[发明专利]一种基于去噪自编码网络的SAR图像目标识别方法

摘要

本发明公开了一种基于去噪自编码网络的SAR图像目标识别方法，该方法包括：使用三维模块匹配算法(BM3D)对图像去噪；对原始图像和去噪后的训练图像，用滑动窗口提取密集特征点，并分别按对应位置成对保存，用于后期训练深度去噪编码器的输入；用去噪后图像提取的SIFT特征为原始输入x，以对应的未去噪图像提取的SIFT为加噪输入训练深层去噪自编码网络；使用空间金字塔(SPM)模型计算图像特征向量表达，利用最大池化方法(Max Pooling)对各个局部特征进行汇总，得到最终的图像描述向量；利用大量密集SIFT特征进行深度网络训练，利用深层去噪自编码网络学习特征的高层表示，最后使用深度网络特征替代初始局部特征训练线性支持向量机分类识别。

主权项

1.一种基于多尺度稀疏表示的SAR图像目标识别方法，其特征在于，包括：步骤(1)SAR图像去噪：密集SIFT特征提取依然会受到相干斑噪声的干扰，故先利用去噪算法对原图像进行预处理；步骤(2)提取密集尺度不变局部特征(SIFT)：对(1)中预处理后的训练图像，每一幅图像提取密集特征点，并通过随机采样的方法构成训练特征子集；对于测试图像，同样提取密集SIFT特征，保留所有特征进行稀疏编码；步骤(3)对特征进行稀疏表示：对(2)中获得的训练特征子集，利用多尺度字典学习方法，学习全局多尺度字典，；然后对(2)中图像提取的所有密集SIFT特征(训练图像和测试图像)进行稀疏编码，获得特征的稀疏表示，利用稀疏表示特征替代原始图像相应位置提取的SIFT特征点；步骤(4)特征映射：经过(2)的特征提取和(3)的稀疏表示后，每幅图像在不同位置得到一个稀疏特征向量，对特征向量进行聚类，然后使用空间金字塔(SPM)模型计算图像特征向量表达，利用最大池化方法(Max Pooling)对各个局部特征进行汇总，得到最终的图像描述向量；步骤(5)线性支持向量机分类：得到(4)中训练图像的最终图像描述向量后，训练分类器进行SAR图像目标识别。