廉小親,黃 雪,高 超,羅志宏

(北京工商大學(xué)人工智能學(xué)院,北京 100048)

1 引言

合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)是一種有源微波傳感器,區(qū)別于傳統(tǒng)的光學(xué)遙感,SAR不受到光線、云、霧等自然條件的限制,可以實(shí)現(xiàn)全天時(shí)、全天候的工作,彌補(bǔ)了光學(xué)傳感器的不足,被廣泛應(yīng)用于軍事偵察、農(nóng)林管理、城市規(guī)劃等領(lǐng)域[1]。SAR由于其獨(dú)特的成像特點(diǎn),與通過(guò)人眼就可以進(jìn)行直接解釋的光學(xué)圖像不同,在解讀SAR圖像時(shí),往往需要專(zhuān)業(yè)人員來(lái)展開(kāi)工作。傳統(tǒng)的人工判讀方法不僅成本高昂而且效率低下,已經(jīng)無(wú)法滿足SAR圖像目標(biāo)檢測(cè)與識(shí)別技術(shù)快速且精準(zhǔn)的需求,因此基于SAR圖像的目標(biāo)識(shí)別技術(shù)也受到了廣泛的關(guān)注[2]。

隨著人工智能技術(shù)的廣泛應(yīng)用及發(fā)展,深度學(xué)習(xí)算法逐漸在SAR ATR領(lǐng)域大放異彩。早期應(yīng)用在SAR圖像目標(biāo)識(shí)別領(lǐng)域中的卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練的方法都比較簡(jiǎn)單、基礎(chǔ),但成效卻不遜于傳統(tǒng)的SAR圖像目標(biāo)識(shí)別算法,因此,也啟發(fā)了更多的研究學(xué)者們?nèi)ミM(jìn)一步探討深度學(xué)習(xí)在SAR圖像目標(biāo)識(shí)別領(lǐng)域中的實(shí)際應(yīng)用[3]。在眾多深度學(xué)習(xí)模型中,卷積神經(jīng)網(wǎng)絡(luò)具有主動(dòng)學(xué)習(xí)圖像特征及參數(shù)共享等優(yōu)勢(shì),在圖像識(shí)別領(lǐng)域發(fā)揮了明顯的優(yōu)勢(shì)。文獻(xiàn)[4]對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),將類(lèi)別可分性度量引入代價(jià)函數(shù)中,然后使用支持向量機(jī)(Support Vector Machine,SVM)代替softmax對(duì)特征提取后的SAR圖像進(jìn)行分類(lèi)。文獻(xiàn)[5]提出了將卷積神經(jīng)網(wǎng)絡(luò)和卷積自編碼器相結(jié)合的方法,降低了算法的時(shí)間復(fù)雜度。

文獻(xiàn)[4]和文獻(xiàn)[5]都是基于改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)和優(yōu)化算法,從而降低算法復(fù)雜度和提升識(shí)別精度,但是并未考慮到SAR圖像中存在的相干斑噪聲導(dǎo)致圖片質(zhì)量下降的問(wèn)題以及小樣本數(shù)據(jù)給網(wǎng)絡(luò)造成過(guò)擬合風(fēng)險(xiǎn)的情況。由于SAR圖像標(biāo)注較為困難且獲取成本較高,導(dǎo)致目前公開(kāi)的SAR圖像樣本較少,因此,數(shù)據(jù)集樣本量不足的問(wèn)題一直是SAR圖像目標(biāo)識(shí)別領(lǐng)域的熱點(diǎn)問(wèn)題。針對(duì)該問(wèn)題,文獻(xiàn)[6]利用生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network, GAN)擴(kuò)充了樣本數(shù)據(jù),并將生成的圖像和原始圖像一起輸入到卷積神經(jīng)網(wǎng)絡(luò)中,提高了網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率。

相對(duì)于上述深度學(xué)習(xí)方法,本文綜合考慮數(shù)據(jù)及網(wǎng)絡(luò)優(yōu)化兩個(gè)方面,提出了基于Frost濾波和改進(jìn)CNN網(wǎng)絡(luò)的SAR圖像識(shí)別方法。由于SAR圖像具有相干斑噪聲干擾的問(wèn)題,采用Frost濾波算法對(duì)SAR圖像進(jìn)行去噪;針對(duì)SAR圖像采集、標(biāo)注困難導(dǎo)致樣本較少的問(wèn)題,采用了水平翻轉(zhuǎn)、旋轉(zhuǎn)、剪切、縮放相組合的數(shù)據(jù)增強(qiáng)方法來(lái)擴(kuò)充樣本數(shù)量;針對(duì)模型容易出現(xiàn)過(guò)擬合的問(wèn)題,構(gòu)建多層卷積神經(jīng)網(wǎng)絡(luò),采用Dropout結(jié)構(gòu)和L2正則化項(xiàng),利用Adam優(yōu)化算法更新網(wǎng)絡(luò)的參數(shù)。實(shí)驗(yàn)結(jié)果證明,本文所使用的方法,減小了過(guò)擬合現(xiàn)象的影響,模型泛化能力較強(qiáng),且具有較高的識(shí)別準(zhǔn)確率。

2 數(shù)據(jù)預(yù)處理

2.1 實(shí)驗(yàn)數(shù)據(jù)集介紹

為了驗(yàn)證本文方法的可行性和有效性,使用運(yùn)動(dòng)和靜止目標(biāo)獲取與識(shí)別(Moving and Stationary Target Acquisition and Recognition, MSTAR)SAR圖像數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)[7]。MSTAR數(shù)據(jù)集的采集條件分為兩類(lèi),分別為標(biāo)準(zhǔn)工作條件(Standard Operating Condition,SOC)和擴(kuò)展工作條件(Extended Operating Condition,EOC)[8]。數(shù)據(jù)庫(kù)中的SAR圖像分辨率為0.3 m×0.3 m,MSTAR數(shù)據(jù)庫(kù)中包含了多種俯仰角下采集到的2S1(自行榴彈炮)、BMP2(步兵戰(zhàn)車(chē))、BRDM2(裝甲偵察車(chē))、 BTR60(裝甲運(yùn)輸車(chē))、BTR70(裝甲運(yùn)輸車(chē))、D7(推土機(jī))、T62(坦克)、T72(坦克)、ZIL131(貨運(yùn)卡車(chē))、 ZSU234(自行高炮)、等10類(lèi)目標(biāo)的SAR圖像數(shù)據(jù)[9]。實(shí)驗(yàn)的訓(xùn)練樣本采用SOC條件下17°俯仰角下的圖像,測(cè)試樣本采用15°俯仰角下的圖像。圖1所示為,在同一方位角下,10類(lèi)車(chē)輛目標(biāo)的光學(xué)圖像以及其SAR圖像。

圖1 10類(lèi)車(chē)輛目標(biāo)光學(xué)圖像和SAR圖像

2.2 數(shù)據(jù)增強(qiáng)方法

實(shí)驗(yàn)數(shù)據(jù)中的原始圖像尺寸包括128×128、158×158、172×173、192×193像素大小。盡管尺寸存在差異但它們所包含的目標(biāo)均位于圖像的中心處,而且在整幅圖像中所占區(qū)域不大。SAR圖像存在大量的斑點(diǎn)狀相干斑噪聲,背景中噪聲的存在可能會(huì)對(duì)特征提取造成干擾,影響識(shí)別準(zhǔn)確率。為了減小此干擾,在不影響目標(biāo)的前提下,將原始圖像裁剪成100×100像素大小。

訓(xùn)練過(guò)程中,當(dāng)樣本過(guò)少時(shí)模型容易出現(xiàn)過(guò)擬合現(xiàn)象,因此需要大量的訓(xùn)練樣本作為支撐[10]。與光學(xué)圖像不同,SAR圖像很難大量獲取,帶有標(biāo)注的SAR圖像更是稀有。

因此,本文通過(guò)數(shù)據(jù)增強(qiáng)的方式擴(kuò)充訓(xùn)練樣本集,進(jìn)而增強(qiáng)模型的泛化能力,抑制過(guò)擬合。

在MSTAR的SOC標(biāo)準(zhǔn)條件下采集的十類(lèi)目標(biāo)上,對(duì)訓(xùn)練樣本采用水平翻轉(zhuǎn)、旋轉(zhuǎn)、隨機(jī)剪切、縮放的四種數(shù)據(jù)增強(qiáng)組合方式,原始圖像和數(shù)據(jù)增強(qiáng)后的圖像如圖2所示。

圖2 數(shù)據(jù)增強(qiáng)后圖像

2.3 Frost濾波算法

由于雷達(dá)相干成像的原理,SAR圖像中存在著與光學(xué)圖像不同的斑點(diǎn)狀噪聲。研究學(xué)者們通過(guò)對(duì)SAR圖像進(jìn)行觀察分析及實(shí)驗(yàn)驗(yàn)證發(fā)現(xiàn),圖像中斑點(diǎn)噪聲越多的區(qū)域,亮度越強(qiáng),因此建立了 SAR 圖像乘性噪聲模型[11]。

Y(i,j)=x(i,j)·n(i,j)

(1)

式中:Y(i,j)是SAR圖像中第(i,j)個(gè)像素點(diǎn)的強(qiáng)度值,x(i,j)是不含噪聲的反射系數(shù),n(i,j)是表示斑點(diǎn)噪聲信號(hào)且服從單位均值獨(dú)立同分布。通俗來(lái)說(shuō),相干斑噪聲讓圖像變得不清晰,降低了圖像的分辨率,嚴(yán)重影響了目標(biāo)檢測(cè)、分類(lèi)等圖像處理任務(wù)的精確性。

一些去噪算法被應(yīng)用于SAR 圖像斑點(diǎn)噪聲抑制,算法類(lèi)型有基于空域?yàn)V波的去噪算法、基于變換域的去噪算法和基于深度學(xué)習(xí)的去噪算法等[12]。根據(jù)前人的研究,空域?yàn)V波算法直接在利用滑動(dòng)窗口技術(shù),將某些特定頻段的噪聲濾除,有效地抑制了均勻區(qū)域的噪聲。而且空域?yàn)V波算法容易實(shí)現(xiàn)、實(shí)時(shí)性較好,因此基于空域?yàn)V波的去噪算法被廣泛應(yīng)用于SAR圖像相干斑噪聲的去除,常用的空域?yàn)V波算法有 Lee 濾波、Frost濾波和Kuan濾波等[13]。

對(duì)相干斑噪聲抑制的算法中,Frost濾波算法對(duì)相干斑抑制的效果較好,在SAR目標(biāo)識(shí)別領(lǐng)域中得到了廣泛的應(yīng)用。當(dāng)濾波窗口為(2N+1)×(2N+1)且濾波器的沖激響應(yīng)是雙邊指數(shù)函數(shù)時(shí),濾波算法公式的輸出結(jié)果表示如下

(2)

其中,wkl表示濾波器的權(quán)值,wkl的值直接影響著平滑的效果,其公式如下

(3)

式中,窗口內(nèi)像素(k,l)與(i,j)的歐氏距離表示為Dkl;ρ是一個(gè)微調(diào)因子;Vi,j和Ii,j分別表示在濾波窗口里的所有像素灰度值的方差以及均值,其函數(shù)表達(dá)式如下[14]:

(4)

(5)

3 基于正則化和優(yōu)化算法的卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力使其具有很高的研究和應(yīng)用價(jià)值,已成為了SAR圖像處理領(lǐng)域的研究熱點(diǎn)。

圖3所示為算法框架,本文設(shè)計(jì)了一個(gè)8層的卷積神經(jīng)網(wǎng)絡(luò)并對(duì)其進(jìn)行了改進(jìn),梯度下降算法選用Adam優(yōu)化算法,為了減小過(guò)擬合的影響,引入Dropout結(jié)構(gòu)和L2正則化項(xiàng),由此構(gòu)建了一個(gè)改進(jìn)的SAR目標(biāo)識(shí)別網(wǎng)絡(luò)[15]。對(duì)SAR圖像數(shù)據(jù)集進(jìn)行Frost濾波后,使用組合的數(shù)據(jù)增強(qiáng)方法將數(shù)據(jù)集擴(kuò)充,并將其送到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。

圖3 算法框架

3.1 網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)

本文設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示,單幅SAR圖像的尺寸為100×100。“Conv”表示卷積層,“96@11×11”表示此卷積層的96個(gè)卷積核大小為11×11,選擇修正線性單元ReLU作為激活函數(shù),卷積層的Padding模式均為“SAME”, 其輸出特征圖大小僅與步長(zhǎng)有關(guān)[16]?！癕ax pool 2×2”表示選擇Max Pool作為池化層,且下采樣窗口的大小為 2×2。

圖4 網(wǎng)絡(luò)整體結(jié)構(gòu)

圖5 卷積層部分通道特征圖可視化

將100×100×3大小的圖像輸入到網(wǎng)絡(luò)中,步長(zhǎng)為4,經(jīng)過(guò)第1個(gè)卷積核大小為11×11、步長(zhǎng)為4的卷積層后,輸出為96個(gè)大小為25×25的特征圖;通過(guò)第1個(gè)池化層后特征圖的大小變?yōu)?×6,此后步長(zhǎng)均為1;經(jīng)過(guò)第2個(gè)卷積核尺寸為5×5的卷積層后,輸出256個(gè)大小為6×6的特征圖,通過(guò)第2個(gè)池化層后特征圖的大小變?yōu)?×4;第3個(gè)卷積層的卷積核大小為3×3,輸出是384個(gè)大小為4×4的特征圖;通過(guò)第3個(gè)池化層后特征圖的大小為 2×2,該池化層將特征圖進(jìn)行展平。384個(gè) 2×2的特征圖展平后為一個(gè)1536維的向量,經(jīng)過(guò)全連接層后,10個(gè)神經(jīng)元節(jié)點(diǎn)經(jīng)過(guò)Softmax層后分別輸出該目標(biāo)對(duì)應(yīng)每個(gè)類(lèi)別的概率。

3.2 Dropout結(jié)構(gòu)和L2正則化的引入

深度學(xué)習(xí)模型具有強(qiáng)大的非線性擬合能力,使其能夠在很多復(fù)雜任務(wù)中有更高的識(shí)別精度及魯棒性。然而基于深度學(xué)習(xí)的算法在實(shí)際訓(xùn)練中往往會(huì)產(chǎn)生過(guò)擬合現(xiàn)象。當(dāng)網(wǎng)絡(luò)出現(xiàn)過(guò)擬合現(xiàn)象時(shí),通常解決的方法有兩種,一是減少特征,保留最重要的特征,即Dropout結(jié)構(gòu);二是懲罰不重要的特征的權(quán)重,即正則化方法。根據(jù)前人的研究,引入Dropout結(jié)構(gòu)和L2正則化項(xiàng)可以有效緩解網(wǎng)絡(luò)的過(guò)擬合現(xiàn)象,增強(qiáng)模型的泛化能力。

Dropout方法可以通過(guò)較低的計(jì)算代價(jià)使網(wǎng)絡(luò)獲得更強(qiáng)的泛化能力。在訓(xùn)練過(guò)程中,根據(jù)預(yù)先設(shè)定好的概率值隨機(jī)的將該層中部分輸出神經(jīng)元激活值置為零,則其與輸入神經(jīng)元之間連接上的網(wǎng)絡(luò)權(quán)重不再參與當(dāng)前迭代過(guò)程的參數(shù)更新,從而避免對(duì)局部特征的過(guò)擬合。此方法在訓(xùn)練過(guò)程中為網(wǎng)絡(luò)增加了稀疏性,也有效減小了特征之間的關(guān)聯(lián)度。

正則化是提高模型泛化能力、降低過(guò)擬合影響最常用的方法,在 L2 正則化中,將L2范式作為懲罰項(xiàng)加入到目標(biāo)函數(shù)即損失函數(shù)中,也就是加入了約束條件。L2 正則化的公式如下

(6)

參考文獻(xiàn)[15],在改進(jìn)后的CNN網(wǎng)絡(luò)中將Dropout概率設(shè)為0.3,選用交叉熵?fù)p失函數(shù),L2正則化項(xiàng)中λ設(shè)為0.005。

3.3 網(wǎng)絡(luò)優(yōu)化算法的選取

在深度學(xué)習(xí)領(lǐng)域中,常用的優(yōu)化算法有隨機(jī)梯度下降算法、小批量梯度下降算法等。然而,這些算法的學(xué)習(xí)率依賴(lài)于研究人員的經(jīng)驗(yàn)進(jìn)行人工調(diào)整,工作繁瑣且復(fù)雜。為了克服這些局限性,一些具有自適應(yīng)學(xué)習(xí)率的優(yōu)化算法應(yīng)運(yùn)而生。Adam算法是當(dāng)前深度學(xué)習(xí)領(lǐng)域中十分受歡迎的優(yōu)化算法。Adam是基于使用動(dòng)量的小批量梯度下降算法的優(yōu)化,其對(duì)梯度的一階矩估計(jì)和二階矩估計(jì)進(jìn)行了綜合考量來(lái)計(jì)算更新步長(zhǎng)[17]。Adam算法的所占用的內(nèi)存較小,計(jì)算高效,可以對(duì)不同的數(shù)據(jù)采用不同的自適應(yīng)學(xué)習(xí)速率。其公式如下

mt=β1*mt-1+(1-β1)*gt

(7)

(8)

(9)

(10)

(11)

在改進(jìn)后的CNN模型中,β1為0.9,β2為0.999,初始學(xué)習(xí)率η為0.001,ε為10e-6。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)平臺(tái)

本文的實(shí)驗(yàn)主要在64位windows 10.0操作系統(tǒng)環(huán)境下進(jìn)行,軟件環(huán)境主要基于深度學(xué)習(xí)跨框架keras-2.1.4版本和tensorflow-1.8.0版本,硬件平臺(tái)為一臺(tái)CPU為AMD Ryzen 7-5800、GPU 為 NVIDIA GeForce RTX 3060、內(nèi)存為 16G的計(jì)算機(jī)。

4.2 特征提取結(jié)果可視化

本文模型的設(shè)計(jì)共有三層卷積層,分別是Conv2d＿1、Conv2d＿2和Conv2d＿3,且每層卷積層分別得到了通道數(shù)為96、256、384的特征,因此每個(gè)階段分別輸出96、256和384幅特征圖。frost濾波前后,SAR圖像經(jīng)由第一層卷積層Conv＿1特征提取后的特征圖如圖4、5所示。選取特征圖的前4個(gè)通道,正如圖中所示,與未經(jīng)去噪的SAR特征圖相比,用frost算法處理后,提取的SAR圖像輪廓特征更加清晰,紋理信息更加豐富,便于后續(xù)的特征提取及分類(lèi),進(jìn)一步驗(yàn)證了SAR濾波算法是行之有效的。

將每層卷積層提取到的特征圖可視化后,選取通道4,特征圖由圖6所示,第一層特征圖包含的信息最多,輪廓特征更清晰,隨著層數(shù)加深,提取的特征越來(lái)越抽象,網(wǎng)絡(luò)學(xué)習(xí)到的特征越來(lái)越復(fù)雜。

圖6 模型特征提取流程圖

4.3 SAR圖像濾波結(jié)果分析

4.3.1 濾波結(jié)果評(píng)價(jià)指標(biāo)

主本文從客觀角度出發(fā),選用平均后向散射系數(shù)(PM)、有效視數(shù)(ENL)和邊緣保持指數(shù)(EPI)來(lái)評(píng)價(jià)SAR圖像濾波算法平滑噪聲的效果以及邊緣保持的能力。平均后向散射系數(shù)(PM)的公式可以表示為濾波前后圖像的均值之比,是評(píng)價(jià)算法保持圖像后向散射系數(shù)能力好壞的指標(biāo)[19]。

有效視數(shù)(ENL)是衡量圖像相干斑噪聲強(qiáng)弱的指標(biāo),其公式如式(12)所示。其中u和σ分別表示一塊區(qū)域像素的均值和標(biāo)準(zhǔn)差。有效視數(shù)越大,表明該算法去除噪聲能力越強(qiáng)。

(12)

(13)

4.3.2 濾波結(jié)果分析

本文選用濾波窗口大小為7×7,依據(jù)各評(píng)價(jià)指標(biāo)對(duì)三種濾波算法效果進(jìn)行評(píng)價(jià),結(jié)果見(jiàn)表1。

表1 各濾波算法抑斑性能比較

從表1中可以看出,Frost算法的有效視數(shù)最大,說(shuō)明其去除噪聲的能力越強(qiáng),且其PM值也最接近原圖像的1值,說(shuō)明其去噪后圖像的灰度值分散性較小。Lee算法的邊緣保持指數(shù)最大說(shuō)明其對(duì)圖像的邊緣信息進(jìn)行了較好的保存,但其有效視數(shù)最低,則其去噪能力較弱。綜合表1中的三個(gè)評(píng)價(jià)指標(biāo),雖然Frost算法邊緣保持能力較弱,使濾波后圖像喪失了邊緣部分紋理細(xì)節(jié),圖像分辨率有所降低,但其PM值和ENL值最大,其綜合性能最好,可以有效的濾除相干斑噪聲。

為了進(jìn)一步證明Frost算法在本文方法的有效性,本文對(duì)每一種濾波算法做了單獨(dú)實(shí)驗(yàn),使用SOC條件下MSTAR數(shù)據(jù)集的十類(lèi)SAR圖像目標(biāo),分別比較了三種濾波方法,如表2所示。

表2 數(shù)據(jù)增強(qiáng)后不同濾波方法在MSTAR數(shù)據(jù)集上的識(shí)別率

從表2中可以看出,沒(méi)有施加任何濾波算法時(shí),改進(jìn)后的CNN的檢測(cè)正確率為96.44%。分析可得:每種濾波算法雖以犧牲圖像分辨率為代價(jià)降低噪聲的影響,但對(duì)最后識(shí)別正確率的提升都發(fā)揮了作用,而采用Frost濾波方法得到的結(jié)果最優(yōu),其識(shí)別率達(dá)到了98.06%。

4.4 SAR圖像識(shí)別結(jié)果分析

4.4.1 模型評(píng)價(jià)指標(biāo)

為了驗(yàn)證本文提出方法的有效性,采用了深度學(xué)習(xí)中常用的四種不同的評(píng)價(jià)指標(biāo)進(jìn)行評(píng)估:準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)和F1度量(F1-score),如下式所示。

(14)

(15)

(16)

(17)

其中,TP表示屬于正例的樣本被正確劃分為正例;TN表示屬于正例的樣本但被劃分為負(fù)例;FP表示屬于負(fù)例的樣本但被劃分為正例;FN表示屬于負(fù)例的樣本且被劃分為負(fù)例。

4.4.2 對(duì)比實(shí)驗(yàn)

為了證明本文所使用的技術(shù)對(duì)提高分類(lèi)性能的有效性,依次對(duì)基線未改進(jìn)的CNN模型引入Dropout結(jié)構(gòu)及L2正則化項(xiàng)、數(shù)據(jù)增強(qiáng)方法以及SAR圖像濾波處理算法,利用MSTAR數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),得到的對(duì)比實(shí)驗(yàn)結(jié)果如表3所示。

表3 對(duì)比實(shí)驗(yàn)測(cè)試結(jié)果

從表3可以看出,依次對(duì)基線未改進(jìn)的CNN模型引入Dropout結(jié)構(gòu)及L2正則化項(xiàng)、數(shù)據(jù)增強(qiáng)方法以及SAR圖像濾波處理算法在各個(gè)評(píng)價(jià)指標(biāo)上的精度均優(yōu)于基線CNN模型。對(duì)基線CNN模型引入Dropout結(jié)構(gòu)及L2正則化項(xiàng)后,準(zhǔn)確率提升了1.02%;在此基礎(chǔ)上,繼而再對(duì)SAR圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)方法后,準(zhǔn)確率提升了3.37%,最后加入frost濾波算法對(duì)SAR圖像進(jìn)行去噪,準(zhǔn)確率提升了1.62%。本文提出的基于frost濾波的改進(jìn)CNN模型的識(shí)別方法相較于未改進(jìn)的CNN模型在準(zhǔn)確率上提升了6.01個(gè)百分點(diǎn)。在ROC曲線的繪制中,取十類(lèi)目標(biāo)ROC曲線的均值,如圖7所示,從結(jié)果中可以看出,本文提出的方法在十分類(lèi)SAR圖像數(shù)據(jù)上都達(dá)到了最優(yōu)ROC曲線和總體最大的AUC值,進(jìn)一步證明了本文的模型具有很好的泛化力。

圖7 不同模型的ROC曲線

4.4.3 模型實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中,采用SOC條件下采集的MSTAR數(shù)據(jù)集,目標(biāo)包括2S1、BRDM2、BTR60、D7、BTR70(BTR70＿SNC71)、T72(T72＿SN132)、BMP2(BMP2＿SN9563)、T62、ZIL131、ZSU234、等10類(lèi),訓(xùn)練集圖像共2636張,測(cè)試集圖像共2536張。對(duì)數(shù)據(jù)進(jìn)行Frost濾波后,選擇剪切強(qiáng)度為0.2、旋轉(zhuǎn)角度為20°、縮放比例為0.2和水平翻轉(zhuǎn)組合的方式進(jìn)行數(shù)據(jù)增強(qiáng),圖8為模型的混淆矩陣結(jié)果。

圖8 模型混淆矩陣

表4為本文提出模型的各性能指標(biāo),從表4的結(jié)果中可以看出,本文方法對(duì)10類(lèi)SAR圖像目標(biāo)分類(lèi)的平均識(shí)別準(zhǔn)確率可以達(dá)到98.06%,具有較好的識(shí)別效果,同時(shí)也表明了本文方法具有較高的泛化能力和魯棒性。同時(shí),本文設(shè)計(jì)的模型在精確率、召回率以及F1 度量上分別達(dá)到了98.02%、97.96%和97.99%,精確率越高說(shuō)明模型查找正樣本的能力越準(zhǔn),召回率越高意味著模型尋找正樣本的能力越強(qiáng),驗(yàn)證了本文提出算法的有效性。

表4 10類(lèi)MSTAR目標(biāo)識(shí)別結(jié)果

前人的研究多是通過(guò)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)來(lái)提升SAR圖像分類(lèi)的準(zhǔn)確率,卻很少有人考慮相干斑噪聲的影響。忽略SAR圖像的相干斑噪聲會(huì)導(dǎo)致后續(xù)處理時(shí)復(fù)雜程度更高,影響目標(biāo)識(shí)別的準(zhǔn)確率;并且,也很少有研究學(xué)者進(jìn)行數(shù)據(jù)擴(kuò)充的操作,由于卷積神經(jīng)網(wǎng)絡(luò)具有主動(dòng)提取特征的特性,使得其在訓(xùn)練過(guò)程中通常需要大量的數(shù)據(jù)來(lái)進(jìn)行特征提取,未進(jìn)行數(shù)據(jù)擴(kuò)充操作往往會(huì)導(dǎo)致模型過(guò)擬合,從而影響識(shí)別效果。同時(shí),本文為了抑制模型過(guò)擬合現(xiàn)象,引入了dropout結(jié)構(gòu)和L2正則化項(xiàng),降低了模型復(fù)雜度,對(duì)最終模型的識(shí)別起到了關(guān)鍵性的作用。本文在盡量保證圖片細(xì)節(jié)和邊緣信息不丟失的情況下,對(duì)SAR圖像進(jìn)行了濾波處理,抑制了相干斑噪聲對(duì)SAR圖像分類(lèi)的影響,提高了SAR圖像分類(lèi)的準(zhǔn)確率。為進(jìn)一步驗(yàn)證本文方法的有效性,與前人的研究方法相比,在MSTAR數(shù)據(jù)集上,本文的識(shí)別準(zhǔn)確率具有一定的優(yōu)越性,對(duì)比結(jié)果如表5所示。

表5 MSTAR數(shù)據(jù)集下不同算法的分類(lèi)結(jié)果

5 結(jié) 論

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別方法,通過(guò)加入Dropout結(jié)構(gòu)以及L2正則化項(xiàng),梯度下降算法選用Adam算法,改進(jìn)優(yōu)化了卷積神經(jīng)網(wǎng)絡(luò),有效抑制了過(guò)擬合。利用Frost濾波算法對(duì)圖像數(shù)據(jù)去噪后,通過(guò)數(shù)據(jù)增強(qiáng)方法擴(kuò)充樣本在MSTAR數(shù)據(jù)集上進(jìn)行了驗(yàn)證。結(jié)果表明,本文方法在MSTAR數(shù)據(jù)集十類(lèi)目標(biāo)分類(lèi)實(shí)驗(yàn)中,平均識(shí)別率可以達(dá)到98.06%,在精確率、召回率以及F1度量上均達(dá)到了較高的精度。

在本文的基礎(chǔ)上,可以對(duì)Frost算法作進(jìn)一步改進(jìn)。由于Frost濾波算法邊緣保持能力較弱,可通過(guò)調(diào)整濾波器的權(quán)值來(lái)改善邊緣保持的效果。因此,設(shè)計(jì)出一種既能有效去除噪聲又能很好地保持圖像邊緣紋理細(xì)節(jié)的濾波算法,也是下一步的重要研究方向之一。