CN110705508A - 一种isar图像的卫星识别方法 - Google Patents
一种isar图像的卫星识别方法 Download PDFInfo
- Publication number
- CN110705508A CN110705508A CN201910980263.6A CN201910980263A CN110705508A CN 110705508 A CN110705508 A CN 110705508A CN 201910980263 A CN201910980263 A CN 201910980263A CN 110705508 A CN110705508 A CN 110705508A
- Authority
- CN
- China
- Prior art keywords
- isar
- image
- satellite
- data
- dcnn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种ISAR图像的卫星识别方法,包括:ISAR的二维实图像样本数据的制作;对制作好的ISAR的二维实图像数据进行扩增,并将扩增之后的图像随机分成训练集、验证集和测试集;对训练集、验证集和测试集制作卫星目标标签;构建用于ISAR图像的卫星识别深度卷积神经网络(Deep Convolutional Neural Network,DCNN)结构;设置适用于ISAR图像的DCNN网络训练参数;使用训练集和验证集训练DCNN,获得ISAR图像的卫星目标识别网络模型;使用测试集对网络模型进行测试,验证识别网络模型的性能。本发明能够极大地节约人力和时间,并减少因人工选择特征对卫星目标识别结果带来的不确定影响和人为主观的判断失误,大大提高ISAR图像的卫星目标识别精度和识别效率。
Description
技术领域
本发明属于雷达目标识别技术领域,涉及一种ISAR(Inverse SyntheticAperture Radar,ISAR)图像的卫星识别方法,具体涉及一种ISAR二维图像的卫星目标识别方法。
背景技术
随着世界各国对航天的高度重视以及民用航天的快速发展,越来越多的卫星被发射升空,空间变得日益拥挤、更加具有竞争性和对抗性。如何有效感知空间态势进而控制空间成为各航天大国当前面临的一大难题。宽带雷达作为一种有效感知空间态势的重要手段,具有全天时、全天候,分辨率高的特点,在空间目标识别***中发挥着重大作用,得到了广泛应用。
利用宽带雷达对卫星目标进行识别主要有两种识别方法:基于ISAR/SAR(Synthetic Aperture Radar,SAR)二维图像和基于HRRP(High Resolution RangeProfile,HRRP)一维距离图像。其中基于HRRP的卫星目标识别方法是卫星目标的二维图像分别在雷达的垂直方向(横向)和发射方向(纵向)的投影,这种投影方式会导致卫星目标部分信息(纹理、形状)的丢失。ISAR的二维图像的原始数据为复数据,使用传统的方法处理起来较为困难。但是随着深度卷积神经网络(Deep Convolutional Neural Network,DCNN)在计算机视觉、大数据分析等方面取得的巨大成功,以及具有强大运算能力的GPU(GraphicsProcessing Unit),使得使用DCNN对ISAR二维图像进行处理成为可能。DCNN是由卷积层、池化层、非线性激活层和全连接层组成的一种非线性网络结构,具有非常强大的特征表示能力。利用DCNN对ISAR图像的卫星目标进行非线性映射,提高ISAR图像的卫星目标的检测、识别、分类精度和效率。因此,研究基于DCNN的ISAR图像的卫星目标识别分类具有很重要的研究意义。
基于DCNN的ISAR图像的卫星目标识别方法,其关键点在于卫星目标特征的选择和提取。传统的特征学习方法主要是人为设计特征,大致可分为以下两种:一种是通过提取目标空域统计特征或变换域统计特征,对卫星目标进行识别,例如提取目标回波的频谱强度,双谱特征和散射点个数等;另一种方法则是通过合理的数学建模来的提取雷达的HRRP特征,例如利用隐马尔可夫模型、匹配追踪模型和主成分分析模型等。然而,传统的ISAR图像的特征学习方法需要花费大量的人力进行模型设计,并且需要大量的目标先验知识,专业性要求非常高。此外,这些特征提取方法都是基于人在回路中的方式进行设计选择,需要花费大量时间精力。同时,提取的特征还存在很大的不确定性,对不同雷达,不同目标类型的泛化能力较弱。基于浅层神经网络的雷达目标识别方法有利用BP(Back Propagation)神经网络和多层感知机进行雷达目标特征提取。使用以上方法提取的卫星目标特征在ISAR图像的卫星目标识别方面,准确率均达不到理想状态。
发明内容
本发明的目的在于克服上述技术的不足,提出了一种ISAR图像的卫星目标识别方法,该方法基于深度卷积神经网路实现ISAR图像的卫星目标识别的端到端学习。DCNN是一类深度学习的强监督学习算法,由一系列的卷积层(Convolutional layer)、池化层(Pooling layer)、非线性激活层和全连接层(Fully Connected layer,FC)组成。ISAR的二维图像和卫星目标标签作为网络的输入,通过连续的卷积和池化操作,自动对卫星目标的深层特征进行提取。在每一层卷积层之后,连接一个非线性激活层,可以大幅度提高网络的非线性特征表示能力。最后,经过全连接层对提取的ISAR图像的卫星目标特征进行降维,完成对卫星目标的识别。本发明能够消除因人工选择特征对卫星目标识别分类结果带来的不确定影响,还可以大大提高对卫星目标的识别精度和识别效率。
为达到上述目的,本发明通过以下技术方案来具体实现:
本发明提供了一种ISAR图像的卫星识别方法,包括:
步骤一、将ISAR图像的原始复数据取模值,得到ISAR的幅度图像,并对ISAR的幅度图像进行归一化处理得到归一化ISAR幅度图像;
步骤二、对归一化ISAR幅度图像处理成为0~255的灰度图像,并利用openCV将灰度图像重构为RGB三通道的彩色图像,得到ISAR的二维实图像样本数据;
步骤三、对ISAR的二维实图像样本数据进行扩增,并将扩增后的图像数据随机分成训练集、验证集和测试集;其中,训练集和验证集用于深度卷积神经网络DCNN的训练,测试集用于测试DCNN的卫星目标识别网络模型的性能;对训练集、测试集、验证集制作卫星目标类别标签,卫星目标类别标签格式为“ISAR二维实图像样本名称+卫星目标类别名称”;
步骤四、构建用于ISAR图像的卫星目标识别的DCNN网络结构;
构建的用于ISAR图像的卫星目标识别的DCNN网络结构由输入层、隐藏层和输出层组成;输入层的输入为ISAR图像和卫星目标类别标签;其中,ISAR图像数据格式为H*W*C,H和W为输入ISAR图像的长和宽,C为输入图像的通道数;隐藏层的层数需要根据训练集的大小选择,隐藏层的前一层的输出作为下一层的输入;输出层为一个分类层,其输出个数对应卫星目标类别个数;
步骤五、设置适用于步骤四构建的ISAR图像的卫星目标识别的DCNN网络结构的训练参数,包括ISAR图像的卫星目标识别的DCNN网络结构的训练深度学习平台、最大迭代次数、学习率、批处理参数(batch size)、动量和网络参数权重的优化算法等;
步骤六、使用训练集和验证集按照步骤五设置的训练参数训练对步骤四构造的ISAR图像的卫星目标识别的DCNN网络结构进行训练,获得ISAR图像的卫星目标识别网络模型;
步骤七、使用步骤三的测试集对步骤六获得的ISAR图像的卫星目标识别网络模型进行测试,验证卫星目标识别网络模型对ISAR图像中的卫星目标识别性能。
所述步骤一中,将ISAR图像的原始复数据取模值,得到ISAR的幅度图像,包括:
其中,s是ISAR的幅度值,R是ISAR原始数据的实部,I是ISAR原始数据的虚部。
所述步骤一中,对ISAR的幅度图像进行归一化处理得到归一化ISAR幅度图像,包括:
其中,pn为归一化后的ISAR幅度图像,幅度范围是0~1;sn为ISAR图像的原始复数据的模值,max(·)和min(·)分别为最大值和最小值函数。
所述步骤二中,对归一化ISAR幅度图像处理成为0~255的灰度图像,并利用openCV将灰度图像重构为RGB三通道的彩色图像,得到ISAR的二维实图像样本数据,包括:
image_r=pn×255
image_g=pn×255,image=merge[image_r,image_g,image_b],n=1,2,3,...,N;
image_b=pn×255
其中,image_r,image_g,image_b分别为ISAR彩色图像的RGB三原色像素值,merge[·]为数据融合函数,pn为归一化的ISAR幅度图像,image为ISAR的二维实图像样本数据。
所述步骤三中,对ISAR的二维实图像样本数据进行扩增,包括:
对ISAR的二维实图像样本数据的图像进行翻转、旋转、镜像、平移、添加噪声等。
所述步骤三中,将扩增后的图像数据随机分成训练集、验证集和测试集,包括:
对数据扩增后的图像数据随机分成DCNN使用的训练数据集train、验证数据集val和测试数据集test三个图像子集合,其中,
train数据集占整个数据集的70%,val数据集占整个图像数据集的10%和test数据集占整个数据集的20%;其中,训练数据集train和验证数据集val用于DCNN网络的训练,测试数据集test用于最后卫星目标识别网络模型的测试。
所述步骤三中,对训练集、测试集、验证集制作卫星目标类别标签,卫星目标类别标签格式为“ISAR二维实图像样本名称+卫星目标类别名称”,包括:
使用python语言编写卫星目标类别标签制作程序,对train数据集、test数据集和val数据集只会做卫星目标类别标签,获得三个txt文档,分别命名为train.txt、test.txt和val.txt。train.txt中的内容是train数据集中的ISAR二维实图像样本名称和卫星目标类别;test.txt中的内容是test数据集中的ISAR二维实图像样本名称和卫星目标类别;val.txt中的内容是val数据集中的ISAR二维实图像样本名称和卫星目标类别名称。
所述步骤四中,构建用于ISAR图像的卫星目标识别的DCNN网络结构,包括:
ISAR图像的卫星目标识别的DCNN网络结构总共有十层,分别为一个输入层、五个卷积层、三个全连接层和一个输出层;其中,五个卷积层和三个全连接层构成网络的隐藏层;DCNN网络结构层数可以根据图像数量进行增减。
所述步骤四中,输出层是一个分类层,输出层的损失函数是SoftMaxWithLoss。SoftMaxWithLoss损失函数被定义为:
所述步骤五中,ISAR图像的卫星目标识别的DCNN网络结构的训练参数的设置中,包括:
训练ISAR图像的卫星目标识别的DCNN网络结构的深度学习平台是Caffe,最大迭代次数是5000次,学习率是0.001,batch size是32,动量为0.9,网络参数权重的优化算法是随机梯度优化算法。
本发明的有益效果是:
(1)本发明的技术方案相比传统的识别算法,能够利用DCNN在特征提取方面具有的优越性,通过逐层的非线性变换,实现对ISAR图像的卫星目标深层特征的自动提取。
(2)本发明以数据为驱动,通过合理的重构ISAR图像数据,经过DCNN自动提取卫星目标特征,摆脱了人工对数据特征的设计和筛选的不确定性,大大节约了特征的设计成本,提高了目标识别分类的精度。
(3)本发明能够实现对ISAR图像数据的特征提取与识别分类一体化,简化了目标识别过程,适用于大批量、实时目标识别的要求。
(4)本发明对多类别卫星目标数据具有很好的泛化能力,只需根据不同雷达参数下得到的目标原始数据重构为图像数据即可,而无需对网络其它层进行修改,对不同参数雷达和不同目标均有很好的适用性,泛化能力强。
附图说明
图1所示为本发明提出的一种ISAR图像的卫星识别方法流程图;
图2所示为ISAR图像部分原始数据和取模值归一化后数据;
图3所示为十种ISAR的二维实图像样本数据;
图4所示为Number-5卫星目标数据扩增的图像示例;
图5所示为本发明提供的ISAR图像的卫星目标识别的DCNN网络结构图;
图6所示为本发明网络结构训练中损失函数值随迭代次数的变化图;
图7为本发明网络结构训练中验证集损失函数值随迭代次数的变化图;
图8为本发明网络结构训练中验证集准确度随迭代次数的变化图;
图9所示为本发明的测试集在ISAR图像的卫星识别网络结构模型的测试结果。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
实施例一
本发明实施例提供了一种基于DCNN的十种卫星目标的ISAR图像的卫星目标识别方法,分别命名为Number-1、Number-2、Number-3、Number-4、Number-5、Number-6、Number-7、Number-8、Number-9和Number-10。其中,每个卫星目标的图像样本数据在经过扩增之后均为1000张以上,图1给出了一种ISAR图像的卫星目标识别方法流程图。如图1所示,本发明实施例一公开了一种ISAR图像的卫星目标识别方法,包括:
步骤一、将ISAR图像的原始复数据取模值,得到ISAR的幅度图像,并对ISAR的幅度图像进行归一化处理得到归一化ISAR幅度图像。
如图2所示,ISAR图像的原始数据(Raw Data),是一种样式如x=R+Ij(R为数据实部,I为数据虚部)的数据矩阵,因此需要对原始数据进行取模值操作其中,s是ISAR的幅度值,R是ISAR原始数据的实部,I是ISAR原始数据的虚部。将复数图像数据转变为实数图像,并将得到的数据进行归一化处理。对于ISAR图像的原始复数据中,目标的幅度信息的作用远远大于相位信息。我们在处理ISAR原始复数据的时候,ISAR图像的相位信息去除,通过对ISAR的原始复数据取模值,降低图像计算复杂度。
对ISAR的幅度图像进行归一化处理得到归一化ISAR幅度图像,包括:
其中,pn为归一化后的ISAR幅度图像,幅度范围是0~1。sn为ISAR图像的原始复数据的模值,max(·)和min(·)分别为最大值和最小值函数。
步骤二、对步骤一获得的归一化ISAR幅度图像处理成为0~255的灰度图像,并利用openCV将灰度图像重构为RGB三通道的彩色图像,最后得到ISAR的二维实图像样本数据。图3为实施例使用的十种ISAR的二维实图像样本数据。
具体的,对归一化ISAR幅度图像处理成为0~255的灰度图像,并利用openCV将灰度图像重构为RGB三通道的彩色图像,得到ISAR的二维实图像样本数据,包括:
image_r=pn×255
image_g=pn×255,image=merge[image_r,image_g,image_b],n=1,2,3,...,N;
image_b=pn×255
其中,image_r,image_g,image_b分别为ISAR彩色图像的RGB三原色像素值,merge[·]为数据融合函数,pn为归一化的ISAR幅度图像,image为ISAR的二维实图像样本数据。
将归一化的ISAR幅度图像处理成为RGB三通道的彩色图像原因是提高卫星目标特征的个数。在使用DCNN对ISAR图像的卫星目标提取特征的过程中,使用RGB三通的彩色图像相比于归一化ISAR灰度图像而言,卫星的特征个数提高了三倍。这种方法有利于提高ISAR图像的卫星目标识别准确率。
步骤三、对步骤二生成的ISAR的二维实图像样本数据进行扩增,并将扩增后的图像数据随机分成训练集、验证集和测试集。其中,训练集和验证集用于深度卷积神经网络的(DCNN)的训练,测试集用于测试DCNN的卫星目标识别模型的性能。最后,对训练集、测试集、验证集制作卫星目标类别标签,卫星目标类别标签格式为“ISAR二维实图像样本名称+卫星目标类别名称”。
对生成的ISAR的二维实图像样本数据进行扩增,数据扩增的方法有很多种,我们主要采用了图像旋转、图像翻转、图像镜像、图像平移和图像加噪。其中,图像旋转的旋转度数为45°、90°、135°、180°、225°和270°;图像加噪是在ISAR的二维实图像样本数据上添加方差为25的加性高斯白噪声。在本实施例所使用的扩增方式的实现软件语言是python3。图4是Number-5卫星目标数据扩增的图像示例。
对数据扩增后的图像数据随机分成DCNN使用的训练数据集train、验证数据集val和测试数据集test三个图像子集合,包括:
train数据集占整个数据集的70%,val数据集占整个图像数据集的10%和test数据集占整个数据集的20%;其中,训练数据集train和验证数据集val用于DCNN网络的训练,测试数据集test用于最后卫星目标识别网络模型的测试。
对训练集、测试集、验证集制作卫星目标类别标签,包括:
对train、val和test三个数据集制作卫星目标类别标签,分别为三个文本文档。卫星目标类别标签格式为图像名字+卫星目标类别名称。
使用python语言编写卫星目标类别标签制作程序,对train数据集、test数据集和val数据集只会做卫星目标类别标签,获得三个txt文档,分别命名为train.txt、test.txt和val.txt。train.txt中的内容是train数据集中的ISAR二维实图像样本名称和卫星目标类别;test.txt中的内容是test数据集中的ISAR二维实图像样本名称和卫星目标类别;val.txt中的内容是val数据集中的ISAR二维实图像样本名称和卫星目标类别名称。
步骤四、构建用于ISAR图像的卫星目标识别的DCNN网络结构;
构建的用于ISAR图像的卫星目标识别的DCNN网络结构由输入层,隐藏层和输出层组成。输入层的输入为ISAR图像和卫星目标类别标签;其中,ISAR图像数据格式为H*W*C,H和W为输入ISAR图像的长和宽,C为输入图像的通道数;隐藏层的层数需要根据训练集的大小选择,主要是为了避免所构建的DCNN网络结构在训练时出现过拟合或欠拟合现象。隐藏层的前一层的输出作为下一层的输入;输出层为一个分类层,其输出个数对应卫星目标类别个数;对比不同层数的DCNN网络结构的测试结果,最终我们所构建的ISAR图像的卫星目标识别的DCNN网络结构的隐藏层包括五层卷基层和三层全连接层。图5是本实施例构建的ISAR图像的卫星目标识别的DCNN网络结构;
构建用于ISAR图像的卫星识别的DCNN网络结构,包括:
ISAR图像的卫星识别的DCNN网络结构总共有十层,分别为一个输入层、五个卷积层、三个全连接层和一个输出层。其中,五个卷积层和三个全连接层构成网络的隐藏层。DCNN的网络结构层数可以根据图像数量进行增减。
输出层是一个分类层,它的损失函数是SoftMaxWithLoss。SoftMaxWithLoss损失函数被定义为:
步骤五、设置适用于步骤四构建的ISAR图像的卫星目标识别的DCNN网络结构的训练参数,包括ISAR图像的卫星目标识别的DCNN网络结构的训练深度学***台是根据未来网络模型使用的环境来确定;最大迭代次数的设置是根据训练ISAR图像的卫星目标识别的DCNN网络结构的训练损失确定;学习率是根据训练ISAR图像的卫星目标识别的DCNN网络结构的训练损失的震荡幅度来确定;批处理参数是根据电脑硬件GPU和CPU的大小来确定;动量和网络参数权重的优化算法是根据训练损失函数是否快速收敛来确定。
ISAR图像的卫星目标识别的DCNN网络结构训练参数设置中,包括:训练ISAR图像的卫星目标识别的DCNN网络结构的深度学习平台是Caffe,最大迭代次数是5000次,学习率是0.001,batch size是32,动量为0.9,网络参数权重的优化算法是随机梯度优化算法。
步骤六、使用训练集和验证集按照步骤五设置的训练参数训练对步骤四构造的ISAR图像的卫星目标识别的DCNN网络结构进行训练,获得ISAR图像的卫星目标识别网络模型;在训练过程中,根据网络的训练损失值和验证损失值来确定ISAR图像的卫星目标识别的DCNN网络结构是否出现过拟合或欠拟合以及网络结构能否快速收敛。如果存在上述任一现象,停止网络训练,修改ISAR图像的卫星目标识别的DCNN网络结构的训练参数。
步骤七、使用步骤三的测试集对步骤六获得的ISAR图像的卫星目标识别网络模型进行测试,验证卫星目标识别网络模型对ISAR图像中的卫星目标识别性能。
本例中,ISAR图像的原始尺寸为300*800*3,包含十类卫星目标。将步骤三中获得的数据集中的ISAR图像调整成W1×H1(本发明中为W1=227,H1=227)大小的图像并作为ISAR图像的卫星目标识别的DCNN网络结构的输入,经过多层的卷积和池化操作,提取卫星目标的特征。根据实际需求,我们采用batch size为32。因此,输入数据的维数为4,946,784维(227*227*3*32=4,946,784)。图5为本发明提供的ISAR图像的卫星目标识别的DCNN网络结构图。ISAR图像的卫星目标识别的DCNN网络结构的隐藏层由五层卷积层和三层全连接层组成。第一层卷积层输入为227*227*3*32,输出特征为55*55*96;第一层卷积的输出经过非线性激活层和池化层Pooling1,输出特征为27*27*96;第二层卷积层的输入为Pooling1的输出,即27*27*96,其输出特征为27*27*256;第二层卷积层经过非线性激活层和池化层Pooling2后输出特征为13*13*256;第三层卷积层的输入为Pooling2的输出,即13*13*256,其输出特征为13*13*384;第四层卷积层输入为13*13*384,输出为13*13*384;第五层卷积层输入为13*13*384,输出为13*13*256;网络最后经过池化层Pooling5,输出特征为6*6*256;此时数据的维数为9,216。将获得的9216维数据输入到第一层全连接层FC6,对卫星目标特征进行第一次降维,获得4096维数据;然后将FC6的4096维输出送入到第二层全连接层,进行第二次降维,获得1000维的卫星数据;最后,将FC7的输出1000为数据送入到第三层全连接层FC8,进行第三次降维,获得最终的10维数据;将获得10维数据送入到输出层(分类层)获得最终的网络预测的卫星类别。
对于终止ISAR图像的卫星目标识别的DCNN网络结构训练的选择,一般有两种方法:一是设置固定迭代次数为终止阈值条件,当网络的损失函数值(Loss)不再随迭代次数的增加而降低,说明网络已达到收敛状态;二是设置固定Loss值作为阈值,当网络的Loss值达到这一阈值时,网络停止训练。本例中采用设置迭代次数为终止网络训练阈值,设置为5000次。图6、图7、图8给出了训练集和验证集损失值和验证集准确度随迭代次数变化的结果。此外,ISAR图像的卫星目标识别的DCNN网络结构的优化器选用包含动量概念的随机梯度下降(Stochastic gradient descent,SGD)优化器,激活函数选用修正线性单元(Rectified linear unit,ReLU)。RuLU具有比传统Sigmoid函数更高的梯度下降及反向传播效率,可以有效避免梯度***和梯度消失问题,保障DCNN神经网络获得更好的训练效果。
确定优化器后,需要选择合适的损失函数以确定权重空间,因此优化的过程也即损失函数最小化的过程。本例ISAR图像的卫星目标识别的DCNN网络结构以分类输出中出色的分类交叉熵函数作为损失函数,若卫星目标的真实类别为时,ISAR图像的卫星目标识别的DCNN网络结构预测的卫星类别为f(zi),则分类交叉熵函数可以定义为
最后,为了避免训练过程中发生过拟合,在网络中增加了Dropout层,在隐藏层传播的值里,按Dropout概率值随机丢弃某些值,Dropout概率值设置为0.5。
为了更清楚解释本发明,方便本领域技术人员理解,本发明提供一具体实例:
本实例中,十种卫星目标的ISAR图像扩增之后总共有10000张图像,其中train数据集为7000张图像,val数据集为1000张图像,test数据集为2000张图像。其中,train数据集和val数据集用于ISAR图像的卫星目标识别的DCNN网络结构的训练,获得ISAR图像的卫星目标识别的DCNN网络结构模型;test数据集用于ISAR图像的卫星目标识别的DCNN网络结构模型的测试。图9给出了测试集在ISAR图像的卫星识别网络结构模型的测试结果。从图中的十种卫星目标的识别结果,可以得出ISAR图像的卫星识别网络模型对测试集的最终平均识别率Top-1(前一)达到了98.1%以及Top-3(前三)为100%。最后,将训练好的ISAR图像的卫星识别网络模型封装,作为ISAR图像的目标识别网络。
由于本发明为首次使用DCNN对ISAR图像的卫星目标进行识别,实验结果根据Top-1和Top-3的识别结果为依据。表1给出了对十种卫星目标的识别准确率。
表1 10类卫星目标的识别率
从本实施例的结果可以看出,本发明的识别方法准确度非常高,并且可以通过对图像样本扩充,提高网络模型的泛化能力和鲁棒性。同时,本发明不需要通过人工设计和筛选的ISAR图像数据特征来实现对卫星目标的识别,而是基于DCNN神经网络实现对卫星目标的自动识别。本发明首先对ISAR图像的原始数据进行预处理,包括数据取模值、数据归一化和图像重构,并标记数据,构造出训练集。然后构建ISAR图像的卫星目标识别的DCNN网络结构和设置网络结构的训练参数,将ISAR图像的训练集和验证集用于ISAR图像的卫星目标识别的DCNN网络结构的训练,获得ISAR图像的卫星目标识别的DCNN网络结构模型。最后将待识别的ISAR图像数据经过与训练集相同的预处理后输入ISAR图像的卫星目标识别的DCNN网络结构模型中,根据网络输出单元的卫星目标类别值判定其卫星目标的类别。
本发明实现对卫星目标ISAR图像数据的特征提取与分类的端对端学习,简化了目标识别过程,能够满足大批量,实时目标识别的要求。
本发明的有益效果是:
(1)本发明的技术方案相比传统的识别算法,能够利用深度学习在特征提取方面具有的优越性,通过逐层的非线性变换,实现对原始数据的最深层的表示。
(2)本发明以数据为驱动,通过合理的重构ISAR图像数据,经过DCNN自动提取卫星目标特征,摆脱了人工对数据特征的设计和筛选的不确定性,大大节约了特征的设计成本,提高了目标识别分类的精度。
(3)本发明能够实现对ISAR图像数据的特征提取与识别分类一体化,简化了目标识别过程,适用于大批量、实时目标识别的要求。
(4)本发明对多类别卫星目标数据具有很好的泛化能力,只需根据不同雷达参数下得到的目标原始数据重构为图像数据即可,而无需对网络其它层进行修改,对不同参数雷达和不同目标均有很好的适用性,泛化能力强。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种ISAR图像的卫星识别方法,其特征在于,包括:
步骤一、将ISAR图像的原始复数据取模值,得到ISAR的幅度图像,并对ISAR的幅度图像进行归一化处理得到归一化ISAR幅度图像;
步骤二、对归一化ISAR幅度图像处理成为0~255的灰度图像,并利用openCV将灰度图像重构为RGB三通道的彩色图像,得到ISAR的二维实图像样本数据;
步骤三、对ISAR的二维实图像样本数据进行扩增,并将扩增后的图像数据随机分成训练集、验证集和测试集;其中,训练集和验证集用于深度卷积神经网络DCNN的训练,测试集用于测试DCNN的卫星目标识别网络模型的性能;对训练集、测试集、验证集制作卫星目标类别标签,卫星目标类别标签格式为“ISAR二维实图像样本名称+卫星目标类别名称”;
步骤四、构建用于ISAR图像的卫星目标识别的DCNN网络结构;
构建的用于ISAR图像的卫星目标识别的DCNN网络结构由输入层、隐藏层和输出层组成;输入层的输入为ISAR图像和卫星目标类别标签;其中,ISAR图像数据格式为H*W*C,H和W为输入ISAR图像的长和宽,C为输入图像的通道数;隐藏层的层数需要根据训练集的大小选择,隐藏层的前一层的输出作为下一层的输入;输出层为一个分类层,其输出个数对应卫星目标类别个数;
步骤五、设置适用于步骤四构建的ISAR图像的卫星目标识别的DCNN网络结构的训练参数,包括ISAR图像的卫星目标识别的DCNN网络结构的训练深度学习平台、最大迭代次数、学习率、批处理参数(batch size)、动量和网络参数权重的优化算法等;
步骤六、使用训练集和验证集按照步骤五设置的训练参数训练对步骤四构造的ISAR图像的卫星目标识别的DCNN网络结构进行训练,获得ISAR图像的卫星目标识别网络模型;
步骤七、使用步骤三的测试集对步骤六获得的ISAR图像的卫星目标识别网络模型进行测试,验证卫星目标识别网络模型对ISAR图像中的卫星目标识别性能。
5.如权利要求1所述的方法,其特征在于,所述步骤三中,对ISAR的二维实图像样本数据进行扩增,包括:
对ISAR的二维实图像样本数据的图像进行翻转、旋转、镜像、平移、添加噪声等。
6.如权利要求1所述的方法,其特征在于,所述步骤三中,将扩增后的图像数据随机分成训练集、验证集和测试集,包括:
对数据扩增后的图像数据随机分成DCNN使用的训练数据集train、验证数据集val和测试数据集test三个图像子集合,其中,
train数据集占整个数据集的70%,val数据集占整个图像数据集的10%和test数据集占整个数据集的20%;其中,训练数据集train和验证数据集val用于DCNN网络的训练,测试数据集test用于最后卫星目标识别网络模型的测试。
7.如权利要求1所述的方法,其特征在于,所述步骤三中,对训练集、测试集、验证集制作卫星目标类别标签,卫星目标类别标签格式为“ISAR二维实图像样本名称+卫星目标类别名称”,包括:
使用python语言编写卫星目标类别标签制作程序,对train数据集、test数据集和val数据集只会做卫星目标类别标签,获得三个txt文档,分别命名为train.txt、test.txt和val.txt;train.txt中的内容是train数据集中的ISAR二维实图像样本名称和卫星目标类别;test.txt中的内容是test数据集中的ISAR二维实图像样本名称和卫星目标类别;val.txt中的内容是val数据集中的ISAR二维实图像样本名称和卫星目标类别名称。
8.如权利要求1所述的方法,其特征在于,所述步骤四中,构建用于ISAR图像的卫星目标识别的DCNN网络结构,包括:
ISAR图像的卫星目标识别的DCNN网络结构总共有十层,分别为一个输入层、五个卷积层、三个全连接层和一个输出层;其中,五个卷积层和三个全连接层构成网络的隐藏层;DCNN网络结构层数可以根据图像数量进行增减。
10.如权利要求1所述的方法,其特征在于,所述步骤五中,ISAR图像的卫星目标识别的DCNN网络结构的训练参数的设置中,包括:
训练ISAR图像的卫星目标识别的DCNN网络结构的深度学习平台是Caffe,最大迭代次数是5000次,学习率是0.001,batch size是32,动量为0.9,网络参数权重的优化算法是随机梯度优化算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910980263.6A CN110705508A (zh) | 2019-10-15 | 2019-10-15 | 一种isar图像的卫星识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910980263.6A CN110705508A (zh) | 2019-10-15 | 2019-10-15 | 一种isar图像的卫星识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705508A true CN110705508A (zh) | 2020-01-17 |
Family
ID=69198881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910980263.6A Pending CN110705508A (zh) | 2019-10-15 | 2019-10-15 | 一种isar图像的卫星识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705508A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183185A (zh) * | 2020-08-13 | 2021-01-05 | 天津大学 | 基于光流法和cnn-svm的液体泄漏检测方法 |
CN112329878A (zh) * | 2020-11-16 | 2021-02-05 | 山西三友和智慧信息技术股份有限公司 | 一种基于卷积神经网络的卫星图像移动物体滑窗检测方法 |
CN112949555A (zh) * | 2021-03-17 | 2021-06-11 | 西安电子科技大学 | 基于目标先验信息的空间目标isar图像分类方法 |
CN113269135A (zh) * | 2021-06-17 | 2021-08-17 | 中国空间技术研究院 | 一种卫星转发器识别模型及其训练方法和使用方法 |
CN113537020A (zh) * | 2021-07-07 | 2021-10-22 | 中国人民解放军国防科技大学 | 基于改进神经网络的复数sar图像目标识别方法 |
CN115856854A (zh) * | 2023-02-24 | 2023-03-28 | 南京理工大学 | 一种模型与数据混合驱动的雷达探测方法及*** |
CN115877344A (zh) * | 2023-02-21 | 2023-03-31 | 南京理工大学 | 一种宽带检测跟踪识别一体化处理的雷达探测方法及*** |
CN116109944A (zh) * | 2023-04-12 | 2023-05-12 | 南京信息工程大学 | 一种基于深度学习网络架构的卫星图像云目标提取方法 |
CN116385813A (zh) * | 2023-06-07 | 2023-07-04 | 南京隼眼电子科技有限公司 | Isar图像分类方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373799A (zh) * | 2015-12-18 | 2016-03-02 | 北京环境特性研究所 | 一种用于模板识别的空间目标isar图像处理方法 |
CN108830242A (zh) * | 2018-06-22 | 2018-11-16 | 北京航空航天大学 | 基于卷积神经网络的sar图像海洋目标分类检测方法 |
CN108846409A (zh) * | 2018-04-28 | 2018-11-20 | 中国人民解放军国防科技大学 | 基于循环动态卷积神经网络的雷达回波外推模型训练方法 |
CN109753874A (zh) * | 2018-11-28 | 2019-05-14 | 南京航空航天大学 | 一种基于机器学习的低慢小雷达目标分类方法 |
-
2019
- 2019-10-15 CN CN201910980263.6A patent/CN110705508A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373799A (zh) * | 2015-12-18 | 2016-03-02 | 北京环境特性研究所 | 一种用于模板识别的空间目标isar图像处理方法 |
CN108846409A (zh) * | 2018-04-28 | 2018-11-20 | 中国人民解放军国防科技大学 | 基于循环动态卷积神经网络的雷达回波外推模型训练方法 |
CN108830242A (zh) * | 2018-06-22 | 2018-11-16 | 北京航空航天大学 | 基于卷积神经网络的sar图像海洋目标分类检测方法 |
CN109753874A (zh) * | 2018-11-28 | 2019-05-14 | 南京航空航天大学 | 一种基于机器学习的低慢小雷达目标分类方法 |
Non-Patent Citations (2)
Title |
---|
RUI MIN 等: "A Gradually Distilled CNN for SAR Target Recognition", 《IEEE ACCESS》 * |
张富生: "基于卷积神经网络的小样本ISAR图像识别", 《电脑编程技巧与维护》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183185A (zh) * | 2020-08-13 | 2021-01-05 | 天津大学 | 基于光流法和cnn-svm的液体泄漏检测方法 |
CN112329878A (zh) * | 2020-11-16 | 2021-02-05 | 山西三友和智慧信息技术股份有限公司 | 一种基于卷积神经网络的卫星图像移动物体滑窗检测方法 |
CN112949555A (zh) * | 2021-03-17 | 2021-06-11 | 西安电子科技大学 | 基于目标先验信息的空间目标isar图像分类方法 |
CN112949555B (zh) * | 2021-03-17 | 2023-03-24 | 西安电子科技大学 | 基于目标先验信息的空间目标isar图像分类方法 |
CN113269135A (zh) * | 2021-06-17 | 2021-08-17 | 中国空间技术研究院 | 一种卫星转发器识别模型及其训练方法和使用方法 |
CN113537020A (zh) * | 2021-07-07 | 2021-10-22 | 中国人民解放军国防科技大学 | 基于改进神经网络的复数sar图像目标识别方法 |
CN115877344A (zh) * | 2023-02-21 | 2023-03-31 | 南京理工大学 | 一种宽带检测跟踪识别一体化处理的雷达探测方法及*** |
CN115856854A (zh) * | 2023-02-24 | 2023-03-28 | 南京理工大学 | 一种模型与数据混合驱动的雷达探测方法及*** |
CN116109944A (zh) * | 2023-04-12 | 2023-05-12 | 南京信息工程大学 | 一种基于深度学习网络架构的卫星图像云目标提取方法 |
CN116385813A (zh) * | 2023-06-07 | 2023-07-04 | 南京隼眼电子科技有限公司 | Isar图像分类方法、装置及存储介质 |
CN116385813B (zh) * | 2023-06-07 | 2023-08-29 | 南京隼眼电子科技有限公司 | 基于无监督对比学习的isar图像空间目标分类方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705508A (zh) | 一种isar图像的卫星识别方法 | |
Zhang et al. | Automated pixel‐level pavement crack detection on 3D asphalt surfaces with a recurrent neural network | |
CN108427920B (zh) | 一种基于深度学习的边海防目标检测方法 | |
CN106228201B (zh) | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 | |
CN107239751B (zh) | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 | |
CN111325748B (zh) | 一种基于卷积神经网络的红外热像无损检测方法 | |
CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN108921030B (zh) | 一种sar自动目标识别方法 | |
CN110619352A (zh) | 基于深度卷积神经网络的典型红外目标分类方法 | |
Huang et al. | An intelligent ship image/video detection and classification method with improved regressive deep convolutional neural network | |
CN105913081B (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN113240047B (zh) | 基于部件解析多尺度卷积神经网络的sar目标识别方法 | |
CN105117736B (zh) | 基于稀疏深度堆栈网络的极化sar图像分类方法 | |
CN109948722B (zh) | 一种识别空间目标的方法 | |
Tereikovskyi et al. | The method of semantic image segmentation using neural networks | |
CN114972885B (zh) | 基于模型压缩的多模态遥感图像分类方法 | |
CN108256557B (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 | |
CN113536963A (zh) | 基于轻量化yolo网络的sar图像飞机目标检测方法 | |
CN117011274A (zh) | 自动化玻璃瓶检测***及其方法 | |
CN110647977B (zh) | 一种用于星上对舰船目标检测的Tiny-YOLO网络的优化方法 | |
CN116778225A (zh) | 基于解耦与重构学习的sar真假目标鉴别与目标识别方法 | |
Li et al. | Primitive fitting using deep geometric segmentation | |
CN113657290B (zh) | 一种螺类采集与细分类识别*** | |
CN116343016A (zh) | 一种基于轻量型卷积网络的多角度声呐图像目标分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200117 |
|
WD01 | Invention patent application deemed withdrawn after publication |