响最终斑点噪声下的合成孔径雷达图像目标识别性能。

第三，现有研究方法并没有在不同散斑噪声强度影响下，讨论合成孔径雷达图像识别性能，以验证研究方案的可实施性和鲁棒性。

因此，通过多级小波去噪与神经网络，构建一个含噪合成孔径雷达图像目标识别的端到端神经网络解决方案，解决斑点噪声污染下的成孔径雷达图像目标识别性能问题具有重要意义。

发明内容

本发明的目的是为了解决斑点噪声影响下SAR图像目标识别时，需要额外预处理且滤波阈值依靠经验设定并恶化识别性能的问题，提出了基于小波去噪阈值自学习的带噪SAR图像目标识别方法，该方法依托于一种用于含噪合成孔径雷达图像目标识别的端到端神经网络小波去噪阈值自学习的带噪SAR图像目标识别网络，即小波散斑抑制压缩激励网络Wavelet-SR-SENet。

为了达到上述目的，本发明采取如下技术方案。

所述SAR图像目标识别方法依托于可学习阈值的小波散斑抑制网络和压缩-激励卷积神经网络，且此两网络相连接，构成一个端到端的小波去噪阈值自学习的带噪SAR图像目标识别网络Wavelet-SR-SENet；

其中，可学习阈值的小波散斑抑制网络又包括小波变换模块、可学习阈值模块以及逆小波变换模块；