[发明专利]基于卷积神经网络和多特征融合的舰船尺寸估计方法

摘要

本发明公开了一种基于卷积神经网络和多特征融合的舰船尺寸估计方法，主要解决现有技术在中低分辨情况下目标尺寸估计误差较大的问题。其实现方案是：1)获取训练样本和测试样本，进行预处理；2)获取目标区域幅度图像，计算多维特征；3)构建目标尺寸估计网络框架，并用训练样本对其训练，得到训练好的模型；4)用训练好的模型估计测试样本的初步尺寸特征；5)将多维特征与初步尺寸特征组成新多维特征；6)利用新的多维特征训练梯度提升决策树GBDT；7)利用训练好的GBDT模型估计测试样本的最终尺寸特征。本发明利用CNN网络能自主学习SAR图像目标特征，提高了目标尺寸估计精度，可用于SAR图像舰船目标的识别与分类。

主权项

1.一种基于卷积神经网络和多特征融合的舰船目标尺寸估计方法，其特征在于，包括：(1)从公开的OpenSARShip数据集中挑选出五类舰船目标作为实验数据集，随机选取70％为训练样本，30％为测试样本；(2)对数据集中的原始图像G依次进行直方图均衡化、均值滤波以去除噪声干扰，得到滤波后的图像P；(3)对滤波后的图像P进行阈值分割，并对分割结果依次做形态学滤波和聚类处理，得到目标区域二值图像Q，然后进行去旁瓣处理，得到去旁瓣后的二值图像Q'；(4)对去旁瓣后的二值图像Q'与原始图像G做掩膜处理，得到目标区域幅度图像，计算目标区域幅度图像多维特征，得到目标的多维特征h；(5)构建基于卷积神经网络CNN的目标尺寸估计网络框架Ψ：5a)设置六层卷积层，即第一层卷积层L₁、第二层卷积层L₂、第三层卷积层L₃、第四层卷积层L₄、第五层卷积层L₅、第六层卷积层L₆；5b)设置四层最大池化层，即第一层最大池化层P₁、第二层最大池化层P₂、第三层最大池化层P₃、第四层最大池化层P₄；5c)将5a)的六层卷积层与5b)的四层最大池化层交叉排列，即由第一层卷积层L₁、第一层最大池化层P₁、第二层卷积层L₂、第二层最大池化层P₂、第三层卷积层L₃、第三层最大池化层P₃、第四层卷积层L₄、第四层最大池化层P₄、第五层卷积层L₅、第六层卷积层L₆依次串联构成的目标尺寸估计网络框架Ψ；(6)将训练样本输入到构建好的目标尺寸估计网络框架Ψ中进行训练，得到训练好的网络模型Ψ′，同时得到训练样本的初步尺寸估计结果；(7)将测试样本输入到训练好的网络模型Ψ′中，得到测试样本的初步尺寸估计结果；(8)将多维特征向量h中训练样本部分与训练样本的初步尺寸估计结果进行组合，组成训练样本的新多维特征向量h₁，将多维特征向量h中测试样本部分与测试样本的初步尺寸估计结果进行组合，组成测试样本的新多维特征向量h₂；(9)利用训练样本的多维特征向量h₁训练梯度提升决策树GBDT分类器，得到训练好的梯度提升决策树GBDT模型；(10)将测试样本的多维特征向量h₂送入到已经训练好的梯度提升决策树GBDT模型中，得到测试样本的最终尺寸特征。