【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及基于中心局部约束阴影残差网络的遮挡sar目标识别方法。
技术介绍
1、合成孔径雷达(sar)得益于其全天候、全时段的工作特点，而被广泛应用于军事、国防安全、灾害监测等方面，随着sar系统的不断完善和大量sar图像的获取，sar自动目标识别(sar-atr)成为sar图像处理的重要分支，然而在一些复杂场景下，尤其是军事行动中，sar目标有时会被故意遮挡住某些强散射特征，以避免被识别出其型号；但目前针对遮挡sar目标图像识别的研究相对较少，大部分传统的sar-atr算法在目标特征被遮挡时表现不好，故研究如何对带有遮挡的sar图像进行识别十分必要。
2、现有利用卷积神经网络进行sar图像目标识别的算法大多只能在标准工作条件下表现出众，在sar图像目标被遮挡时表现不够理想，因此，本专利技术预期一种基于中心局部约束阴影残差网络的遮挡sar目标识别方法。
技术实现思路
1、为了解决现有技术中存在的问题，本专利技术提供基于中心局部约束阴影残差网络的遮挡sar目标识别方法，用于解决现有相关技术中对遮挡sar图像识别正确率低，以及对不同遮挡率鲁棒性较差的技术问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、基于中心局部约束阴影残差网络的遮挡sar目标识别方法，包括以下步骤：
4、提取实测sar目标图像的阴影图像，构建中心局部约束阴影残差网络，将阴影图像中的阴影特征，以及sar目标图像的目标残差特征和目标卷积特
5、构建损失函数，基于损失函数以及实测sar目标图像训练中心局部约束阴影残差网络，得到训练好的中心局部约束阴影残差网络；
6、基于训练好的中心局部约束阴影残差网络对遮挡sar图像目标进行识别。
7、进一步的，采用阈值法提取实测sar目标图像的阴影图像，包括以下步骤：
8、通过直方图均衡化使sar目标图像的背景、阴影和sar目标间的区分度增大；
9、将sar目标图像的像素按升序排列，设定百分比阈值a，选取[0，a]之间的像素值设为1，其余像素值设为0，得到二值图像；
10、对所述二值图像进行形态学闭运算消除孤立点；
11、设置区域面积阈值b，将面积大于b的区域保留并作为阴影图像，小于b的区域认为是较暗的背景区域，像素值设为0。
12、进一步的，所述中心局部约束阴影残差网络包括阴影特征模块、目标残差特征模块、目标卷积特征模块和分类模块；
13、将阴影图像中的阴影特征，以及sar目标图像的目标残差特征和目标卷积特征进行特征融合的过程包括以下步骤：
14、将sar目标图像预分为训练集和测试集；
15、将训练集通过阈值法提取阴影图像后，阴影图像输入到所述阴影特征模块，目标图像输入到所述目标残差特征模块和目标卷积特征模块，分别得到sar目标图像的阴影特征、目标残差特征和目标卷积特征；
16、将阴影图像中的阴影特征，以及sar目标图像的目标残差特征和目标卷积特征按比例相加，完成特征融合过程。
17、进一步的，所述将阴影图像中的阴影特征，以及sar目标图像的目标残差特征和目标卷积特征进行特征融合的过程为：
18、featuretotal＝n1features+n2featuretr+n3featuret；
19、其中，n1,n2,n3为比例参数，features,featuretr,featuret分别为阴影特征、目标残差特征和目标卷积特征。
20、进一步的，所述基于损失函数以及实测sar目标图像训练中心局部约束阴影残差网络过程为：
21、采用小批量随机梯度下降算法，设置数据批量、训练轮次、学习率和学习率衰减值；
22、通过正向传播计算损失函数，反向传播更新网络的权重，直至损失函数收敛。
23、进一步的，所述损失函数包括中心损失函数、局部约束损失函数和交叉熵损失函数，所述损失函数losstotal为：
24、losstotal＝losscenter+λ1losslocal+λ2losscross；
25、其中，λ1,λ2为调节参数，losscenter为中心损失函数，losslocal为局部约束损失函数：losscross为交叉熵损失函数。
26、进一步的，所述中心损失函数losscenter为：
27、
28、其中，n为每个训练批次中的样本数，x1,...,xn为样本图像，f(·)为网络输出的样本特征，ck代表样本xn对应的中心矩阵，k＝1,...,k表示xn对应的类序号，k表示类标总数；
29、所述局部约束损失函数losslocal为：
30、
31、
32、其中，h＝{f(x1),f(x2),…,f(xn)},ht是h的转置,g＝d-s表示拉普拉斯矩阵,对角矩阵d是相似度矩阵s的行和或列和，t为常数，分别表示x1,x2的类标向量；
33、所述交叉熵损失函数losscross为：
34、
35、其中，和分别表示目标图像xm对应类标和预测类标的第k个分量。
36、基于中心局部约束阴影残差网络的遮挡sar目标识别系统，包括：
37、构建单元，被配置为：
38、用于提取实测sar目标图像的阴影图像，构建中心局部约束阴影残差网络，将阴影图像中的阴影特征，以及sar目标图像的目标残差特征和目标卷积特征进行特征融合；
39、训练单元，被配置为：
40、用于构建损失函数，基于损失函数以及实测sar目标图像训练中心局部约束阴影残差网络，得到训练好的中心局部约束阴影残差网络；
41、输出单元，被配置为：
42、用于基于训练好的中心局部约束阴影残差网络对遮挡sar图像目标进行识别。
43、一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于中心局部约束阴影残差网络的遮挡sar目标识别方法的步骤。
44、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基于中心局部约束阴影残差网络的遮挡sar目标识别方法的步骤。
45、与现有技术相比，本专利技术具有以下有益的技术效果：
46、本专利技术提供基于中心局部约束阴影残差网络的遮挡sar目标识别方法，包括以下步骤：提取实测sar目标图像的阴影图像，构建中心局部约束阴影残差网络，将阴影图像中的阴影特征，以及sar目标图像中的目标残差特征和目标卷积特征进行特征融合；构建损失函数，基于损失函数以及实测sar目标图像训练中心局部约束阴影残差网络，得到训练好的中心局部约束阴影残差网络；基于训练好的中心局部约束阴影残本文档来自技高网...
【技术保护点】
1.基于中心局部约束阴影残差网络的遮挡SAR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所述的基于中心局部约束阴影残差网络的遮挡SAR目标识别方法，其特征在于，采用阈值法提取实测SAR目标图像的阴影图像，包括以下步骤：
3.根据权利要求1所述的基于中心局部约束阴影残差网络的遮挡SAR目标识别方法，其特征在于，所述中心局部约束阴影残差网络包括阴影特征模块、目标残差特征模块、目标卷积特征模块和分类模块；
4.根据权利要求1或3所述的基于中心局部约束阴影残差网络的遮挡SAR目标识别方法，其特征在于，所述将阴影图像中的阴影特征，以及SAR目标图像的目标残差特征和目标卷积特征进行特征融合的过程为：
5.根据权利要求1所述的基于中心局部约束阴影残差网络的遮挡SAR目标识别方法，其特征在于，所述基于损失函数以及实测SAR目标图像训练中心局部约束阴影残差网络过程为：
6.根据权利要求1所述的基于中心局部约束阴影残差网络的遮挡SAR目标识别方法，其特征在于，所述损失函数包括中心损失函数、局部约束损失函数和交叉熵损失函数，所
7.根据权利要求1所述的基于中心局部约束阴影残差网络的遮挡SAR目标识别方法，其特征在于，所述中心损失函数losscenter为：
8.基于中心局部约束阴影残差网络的遮挡SAR目标识别系统，其特征在于，基于权利要求1-7任一项所述基于中心局部约束阴影残差网络的遮挡SAR目标识别方法，包括：
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述基于中心局部约束阴影残差网络的遮挡SAR目标识别方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述基于中心局部约束阴影残差网络的遮挡SAR目标识别方法的步骤。
...【技术特征摘要】
1.基于中心局部约束阴影残差网络的遮挡sar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所述的基于中心局部约束阴影残差网络的遮挡sar目标识别方法，其特征在于，采用阈值法提取实测sar目标图像的阴影图像，包括以下步骤：
3.根据权利要求1所述的基于中心局部约束阴影残差网络的遮挡sar目标识别方法，其特征在于，所述中心局部约束阴影残差网络包括阴影特征模块、目标残差特征模块、目标卷积特征模块和分类模块；
4.根据权利要求1或3所述的基于中心局部约束阴影残差网络的遮挡sar目标识别方法，其特征在于，所述将阴影图像中的阴影特征，以及sar目标图像的目标残差特征和目标卷积特征进行特征融合的过程为：
5.根据权利要求1所述的基于中心局部约束阴影残差网络的遮挡sar目标识别方法，其特征在于，所述基于损失函数以及实测sar目标图像训练中心局部约束阴影残差网络过程为：
6.根据权利要求1所述的基于中心局部约束阴影残差网络的遮挡sa...
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。