探究基于深度學習神經網絡的SAR圖像目標識別算法

姚曉峰　武利秀　章偉

摘要：在各種技術手段的發展與進步過程中，成像技術逐漸成熟，而SAR圖像解譯系統在發展中無法滿足實際需求，導致出現了SAR圖像有效信息大量遺漏的問題。因為SAR圖像在應用中具有相干成像機制的特征，再進行圖像輪廓細節提取過程中存在模糊以及圖像特征提取困難等特征，這樣就會導致在SAR圖像中無法普遍應用光學圖像解釋，導致SAR圖像系統發展較為緩慢。而探究基于深度學習神經網絡的SAR圖像目標識別算法，則可以優化SAR圖像目標識別算，提升整體性能，基于此，文章對其進行了簡單的論述分析。

關鍵詞：SAR圖像目標識別算法; 層疊受限玻爾茲曼機;廣義回歸神經網絡

中圖分類號：TP393 ? ? ?文獻標識碼：A

文章編號：1009-3044（2019）13-0215-02

1 SAR自動目標識別

1.1 SAR自動目標識別分類

1.1.1基于圖像分類的SAR-ATR系統

此系統主要就是把圖像像素作為主要的平板標準參數，對比圖像像素相似度，可以進行圖像目標分類。較為常見的主要就是利用CFAR分類器進行處理。而基于圖像分類SAR-ATR系統具有較為顯著的通用性特征，而在檢測中會耗費一定的時間，其準確性也稍有不足，系統性能具有一定的提升空間。

1.1.2基于特征分類系統

在SAR-ATR系統中SAR圖像在解釋過程中要先對大場景中的SAR圖像提取對數分析、降噪操作，進行后續處理，在大場景SAR圖像中確定目標感應區區域，進行細篩選，通過分類器篩選虛警、識別各種目標參數信息。其主要就是進行SAR圖像預處理、潛在目標檢測、疑似目標分類識別三個流程，在處理中雖然數據處理越來越復雜，但是在目標篩選之后，會在根本上簡化數據處理量，這樣就會提升系統目標檢測識別效率，其主要流程如下圖1：

1.2改進之后增強Lee濾波

現階段，對于極化SAR圖像相干斑抑制算法研究中應用最為廣泛的就是Lee濾波方式，增強Lee濾波通過局部統計的方式進行分析，可以對乘性噪聲圖像模型信息進行線性化處理，而在處理中，增強濾波僅僅會實現平滑相干噪聲的作用，無法有效的保持圖像的邊緣信息內容。在將其作為SAR圖像特征信息，對其進行改進優化。在設計中要將濾波窗口設置為5*5，在對其進行掃描分析，計算數值信息，判斷分析。

2 探究基于深度學習神經網絡的SAR圖像目標識別算法

2.1層疊受限玻爾茲曼機與廣義回歸神經網絡

2.1.1基于層疊受限玻爾茲曼機改進訓練

Contrastive Divergence 訓練算法中通過K步中Gibbs采樣樣本替代模型的期望值，此種方式在應用存在一定的問題，會導致訓練進入局部最優。在對其優化過程中，基于此種方式為基礎，改進遺傳算法優化的一種RBM訓練方式，利用此種方式可以獲得全局的最優數值，在優化完善之中，其權值更新以及參數更新主要就是通過[Δωij=vihidata=k=1Nvihi]進行處理。

此算法相對于傳統的遺傳算法來說，在計算中通過實數編碼表示基因編輯參數，可以獲得更高得空間范圍檢索信息，可以有效的提升算法運行的效率與精度，在優化過程中可以合理的調整交叉概率以及變異的概率參數信息。在對其進行深度神經網絡訓練處理之前，可以利用優化GA的優化算法進行優化處理RBM的學習率，優化目標繪函數主要為fitness=DLerrcr（k），DLerrcr（k）表示的就是不同學習率之下深度學習神經網絡系統中的訓練誤差。而利用改進GA優化算法的方式進行學習率優化，其主要過程如下：

2.1.2廣義回歸神經網絡系統

廣義回歸神經網絡是一種徑向的基神經網絡變化方式，在網絡中主要可以分為輸入層、模式層以及求和層、輸出層四層神經元。其中輸入層中的神經元數目與在學習樣本中輸入的向量維數是相等的。主要就是通過各神經元直接輸入相關變量，將其傳遞給模式層。在模式層中的神經元數目與學習樣本的數目數量相等。求和層中含有兩種神經元求和模式，其中一種的作用就是對在模式層中神經元輸出運算進行求和;而另一種則主要就是對在模式層中神經元的輸出加權求和。輸出層中的神經元輸出主要就是通過求和層中不同的神經元和值輸出進行相除，則可以得到估計的結果信息。根據不同的輸出計算公式，則就可以獲得網絡輸出的公式，其主要為：

在公式中估計值中的樣本觀測值的加權評卷，不同觀測值的權重因子軍事相應的樣本Xi以及X則表示Euclid距離平方指數參數。

2.1.3實驗仿真

基于層疊受限玻爾茲曼機與廣義回歸神經網絡的深度學習神經網絡進行SAR圖像進行改進優化，增強Lee濾波處理，結果如下圖所示。通過仿真結果分析，發現在改進Lee濾波之后SAR圖像中會有效的降低紋斑噪聲產生的干擾，圖像中灰度值呈現均勻分布，其目標也更為清晰。在改進之后的濾波算法與原圖更為接近，相對標準差與原圖也更為接近。這些指標數據可以明確的分析原圖像中斑點噪聲，抑制問題，圖像細節有效保留，可以提取更為精準的特征信號與參數。

2.3一體化SAR目標檢測識別模型

2.3.1卷積神經網絡組成結構

卷積神經網絡在應用中可以有效的實現自動提取目標顯著特征，其具有較高得魯棒性，具有圖像輸入結果輸出端到端之間的處理功能，在圖像處理以及計算機視覺等領域中廣泛應用。在結構上來說，其基礎結構可以劃分為卷積層、池化層、特征圖、輸出以及全連接層。在網絡中，通過提取特征的卷基層進行特征篩選，池化層交替出現，可以進行淺層特征以及深層特征的合理提取以及篩選，在通過全連接層進行特征圖處理分析，則可以實現分類與識別整個過程分析。因為卷積層中卷積核以及輸入圖像中進行局部的鏈接，則可以通過連接權值進行局部的加權處理，在進行偏置項則可以獲得輸出的特征信息圖。

2.3.2卷積神經網絡關鍵函數

運算函數是關鍵內容，在卷積神經網絡系統中有三種關鍵函數，其主要為特征映射引入非線性因素激活函數、可以進行反向傳播與循環遞歸的一種多任務損失函數、多類別分類識別函數。

2.3.3卷積神經網絡訓練方法

第一，前向傳播

神經網絡通過前向傳播以及反向傳播算法可以實現學習過程以及層次之間的優化分析，具有良好的表征能力檢測模型系統。前向傳播公式推導中主要通過平方誤差替代函數，綜合不同樣本中的問題進行前向傳播。

第二，反向傳播

反向傳播的主要目的就是前向傳播中獲得的結果與信息對比分析，分析誤差因素，對其進行結果的反饋分析，通過調整參數的方式獲得與實際更為接近的結果信息。

第三，權值共享

因為圖像特征具有位置無關性以及高度重復的特征，在相同區域范圍中的特征也會在其他區域中存在，對此，在圖像處理中可以通過特定模板進行全圖的匹配分析，這樣則就可以簡單、快速的提取圖像中的特征參數信息。

CNN網絡中不同卷積核中對于輸入圖像中應用遍歷方法提取圖像特定特征信息。在遍歷中卷積核參數固定不點，通過模板檢測方式，固定參數卷積核則可以作為可以與其特征匹配的模板參數，這樣就可以在整幅圖像中提取特定參數特征，在圖像中不同元素“匹配濾波”權值。

因為參數固定等因素影響，卷積核主要就是局限在特定特征監測提取上，通過此卷積核進行圖像濾波的時候，要提取全圖中特定特征，并且拋棄冗余特征，進行多特征提取分析，在每個層中要設計不同的卷積核。

2.3.4實驗結果及分析

綜合SAR數據稀缺性與神經網絡訓練樣本數量參數要求，分析基本訓練要求，為了避免因為訓練樣本相對網絡過少的時候不同訓練樣本特征過度提取而造成的擬合問題，限制網絡模型泛化應用能力，則就要進行樣本數量擴充處理。基于一體化模型進行評估實驗分析，通過一體化模型能夠自動提取SAR圖像目標，其具有較為典型的代表性特征，可以通過這些特征進行監測圖像目標精確定位分析與識別，其監測識別正確率較高，具有良好的抗噪性能以及平移不變性特征，具有良好的魯棒性。

3 結束語

基于機械學習方式設計SAR-ATR系統缺陷問題，將深度學習方式與SAR圖像目標檢測識別有效融合，利用卷積神經網絡進行處理，可以實現目標定位、檢測以及識別，通過 基于層疊受限玻爾茲曼機與廣義回歸神經網絡的深度學習神經網絡以及一體化SAR目標檢測識別模型進行分析，可以提升整體性能。

參考文獻：

[1] 陳永生.基于深度學習的SAR自動目標識別方法研究[D].江西理工大學，2018.

[2] Li Wenhui. SAR image target recognition based on depth learning[D].Electronic Science and Technology University，2018

[3] 蔣鑫.基于深度學習的SAR圖像目標識別分類研究[D].電子科技大學，2018.

[4] 王思飛.基于深度學習的SAR圖像目標檢測識別一體化方法研究[D].電子科技大學，2018.

[5] 梁鑫，徐慧.基于深度學習神經網絡的SAR圖像目標識別算法[J].江漢大學學報（自然科學版），2016，44（02）：131-136.

【通聯編輯：光文玲】