【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种基于ssim及级联深度神经网络的sar图像目标识别方法及系统。
技术介绍
1、sar受天气条件、周期和大气影响较小，已广泛应用于环境监测、土地覆盖制图和军事侦察等领域，而上述应用的首要步骤是对sar图像目标进行有效的识别，但sar图像包含的相干斑噪声会降低图像的信噪比甚至损失图像目标的特征，使得sar图像与光学图像相比目标识别难度更高，为此需要采取有效的方法提高sar图像目标的识别性能。
2、针对sar图像的目标识别，一些研究选择手动提取特征随后利用svm，随机森林，knn等分类器进行分类，但由于其分类性能过分依赖提取的特征，这就导致不同的特征其分类性能差距较大。与上述方法相比，深度学习具有自动提取典型特征的优势，已经成为sar图像识别的主流方法。史宝岱等在《电光与控制》(2023，vol.30，no.4，pp.45-49)发表的“基于混合注意力机制的sar图像目标识别算法”中为提高模型分类性能以及抗噪声能力同时减少网络的训练时间在残差收缩网络的基础上引入了混合注意力模块，实现了在mstar的标准数据集下的99.6％准确率。李雪松等在《现代雷达》(2023，vol.45，no.2，pp.60-66)发表的“融合空域和频域网络模型的sar图像识别”中利用深度学习将提取的频域和空域特征相融合，提高了模型的鲁棒性，在mstar的标准数据集下实现了96.53％的准确率。上述方法虽然取得了较好的识别性能，但没有考虑在小样本下模型性能会出现大幅度下降的问题。为此王源源在《电光与控制》(2023
3、已有文献的检索结果证明，深度学习在解决sar图像目标的识别问题时，具有着出色的性能，但利用深度学习模型通常需要大量的训练样本，sar图像比较珍贵获取难度高，往往数据量较小，而训练样本的数量减小会大幅度降低模型的分类性能。现有基于深度学习的方法通常利用数据增强的方法对数据进行预处理以扩充数据量，但错误的数据增强策略将影响深度模型的分类性能，除此之外，一些技术先提取图像特征，再利用深度学习方法对目标进行识别，但这些方法通常会损失图像部分信息导致模型的分类性能提高不明显。
技术实现思路
1、鉴于以上问题，本专利技术提出一种基于ssim及级联深度神经网络的sar图像目标识别方法及系统，以力图解决或缓解上述一个或多个问题。
2、根据本专利技术的一方面，提出一种基于ssim及级联深度神经网络的sar图像目标识别方法，该方法包括以下步骤：
3、获取包含多个类别的sar图像数据集；
4、对sar图像进行预处理；
5、利用预处理后的sar图像数据集训练基于ssim及级联深度神经网络的目标识别模型；
6、将待识别sar图像输入训练好的目标识别模型，获取目标识别结果。
7、进一步地，所述预处理包括图像尺度统一和归一化处理。
8、进一步地，利用预处理后的sar图像数据集训练基于ssim及级联深度神经网络的目标识别模型的过程包括：
9、利用结构相似衡量指标对sar图像进行粗类别划分；
10、利用卷积层、池化层、全连接层、批归一化层、空洞空间金字塔池化模块及幻想组块构成浅层网络，对sar图像进行粗分类，得到粗类别特征以及每个粗类别的分类结果；
11、利用卷积层和卷积块注意力模块构建级联模块，筛选所述粗类别特征，并对筛选后的特征进行权重划分；
12、融合筛选并权重划分后的粗类别特征，利用多个幻想组块构建深层网络，对sar图像进行细分类，获取识别结果。
13、进一步地，利用结构相似衡量指标对sar图像进行粗类别划分包括：利用ssim计算各类图像之间的结构相似值，并根据结构相似值对sar图像进行粗类别划分；其中结构相似值计算公式为：
14、
15、式中，m表示某一类图片的总数；c1和c2为图片类别，j和k分别表示第j和第k张图片；表示在任意类c1的第j张图片中所有像素构成的矢量，表示在任意类c2的第k张图片中所有像素构成的矢量；表示任意类c1的第j张图片与任意类c2中第k张图片的结构相似值；μx和μy分别为和的平均灰度值，σx和σy分别为和的标准差，n为像素个数，xi和yi分别表示和中第i个像素的灰度值；c1＝(k1l)2，c2＝(k2l)2，l为图像灰度级数，k1＜＜1，k2＜＜1。
16、进一步地，根据结构相似值对sar图像进行粗类别划分的过程包括：
17、假设任取一组类别结构相似值其中c为图片类别，d为图片类别总数，即包含d组、每组有d个对比值；对每组中的结构相似值进行降序，并记录与c相似值高的前类且不排除类别c，再依次记录前类别组中各类别组的前类，即每个组记录类个值，共计值，根据记录次数将d类划分为r个粗类别。
18、进一步地，利用卷积层和卷积块注意力模块构建级联模块，筛选所述粗类别特征，并对筛选后的特征进行权重划分的过程包括：
19、将粗类别特征f与每个粗类别的分类结果ai相乘后进行卷积操作，获得特征f'i＝f3×3(aif)，其中f3×3是卷积核为3的卷积操作；
20、利用卷积块注意力模块筛选特征，卷积块注意力模块包括通道注意力子模块和空间注意力子模块组成，f'i作为通道注意力子模块的输入，通道注意力子模块的输出特征为其中σ表示sigmoid激活函数，w0和w1为通道注意力模块中的共享全连接层的连接系数，与分别表示对特征f'i在空间维度上进行平均池化和最大池化；将fi”作为空间注意力子模块的输入，空间注意力子模块的输出特征为其中和分别表示对特征fi”在通道维度上进行最大池化和平均池化，表示将池化后的特征在通道维度上叠加；
21、将每个粗类别的分类结果ai分别与其相应的输出特征fics相乘进行权重划分并在通道维度上叠加，得到最终筛选的输出特征
22、进一步地，融合筛选并权重划分后的粗类别特征，利用多个幻想组块构建深层网络，对sar图像进行细分类的过程包括：
23、利用卷积操作对对sar图像进行下采样得到x'＝f43×3(x)，其中f43×3表示卷积核为3，步长为4的卷积操作，将最终筛选的输出特征ffina本文档来自技高网...
【技术保护点】
1.一种基于SSIM及级联深度神经网络的SAR图像目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于SSIM及级联深度神经网络的SAR图像目标识别方法，其特征在于，所述预处理包括图像尺度统一和归一化处理。
3.根据权利要求1所述的一种基于SSIM及级联深度神经网络的SAR图像目标识别方法，其特征在于，利用预处理后的SAR图像数据集训练基于SSIM及级联深度神经网络的目标识别模型的过程包括：
4.根据权利要求3所述的一种基于SSIM及级联深度神经网络的SAR图像目标识别方法，其特征在于，利用结构相似衡量指标对SAR图像进行粗类别划分包括：利用SSIM计算各类图像之间的结构相似值，并根据结构相似值对SAR图像进行粗类别划分；其中结构相似值计算公式为：
5.根据权利要求4所述的一种基于SSIM及级联深度神经网络的SAR图像目标识别方法，其特征在于，根据结构相似值对SAR图像进行粗类别划分的过程包括：
6.根据权利要求5所述的一种基于SSIM及级联深度神经网络的SAR图像目标识别方法，其特征在于，利用卷积
7.根据权利要求6所述的一种基于SSIM及级联深度神经网络的SAR图像目标识别方法，其特征在于，融合筛选并权重划分后的粗类别特征，利用多个幻想组块构建深层网络，对SAR图像进行细分类的过程包括：
8.根据权利要求3所述的一种基于SSIM及级联深度神经网络的SAR图像目标识别方法，其特征在于，利用预处理后的SAR图像数据集训练基于SSIM及级联深度神经网络的目标识别模型的过程中损失函数包括粗分类损失函数和细分类损失函数，其中粗分类损失函数为表示样本粗类别标签，表示网络预测样本属于粗类别i的概率，R为粗类别总数；细分类损失函数为表示样本细类别标签，表示网络预测样本属于细类别i的概率，D为细类别总数即图片类别总数。
9.一种基于SSIM及级联深度神经网络的SAR图像目标识别系统，其特征在于，包括：
10.根据权利要求9所述的一种基于SSIM及级联深度神经网络的SAR图像目标识别系统，其特征在于，所述模型训练模块中所述利用预处理后的SAR图像数据集训练基于SSIM及级联深度神经网络的目标识别模型的过程包括：
...【技术特征摘要】
1.一种基于ssim及级联深度神经网络的sar图像目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于ssim及级联深度神经网络的sar图像目标识别方法，其特征在于，所述预处理包括图像尺度统一和归一化处理。
3.根据权利要求1所述的一种基于ssim及级联深度神经网络的sar图像目标识别方法，其特征在于，利用预处理后的sar图像数据集训练基于ssim及级联深度神经网络的目标识别模型的过程包括：
4.根据权利要求3所述的一种基于ssim及级联深度神经网络的sar图像目标识别方法，其特征在于，利用结构相似衡量指标对sar图像进行粗类别划分包括：利用ssim计算各类图像之间的结构相似值，并根据结构相似值对sar图像进行粗类别划分；其中结构相似值计算公式为：
5.根据权利要求4所述的一种基于ssim及级联深度神经网络的sar图像目标识别方法，其特征在于，根据结构相似值对sar图像进行粗类别划分的过程包括：
6.根据权利要求5所述的一种基于ssim及级联深度神经网络的sar图像目标识别方法，其特征在于，利用卷积层和卷积块注意力模块构建级联模块...
【专利技术属性】
技术研发人员：高洪元，袁善良，揣济阁，郭兰图，韩荣花，陈暄，张梦卓，王佳仪，刘凯龙，孙可歆，
申请(专利权)人：哈尔滨工程大学，
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。