CN109934237A - 基于卷积神经网络的sar图像特征提取方法 - Google Patents

Abstract

本发明提供了一种基于卷积神经网络的SAR图像特征提取方法；该方法首先截取SAR图像中包含目标的区域，并将截取部分的图像分辨率转换为128×128；接着使用转化过的全部数据训练一个卷积神经网络；神经网络训练好以后，将待提取特征的SAR图像输入到神经网络中，选择神经网络全连接层的256维输出作为提取到的特征。本发明将卷积神经网络用于SAR图像中目标的特征提取工作。使用卷积神经网络进行特征提取，简化了图像预处理和特征提取过程；由于卷积和池化的局部连接性质，图片中目标的平移和旋转不会影响最后的识别效果，使网络适应性更强。

Description

基于卷积神经网络的SAR图像特征提取方法

技术领域

本发明属于深度学习及图像特征提取领域，涉及一种基于卷积神经网络(Convolutional Neural Networks，CNN)的合成孔径雷达(Synthetic Aperture Radar，SAR)图像特征提取方法。

背景技术

合成孔径雷达具有全天候、全天时执行遥感监测任务的能力，通过对目标的多个回波进行相干累加，可以得到目标的二维SAR图像。并且微波遥感具有一定的地面和植被穿透能力，有助于发现机场、港口、桥梁、道路等人造建筑目标以及飞机、坦克、舰船等军事目标，因此具有重要的军事和民事应用价值。特征提取是获得SAR图像中目标识有效鉴别特征的重要步骤。特征提取的效果在很大程度上影响着SAR目标识别的效果。目前，各种SAR图像特征提取算法已经被提出并应用于SAR目标识别。基于数学变换的特征提取方法包括小波变换、独立分量分析等；基于物理性质的特征提取包括点特征(包括位置、强度、峰值等)、线特征、区域特征(包括纹理、阴影、面积、尺寸等)、目标姿态角、散射中心特征、极化特征和高分辨雷达剖面特征等。在实际应用时，上述方法主要存在的问题是：需要人类专家根据特定的任务单独设计特征提取和特征选择的方法，算法的通用性不强；特征提取的效果依赖于人工经验，导致特征提取的效果不稳定。

发明内容

本发明的目的在于针对现有技术的不足，提出一种基于卷积神经网络的SAR图像特征提取方法。

本发明方法包括以下步骤：

步骤(1)、数据预处理

采用数据库中的任一数据集作为样本数据集，对于数据集中每一张图像，截取图像中包含目标的区域，如果截取部分的分辨率大于128×128，则使用图像采样的方法将图像的分辨率转换为128×128；如果截取部分的分辨率小于128×128，则采用图像插值的方法将图像的分辨率转换为128×128。

步骤(2)、训练卷积神经网络

将步骤(1)中预处理过的全部数据作为训练集，训练一个卷积神经网络，网络的输入层负责接收图像，输入层后面连接的是相间隔的5个卷积层和5个池化层，最后一个池化层连接的是一个全连接层，全连接层后面连接的是输出层。网络参数如表1所示。在CNN的训练错误率为0时或者达到最大迭代轮数时停止训练；

表1设计的卷积神经网络

表1中input代表输入层，conv1、conv2、…、conv5代表卷积层，pool1、pool2、…、pool5代表池化层，Fc代表全连接层，output代表输出层。

步骤(3)、特征提取

CNN训练好以后，对任一待特征提取的SAR图像，采用步骤(1)预处理后输入到步骤(2)中训练好的CNN中，选择网络中第一个全连接层的256维输出作为提取到的特征。

本发明的有益效果是：

本发明的关键在于设计了一个卷积神经网络来完成SAR图像中目标的特征提取工作。使用CNN进行特征提取，简化了图像预处理和特征提取过程；由于卷积和池化的局部连接性质，图片中目标的平移和旋转不会影响最后的识别效果，使网络适应性更强。本发明采用的基于卷积神经网络的SAR图像特征提取方法能稳定的提取SAR图像中目标的特征并且具有较高的通用性。

附图说明

图1为本发明步骤(1)—(2)的流程图。

图2为本发明步骤(3)的流程图。

具体实施方式

下面结合具体实施例对本发明做进一步的分析。

本实施例采用MSTAR数据库中三种目标的SAR图像数据作为训练的样本数据集。在运用基于卷积神经网络的SAR图像特征提取方法进行SAR图像特征提取过程中具体包括以下步骤，如图1和图2所示：

步骤(1)、数据预处理

选择3类MSTAR数据库中的样本，分别是T72-132、T62和2S1，对数据集中的每一张图像，截取图像中包含目标的128×128的像素单位，加入训练集。

步骤(2)、训练卷积神经网络

利用步骤(1)中获得的包含三个目标类别的训练集，训练一个卷积神经网络，网络参数如表1所示。在CNN的训练错误率为0时或者达到最大迭代轮数时停止训练，这里将最大迭代轮数设置为5000。

表1设计的卷积神经网络

表1中input代表输入层，conv1、conv2、…、conv5代表卷积层，pool1、pool2、…、pool5代表池化层，Fc代表全连接层，output代表输出层。

步骤(3)、特征提取

将步骤(1)获得的训练集中任一图像输入步骤(2)中训练好的卷积神经网络中，网络中的第一个全连接层的256维输出即从该图像中提取到的目标特征。

上述实施例并非是对于本发明的限制，本发明并非仅限于上述实施例，只要符合本发明要求，均属于本发明的保护范围。

Claims (1)

1.基于卷积神经网络的SAR图像特征提取方法，其特征在于，该方法具体包括以下步骤：

步骤(1)、数据预处理

采用数据库中的任一数据集作为样本数据集，对于数据集中每一张图像，截取图像中包含目标的区域，如果截取部分的分辨率大于128×128，则使用图像采样的方法将图像的分辨率转换为128×128；如果截取部分的分辨率小于128×128，则采用图像插值的方法将图像的分辨率转换为128×128；

步骤(2)、训练卷积神经网络

将步骤(1)中预处理过的全部数据作为训练集，训练一个卷积神经网络，网络的输入层负责接收图像，输入层后面连接的是相间隔的5个卷积层和5个池化层，最后一个池化层连接的是一个全连接层，全连接层后面连接的是输出层；网络参数如表1所示；在CNN的训练错误率为0时或者达到最大迭代轮数时停止训练；

表1 设计的卷积神经网络

表1中input代表输入层，conv1、conv2、…、conv5代表卷积层，pool1、pool2、…、pool5代表池化层，Fc代表全连接层，output代表输出层；

步骤(3)、特征提取

CNN训练好以后，对任一待特征提取的SAR图像，采用步骤(1)预处理后输入到步骤(2)中训练好的CNN中，选择网络中第一个全连接层的256维输出作为提取到的特征。