CN112906716A - 基于小波去噪阈值自学习的带噪sar图像目标识别方法 - Google Patents
基于小波去噪阈值自学习的带噪sar图像目标识别方法 Download PDFInfo
- Publication number
- CN112906716A CN112906716A CN202110212547.8A CN202110212547A CN112906716A CN 112906716 A CN112906716 A CN 112906716A CN 202110212547 A CN202110212547 A CN 202110212547A CN 112906716 A CN112906716 A CN 112906716A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- learning
- threshold
- speckle
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Abstract
本发明涉及基于小波去噪阈值自学习的带噪SAR图像目标识别方法,属于及雷达目标识别技术领域。依托于可学习阈值的小波散斑抑制网络和压缩‑激励卷积神经网络,可学习阈值的小波散斑抑制网络包括小波变换模块、可学习阈值模块及逆小波变换模块;可学习阈值的小波散斑抑制网络通过DWT提取图像高频分量放入卷积和全连接层,自适应对高频分量进行软阈值处理,再与低频分量结合后经过IWT得到去噪后图像;实现通过训练集标签来监督学习小波去噪的阈值,可学习阈值的小波散斑抑制网络输出后的图像经网络自动分层提取特征,并加入压缩‑激励模块对来自于原始图像和去噪分支的特征图贡献度进行权衡。所述方法具有识别能力强以及测试精度高的优势。
Description
技术领域
本发明涉及基于小波去噪阈值自学习的带噪SAR图像目标识别方法,尤其涉及斑点噪声污染下可学习阈值的小波去噪网络和压缩激励卷积神经网络(SENet)的合成孔径雷达(Convolutional Neural Network;SAR)目标识别方法,属于基于深度学习的模式识别以及雷达目标识别技术领域。
背景技术
SAR目标识别是雷达高分辨图像解译的一项重要课题,图像目标识别技术在军事和国土安全方面有着重要的应用价值,如敌我识别、战场监视和救灾等。近年来,以卷积神经网络CNN为代表的深度学习技术在图像识别领域取得了巨大的成就。现有研究人员还提出了一系列基于CNN的合成孔径雷达图像目标识别算法,证明了这些算法的有效性。同时传递学习、模型压缩和压缩激励建模也被应用于基于CNN的合成孔径雷达目标识别,并在MSTAR基准实验和合成孔径雷达图像样本数量有限的场景中取得了良好的效果。
此外,散斑噪声和杂波是影响合成孔径雷达目标识别精度的重要因素。它会降低合成孔径雷达图像的对比度,影响后向散射强度的统计特性,从而影响目标识别和解释。传统的合成孔径雷达图像去噪方法主要包括基于空间域的方法和基于变换域的方法,基于CNN的合成孔径雷达目标识别方法中也有处理噪声的研究。针对上述问题的两个解决角度,研究人研究人员已经做了一些工作,但仍然存在一些问题:
第一,现有方案需要先经过额外的图像分割或滤波预处理步骤,不是一种基于CNN的端到端噪声合成孔径雷达目标识别解决方案,从方案实施的整体性上讲有所欠缺。
第二,形态学分割或ILS滤波的阈值依赖于经验设置,特征的分类精度或斑点噪声不变性也会受到阈值设置的约束,进而影响最终斑点噪声下的合成孔径雷达图像目标识别性能。
第三,现有研究方法并没有在不同散斑噪声强度影响下,讨论合成孔径雷达图像识别性能,以验证研究方案的可实施性和鲁棒性。
因此,通过多级小波去噪与神经网络,构建一个含噪合成孔径雷达图像目标识别的端到端神经网络解决方案,解决斑点噪声污染下的成孔径雷达图像目标识别性能问题具有重要意义。
发明内容
本发明的目的是为了解决斑点噪声影响下SAR图像目标识别时,需要额外预处理且滤波阈值依靠经验设定并恶化识别性能的问题,提出了基于小波去噪阈值自学习的带噪SAR图像目标识别方法,该方法依托于一种用于含噪合成孔径雷达图像目标识别的端到端神经网络小波去噪阈值自学习的带噪SAR图像目标识别网络,即小波散斑抑制压缩激励网络Wavelet-SR-SENet。
为了达到上述目的,本发明采取如下技术方案。
所述SAR图像目标识别方法依托于可学习阈值的小波散斑抑制网络和压缩-激励卷积神经网络,且此两网络相连接,构成一个端到端的小波去噪阈值自学习的带噪SAR图像目标识别网络Wavelet-SR-SENet;
其中,可学习阈值的小波散斑抑制网络又包括小波变换模块、可学习阈值模块以及逆小波变换模块;
其中,可学习阈值的小波散斑抑制网络,Wavelet Speckle Reduction Networkwith learning threshold,缩写WSR-Net;压缩-激励卷积神经网络,即Squeeze-and-Excitation Network,缩写SE-Net;
小波变换模块与可学习阈值模块相连,可学习阈值模块与逆小波变换模块相连;
其中,小波变换模块,即discrete wavelet transform,缩写DWT;可训练门限模块,即Trainable threshold block,缩写TTB;逆小波变换模块,即inverse wavelettransform,IWT;
可学习阈值的小波散斑抑制网络依据大部分SAR图像斑点噪声集中在高频分量这一先验特点,通过DWT提取图像的高频分量放入卷积和全连接层组成的分支网络进行监督学习,自适应的训练学习出输出阈值D,并依照阈值D对高频分量进行软阈值处理,再与低频分量结合后经过IWT得到去噪后图像;这样就实现了通过训练集标签来监督学习小波去噪的阈值,有效的避免了因经验设定阈值带来的识别性能下降;
可学习阈值的小波散斑抑制网络输出后的图像送入压缩-激励卷积神经网络,通过该网络自动分层提取特征,并在其中加入了额外的压缩-激励模块对来自于原始图像和去噪分支的特征图贡献度进行权衡,以获得鲁棒的识别性能。
其中,压缩-激励模块,即Squeeze-and-Excitation,缩写SE。
本发明的目的是通过下述技术方案实现的。
基于小波去噪阈值自学习的带噪图像目标识别方法,包括网络构建与训练阶段以及识别阶段,包括如下步骤:
步骤1、网络构建与训练阶段,包括构建不同斑点噪声强度下的训练样本集、构建可学习阈值的小波散斑抑制网络、融合特征图、构建压缩-激励卷积神经网络、训练可学习阈值的小波散斑抑制网络和压缩-激励卷积神经网络,具体包括如下子步骤:
步骤1.1:基于斑点噪声乘性模型构建不同斑点噪声强度下的训练样本集;
将基于噪声强度参数α控制斑点噪声乘性模型产生相干斑噪声强度,再依据SAR图像各分辨单元的位置坐标,将各坐标对应的随机地面目标的雷达散射强度与相干斑噪声强度相乘,得到该坐标位置处对应的受相干斑噪声污染的SAR图像强度;
其中,斑点噪声乘性模型为:I(x,y)=S(x,y)×N(x,y);
其中,I表示受相干斑噪声污染的SAR图像强度,x,y分别表示SAR图像各分辨单元的位置坐标,S表示随机地面目标的雷达散射强度,N表示相干斑噪声强度,该相干斑噪声强度服从eα=min(erandn(M,N),α)分布,其中e表示指数分布函数,min表示取最小值,randn表示产生标准正态分布的随机矩阵,M,N表示图片像素尺寸,α为表征噪声强度的可变参数;
步骤1.1通过设置不同的噪声强度参数α,对一部分真实SAR图像建模,得到受不同程度斑点噪声污染的SAR图像进而构造不同斑点噪声强度下的训练样本集;
其中,α的取值范围为1到5,训练样本集中均包含原始样本图像及对应图像的标签;
步骤1.2:构建可学习阈值的小波散斑抑制网络;
其中,可学习阈值的小波散斑抑制网络包括小波变换模块、小波逆变换模块及可学习阈值模块;且小波变换模块为采用Harr小波的DWT,小波逆变换模块为采用Harr小波的IWT;DWT的输入为欲去噪的图像,输出为DWT处理后的高频分量和低频分量;TTB的输入为DWT处理后的高频分量,输出为降噪后的高频分量;IWT的输入为TTB处理后的高频分量及DWT处理后的低频分量,输出为去噪后的图像;
其中,可学习阈值的小波散斑抑制网络能有效地降低斑点噪声,但同时也会带来图像信息特征的丢失;
步骤1.3:特征融合,具体为将步骤1.1构建的训练样本集中的原始输入图像和步骤1.2所述网络输出去噪后的图像进行融合,得到融合的特征图有效弥补可学习阈值的小波散斑抑制网络所可能带来的图像信息特征丢失;
其中,融合的特征图通过直接堆叠产生;
步骤1.4:构建压缩-激励卷积神经网络;
其中,压缩-激励卷积神经网络为包含多个卷积层、池化层、SE模块及Dropout模块、全连接层以及Softmax分类器的分类神经网络;
步骤1.4,具体包括如下子步骤:
步骤1.4.1构建多个卷积层、池化层、SE模块及Dropout模块,组成压缩-激励卷积神经网络框架;
步骤1.4.2:在步骤1.4.1构建的压缩-激励卷积神经网络框架后添加全连接层,并确定交叉熵作为Wavelet-SR-SENet分类网络的损失函数,再使用分类器连接到预测标签;
至此,构建完成了Wavelet-SR-SENet;
步骤1.5,训练可学习阈值的小波散斑抑制网络和压缩-激励卷积神经网络,得到训练好的Wavelet-SR-SENet分类模型,具体包括以下子步骤:
步骤1.5.2:使用步骤1.1构建好的训练样本集中的样本图像和对应标签对网络进行训练,通过交叉熵分类损失方向传递对网络参数进行监督学习,并输出训练好的Wavelet-SR-SENet分类模型;
识别阶段,包含测试样本集构建以及Wavelet-SR-SENet识别,具体包括如下步骤:
步骤2.1:测试样本集构建,具体如下:通过设置不同的噪声强度参数α,对另一部分真实SAR图像建模,得到受不同程度斑点噪声污染的SAR图像进而构造不同斑点噪声强度下的测试样本集;
其中,的取值范围为1到5,测试样本集包含原始样本图像及对应图像的标签;
步骤2.2:Wavelet-SR-SENet识别,将测试样本集中的测试样本输入到训练好的Wavelet-SR-SENet分类模型,输出识别结果。
有益效果
本发明涉及基于小波去噪阈值自学习的带噪图像目标识别方法,与已有的SAR图像去噪目标识别方法相比,具有以下有益效果:
1.所述方法通过将小波自适应阈值去噪与目标识别网络结合起来,实现了小波去噪阈值的监督性自学习,克服了形态学分割或ILS滤波器的阈值取决于经验设置进而带来识别性能恶化的弊端;
2.所述方法通过将去噪后图像和原始图像连接起来,补偿了去噪操作可能带来的信息丢失并在分类网络中额外添加了对应的压缩-激励操作用于权衡原始图像和去噪分支对特征图的贡献,以获得强大的识别性能;
3.所述方法在不同强度斑点噪声情况下,均获得了相比于A-ConvNet、ResNet和经典CNN更高的测试精度;其中,A-ConvNet和ResNet都是已有的卷积网络模型。
附图说明
图1为本发明基于小波去噪阈值自学习的带噪SAR图像目标识别方法的整体网络结构示意图,也即方法流程示意图;
图2为本发明基于小波去噪阈值自学习的带噪SAR图像目标识别方法实施例1中的可学习阈值的小波散斑抑制网络结构图;
图3为本发明基于小波去噪阈值自学习的带噪SAR图像目标识别方法实施例1中参与对比的经典CNN与先进的A-ConvNet的结构图;
其中,图3(a)为经典CNN的结构图;(b)为A-ConvNet的结构图;(c)为ResNet的结构图;(d)(e)为ResNet的子模块结构图;
图4为本发明基于小波去噪阈值自学习的带噪SAR图像目标识别方法实施例1中多种参与对比的网络与本网络的测试样本识别精度随噪声强度的正确率对比曲线。
具体实施方式
为了更好的说明本方法的目的和优点,结合附图及具体实施例对本发明基于小波去噪阈值自学习的带噪SAR图像目标识别方法具体实施内容做进一步详细说明。
实施例1
本实施例阐述了基于小波去噪阈值自学习的带噪图像目标识别方法识别MSTAR数据集中十种不同型号车辆的具体实施。
实验数据和配置如下:
(1)使用MSTAR标准数据集,该数据集是由工作于X波段的SAR雷达传感器对不同类型车辆,从不同方位角和俯仰角采集的SAR图像所构成,是SAR图像目标识别领域应用最为广泛的数据集;
(2)数据集包含10类目标,分别在0°至360°的方位角和15°、17°的俯仰角下采集;
(3)数据集中的样本尺寸为128*128;
(4)为避免SAR传感器的观测角度对目标识别准确性的影响,训练样本和测试样本均选用俯角为17°下采集SAR图像,其中每种类型目标的前180个作为测试样本集,其余的作为训练样本集;
(5)计算平台为装配英伟达K80型号GPU的Linux服务器,平台安装的深度学习框架为tesorflow1.19.1+keras2.0。
图1展示了本实施例基于小波去噪阈值自学习的带噪图像目标识别方法的整体网络结构示意图,也即方法流程示意图;
其中,图1中,Conv.16@5*5/ReLu表示该卷积层的输出图像个数为16,卷积核尺寸为5*5,激活函数为ReLu函数;Max pooling@2*2表示进行2*2的最大值池化操作;SE模块是神经网络中通过网络根据loss去学习特征权重,使得有效的feature map权重大,无效或效果小的feature map权重小的方式训练模型达到更好的结果的一种常用方法;Fc.128/Relu/Dropout(0.5)表示包含128个神经元的全连接层后进行0.5的Dropout操作,激活函数为ReLu函数;Dropout(0.5)表示进行0.5的Dropout操作;Dropout是CNN中的一种防止过拟合的技术;Softmax表示使用softmax分类器;Output label表示输出标签;
其中,ReLu,即修正线性单元英文全称为Rectified linear unit;
图2展示了本实施例基于小波去噪阈值自学习的带噪SAR图像目标识别方法中的可学习阈值的小波散斑抑制网络结构图。图2中,输入图像(W*H)表示输入尺寸为W*H的图像,Conv.6@W/2*H/2/ReLu表示该卷积层的输出图像个数为6,卷积核尺寸为W/2*H/2,激活函数为ReLu函数。
图3展示了本实施例基于小波去噪阈值自学习的带噪SAR图像目标识别方法中参与对比的经典CNN与先进的A-ConvNet的结构图;其中,图3(a)为经典CNN的结构图;(b)为A-ConvNet的结构图;(c)为ResNet的结构图;(d)(e)为ResNet的子模块结构图。图3中,CNN,A-ConvNet是本实施例参与对比的算法,CNN是经典的CNN网络,A-ConvNet是2016年提出的用于SAR目标识别的全卷积网络ResNet是最为广泛的CNN特征提取网络。
以下是具体实施过程。如图1所示,Wavelet-SR-SENet有两个阶段:网络构建与训练阶段以及识别阶段;
其中,网络构建与训练阶段主要包括如下步骤:
步骤A.1:构建训练样本集及标记样本,具体为:
将MSTAR中的10类不同目标数据集裁剪训练样本中心固定尺寸的切片,前180个作为测试样本集,其余的全部作为测试样本集,并通过设置不同的噪声强度参数α=[1.5,2.5,3.5],模拟得到受不同程度斑点噪声污染的SAR图像进而构造不同噪声强度下的三种训练样本集和测试样本集;
其中,目标种类具体包括:2S1、BRDM2、BTR60、D7、T62、T72、ZIL131、ZSU234、BMP2、BTR70、T72(坦克:T62,T72;装甲车:BMP2,BRDM2,BTR60,BTR70;火箭发射车:2S1;防空单元:ZSU234;军用卡车:ZIL131;推土机:D7);
步骤A.2:构建可学习阈值的小波散斑抑制网络,具体为:
通过二次小波变换对步骤1.2中提出的可学习阈值的小波散斑抑制网络的进行二次级联,结合图1具体为:
将构造不同斑点噪声强度下的训练样本集输入DWT,经过DWT处理后,输出高频分量和低频分量分别送入TTB和IWT中进行处理,TTB依据训练样本集图像标签将输入的高频分量作为三通道图像进行训练,提取阈值D,再依据提取的阈值D进行软阈值降噪,得到降噪后的高频分量;该降噪后的高频分量与送入IWT的低频分量做小波逆变换,输出去噪后图像;
其中,TTB包含一个卷积层和一个全连接层,每个卷积层后使用ReLu激活函数,具体如图2所示;
步骤A.2具体实施时:DWT使用Haar小波的四个基本函数作为固定卷积内核,以在输入图像上执行步长为2的卷积操作,并输出4个子带,四个卷积内核是:
其中,i=1,2,...W/2和j=1,2,...H/2是子带图像的每个像素的坐标,W代表输入图像的宽度,H代表输入图像的高度;DWT输出分为高频分量[IHL,ILH,IHH]和低频分量[ILL]分别送入到DWT和TTB中;
步骤A.2中TTB的卷积层操作具体实施时:先对输入图像进行尺寸进行约束,然后使用卷积核对输入图像进行滑窗并做卷积,得到该层的输出图像;
其中,TTB包括多个卷积层、全连接层、及激活函数以及软阈值处理的连接与参数设置;
在该TTB中,卷积层的卷积核的大小等于输入的小波分量图像的大小,并且其宽度和高度均为小波变换之前图像的一半;因此,它可以从小波分量的全局场中提取阈值。TTB将输入的高频分量[IHL,ILH,IHH]作为三通道图像并依据图像标签进行训练,提取阈值,记作D。进而对网络的三个输入高频分量[IHL,ILH,IHH]和输出阈值D进行软阈值处理,以获得降噪后的高频分量;
其中降噪后的高频分量表示为(1):
其中,i=1,2,3代表D的第i个通道,J=[HL,LH,HH]。
步骤A.2中IWT具体实施时:对图像的低频分量和去噪的高频分量进行逆小波变换重构子带,然后输出去噪后的图像。
可学习阈值的小波散斑抑制网络通过二次小波变换成树状进行二次级联,形成多级可学习阈值的小波散斑抑制网络。
步骤A.3:特征融合,具体为:
将多级可学习阈值的小波散斑抑制网络将输出去噪图像与原始带噪图像进行特征图融合,弥补去噪带来的图像信息特征丢失,将融合后的送入压缩-激励卷积神经网络;
步骤A.4:构建压缩-激励卷积神经网络;
其中,压缩-激励卷积神经网络包含四个卷积层、三个池化层、两个SE模块,
步骤A.4中卷积层具体实施时卷积操作如下:
设第l个卷积层中的输入和输出图像分别为和其中,I和J表示该卷积层的输入和输出图像的个数,i和j分别表示输入和输出图像的编号;与表示该输入和输出图像在位置(m,n)处的子矩阵,其中,m和n表示子矩阵第一个元素对应在原始输入和输出图像中的位置编号,将第i个输入图像连接到第j个输出图像的卷积核表示为l表示卷积层的编号;考虑到卷积运算中的偏置,且一个输出图像连接到多个输入图像,那么,第j个输出图像在(m,n)位置的输出表示为(2):
其中,各卷积层的通道数和卷积核尺寸分别为(16,5*5)、(32,3*3)、(64,3*3)、(96,3*3),卷积步长设置为1,对于卷积层和去卷积层中的补零操作,设某一层卷积核尺寸为F*F,则补零设置为F-1,即,将卷积层输入图像同时增加F-1行与F-1列,若F-1为偶数,首行/列与尾行/列各增加(F-1)/2行/列,若F-1为奇数,首行/列增加F/2行/列,尾行/列增加F/2-1行/列;
步骤A.4中的SE模块包括压缩、激励及权重更新三个部分,具体实施时,压缩部分顺着空间维度来进行特征压缩,得到具备全局感受野的压缩特征;激励部分通过参数w来生成权重;权重更新部分通过乘法逐通道加权到具备全局感受野的压缩特征上,完成在通道维度上的重标定;
步骤A.4中Dropout模块具体实施时先随机删掉网络中一半的隐藏神经元,再把输入通过修改后的网络前向传播,将得到的损失结果通过修改的网络反向传播;一小批训练样本执行完这个过程后,在没有被删除的神经元上按照随机梯度下降法更新对应的网络参数;
步骤A.4中池化层具体实施时使用最大值池化;最后再每个卷积层后使用ReLu激活函数,最后进行Dropout 0.5后通过全连接层和Softmax分类器输出标标签结果;
步骤A.5:训练Wavelet-SR-SENet学习网络,即使用不同噪声强度下的多组训练样本集同时训练小波去噪阈值和目标识别分类特征,具体为:
步骤A.5.2:使用带Momentum参数的小批量随机梯度下降优化方法和误差反向传播分别对三种不同噪声影响下的训练样本集的模型网络进行训练,batch值设置为24,每35个epoch将学习率下降0.5倍;
其中,batch表示网络训练时的批量大小;
其中,Wavelet-SR-SENet分类网络的损失函数为(3):
其中,p(xi)来表示第i个样本xi的真实分布,q(xi)来表示模型所预测的分布,xi表示输入图片所属的标签类别,H(p,q)为交叉熵损失;
其中,带Momentum参数的小批量随机梯度下降方法表示为(4)-(5):
θi+1=θi+Δθi+1 (5)
其中,θ是待更新参数,i表示迭代轮次,θi为第i轮迭代时的待更新参数,Δθi为第i轮迭代时θ的变化量,θi+1为第i+1轮迭代时的待更新参数,Δθi+1为第i+1轮迭代时θ的变化量,a为Momentum系数,ε为学习率,L表示损失函数,为第i轮迭代时损失函数L相对于θ的梯度;
Momentum参数设置为0.9;
至此,从步骤A.1到步骤A5.2,完成了该实施例的网络构建与训练阶段;
识别阶段分别使用三种不同噪声影响下的训练样本集训练好的模型识别对应的测试样本。具体步骤如下:
步骤B.1:过设置不同的噪声强度参数,对另一部分真实SAR图像建模,得到受不同程度斑点噪声污染的SAR图像进而构造不同斑点噪声强度下的测试样本集;使用one-hot编码对样本进行标记;最终得到测试样本集;
步骤B.2:Wavelet-SR-SENet识别,将三组测试样本分别输入到训练好的三组Wavelet-SR-SENet分类模型,输出每组中每个样本的识别结果并统计识别精度,与经典CNN、先进的A-ConvNet、先进的ResNet三个网络识别精度进行对比,经典CNN、ResNEt以及A-ConvNet的网络结构如图3所示;
至此,Wavelet-SR-SENet识别阶段结束。
10类目标样本的前180个作为测试样本集,其余的全部作为测试样本集,并加入噪声强度参数α=[1.5,2.5,3.5]的斑点噪声,对所有测试样本使用本发明的网络及步骤B.2所述的三类网络进行不同噪声强度下图像识别并统计识别精度,识别结果见表1和图4。
表1不同数量训练样本下SAR图像目标识别方法的识别精度
图4展示了本实施例基于小波去噪阈值自学习的带噪SAR图像目标识别方法中多种参与对比的网络与本网络的测试样本识别精度随噪声强度的正确率变化对比曲线。通过分析表1和图4,能够发现:
1.基线CNN对四种类型数据的测试准确率分别为97.38%、96.61%、95.11%和94.05%,呈现出逐渐下降的趋势。这说明随着散斑噪声程度的逐渐加深,传统CNN模型用于SAR图像目标识别的精度逐渐降低。其他三种算法也表现出同样的趋势。;
2.当使用α=1.5进行实验时,与原始数据集相比,基线CNN的测试精度仅降低了0.77%,当α=2.5时,测试精度降低了2.27%,由于α=1.5时SAR图像仍较好的保留了目标的总体结构和像素相对完整的连续性,因此,测试精度只是略有降低。而在α=2.5噪声情况下SAR图像中目标的大量像素被削弱,目标的结构和像素连续性受到极大破坏,使得测试精度显著下降。
3.在使用原始未加噪SAR图像和α=1.5进行实验时,四种算法的测试精度差距都在0.5%以内,说明基于卷积神经网络的算法在无散斑噪声和弱散斑噪声的情况下性能几乎相同。
4.当使用α=2.5进行实验时,所提Wavelet-SR-SENet的测试精度为96.44%,与其他比较算法相比有明显优势,提高了1.2%以上。当噪声的最大强度限制在3.5时,仍然保持了本方法的明显优势。
以上所述为本发明的较佳实施例而已,本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (9)
1.基于小波去噪阈值自学习的带噪SAR图像目标识别方法,其特征在于:依托于可学习阈值的小波散斑抑制网络和压缩-激励卷积神经网络,且此两网络相连接,构成一个端到端的小波去噪阈值自学习的带噪SAR图像目标识别网络Wavelet-SR-SENet;
其中,可学习阈值的小波散斑抑制网络又包括小波变换模块、可学习阈值模块以及逆小波变换模块;
其中,可学习阈值的小波散斑抑制网络,Wavelet Speckle Reduction Network withlearning threshold,缩写WSR-Net;压缩-激励卷积神经网络,即Squeeze-and-ExcitationNetwork,缩写SE-Net;
小波变换模块与可学习阈值模块相连,可学习阈值模块与逆小波变换模块相连;
其中,小波变换模块,即discrete wavelet transform,缩写DWT;可训练门限模块,即Trainable threshold block,缩写TTB;逆小波变换模块,即inverse wavelet transform,IWT;
基于小波去噪阈值自学习的带噪图像目标识别方法,包括网络构建与训练阶段以及识别阶段,包括如下步骤:
步骤1、网络构建与训练阶段,包括构建不同斑点噪声强度下的训练样本集、构建可学习阈值的小波散斑抑制网络、融合特征图、构建压缩-激励卷积神经网络、训练可学习阈值的小波散斑抑制网络和压缩-激励卷积神经网络,具体包括如下子步骤:
步骤1.1:基于斑点噪声乘性模型构建不同斑点噪声强度下的训练样本集,具体为:将基于噪声强度参数α控制斑点噪声乘性模型产生相干斑噪声强度,再依据SAR图像各分辨单元的位置坐标,将各坐标对应的随机地面目标的雷达散射强度与相干斑噪声强度相乘,得到该坐标位置处对应的受相干斑噪声污染的SAR图像强度;
步骤1.2:构建可学习阈值的小波散斑抑制网络;
其中,可学习阈值的小波散斑抑制网络包括小波变换模块、小波逆变换模块及可学习阈值模块;且小波变换模块为采用Harr小波的DWT,小波逆变换模块为采用Harr小波的IWT;DWT的输入为欲去噪的图像,输出为DWT处理后的高频分量和低频分量;TTB的输入为DWT处理后的高频分量,输出为降噪后的高频分量;IWT的输入为TTB处理后的高频分量及DWT处理后的低频分量,输出为去噪后的图像;
其中,可学习阈值的小波散斑抑制网络能有效地降低斑点噪声,但同时也会带来图像信息特征的丢失;
步骤1.3:特征融合,具体为将步骤1.1构建的训练样本集中的原始输入图像和步骤1.2所述网络输出去噪后的图像进行融合,得到融合的特征图有效弥补可学习阈值的小波散斑抑制网络所可能带来的图像信息特征丢失;
步骤1.4:构建压缩-激励卷积神经网络;
其中,压缩-激励卷积神经网络为包含多个卷积层、池化层、SE模块及Dropout模块、全连接层以及Softmax分类器的分类神经网络;
步骤1.4,具体包括如下子步骤:
步骤1.4.1构建多个卷积层、池化层、SE模块及Dropout模块,组成压缩-激励卷积神经网络框架;
步骤1.4.2:在步骤1.4.1构建的压缩-激励卷积神经网络框架后添加全连接层,并确定交叉熵作为Wavelet-SR-SENet分类网络的损失函数,再使用分类器连接到预测标签;
至此,构建完成了Wavelet-SR-SENet;
步骤1.5,训练可学习阈值的小波散斑抑制网络和压缩-激励卷积神经网络,得到训练好的Wavelet-SR-SENet分类模型,具体包括以下子步骤:
步骤1.5.2:使用步骤1.1构建好的训练样本集中的样本图像和对应标签对网络进行训练,通过交叉熵分类损失方向传递对网络参数进行监督学习,并输出训练好的Wavelet-SR-SENet分类模型;
识别阶段,包含测试样本集构建以及Wavelet-SR-SENet识别,具体包括如下步骤:
步骤2.1:测试样本集构建;步骤2.1具体如下:
通过设置不同的噪声强度α,对另一部分真实SAR图像建模,得到受不同程度斑点噪声污染的SAR图像进而构造不同斑点噪声强度下的测试样本集
步骤2.2:Wavelet-SR-SENet识别,将测试样本集中的测试样本输入到训练好的Wavelet-SR-SENet分类模型,输出识别结果。
2.根据权利要求1所述的基于小波去噪阈值自学习的带噪SAR图像目标识别方法,其特征在于:依托的可学习阈值的小波散斑抑制网络和压缩-激励卷积神经网络可学习阈值的小波散斑抑制网络依据大部分SAR图像斑点噪声集中在高频分量这一先验特点,通过DWT提取图像的高频分量放入卷积和全连接层组成的分支网络进行监督学习,自适应的训练学习出输出阈值D,并依照阈值D对高频分量进行软阈值处理,再与低频分量结合后经过IWT得到去噪后图像;这样就实现了通过训练集标签来监督学习小波去噪的阈值,有效的避免了因经验设定阈值带来的识别性能下降。
3.根据权利要求2所述的基于小波去噪阈值自学习的带噪SAR图像目标识别方法,其特征在于:可学习阈值的小波散斑抑制网络输出后的图像送入压缩-激励卷积神经网络,通过该网络自动分层提取特征,并在其中加入了额外的压缩-激励模块对来自于原始图像和去噪分支的特征图贡献度进行权衡,以获得鲁棒的识别性能;其中,压缩-激励模块,即Squeeze-and-Excitation,缩写SE。
4.根据权利要求3所述的基于小波去噪阈值自学习的带噪SAR图像目标识别方法,其特征在于:步骤1.1中,斑点噪声乘性模型为:I(x,y)=S(x,y)×N(x,y);
其中,I表示受相干斑噪声污染的SAR图像强度,x,y分别表示SAR图像各分辨单元的位置坐标,S表示随机地面目标的雷达散射强度,N表示相干斑噪声强度。
5.根据权利要求4所述的基于小波去噪阈值自学习的带噪SAR图像目标识别方法,其特征在于:所述的相干斑噪声强度服从相干斑噪声强度服从eα=min(erandn(M,N),α)分布,其中e表示指数分布函数,min表示取最小值,randn表示产生标准正态分布的随机矩阵,M,N表示图片像素尺寸,α为表征噪声强度的可变参数。
6.根据权利要求5所述的基于小波去噪阈值自学习的带噪SAR图像目标识别方法,其特征在于:步骤1.1通过设置不同的噪声强度参数α,得到受不同程度斑点噪声污染的SAR图像进而构造不同斑点噪声强度下的训练样本集。
7.根据权利要求6所述的基于小波去噪阈值自学习的带噪SAR图像目标识别方法,其特征在于:噪声强度α的取值范围为1到5,训练样本集和测试样本集中均包含原始样本图像及对应图像的标签。
8.根据权利要求7所述的基于小波去噪阈值自学习的带噪SAR图像目标识别方法,其特征在于:步骤1.3中,融合的特征图通过直接堆叠产生。
9.根据权利要求8所述的基于小波去噪阈值自学习的带噪SAR图像目标识别方法,其特征在于:步骤2.1具体如下:通过设置不同的噪声强度参数,对另一部分真实SAR图像建模,得到受不同程度斑点噪声污染的SAR图像进而构造不同斑点噪声强度下的测试样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110212547.8A CN112906716A (zh) | 2021-02-25 | 2021-02-25 | 基于小波去噪阈值自学习的带噪sar图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110212547.8A CN112906716A (zh) | 2021-02-25 | 2021-02-25 | 基于小波去噪阈值自学习的带噪sar图像目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906716A true CN112906716A (zh) | 2021-06-04 |
Family
ID=76108453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110212547.8A Pending CN112906716A (zh) | 2021-02-25 | 2021-02-25 | 基于小波去噪阈值自学习的带噪sar图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906716A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113935329A (zh) * | 2021-10-13 | 2022-01-14 | 昆明理工大学 | 基于自适应特征识别与去噪的非对称文本匹配方法 |
CN115587291A (zh) * | 2022-09-26 | 2023-01-10 | 华中科技大学 | 一种基于裂纹超声散射矩阵的去噪表征方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898155A (zh) * | 2018-05-18 | 2018-11-27 | 浙江工业大学 | 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法 |
WO2020037960A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
-
2021
- 2021-02-25 CN CN202110212547.8A patent/CN112906716A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898155A (zh) * | 2018-05-18 | 2018-11-27 | 浙江工业大学 | 一种小波阈值降噪结合卷积神经网络的sar图像目标识别方法 |
WO2020037960A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
RUI QIN,ET AL.: "Multilevel Wavelet-SRNet for SAR Target Recognition", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 19, 26 January 2021 (2021-01-26), pages 1 - 4 * |
王永乐等: "基于多特征与卷积神经网络的SAR图像分类方法", 《数学的实践与认识》, no. 06, 23 March 2020 (2020-03-23) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113935329A (zh) * | 2021-10-13 | 2022-01-14 | 昆明理工大学 | 基于自适应特征识别与去噪的非对称文本匹配方法 |
CN113935329B (zh) * | 2021-10-13 | 2022-12-13 | 昆明理工大学 | 基于自适应特征识别与去噪的非对称文本匹配方法 |
CN115587291A (zh) * | 2022-09-26 | 2023-01-10 | 华中科技大学 | 一种基于裂纹超声散射矩阵的去噪表征方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492556B (zh) | 面向小样本残差学习的合成孔径雷达目标识别方法 | |
CN107239751B (zh) | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 | |
CN110109059B (zh) | 一种基于深度学习网络的雷达辐射源信号识别方法 | |
CN112233026A (zh) | 一种基于多尺度残差注意力网络的sar图像去噪方法 | |
CN108921030B (zh) | 一种sar自动目标识别方法 | |
CN101847210B (zh) | 基于二维经验模态分解和小波降噪的多分组图像分类方法 | |
CN110895682B (zh) | 一种基于深度学习的sar目标识别方法 | |
CN1760889A (zh) | 星载微波和红外遥感融合对城区地物特征进行分类的方法 | |
CN110516728B (zh) | 基于去噪卷积神经网络的极化sar地物分类方法 | |
CN112906716A (zh) | 基于小波去噪阈值自学习的带噪sar图像目标识别方法 | |
CN107545279B (zh) | 基于卷积神经网络与加权核特征分析的图像识别方法 | |
CN110705508A (zh) | 一种isar图像的卫星识别方法 | |
CN111915486B (zh) | 基于图像超分辨重建的对抗样本防御方法 | |
Singh et al. | ResDNN: deep residual learning for natural image denoising | |
CN110210422B (zh) | 一种基于光学图像辅助的舰船isar像识别方法 | |
CN103077507B (zh) | 基于Beta算法的多尺度SAR图像降噪方法 | |
CN114819061A (zh) | 一种基于迁移学习的稀疏sar目标分类方法及装置 | |
Li et al. | Densely connected network for impulse noise removal | |
CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
CN110647977B (zh) | 一种用于星上对舰船目标检测的Tiny-YOLO网络的优化方法 | |
CN113392871B (zh) | 一种基于散射机制多通道扩张卷积神经网络的极化sar地物分类方法 | |
CN114067217A (zh) | 基于非下采样分解转换器的sar图像目标识别方法 | |
Yu et al. | Application of a convolutional autoencoder to half space radar hrrp recognition | |
CN114019461A (zh) | 基于卷积去噪自编码的微波雷达海杂波抑制方法及系统 | |
CN113421198A (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210604 |