1.一种基于部件解析多尺度卷积神经网络的合成孔径雷达sar目标识别方法,其特征在于,利用部件解析方法得到sar复图像的部件二值图,并利用多尺度卷积神经网络将部件二值图包含的电磁散射信息与sar实图像包含的幅值信息进行融合,该方法的步骤包括如下:
(1)生成训练集:
(1a)将选取的包含m种类型地面静止目标,每种地面静止目标至少包含200张合成孔径雷达sar复图像的样本组成样本集,其中m≥3;
(1b)对sar复图像样本集中的每张sar复图像取模,得到包含幅值信息的sar实图像样本集;
(1c)利用部件解析方法,得到sar复图像样本集中每张复图像对应的部件二值图,将所有的部件二值图构成包含电磁散射信息的部件二值图样本集;
(1d)将sar实图像样本集和部件二值图样本集共同组成训练集;
(2)构建部件解析多尺度卷积神经网络:
(2a)搭建一个五层的主干网络模块,其结构依次为:第一卷积层,第二卷积层,第三卷积层,特征图concat层,第四卷积层;将第一至第四卷积层的卷积核的个数分别设置为96,96,512,512,卷积核大小分别设置为11×11,7×7,5×5,3×3;特征图concat层在通道维度上拼接输入的特征图;所述主干网络模块有两个输出端;
(2b)搭建一个由点乘层和全局平均池化层组成的部件特征模块,点乘层在通道维度上将输入的图像进行点乘;全局平均池化层对输入的每幅特征图的每个通道求平均值,得到每幅输入特征图对应的特征向量;
(2c)搭建一个由全局平均池化层,筛选层,特征向量concat层组成的特征融合模块;全局平均池化层对输入的每幅特征图的每个通道求平均值,得到每幅输入特征图对应的特征向量;筛选层采用筛选公式实现对所有输入特征向量的对应位置的筛选;特征向量concat层在通道维度上拼接所有的输入特征向量;
(2d)搭建一个由第一全连接层,第二全连接层,softmax层组成的分类模块;将第一至第二全连接层的输出神经元个数分别设置为1024,3;softmax层采用softmax函数计算输入样本被识别为每一种类别的概率;
(2e)将主干网络模块的第一输出端与部件特征模块相连作为第一支路,将主干网络模块的第二输出端与第一支路并联后再依次与特征融合模块、分类模块串联,构成部件解析多尺度卷积神经网络;
(3)训练部件解析多尺度卷积神经网络:
(3a)采用正态分布随机点对部件解析多尺度卷积神经网络的权值进行随机初始化,同时对网络的偏置初始化为0,得到初始化后的部件解析多尺度卷积神经网络;
(3b)将训练集输入到部件解析多尺度卷积神经网络中,利用交叉熵损失函数,计算网络的输出与训练图像的类别标签之间的交叉熵损失值,通过反向传播算法迭代更新网络的参数,直到网络的交叉熵损失函数收敛为止,得到训练好的部件解析多尺度卷积神经网络;
(4)对待分类的合成孔径雷达sar复图像进行分类:
采用与步骤(1b)和步骤(1c)相同的方法,对待分类的合成孔径雷达sar复图像进行预处理,将预处理后的sar实图像和部件二值图输入到训练好的部件解析多尺度卷积神经网络中,输出合成孔径雷达sar复图像对应的类别。
2.根据权利要求1所述的基于部件解析多尺度卷积神经网络的合成孔径雷达sar目标识别方法,其特征在于:步骤(1c)中所述部件解析方法的步骤如下:
第一步,利用下述属性散射中心模型,提取sar复图像样本集的每张复图像中目标的每个属性散射中心的所有参数,并组成参数集:
其中,e(·)表示属性散射中心模型,f表示合成孔径雷达发射的信号频率,φ表示合成孔径雷达波束方位角,
第二步,根据每个属性散射中心的频率依赖因子值和长度值,确定该属性散射中心的几何散射类型,具体方法如下:
将频率依赖因子值等于1,长度值大于0的每个属性散射中心确定为二面角的几何散射类型;
将频率依赖因子值等于1,长度值等于0的每个属性散射中心确定为三面角的几何散射类型;
将频率依赖因子值等于0.5,长度值大于0的每个属性散射中心确定为圆柱的几何散射类型;
将频率依赖因子值等于0.5,长度值等于0的每个属性散射中心确定为帽顶的几何散射类型;
将频率依赖因子值等于0,长度值等于0的每个属性散射中心确定为球的几何散射类型;
将频率依赖因子值等于0,长度值大于0的每个属性散射中心确定为边缘侧向的几何散射类型;
将频率依赖因子值等于-0.5,长度值大于0的每个属性散射中心确定为边缘绕射的几何散射类型;
将频率依赖因子值等于-1,长度值等于0的每个属性散射中心确定为角绕射的几何散射类型;
第三步,将每幅sar复图像中相同几何散射类型的属性散射中心归为一类部件;
第四步,将每类部件的每幅sar复图像中属性散射中心的所有参数与合成孔径雷达sar的系统参数,输入到属性散射中心模型中成像,得到每类部件对应的单类部件重构sar图像;
第五步,将所有类部件的每幅sar复图像中属性散射中心的所有参数与合成孔径雷达sar的系统参数,输入到属性散射中心模型中成像,得到所有类部件对应的所有类部件重构sar图像;
第六步,将[0,1]范围内任意选取的一个值设置为阈值,将所有的部件重构sar图像中大于阈值的值设为1,小于阈值的值设为0,从而得到二值图像,将得到的二值图像定义为sar复图像对应的部件二值图。
3.根据权利要求1所述的基于部件解析多尺度卷积神经网络的合成孔径雷达sar目标识别方法,其特征在于:步骤(2c)中所述的筛选公式如下:
v=maxcol(vinput)+meancol(vinput)
其中,v表示筛选后的特征向量,maxcol(·)表示按列取最大值操作,vinput表示由特征融合模块中的全局平均池化层输出的所有特征向量组成的矩阵,meancol(·)表示按列取平均值操作。
4.根据权利要求1所述的基于部件解析多尺度卷积神经网络的合成孔径雷达sar目标识别方法,其特征在于:步骤(2d)中所述的softmax函数如下:
其中,pt表示输入图像属于第t种类型的概率,t=1,2,…,m,exp(·)表示以自然常数e为底的指数操作,ov表示第二个全连接层中第v个神经元的输出,v的取值与t的对应相等,n表示第二个全连接层中的神经元总数,n表示第二个全连接层中的神经元的序号,on表示第二个全连接层中第n个神经元的输出。
5.根据权利要求1所述的基于部件解析多尺度卷积神经网络的合成孔径雷达sar目标识别方法,其特征在于:步骤(3b)中所述的交叉熵损失函数如下:
其中,loss表示交叉熵损失函数,r表示训练集中样本的总数,σ表示求和操作,r表示训练集中样本的序号,z(r)表示训练集中第r个样本对应的真实类型标签,log表示以2为底的对数操作,s(r)表示将训练集中第r个样本输入网络中预测类型的概率。