探究基于深度学习神经网络的SAR图像目标识别算法

姚晓峰　武利秀　章伟

摘要：在各种技术手段的发展与进步过程中，成像技术逐渐成熟，而SAR图像解译系统在发展中无法满足实际需求，导致出现了SAR图像有效信息大量遗漏的问题。因为SAR图像在应用中具有相干成像机制的特征，再进行图像轮廓细节提取过程中存在模糊以及图像特征提取困难等特征，这样就会导致在SAR图像中无法普遍应用光学图像解释，导致SAR图像系统发展较为缓慢。而探究基于深度学习神经网络的SAR图像目标识别算法，则可以优化SAR图像目标识别算，提升整体性能，基于此，文章对其进行了简单的论述分析。

关键词：SAR图像目标识别算法; 层叠受限玻尔兹曼机;广义回归神经网络

中图分类号：TP393      文献标识码：A

文章编号：1009-3044（2019）13-0215-02

1 SAR自动目标识别

1.1 SAR自动目标识别分类

1.1.1基于图像分类的SAR-ATR系统

此系统主要就是把图像像素作为主要的平板标准参数，对比图像像素相似度，可以进行图像目标分类。较为常见的主要就是利用CFAR分类器进行处理。而基于图像分类SAR-ATR系统具有较为显著的通用性特征，而在检测中会耗费一定的时间，其准确性也稍有不足，系统性能具有一定的提升空间。

1.1.2基于特征分类系统

在SAR-ATR系统中SAR图像在解释过程中要先对大场景中的SAR图像提取对数分析、降噪操作，进行后续处理，在大场景SAR图像中确定目标感应区区域，进行细筛选，通过分类器筛选虚警、识别各种目标参数信息。其主要就是进行SAR图像预处理、潜在目标检测、疑似目标分类识别三个流程，在处理中虽然数据处理越来越复杂，但是在目标筛选之后，会在根本上简化数据处理量，这样就会提升系统目标检测识别效率，其主要流程如下图1：

1.2改进之后增强Lee滤波

现阶段，对于极化SAR图像相干斑抑制算法研究中应用最为广泛的就是Lee滤波方式，增强Lee滤波通过局部统计的方式进行分析，可以对乘性噪声图像模型信息进行线性化处理，而在处理中，增强滤波仅仅会实现平滑相干噪声的作用，无法有效的保持图像的边缘信息内容。在将其作为SAR图像特征信息，对其进行改进优化。在设计中要将滤波窗口设置为5*5，在对其进行扫描分析，计算数值信息，判断分析。

2 探究基于深度学习神经网络的SAR图像目标识别算法

2.1层叠受限玻尔兹曼机与广义回归神经网络

2.1.1基于层叠受限玻尔兹曼机改进训练

Contrastive Divergence 训练算法中通过K步中Gibbs采样样本替代模型的期望值，此种方式在应用存在一定的问题，会导致训练进入局部最优。在对其优化过程中，基于此种方式为基础，改进遗传算法优化的一种RBM训练方式，利用此种方式可以获得全局的最优数值，在优化完善之中，其权值更新以及参数更新主要就是通过[Δωij=vihidata=k=1Nvihi]进行处理。

此算法相对于传统的遗传算法来说，在计算中通过实数编码表示基因编辑参数，可以获得更高得空间范围检索信息，可以有效的提升算法运行的效率与精度，在优化过程中可以合理的调整交叉概率以及变异的概率参数信息。在对其进行深度神经网络训练处理之前，可以利用优化GA的优化算法进行优化处理RBM的学习率，优化目标绘函数主要为fitness=DLerrcr（k），DLerrcr（k）表示的就是不同学习率之下深度学习神经网络系统中的训练误差。而利用改进GA优化算法的方式进行学习率优化，其主要过程如下：

2.1.2广义回归神经网络系统

广义回归神经网络是一种径向的基神经网络变化方式，在网络中主要可以分为输入层、模式层以及求和层、输出层四层神经元。其中输入层中的神经元数目与在学习样本中输入的向量维数是相等的。主要就是通过各神经元直接输入相关变量，将其传递给模式层。在模式层中的神经元数目与学习样本的数目数量相等。求和层中含有两种神经元求和模式，其中一种的作用就是对在模式层中神经元输出运算进行求和;而另一种则主要就是对在模式层中神经元的输出加权求和。输出层中的神经元输出主要就是通过求和层中不同的神经元和值输出进行相除，则可以得到估计的结果信息。根据不同的输出计算公式，则就可以获得网络输出的公式，其主要为：

在公式中估计值中的样本观测值的加权评卷，不同观测值的权重因子军事相应的样本Xi以及X则表示Euclid距离平方指数参数。

2.1.3实验仿真

基于层叠受限玻尔兹曼机与广义回归神经网络的深度学习神经网络进行SAR图像进行改进优化，增强Lee滤波处理，结果如下图所示。通过仿真结果分析，发现在改进Lee濾波之后SAR图像中会有效的降低纹斑噪声产生的干扰，图像中灰度值呈现均匀分布，其目标也更为清晰。在改进之后的滤波算法与原图更为接近，相对标准差与原图也更为接近。这些指标数据可以明确的分析原图像中斑点噪声，抑制问题，图像细节有效保留，可以提取更为精准的特征信号与参数。

2.3一体化SAR目标检测识别模型

2.3.1卷积神经网络组成结构

卷积神经网络在应用中可以有效的实现自动提取目标显著特征，其具有较高得鲁棒性，具有图像输入结果输出端到端之间的处理功能，在图像处理以及计算机视觉等领域中广泛应用。在结构上来说，其基础结构可以划分为卷积层、池化层、特征图、输出以及全连接层。在网络中，通过提取特征的卷基层进行特征筛选，池化层交替出现，可以进行浅层特征以及深层特征的合理提取以及筛选，在通过全连接层进行特征图处理分析，则可以实现分类与识别整个过程分析。因为卷积层中卷积核以及输入图像中进行局部的链接，则可以通过连接权值进行局部的加权处理，在进行偏置项则可以获得输出的特征信息图。

2.3.2卷积神经网络关键函数

运算函数是关键内容，在卷积神经网络系统中有三种关键函数，其主要为特征映射引入非线性因素激活函数、可以进行反向传播与循环递归的一种多任务损失函数、多类别分类识别函数。

2.3.3卷积神经网络训练方法

第一，前向传播

神经网络通过前向传播以及反向传播算法可以实现学习过程以及层次之间的优化分析，具有良好的表征能力检测模型系统。前向传播公式推导中主要通过平方误差替代函数，综合不同样本中的问题进行前向传播。

第二，反向传播

反向传播的主要目的就是前向传播中获得的结果与信息对比分析，分析误差因素，对其进行结果的反馈分析，通过调整参数的方式获得与实际更为接近的结果信息。

第三，权值共享

因为图像特征具有位置无关性以及高度重复的特征，在相同区域范围中的特征也会在其他区域中存在，对此，在图像处理中可以通过特定模板进行全图的匹配分析，这样则就可以简单、快速的提取图像中的特征参数信息。

CNN网络中不同卷积核中对于输入图像中应用遍历方法提取图像特定特征信息。在遍历中卷积核参数固定不点，通过模板检测方式，固定参数卷积核则可以作为可以与其特征匹配的模板参数，这样就可以在整幅图像中提取特定参数特征，在图像中不同元素“匹配滤波”权值。

因为参数固定等因素影响，卷积核主要就是局限在特定特征监测提取上，通过此卷积核进行图像滤波的时候，要提取全图中特定特征，并且抛弃冗余特征，进行多特征提取分析，在每个层中要设计不同的卷积核。

2.3.4实验结果及分析

综合SAR数据稀缺性与神经网络训练样本数量参数要求，分析基本训练要求，为了避免因为训练样本相对网络过少的时候不同训练样本特征过度提取而造成的拟合问题，限制网络模型泛化应用能力，则就要进行样本数量扩充处理。基于一体化模型进行评估实验分析，通过一体化模型能够自动提取SAR图像目标，其具有较为典型的代表性特征，可以通过这些特征进行监测图像目标精确定位分析与识别，其监测识别正确率较高，具有良好的抗噪性能以及平移不变性特征，具有良好的鲁棒性。

3 结束语

基于机械学习方式设计SAR-ATR系统缺陷问题，将深度学习方式与SAR图像目标检测识别有效融合，利用卷积神经网络进行处理，可以实现目标定位、检测以及识别，通过 基于层叠受限玻尔兹曼机与广义回归神经网络的深度学习神经网络以及一体化SAR目标检测识别模型进行分析，可以提升整体性能。

参考文献：

[1] 陈永生.基于深度学习的SAR自动目标识别方法研究[D].江西理工大学，2018.

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

[3] 蔣鑫.基于深度学习的SAR图像目标识别分类研究[D].电子科技大学，2018.

[4] 王思飞.基于深度学习的SAR图像目标检测识别一体化方法研究[D].电子科技大学，2018.

[5] 梁鑫，徐慧.基于深度学习神经网络的SAR图像目标识别算法[J].江汉大学学报（自然科学版），2016，44（02）：131-136.

【通联编辑：光文玲】