一种面向深度学习SAR图像目标识别的图像预处理方法

技术领域

本发明属于雷达目标识别领域，特别涉及一种面向深度学习合成孔径雷达（Synthetic Aperture Radar，SAR）图像自动目标识别（Automatic Target Recognition，ATR）的图像预处理方法。

背景技术

合成孔径雷达是一种基于主动式微波传感的相干成像雷达，是遥感领域的重要组成部分。相比于被动成像的光学遥感，合成孔径雷达不受云、雪、雨、雾等不利天气条件和昼夜时间的限制，并且可以一定程度上穿透植被和伪造遮挡，这些优秀的特性使得其被越来越广泛的应用于环境地形调查、军事侦察、海洋监测、农业检测、林业监测、大气监测、地质勘探等领域。由于成像机理的不同，SAR图像与人眼易于理解的光学图像有着很大的差别，SAR图像中包含了许多乘性噪声，并且SAR图像对观测方位角极其的敏感，同一目标相邻观测方位角上的SAR图像都有比较明显差异，这些都对图像目标判读解译工作造成了很大干扰。SAR图像目标判读解译的方法主要分为两种，人工目视判读解译与计算机模式识别。然而人工方式需要耗费极高的成本且工作效率难以进一步提升，因此探索更好、更有效的SAR图像目标自动识别的方法具有重要的意义。随着科学技术的不断进步，近几年来深度学习已成为一个非常热门的研究领域。为了拓展SAR ATR领域的研究，人们开始聚焦于使用深度学习方法来解决SAR图像目标识别的问题。由于目前公开的SAR军用车辆图像数据集有限，通常需要使用图像预处理方法对原数据集进行数据扩增，将原数据集扩大很多倍，为SAR图像目标识别网络模型的构建提供更多的图像样本数据，这将导致网络模型的训练时间变长并且占用大量的计算资源。本发明利用了SAR图像的成像特点，将不同方位角上的SAR图像信息进行整合，在未增加数据集样本数量的情况下，增加了SAR图像中的目标信息，从而可以有效提高后续SAR图像目标识别的准确率，并且相较于使用数据增强的方法将数据集扩大很多倍的SAR图像预处理方法，本发明方法后续网络模型训练时长会短很多，同时也可减少对计算资源的使用。

发明内容

本发明提出了一种面向深度学习SAR图像目标识别的图像预处理方法，以实现不同方位角上SAR图像信息的整合，其实现步骤如下：

步骤一：选取连续方位角上的两幅SAR图像

步骤二：将图像

步骤三：将图像

步骤四：将步骤三中得到的图像

通过上述步骤，可以实现不同方位角上SAR图像信息的整合，在未增加数据集样本数量的情况下，增加了SAR图像中的目标信息，可有效提高后续SAR图像目标识别的准确率。

与现有技术相比，本发明的有益效果是：充分利用了SAR图像的成像特点，将不同方位角上SAR图像的信息进行整合，在未增加数据集样本数量的情况下，增加了SAR图像中的目标信息，可有效提高SAR图像目标识别的准确率，相较于使用数据增强方法将数据集扩大很多倍的SAR图像预处理方法，本发明方法后续网络模型训练时间会短很多，同时也可减少对计算资源的使用。

附图说明

为了更清楚地说明本发明的实现方法，下面以具体的实施例对本发明作简单地说明。显而易见地，下面描述中的附图仅是本申请的部分实施例，对于本领域技术人员来讲，根据本发明的实现步骤，可以根据这些附图获得其它附图。

图1为本发明实施例中T62连续方位角上的SAR图像(a) ~(e)和加权求和后得到的整合图像(f) ~(i)。

实施方式

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实施例，而不是全部的实施例。

图1(a) ~(e)为本发明实施例中T62连续方位角上的SAR图像，(f) ~(i)为利用本发明方法加权求和后得到的整合图像。参考图1，本发明的具体实施步骤如下：

步骤一：选取连续方位角上的两幅SAR图像(a)与(b)（(b)与(c)…以此类推），分别将其设为图像

步骤二：将图像

步骤三：将图像

步骤四：将步骤三中得到的图像

最后应说明的是：以上所述仅为本发明实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。