基于距离度量和全卷积网络的SAR图像识别系统及方法

本发明涉及sar图像识别，具体地指一种基于距离度量和全卷积网络的sar图像识别系统及方法。

背景技术：

1、合成孔径雷达图像(sar)是利用合成孔径原理实现的高分辨微波遥感成像，具有全天时、全天候、有一定穿透力等优势，在海洋监测、环境分析、军事侦察、地质勘测上有重要应用价值。sar成像原理决定了sar图像具有很强的散斑噪声和几何畸变，给sar图像解译带来挑战。sar图像自动识别(automatic target recognition，atr)融合图像检测、体征提取、图像识别过程，是实现sar图像自动解译的关键技术之一。

2、图像识别作为atr最后关键一环，一直是sar图像的研究热点。传统识别方法主要包含特征提取和识别两步，常用特征有几何特征、投影特征和散射特征，之后基于提取的特征使用机器学习算法进行分类，主要分类算法有k近邻分类器(knn)，支持向量机(svm)，稀疏表示分类器等。传统sar图像识别方法，取得良好效果，给sar atr带来一定研究进展，然而这些方法依赖繁琐的专家手工提取的特征，效率低下，且鲁棒性差，针对不同sar数据集和使用场景，需要重新设计特征提取算法。

3、近年来，随着深度学习技术的发展，特别是卷积神经网络的发展，图像识别技术研究取得了突破性进展。alexnet的提出和成功应用，标志着深度网络发展的开始，随后出现了著名的vggnet、restnet，他们在自然图像识别上取得突破性的进展。随着深度学习在光学图像上取得的成就和影响，研究者尝试将深度学习应用到sar图像识别上。基于深度卷积网络的sar图像识别方法是一种“端到端”的学习方式，其将特征提取和分类识别统一进行，网络根据学习目标自动学习需要的特征，无需额外设计特征提取算法，减少人工工作的同时，极大提高了算法的鲁棒性。但深度学习算法基于大量的训练数据学习，而sar图像训练数据获取较光学图像难，样本数量相对较少，直接将普通图像识别算法应用到sar图像识别上，性能较低。如何设计深度学习算法模型和训练方式，使得sar图像识别场景下提高识别正缺率是亟待解决的问题。

4、中国发明专利“基于加权距离的sar图像小样本识别方法及装置(申请号202210618273.7)”利用加权样本与原型距离和元学习方法提高sar图像的识别正确率。中国发明专利“基于原型对比学习的sar目标识别方法、装置、设备及介质(申请号202310919952.2)将每个样本进行2种数据增强，得到样本特征后利用聚类获得样本原型，比较样本和原型间距离计算损失，并考虑到了原型密度。上述两个专利均用到距离度量算法，但只考虑样本到原型的距离，未考虑到原型与原型间的距离，未充分利用各种因素，训练效果有待提高。

技术实现思路

1、本发明的目的就是要提供一种基于距离度量和全卷积网络的sar图像识别系统及方法，本发明综合利用了样本和类中心距离、同类样本的方差、类中心和中心距离。同时通过设计由多个小尺寸卷积层组成的特征提取网络和1x1的卷积层分类器，采用两阶段训练方法，最终提高了sar图像识别的正确率。

2、为实现此目的，本发明所设计的基于距离度量和全卷积网络的sar图像识别系统，其特征在于：它包括特征提取网络训练模块、模型训练模块和合成孔径雷达图像识别模块；

3、特征提取网络训练模块用于对合成孔径雷达图像训练数据进行数据增强，并将数据增强后的合成孔径雷达图像训练数据输入特征提取网络，得到特征向量，计算所述特征向量的距离损失，将距离损失进行反向传递并用优化算法更新特征提取网络参数，得到训练好的特征提取网络；

4、模型训练模块用于将分类器添加到训练好的特征提取网络中，构成合成孔径雷达图像识别模型，将合成孔径雷达图像训练数据进行数据增强，将增强后的合成孔径雷达图像训练数据输入合成孔径雷达图像识别模型，计算合成孔径雷达图像识别模型的输出数据与数据标签的交叉熵损失；将交叉熵损失进行反向传递并用优化算法更新合成孔径雷达图像识别模型参数，得到训练好的合成孔径雷达图像识别模型；

5、合成孔径雷达图像识别模块用于将待识别的合成孔径雷达图像输入到训练好的合成孔径雷达图像识别模型中得到合成孔径雷达图像识别结果。

6、本发明的有益效果：

7、本发明构建一个基于小尺寸卷积核的卷积网络，降低网络参数量，使其更适用于样本数量较光学图片少很多的sar图像识别场景。提出一种基于距离度量的损失函数，此损失函数利用样本和类中心距离、同类样本的方差、类中心和中心距离综合计算出最终的损失，帮助模型朝着类内聚合，类间远离的方向快速收敛。构建一个卷积网络分类器，减少模型参数、防止模型过拟合、提高模型鲁棒性和性能。提出一种两阶段训练方法，第一阶段使用距离度量损失函数训练特征提取网络，第二阶段使用交叉熵进行整体训练。此训练方法帮助模型各类别区分的更明显，分类能力更强。

技术特征：

1.一种基于距离度量和全卷积网络的sar图像识别系统，其特征在于：它包括特征提取网络训练模块、模型训练模块和合成孔径雷达图像识别模块；

2.根据权利要求1所述的基于距离度量和全卷积网络的sar图像识别系统，其特征在于：所述特征提取网络训练模块对合成孔径雷达图像训练数据进行数据增强的具体方法为：将合成孔径雷达图像训练数据进行中心裁剪成预设尺寸，对裁剪后的合成孔径雷达图像训练数据进行随机垂直翻转，将垂直翻转后的合成孔径雷达图像训练数据进行随机水平翻转，将水平翻转后的合成孔径雷达图像训练数据进行随机旋转，将随机旋转后的合成孔径雷达图像训练数据进行归一化处理。

3.根据权利要求1所述的基于距离度量和全卷积网络的sar图像识别系统，其特征在于：所述模型训练模块将合成孔径雷达图像训练数据进行数据增强的具体方法为：将合成孔径雷达图像训练数据进行中心裁剪成预设尺寸，对裁剪后的合成孔径雷达图像训练数据进行随机垂直翻转，将垂直翻转后的合成孔径雷达图像训练数据进行随机水平翻转，将水平翻转后的合成孔径雷达图像训练数据进行随机旋转，将随机旋转后的合成孔径雷达图像训练数据进行归一化处理。

4.根据权利要求1所述的基于距离度量和全卷积网络的sar图像识别系统，其特征在于：所述特征提取网络包括5个卷积块，每个卷积块包括两个3x3卷积层、一个批归一化层，一个relu激活层、一个max-pool池化层，池化层使用2x2核大小，步长为2，除第1个卷积块，其余每个卷积块的第一个卷积层增加通道数为原来两倍。

5.根据权利要求1所述的基于距离度量和全卷积网络的sar图像识别系统，其特征在于：所述特征向量的距离损失lossdistance的具体计算方法为：

6.根据权利要求5所述的基于距离度量和全卷积网络的sar图像识别系统，其特征在于：所述同类样本方差损失lossvar的计算方法为：

7.根据权利要求5所述的基于距离度量和全卷积网络的sar图像识别系统，其特征在于：合成孔径雷达图像训练数据中的样本到类中心的距离损失losss-c为样本到各类中心的距离损失，计算方法为取每个样本到中心的距离损失的平均，计算公式为：

8.根据权利要求5所述的基于距离度量和全卷积网络的sar图像识别系统，其特征在于：所述类中心间距离损失lossc-c的计算方法为：

9.一种基于距离度量和全卷积网络的sar图像识别方法，其特征在于，它包括如下步骤：

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求9所述方法的步骤。

技术总结本发明公开了一种基于距离度量和全卷积网络的SAR图像识别系统，特征提取网络训练模块用于得到训练好的特征提取网络；模型训练模块用于得到训练好的合成孔径雷达图像识别模型；合成孔径雷达图像识别模块用将待识别的合成孔径雷达图像输入到训练好的合成孔径雷达图像识别模型中得到合成孔径雷达图像识别结果。本发明综合利用了样本和类中心距离、同类样本的方差、类中心和中心距离。同时通过设计由多个小尺寸卷积层组成的特征提取网络和1x1的卷积层分类器，采用两阶段训练方法，最终提高了SAR图像识别的正确率。技术研发人员：刘玉秀,吕晓,陈灼,何智勇,覃基伟,牛敬华受保护的技术使用者：中国人民解放军海军工程大学技术研发日：技术公布日：2024/9/9