【技术实现步骤摘要】
本专利技术属于雷达图像识别，尤其涉及一种用于合成孔径雷达图像的多模块目标识别方法与系统。
技术介绍
1、合成孔径雷达是一种有源微波传感器。它不受光等一系列外部环境因素的影响，可以连续监测局部多个地面物体场景。此外，合成孔径雷达还具有较强的穿透能力和高分辨率的成像特性，能够准确地探测到伪装或遮挡后的物体。基于这些独特的优势，合成孔径雷达已成功地应用于地质勘探、环境监测、战场侦察、精确打击等多个领域。目标自动识别专门用于自动检测感兴趣的区域，并从复杂的图像中推理目标类别的属性。这是实现自动识别合成孔径雷达图像的重要途径。
2、近年来，随着机器学习理论和深度学习技术的快速发展，合成孔径雷达图像自动识别技术在理论研究和系统设计方面取得了突破。但在实际应用中，特别是在作战场景中，合成孔径雷达技术在上述研究中仍有两个尚未解决的问题。第一，由于目标的非协同特性和传感器的工作环境，构建捕获大量样本的完整测试集具有挑战性；第二，随着数据类型和数量的增加，现有的复杂网络模型效率低，实时性差。
技术实现思路
1、为了解决网络模型过于复杂以及目标数据集不完整的问题，本专利技术提供一种用于合成孔径雷达图像的多模块目标识别方案。
2、本专利技术第一方面提出一种用于合成孔径雷达图像的多模块目标识别方法。所述方法包括：
3、步骤s1、获取待识别的合成孔径雷达图像，对所述合成孔径雷达图像进行初始化分割；
4、步骤s2、利用马尔科夫随机场对所述初始化分割进行修正，从而确
5、步骤s3、对所述目标区域进行图像增强，并基于多尺度目标分类识别的轻量级网络对所述经图像增强的目标区域进行识别。
6、根据本专利技术第一方面的方法，在所述步骤s1中：
7、所述合成孔径雷达图像包括三部分区域：所述目标区域、背景区域和阴影区域，每个区域的像素符合瑞利分布，所述三部分区域分别以标签1、2、3来标记；则有：
8、
9、其中，i、xi、li表示像素的位置指数、灰度值和标签，p()表示瑞利分布统计概率，其中：
10、
11、其中，所述目标区域的灰度值高于所述背景区域的灰度值，所述背景区域的灰度值高于所述阴影区域的灰度值，所述三部分区域的瑞利分布方差满足σ2＞σ1＞σ3，则xi进一步表示为：
12、
13、t12和t23为边界阈值，则误报概率p2error和p3error表示为：
14、
15、
16、其中，p2error表示标签2被错误判断为标签1的概率，指所述目标区域被错误分类为所述背景区域的概率，p3error表示标签3被错误判断为标签1的概率，指所述阴影区域被错误分类为所述背景区域的概率，且p2error＝p3error＝0.05。
17、根据本专利技术第一方面的方法，在所述步骤s2中：
18、对于所述合成孔径雷达图像中的各个像素，任一像素和其邻域像素形成一个马尔可夫随机场，x表示一个马尔可夫邻域的像素域，ω表示x的标签域，通过最大化后验概率得到：
19、
20、其中，p(x)为常数，根据贝叶斯原理：
21、
22、
23、当所述标签域服从吉布斯分布时：
24、
25、其中，c表示标签域ω的中心，u(ω)表示标签域的能量，z表示归一化常数，则：
26、
27、标签域的能量u(ω)为马尔可夫随机场中小群势能之和：
28、
29、
30、通过迭代计算得到具有最小能量的标签域，作为利用马尔科夫随机场对所述初始化分割进行修正的结果。
31、根据本专利技术第一方面的方法，在所述步骤s2中，在利用马尔科夫随机场对所述初始化分割进行修正之后，结合所述形态学运算从所述合成孔径雷达图像中分割出所述目标区域，所述形态学运算包括去噪、扩张、孔填充和侵蚀。
32、根据本专利技术第一方面的方法，在所述步骤s3中，所述图像增强过程表示为：
33、iinput(i,j)＝k1×io(i,j)+k2×it(i,j)+b
34、其中，iinput,io,it分别表示增强图像、原始图像和目标图像，k1、k2为组合权重，b为偏差，(i,j)表示像素位置索引。
35、根据本专利技术第一方面的方法，在所述步骤s3中，所述基于多尺度目标分类识别的轻量级网络包括前置层、第一层、第二层、第三层和第四层；其中：
36、所述前置层包括步幅为1的卷积层(64,3×3)和步幅为2的最大池化层(2×2)；
37、所述第一层包括步幅为1的卷积层(128,3×3)和步幅为2的最大池化层(2×2)；
38、所述第二层包括步幅为1的卷积层(256,3×3)和步幅为2的最大池化层(2×2)；
39、所述第三层包括步幅为1的卷积层(512,3×3)和步幅为2的最大池化层(2×2)；
40、所述第四层包括步幅为1的卷积层(512,3×3)和步幅为1的最大池化层(4×4)。
41、根据本专利技术第一方面的方法，在所述步骤s3中，所述基于多尺度目标分类识别的轻量级网络的特征金字塔包括一个自底向上的路径、一个自顶向下的路径和位于两个路径中间的连接部分。
42、本专利技术第二方面提出一种用于合成孔径雷达图像的多模块目标识别系统。所述系统包括：
43、第一处理单元，被配置为：获取待识别的合成孔径雷达图像，对所述合成孔径雷达图像进行初始化分割；
44、第二处理单元，被配置为：利用马尔科夫随机场对所述初始化分割进行修正，从而确定最优分割解，结合形态学运算从所述合成孔径雷达图像中分割出目标区域；
45、第三处理单元，被配置为：对所述目标区域进行图像增强，并基于多尺度目标分类识别的轻量级网络对所述经图像增强的目标区域进行识别。
46、本专利技术第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开一种用于合成孔径雷达图像的多模块目标识别方法中的步骤。
47、本专利技术第四方面公开了一种计算机可读存储介质。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，实现本公开一种用于合成孔径雷达图像的多模块目标识别方法中的步骤。
48、综上，本专利技术的技术方案旨在解决网络模型过于复杂以及目标数据集不完整的问题。本专利技术添加一个特征提取模块和图像增强模块用以解决目标域中数据集不完整、不充分等问题。与此同时，提出一种轻便简洁网络作为目标识别模块进行快速识别，从而解决合成孔径雷达自动目标识别技术在实际应用中出现的实时性问题。
49、使用特征提取模块和图像处理模块来提高原始合成孔径雷达图像的质量，并提出一种本文档来自技高网...
【技术保护点】
1.一种用于合成孔径雷达图像的多模块目标识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种用于合成孔径雷达图像的多模块目标识别方法，其特征在于，在所述步骤S1中：
3.根据权利要求2所述的一种用于合成孔径雷达图像的多模块目标识别方法，其特征在于，在所述步骤S2中：
4.根据权利要求3所述的一种用于合成孔径雷达图像的多模块目标识别方法，其特征在于，在所述步骤S2中，在利用马尔科夫随机场对所述初始化分割进行修正之后，结合所述形态学运算从所述合成孔径雷达图像中分割出所述目标区域，所述形态学运算包括去噪、扩张、孔填充和侵蚀。
5.根据权利要求4所述的一种用于合成孔径雷达图像的多模块目标识别方法，其特征在于，在所述步骤S3中，所述图像增强过程表示为：
6.根据权利要求5所述的一种用于合成孔径雷达图像的多模块目标识别方法，其特征在于，在所述步骤S3中，所述基于多尺度目标分类识别的轻量级网络包括前置层、第一层、第二层、第三层和第四层；其中：
7.根据权利要求6所述的一种用于合成孔径雷达图像的多模块目标识别方
8.一种用于合成孔径雷达图像的多模块目标识别系统，其特征在于，所述系统包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1-7任一项所述的一种用于合成孔径雷达图像的多模块目标识别方法中的步骤。
10.一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，实现权利要求1-7任一项所述的一种用于合成孔径雷达图像的多模块目标识别方法中的步骤。
...【技术特征摘要】
1.一种用于合成孔径雷达图像的多模块目标识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种用于合成孔径雷达图像的多模块目标识别方法，其特征在于，在所述步骤s1中：
3.根据权利要求2所述的一种用于合成孔径雷达图像的多模块目标识别方法，其特征在于，在所述步骤s2中：
4.根据权利要求3所述的一种用于合成孔径雷达图像的多模块目标识别方法，其特征在于，在所述步骤s2中，在利用马尔科夫随机场对所述初始化分割进行修正之后，结合所述形态学运算从所述合成孔径雷达图像中分割出所述目标区域，所述形态学运算包括去噪、扩张、孔填充和侵蚀。
5.根据权利要求4所述的一种用于合成孔径雷达图像的多模块目标识别方法，其特征在于，在所述步骤s3中，所述图像增强过程表示为：
6.根据权利要求5所述的一种用于合成孔径雷达图像的多模块目标识别方法，其特征在于，在所述步骤s3中，所述基于多...
【专利技术属性】
技术研发人员：李达，雷迎科，薛磊，金虎，王津，滕飞，潘必胜，王友瑞，
申请(专利权)人：中国人民解放军国防科技大学，
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。