[发明专利]一种基于复数卷积网络的SAR图像目标识别方法

说明书

本发明公开了一种基于复数卷积网络的SAR图像目标识别方法，将多幅复数图像输入到训练集和测试集中，获取训练样本和测试样本，构建和训练复数卷积网络，提取复数数据实部和虚部之间的耦合特征，克服了只使用模值、没有利用虚部的不足，用更多的信息进行目标识别处理，采用识别率来作为比较标准，提高了识别结果的准确率。

技术领域

本发明属于图像识别技术领域，具体涉及一种卷积运算技术。

背景技术

识别技术在工业界有着广泛的应用，例如医学影像、雷达探测、遥感地图、计算机视觉领域等。在分辨率需求和技术水平越来越高的同时，获得的数据也越来越复杂。例如，SAR图像的原始数据为复数，高光谱图像的原始数据是多维数据等。

目前，大多数SAR图像目标识别方法，都是基于将数据作为实数的图像来进行。对于原始数据为复数的SAR图像，常见的数据处理方法为：先将复数图像进行求模值处理，转为实数图像；再利用基于实数图像的目标识别方法，进行目标识别。这种处理方法导致复数图像丢失了一部分的信息，影响最终的目标识别结果。

现有技术基于深度卷积网络，利用神经网络，实现了对机载探地雷达目标的识别。训练过程中可自动提取更新网络的参数，减少处理过程中的人工干预，卷积模型能够提取目标不同层级的二位滤波器特征，提高了机载探地雷达目标信号识别的准确度。

但是，只利用模值训练网络完成目标识别，忽略雷达信号原始数据中虚部包含的相位信息，限制了最后得到的目标识别准确度。

发明内容

本发明为了解决现有技术存在的问题，提出了一种基于复数卷积网络的SAR图像目标识别方法，充分利用SAR图像中包含的信息，将原始SAR图像中包含的幅度信息与相位信息同时加入特征提取步骤，提高目标识别的准确率，为了实现上述目的，本发明采用了以下技术方案。

输入图像：将多幅复数图像及其对应的类别标签输入到训练集中，将与训练集中不同的多幅复数图像输入到测试集中。

获取训练样本和测试样本：将训练集中复数图像的实部和虚部对应分开保存，得到实部训练样本和虚部训练样本；将测试集中复数图像的实部和虚部对应分开保存，得到实部测试样本和虚部测试样本。

构建复数卷积网络：采用双层复数卷积层、复数批归一化层和全链接层，双层复数卷积层包含两个复数卷积层，每个复数卷积层包含复数卷积、复数批归一化和CReLU激活函数，复数批归一化层包含复数批归一化和CReLU激活函数。

训练复数卷积网络：初始化复数卷积网络，设定复数卷积网络中所有出现的复数参数为W，将实部训练样本和虚部训练样本输入两个复数卷积层，经过复数批归一化和CReLU激活函数，使用300维的全链接层，输出初始化类别标签；将训练集中的复数图像的类别标签与初始化类别标签对比，采用批量随机梯度下降法，将复数卷积网络的参数迭代更新3000次，得到更新的复数卷积网络；

测试复数卷积网络：将实部测试样本和虚部测试样本输入更新的复数卷积网络，使用300维的全链接层，得到测试集中复数图像的类别标签。

进一步的，使用参数为σ的瑞利分布，初始化复数参数W的模值，设定输入样本数N_in、输出样本数N_out，使用-π到π之间的均匀分布，初始化参数W的相位。

进一步的，复数卷积的卷积核为1×3维的复数。

进一步的，复数批归一化采用公式表示，其中BN(·)表示复数批归一化操作，表示复数数据，表示尺度系数，采用2×2的半正定矩阵，β表示偏置，采用两个学习度的复参数。

进一步的，CReLU激活函数采用公式表示，其中CReLU(·)表示CReLU激活函数，z表示复数，ReLU(·)表示ReLU函数，表示复数z的实部，i表示虚数单位，表示复数z的虚部。