[发明专利]基于序列调整网络的逆合成孔径雷达图像分类方法

权利要求书

1.一种基于序列调整网络的逆合成孔径雷达图像分类方法，其特征在于，利用卷积子网络和可变形卷积子网络构建的全局图像调整模块生成仿射变换参数，对序列的每张图像进行仿射变换，通过卷积子网络和可变形卷积子网络构建的局部图像调整模块，对仿射调整后的逆合成孔径雷达序列图像进行局部变换，通过注意增强的双向长短期记忆模块，在充分利用逆合成孔径雷达序列图像时变特性的基础上融合序列各元素并得到分类结果；该方法的具体步骤包括如下：

(1)生成训练集：

(1a)将雷达在50°仰角，91°～359°方位角，2GHz带宽、6°积累角或1GHz带宽、5°积累角的条件下获取的四类卫星逆合成孔径雷达HV极化图像中，选取至少2160幅逆合成孔径雷达图像组成样本集；

(1b)将样本集中每幅逆合成孔径雷达图像裁剪为120×120个像素，得到裁剪后的样本集；

(1c)以裁剪后每10幅逆合成孔径雷达图像为一组，对裁剪后的样本集进行滑窗；

(1d)将滑窗得到的至少2088组序列样本组成训练集；

(2)构建序列调整网络：

(2a)构建一个由卷积层组，批归一化层，非线性激活层，最大值池化层组成的第一卷积子网络，所述卷积层组包括四个级联的卷积层；

(2b)构建一个由卷积层组，批归一化层，非线性激活层，最大值池化层组成的第二卷积子网络，所述卷积层组包括三个级联的卷积层；

(2c)构建一个由卷积层组，批归一化层，非线性激活层，最大值池化层组成的第三卷积子网络，所述卷积层组包括三个级联的卷积层；

(2d)构建一个由可变形卷积层，批归一化层，非线性激活层，最大值池化层组成的第一可变形卷积子网络；其中，可变形卷积层具有核大小为3×3个像素的64个可变形卷积核，可变形卷积核进行的操作是通过卷积运算得到的二维偏移参数改变像素点位置后，再将一般卷积核作用于改变的像素点，批归一化层的通道数为64，非线性激活层采用线性整流单元激活函数，最大值池化层的窗口大小为2×2个像素，步长为2个像素；

(2e)构建一个由可变形卷积层，批归一化层，非线性激活层，最大值池化层组成的第二可变形卷积子网络；其中，可变形卷积层具有核大小为3×3个像素的128个可变形卷积核，可变形卷积核进行的操作是通过卷积运算得到的二维偏移参数改变像素点位置后，再将一般卷积核作用于改变的像素点，批归一化层的通道数为128，非线性激活层采用线性整流单元激活函数，最大值池化层的窗口大小为2×2个像素，步长为2个像素；

(2f)将第一卷积子网络，第二卷积子网络，第三卷积子网络，第一可变形卷积子网络，全连接层级联成全局图像调整模块；将第一卷积子网络，第二卷积子网络，第三卷积子网络，第二可变形卷积子网络级联成局部图像调整模块；

(2g)搭建一个由Bi-LSTM，加性注意力层组成的注意增强双向长短期记忆模块；其中，Bi-LSTM由两层LSTM级联得到，每一层LSTM的长度均为10个，隐藏维度均为64个像素；加性注意力层由键值、查询值和真值组成，键值、查询值和真值的长度均为10，维度均为64个像素；

(2h)将全局图像调整模块，局部图像调整模块，注意增强的双向长短期记忆模块级联成序列调整网络；

(3)训练序列调整网络：

将训练集输入到序列调整网络中，利用交叉熵损失函数，计算网络的输出与训练图像的类别标签之间的交叉熵损失值，通过反向传播算法迭代更新网络的参数，直到网络的交叉熵损失函数收敛为止，得到训练好的序列调整网络；

(4)测试序列调整网络：

采用与步骤(1b)和(1c)相同的方法，对待分类的逆合成孔径雷达图像进行预处理和滑窗处理，得到待分类的样本集，将待分类样本集输入训练好的序列调整网络中，输出分类标签。

2.根据权利要求1所述的基于序列调整网络的逆合成孔径雷达图像分类方法，其特征在于，步骤(2a)中所述的第一卷积子网络的结构依次为：第一卷积层，第二卷积层，第三卷积层，第四卷积层，批归一化层，非线性激活层，最大值池化层；其中，第一至第四卷积层均具有核大小为3×3个像素的8个卷积核，批归一化层的通道数为8，非线性激活层采用线性整流单元激活函数，最大值池化层的窗口大小为2×2个像素，步长为2个像素。