基于2D-PCA和卷积神经网络的SAR图像分类方法与流程

本发明属于图像处理领域，更进一步涉及sar图像分类技术领域，可用于目标检测。

背景技术：

合成孔径雷达是一种全天时，全天候工作的雷达系统，广泛应用军事，农业，导航，地理监视等诸多领域。随着雷达技术的发展，sar图像分类已经成为了一个重要的领域。sar特别适用于目标分类，检测以及监视等。由于sar图像的成像机制和传统图像成像机制的差异，所以在的理解与解译的过程中sar图像和传统图像也有很大的不同。通过人眼来分类是非常耗时耗力的，所以需要通过研究一些算法达到分类效果。随着深度学习的发展，深度学习被广泛应用在各个方面。

西安电子科技大学在其申请的专利“基于深度置信网络的sar图像目标识别分类方法”(专利号：201610136519.1，授权公告号：cn105809198a)中提出了一种合成孔径雷达图像目标识别的分类方法。该方法首先进行获取图像样本，滤波，然后提取特征，再然后训练深度置信网络对样本进行分类。该方法存在的不足之处是训练复杂度高，模型的鲁棒性差，识别率不高。

sizhechen,haipengwang,fengxu,ya-qiujin，在其发表的论文“targetclassificationusingthedeepconvolutionalnetworksforsarimage”中提出了一种基于深度卷积网络的sar图像分类方法。该方法首先裁剪待分类的图像到固定的大小，然后构建5层卷积网络模型，最后利用训练集训练构建好的模型并实现测试集的分类。该方法存在的不足之处是对噪声的敏感性比较大，当随机添加部分噪声是会导致分类精度降低。

技术实现要素：

本发明提出了一种基于二维pca和卷积神经网络模型的合成孔径雷达图像的分类方法，可以克服上述已有技术的不足，降低模型训练复杂度和对噪声的敏感性，提高模型的鲁棒性和分类精度。

为实现上述目的，本发明的实现方案如下：

(1)从包含bmp2装甲车,btr70装甲车,t72主战坦克数据的mstar数据集中选取训练和测试数据，并进行扩增：

选取俯角为17度的所有图像作为训练图像x1，将每一张训练图像在水平和竖直方向随机平移(x,y)个像素点，其中x,y均为(-10,10)内的整数，重复该操作50次，使每一张训练图像扩充为50张，得到训练样本集a1；

选取俯角为15度的所有图像作为测试图像x2，同样将每一张测试图像同样在水平和竖直方向随机平移(x,y)个像素点，重复该操作6次，使每一张测试图像扩充为6张，得到测试样本集a2；

(2)对于训练样本集和测试样本集中的每个样本进行二维主成分分析2d-pca，得到降维后28×28的二维矩阵：

(2a)对于扩充后的训练样本和测试样本集，分别裁剪成其中心为60×60的区域；

(2b)利用裁剪后的训练样本计算列方向上的投影矩阵u，根据投影矩阵u计算列方向上的降维矩阵f，再根据降维矩阵f计算行方向上的投影矩阵v；

(2c)分别计算训练样本的降维矩阵y1和测试样本的降维矩阵y2，并保存：

y1＝v^t·a1·u，y2＝v^t·a2·u，其中t表示转置；

(3)搭建结构依次为：输入层，第一卷积层，第一池化层，第二卷积层，第二池化层，第一全连层，第二全连层的卷积神经网络模型，设置各层的参数，并对卷积神经网络模型进行训练；

(4)利用训练好的模型权重值对测试样本进行分类：

(4a)将训练好的模型权重值加载到卷积神经网络模型中；

(4b)将测试样本y2输入到(5a)的卷积神经网络模型中，得到所有的测试样本类别概率p，每一个样本的类别概率包含三个值，分别对应该样本是bmp2，btr70，t72的概率；

(4c)从p中取连续6个测试样本的类别概率pi×6,...,(i+1)×6，共计有18个概率值，从这18个概率值中取其最大值对应的类别作为测试图片x2中第i个图片的最终分类结果，其中i＝1…n，n为测试图片的数量。

本发明与现有的技术相比具有以下优点：

1、本发明将sar图像进行主成分分析，减少了卷积网络模型的输入数据的维度，降低了模型的复杂度和对噪声的敏感性；

2、本发明对测试集进行扩增融合，充分利用了模型平移不变性，显著提升了模型的分类准确率；

附图说明

图1是本发明的实现流程图；

图2是本发明中输入的部分mstar目标图像；

图3是本发明中测试样本添加噪声后的图像。

具体实施方式

本发明的实现方案是：选取训练图像和测试图像并进行扩增，利用二维主成分分析对扩增后的数据降维，搭建卷积神经网络模型，用降维后的训练样本训练卷积神经网络模型，最终对测试样本进行分类。

参照图1，本发明的具体实现步骤如下：

步骤1.选取训练和测试样本，并进行扩增。

1.1)从包含bmp2装甲车,btr70装甲车,t72主战坦克数据的mstar数据集中选取数据集中俯角为17度的所有图像共1617张，作为训练图像x1，将每一张训练图像在水平和竖直方向随机平移(x,y)个像素点，其中x,y均为(-10,10)内的整数，重复该操作50次，使每一张训练图像扩充为50张，得到训练样本集a1；

1.2)选取数据集中俯角为15度的所有图像共1365张，作为测试图像x2，同样将每一张测试图像同样在水平和竖直方向随机平移(x,y)个像素点，重复该操作6次，使每一张测试图像扩充为6张，得到测试样本集a2。

步骤2.对于训练样本集和测试样本集中的每个样本进行二维主成分分析2d-pca降维。

2.1)将扩充后的训练样本和测试样本集，分别裁剪成其中心为60×60的区域；

2.2)计算训练样本a1列方向的协方差矩阵g：

其中，a1i为第i个训练样本，n为训练样本的数量，为全体训练样本的平均值，t表示转置；

2.3)通过如下等式计算训练样本a1列方向的协方差矩阵g的特征值λ1和特征向量t1：

det(g-λ1i)＝0，

(g-λ1i)t1＝0，

其中，i表示单位矩阵，det(g-λ1i)表示矩阵g-λ1i的行列式；

2.4)从2.3)的结果中取前28个最大的特征值对应的特征向量组成列方向上投影矩阵u；

2.5)根据投影矩阵u计算列方向上的降维矩阵f：

f＝a1·u，

其中a1为训练样本集；

2.6)计算降维矩阵f行方向上的的协方差矩阵w：

其中，fi为第i个列方向上的降维矩阵，为全体列方向上的降维矩阵的平均值；

2.7)通过如下等式计算降维矩阵f行方向上的协方差矩阵w的特征值λ2和特征向量t2，

det(w-λ2i)＝0，

(w-λ2i)t2＝0，

其中，i表示单位矩阵，det(w-λ2i)表示矩阵w-λ2i的行列式；

2.8)从2.7)的结果中取前28个最大的特征值对应的特征向量组成行方向上投影矩阵v；

2.9)分别计算训练样本的降维矩阵y1和测试样本的降维矩阵y2，并保存：

y1＝v^t·a1·u，

y2＝v^t·a2·u。

步骤3.构建卷积神经网络模型。

3.1)设卷积神经网络共为7层，其结构依次为：输入层，第一卷积层，第一池化层，第二卷积层，第二池化层，第一全连层，第二全连层的卷积神经网络模型；

3.2)设置各层的参数：

输入层的输入尺寸为28*28*1；

第一卷积层特征图的总数为32，卷积核大小为5*5，步长为1*1；

第一池化层池化核大小为2*2，步长为2*2；

第二卷积层特征图的总数为64，卷积核大小为5*5，步长为1*1；

第二池化层池化核大小为2*2，步长为2*2；

第一全连层输入节点个数为128，输出节点个数为64；

第二全连层输入节点个数为64，输出节点个数为3。

步骤4.训练卷积神经网络模型。

4.1)设置卷积神经网络模型的训练参数，其中学习率为0.001，批大小为400，迭代次数为300，损失函数为交叉熵损失函数l，

其中，y表示卷积网络模型输出的训练样本的类别概率，表示训练样本的one-hot标签；

4.2)随机从所有训练样本中选取数量为批大小为400的训练样本；

4.3)将选取的批大小的训练样本和对应的one-hot标签输入到卷积神经网络中，计算得到损失函数值l；

4.4)根据设置的0.001学习率，利用损失函数值l和反向传播算法更新卷积神经网络各层的参数；

4.5)重复(4.2)到(4.4)共300次，完成对卷积神经网络模型的训练，并保存更新好的网络模型参数。

步骤5.利用训练好的模型权重值对测试样本进行分类。

5.1)将训练好的模型权重值加载到卷积神经网络模型中；

5.2)将测试样本y2输入到5.1)的卷积神经网络模型中，得到所有的测试样本类别概率p，每一个样本的类别概率包含三个值，分别对应该样本是bmp2，btr70，t72的概率；

5.3)从p中取连续6个测试样本的类别概率pi×6,...,(i+1)×6，共计有18个概率值，从这18个概率值中取其最大值对应的类别作为测试图片x2中第i个图片的最终分类结果，其i＝1…n，n为测试图片的数量。

本发明的效果可通过以下仿真进一步说明：

1、仿真条件

本发明的仿真实验是在主频3.4ghz的intel(r)core(tm)i5-7500cpu、核心频率1569-1784mhz的gtx1060-6gd5、内存为8gb的硬件环境和tensorflow的软件环境下进行的。

本仿真实验数据集采用包含bmp2装甲车,btr70装甲车,t72主战坦克数据的mstar数据集，图像成像分辨率是0.3m*0.3m，方位角覆盖范围是0～360度，训练图像是俯视角为17度的目标图像，测试图像是俯视角为15度的原始目标图像及对其添加均匀噪声后的噪声图像。图2是各个车型类别的可视化图，其中：

图2(a)是bmp2装甲车17度俯角图，

图2(b)是btr70装甲车17度俯角图，

图2(c)是t72主战坦克17度俯角，

图2(d)是bmp2装甲车15度俯角图，

图2(e)btr70装甲车15度俯角图,

图2(f)t72主战坦克15度俯角图。

2、仿真内容与结果分析

首先，在原始图像添加1％，2％，4％，5％，10％，15％均匀噪声,得到含噪图像，如图3所示，其中：

图3(a)是bmp2装甲车17度俯角图加1％均匀噪声的含噪图，

图3(b)是bmp2装甲车17度俯角图加2％均匀噪声的含噪图，

图3(c)是bmp2装甲车17度俯角图加4％均匀噪声的含噪图，

图3(d)是bmp2装甲车17度俯角图加5％均匀噪声的含噪图，

图3(e)是bmp2装甲车17度俯角图加10％均匀噪声的含噪图，

图3(f)是bmp2装甲车17度俯角图加15％均匀噪声的含噪图。

然后，在上述仿真条件下，用本发明的方法和现有卷积神经网络分类的方法对原始图像和添加噪声的含噪图像分别进行7次仿真实验，实验结果如表1所示。

表1.分类结果

从表1中可以看到本发明提出的基于二维主成分分析和卷积神经网络的sar图像分类方法的识别正确率在不加噪声的情况下可以达到98.60％，在加噪声的情况下明显优于现有的卷积神经网络的方法。