[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

说明书

本发明公开了一种基于序列调整网络的逆合成孔径雷达图像分类方法，主要解决现有技术对空间目标逆合成孔径雷达图像分类时，难以利用逆合成孔径雷达连续成像的特性，难以提取较大形变图像的稳健特征，分类正确率和稳健性较低，复杂环境下性能受限等问题，实现步骤为：(1)生成训练集；(2)构建序列调整网络；(3)训练序列调整网络；(4)对待分类的逆合成孔径雷达图像进行分类。本发明通过参数共享得到轻量化的形变调整和分类网络，实现了基于轻量化网络的序列图像形变调整和准确分类，使得本发明的网络训练时间大幅缩短，提高了本发明在实际应用中的时效性。

技术领域

本发明属于图像处理技术领域，更进一步涉及目标识别技术领域中的一种基于序列调整网络的逆合成孔径雷达图像分类方法。本发明针对逆合成孔径雷达序列图像，提出一种序列调整网络结构，可用于对逆合成孔径雷达图像的稳健分类。

背景技术

逆合成孔径雷达具有全天候、全天时、远作用距离等特性，被广泛应用于态势感知和防空反导等领域。逆合成孔径雷达图像是目标三维散射中心向未知成像平面的投影。与雷达一维距离像相比，逆合成孔径雷达图像蕴含着更为丰富的形状、结构、运动及散射特性等分类特征。当逆合成孔径雷达对目标进行连续观测时，能够获得其逆合成孔径雷达图像序列，该图像序列蕴含着目标形状、结构、散射强度及其随雷达视角的变化规律等重要特征。目前基于深度学习的逆合成孔径雷达图像分类方法主要在卷积神经网络的基础上进行改进，有效避免了复杂的人工设计过程。但是，现有方法尚未利用逆合成孔径雷达图像连续成像的特性，分类正确率和稳健性较低，难以在实际中进行应用。

Hong Yang,Yasheng Zhang,Wenzhe Din在其发表的论文“MultipleHeterogeneous P-DCNNs Ensemble With Stacking Algorithm:A Novel RecognitionMethod of Space Target ISAR Images Under the Condition of Small Sample Set”(IEEE Access,2020)中提出了一种基于多异构预训练深度卷积神经网络 P-DCNN(pre-trained deep convolutional neural network)集成叠加算法的空间目标逆合成孔径雷达图像分类方法。该方法的实现步骤为：(1)将去噪和标准化后的逆合成孔径雷达图像数据集划分为特定的多个部分，各部分利用图像扩充技术增加训练样本的数量；(2)将多个异构的P-DCNN作为堆叠集成学习框架第一层基础学习器，利用扩充后的训练样本进行精细训练；(3)利用XGBoost分类器作为堆叠集成学习框架的第二层，利用第一层学习器的输出进行训练，得到经过训练的元学习器；(4)利用经过训练的元学习器进行逆合成孔径雷达图像自动分类。该方法利用深度神经网络自动提取目标多层特征，并使用集成学习有效提高网络的分类稳健性。但是，该方法仍然存在的不足之处是，由于构建第一层基础学习器需要将多个异构的P-DCNN进行堆叠作为集成学习框架，并利用扩充后的训练样本进行精细训练，所以需要对训练数据进行扩增，并需要训练大量的异构P-DCNN，导致网络训练时间较长，对计算设备的要求过高，难以在实际中推广应用。

西安电子科技大学在其申请的专利文献“基于目标先验信息的空间目标 ISAR图像分类方法”(公开号：CN202110304865.7，申请公布号：CN112949555A) 中公开了一种基于目标先验信息的空间目标ISAR图像分类方法。该方法的实现步骤为：(1)生成带有空间目标先验信息的训练样本集；(2)提取训练样本的特征；(3)计算训练样本中各类目标ISAR图像组的特征方差；(4)生成训练样本各类目标所有特征的分类器函数；(4)提取待分类样本的特征，并获取每个特征的分类器函数值；(5)对各类目标的所有特征分类器函数值作融合处理；(6)将融合后特征分类器函数值中最大值对应的种类作为待分类样本的分类结果。该方法利用了目标的先验信息，解决了小样本集下分类器训练困难的问题，得到较好的分类结果。但是，该方法仍然存在不足之处，由于逆合成孔径雷达图像会随着观测条件改变而发生较大形变，从而导致基于目标先验信息的空间目标ISAR图像分类器失效，无法对逆合成孔径雷达形变目标进行稳健分类，限制了算法在复杂环境下的分类性能。