[发明专利]基于多学习器优化的XGBoost的小样本条件下空间目标ISAR图像分类方法

说明书

基于多学习器优化的XGBoost的小样本条件下空间目标ISAR图像分类方法，属于ISAR图像处理技术领域。是为了解决针对现有对小样本条件下空间目标ISAR图像识别率低的问题。本发明针对待分类的ISAR自旋空间目标图像，利用基于多学习器优化的XGBoost模型进行空间目标ISAR图像分类；XGBoost模型是利用XGBoost算法集成堆叠网络形成的XGBoost网络模型，堆叠网络中并行的基础学习器包括图卷积网络、胶囊网络和加入基于旋转不变性的注意力机制模块的Alexnet网络；其中，胶囊网络包含一个基础特征提取模块、一个向量特征提取模块以及动态路由层，且胶囊网络中不含有池化层。主要用于ISAR图像的分类。

技术领域

本发明涉及基于多学习器优化的XGBoost的小样本条件下空间目标ISAR图像分类方法，属于ISAR图像处理技术领域。

背景技术

最近，深度学习模型在逆合成孔径雷达(ISAR)图像识别方面取得了巨大成功。然而，由于深度学习模型参数空间与ISAR空间目标图像标记样本不足之间的矛盾，大多数深度学习模型在小样本条件下都无法获得令人满意的结果。

对于空间目标ISAR图像，由于存在目标倒置，遮挡等问题，图像可能存在缺失或表现形式不同等问题，以及受到角闪烁现象和相干斑噪声等影响，存在图像质量的下降从而影响ISAR图像识别；对于空间目标，还存在目标结构上的差异导致同一类型目标在图像上的表现完全不同，而且目标对于雷达的转动变化导致成像平面变化，会导致雷达获得的是目标不同的侧面，这些原因会导致小样本问题的出现；

现有深度学习网络一般需要大量的已标注样本数据，即使是小样本学习方面的网络也存在识别率不高的问题，缺失对于ISAR图像识别专用的网络模型。

发明内容

针对现有对小样本条件下空间目标ISAR图像识别率低的问题，本发明提供一种基于多学习器优化的XGBoost的小样本条件下空间目标ISAR图像分类方法。

基于多学习器优化的XGBoost的小样本条件下空间目标ISAR图像分类方法，针对待分类的ISAR自旋空间目标图像，利用基于多学习器优化的XGBoost模型进行空间目标ISAR图像分类；

所述基于多学习器优化的XGBoost模型是利用XGBoost算法集成堆叠网络形成的XGBoost网络模型；

所述的堆叠网络是基于元学习器集成的堆叠网络，堆叠网络中并行的基础学习器包括图卷积网络、胶囊网络和加入基于旋转不变性的注意力机制模块的Alexnet网络；所述的加入基于旋转不变性的注意力机制模块的Alexnet网络即把基于旋转不变性的注意力机制模块加入到Alexnet网络的第二个卷积层后面所构成的网络模型；所述胶囊网络包含一个基础特征提取模块、一个向量特征提取模块以及动态路由层，且胶囊网络中不含有池化层。

进一步地，其特征在于，利用基于多学习器优化的XGBoost模型进行空间目标ISAR图像分类之前需要对待分类的ISAR自旋空间目标图像进行预处理，所述的预处理过程包括以下步骤：

先对空间目标ISAR图像进行增强Lee滤波；

然后进行对比度增强、能量归一化处理。

进一步地，所述胶囊网络的具体结构如下：

(A)基础特征提取模块：

基础特征提取模块包括三个卷积单元，每个卷积单元包括一个卷积层、一个批归一化层、一个ReLU激活层；

(B)向量特征提取模块：

向量特征提取模块包含8个卷积层，8个卷积层是并列关系，8个卷积层不使用激活函数；每个卷积层的大小相同，对输入特征图分别进行卷积；

然后将得到的结果组成张量的形式；

(C)动态路由层