基于不确定性感知的SAR目标识别方法及相关装置

摘要: 本发明涉及合成孔径雷达,尤其涉及基于不确定性感知的sar目标识别方法及相关装置。背景技术:1、合成孔径雷达(syntheticapertureradar,sar...
基于不确定性感知的SAR目标识别方法及相关装置

本发明涉及合成孔径雷达,尤其涉及基于不确定性感知的sar目标识别方法及相关装置。

背景技术:

1、合成孔径雷达(synthetic aperture radar,sar)是一种具有全天时、全天候、高分辨率成像能力的主动式微波遥感技术。sar自动目标识别受到越来越广泛的关注。

2、目前,利用阴影信息的sar目标识别方法大体可分为三类:基于阴影相关输入的方法、基于目标-阴影分解的方法以及基于阴影引导的特征提取的方法。如下:

3、1、基于阴影相关输入的方法将阴影相关信息作为识别网络的附加输入或辅助模态,使模型能够利用目标散射响应之外的互补结构信息。存在一些问题:1)阴影信息仅作为输入,无法在深层判别性特征提取过程中参与调制;2)二值掩膜模的分割误差直接输入网络,缺乏对掩膜不确定性的建模能力。

4、2、基于目标-阴影分解的方法明确分解目标和阴影分量,分别对其互补特征进行建模用于sar目标识别。由于旁瓣、叠掩、斑点噪声和低背散射背景,sar阴影区域具有固有的不确定性,从而导致模糊或不完整的边界。存在一些问题:1)阴影信息仅作为输入,无法在深层判别性特征提取过程中参与调制;2)二值掩膜模的分割误差直接输入网络,缺乏对掩膜不确定性的建模能力。

5、3、基于阴影引导的特征提取的方法利用阴影信息指导特征学习过程,通过强调阴影感知的判别性区域来增强目标表征。此类方法的核心在于将阴影信息作为空间先验嵌入特征提取阶段,而非仅作为输入或分解分量。具体而言,此类方法通常采用二值目标和阴影掩膜模对多尺度特征表示进行调制,使网络在不同尺度和空间位置上自适应地关注与阴影相关的判别区域。存在一些问题:1)现有方法通常在孤立的阶段利用阴影信息,要么作为输入增强,要么仅在后期识别阶段利用,而不将其整合到分层特征学习过程中,导致在由浅层到深层的判别特征形成过程中缺乏对阴影信息的充分利用。2)由于旁瓣、叠掩、斑点噪声和低背散射背景,sar阴影区域具有固有的不确定性,从而导致模糊或不完整的边界。然而,现有方法将sar图像的阴影二值化为确定性掩膜模,这可能导致分割错误从而影响识别性能。3)融合方式简单。现有方法通常用辅助调制特征替换原始识别特征,可能会破坏原始特征中蕴含的目标与阴影间的内在关联,并且缺乏对两个特征源的贡献的自适应平衡。

技术实现思路

1、为了解决上述技术问题,本发明提出一种基于不确定性感知的sar目标识别方法及相关装置,为目标和阴影区域引入了两个结构相同但独立参数化的特征提取网络,生成用于后续处理的目标分割特征和阴影分割特征。在此框架下,提出了概率图转化(probabilistic map transformation, pmt)模块,将目标多尺度掩膜和阴影多尺度掩膜转换为概率图,从而明确地对阴影和目标分割中的不确定性进行建模。在目标概率图和阴影概率图的基础上,进一步提出了自适应加权残差融合(adaptive weighted residualfusion, awrf)模块,通过可学习的残差加权将原始识别特征与概率图调制特征集成在一起。该设计选择性地增强了具有判别性的目标和阴影区域,同时保留了原始sar图像中存在的判别信息,从而实现了不确定性感知特征融合,实现了鲁棒识别。

2、为了达到上述目的,本发明的技术方案如下:

3、基于不确定性感知的sar目标识别方法,包括如下步骤:

4、获取待处理sar图像;

5、对所述待处理sar图像进行分割处理,获得目标多尺度掩膜和阴影多尺度掩膜;

6、将所述待处理sar图像输入至预训练的目标识别融合网络,获得识别结果;

7、其中,所述目标识别融合网络的处理过程包括:所述待处理sar图像分别输入并行的sar目标特征提取网络、主干网络和sar阴影特征提取网络中,采用概率图转化模块,对sar目标特征提取网络当前层输出的目标分割特征和目标多尺度掩膜进行转换,生成当前层的目标概率图;采用概率图转化模块,对sar阴影特征提取网络当前层输出的阴影分割特征和阴影多尺度掩膜进行转换,生成当前层的阴影概率图;

8、对当前层的目标概率图、当前层的阴影概率图与待处理sar图像进行融合处理,获得融合后特征图;

9、将所述融合后特征图作为主干网络下一层的输入并与下一层的目标概率图、阴影概率图进行融合处理,逐层进行直至主干网络的最后一层,获得最终的融合特征;

10、将所述最终的融合特征输入至分类器,获得识别结果。

11、优选地,对所述待处理sar图像进行分割处理,获得目标多尺度掩膜和阴影多尺度掩膜,包括如下步骤:

12、利用otsu阈值对所述待处理sar图像进行二值分割,获得目标掩膜和阴影掩膜;

13、对所述目标掩膜进行双边滤波和逐层降采样处理,获得目标多尺度掩膜;

14、对所述阴影掩膜进行双边滤波和逐层降采样处理,获得阴影多尺度掩膜。

15、优选地,还包括:

16、将所述目标概率图或阴影概率图进行尺寸调整,使调整后的目标概率图或阴影概率图的空间尺寸与主干网络输入特征图的空间尺寸一致。

17、优选地,采用概率图转化模块,对sar目标特征提取网络当前层输出的目标分割特征和目标多尺度掩膜进行转换,生成当前层的目标概率图,包括:

18、将所述目标分割特征与目标多尺度掩膜进行逐元素相乘,获得目标掩膜语义原型向量;

19、将所述目标掩膜语义原型向量与目标分割特征分别进行l2归一化,计算归一化后目标掩膜语义原型向量与目标分割特征之间的余弦相似度,获得目标余弦相似度矩阵;

20、采用缩放因子与所述目标余弦相似度矩阵相乘,获得缩放后的目标余弦相似度矩阵;将所述缩放后的目标余弦相似度矩阵送入sigmoid函数,获得目标概率图。

21、优选地,采用概率图转化模块,对sar阴影特征提取网络当前层输出的阴影分割特征和阴影多尺度掩膜进行转换,生成当前层的阴影概率图,包括:

22、将所述阴影分割特征与阴影多尺度掩膜进行逐元素相乘,获得阴影掩膜语义原型向量;

23、将所述阴影掩膜语义原型向量与阴影分割特征分别进行l2归一化,计算归一化后阴影掩膜语义原型向量与阴影分割特征之间的余弦相似度,获得阴影余弦相似度矩阵;

24、采用缩放因子与所述阴影余弦相似度矩阵相乘,获得缩放后的阴影余弦相似度矩阵;将所述缩放后的阴影余弦相似度矩阵送入sigmoid函数,获得阴影概率图。

25、优选地,对当前层的目标概率图、当前层的阴影概率图与待处理sar图像进行融合处理,获得融合后特征图,包括:

26、将当前层的目标概率图与待处理sar图像进行逐元素相乘,获得目标概率图调制特征表示,将当前层的阴影概率图与待处理sar图像进行逐元素相乘,获得阴影概率图调制特征表示;

27、将所述阴影概率图调制特征表示和目标概率图调制特征表示进行逐元素相加,获得聚合特征;

28、对所述主干网络特征图和聚合特征进行加权求和,获得融合后特征图。

29、优选地,所述目标识别融合网络在训练过程中采用综合损失,所述综合损失由分类交叉熵损失、目标分割二值交叉熵损失和阴影分割二值交叉熵损失构成。

30、基于上述内容,本发明还公开了基于不确定性感知的sar目标识别装置,包括:

31、获取模块,用于获取待处理sar图像;

32、掩膜模块,用于对所述待处理sar图像进行分割处理,获得目标多尺度掩膜和阴影多尺度掩膜;

33、识别模块,用于将所述待处理sar图像输入至预训练的目标识别融合网络,获得识别结果;其中,所述目标识别融合网络的处理过程包括:所述待处理sar图像分别输入并行的sar目标特征提取网络、主干网络和sar阴影特征提取网络中,采用概率图转化模块,对sar目标特征提取网络当前层输出的目标分割特征和目标多尺度掩膜进行转换,生成当前层的目标概率图;采用概率图转化模块,对sar阴影特征提取网络当前层输出的阴影分割特征和阴影多尺度掩膜进行转换,生成当前层的阴影概率图;对当前层的目标概率图、当前层的阴影概率图与待处理sar图像进行融合处理,获得融合后特征图;将所述融合后特征图作为主干网络下一层的输入并与下一层的目标概率图、阴影概率图进行融合处理,逐层进行直至主干网络的最后一层,获得最终的融合特征;将所述最终的融合特征输入至分类器,获得识别结果。

34、基于上述内容,本发明还公开了一种计算机设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现如上述任一所述的方法。

35、基于上述内容,本发明还公开了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一所述的方法。

36、基于上述技术方案,本发明的有益效果是:

37、1)本发明引入逐层概率图约束策略,实现了跨不同网络深度的分层特征学习,促进了对目标-阴影信息的一致性利用,并缓解了现有方法中存在的辅助信息利用碎片化问题;

38、2)本发明提出了概率图转化(probabilistic map transformation,pmt)模块,利用不确定性的概率图替代sar目标和阴影确定的二值掩膜,有效减轻了分割误差对识别模型产生的误导影响,并提高了先验目标-阴影信息的可靠性;

39、3)本发明提出了自适应加权残差融合(adaptive weighted residual fusion,awrf)模块,以软约束的形式将目标-阴影概率图与原始识别特征进行融合。该模块采用残差加权机制,自适应地平衡了经概率图调制后的特征与原始识别特征,在突出目标及阴影相关判别性区域的同时,保留了原始散射特征中的有效判别信息,从而实现了不确定性感知特征融合,实现了鲁棒识别。