[发明专利]基于深度卷积神经网络的SAR图像目标分类方法

摘要

本发明提出了一种基于深度卷积神经网络的SAR图像目标分类方法，用于提高SAR图像目标分类精度。实现步骤为：获取包含SAR目标图像的训练样本集和测试样本集；去除训练样本集和测试样本集中每幅SAR图像的背景杂波；构建包含变换sigmoid激活函数构成Enhanced‑SE层的深度卷积神经网络模型；对深度卷积神经网络模型进行训练；用训练后的深度卷积神经网络模型对测试样本集进行分类。本发明通过形态学闭运算方法在去除SAR目标图像中背景杂波时融合目标区域的边缘缺口并填补目标区域的内部缺损，有效保留目标区域的形状特征；通过对sigmoid函数的改造构成Enhanced‑SE层，抑制深度卷积网络对于冗余特征自动提取，提高SAR图像目标分类的精度。

主权项

1.一种基于深度卷积神经网络的SAR图像目标分类方法，其特征在于，包括如下步骤：(1)获取训练样本集R₀和测试样本集E₀：(1a)选取包含T类目标且大小为l×l的SAR图像，T≥2，l≥2，每类SAR图像的数量为H幅，H≥10；(1b)随机选取每类SAR图像中的30％以上组成训练样本集R₀，剩余部分组成测试样本集E₀，并对R₀中每幅SAR图像类别进行标记；(2)去除训练样本集R₀和测试样本集E₀中每幅SAR图像的背景杂波：(2a)对训练样本集R₀和测试样本集E₀中的每幅SAR图像I₀进行幂变换，得到T×H幅幂变换后的SAR图像I₁；(2b)使用边长为w的正方形滑窗，按照先行后列的顺序，以步长1在每幅I₁上滑动，w≤l，统计每个滑窗区域内像素的均值，并选取所有均值中的最大值a；(2c)计算每幅I₁边缘d×d大小的区域内像素的均值b，(2d)设置a的权重为u₁，b的权重为u₂，且u₁+u₂＝1，阈值t＝u₁×a+u₂×b，将每幅I₁像素值中所有大于或等于t的像素点组成的区域作为目标区域，并令该目标区域中每一个像素点的像素值为1，同时将其余像素点组成的区域作为背景区域，并令该背景区域中每一个像素点的像素值为0，得到包含目标区域和背景区域的T×H幅SAR图像I₂；(2e)采用形态学闭运算方法，对每幅I₂中目标区域的边缘缺口进行融合，同时对目标区域的内部缺损进行填补，得到T×H幅SAR图像I₃：其中，表示膨胀算子，表示腐蚀算子，S为结构元素，(2f)令每幅I₃中面积最大的连通域内所有像素点的像素值为1，其余区域内所有像素点的像素值为0，得到T×H幅图像I₄；(2g)将每幅I₀与每幅I₀对应的I₄点乘，得T×H幅去除背景杂波SAR图像，并根据每幅SAR图像的类别标记，将归属于R₀的每幅I₀对应的去除背景杂波SAR图像组合成训练样本集R₁，同时将归属于E₀的每幅I₀对应的去除背景杂波SAR图像组合成测试样本集E₁；(3)构建深度卷积神经网络模型：(3a)构建由依次层叠的全局池化层、第一全连接层、ReLu激活层、第二全连接层和sigmoid激活层组成的SE层；其中sigmoid激活层的sigmoid激活函数为：其中x_i为SE层中第二全连接层输出的分类权重，i＝1,2,...,T；(3b)构建由依次层叠的卷积层、ReLu激活层、全连接层和Enhanced‑sigmoid激活层组成的Enhanced‑SE层；其中Enhanced‑SE层的Enhanced‑sigmoid激活函数p(y_i)的表达式为：p(y_i)＝(m+n·s(y_i))^qn是对sigmoid激活函数s(y_i)进行的尺度变换，m为n·s(y_i)的平移参数，q为m+n·s(y_i)的幂次变换；其中y_i为Enhanced‑SE层中全连接层输出的分类权重，i＝1,2,...,T；(3c)构建由依次层叠的输入层、隐藏层和输出层组成的深度卷积神经网络模型，其中隐藏层包括多个SE层、多个Enhanced‑SE层、多个卷积层、多个池化层和多个Dropout层，输出层由依次层叠的全连接层和LM‑softmax分类器组成；(4)对深度卷积神经网络模型进行训练：将带类别标记的训练样本集R₁作为深度卷积神经网络模型的输入对该模型进行K次迭代监督训练，得到训练后的深度卷积神经网络模型，其中，K≥10000；(5)获取SAR图像目标的分类结果：将测试样本集E₁输入训练后的深度卷积神经网络模型中对E₁中的每幅SAR图像包含的目标进行分类，得到SAR图像目标的分类结果。