CN111914898B - 一种基于自适应阈值的机载sar任务适应性评估方法 - Google Patents
一种基于自适应阈值的机载sar任务适应性评估方法 Download PDFInfo
- Publication number
- CN111914898B CN111914898B CN202010612719.6A CN202010612719A CN111914898B CN 111914898 B CN111914898 B CN 111914898B CN 202010612719 A CN202010612719 A CN 202010612719A CN 111914898 B CN111914898 B CN 111914898B
- Authority
- CN
- China
- Prior art keywords
- task
- evaluation
- threshold
- vector
- task adaptability
- 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.)
- Expired - Fee Related
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 104
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 21
- 238000003384 imaging method Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 34
- 238000013441 quality evaluation Methods 0.000 claims description 22
- 238000013210 evaluation model Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001303 quality assessment method Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 33
- 238000004364 calculation method Methods 0.000 description 7
- 230000001427 coherent effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于自适应阈值的机载SAR任务适应性评估方法,在机载SAR执行成像任务前评估其任务适应性,通过采用机载SAR的多源异构数据,确定用于进行任务适应性评估的自适应阈值,进而判断机载SAR在实际任务情况下是否能生成出满足需求的SAR图像,本发明方法有效地提高了任务适应性评估的精度,并能快速得到任务适应性评估结果,帮助机载SAR使用方做出决策和任务调整,降低机载SAR使用的人工成本、时间成本和资源消耗,提高任务所成图像的成像质量和任务的执行效率。
Description
技术领域
本发明属于合成孔径雷达(Synthetic Aperture Radar,简称SAR)成像中的结果评估技术领域,具体涉及一种基于自适应阈值的机载SAR任务适应性评估方法。
背景技术
机载SAR因其搭载平台机动灵活的特点,可实现短时内对指定观测区域进行反复观测的任务需求,可应用于军事侦查、资源勘探、灾害预警及地图测绘等领域。
目前,在使用机载SAR装备的过程中,使用方一般只是在执行成像任务前采用***机内测试(BIT)技术检测机载SAR各模块的状态,从而判断机载SAR是否能正常工作,但该技术面临正常状态下的机载SAR执行成像任务所成的SAR图像无法满足后续的图像解译需求,需要重新执行任务,从而造成时间和资源的浪费。因此,需要在机载SAR执行成像任务前评估对该任务的适应性,判断机载SAR在实际任务情况下是否能生成出满足需求的SAR图像。
发明内容
针对现有技术中的上述不足,本发明提供的基于自适应阈值的机载SAR任务适应性评估方法解决了现有的通过固定阈值进行任务适应性评估时评估精度不足且评估效率低的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于自适应阈值的机载SAR任务适应性评估方法,包括以下步骤:
S1、收集若干条机载SAR的多源异构数据及其对应的先验机载SAR任务适应性评估结果;
S2、基于收集的多源异构数据,构建任务适应性评估的训练数据集Df1及阈值调整模型的特征集Df2;
S3、对训练数据集Df1和特征集Df2进行数据归一化处理,得到Df1 *和Df2 *;
S4、基于每条多源异构数据对应的先验机载SAR任务适应性评估结果及构建的Df1 *和Df2 *,构建并训练任务适应性评估模型和阈值调整模型;
S5、通过任务适应性评估模型和阈值调整模型对待进行任务适应性评估的机载SAR任务对应的多源异构数据进行处理,获得对应的任务适应性评估值和任务适应性评估阈值;
S6、将任务适应性评估值和任务适应性评估阈值进行比较,得到任务适应性评估结果。
进一步地,所述步骤S1中,每条多源异构数据包括待评估图像、参考图像、待执行成像任务的成像参数、待执行成像任务的地形信息、干扰信息和模拟故障信息。
进一步地,所述步骤S2中,构建任务适应性评估的训练数据集Df1的方法具体为:
A1、分别计算每条多源异构数据中待评估图像和参考图像的质量评价指标,并计算每个质量评价指标的偏移值;
A2、对待评估图像和参考图像进行数据融合,计算其图像相似度指标;
A3、基于待执行成像任务的成像参数、每个质量评价指标的偏移值及图像相似度指标,构建单条机载SAR任务适应性评估的特征向量Xj;
A4、重复步骤A1-A3,构建每条多源异构数据对应的特征向量Xi,进而组成训练数据集Df1。
进一步地,所述步骤A1中的质量评价指标包括均值μ、方差σ2、辐射分辨率γ、等效视数ENL、灰度分辨率Q、角二阶矩ASM、对比度Con和边缘连续性指数CIdx;
所述步骤A1中,计算每个质量评价指标的偏移值的公式为:
所述步骤A2中的图像相似度指标包括结构相似度SSIM、峰值信噪比PSNR、相关系数Corr、均方差MSE和平均绝对误差MAE;
所述步骤A3中的单条机载SAR的任务适应性评估的特征向量Xj为:
式中,h,v分别为待执行成像任务的成像参数中的平台飞行高度和飞行速度,下标j为多源异构数据的标号,且j=1,2,3,...,n,n为多源异构数据的条数;
所述步骤A4中的训练数据集Df1为:
进一步地,所述步骤S2中,构建阈值调整模型特征集Df2的方法具体为:
B1、采用One-Hot编码方法对待执行任务的地形信息、干扰信息和模拟故障信息进行编码,得到每条多源异构数据对应的特征向量Kj;
Kj=1×(a+b+c)
式中,a为待执行成像任务的地形信息中的地形种类数量,b为干扰信息的种类数量,c为模拟故障信息的种类数量;
B2、将每条多源异构数据对应的特征向量Kj组合起来,得到阈值调整模型的特征集Df2;
式中,下标j为多源异构数据的标号,且j=1,2,3,...,n,n为多源异构数据的条数。
进一步地,所述步骤S3中,通过Z-Socre标准化方法对训练数据集Df1和特征集Df2进行数据归一化处理。
进一步地,所述步骤S4中,构建并训练任务适应性评估模型的方法具体为:
C1、基于每条多源异构数据对应的先验机载SAR任务适应性评估结果,将适应性好标记为1,适应性差标记为-1,得到任务适应性评估结果的标签向量Y;
C2、通过SVM算法构建任务适应性评估模型,并采用Df1 *和Y(1)对其进行训练,得到该模型的权重向量ω和分类阈值θ,完成对任务适应性评估模型的训练;
进一步地,所述步骤S4中,构建并训练阈值调整模型的方法具体为:
D1、根据权重向量ω和D'f1,计算任务适应性评估值向量R;
R=D'f1×ω
式中,D'f1为任务适应性评估模型训练数据集Df1 *中的特征集;
D2、根据分类阈值θ,将任务适应性评估值向量R变换为阈值调整值向量V=[v1,v2,...,vn];
式中,下标j为多源异构数据的编号,j=1,2,3,...,n,c为用于调整待评估样本的位置的常数,rj为任务适应性评估值向量R中第j条多源异构数据对应的值;
D3、通过SVM算法构建阈值调整模型,并采用Df2 *和阈值调整值向量V对其进行训练,获得训练好的阈值调整模型。
进一步地,所述步骤S5具体为:
S51、提取待进行任务适应性评估的机载SAR任务对应的多源异构数据中的任务适应性评估值向量R和阈值调整向量V,并对其进行归一化处理;
S52、将归一化处理后的任务适应性评估向量R输入到训练好的任务适应性评估模型中,并将其输出与任务适应性模型的权重向量ω相乘,得到对应的任务适应性评估值score;
S53、将归一化处理后的阈值调整向量V输入到训练好的阈值调整模型中,得到任务适应性评估的阈值调整值ν;
S54、将阈值调整值ν和任务适应性模型的分类阈值θ相加,得到任务适应性评估阈值θ′。
进一步地,所述步骤S6具体为:
当任务适应性评估值score大于任务适应性评估阈值θ′时,输出为1,当前多源异构数据对应的机载SAR对该当前任务的任务适应性为好;
当任务适应性评估值score小于任务适应性评估阈值θ′时,输出为-1,当前多源异构数据对应的机载SAR对该当前任务的任务适应性为差。
本发明的有益效果为:
在机载SAR执行成像任务前评估其任务适应性,通过采用机载SAR的多源异构数据,提供一种基于自适应阈值的机载SAR任务适应性评估方法,判断机载SAR在实际任务情况下是否能生成出满足需求的SAR图像,本发明方法有效地提高了任务适应性评估的精度,并能快速得到任务适应性评估结果,帮助机载SAR使用方做出决策和任务调整,降低机载SAR使用的人工成本、时间成本和资源消耗,提高任务所成图像的成像质量和任务的执行效率。
附图说明
图1为本发明提供的基于自适应阈值的机载SAR任务适应性评估方法流程图。
图2为本发明提供的采用本发明的自适应阈值的评估方法和基于固定阈值的评估进行任务适应性评估的结果的精度指标对比图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1:
如图1所示,一种基于自适应阈值的机载SAR任务适应性评估方法,其特征在于,包括以下步骤:
S1、收集若干条机载SAR的多源异构数据及其对应的先验机载SAR任务适应性评估结果;
S2、基于收集的多源异构数据,构建任务适应性评估的训练数据集Df1及阈值调整模型的特征集Df2;
S3、对训练数据集Df1和特征集Df2进行数据归一化处理,得到Df1 *和Df2 *;
S4、基于每条多源异构数据对应的先验机载SAR任务适应性评估结果及构建的Df1 *和Df2 *,构建并训练任务适应性评估模型和阈值调整模型;
S5、通过任务适应性评估模型和阈值调整模型对待进行任务适应性评估的机载SAR任务对应的多源异构数据进行处理,获得对应的任务适应性评估值和任务适应性评估阈值;
S6、将任务适应性评估值和任务适应性评估阈值进行比较,得到任务适应性评估结果。
本实施例的步骤S1中,每条多源异构数据包括待评估图像、参考图像、待执行成像任务的成像参数、待执行成像任务的地形信息、干扰信息和模拟故障信息;其中,待评估图像为用来模拟成像任务得到的SAR图像,参考图像为只考虑执行成像任务的地物信息得到的理想图像。
本实施例的步骤S2中,构建任务适应性评估的训练数据集Df1的方法具体为:
A1、分别计算每条多源异构数据中待评估图像和参考图像的质量评价指标,并计算每个质量评价指标的偏移值;
A2、对待评估图像和参考图像进行数据融合,计算其图像相似度指标;
A3、基于待执行成像任务的成像参数、每个质量评价指标的偏移值及图像相似度指标,构建单条机载SAR任务适应性评估的特征向量Xj;
A4、重复步骤A1-A3,构建每条多源异构数据对应的特征向量Xi,进而组成训练数据集Df1。
在上述步骤A1中的质量评价指标包括均值μ、方差σ2、辐射分辨率γ、等效视数ENL、灰度分辨率Q、角二阶矩ASM、对比度Con和边缘连续性指数CIdx;
均值反映的是整幅SAR图像或者SAR图像中目标区域的平均强度,反映了SAR图像包含的平均后向散射系数的大小,计算式为:
其中,Ii,j为图像在点Ii,j处的像素值,M代表图像的宽度,N代表图像的长度,M×N表示图像的像素尺寸。
方差则代表了图像中所有像素点的值偏离均值的程度,反映了图像的内容丰富性,其计算式为:
上式中σ是标准差。
等效视数定义为均值和标准差比值的平方,计算式如下:
辐射分辨率的大小由目标相干斑点和信噪比决定,其计算式如下:
其中,其中,μ和σ分别表示图像中区域目标的均值和标准差。
灰度分辨率Q的计算式为:
Q=Tb(μ)/Td(μ)
其中,Tb(μ)表示图像中有μ%的象素灰度值大于Tb(μ),Td(μ)表示图像中有μ%的象素的灰度值小于Td(μ)。
灰度级分辨率的值越小,说明对应的图像相干斑点模糊度越小,所看到的相干斑点就越清晰。在实际计算时,因为方差数值过大,因此对其进行了如下处理:
另外,在实际计算时对均值μ取不同的值:10,20,30,40计算。
角二阶矩是由GLCM(灰度共生矩阵)得到的图像的纹理特征中的一种特征,其计算式如下:
边缘是指其周围像素灰度有阶跃变化像素的集合,边缘是由于目标与背景、目标与目标之间灰度分布的不连续所造成的,通过边缘连续性指数来量化目标的边缘连续性,该指标的值越大,代表边缘连续性越强,图像中的不同物体之间、背景之间的区别就越明显。
对比度的定义反映的是一幅图像灰度反差的大小。对比度越大则说明图像中的灰度反差范围越大,越小则说明灰度反差范围越小。其计算式如下:
上述步骤A1中,计算每个质量评价指标的偏移值的公式为:
上述步骤A2中的图像相似度指标包括结构相似度SSIM、峰值信噪比PSNR、相关系数Corr、均方差MSE和平均绝对误差MAE;
结构相似度将图像分成亮度,对比度,结构,分别进行比较,然后加权乘积获得相似性,可以计算出干扰图像的质量,以此来评估SAR的抗干扰能力。
其数学表达式如下:
SSIM(x,y)=[l(x,y)]α·[c(x,y)]β·[s(x,y)]γ
式中,x和y分别代表SAR原图像和干扰之后的图像;α,β,γ分别为加权指数:
其中,l(x,y),c(x,y),s(x,y)分别表示亮度、对比度、结构因子的比较,可以用它们来度量SAR图像受故障的程度;其中,μx,μy分别为原始图像与干扰图像中像素灰度均值,表征图像的亮度;σx,σy分别为正常图像和故障图像中像素灰度的标准差,表征图像的对比度;σx,y为是正常图像与故障图像对应块的相关系数,表征结构信息的相似性;C1,C2,C3是避免分母为零或接近零的很小的正数。
峰值信噪比是指到达噪声比率的顶点信号,在工程中一般用于衡量最大值信号和背景噪声之间关系。PSNR是基于正常原图像和故障图像的均方误差(MSE)的,图像受到的故障程度越严重,其PSNR值越低,反之,PSNR值越高代表图像质量较高,受到的故障较轻。其计算公式如下:
其中,L为峰值信号,在本实施例中,SAR图像为8位,对于8位的灰度图像来说,L=28-1=255。
相关系数为:
其中,-1≤γXY≤1,当γXY=1时,两随机变量完全正相关;当γXY=-1时,两随机变量完全负相关;当γXY=0时,两随机变量完全不相关。
均方差(MSE)代表的是原始SAR图像与对应的干扰SAR图像之间的一种关系,其计算公式如下:
式中,Iij和Jij分别代表SAR无故障的正常图像和SAR故障图像的灰度像素值,M×N为图像数据矩阵的大小。
平均绝对误差范围[0,+∞),当预测值与真实值完全吻合时等于0,即完美模型;误差越大,该值越大,计算公式如下
式中,Iij和Jij分别代表SAR无故障的正常图像和SAR故障图像的灰度像素值,M×N为图像数据矩阵的大小。
上述步骤A3中的单条机载SAR的任务适应性评估特征向量Xj为:
式中,h,v分别为待执行成像任务的成像参数中的平台飞行高度和飞行速度,下标j为多源异构数据的标号,且j=1,2,3,...,n,n为多源异构数据的条数;
上述步骤A4中的训练数据集Df1为:
本实施例的步骤S2中,构建阈值调整模型特征集Df2的方法具体为:
B1、采用One-Hot编码方法对待执行任务的地形信息、干扰信息和模拟故障信息进行编码,得到每条多源异构数据对应的特征向量Kj;
Kj=1×(a+b+c)
式中,a为待执行成像任务的地形信息中的地形种类数量,b为干扰信息的种类数量,c为模拟故障信息的种类数量;
B2、将每条多源异构数据对应的特征向量Kj组合起来,得到阈值调整模型的特征集Df2;
式中,下标j为多源异构数据的标号,且j=1,2,3,...,n,n为多源异构数据的条数。
本实施例的步骤S3中,通过Z-Socre标准化方法对训练数据集Df1和特征集Df2进行数据归一化处理;相较于其他标准化方法,Z-Score标准化最大的优势在与当有新样本需要评估时,迭代更新方法可以借由历史数据实现,迭代方式如下:
本实施例的步骤S4中,构建并训练任务适应性评估模型的方法具体为:
C1、基于每条多源异构数据对应的先验机载SAR任务适应性评估结果,将适应性好标记为1,适应性差标记为-1,得到任务适应性评估结果的标签向量Y;
C2、通过SVM算法构建任务适应性评估模型,并采用Df1 *和Y(1)对其进行训练,得到该模型的权重向量ω和分类阈值θ,完成对任务适应性评估模型的训练;
本实施例的步骤S4中,构建并训练阈值调整模型的方法具体为:
D2、根据分类阈值θ,将任务适应性评估值向量R变换为阈值调整值向量V=[v1,v2,...,vn];
式中,下标j为多源异构数据的编号,j=1,2,3,...,n,c为用于调整待评估样本的位置的常数,本发明实施例中统一取值为0.5,rj为任务适应性评估值向量R中第j条多源异构数据对应的值;
D3、通过SVM算法构建阈值调整模型,并采用Df2 *和阈值调整值向量V对其进行训练,获得训练好的阈值调整模型。
本实施例的步骤S5具体为:
S51、提取待进行任务适应性评估的机载SAR任务对应的多源异构数据中的任务适应性评估值向量R和阈值调整向量V,并对其进行归一化处理;
S52、将归一化处理后的任务适应性评估向量R输入到训练好的任务适应性评估模型中,并将其输出与任务适应性模型的权重向量ω相乘,得到对应的任务适应性评估值score;
S53、将归一化处理后的阈值调整向量V输入到训练好的阈值调整模型中,得到任务适应性评估的阈值调整值ν;
S54、将阈值调整值ν和任务适应性模型的分类阈值θ相加,得到任务适应性评估阈值θ′;
θ′=θ+υ
本实施例的步骤S6具体为:
当任务适应性评估值score大于任务适应性评估阈值θ′时,输出为1,当前多源异构数据对应的机载SAR对该当前任务的任务适应性为好;
当任务适应性评估值score小于任务适应性评估阈值θ′时,输出为-1,当前多源异构数据对应的机载SAR对该当前任务的任务适应性为差。
实施例2:
以某型号机载SAR雷达的历史图像数据作为原始数据,选择n=300条待评估任务适应性的机载SAR的多源异构数据,任务适应性好的样本和任务适应性差的样本各占一半,采用其中用于训练的样本数量为180,用于测试的样本为120;
将训练样本和测试样本输入到评估模型中进行交叉验证。
在本实施例中,采用准确率ACC、F1分数和召回率Recall来衡量机载SAR任务适应性评估结果的精度。
其中,TP代表本身为任务适应性好并且本方法的预测结果也为任务适应性好的样本;TN代表本身为任务适应性差并且本方法的预测结果也为任务适应性差的样本;FP代表本身为任务适应性差但是本方法的预测结果为任务适应性好的样本;FN代表本身为任务适应性好但是本方法的预测结果为任务适应性差的样本。
图2是分别采用本发明的自适应阈值的评估方法和基于固定阈值的评估进行任务适应性评估的结果的精度指标对比图。如图2所示,采用基于自适应阈值的评估方法评估机载SAR的任务适应性,其精度衡量指标ACC达到了91.33%,F1分数为93.41%,召回率Recall为90.29%,均远高于基于固定阈值的评估方法。
Claims (8)
1.一种基于自适应阈值的机载SAR任务适应性评估方法,其特征在于,包括以下步骤:
S1、收集若干条机载SAR的多源异构数据及其对应的先验机载SAR任务适应性评估结果;
S2、基于收集的多源异构数据,构建任务适应性评估的训练数据集Df1及阈值调整模型的特征集Df2;
S3、对训练数据集Df1和特征集Df2进行数据归一化处理,得到Df1 *和Df2 *;
S4、基于每条多源异构数据对应的先验机载SAR任务适应性评估结果及构建的Df1 *和Df2 *,构建并训练任务适应性评估模型和阈值调整模型;
S5、通过任务适应性评估模型和阈值调整模型对待进行任务适应性评估的机载SAR任务对应的多源异构数据进行处理,获得对应的任务适应性评估值和任务适应性评估阈值;
S6、将任务适应性评估值和任务适应性评估阈值进行比较,得到任务适应性评估结果;
所述步骤S4中,构建并训练任务适应性评估模型的方法具体为:
C1、基于每条多源异构数据对应的先验机载SAR任务适应性评估结果,将适应性好标记为1,适应性差标记为-1,得到任务适应性评估结果的标签向量Y;
C2、通过SVM算法构建任务适应性评估模型,并采用训练数据集Df1和Y(1)对其进行训练,得到该模型的权重向量ω和分类阈值θ,完成对任务适应性评估模型的训练;
所述步骤S4中,构建并训练阈值调整模型的方法具体为:
D1、根据权重向量ω和D'f1,计算任务适应性评估值向量R;
R=D′f1×ω
式中,D'f1为任务适应性评估模型训练数据集Df1 *中的特征集;
D2、根据分类阈值θ,将任务适应性评估值向量R变换为阈值调整向量L=[l1,l2,...,ln];
式中,下标j为多源异构数据的编号,j=1,2,3,...,n,c为用于调整待评估样本的位置的常数,rj为任务适应性评估值向量R中第j条多源异构数据对应的值;
D3、通过SVM算法构建阈值调整模型,并采用Df2 *和阈值调整向量L对其进行训练,获得训练好的阈值调整模型。
2.根据权利要求1所述的基于自适应阈值的机载SAR任务适应性评估方法,其特征在于,所述步骤S1中,每条多源异构数据包括待评估图像、参考图像、待执行成像任务的成像参数、待执行成像任务的地形信息、干扰信息和模拟故障信息。
3.根据权利要求2所述的基于自适应阈值的机载SAR任务适应性评估方法,其特征在于,所述步骤S2中,构建任务适应性评估的训练数据集Df1的方法具体为:
A1、分别计算每条多源异构数据中待评估图像和参考图像的质量评价指标,并计算每个质量评价指标的偏移值;
A2、对待评估图像和参考图像进行数据融合,计算其图像相似度指标;
A3、基于待执行成像任务的成像参数、每个质量评价指标的偏移值及图像相似度指标,构建单条机载SAR任务适应性评估的特征向量Xj;
A4、重复步骤A1-A3,构建每条多源异构数据对应的特征向量Xi,进而组成训练数据集Df1。
4.根据权利要求3所述的基于自适应阈值的机载SAR任务适应性评估方法,其特征在于,所述步骤A1中的质量评价指标包括均值μ、方差σ2、辐射分辨率γ、等效视数ENL、灰度分辨率Q、角二阶矩ASM、对比度Con和边缘连续性指数CIdx;
所述步骤A1中,计算每个质量评价指标的偏移值的公式为:
所述步骤A2中的图像相似度指标包括结构相似度SSIM、峰值信噪比PSNR、相关系数Corr、均方差MSE和平均绝对误差MAE;
所述步骤A3中的单条机载SAR的任务适应性评估的特征向量Xj为:
式中,h,v分别为待执行成像任务的成像参数中的平台飞行高度和飞行速度,下标j为多源异构数据的标号,且j=1,2,3,...,n,n为多源异构数据的条数;
所述步骤A4中的训练数据集Df1为:
6.根据权利要求1所述的基于自适应阈值的机载SAR任务适应性评估方法,其特征在于,所述步骤S3中,通过Z-Socre标准化方法对训练数据集Df1和特征集Df2进行数据归一化处理。
7.根据权利要求1所述的基于自适应阈值的机载SAR任务适应性评估方法,其特征在于,所述步骤S5具体为:
S51、提取待进行任务适应性评估的机载SAR任务对应的多源异构数据中的任务适应性评估值向量R和阈值调整向量L,并对其进行归一化处理;
S52、将归一化处理后的任务适应性评估向量R输入到训练好的任务适应性评估模型中,并将其输出与任务适应性模型的权重向量ω相乘,得到对应的任务适应性评估值score;
S53、将归一化处理后的阈值调整向量L输入到训练好的阈值调整模型中,得到任务适应性评估的阈值调整值l;
S54、将阈值调整值l和任务适应性模型的分类阈值θ相加,得到任务适应性评估阈值θ′。
8.根据权利要求7所述的基于自适应阈值的机载SAR任务适应性评估方法,其特征在于,所述步骤S6具体为:
当任务适应性评估值score大于任务适应性评估阈值θ′时,输出为1,当前多源异构数据对应的机载SAR对该当前任务的任务适应性为好;
当任务适应性评估值score小于任务适应性评估阈值θ′时,输出为-1,当前多源异构数据对应的机载SAR对该当前任务的任务适应性为差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612719.6A CN111914898B (zh) | 2020-06-30 | 2020-06-30 | 一种基于自适应阈值的机载sar任务适应性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612719.6A CN111914898B (zh) | 2020-06-30 | 2020-06-30 | 一种基于自适应阈值的机载sar任务适应性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914898A CN111914898A (zh) | 2020-11-10 |
CN111914898B true CN111914898B (zh) | 2022-06-28 |
Family
ID=73226998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010612719.6A Expired - Fee Related CN111914898B (zh) | 2020-06-30 | 2020-06-30 | 一种基于自适应阈值的机载sar任务适应性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914898B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006085783A1 (en) * | 2005-02-09 | 2006-08-17 | S.C. Softwin Srl | System and methods of acquisition, analysis and authentication of the handwritten signature |
CN101907704A (zh) * | 2010-06-11 | 2010-12-08 | 西安电子科技大学 | 多模式合成孔径雷达仿真成像评估方法 |
CN103353988A (zh) * | 2013-06-17 | 2013-10-16 | 苏州科技学院 | 异源sar景象特征匹配算法性能评估方法 |
CN104318246A (zh) * | 2014-10-20 | 2015-01-28 | 西安电子科技大学 | 基于深度自适应脊波网络的极化sar图像分类 |
CN104408707A (zh) * | 2014-10-28 | 2015-03-11 | 哈尔滨工业大学 | 一种快速数字成像模糊鉴别与复原图像质量评估方法 |
CN105116412A (zh) * | 2015-08-26 | 2015-12-02 | 中国人民解放军63921部队 | 一种宽带雷达isar图像性能定量判别方法 |
CN109344880A (zh) * | 2018-09-11 | 2019-02-15 | 天津理工大学 | 基于多特征和复合核的sar图像分类方法 |
WO2019047949A1 (zh) * | 2017-09-08 | 2019-03-14 | 众安信息技术服务有限公司 | 图像质量评估方法及图像质量评估*** |
CN110703215A (zh) * | 2019-10-16 | 2020-01-17 | 电子科技大学 | 一种基于支持向量机的机载sar成像质量评估方法 |
-
2020
- 2020-06-30 CN CN202010612719.6A patent/CN111914898B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006085783A1 (en) * | 2005-02-09 | 2006-08-17 | S.C. Softwin Srl | System and methods of acquisition, analysis and authentication of the handwritten signature |
CN101907704A (zh) * | 2010-06-11 | 2010-12-08 | 西安电子科技大学 | 多模式合成孔径雷达仿真成像评估方法 |
CN103353988A (zh) * | 2013-06-17 | 2013-10-16 | 苏州科技学院 | 异源sar景象特征匹配算法性能评估方法 |
CN104318246A (zh) * | 2014-10-20 | 2015-01-28 | 西安电子科技大学 | 基于深度自适应脊波网络的极化sar图像分类 |
CN104408707A (zh) * | 2014-10-28 | 2015-03-11 | 哈尔滨工业大学 | 一种快速数字成像模糊鉴别与复原图像质量评估方法 |
CN105116412A (zh) * | 2015-08-26 | 2015-12-02 | 中国人民解放军63921部队 | 一种宽带雷达isar图像性能定量判别方法 |
WO2019047949A1 (zh) * | 2017-09-08 | 2019-03-14 | 众安信息技术服务有限公司 | 图像质量评估方法及图像质量评估*** |
CN109344880A (zh) * | 2018-09-11 | 2019-02-15 | 天津理工大学 | 基于多特征和复合核的sar图像分类方法 |
CN110703215A (zh) * | 2019-10-16 | 2020-01-17 | 电子科技大学 | 一种基于支持向量机的机载sar成像质量评估方法 |
Non-Patent Citations (5)
Title |
---|
An unsupervised method for equivalent number of looks estimation in complex SAR scenes;Dingsheng Hu等;《2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS)》;20151112;2465-2468 * |
C波段机载合成孔径雷达海面风场反演新方法;艾未华等;《物理学报》;20130219;第62卷(第6期);1-9 * |
利用α稳定分布的小波域SAR图像降斑算法;胡正磊等;《航空学报》;20060925(第05期);197-202 * |
基于小波与双边滤波的SAR图像去噪算法研究;张飞;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20170415(第4期);I136-204 * |
超宽带SAR图像道路提取算法适应性研究;焦春雨等;《雷达科学与技术》;20121215(第06期);40-46 * |
Also Published As
Publication number | Publication date |
---|---|
CN111914898A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN101727662A (zh) | Sar图像非局部均值去斑方法 | |
CN108961255B (zh) | 基于相位线性度和功率的海陆噪声场景分割方法 | |
CN108345898A (zh) | 一种新型的线路绝缘子绝缘状态评估方法 | |
CN112418149A (zh) | 一种基于深卷积神经网络的异常行为检测方法 | |
CN114972759A (zh) | 基于分级轮廓代价函数的遥感图像语义分割方法 | |
CN109961028A (zh) | 基于三维块匹配和全连接条件随机场的sar检测方法 | |
CN111624606B (zh) | 一种雷达图像降雨识别方法 | |
CN111914898B (zh) | 一种基于自适应阈值的机载sar任务适应性评估方法 | |
CN116030300A (zh) | 一种用于零样本sar目标识别的渐进式域自适应识别方法 | |
CN113947723B (zh) | 基于尺寸平衡fcos的高分辨率遥感场景目标检测方法 | |
CN113781375B (zh) | 一种基于多曝光融合的车载视觉增强方法 | |
CN111127485B (zh) | 一种ct图像中目标区域提取方法、装置及设备 | |
Jiang et al. | Research on Performance Limitations of Visual-based Perception System for Autonomous Vehicle under Severe Weather Conditions | |
JP7349626B2 (ja) | モデル生成装置、車両シミュレーションシステム、モデル生成方法、車両シミュレーション方法およびコンピュータプログラム | |
CN114821098A (zh) | 一种基于灰度梯度融合特征及cnn的高速路面破损检测算法 | |
CN116263735A (zh) | 神经网络的鲁棒性评估方法、装置、设备及存储介质 | |
CN113673105A (zh) | 真值对比策略的设计方法 | |
CN113239865A (zh) | 基于深度学习的车道线检测方法 | |
Lanka et al. | Change detection mapping using landsat synthetic aperture radar images | |
CN112883898A (zh) | 一种基于sar影像的地物分类方法及装置 | |
Anzhou et al. | Perceptual quality assessment of SAR image compression based on image content partition and neural network | |
CN111487620B (zh) | 一种基于特征变换的机载sar成像性能评估方法 | |
CN117523428B (zh) | 基于飞行器平台的地面目标检测方法和装置 | |
Williams | A novel framework for evaluating performance-estimation models |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220628 |