探究基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別算法

姚曉峰　武利秀　章偉

摘要：在各種技術(shù)手段的發(fā)展與進(jìn)步過程中，成像技術(shù)逐漸成熟，而SAR圖像解譯系統(tǒng)在發(fā)展中無(wú)法滿足實(shí)際需求，導(dǎo)致出現(xiàn)了SAR圖像有效信息大量遺漏的問題。因?yàn)镾AR圖像在應(yīng)用中具有相干成像機(jī)制的特征，再進(jìn)行圖像輪廓細(xì)節(jié)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(huì)導(dǎo)致在SAR圖像中無(wú)法普遍應(yīng)用光學(xué)圖像解釋，導(dǎo)致SAR圖像系統(tǒng)發(fā)展較為緩慢。而探究基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別算法，則可以優(yōu)化SAR圖像目標(biāo)識(shí)別算，提升整體性能，基于此，文章對(duì)其進(jìn)行了簡(jiǎn)單的論述分析。

關(guān)鍵詞：SAR圖像目標(biāo)識(shí)別算法; 層疊受限玻爾茲曼機(jī);廣義回歸神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP393 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）13-0215-02

1 SAR自動(dòng)目標(biāo)識(shí)別

1.1 SAR自動(dòng)目標(biāo)識(shí)別分類

1.1.1基于圖像分類的SAR-ATR系統(tǒng)

此系統(tǒng)主要就是把圖像像素作為主要的平板標(biāo)準(zhǔn)參數(shù)，對(duì)比圖像像素相似度，可以進(jìn)行圖像目標(biāo)分類。較為常見的主要就是利用CFAR分類器進(jìn)行處理。而基于圖像分類SAR-ATR系統(tǒng)具有較為顯著的通用性特征，而在檢測(cè)中會(huì)耗費(fèi)一定的時(shí)間，其準(zhǔn)確性也稍有不足，系統(tǒng)性能具有一定的提升空間。

1.1.2基于特征分類系統(tǒng)

在SAR-ATR系統(tǒng)中SAR圖像在解釋過程中要先對(duì)大場(chǎng)景中的SAR圖像提取對(duì)數(shù)分析、降噪操作，進(jìn)行后續(xù)處理，在大場(chǎng)景SAR圖像中確定目標(biāo)感應(yīng)區(qū)區(qū)域，進(jìn)行細(xì)篩選，通過分類器篩選虛警、識(shí)別各種目標(biāo)參數(shù)信息。其主要就是進(jìn)行SAR圖像預(yù)處理、潛在目標(biāo)檢測(cè)、疑似目標(biāo)分類識(shí)別三個(gè)流程，在處理中雖然數(shù)據(jù)處理越來(lái)越復(fù)雜，但是在目標(biāo)篩選之后，會(huì)在根本上簡(jiǎn)化數(shù)據(jù)處理量，這樣就會(huì)提升系統(tǒng)目標(biāo)檢測(cè)識(shí)別效率，其主要流程如下圖1：

1.2改進(jìn)之后增強(qiáng)Lee濾波

現(xiàn)階段，對(duì)于極化SAR圖像相干斑抑制算法研究中應(yīng)用最為廣泛的就是Lee濾波方式，增強(qiáng)Lee濾波通過局部統(tǒng)計(jì)的方式進(jìn)行分析，可以對(duì)乘性噪聲圖像模型信息進(jìn)行線性化處理，而在處理中，增強(qiáng)濾波僅僅會(huì)實(shí)現(xiàn)平滑相干噪聲的作用，無(wú)法有效的保持圖像的邊緣信息內(nèi)容。在將其作為SAR圖像特征信息，對(duì)其進(jìn)行改進(jìn)優(yōu)化。在設(shè)計(jì)中要將濾波窗口設(shè)置為5*5，在對(duì)其進(jìn)行掃描分析，計(jì)算數(shù)值信息，判斷分析。

2 探究基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別算法

2.1層疊受限玻爾茲曼機(jī)與廣義回歸神經(jīng)網(wǎng)絡(luò)

2.1.1基于層疊受限玻爾茲曼機(jī)改進(jìn)訓(xùn)練

Contrastive Divergence 訓(xùn)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(yīng)用存在一定的問題，會(huì)導(dǎo)致訓(xùn)練進(jìn)入局部最優(yōu)。在對(duì)其優(yōu)化過程中，基于此種方式為基礎(chǔ)，改進(jìn)遺傳算法優(yōu)化的一種RBM訓(xùn)練方式，利用此種方式可以獲得全局的最優(yōu)數(shù)值，在優(yōu)化完善之中，其權(quán)值更新以及參數(shù)更新主要就是通過[Δωij=vihidata=k=1Nvihi]進(jìn)行處理。

此算法相對(duì)于傳統(tǒng)的遺傳算法來(lái)說，在計(jì)算中通過實(shí)數(shù)編碼表示基因編輯參數(shù)，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(yùn)行的效率與精度，在優(yōu)化過程中可以合理的調(diào)整交叉概率以及變異的概率參數(shù)信息。在對(duì)其進(jìn)行深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練處理之前，可以利用優(yōu)化GA的優(yōu)化算法進(jìn)行優(yōu)化處理RBM的學(xué)習(xí)率，優(yōu)化目標(biāo)繪函數(shù)主要為fitness=DLerrcr（k），DLerrcr（k）表示的就是不同學(xué)習(xí)率之下深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)系統(tǒng)中的訓(xùn)練誤差。而利用改進(jìn)GA優(yōu)化算法的方式進(jìn)行學(xué)習(xí)率優(yōu)化，其主要過程如下：

2.1.2廣義回歸神經(jīng)網(wǎng)絡(luò)系統(tǒng)

廣義回歸神經(jīng)網(wǎng)絡(luò)是一種徑向的基神經(jīng)網(wǎng)絡(luò)變化方式，在網(wǎng)絡(luò)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(jīng)元。其中輸入層中的神經(jīng)元數(shù)目與在學(xué)習(xí)樣本中輸入的向量維數(shù)是相等的。主要就是通過各神經(jīng)元直接輸入相關(guān)變量，將其傳遞給模式層。在模式層中的神經(jīng)元數(shù)目與學(xué)習(xí)樣本的數(shù)目數(shù)量相等。求和層中含有兩種神經(jīng)元求和模式，其中一種的作用就是對(duì)在模式層中神經(jīng)元輸出運(yùn)算進(jìn)行求和;而另一種則主要就是對(duì)在模式層中神經(jīng)元的輸出加權(quán)求和。輸出層中的神經(jīng)元輸出主要就是通過求和層中不同的神經(jīng)元和值輸出進(jìn)行相除，則可以得到估計(jì)的結(jié)果信息。根據(jù)不同的輸出計(jì)算公式，則就可以獲得網(wǎng)絡(luò)輸出的公式，其主要為：

在公式中估計(jì)值中的樣本觀測(cè)值的加權(quán)評(píng)卷，不同觀測(cè)值的權(quán)重因子軍事相應(yīng)的樣本Xi以及X則表示Euclid距離平方指數(shù)參數(shù)。

2.1.3實(shí)驗(yàn)仿真

基于層疊受限玻爾茲曼機(jī)與廣義回歸神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行SAR圖像進(jìn)行改進(jìn)優(yōu)化，增強(qiáng)Lee濾波處理，結(jié)果如下圖所示。通過仿真結(jié)果分析，發(fā)現(xiàn)在改進(jìn)Lee濾波之后SAR圖像中會(huì)有效的降低紋斑噪聲產(chǎn)生的干擾，圖像中灰度值呈現(xiàn)均勻分布，其目標(biāo)也更為清晰。在改進(jìn)之后的濾波算法與原圖更為接近，相對(duì)標(biāo)準(zhǔn)差與原圖也更為接近。這些指標(biāo)數(shù)據(jù)可以明確的分析原圖像中斑點(diǎn)噪聲，抑制問題，圖像細(xì)節(jié)有效保留，可以提取更為精準(zhǔn)的特征信號(hào)與參數(shù)。

2.3一體化SAR目標(biāo)檢測(cè)識(shí)別模型

2.3.1卷積神經(jīng)網(wǎng)絡(luò)組成結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)在應(yīng)用中可以有效的實(shí)現(xiàn)自動(dòng)提取目標(biāo)顯著特征，其具有較高得魯棒性，具有圖像輸入結(jié)果輸出端到端之間的處理功能，在圖像處理以及計(jì)算機(jī)視覺等領(lǐng)域中廣泛應(yīng)用。在結(jié)構(gòu)上來(lái)說，其基礎(chǔ)結(jié)構(gòu)可以劃分為卷積層、池化層、特征圖、輸出以及全連接層。在網(wǎng)絡(luò)中，通過提取特征的卷基層進(jìn)行特征篩選，池化層交替出現(xiàn)，可以進(jìn)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(jìn)行特征圖處理分析，則可以實(shí)現(xiàn)分類與識(shí)別整個(gè)過程分析。因?yàn)榫矸e層中卷積核以及輸入圖像中進(jìn)行局部的鏈接，則可以通過連接權(quán)值進(jìn)行局部的加權(quán)處理，在進(jìn)行偏置項(xiàng)則可以獲得輸出的特征信息圖。

2.3.2卷積神經(jīng)網(wǎng)絡(luò)關(guān)鍵函數(shù)

運(yùn)算函數(shù)是關(guān)鍵內(nèi)容，在卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)中有三種關(guān)鍵函數(shù)，其主要為特征映射引入非線性因素激活函數(shù)、可以進(jìn)行反向傳播與循環(huán)遞歸的一種多任務(wù)損失函數(shù)、多類別分類識(shí)別函數(shù)。

2.3.3卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法

第一，前向傳播

神經(jīng)網(wǎng)絡(luò)通過前向傳播以及反向傳播算法可以實(shí)現(xiàn)學(xué)習(xí)過程以及層次之間的優(yōu)化分析，具有良好的表征能力檢測(cè)模型系統(tǒng)。前向傳播公式推導(dǎo)中主要通過平方誤差替代函數(shù)，綜合不同樣本中的問題進(jìn)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(jié)果與信息對(duì)比分析，分析誤差因素，對(duì)其進(jìn)行結(jié)果的反饋分析，通過調(diào)整參數(shù)的方式獲得與實(shí)際更為接近的結(jié)果信息。

第三，權(quán)值共享

因?yàn)閳D像特征具有位置無(wú)關(guān)性以及高度重復(fù)的特征，在相同區(qū)域范圍中的特征也會(huì)在其他區(qū)域中存在，對(duì)此，在圖像處理中可以通過特定模板進(jìn)行全圖的匹配分析，這樣則就可以簡(jiǎn)單、快速的提取圖像中的特征參數(shù)信息。

CNN網(wǎng)絡(luò)中不同卷積核中對(duì)于輸入圖像中應(yīng)用遍歷方法提取圖像特定特征信息。在遍歷中卷積核參數(shù)固定不點(diǎn)，通過模板檢測(cè)方式，固定參數(shù)卷積核則可以作為可以與其特征匹配的模板參數(shù)，這樣就可以在整幅圖像中提取特定參數(shù)特征，在圖像中不同元素“匹配濾波”權(quán)值。

因?yàn)閰?shù)固定等因素影響，卷積核主要就是局限在特定特征監(jiān)測(cè)提取上，通過此卷積核進(jìn)行圖像濾波的時(shí)候，要提取全圖中特定特征，并且拋棄冗余特征，進(jìn)行多特征提取分析，在每個(gè)層中要設(shè)計(jì)不同的卷積核。

2.3.4實(shí)驗(yàn)結(jié)果及分析

綜合SAR數(shù)據(jù)稀缺性與神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)量參數(shù)要求，分析基本訓(xùn)練要求，為了避免因?yàn)橛?xùn)練樣本相對(duì)網(wǎng)絡(luò)過少的時(shí)候不同訓(xùn)練樣本特征過度提取而造成的擬合問題，限制網(wǎng)絡(luò)模型泛化應(yīng)用能力，則就要進(jìn)行樣本數(shù)量擴(kuò)充處理?；谝惑w化模型進(jìn)行評(píng)估實(shí)驗(yàn)分析，通過一體化模型能夠自動(dòng)提取SAR圖像目標(biāo)，其具有較為典型的代表性特征，可以通過這些特征進(jìn)行監(jiān)測(cè)圖像目標(biāo)精確定位分析與識(shí)別，其監(jiān)測(cè)識(shí)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(jié)束語(yǔ)

基于機(jī)械學(xué)習(xí)方式設(shè)計(jì)SAR-ATR系統(tǒng)缺陷問題，將深度學(xué)習(xí)方式與SAR圖像目標(biāo)檢測(cè)識(shí)別有效融合，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，可以實(shí)現(xiàn)目標(biāo)定位、檢測(cè)以及識(shí)別，通過 基于層疊受限玻爾茲曼機(jī)與廣義回歸神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)以及一體化SAR目標(biāo)檢測(cè)識(shí)別模型進(jìn)行分析，可以提升整體性能。

參考文獻(xiàn)：

[1] 陳永生.基于深度學(xué)習(xí)的SAR自動(dòng)目標(biāo)識(shí)別方法研究[D].江西理工大學(xué)，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(xué)習(xí)的SAR圖像目標(biāo)識(shí)別分類研究[D].電子科技大學(xué)，2018.

[4] 王思飛.基于深度學(xué)習(xí)的SAR圖像目標(biāo)檢測(cè)識(shí)別一體化方法研究[D].電子科技大學(xué)，2018.

[5] 梁鑫，徐慧.基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別算法[J].江漢大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，44（02）：131-136.

【通聯(lián)編輯：光文玲】