[发明专利]基于脉冲神经网络的合成孔径图像分类方法

说明书

本发明提供一种基于脉冲神经网络的合成孔径图像分类方法。具体包括：使用深度卷积神经网络对合成孔径雷达图像进行预训练，保存训练好的权重参数；对合成孔径声呐图像进行显著性计算，将显著性计算结果输入至脉冲编码器中进行脉冲编码；将预训练的深度卷积神经网络权重参数迁移到多层脉冲神经网络作为初始权重参数，使用集成学习的方法对多层脉冲神经网络进行训练；将合成孔径声呐图像的脉冲编码结果作为训练好的多层脉冲神经网络的输入，采用脉冲解码器对多层脉冲神经网络的输出结果进行解码以判别最终分类结果。针对小样本合成孔径图像的识别问题，本发明利用合成孔径雷达图像可有效提高合成孔径声呐图像分类的准确率。

技术领域

本发明涉及合成孔径图像技术领域，尤其涉及一种基于脉冲神经网络的合成孔径图像分类方法。

背景技术

合成孔径图像(Synthetic Aperture Image,SAI)是雷达或声呐利用与目标的相对运动，将尺寸较小的真实孔径用数据处理的方法合成较大的等效孔径，可对远距离观测目标产生高分辨率的特殊遥感图像。根据合成孔径成像的电磁波段、光学波段和声学波段，常见的载荷类型有合成孔径雷达(SyntheticAperture Radar,SAR)、合成孔径激光雷达(Synthetic Aperture Ladar,SAL)和合成孔径声呐(Synthetic Aperture Sonar,SAS)等成像设备。由于特殊的合成孔径成像机制，SAI具备穿透性、三维探测等能力，并具有相干斑噪声干扰等不同于常规图像的性质，这使其分析和处理产生了较大困难。

合成孔径声呐图像具有探测距离远、分辨率高的特点，可以用于水下搜救溺水者、沉船和飞机等应急任务。在长时间搜索的过程下，声呐操作员的人工操作可能会感到筋疲力尽，极可能错过潜在的探测目标。如何解决面向无人自主系统的合成孔径图像的目标分类，是目前亟需解决的一个问题。基于智能化的目标检测、目标分类和识别对于搜救工作的自动化具有很大的帮助。

目前针对声呐图像的分类任务，一般采用深度卷积神经网络(DCNN)进行。相比合成孔径雷达图像而言，合成孔径声呐图像获取代价高昂，训练样本稀缺，而深度卷积神经网络的训练必须大量标注的数据集才能达到理想效果。此外，深度卷积神经网络需要很高的算力和大量的能源供给，非常不利于在移动环境下无人自主设备开展搜救任务，这造成了其难以发挥有效的应用。

发明内容

针对现有基于深度卷积神经网络的合成孔径图像分类方法存在准确率低的或者不适用于移动环境下的无人自主设备的问题，本发明提供一种基于脉冲神经网络的合成孔径图像分类方法，可提高小样本的合成孔径声呐图像分类的准确率，解决现有合成孔径声呐图像获取困难、深度卷积神经网络对小样本图像分类准确率过低的问题，相关数据集实验表明，本发明方法具有高效性和低能耗的特点，可用于移动环境的无人自主设备的SAS图像分类任务。

本发明提供的一种基于脉冲神经网络的合成孔径图像分类方法，包括：

步骤1：使用深度卷积神经网络对合成孔径雷达图像进行预训练，保存训练好的权重参数；

步骤2：对合成孔径声呐图像进行显著性计算，将显著性计算结果输入至脉冲编码器中进行脉冲编码；

步骤3：将预训练的深度卷积神经网络权重参数迁移到多层脉冲神经网络作为初始权重参数，使用集成学习的方法对多层脉冲神经网络进行训练；

步骤4：将脉冲编码器的输出结果作为训练好的多层脉冲神经网络的输入，采用脉冲解码器对多层脉冲神经网络的输出结果进行解码以判别最终分类结果。

进一步地，所述步骤1中的深度卷积神经网络具体为：包括深度卷积神经网络的输入层、卷积层、激活层、池化层、全连接层和输出层，神经元参数的偏置设置为0，激活函数设置为ReLU激活函数，池化层设置为平均池化层。

进一步地，所述步骤2中的显著性计算结果包括合成孔径图像的视觉显著图。