ISAR图像分类方法、装置及存储介质与流程

本发明涉及遥感图像处理，尤其涉及一种isar图像分类方法、装置及存储介质。

背景技术：

1、逆合成孔径雷达（ inverse synthetic aperture radar，isar）在空间目标观测中发挥着重要作用，得益于其能够全天时、全天候提供天空、空间等目标的高分辨率isar图像。由于在距离维和方位维上均具有高分辨率，使得二维isar图像中包含了更多的目标形状、运动和电磁散射特性等信息，因此常被用于空间目标的精确分类。但是在观测过程中，雷达参数会产生变化，如带宽、波长、成像积累角度等，以及目标运动将导致isar图像产生严重的未知变形，如平移、旋转和伸缩。

2、目前针对变形isar图像构建的变形鲁棒网络结构，均是基于监督学习的深度卷积神经网络模型。由于网络结构的复杂性，在训练过程中需要大量的有标签样本提供监督信息以避免过拟合。但是对获取的空间目标isar图像进行手工标注需要丰富的工程经验和理论基础，非常耗时且容易出错，此类基于监督学习的深度卷积神经网络isar图像分类模型难以在实际中进行应用。

技术实现思路

1、本发明提供了一种isar图像分类方法、装置及存储介质，旨在有效解决现有技术中对isar图像进行分类时依赖图像标签的技术问题，实现基于无监督对比学习的isar图像空间目标分类。

2、根据本发明的一方面，本发明提供一种isar图像分类方法，所述isar图像分类方法包括：

3、基于预设的卫星成像参数进行图像仿真以得到多种卫星对应的多个isar图像，基于所述多个isar图像生成无标签预训练图像集、有标签微调图像集和测试图像集；

4、对所述无标签预训练图像集进行数据增强以得到无标签增强预训练图像集，构建卷积编码器，根据所述无标签预训练图像集和所述无标签增强预训练图像集对卷积编码器进行预训练，以确定出卷积编码器参数；

5、对所述有标签微调图像集进行数据增强以得到有标签增强微调图像集，构建线性分类器，根据所述有标签增强微调图像集以及所述卷积编码器参数对线性分类器进行参数微调，以确定出线性分类器参数；

6、根据所述卷积编码器参数对应的卷积编码器对测试图像集进行特征提取，以及根据所述线性分类器参数对应的线性分类器对所述测试图像集进行图像分类，以确定出测试图像集对应的卫星类型。

7、进一步地，所述卫星成像参数包括仰角、方位角、积累角和带宽，所述基于预设的卫星成像参数进行图像仿真以得到多种卫星对应的多个isar图像，基于所述多个isar图像生成无标签预训练图像集、有标签微调图像集和测试图像集包括：

8、针对每一种卫星，基于各自对应的第一卫星成像参数仿真生成多个第一isar图像，将多个第一isar图像对应的卫星信息标签删除，生成所述无标签预训练图像集；

9、根据预设的比例在多个第一isar图像中随机抽取isar图像构成所述有标签微调图像集；

10、针对每一种卫星，基于各自对应的第二卫星成像参数仿真生成多个第二isar图像，基于多个第二isar图像构建所述测试图像集。

11、进一步地，所述对所述无标签预训练图像集进行数据增强以得到无标签增强预训练图像集包括：

12、以第一概率对无标签预训练图像集的isar图像进行随机缩放和旋转；

13、以第二概率对无标签预训练图像集的isar图像进行随机水平翻转和垂直翻转；

14、对无标签预训练图像集的isar图像进行随机裁剪，其中，裁剪前后isar图像的中心点不变；

15、对无标签预训练图像集的isar图像进行幅度归一化处理，以使isar图像的散射点幅度在预设的第一数值范围内。

16、进一步地，所述构建卷积编码器包括：

17、构建至少一个二维常规卷积块和至少一个二维可形变卷积块；

18、其中，所述二维常规卷积块包括多个卷积层、多个归一化层、多个非线性激活层和一个最大池化层，该卷积层的卷积核具有预设的采样位置；

19、其中，所述二维可形变卷积块包括可形变卷积层、归一化层、非线性激活层和最大池化层或平均池化层，该卷积层的卷积核具有任意可选的采样位置。

20、进一步地，在所述对卷积编码器进行预训练之前，所述isar图像分类方法还包括：

21、针对预设对数的无标签预训练图像和其对应的无标签增强预训练图像，执行如下操作：

22、计算无标签预训练图像和其对应的无标签增强预训练图像之间的第一相似度；

23、计算无标签预训练图像和剩余对数中的isar图像之间的第二相似度；

24、计算无标签增强预训练图像和剩余对数中的isar图像之间的第三相似度；

25、基于多个第一相似度、多个第二相似度和多个第三相似度计算用于卷积编码器预训练的第一损失函数值。

26、进一步地，所述计算无标签预训练图像和其对应的无标签增强预训练图像之间的第一相似度包括：

27、将无标签预训练图像输入卷积编码器后得到原始图像特征；

28、将无标签增强预训练图像输入卷积编码器后得到增强图像特征；

29、将所述原始图像特征和所述增强图像特征分别输入至投影头，得到原始图像投影特征和增强图像投影特征；

30、根据所述原始图像投影特征、所述增强图像投影特征以及相似度评估方法计算所述第一相似度。

31、进一步地，所述基于多个第一相似度、多个第二相似度和多个第三相似度计算用于卷积编码器预训练的第一损失函数值包括：

32、针对每一个无标签预训练图像，根据对应的第一相似度、多个第二相似度和温度超参数计算第一对比损失；

33、针对每一个无标签增强预训练图像，根据对应的第一相似度、多个第三相似度和温度超参数计算第二对比损失；

34、基于多个第一对比损失和多个第二对比损失计算第一损失函数值。

35、进一步地，所述将所述原始图像特征和所述增强图像特征分别输入至投影头，得到原始图像投影特征和增强图像投影特征包括：

36、根据下式得到原始图像投影特征：

37、，

38、其中，表示原始图像投影特征，表示投影头，表示卷积编码器，表示无标签预训练图像。

39、根据下式得到增强图像投影特征：

40、，

41、其中，表示增强图像投影特征，表示投影头，表示卷积编码器，表示无标签增强预训练图像。

42、进一步地，所述根据所述原始图像投影特征、所述增强图像投影特征以及相似度评估方法计算所述第一相似度包括：

43、根据下式计算第一相似度：

44、，

45、其中，表示第一相似度，表示度量函数，表示无标签预训练图像，表示无标签增强预训练图像，表示原始图像投影特征，表示增强图像投影特征，表示转置操作，表示取模操作。

46、进一步地，所述针对每一个无标签预训练图像，根据对应的第一相似度、多个第二相似度和温度超参数计算第一对比损失包括：

47、根据下式计算第一对比损失：

48、，

49、其中，表示第一对比损失，表示温度超参数，表示无标签预训练图像，表示无标签增强预训练图像，表示第一相似度，表示第二相似度，n表示所述预设对数。

50、进一步地，所述基于多个第一对比损失和多个第二对比损失计算第一损失函数值包括：

51、根据下式计算第一损失函数值：

52、，

53、其中，loss1表示第一损失函数值，n表示所述预设对数，表示无标签预训练图像，表示无标签增强预训练图像，表示第一对比损失，表示第二对比损失。

54、进一步地，所述根据所述无标签预训练图像集和所述无标签增强预训练图像集对卷积编码器进行预训练包括：

55、设置预训练超参数，其中，所述预训练超参数包括第一学习率模式、第一最大学习率、所述第一学习率模式对应的余弦函数的半周期数量、第一每批次数据量、温度超参数和第一最大迭代次数；

56、将所述无标签预训练图像集和所述无标签增强预训练图像集输入卷积编码器，使用优化器并基于所述预训练超参数对卷积编码器进行预训练。

57、进一步地，所述对所述有标签微调图像集进行数据增强以得到有标签增强微调图像集包括：

58、对有标签微调图像集的isar图像进行随机裁剪，其中，裁剪前后isar图像的中心点不变；

59、对有标签微调图像集的isar图像进行幅度归一化处理，以使isar图像的散射点幅度在预设的第二数值范围内。

60、进一步地，所述构建线性分类器包括：

61、通过全连接层和softmax层构建所述线性分类器，其中，所述softmax层的节点数与所述多种卫星的类型数一致。

62、进一步地，在所述对线性分类器进行参数微调之前，所述isar图像分类方法还包括：

63、通过所述卷积编码器参数对应的卷积编码器对所述有标签增强微调图像集的isar图像进行特征提取，使用线性分类器对所述有标签增强微调图像集的isar图像进行分类，并获得有标签增强微调图像属于每一种卫星类型的概率值；

64、根据有标签微调图像集、多个概率值和卫星类型数量计算用于线性分类器参数微调的第二损失函数值。

65、进一步地，所述根据有标签微调图像集、多个概率值和卫星类型数量计算用于线性分类器参数微调的第二损失函数值包括：

66、根据下式计算第二损失函数值：

67、，

68、其中，loss2表示第二损失函数值，k表示所述卫星类型数量，p表示所述有标签微调图像集中的样本数，是一个符号函数，表示第p个有标签增强微调图像为第k种卫星类型的概率值，其中，当第p个有标签微调图像属于第k种卫星类型时，取1，否则取0。

69、进一步地，所述根据所述有标签增强微调图像集以及所述卷积编码器参数对线性分类器进行参数微调包括：

70、设置微调超参数，其中，所述微调超参数包括第二学习率模式、第二最大学习率、第二每批次数据量和第二最大迭代次数；

71、将所述有标签增强微调图像集输入所述卷积编码器参数对应的卷积编码器，并对有标签增强微调图像集进行特征提取，以及输入线性分类器，使用优化器并基于所述微调超参数对线性分类器进行训练。

72、基于与本发明实施例的一种isar图像分类方法同样的发明构思，本发明实施例提供了一种isar图像分类装置，所述装置包括：

73、图像获取模块，用于基于预设的卫星成像参数进行图像仿真以得到多种卫星对应的多个isar图像，基于所述多个isar图像生成无标签预训练图像集、有标签微调图像集和测试图像集；

74、卷积编码器预训练模块，用于对所述无标签预训练图像集进行数据增强以得到无标签增强预训练图像集，构建卷积编码器，根据所述无标签预训练图像集和所述无标签增强预训练图像集对卷积编码器进行预训练，以确定出卷积编码器参数；

75、线性分类器微调模块，用于对所述有标签微调图像集进行数据增强以得到有标签增强微调图像集，构建线性分类器，根据所述有标签增强微调图像集以及所述卷积编码器参数对线性分类器进行参数微调，以确定出线性分类器参数；

76、分类模块，用于根据所述卷积编码器参数对应的卷积编码器对测试图像集进行特征提取，以及根据所述线性分类器参数对应的线性分类器对所述测试图像集进行图像分类，以确定出测试图像集对应的卫星类型。

77、根据本发明的另一方面，本发明还提供了一种存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行如上所述的任一isar图像分类方法。

78、通过本发明中的上述实施例中的一个实施例或多个实施例，至少可以实现如下技术效果：

79、在本发明所公开的技术方案中，首先使用无标签预训练图像预训练卷积编码器，再用有标签微调图像对线性分类器进行参数微调，训练无监督的卫星目标变形图像分类网络，然后使用测试数据集在训练好的分类网络上对卫星变形图像进行分类测试。本方案能够以无监督学习的方式显著提高卷积神经网络对卫星目标变形图像的分类准确率，可用于空间目标isar图像的稳健分类，对isar图像空间目标分类具有重要的理论意义和应用价值。