基于卷积神经网络的SAR图像海洋目标分类检测方法与流程

本发明涉及一种基于卷积神经网络的sar图像海洋目标分类检测方法，属于图像处理与计算机视觉领域。

背景技术

合成孔径雷达起源于军事应用，发展于20世纪50年代，是一种主动式对地观测系统。合成孔径雷达可以不受气候、天气、光照等条件影响，对地进行全天候、全天时的观测，其广泛应用于：农业、土壤湿度、林业、地质、水文、洪水和海洋监测、海洋学、舰船和浮油探测、冰雪探测、地表覆盖测绘、高度测绘和地球变化检测等方面。

近十年以来，卷积神经网络得到了极大的发展，卷积神经网络通过卷积层，池化层，激活函数，全连接层，分类器等结构，将特征提取、特征选择和特征分类融合在同一模型中，采用逐层训练策略，优化网络参数，得到训练模型，进而对输入图像进行分类检测。

目前，大部分针对sar海洋目标分类算法多基于传统的分类算法如支持向量机、k最近邻分类和决策树等算法，分类准确率较低。很多基于卷积神经网络的海洋目标分类算法的样本类别和样本数量较少，网络结构不合理，导致算法实用性较低且分类效果较差。

技术实现要素：

本发明要解决的技术问题在于，针对现有技术中的以上一个或多个缺陷，提出一种基于卷积神经网络的sar图像海洋目标分类检测方法，该方法对高分辨率sar图像进行预处理，将海洋目标划分为多个类别，建立sar海洋目标数据集，通过分析海洋目标的特征，构建卷积神经网络架构，基于数据集对卷积神经网络模型进行训练，最后将待测图像输入卷积神经网络模型，输出分类检测结果。

本发明提出了一种基于卷积神经网络的sar图像海洋目标分类检测方法，具体包括以下几个步骤：

步骤一：将含有海洋目标的sar单视复图像转换为功率图像，并进行量化；

步骤二：将量化后的功率图像分割获取切片样本，加注样本类别的标签后构建训练集ψ；

步骤三：计算训练集的均值得到去均值后的训练集φ；

步骤四：建立卷积神经网络模型该网络结构包含五层卷积层conv1、conv2、conv3、conv4、conv5，三层池化层pooling1、pooling2、pooling3，两层全连接层fc1、fc2和softmax分类器；

步骤五：将所述去均值后的训练集φ输入卷积神经网络模型采用随机梯度下降法对网络模型进行训练，得到最佳的网络参数；

步骤六：将待分类切片去均值，输入训练好的卷积神经网络模型中，得到分类预测结果

实施本发明的基于卷积神经网络的sar海洋目标分类检测方法，具有以下有益效果：

(1)本发明提出的基于卷积神经网络的sar海洋目标分类检测方法的可靠性强。该方法将特征提取、特征选择和特征分类融合在同一模型中，通过端到端的训练，提升了海洋目标分类检测结果的准确性。

(2)本发明提出的基于卷积神经网络的sar海洋目标分类检测方法的泛化能力强，计算复杂度低。该卷积神经网络结构较简单，仅有五层卷积层，不易导致模型过拟合。

(3)本发明提出的基于卷积神经网络的sar海洋目标分类检测方法的实用性强。本发明将待测图像直接输入训练好的网络模型即可获取预测结果。

(4)本发明提出基于卷积神经网络的sar海洋目标分类检测方法的应用范围广、可移植性强。该方法覆盖了主要的海洋目标类别，由于每一类海洋目标的雷达散射特性相似，因此该方法适用于不同sar系统的海洋目标图像。

附图说明

图1是本发明提出的基于卷积神经网络的sar海洋目标分类检测方法流程图；

图2a～2f为本发明所提出的六种海洋典型目标散射特性图；

图3是本发明使用的卷积神经网络结构图；

图4是本发明实施例中所使用的高分三号海洋目标功率图像样例；

图5是本发明实施例中的待测海洋目标切片样例；

图6是本发明实施例中的海洋目标切片分类预测结果。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，为根据本发明基于卷积神经网络的sar图像海洋目标分类检测方法的流程图。如图1所示，该方法包括以下几个步骤：

s1、执行步骤一：将含有海洋目标的sar单视复图像转换为功率图像，并进行量化；

具体为：

(1)设c^(k)为第k幅待处理的sar单视复图像，如图2所示，大小为x×y，和分别是c^(k)的实部和虚部，则通过以下公式获取功率图像：

其中，a^(k)为公式(1)计算之后得到的功率图像，k(k＝1,2,…,n)表示单视复图像序号，i(i＝1,2,…,x)，j(j＝1,2,…,y)为图像的二维坐标。

(2)通过以下公式对功率图像进行量化，将图像的幅值限制在0～1之间；

具体为：

式中，s^(k)为量化后的功率图像，t表示量化阈值，根据经验值取128。

s2、执行步骤二：将步骤一生成的量化后的功率图像，即含有海洋目标的高分辨率sar图像分割获取切片样本，加注包含样本类别的标签，建立训练集ψ；

具体为：

将含有海洋目标的高分辨率sar图像s^(k)分割为128×128大小切片，根据不同海洋目标的散射特性，判定样本的类别，包括小船，油轮、集装箱轮、风机、铁塔和货轮，加注标签，建立训练集。样本图片如图2a～图2f所示，其中图2a为货轮，图2b为小船，图2c为集装箱轮，图2d为铁塔，图2e为油轮，图2f为风机。

s3、执行步骤三：计算训练集的均值得到去均值后的训练集φ；

具体为：

式中i(i＝1,2,…,n)表示训练集中的样本集切片样本序号；n为训练集中切片样本数目；，ψ⁽ⁱ⁾表示第i个切片样本的平均灰度值；φ⁽ⁱ⁾表示第i个切片样本去均值后的灰度值。

s4、执行步骤四：建立卷积神经网络模型如附图3所示。该网络结构包含五层卷积层conv1、conv2、conv3、conv4、conv5，三层池化层pooling1、pooling2、pooling3，两层全连接层fc1、fc2和softmax分类器。

第一层为卷积层conv1，卷积核大小为6×6，滑动步长为2，对输入图片进行卷积操作，输出32个62×62的特征图到池化层pooling1。

第二层为池化层pooling1，池化尺度为3×3，滑动步长为2，池化方式为最大池化，输出32个池化后32×32的特征图到卷积层conv2。

第三层为卷积层conv2，卷积核大小为5×5，滑动步长为1，对输入特征图进行卷积操作，输出64个28×28的特征图到池化层pooling2。

第四层为池化层pooling2，池化尺度为3×3，滑动步长为2，对输入特征图进行最大池化，输出64个池化后14×14的特征图到卷积层conv3。

第五层为卷积层conv3，卷积核大小为3×3，滑动步长为1，对输入的特征图进行卷积操作，输出128个卷积后的特征图到卷积层conv4。

第六层为卷积层conv4，卷积核大小为3×3，滑动步长为1，对输入的特征图进行卷积操作，输出128个卷积后14×14的特征图到卷积层conv5。

第七层为卷积层conv5，卷积核大小为3×3，滑动步长为1，对输入的特征图进行卷积操作，输出128个卷积后14×14的特征图到池化层pooling3。

第八层为池化层pooling3，池化尺度为3×3，滑动步长为2，对输入特征图进行最大池化，输出128个池化后7×7的特征图到全连接层fc1。

第九层为全连接层fc1，fc1输出1024个神经元到全连接层fc2。

第十层为全连接层fc2，fc2输出6个神经元到softmax分类器。

第十一层为softmax分类器，利用softmax函数实现。

s5、执行步骤五：将步骤三得到的训练集φ输入步骤四构建的卷积神经网络模型采用随机梯度下降法对网络模型进行训练，得到最佳的网络参数。

(1)卷积层的运算具体如下：

f(x)＝max(0,x)(7)

式中表示该卷积层输入的第i个特征图，oj^(l)表示在该卷积层的输出，kji^(l)表示该层的卷积核，f为卷积核大小，f(x)为非线性激活函数，(j＝1,...,j)表示在坐标(x,y)下输出的第j个特征图。

(2)池化层的具体运算如下：

式中oj^(l)表示在该池化层的输出，g为池化尺寸，s为滑动步长。

(3)softmax分类器的具体运算如下：

式中k表示输入特征图的维度，oi^(l)为输入特征图的第i维向量的值，pi为第i类目标的预测概率，k表示输入特征图的维度。

(4)对于softmax分类器，使用交叉熵损失函数代替均方差损失函数：

式中m为训练样本个数，w为正则化项，x⁽ⁱ⁾第i个样本的预测标签，y⁽ⁱ⁾第i个样本的真实标签，p(y⁽ⁱ⁾|x⁽ⁱ⁾；w)为增加了正则化项的条件概率函数。

(5)针对损失函数l(w)，采用随机梯度下降法训练网络结构，初始学习率设置为0.002，动量参数设置为0.9，权值损失系数设置为0.004，采用权值更新函数：

wi+1＝wi+vi+1(12)

式中i为迭代次数，v为速度参数，ε为学习率，wi为第i次迭代的权值，为wi下损失函数的平均梯度，wi+1为i+1次迭代的权值。

s6、执行步骤六：将待分类切片去均值，输入训练好的卷积神经网络模型中，得到分类预测结果

(1)将待测分类图片即待分类切片i去均值化，具体为：

式中i(i＝1,2,…,m)表示待分类切片的序号，m为待分类切片的样本数目，为前述步骤三计算的训练集的均值。本发明中输入的待测分类切片为默认大小为128×128的功率图像，如果原始待分类图片大于该尺寸，则可以分割成128×128大小切片，再进行识别；如果原始待分类图片为sar单视复图像，则也需要通过步骤一的方法将其转换为功率图像并进行量化。

(2)将去均值的待分类切片o输入到步骤五训练好的卷积神经网络模型中，输入图片大小为128×128，得到分类预测结果分类结果包括六类标签：小船、油轮、集装箱轮、海上风机、铁塔、货轮。

实施例

本实施例提出一种基于卷积神经网络的sar海洋目标分类检测方法，本实施例具体包括以下几个步骤：

步骤一：将sar单视复图像进行功率图像转换，并量化，得到；

具体为：

将60幅大小16384×16384的高分三号单视复图像按公式(1)和(2)可得到量化后的sar图像，其中一幅如图4所示；大量的训练集样本和合适的网络结构是卷积神经网络取得较好分类效果的前提条件。本发明采用例如高分三号雷达卫星的大量sar图像为卷积神经网络提供了大量的训练样本。

步骤二：将含有海洋目标的高分辨率sar图像(即步骤一得到的量化后的sar图像)分割获取切片样本，加注标签，建立训练集ψ；

具体为：

将含有海洋目标的高分辨率sar图像s^(k)分割为128×128大小切片，根据不同海洋目标的散射特性，判定样本的类别(小船，油轮，集装箱轮，风机，铁塔和货轮)，由于很多图像切片中只包含海杂波不含海洋目标，最终获取2291幅目标切片，其中1810张作为训练集，481张作为待分类切片，样本如图2所示，加注标签，建立训练集ψ；训练集中包含：小船380张、货船420张、集装箱轮190张、铁塔180张，油轮285张、风机355张；待分类切片共481张。

步骤三：按照公式(3)和(4)计算样本集的均值得到去均值后的训练集φ；

步骤四：建立卷积神经网络模型如附图3所示。该网络结构包含五层卷积层conv1、conv2、conv3、conv4、conv5，三层池化层pooling1、pooling2、pooling3，两层全连接层fc1、fc2和softmax函数。

第一层为卷积层conv1，卷积核大小为6×6，滑动步长为2，对输入图片进行卷积操作，输出32个32×32的特征图到池化层pooling1，按公式(5)，(6)和(7)计算；

第二层为池化层pooling1，池化尺度为3×3，滑动步长为2，池化方式为最大池化，输出32个池化后32×32的特征图到卷积层conv2，按公式(8)计算；

第三层为卷积层conv2，卷积核大小为5×5，滑动步长为1，对输入特征图进行卷积操作，输出64个28×28的特征图到池化层pooling2，按公式(5)，(6)和(7)计算；

第四层为池化层pooling2，池化尺度为3×3，滑动步长为2，对输入特征图进行最大池化，输出64个池化后14×14的特征图到卷积层conv3，按公式(8)计算；

第五层为卷积层conv3，卷积核大小为3×3，滑动步长为1，对输入的特征图进行卷积操作，输出128个卷积后的特征图到卷积层conv4，按公式(5)，(6)和(7)计算；

第六层为卷积层conv4，卷积核大小为3×3，滑动步长为1，对输入的特征图进行卷积操作，输出128个卷积后14×14的特征图到卷积层conv5，按公式(5)，(6)和(7)计算；

第七层为卷积层conv5，卷积核大小为3×3，滑动步长为1，对输入的特征图进行卷积操作，输出128个卷积后14×14的特征图到池化层pooling1，按公式(5)，(6)和(7)计算；

第八层为池化层pooling1，池化尺度为3×3，滑动步长为2，对输入特征图进行最大池化，输出128个池化后7×7的特征图到全连接层fc1，按公式(8)计算；

第九层为全连接层fc1，fc1输出1024个神经元到全连接层fc2；

第十层为全连接层fc2，fc2输出6个神经元到softmax分类器。

第十一层为softmax分类器，利用softmax函数实现，按公式(9)计算；

步骤五：将训练集φ共1810张切片输入卷积神经网络模型采用随机梯度下降法对网络模型进行训练，网络学习率设为0.002，迭代次数为60000，得到最佳的网络参数。

卷积层按公式(5),(6)和(7)计算；池化层按公式(8)计算；softmax分类器层按公式(9)计算；损失函数按公式(10)计算，对损失函数采用sgd随机梯度下降模式训练网络。

步骤六：将待分类切片去均值，输入训练好的卷积网络模型中，得到分类预测结果

(1)将预先准备的分类切片i去均值化，具体为：

式中i(i＝1,2,…,m)表示待分类切片的序号，m为待分类切片样本数目，为训练集的均值。本例中的待分类切片为481张。

(2)将去均值的待分类切片o输入到的卷积神经网络模型中，输入图片大小为128×128，得到分类预测结果分类预测结果包括六类标签：小船、油轮、集装箱轮、海上风机、铁塔、货轮。图5为待分类切片样例，将其输入至卷积神经网络模型中，得到预测结果如图6所示，分类预测结果显示为集装箱轮。此外，所有481张待测图片预测分类结果如表1所示，其中纵列代表待测图片的真实标签，横行代表预测标签。

表1待测图片预测分类结果

从表1可以看出，训练好的分类检测模型可以达到92.10％,预测准确度较高，此外，训练好的模型亦可用于分类检测其他sar系统产生的海洋目标图像。

因此，本发明提出的基于卷积神经网络的sar图像海洋目标分类检测方法可以高效准确的分类检测海洋目标。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。