基于貝葉斯卷積神經網絡與數據增強的SAR圖像目標分類方法

涂 豫

(1.河南工業職業技術學院，河南 南陽 473000；2.華中科技大學，湖北 武漢 430074)

0 引言

作為一種監督分類問題，合成孔徑雷達(SAR)目標分類在近三十年時間內得到了廣泛研究[1]。一般地，SAR目標分類方法主要通過特征提取和分類決策兩個階段實施。特征提取階段獲得原始SAR圖像中目標的幾何形狀、投影變換以及電磁散射等特征。文獻[2—5]基于目標區域、輪廓、陰影等幾何形狀特征設計SAR目標分類方法。文獻[7—11]采用主成分分析(PCA)、非負矩陣分解(NMF)、單演信號、非下采樣剪切波等信號處理算法獲得SAR圖像特征進而用于目標分類。文獻[12—14]以屬性散射中心為基本特征進行SAR目標分類。在分類階階段，通常采用現有的經典分類器對提取特征進行類別決策，例如K近鄰(KNN)[15]、支持向量機(SVM)[16]、稀疏表示分類(SRC)[17]等。可以看出，傳統的SAR圖像目標分類算法在特征和分類之間存在一定的割裂，這也可能影響最終的分類精度。近年來提出并被廣泛運用的深度學習模型在信號、圖像處理領域性能十分優越。文獻[18—23]就是基于卷積神經網絡(CNN)設計SAR目標分類方法。深度學習模型通過端到端的多層網絡實現輸入到類別的非線性變換，實現了特征學習和分類決策的一體化。根據公開報道，基于CNN的SAR目標分類方法相比傳統方法具有一定的性能優勢。然而，擴展操作條件下的SAR目標分類問題仍然是本領域的重難點問題。本文針對此問題，提出了基于貝葉斯卷積神經網絡與數據增強的SAR圖像目標分類方法。

1 貝葉斯卷積神經網絡

貝葉斯卷積神經網絡[24,-25]是貝葉斯理論與深度學習卷積神經網絡結合的產物，通過將貝葉斯概率理論用于網絡參數學習獲得更為穩健的分類網絡。在貝葉斯卷積神經網絡中，通過對模型參數w施加一定的先驗概率模型可有效推斷模型權重的分布規律，從而實現概率意義上的卷積神經網絡理解，其中，權重參數w～p(w)服從標準的高斯先驗分布。假設fw(x)為網絡輸出，p(y|fw(x))為模型的似然函數。記L(X,Y)和(x,y)分別為訓練集和測試集，根據貝葉斯理論可得權重參數的后驗概率為p(w|L)。對于多類別分類問題，采用Softmax函數對輸出進行抽樣定義似然函數如下：

P(y=c|x,w)=Softmax(fw(x))

(1)

其中，模型的輸出預測為：

(2)

具體到分類問題中，可采用Monte-Carlo積分進行求解，分類預測的表達式如下：

(3)

鑒于貝葉斯卷積神經網絡的優良特性，本文將其運用于SAR圖像目標分類。具體地，設計如表1所示的貝葉斯卷積神經網絡(以10類目標分類為例)，實現端到端的訓練和分類。該網絡參照文獻[18]中的全卷積結構，共包括四個卷積層。在前兩個卷積層后分別接最大值池化層；采用Relu函數作為各個卷積層之后的激活函數；最終，通過Softmax分類器進行分類。通過貝葉斯卷積神經網絡的訓練算法獲得最佳的網絡參數，用于后續的分類。

表1 貝葉斯卷積神經網絡的各層描述Tab.1 The descriptions of the designed Bayesian CNN

2 目標分類方法

2.1 數據增強

數據增強的目的是獲得更多的可用訓練樣本，從而提高分類網絡的適應性和穩健性。為此，本文通過數據增強獲得更多的訓練樣本對表1所示的貝葉斯卷積神經網絡進行訓練。具體地，本文采用圖像平移和噪聲添加兩種途徑進行數據增強。圖像平移過程中，以原始SAR圖像中心為參照，分割64×64大小的中心區域(與設計的貝葉斯卷積神經網絡保持一致)，同時對切割區域中心進行平移，步長設置為2像素，最大平移量設置為20像素，最終可獲得21倍的訓練樣本。在部分樣本中，目標的一部分區域被切割，可模擬部分遮擋條件下的SAR圖像樣本。

噪聲添加分別采用加性噪聲和隨機噪聲進行樣本構造，其具體過程分別參照文獻[12]和文獻[18]。圖1顯示了加性噪聲(信噪比(SNR)-10 dB)和隨機噪聲(噪聲比例20%)干擾條件下SAR圖像樣本，可見二者都不同程度影響了目標的形狀及像素分布。在實際應用中，加性噪聲的信噪比設置為-10、-5、0、5和10 dB；隨機噪聲的比例設置為5%、10%、15%、20%。通過數據增強可以更為有效地訓練貝葉斯卷積神經網絡，獲得更佳的分類性能。

圖1 噪聲干擾條件下的SAR圖像Fig.1 SAR images under noise corruption

2.2 分類流程

本文提出結合貝葉斯卷積神經網絡與數據增強的SAR目標分類方法，具體流程如圖2所示。對于原始的訓練樣本，采用2.1節描述的數據增強方法獲得擴充后訓練樣本。然后，通過擴充后的訓練集對表1所示的貝葉斯卷積神經網絡進行訓練。分類階段，將測試樣本輸入訓練完畢的網絡，對其類別進行判定。

圖2 結合貝葉斯卷積神經網絡與數據增強的SAR目標分類流程Fig.2 Procedure of SAR target classification based on combination of Bayesian CNN and data augmentation

訓練階段：對訓練圖像進行圖像平移以及噪聲添加，基于增強訓練集對貝葉斯卷積神經網絡進行訓練，獲得有效的分類網絡。

分類階段：直接將測試樣本輸入訓練完成后的貝葉斯卷積神經網絡，獲得測試樣本的目標類別。

3 實驗驗證

3.1 實驗設置

基于MSTAR數據集開展實驗，對提出的方法進行測試。如圖3所示，該數據中包含了10類典型軍事車輛目標的SAR圖像，分辨率達到0.3 m。該數據中樣本豐富，各類目標SAR圖像覆蓋0°～360°方位角以及若干典型的俯仰角，為后續的網絡訓練和樣本分類提供了豐富的素材。

圖3 MSTAR目標的光學圖像Fig.3 Optical images of the MSTAR targets

實驗中，還選用現有文獻中3類基于卷積神經網絡的SAR目標分類算法進行對比分析，分別為文獻[18,21,23]中的“A-ConvNet”、“ResNet”和“ESENet”。與本文方法不同的是，這些網絡采用的是傳統的深度學習訓練方法并且沒有充分考察樣本中可能出現的各類擴展操作條件。后續實驗分別在標準操作條件、噪聲干擾以及部分遮擋的條件下進行，測試和分析本文方法的分類有效性和穩健性。

3.2 實驗結果與討論

3.2.1標準操作條件

標準操作條件通常在測試樣本與訓練樣本相似度較高的情形下檢驗分類方法的基礎性能，在SAR目標分類問題中具有廣泛性和代表性。

表2給出了依托MSTAR數據集設置的一種典型標準操作條件，10類目標的訓練和測試樣本分別來自17°和15°俯仰角，其余條件保持一致。據此對本文方法進行測試，獲得如圖4所示的混淆矩陣，圖中橫縱坐標分別代表樣本的真實類別和決策類別，因此對角線元素則反應了不同目標的正確識別率。該矩陣直觀顯示了不同類別測試樣本經過決策后所屬的類別比例，反映了其分類精度。對四類方法的平均分類精度進行統計，如表3所示，可見，在標準操作條件下，各類方法均可以取得99%以上的平均分類精度，表明卷積神經網絡對于此情形的有效性。本文方法相比三類對比方法的分類精度更高，體現了貝葉斯卷積神經網絡的性能優勢。上述實驗結果驗證了本文方法在標準操作條件下的有效性。

表2 標準操作條件的訓練和測試樣本Tab.2 Training and test samples under SOC

圖4 本文方法標準操作條件下的分類結果Fig.4 Classification results of the proposed method under SOC

表3 標準操作條件下平均分類精度Tab.3 Average classification accuracies under SOC

3.2.2噪聲干擾

SAR圖像中普遍存在噪聲并且形式復雜。本文在數據增強中就分別進行了加性噪聲和隨機噪聲的樣本構造，從而提升網絡對于復雜干擾的穩健性。本實驗向表2中的測試樣本添加不同程度的混合噪聲，即同時包含加性和隨機噪聲。其中，加性噪聲的信噪比設置為-10、-5、0、5和10 dB；隨機噪聲的比例設置為5%、10%、15%、20%。分別在各個組合下對四類方法進行測試，統計分類結果如表4—表7所示。對比可見，本文方法在各個噪聲水平下均可以保持最高的分類精度，表明其對于復雜噪聲干擾的穩健性。貝葉斯卷積神經網絡在具體訓練過程中考慮了噪聲影響，同時在訓練樣本中加入了不同程度的噪聲樣本；因此，最終得到的分類網絡對于復雜噪聲的適應性較強。對于三類對比方法，A-ConvNet、ResNet和ESENet的總體性能依次提升，主要是得益于網絡結構的優化。然而，它們自身以及訓練集對于噪聲干擾的考慮較少，因此在復雜噪聲干擾下的性能下降十分劇烈。

表4 本文方法在噪聲干擾下性能Tab.4 Performance of the proposed method under noise corruption

表5 A-ConvNet方法在噪聲干擾下性能Tab.5 Performance of A-ConvNet under noise corruption

表6 ResNet方法在噪聲干擾下性能Tab.6 Performance of ResNet under noise corruption

表7 ESENet方法在噪聲干擾下性能Tab.7 Performance of ESENet under noise corruption

3.2.3部分遮擋

在發生部分遮擋的情形下，局部目標不能呈現在獲取的SAR圖像中。對于采用目標全局結構或分布特性的分類算法，部分遮擋的影響較為顯著。按照文獻[12]中的思路，本文對表2中的測試樣本進行模擬遮擋。具體地，對SAR圖像中目標區域按照設定的方向和比例進行分割處理，并對分割后的區域以圖像中背景像素填充，最終分別在遮擋比例為10%、20%、30%、40%和50%條件下構建測試集，然后測試并統計四類方法的分類性能如圖5所示。本文方法在部分遮擋條件下的性能優勢十分明顯，特別是在遮擋比例較高的情形下。由于訓練過程中進行了平移切割構造樣本，一定程度上模擬了目標可能出現的不同方向、不同比例的遮擋情形；因此，最終的分類網絡對于部分遮擋的穩健性也得到了提升。與噪聲干擾的情形類似，其他三類方法并沒有針對性考察可能存在的部分遮擋影響，其在遮擋條件下的性能下降十分顯著。

圖5 部分遮擋條件下的性能對比Fig.5 Performance comparison under partial occlusions

4 結論

本文提出基于貝葉斯卷積神經網絡與數據增強的SAR圖像目標分類方法。該方法采用貝葉斯卷積神經網絡獲得更為可靠的分類網絡；通過數據增強可為網絡訓練提供更為充足的樣本數據，覆蓋噪聲干擾及部分遮擋等情形。實驗結果表明，該方法在標準操作條件、噪聲干擾及部分遮擋條件下相比現有幾類方法具有更強的有效性和穩健性。