本发明专利技术涉及一种基于多源SAR图像融合的深度神经网络目标识别方法：对多源SAR图像进行融合，弥补单张图像SAR图像无法拍摄到的图像信息，得到超清融合图像；采用深度神经网络识别模型，对超清融合图像进行SAR图像的目标识别。多源SAR图像融合方法，弥补了单张SAR图像由于拍摄方向上云雾、建筑等因素的遮挡而无法拍摄到的图像信息，实现了为深度神经网络目标识别方法提供特征丰富、清晰的输入图像，相比现有基于单一方向拍摄的图像进行图像识别的技术，具有更高的图像识别准确率。具有更高的图像识别准确率。具有更高的图像识别准确率。
【技术实现步骤摘要】
基于多源SAR图像融合的深度神经网络目标识别系统及方法
[0001]本专利技术涉及合成孔径雷达(Synthetic Aperture Radar，SAR)图像识别领域，尤其涉及基于多源SAR图像融合的深度神经网络目标识别方法。
技术介绍
[0002]SAR是一种主动式微波遥感成像设备，可安装在飞机、卫星、宇宙飞船等飞行平台上，全天时、全天候对地实施观测，在监测、导航、遥感等领域的应用需求非常广泛，研究价值非常重大。
[0003]SAR图像与光学图像成像原理不同，SAR是相干成像，因此，SAR图像中不可避免地会出现相干斑噪声，并且这种相干斑噪声对于SAR图像中目标的边缘和纹理信息产生严重的扰动，进而严重影响对SAR图像的识别。
[0004]近年来，人工智能领域的深度学习和人工神经网络在光学图像的识别、检测和分割方面取得了重大进展，是当前的研究热点，一些研究者逐渐将其引入到SAR图像目标识别领域。由于SAR图像是灰度图像，缺乏光学图像丰富的图像特征，再加上严重的相干斑噪声干扰，导致即使使用目前先进的深度人工神经网络识别算法也问题重重。深度神经网络算法识别目标不仅依赖于从SAR图像中提取越多越好的特征，而且依赖于巨大数量的SAR图像数据集进行训练。然而，SAR图像的相干斑噪声、方位角、俯仰角等因素严重影响SAR图像的特征提取；又由于SAR数据获取成本较高，导致目前SAR图像样本数量不足，从而使得目前深度神经网络算法对SAR图像的识别效果不佳。
技术实现思路
[0005]本专利技术解决的技术问题是：克服现有技术的不足，提出基于多源SAR图像融合的深度神经网络目标识别方法，基于有限SAR图像数据，减少相干斑噪声、方位角、俯仰角等因素的影响，更加准确和有效地进行SAR图像目标识别算法。
[0006]本专利技术解决技术的方案是：一种基于多源SAR图像融合的深度神经网络目标识别方法，该方法包括如下步骤：
[0007]S1、对多源SAR图像进行融合，弥补单张图像SAR图像无法拍摄到的图像信息，得到超清融合图像；
[0008]S2、采用深度神经网络识别模型，对超清融合图像进行SAR图像的目标识别。
[0009]优选地，所述多源SAR图像包括多方向、多方位、多尺度的SAR图像，多方向的SAR图像是指不同的相机从不同的角度拍摄的SAR图像，多方位的SAR图像是指同一相机以不同姿态拍摄的SAR图像，多尺度的SAR图像是指同一相机保持同一姿态在不同距离拍摄的不同像素尺寸的SAR图像。
[0010]优选地，所述步骤S1的具体方法如下：
[0011]S1
‑
1、获取多源SAR图像，将拍摄同一区域的多方向、多尺度的SAR图像进行坐标修正，统一到同一个坐标系下；
[0012]S1
‑
2、将多方向、多方位、多尺度的SAR图像统一调整为相同像素大小的待融合SAR图像；
[0013]S1
‑
3、通过卷积神经网络CNN提取待融合SAR图像中的图像特征，得到每张待融合SAR图像的特征图；所述特征图包括目标的形状特征和纹理特征；
[0014]S1
‑
4、将各张特征图采用融合规则网络进行图像特征级融合，得到超清融合图像。
[0015]优选地，所述图像特征级融合包括相邻图排序、关键特征点匹配和超清融合图像生成三个步骤：
[0016]相邻图排序：按照相邻特征图特征值距离之和最小的原则，对多张特征图进行排序，得到相邻特征图序列；
[0017]关键特征点匹配：将多个特征图进行特征点匹配和叠加处理，得到融合稠密特征图；
[0018]超清融合图像生成：对融合稠密特征图进行相邻像素点交叉检验、消除冗余信息、剔除外点、缝合盲区、采用全局颜色模型进行映射、暗角修正处理，得到超清融合图像。
[0019]优选地，相邻图排序的方法如下：
[0020]S1a、随意选择一张特征图作为基准特征图，将基准特征图列入相邻特征图序列；
[0021]S2a、将相邻特征图序列之外的特征图记为候选特征图；
[0022]S3a、将每一张候选特征图与基准特征图的相似度，将与基准特征图相似度最小的候选特征图确定为基准特征图的相邻图；
[0023]S4a、根据相似度从小到大依次排序作为相邻图排序依据，将基准特征图的相邻图列入相邻特征图序列中；
[0024]S5a、选择基准特征图的相邻图，作为新的基准特征图，重复步骤S2a～步骤S5a，直到遍历完所有的特征图。
[0025]优选地，所述关键特征点匹配步骤如下：
[0026]S1b、提取相邻特征图序列中所有像素特征值绝对值的累加和最大的特征图，作为参考特征图；
[0027]S2b、提取参考特征图中的关键像素点，将其余像素点的特征值设为零，得到待匹配母版；
[0028]S3b、提取相邻特征图序列中的另一张特征图，记为待匹配子板，将待匹配子板分别沿着上、下、左、右、四个方向按照预设步长进行滑窗处理，分别计算多张滑窗后的待匹配子板与待匹配母版的相似度，将与待匹配母版相似度最小的滑窗后的待匹配子板记为待匹配特征图；
[0029]S4b、重新执行步骤S3b，直到遍历相邻特征图序列中剩余特征图，进入步骤S5b；
[0030]S6b、将所有待匹配特征图与待匹配母版的特征值对应叠加在一起，生成融合稠密特征图。
[0031]优选地，两张特征图的相似度计算方法如下：
[0032]将两张特征图的特征值对应作差并求绝对值，得到两特征图中特征值的距离，两张特征图中中特征值的距离之和即为两张特征图的相似度；
[0033]优选地，所述深度神经网络识别模型包括图像特征提取网络、小尺度目标提取网络、区域建议网络、多尺度感兴趣区域池化层、连接层和目标识别输出层；
[0034]图像特征提取网络，用于将生成的融合图像进行边、轮廓、纹理图像特征提取，得到目标识别特征图；
[0035]小尺度目标提取网络，对目标识别特征图进一步进行小尺度目标图像特征提取，得到包括小尺度目标边、轮廓和纹理的图像特征图；
[0036]区域建议网络，用于在图像特征图上生成多个感兴趣区域的2D边界框，并使用这些生成的2D边界框在图像特征图上分别分割出对应2D边界框内的子图像特征图；
[0037]将2D边界框分割出的各个不同大小的子图像特征图经过感兴趣区域池化统一生成固定大小的图像特征图；
[0038]将池化后统一生成的固定大小的图像特征图共享到全连接层进行SAR图像目标分类和2D边界框回归，完成SAR图像的目标识别，识别结果通过目标识别输出层输出。
[0039]优选地，所述图像特征提取网络选用ResNet
‑
50网络。
[0040]优选地，所述小尺度目标提取网络选用特征金字塔网络。
[0041]本专利技术与现有技术相比的有益效果是：
[0042](1)、本专利技术通过采用多源SA本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于多源SAR图像融合的深度神经网络目标识别方法，其特征在于包括如下步骤：S1、对多源SAR图像进行融合，弥补单张图像SAR图像无法拍摄到的图像信息，得到超清融合图像；S2、采用深度神经网络识别模型，对超清融合图像进行SAR图像的目标识别。2.根据权利要求1所述的一种基于多源SAR图像融合的深度神经网络目标识别方法，其特征在于所述多源SAR图像包括多方向、多方位、多尺度的SAR图像，多方向的SAR图像是指不同的相机从不同的角度拍摄的SAR图像，多方位的SAR图像是指同一相机以不同姿态拍摄的SAR图像，多尺度的SAR图像是指同一相机保持同一姿态在不同距离拍摄的不同像素尺寸的SAR图像。3.根据权利要求1所述的一种基于多源SAR图像融合的深度神经网络目标识别方法，其特征在于所述步骤S1的具体方法如下：S1
‑
1、获取多源SAR图像，将拍摄同一区域的多方向、多尺度的SAR图像进行坐标修正，统一到同一个坐标系下；S1
‑
2、将多方向、多方位、多尺度的SAR图像统一调整为相同像素大小的待融合SAR图像；S1
‑
3、通过卷积神经网络CNN提取待融合SAR图像中的图像特征，得到每张待融合SAR图像的特征图；所述特征图包括目标的形状特征和纹理特征；S1
‑
4、将各张特征图采用融合规则网络进行图像特征级融合，得到超清融合图像。4.根据权利要求3所述的一种基于多源SAR图像融合的深度神经网络目标识别方法，其特征在于所述图像特征级融合包括相邻图排序、关键特征点匹配和超清融合图像生成三个步骤：相邻图排序：按照相邻特征图特征值距离之和最小的原则，对多张特征图进行排序，得到相邻特征图序列；关键特征点匹配：将多个特征图进行特征点匹配和叠加处理，得到融合稠密特征图；超清融合图像生成：对融合稠密特征图进行相邻像素点交叉检验、消除冗余信息、剔除外点、缝合盲区、采用全局颜色模型进行映射、暗角修正处理，得到超清融合图像。5.根据权利要求1所述的一种基于多源SAR图像融合的深度神经网络目标识别方法，其特征在于，相邻图排序的方法如下：S1a、随意选择一张特征图作为基准特征图，将基准特征图列入相邻特征图序列；S2a、将相邻特征图序列之外的特征图记为候选特征图；S3a、将每一张候选特征图与基准特征图的相似度，将与基准特征图相似度最小的候选特征图确定为基准特征图的相邻图；S4a、根据相似度从小到大依次排序作为相邻图排序依据，将基准特征图的相邻图列入相邻特征图序列中；S5a、选...
【专利技术属性】
技术研发人员：晁鲁静，李晓飞，阎岩，李曜，李山山，张佳，鲍诺，王经委，龚星，李博遥，鹿明，陈远清，于上，张杰伟，
申请(专利权)人：中国航天科技创新研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。