[发明专利]基于卷积神经网络的多特征融合SAR目标鉴别方法

摘要

本发明公开了一种基于卷积神经网络的多特征融合SAR目标鉴别方法，主要解决现有技术在复杂场景下SAR目标鉴别性能低的问题。其方案是：1)对给定的训练集进行预处理，获取新的训练集；2)构架基于卷积神经网络的SAR目标鉴别网络；3)将新的训练集输入到构建好的SAR目标鉴别网络中进行训练，得到训练好的网络；4)对给定的测试集进行预处理，获取新的测试集；5)将新的测试集输入到训练好的SAR目标鉴别网络中，得到最终的目标鉴别结果。本发明构建的SAR目标鉴别网络联合利用了SAR图像的幅度信息和边缘信息，并结合了卷积神经网络强大的特征学习能力，提升了鉴别的性能，可用于对复杂场景的SAR目标鉴别。

主权项

1.一种基于卷积神经网络的多特征融合SAR目标鉴别方法，包括：(1)对训练集Φ中的每个训练样本M进行Lee滤波处理得到滤波后的训练图像M'，再对每个训练样本M提取梯度幅度训练图像并与滤波后的训练图像M'一起构成新的训练集Φ'；(2)构建基于卷积神经网络的SAR目标鉴别网络框架Ψ，该网络框架包括特征提取、特征融合和分类器三个部分；2a)构建特征提取部分：构建结构完全相同的第一卷积神经网络A和第二卷积神经网络B，这两个卷积神经网络均包括三层卷积层、两层全连接层和一层softmax分类器层，即第一卷积层L₁、第二卷积层L₂、第三卷积层L₃、第四全连接层L₄、第五全连接层L₅、第六softmax分类器层L₆，分别提取网络A和B的第四全连接层L₄的输出作为第一卷积神经网络A的h维列向量特征和第二卷积神经网络B的h维列向量特征2b)构建特征融合部分：分别在两个h维列向量特征和后补z个0，使其变为d维列向量，z≥0，再分别变换为l×l的二维矩阵形式和其中l²＝d，再将和拼接成l×l×2的三维融合特征X作为分类器部分的输入；2c)构建分类器部分：构建第三卷积神经网络C，其包括两层卷积层、两层全连接层和一层softmax分类器层，即第一层卷积层C₁、第二层卷积层C₂、第三层全连接层C₃、第四层全连接层C₄和第五层softmax分类器层C₅；(3)将新的训练集Φ'输入到构建好的SAR目标鉴别网络框架Ψ中进行训练，得到训练好的网络框架Ψ'；(4)对测试集T中的每个测试样本N进行Lee滤波，得到滤波后的测试图像N'，再对每个测试样本N提取梯度幅度测试图像并与滤波后的测试图像N'一起构成新的测试集T'；(5)将新的测试集T'输入到训练好的SAR目标鉴别网络框架Ψ'中，得到最终的目标鉴别结果。