CN114660605B - 一种机器学习的sar成像处理方法、装置及可读存储介质 - Google Patents
一种机器学习的sar成像处理方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN114660605B CN114660605B CN202210532062.1A CN202210532062A CN114660605B CN 114660605 B CN114660605 B CN 114660605B CN 202210532062 A CN202210532062 A CN 202210532062A CN 114660605 B CN114660605 B CN 114660605B
- Authority
- CN
- China
- Prior art keywords
- data
- machine learning
- imaging processing
- sar
- training data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Radar, Positioning & Navigation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开一种机器学习的SAR成像处理方法、装置及可读存储介质,涉及信息技术领域。本申请所提供的机器学习的SAR成像处理方法,通过引入了机器学习模型,在获取机载SAR采集的数据后,通过学习模型处理,筛选出数据对应的应用场景,然后根据该应用场景分类确定成像处理方法,对采集数据进行成像处理得到成像结果,与现有的通过专用的SAR成像处理方式相比,由于本申请中引入了机器学习模型,因此对于任何采集获取得到的数据均可由学习模型分类确定SAR成像处理方式,进行数据处理生成对应图像。因此本申请所提供的方案在进行正常业务时,无需事先配置成像处理方法,只需要进行数据采集即可自动生成相应图像,因此适用性较广。
Description
技术领域
本申请涉及信息技术领域,特别是涉及一种机器学习的SAR成像处理方法、装置及可读存储介质。
背景技术
近年来,随着无人机技术以及成像技术的发展,机载合成雷达(SyntheticAperture Radar,SAR)可以实现飞机平台和SAR两者的优势结合,既具有SAR全天候全天时的高分辨成像能力,又具备飞行平台机动性强、使用方便的优点,成为一种可以满足抢险救灾和军事作战等应急需求的成像探测方式。
现有的SAR成像处理方法通常是针对专用的场景或专业的用途,所用的特定场景的分析以及处理系统进行成像处理,因此相比起来,由于用途不同,例如,用来测绘、监视等等,因此所需要采集的主要数据不同,又由于应用场景不同,所以采集的数据的处理方式不同,例如针对工厂和针对野外的数据处理成像的技术不相同,因此现有的SAR成像处理方法专用性较强,适用性较低,在应用的场景或用途切换后,需要重新进行系统的设计以及调配。
鉴于上述技术,寻找一种适用性强的SAR成像处理方法是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种SAR成像处理方法,以便于解决当前的SAR成像处理方法的适用性不强的问题。
为解决上述技术问题,本申请提供一种机器学习的SAR成像处理方法,包括:
获取机载SAR采集的数据;
利用机器学习模型分析所述数据对应的应用场景,所述机器学习模型为预先通过所述机载SAR采集的历史数据作为训练数据,与适用的所述应用场景训练生成;
获取所述应用场景下的成像处理方法,并对所述数据进行处理;
所述机器学习模型的建立包括如下步骤:
建立所述机载SAR成像处理的机器学习算法,所述机器学习算法在所述机载SAR的机器学习网络上添加约束,建立算法特征结构,采用机器学习激活函数获取合理的特征映射空间,运用代价函数优化模型参数,实现机器学习卷积网络建构、聚类和分类,形成适用机载SAR实时成像处理的智能处理算法;
获取所述训练数据,根据所述机器学习算法对所述训练数据进行分类;
将分类的所述训练数据与所述应用场景进行对应,并根据所述应用场景,将对应的所述成像处理方法与所述训练数据结合建立所述机器学习模型。
优选地,所述获取所述训练数据,根据所述机器学习算法对所述训练数据进行分类包括:
按照机体类型将所述机载SAR搭载平台划分为无人直升机、多旋翼无人机和固定翼无人机,获取不同类型的所述机载SAR在不同所述应用场景中采集的所述数据。
优选地,所述根据所述应用场景将对应的所述成像处理方法与所述训练数据结合建立所述机器学习模型包括:
对所述训练数据进行监测以及数据清洗;
对所述训练数据进行归一化处理,并将处理后的所述训练数据进行数据增强处理;
提取所述训练数据的特征,并将所述特征与所述应用场景对应;
将对应的结果以数据的形式保存至数据库,并建立所述机器学习模型。
优选地,在所述获取所述应用场景下的成像处理方法,并对所述数据进行处理,生成目标图像之后还包括:
根据所述机器学习模型对所述图像进行数据清洗,以便于排除不符合预设标准的所述图像。
优选地,该方法还包括:
对所述机载SAR的回波数据进行处理,以便于实时生成图像。
优选地,还包括:
每隔第一预设时间,将获取得到的所述图像作为所述训练数据,对所述机器学习模型进行更新处理。
优选地,还包括:
每隔第二预设时间,删除获取得到的所述图像以及所述成像处理相关的数据。
为解决上述问题,本申请还提供一种机器学习的SAR成像处理装置,包括:
获取模块,用于获取机载SAR采集的数据;
分析模块,用于利用机器学习模型分析所述数据对应的应用场景,所述机器学习模型为预先通过所述机载SAR采集的数据与适用的所述应用场景训练生成;
处理模块,用于获取所述应用场景下的成像处理方法,并对所述数据进行处理,生成目标图像;
建立模块,用于建立所述机载SAR成像处理的机器学习算法,所述机器学习算法在所述机载SAR的机器学习网络上添加约束,建立算法特征结构,采用机器学习激活函数获取合理的特征映射空间,运用代价函数优化模型参数,实现机器学习卷积网络建构、聚类和分类,形成适用机载SAR实时成像处理的智能处理算法;
分类模块,用于获取所述训练数据,根据所述机器学习算法对所述训练数据进行分类;
对应模块,用于将分类的所述训练数据与所述应用场景进行对应,并根据所述应用场景将对应的所述成像处理方法与所述训练数据结合建立所述机器学习模型。
为解决上述问题,本申请还提供一种机器学习的SAR成像处理装置,包括存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述的机器学习的SAR成像处理方法的步骤。
为解决上述问题,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的机器学习的SAR成像处理方法的步骤。
本申请所提供的机器学习的SAR成像处理方法,通过引入了机器学习模型,在获取机载SAR采集的数据后,通过机器学习模型,筛选出数据对应的应用场景,然后根据该应用场景选取对应的成像处理方法,并对数据进行处理得到该目标图像,与现有的通过专用的成像处理方式相比,由于本申请中引入了机器学习模型,因此对于任何采集获取得到的数据均可由机器学习模型将其分类采取对应的成像处理方式,进而生成对应图像,因此在进行正常业务时,无需事先配置相应的成像处理方法,只需要进行数据采集即可自动生成相应图像,当机载SAR完成某一应用场景的成像处理,需要进行下一个不同类型的应用场景的成像处理时,无需进行复杂的成像处理模型更换的步骤,因此适用性较广,节省了时间和经济成本。
本申请提供的机器学习的SAR成像处理装置以及可读存储介质与上述的机器学习的SAR成像处理方法对应,有益效果同上。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种机器学习的SAR成像处理方法流程图;
图2为本申请实施例提供的一种具体的机器学习模型结构图;
图3为本申请实施例提供的一种机器学习的SAR成像处理装置示意图;
图4为本申请另一实施例提供的机器学习的SAR成像处理装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本申请保护范围。
本申请的核心是提供一种机器学习的SAR成像处理方法,以便于解决当前的SAR成像处理方法的适用性不强的问题。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。
图1为本申请实施例提供的一种机器学习的SAR成像处理方法流程图,如图1所示,该方法包括:
S10:获取机载SAR采集的数据;
S11:利用机器学习模型分析数据对应的应用场景;
S12:获取应用场景下的成像处理方法,并对数据进行处理,生成目标图像;
需要说明的是,机器学习模型为预先通过机载SAR采集的历史数据及相应的生成图像作为训练数据与适用的应用场景训练生成;
机器学习模型的建立一般包括如下步骤:
建立机载SAR成像处理的机器学习算法,机器学习算法为机载SAR进行智能数据处理的人工智能算法;获取训练数据,根据机器学习算法对训练数据进行分类;将分类的训练数据与应用场景进行对应,并根据应用场景将对应的成像处理方法与训练数据结合建立机器学习模型,在本实施例中,对于分类的具体类型,以及训练数据的具体数据内容等等均不进行限定,且可以理解的是,这里提到的成像处理方法相对于专用的应用场景中的成像处理方法,与本申请中的机载机器学习的SAR成像处理方法存在本质区别。
需要说明的是,本实施例中的对于成像处理的应用主体,即进行上述步骤的具体载体,是地面系统和SAR的机上信号处理机,计算与存储资源需求较大的算法、样本库和训练模型在地面系统实现,实时性要求高的训练数据分类、获取,以及最终的基于机器学习的机载SAR实时成像处理在SAR的机上信号处理机实现。
可以理解的是,本实施例中的应用场景包含了对于该成像处理的用途,以及具体的场景等等,例如场景可以包含工业区,居民区,野外等,用途可以包含测绘,监控等等,因此本实施例中的应用场景可以为上述的场景以及用途的组合,例如对居民区的房屋进行测绘,对工业区的工业流程进行监控等等,在本实施例中不进行具体限定。
可以理解的是,对于机器学习模型的建立进行了初步的限定,且对于机器学习模型的具体的建立数据以及方式等等不进行进一步限定,考虑上述提到的对于成像处理的载体,由地面计算机和机载SAR上的机上信号处理机协同完成,图2为本申请实施例提供的一种具体的基于机器学习的机载SAR成像处理模型结构图,如图2所示,可以具体为以下几种模块,首先是考虑到计算和存储资源需求多,适宜安装在地面计算机系统中的三个模块:
机器学习处理算法模块:建立算法模型,在机器学习网络上添加约束,建立算法特征结构,采用机器学习激活函数获取合理的特征映射空间,运用代价函数优化模型参数,实现机器学习卷积网络建构、聚类和分类,建立适用机载SAR实时成像处理的机器学习算法。作为机载SAR机器学习训练模型模块和基于机器学习的机载SAR数据处理模块的算法来源。
机载SAR训练集样本库模块:对采集的多源异构原始数据进行数据监测、清洗、归一化的预处理,提升训练样本的质量,分类成像处理算法数据并进行算法特征提取,制作样本标签,提高样本识别度,数据入库形成训练样本库,进行数据库智能成长处理,在机载SAR全生命周期内实现样本质量的自动提高和样本扩充。作为机载SAR成像处理机器学习训练模型模块的样本数据来源。
机载SAR成像处理机器学习训练模型模块:对机器学习处理算法模块的算法进行迁移,实现机载SAR机器学习算法映射,以机载SAR训练集样本库模块的样本为训练数据,训练建立机器学习模型,将训练模型迁移至基于机器学习的机载SAR数据处理模块。
另外三个模块对计算和缓存资源需求相对较低,适宜在SAR的机上信号处理机实现,具体为:
机载SAR训练数据分类模块:将训练样本应包含的机载SAR数据分类,包括回波信号、传感器数据、状态数据、工作参数、计算存储资源等。为机载SAR训练数据获取模块分类采集数据提供依据。
机载SAR训练数据获取模块:按照机载平台的不同划分为无人直升机、多旋翼无人机和固定翼无人机,在不同平台以及在不同工作环境中获取数据,丰富训练样本的种类和数量。将获取数据输入至机载SAR训练集样本库模块,作为样本的原始数据。
基于机器学习的机载SAR数据处理模块:将机载SAR成像处理机器学习训练模型模块的模型迁移至SAR的机上信号处理机,同时进行机器学习算法模块的算法映射,实现嵌入式信号处理机算力提升操作,提高机器学习数据处理效率,在SAR的机上信号处理机采集实际数据,进行机上数据清洗,输入至机上机器学习训练模型进行实时数据处理,最后生成满足应用需求的机载SAR实时成像算法和实现方法。
本实施例所提供的机器学习的SAR成像处理方法,通过引入了机器学习模型,在获取机载SAR采集的数据后,通过机器学习模型,筛选出数据对应的应用场景,然后根据该应用场景选取对应的处理方法,并对数据处理得到目标图像,与现有的通过专用的成像处理方式相比,由于本申请中引入了机器学习模型,因此对于任何采集获取得到的数据,均可由机器学习模型将其分类,采取对应的成像处理方式,进而生成对应图像,因此在进行正常业务时,无需事先配置相应的成像处理方法,只需要进行数据采集即可自动生成相应图像,当机载SAR完成某一应用场景的成像处理后,需要进行下一个不同类型的应用场景的成像处理时,无需进行复杂的成像处理模型更换的步骤,因此适用性较广,节省了人力成本。
上述实施例中对于训练数据未进行具体限定,在此提供优选方案,获取训练数据,根据机器学习算法对训练数据进行分类包括:
按照机体类型将机载SAR搭载平台划分为无人直升机、多旋翼无人机和固定翼无人机,获取不同类型的机载SAR在不同应用场景中采集的数据。
需要说明的是,本实施例中将训练数据按照机载SAR的机型进行分类,由于不同机型之间的性能差距以及专用性不同,因此所使用的具体领域存在一定区别,将训练数据按照机型进行分类,可以预先将所需要处理的大部分的数据通过不同类型机载SAR录取数据,以便于对采集的多源异构原始数据进行数据监测、清洗、归一化的预处理,制作样本标签,入库形成训练样本库,并进行数据库智能成长处理,在机载SAR全生命周期内实现样本质量的自动提高和样本扩充。
上述实施例中对于如何将应用场景以及对应的成像处理方法结合,根据应用场景将对应的成像处理方法与训练数据结合建立机器学习模型包括:
对训练数据进行监测以及数据清洗;
对训练数据进行归一化处理,并将处理后的训练数据进行数据增强处理;
提取训练数据的特征,并将特征与应用场景对应;
将对应的结果以数据的形式保存至数据库,并建立机器学习模型。
需要说明的是,本实施例中提出了具体如何建立机器学习模型,归一化是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为标量。归一化是一种无量纲处理手段,使物理系统数值的绝对值变成某种相对值关系。简化计算,缩小量值的有效办法。例如,滤波器中各个频率值以截止频率作归一化后,频率都是截止频率的相对值,没有了量纲。可以理解的是,在本实施例中即对于训练数据中的图像等数据进行归一化,即将图像中的各种特征数据进行相对化处理,例如针对于场景的建筑密度,针对于用途的拍摄高度等等,随后所有的特征都与应用场景进行对应,从而保证了建立机器学习模型的精度以及效率。
由于机载SAR获取数据,以及对数据处理中出现网络波动等等问题,因此在此提出优选方案,在获取应用场景下的成像处理方法,并对所述数据进行处理,生成目标图像之后还包括:
根据机器学习模型对图像进行数据清洗,以便于排除不符合预设标准的图像。
需要说明的是,本实施例中对于预设标准不进行具体限定,可以理解的是,预设标准即图片可以被机器学习模型有效处理,可以依据图片的清晰度,以及图片中的对比度等等作为预设标准,可以理解的是,数据清洗不同于数据删除,在本实施例中的清洗也包括对于图像的修复等等,即部分清晰的图像可以依据机器学习模型或者历史数据对图像进行相应修复,而完全不清晰的无法修复的图像则对应进行删除,从而在生成图像后,即可对图像进行处理,防止后续由于图像不清晰所导致的业务堵塞,从而降低业务效率。
考虑到需要对机载SAR的数据进行及时处理,以防止数据冗余,该方法还包括:
对机载SAR的回波数据进行处理,以便于实时生成图像。
回波是指通过不同于正常路径的其他途径而到达给定点上的信号。回波产生是由于信号经反射物反射后,被反射物吸收一部分能量,产生了具有衰减延迟的原信号,叠加上原信号形成。在本实施例中即指响应后的相关数据信号,即对于机载SAR的响应信号进行处理,以便于根据该反射信息生成对应的数据,从而进行处理响应。
本实施例中提出的对于机载SAR的回波数据进行处理,从而保证在信号反射后能够及时接收该数据,保证了数据处理的及时性,防止了数据的冗余,从而提高了业务效率。
考虑到由于系统或场景的更新,在此提出优选方案,该方法还包括:
每隔第一预设时间,将获取得到的数据和图像结果作为训练数据,对机器学习模型进行更新处理。
在本实施例中,对于第一预设时间的具体时间长度不进行限定,由于信息技术的发展,随着成像处理系统或者应用场景中的相应技术的更新,对于机器学习模型进行更新,可以理解的是,机器学习模型的更新处理由历史采集到的数据以及数据对应的应用场景等等作为训练数据进行,从而深化机器学习模型的训练深度,提高机器学习模型的判断命中率。
考虑到数据的冗余以及存储空间的利用,在此提出优选方案,该方法还包括:
每隔第二预设时间,删除获取得到的图像以及成像处理相关的数据。
需要说明的是,由于数据的冗余,在每次业务后,例如,针对居民楼的测绘完成后,则可以将该次业务的相关数据以及成像处理后的结果数据,例如居民楼的高度等等数据进行删除,从而保证存储空间的有效利用。
在上述实施例中,对于机器学习的SAR成像处理方法进行了详细描述,本申请还提供机器学习的SAR成像处理装置对应的实施例。需要说明的是,本申请从两个角度对装置部分的实施例进行描述,一种是基于功能模块的角度,另一种是基于硬件的角度。
图3为本申请实施例提供的一种机器学习的SAR成像处理装置示意图,如图3所示,该装置包括:
获取模块10,用于获取机载SAR采集的数据;
分析模块11,用于利用机器学习模型分析数据对应的应用场景,机器学习模型为预先通过机载SAR采集的数据与适用的应用场景训练生成;
处理模块12,用于获取应用场景下的成像处理方法,并对数据进行处理,生成目标图像;
建立模块13,用于建立机载SAR成像处理的机器学习算法,机器学习算法在机载SAR的机器学习网络上添加约束,建立算法特征结构,采用机器学习激活函数获取合理的特征映射空间,运用代价函数优化模型参数,实现机器学习卷积网络建构、聚类和分类,形成适用机载SAR实时成像处理的智能处理算法;
分类模块14,用于获取训练数据,根据机器学习算法对训练数据进行分类;
对应模块15,用于将分类的训练数据与应用场景进行对应,并根据应用场景将对应的成像处理方法与训练数据结合建立机器学习模型。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例及其对应的有益效果请参见方法部分的实施例的描述,这里暂不赘述。
图4为本申请另一实施例提供的机器学习的SAR成像处理装置的结构图,如图4所示,机器学习的SAR成像处理方法包括:存储器20,用于存储计算机程序;
处理器21,用于执行计算机程序时实现如上述实施例中所提到的机器学习的SAR成像处理方法的步骤。
本实施例提供的机器学习的SAR成像处理装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理(Digital Signal Processor,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器(CentralProcessing Unit,CPU);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以在集成有成像处理器(Graphics Processing Unit,GPU),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括人工智能(Artificial Intelligence,AI)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器20至少用于存储以下计算机程序201,其中,该计算机程序被处理器21加载并执行之后,能够实现前述任一实施例公开的机器学习的SAR成像处理方法的相关步骤。另外,存储器20所存储的资源还可以包括操作系统202和数据203等,存储方式可以是短暂存储或者永久存储。其中,操作系统202可以包括Windows、Unix、Linux等。数据203可以包括但不限于上述机器学习的SAR成像处理方法中涉及的数据等。
在一些实施例中,机器学习的SAR成像处理装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解,图4中示出的结构并不构成对机器学习的SAR成像处理装置的限定,可以包括比图示更多或更少的组件。
本申请实施例提供的机器学习的SAR成像处理装置,包括存储器和处理器,处理器在执行存储器存储的程序时,能够实现如下方法:上述实施例中涉及的机器学习的SAR成像处理方法。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例及其对应的有益效果请参见方法部分的实施例的描述,这里暂不赘述。
最后,本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是,如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
由于可读存储介质部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例及其对应的有益效果请参见方法部分的实施例的描述,这里暂不赘述。
以上对本申请所提供的一种机器学习的SAR成像处理方法、装置及可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.一种机器学习的SAR成像处理方法,其特征在于,包括:
获取机载SAR采集的数据,所述数据包括回波信号、传感器数据、状态数据、工作参数、计算存储资源;
利用机器学习模型分析所述数据对应的应用场景,所述机器学习模型为预先通过所述机载SAR采集的历史数据作为训练数据与适用的所述应用场景训练生成;
获取所述应用场景下的成像处理方法,并对所述数据进行处理,生成目标图像;
所述机器学习模型的建立包括如下步骤:
建立机载SAR成像处理的机器学习算法,所述机器学习算法在所述机载SAR的机器学习网络上添加约束,建立算法特征结构,采用机器学习激活函数获取合理的特征映射空间,运用代价函数优化模型参数,实现机器学习卷积网络建构、聚类和分类,形成适用机载SAR实时成像处理的智能处理算法;
获取所述训练数据,根据所述机器学习算法对所述训练数据进行分类;
将分类的所述训练数据与所述应用场景进行对应,并根据所述应用场景将对应的所述成像处理方法与所述训练数据结合建立所述机器学习模型;
所述根据所述应用场景将对应的所述成像处理方法与所述训练数据结合建立所述机器学习模型包括:
对所述训练数据进行监测以及数据清洗;
对所述训练数据进行归一化处理,并将处理后的所述训练数据进行数据增强处理,其中归一化处理为对所述训练数据进行相对化处理;
提取所述训练数据的特征,并将所述特征与所述应用场景对应;
将对应的结果以数据的形式保存至数据库,并建立所述机器学习模型;
对应地,在所述获取所述应用场景下的成像处理方法,并对所述数据进行处理,生成目标图像之后还包括:
根据所述机器学习模型对所述图像进行数据清洗,以便于排除不符合预设标准的所述图像。
2.根据权利要求1所述的机器学习的SAR成像处理方法,其特征在于,所述获取所述训练数据,根据所述机器学习算法对所述训练数据进行分类包括:
按照机体类型将所述机载SAR平台划分为无人直升机、多旋翼无人机和固定翼无人机,获取不同类型的所述机载SAR在不同所述应用场景中采集的所述数据。
3.根据权利要求1或2所述的机器学习的SAR成像处理方法,其特征在于,还包括:
对所述机载SAR的回波数据进行处理,以便于实时生成图像。
4.根据权利要求3所述的机器学习的SAR成像处理方法,其特征在于,还包括:
每隔第一预设时间,将获取得到的所述图像作为所述训练数据,对所述机器学习模型进行更新处理。
5.根据权利要求4所述的机器学习的SAR成像处理方法,其特征在于,还包括:
每隔第二预设时间,删除获取得到的所述图像以及所述成像处理相关的数据。
6.一种机器学习的SAR成像处理装置,其特征在于,包括:
获取模块,用于获取机载SAR采集的数据,所述数据包括回波信号、传感器数据、状态数据、工作参数、计算存储资源;
分析模块,用于利用机器学习模型分析所述数据对应的应用场景,所述机器学习模型为预先通过所述机载SAR采集的历史数据作为训练数据与适用的所述应用场景训练生成;
处理模块,用于获取所述应用场景下的成像处理方法,并对所述数据进行处理,生成目标图像;
建立模块,用于建立机载SAR成像处理的机器学习算法,所述机器学习算法在所述机载SAR的机器学习网络上添加约束,建立算法特征结构,采用机器学习激活函数获取合理的特征映射空间,运用代价函数优化模型参数,实现机器学习卷积网络建构、聚类和分类,形成适用机载SAR实时成像处理的智能处理算法;
分类模块,用于获取所述训练数据,根据所述机器学习算法对所述训练数据进行分类;
对应模块,用于将分类的所述训练数据与所述应用场景进行对应,并根据所述应用场景将对应的所述成像处理方法与所述训练数据结合建立所述机器学习模型;
所述根据所述应用场景将对应的所述成像处理方法与所述训练数据结合建立所述机器学习模型包括:
对所述训练数据进行监测以及数据清洗;
对所述训练数据进行归一化处理,并将处理后的所述训练数据进行数据增强处理,其中归一化处理为对所述训练数据进行相对化处理;
提取所述训练数据的特征,并将所述特征与所述应用场景对应;
将对应的结果以数据的形式保存至数据库,并建立所述机器学习模型;
对应地,在所述获取所述应用场景下的成像处理方法,并对所述数据进行处理,生成目标图像之后还包括:
根据所述机器学习模型对所述图像进行数据清洗,以便于排除不符合预设标准的所述图像。
7.一种机器学习的SAR成像处理装置,其特征在于,包括存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述的机器学习的SAR成像处理方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的机器学习的SAR成像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210532062.1A CN114660605B (zh) | 2022-05-17 | 2022-05-17 | 一种机器学习的sar成像处理方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210532062.1A CN114660605B (zh) | 2022-05-17 | 2022-05-17 | 一种机器学习的sar成像处理方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114660605A CN114660605A (zh) | 2022-06-24 |
CN114660605B true CN114660605B (zh) | 2022-12-27 |
Family
ID=82036343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210532062.1A Active CN114660605B (zh) | 2022-05-17 | 2022-05-17 | 一种机器学习的sar成像处理方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114660605B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9978013B2 (en) * | 2014-07-16 | 2018-05-22 | Deep Learning Analytics, LLC | Systems and methods for recognizing objects in radar imagery |
CN104751175B (zh) * | 2015-03-12 | 2018-12-14 | 西安电子科技大学 | 基于增量支持向量机的sar图像多类标场景分类方法 |
CN110574040A (zh) * | 2018-02-14 | 2019-12-13 | 深圳市大疆创新科技有限公司 | 自动抓拍方法及装置、无人机及存储介质 |
CN110490028A (zh) * | 2018-05-15 | 2019-11-22 | 成都视观天下科技有限公司 | 基于深度学习的人脸识别网络训练方法、设备及存储介质 |
CN108765511B (zh) * | 2018-05-30 | 2023-03-24 | 重庆大学 | 基于深度学习的超声图像超分辨率重建方法 |
US10719706B1 (en) * | 2018-06-19 | 2020-07-21 | Architecture Technology Corporation | Systems and methods for nested autoencoding of radar for neural image analysis |
CN109146785A (zh) * | 2018-08-02 | 2019-01-04 | 华侨大学 | 一种基于改进稀疏自动编码器的图像超分辨率方法 |
CN111325152B (zh) * | 2020-02-19 | 2023-09-26 | 北京工业大学 | 一种基于深度学习的交通标志识别方法 |
CN113253269B (zh) * | 2021-06-03 | 2021-10-15 | 中南大学 | 一种基于图像分类的sar自聚焦方法 |
CN114239688B (zh) * | 2021-11-23 | 2022-08-02 | 中南大学 | 船只目标识别方法、计算机装置及程序产品、存储介质 |
-
2022
- 2022-05-17 CN CN202210532062.1A patent/CN114660605B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114660605A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080794B (zh) | 一种耕地现场边云协同的三维重建方法 | |
CN111899227A (zh) | 基于无人机作业的铁路扣件缺陷自动采集辨识方法 | |
WO2017151673A1 (en) | Synthesizing training data for broad area geospatial object detection | |
WO2021185121A1 (zh) | 模型生成方法、目标检测方法、装置、设备及存储介质 | |
CN113761999A (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
US20230419659A1 (en) | Method and system for processing point-cloud data | |
CN113538264B (zh) | 一种点云数据的去噪方法、装置及存储介质 | |
CN112329789B (zh) | 点云的提取方法、装置、计算机设备和存储介质 | |
CN113627440A (zh) | 一种基于轻量级神经网络的大规模点云语义分割方法 | |
CN115578492A (zh) | 一种基于混合三维引擎的数字孪生系统 | |
Lin et al. | Small object detection in aerial view based on improved YoloV3 neural network | |
CN109784198A (zh) | 机场遥感图像飞机辨识方法及装置 | |
CN114660605B (zh) | 一种机器学习的sar成像处理方法、装置及可读存储介质 | |
CN113177956A (zh) | 一种面向无人机遥感影像的语义分割方法 | |
CN116595049A (zh) | 船舶智能航行虚拟测试场景生成方法、系统及存储介质 | |
CN115457411A (zh) | 航油管线无人化巡视方法、装置和航油安全运维系统 | |
CN111832358A (zh) | 一种点云语义解析方法和装置 | |
CN115907159A (zh) | 一种相似路径台风的确定方法、装置、设备及介质 | |
CN111784606B (zh) | 一种遥感图像分类后处理方法、存储介质及系统 | |
Damodaran et al. | Extraction of Overhead Transmission Towers from UAV Images | |
CN115527187A (zh) | 一种障碍物的分类方法以及装置 | |
CN115272697A (zh) | 一种基于深度学习的点云分类方法及系统 | |
Wu et al. | Research on asphalt pavement disease detection based on improved YOLOv5s | |
CN110399783A (zh) | 基于图像分析的交通动作触发平台、方法及存储介质 | |
Hu et al. | DeshengNet: An Information Extraction Model for Table in Digital Documents |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |