CN105809198A - 基于深度置信网络的sar图像目标识别方法 - Google Patents

Abstract

本发明公开了一种基于深度置信网络的SAR图像目标识别方法。其步骤为：(1)获取待识别图像样本；(2)滤波；(3)提取特征；(4)训练深度置信网络DBN；(5)目标识别；本发明采用深度置信网络，将多种参数结合起来作为输入，能够有效地解决现有技术中仅采用SAR图像的单一特征，不足以表征更全面的目标信息和利用浅层学习方法时，依赖大量人工工作导致速度慢的问题，本发明具有结合图像多种特征，获取更丰富更深层的目标信息，提高SAR图像目标识别精度的优点。

Description

基于深度置信网络的SAR图像目标识别方法

技术领域

本发明属于图像处理技术领域，更进一步涉及目标识别技术领域中的一种基于深度置信网络的合成孔径雷达(SyntheticApertureRadar，SAR)目标识别方法。本发明针对SAR图像，采用深度置信网络，从而实现对SAR图像目标的自动识别并有效的提高SAR图像目标识别精度。

背景技术

随着SAR成像技术的完善和SAR数据级数倍的增加，从大量数据以及复杂的地物场景中获取并识别各类军事目标成为了研究热点。

目前关于SAR图像目标识别方面的论文专利非常多，从采取的技术路线来看，这些方法在图像预处理，特征提取，分类器设计方面各不同。有的是基于模板匹配的SAR自动目标识别方法，有的使用核主成分分析(KernelPrincipalComponentAnalysis，KPCA)来提取目标SAR图像特征，再利用支撑向量机(SupportVectorMachine，SVM)进行识别分类，还有一些基于稀疏表示的识别方法。这些方法均属于浅层学习范畴，主要依赖于特征提取，需要大量人工工作，而且仅采用SAR图像的单一特征，不足以表征更全面的目标信息，导致识别率不高。

最近深度学习在各个领域发展的如火如荼。已经在图像分割、人脸识别、目标检测等方面取得了很好的效果。

电子科技大学在其申请的专利“一种合成孔径雷达自动目标识别的方法”(专利申请号：201210338630.0，授权公告号：CN102902979B)中提出了一种合成孔径雷达自动目标识别的方法。该方法首先进行初始化数据，构造相似化矩阵和差异性矩阵，然后利用基于最大边缘准则计算目标矩阵，再计算投影矩阵并对训练和测试样本提取特征，最后根据最近邻分类器对测试样本进行分类。该方法存在的不足之处是，当训练样本数目较多、图像尺寸大时，计算复杂度明显增大，导致计算时间长，实时性差。

SizheChen,HaipengWang,在其发表的论文“SARTargetRecognitionBasedonDeepLearning”(DataScienceandAdvancedAnalytics(DSAA),2014InternationalConferenceon.IEEE,2014)中提出了一种基于深度学习的SAR目标识别方法，该方法首先利用无监督学习进行预训练，得到卷积神经网络(convolutionNeuralNets，CNN)的卷积核及偏置参数，用所学到的参数初始化CNN网络，最后使用训练样本训练网络，用测试样本完成分类识别。该方法存在的不足之处是，由于所采用的卷积神经网络只有一层，没有提取到更深层次的特征，导致识别率不高。

发明内容

本发明的目的是针对上述现有技术存在的不足，提出了一种基于深度置信网络的SAR图像目标识别方法。本发明与现有技术中其他SAR目标识别技术相比，识别率高，适应性强。

本发明实现的具体步骤包括如下：

(1)获取待识别图像样本；

(1a)从MSTAR数据集中任意获取已知类别标签的SAR图像作为训练样本集；

(1b)从MSTAR数据集中任意获取不同于训练样本的已知类别标签的SAR图像作为测试样本集；

(2)滤波：

对训练样本集和测试样本集中每个样本进行中值滤波，得到滤波后的训练样本集和测试样本集；

(3)提取特征：

(3a)对滤波后的训练样本集及测试样本集中的每个样本x_k，进行轮廓波变换，得到41个子带图像，将41个子带图像全部投影到水平、垂直和两个对角线方向，得到164个投影向量，将164个投影向量的均值和方差组成一个向量，作为样本x_k的轮廓波特征向量；

(3b)对样本x_k进行归一化处理,得到图像利用曲线波变换方法，提取图像的低频子带系数，得到图像的低频子带图像采用形态学处理方法，去除图像的背景冗余，将形态学处理后的图像拉伸成向量作为样本x_k的曲线波特征向量；

(3c)对样本x_k下采样，得到32×32大小的图像将图像拉伸成1024维向量，得到样本x_k的原始特征向量；

(3d)将样本x_k的原始特征向量、轮廓波特征向量与曲线波特征向量首尾连接，得到样本x_k的特征向量A；

(4)训练深度置信网络DBN：

(4a)将滤波后训练样本集中所有样本x_k的特征向量A输入三层高斯限制玻尔兹曼机GRBM中，对三层高斯限制玻尔兹曼机GRBM进行训练，得到并保存三层高斯限制玻尔兹曼机GRBM的参数及输出向量；

(4b)将输出向量输入到softmax分类器中，训练softmax分类器；

(4c)利用反向传播方法，对整个深度置信网络DBN进行微调,得到训练好的深度置信网络DBN；

(5)目标识别：

将滤波后测试样本集中所有样本x_k的特征向量A输入到训练好的深度置信网络DBN中进行识别，得到样本x_k的识别标签y_k。

本发明与现有技术相比具有以下优点：

第一、由于本发明将合成孔径雷达SAR图像原始数据下采样得到将样本x_k的原始特征向量、轮廓波特征向量与曲线波特征向量首尾连接，，形成新的合成特征，克服了现有技术中仅采用SAR图像的单一特征，不足以表征更全面的目标信息，导致识别率不高的问题，使得本发明能全面细致地描述图像特征，提高目标识别正确率。

第二、由于本发明采用基于深度置信网络的SAR图像目标识别方法，通过训练深度置信网络DBN，得到三层高斯限制玻尔兹曼机GRBM的输出向量，克服了现有技术中利用浅层学习方法，依赖大量人工工作导致速度慢，实时性差的问题，使得本发明能自动学习图像更深层次的特征，降低了计算量和复杂度。

附图说明

图1是本发明的流程图；

图2是本发明输入的部分MSTAR目标图像；

具体实施方式

下面结合附图对本发明做进一步的描述。

参照图1，本发明实现的具体步骤如下：

步骤1，获取待识别图像样本。

从MSTAR数据集中任意获取已知类别标签的SAR图像作为训练样本集。

从MSTAR数据集中任意获取不同于训练样本的已知类别标签的SAR图像作为测试样本集。

步骤2，滤波。

对训练样本集和测试样本集中每个样本进行中值滤波，得到滤波后的训练样本集和测试样本集。

设定中值滤波模板的大小为3×3像素，将该滤波模板中心与每个样本图像中所有像素位置分别重合，读取模板下各对应像素的灰度值，将这些灰度值从小到大排列，取这一列的中间数据的灰度值，将其赋给对应模板中心位置的像素。遍历整个图像得到滤波后的样本。

步骤3，提取特征。

第1步，对滤波后的训练样本集及测试样本集中的每个样本x_k，进行轮廓波变换，其中，轮廓波变换的尺度分解数为5,5次尺度分解的方向数从粗尺度到细尺度依次为：2²、2²、2³、2³、2⁴。由此得到41个子带图像，将41个子带图像全部投影到水平、垂直和两个对角线方向，得到164个投影向量，将164个投影向量的均值和方差组成一个向量，作为样本x_k的轮廓波特征向量，该特征向量大小为328维。

第2步，对滤波后的训练样本集及测试样本集中的每个样本x_k，先利用下式对滤波后的每个样本图像进行非线性归一化：

$x_k^1(t_1,t_2)=f\[t_1,t_2\]-\mathrm{\μ}/{\mathrm{\σ}}^2$

其中，是非线性归一化后图像，t₁,t₂是图像的横、纵坐标值,1≤t₁,t₂≤n,f[t₁,t₂]是滤波后的样本图像，μ是滤波后每个样本图像所有像素值的均值，σ²是滤波后每个样本图像所有像素值的方差。

对归一化后的图像利用曲线波变换方法，按照下式，计算图像的曲线波变换系数：

其中，c表示图像的曲线波变换后的曲线波系数，t₁,t₂分别表示图像的横、纵坐标值，1≤t₁,t₂≤n，n表示图像的宽度，表示非线性归一化后的图像，表示曲线波变换基函数。

提取图像的曲线波变换后的曲线波系数c中32×32大小的低频子带系数，得到图像的低频子带图像

采用形态学处理方法，去除图像的背景冗余，将形态学处理后的图像拉伸成1024维向量作为样本x_k的曲线波特征向量。

第3步，对滤波后的训练样本集及测试样本集中的每个样本x_k下采样，得到32×32大小的图像将图像拉伸成1024维向量，得到样本x_k的原始特征向量。

第4步，将得到的原始特征向量、轮廓波特征向量与曲线波特征向量首尾连接，得到样本x_k的特征向量A。

步骤4，训练深度置信网络DBN。

将滤波后训练样本集中所有样本x_k的特征向量A输入三层高斯限制玻尔兹曼机GRBM中，对三层高斯限制玻尔兹曼机GRBM进行训练，得到并保存三层高斯限制玻尔兹曼机GRBM的第1层、第2层和第3层的输出向量。

将第1个隐藏层节点数设置为400，迭代次数epoch为3，学习率ρ为0.1。训练第1层高斯限制玻尔兹曼机GRBM，得到并保存第1层权重W₁、偏置b₁以及输出向量Y₁。

将第2个隐藏层节点数设置为300，迭代次数epoch为3，学习率ρ为0.1。训练第2层高斯限制玻尔兹曼机GRBM，得到并保存第2层权重W₂、偏置b₂以及输出向量Y₂。

将第3个隐藏层节点数设置为50，迭代次数epoch为3，学习率ρ为0.1。训练第3层高斯限制玻尔兹曼机GRBM，得到并保存第3层权重W₃、偏置b₃以及输出向量Y₃。

将输出向量Y₃输入到softmax分类器中，训练softmax分类器：

将softmax分类器的输入节点数设置为50，输出节点数设置为3训练代数设置为200。

按照下式，更新softmax分类器的权值：

$W_4=W_4+\frac{1}{m}\[Y_3*\left(1\right\{T^{\left(i\right)}=j\left\}\right)-\frac{e^{W_4{Y}_3}}{{\mathrm{\Σ}}_{l=1}^3{e}^{W_4{Y}_3}}\]$

其中，W₄表示softmax分类器的权值，m表示训练样本集中的样本数目，Y₃表示三层高斯限制玻尔兹曼机GRBM的第3层输出向量，1{·}表示一个指示性函数，当大括号中的值为真时，该函数的结果为1，当大括号中的值为假时，该函数的结果为0，T⁽ⁱ⁾表示训练样本的真实类标，i表示训练样本集中第i个样本，j表示训练样本集所包含的第j个类别，e表示自然常数2.718，l表示softmax分类器的第l个输出节点。保存softmax分类器的权值保存W₄的值。

利用反向传播方法，对整个深度置信网络DBN进行微调,得到训练好的深度置信网络DBN。

步骤5，目标识别：

将滤波后测试样本集中所有样本x_k的特征向量A或特征向量B输入到训练好的深度置信网络DBN中进行识别，根据下式计算得到样本x_k的识别标签y_k:

y_k＝W₄*δ(W₃(δ(W₂δ(W₁x_k+b₁))+b₂))+b₃)

其中，y_k表示样本x_k的识别标签，W₄表示softmax分类器的权值，δ表示sigmoid函数，W₃、W₂、W₁分别表示三层高斯限制玻尔兹曼机GRBM的第3层权重、第2层权重和第1层权重，x_k表示测试样本集中的任意一个样本，b₁、b₂、b₃分别表示三层高斯限制玻尔兹曼机GRBM的第1层偏置、第2层偏置和第3层偏置。

将得到的测试样本集的所有样本的识别标签y_k与测试样本集的真实类标比较，测试样本集中，正确分类的样本数目与测试样本集样本总数比值即为目标识别正确率。

下面结合仿真实验对本发明的效果做进一步的描述。

1、仿真实验条件：

本文仿真实验采用运动与静止目标的获取与识别(MovingandStationaryTargetAcquisitionandRecognition,MSTAR)实测数据，实验中选用其中的三类SAR目标：BMP2装甲车、BTR70装甲车、T72主战坦克，图像成像分辨率是0.3m×0.3m，方位角覆盖范围是0～360°，图像大小为128×128像素，其中训练样本集是1161幅俯视角为15°的目标图像，测试样本是978幅俯视角为17°的目标图像。每类车型的可视化灰度图像如图2，图2(a)是BMP2装甲车训练样本，图2(b)是BTR70装甲车训练样本,图2(c)是T72主战坦克训练样本，图2(d)是BMP2装甲车测试样本，图2(e)是BTR70装甲车测试样本，图2(f)是T72主战坦克测试样本，具体数据分布如表1。硬件平台为：IntelCore2DuoCPUE65502.33GHZ、3GBRAM，软件平台：vs2010,MATLABR2012a。

表1.MSTAR实验数据分布

2、实验内容与结果：

本发明首先使用1161幅训练样本训练深度置信网络DBN，得到训练好的深度置信网络DBN，然后测试978幅测试样本。应用本发明方法与三种现有技术(基于灰度的模板匹配技术、基于KPCA的SVM识别技术、基于深度学习CNN模型的识别技术)对MSTAR数据集中三种目标类型进行识别，计算各种方法的正确识别率，实验结果如表2所示。

表2.MSTAR数据目标识别结果

从表2中可以看到本发明提出的基于深度置信网络的SAR目标识别方法的识别正确率可以达到95％，本发明中我们利用深度深度置信网络提取更深层的数据信息，具有结合图像多种特征，获取更丰富更深层的目标信息，提高SAR图像目标识别精度的优点，具有重要的实际意义。

Claims (6)

1.一种基于深度置信网络的SAR图像目标识别方法，包括如下步骤：

(1)获取待识别图像样本；

(1a)从MSTAR数据集中任意获取已知类别标签的SAR图像作为训练样本集；

(1b)从MSTAR数据集中任意获取不同于训练样本的已知类别标签的SAR图像作为测试样本集；

(2)滤波：

对训练样本集和测试样本集中每个样本进行中值滤波，得到滤波后的训练样本集和测试样本集；

(3)提取特征：

(3a)对滤波后的训练样本集及测试样本集中的每个样本x_k，进行轮廓波变换，得到41个子带图像，将41个子带图像全部投影到水平、垂直和两个对角线方向，得到164个投影向量，将164个投影向量的均值和方差组成一个向量，作为样本x_k的轮廓波特征向量；

(3b)对样本x_k进行归一化处理,得到图像利用曲线波变换方法，提取图像的低频子带系数，得到图像的低频子带图像采用形态学处理方法，去除图像的背景冗余，将形态学处理后的图像拉伸成向量作为样本x_k的曲线波特征向量；

(3c)对样本x_k下采样，得到32×32大小的图像将图像拉伸成1024维向量，得到样本x_k的原始特征向量；

(3d)将样本x_k的原始特征向量、轮廓波特征向量与曲线波特征向量首尾连接，得到样本x_k的特征向量A；

(4)训练深度置信网络DBN：

(4a)将滤波后训练样本集中所有样本x_k的特征向量A输入三层高斯限制玻尔兹曼机GRBM中，对三层高斯限制玻尔兹曼机GRBM进行训练，得到并保存三层高斯限制玻尔兹曼机GRBM的第1层、第2层和第3层的输出向量；

(4b)将第3层的输出向量输入到softmax分类器中，训练softmax分类器；

(4c)利用反向传播方法，对整个深度置信网络DBN进行微调,得到训练好的深度置信网络DBN；

(5)目标识别：

将滤波后测试样本集中所有样本x_k的特征向量A输入到训练好的深度置信网络DBN中进行识别，得到样本x_k的识别标签y_k。

2.根据权利要求1所述的基于深度置信网络的SAR图像目标识别方法，其特征在于：步骤(3a)中所述的轮廓波变换的尺度分解数为5,5次尺度分解的方向数从粗尺度到细尺度依次为：2²、2²、2³、2³、2⁴。

3.根据权利要求1所述的基于深度置信网络的SAR图像目标识别方法，其特征在于：步骤(3b)中所述曲线波变换方法的具体步骤如下：

第1步,按照下式，计算图像的曲线波变换系数：

其中，c表示图像的曲线波变换后的曲线波系数，t₁,t₂分别表示图像的横、纵坐标值，1≤t₁,t₂≤n，n表示图像的宽度，表示非线性归一化后的图像，表示曲线波变换基函数；

第2步,提取图像的曲线波变换后的曲线波系数c中32×32大小的低频子带系数，得到图像的低频子带图像

4.根据权利要求1所述的基于深度置信网络的SAR图像目标识别方法，其特征在于：步骤(4a)中所述对三层高斯限制玻尔兹曼机GRBM进行训练的具体步骤如下：

第1步，将三层高斯限制玻尔兹曼机GRBM第1个隐藏层节点数设置为400，迭代次数epoch为3，学习率ρ为0.1，训练第1层高斯限制玻尔兹曼机GRBM，得到并保存第1层权重W₁、偏置b₁以及输出向量Y₁；

第2步，将三层高斯限制玻尔兹曼机GRBM第2个隐藏层节点数设置为300，迭代次数epoch为3，学习率ρ为0.1，训练第2层高斯限制玻尔兹曼机GRBM，得到并保存第2层权重W₂、偏置b₂以及输出向量Y₂；

第3步，将三层高斯限制玻尔兹曼机GRBM第3个隐藏层节点数设置为50，迭代次数epoch为3，学习率ρ为0.1，训练第3层高斯限制玻尔兹曼机GRBM，得到并保存第3层权重W₃、偏置b₃以及输出向量Y₃。

5.根据权利要求1所述的基于深度置信网络的SAR图像目标识别方法，其特征在于：步骤(4b)中所述训练softmax分类器的具体步骤如下:

第1步，将softmax分类器的输入节点数设置为50，输出节点数设置为3，训练代数设置为200；

第2步，按照下式，更新softmax分类器的权值：

$W_4=W_4+\frac{1}{m}\[Y_3*\left(1\right\{T^{\left(i\right)}=j\left\}\right)-\frac{e^{W_4{Y}_3}}{{\mathrm{\Σ}}_{l=1}^3{e}^{W_4{Y}_3}}\]$

其中，W₄表示softmax分类器的权值，m表示训练样本集中的样本数目，Y₃表示三层高斯限制玻尔兹曼机GRBM的第3层输出向量，1{·}表示一个指示性函数，当大括号中的值为真时，该函数的结果为1，当大括号中的值为假时，该函数的结果为0，T⁽ⁱ⁾表示训练样本的真实类标，i表示训练样本集中第i个样本，j表示训练样本集所包含的第j个类别，e表示自然常数2.718，l表示softmax分类器的第l个输出节点；

第3步，保存softmax分类器的权值W₄。

6.根据权利要求1所述的基于深度置信网络的SAR图像目标识别方法，其特征在于：步骤(5)所述识别标签y_k按照下式计算得到：

y_k＝W₄*δ(W₃(δ(W₂δ(W₁x_k+b₁))+b₂))+b₃)

其中，y_k表示样本x_k的识别标签，W₄表示softmax分类器的权值，δ表示sigmoid函数，W₃、W₂、W₁分别表示三层高斯限制玻尔兹曼机GRBM的第3层权重、第2层权重和第1层权重，x_k表示测试样本集中的任意一个样本，b₁、b₂、b₃分别表示三层高斯限制玻尔兹曼机GRBM的第1层偏置、第2层偏置和第3层偏置。