一种基于复数域统计特性解缠与动态重组网络的SAR目标识别方法、系统、设备及介质

本发明属于图像处理，具体涉及一种基于复数域统计特性解缠与动态重组网络的sar目标识别方法、系统、设备及介质。

背景技术：

1、合成孔径雷达（synthetic aperture radar，sar）作为一种全天时、全天候的主动微波成像系统，在军事侦察、地形测绘、灾害监测等领域具有不可替代的作用。sar图像中目标识别技术的研究已成为遥感领域的热点。sar成像获取的原始数据为复数形式，每个像素由实部和虚部构成，分别对应散射回波的同相与正交分量。实部信息主要反映目标散射强度的分布，与目标强散射中心的几何结构密切相关；虚部信息则承载了由传播路径与目标精细结构引起的相位变化，对于刻画目标轮廓、区分局部结构以及抑制相干斑噪声具有独特价值。

2、现有sar目标识别方法多聚焦于幅度信息，忽略了复数数据中隐藏的统计规律与物理关联。部分研究直接将复数数据的实虚部分离为双通道输入传统实值卷积神经网络，通过网络自主学习特征关联；另一类研究设计复值卷积神经网络，将实数域的卷积、激活等运算扩展到复数域，实现了复数信息的端到端处理。如cn113420659b中公开一种基于复数卷积网络的sar图像目标识别方法，包括：输入图像：将多幅复数图像及其对应的类别标签输入到训练集中，将与训练集中不同的多幅复数图像输入到测试集中；获取训练样本和测试样本：将训练集中复数图像的实部和虚部对应分开保存，得到实部训练样本和虚部训练样本；将测试集中复数图像的实部和虚部对应分开保存，得到实部测试样本和虚部测试样本；构建复数卷积网络：采用双层复数卷积层、复数批归一化层和全连接层，双层复数卷积层包含两个复数卷积层，每个复数卷积层包含复数卷积、复数批归一化和crelu激活函数，复数批归一化层包含复数批归一化和crelu激活函数；训练复数卷积网络：初始化复数卷积网络，设定复数卷积网络中所有出现的复数参数为w，将实部训练样本和虚部训练样本输入两个复数卷积层，经过复数批归一化和crelu激活函数，使用300维的全连接层，输出初始化类别标签，将训练集中的复数图像的类别标签与初始化类别标签对比，采用批量随机梯度下降法，将复数卷积网络的参数迭代更新3000次，得到更新的复数卷积网络；测试复数卷积网络：将实部测试样本和虚部测试样本输入更新的复数卷积网络，使用300维的全连接层，得到测试集中复数图像的类别标签。

3、然而这些方法缺乏对实虚部所承载的差异化物理意义的显式引导和解耦设计，网络学到的仍是冗余耦合特征，在训练样本有限时容易过拟合，且未充分利用复数域的统计特性作为约束。因此，本发明公开一种基于复数域统计特性解缠与动态重组网络的sar目标识别方法、系统、设备及介质。

技术实现思路

1、针对现有技术中存在的问题，本发明提供一种基于复数域统计特性解缠与动态重组网络的sar目标识别方法、系统、设备及介质，用以解决合成孔径雷达图像目标识别时实虚部特征冗余耦合、复数域统计特性利用不足的问题。

2、本发明是通过以下技术方案来实现：

3、一种基于复数域统计特性解缠与动态重组网络的sar目标识别方法，包括以下步骤：

4、基于resnet34构建复数卷积神经网络作为初始网络模型，设计实虚部跨通道特征解缠与动态重组模块集成至网络架构；

5、以增强图像为输入，以幅度一致性约束损失、相位可分性约束损失以及交叉熵损失联合训练初始网络模型，获得优化网络模型；

6、利用优化网络模型对测试图像集进行识别，得到识别结果；在识别过程中，实虚部跨通道特征解缠与动态重组模块基于统计阈值将待测图像中耦合的复数特征解缠为实部专属特征、虚部专属特征及共享特征，并结合sar散射物理先验对不同区域自适应分配特征权重，加权融合获得重组特征。

7、优选的，初始网络模型包括前置 resnet34 骨干网络、实虚部跨通道特征解缠与动态重组模块和后置 resnet34 骨干网络；

8、其中，前置 resnet34 骨干网络包括一系列卷积层、池化层、批量归一化层和relu激活函数；

9、实虚部跨通道特征解缠与动态重组模块包含实部专属特征提取单元、虚部专属特征提取单元、共享特征提取单元以及物理先验动态特征重组单元；

10、后置 resnet34 骨干网络包括一系列卷积层、批量归一化层、池化层和 relu 激活函数。

11、优选的，增强图像的获取过程：

12、基于sar复数图像实部与虚部服从联合高斯分布的统计特性，设计实虚部联合高斯增强-结构保持策略，通过局部结构相关性分析生成自适应扰动，并对增强样本进行结构完整性筛选，获取增强图像。

13、优选的，实虚部联合高斯增强-结构保持策略中，局部结构自适应扰动策略的局部结构相关性计算公式为：

14、

15、其中，(,) 是窗口中心像素坐标；和分别是原始复数图像在处的实部和虚部值，为该样本实虚部的全局方差；为相对于窗口中心像素横坐标的横向偏移量，的取值范围 [，]；为相对于窗口中心像素纵坐标的纵向偏移量，的取值范围 [，]；是中心像素横向偏移、纵向偏移后像素的实部灰度值；是中心像素横向偏移、纵向偏移后像素的虚部灰度值；为局部窗口内的像素总数，为窗口半宽参数，窗口大小为；，值越接近1，表明窗口内各像素与中心像素的实虚部灰度差异越小，像素分布的一致性越高，表示该窗口内结构越规整，为高结构区域；值越接近0，表明窗口内像素与中心像素的实虚部灰度差异大且分布杂乱，像素间的关联性弱，表示结构越随机，为低结构区域；

16、局部结构自适应扰动策略根据局部结构相关性值确定扰动系数，进一步调整扰动项，与原始样本叠加得到初始增强样本，增强过程为：

17、

18、

19、其中，为结构相关性阈值，为弱扰动系数，为强扰动系数，，分别是基于实虚部的全局统计参数生成的实部高斯扰动项和虚部高斯扰动项，，分别是增强样本的实部与虚部；

20、对初始增强样本进行结构完整性筛选，筛选公式为：

21、

22、其中，为初始增强样本的局部结构相关性指标，为结构变化阈值；与原始样本()比较，若不超过该阈值则认为结构保留合格，否则重新生成扰动项并重复校验，直至得到合格增强样本()。

23、优选的，初始网络模型的训练过程中，采用adam优化算法，设置数据批量、训练轮次、学习率和权重参数值；

24、训练时采用正向传播计算损失函数，反向传播更新网络的权重，直至损失函数收敛，得到优化网络模型的参数。

25、优选的，构建幅度一致性约束损失的过程为：

26、

27、其中，，分别是同类样本目标区域内幅度特征的全局均值与方差,、分别表示第个样本目标区域的幅度均值和方差，为样本总数；为均方误差函数；

28、构建相位可分性约束损失的过程为：

29、

30、其中，为每两个异类样本向量之间的相位距离，为异类样本对总数，是相位分离阈值；

31、总损失函数的表达式为：

32、

33、其中，表示总损失，为交叉熵损失，为幅度一致性约束损失，为相位可分性约束损失，参数，分别用于调节幅度一致性和相位可分性约束损失在总损失中的权重。

34、优选的，实虚部跨通道特征解缠与动态重组模块基于统计阈值将待测图像中耦合的复数特征解缠为实部专属特征、虚部专属特征及共享特征，并结合sar散射物理先验对不同区域自适应分配特征权重，加权融合获得重组特征，包括：

35、步骤s100，特征解缠：从待测图像中分别提取实部专属特征、虚部专属特征和共享特征，具体如下：

36、通过计算实虚部局部方差比筛选实部主导区域，并提取实部专属特征，具体过程为：

37、

38、

39、其中，、为输入的原始实部特征和原始虚部特征，表示在局部窗口内计算方差，为sigmoid函数，为生成的实部专属掩码；表示矩阵点乘，为统计约束卷积；

40、采用边缘响应比筛选虚部主导区域，并提取虚部专属特征，具体过程为：

41、

42、

43、其中，表示梯度幅值计算，为生成的虚部专属掩码；

44、共享特征的提取过程为：

45、

46、其中，是通过计算实虚部特征通道的跨通道皮尔逊相关系数矩阵（为特征通道数）筛选出相关系数绝对值大于阈值的高相关性特征通道集，，分别是内的实虚部特征，为二维高斯平滑算子；

47、步骤s200，特征加权重组：根据像素所在区域的散射类型分配差异化权重给实部专属特征、虚部专属特征和共享特征，获得重组特征，重组过程为：

48、

49、其中，，，分别是提取到的实部专属特征，虚部专属特征与共享特征的重组权重，是最终的重组特征；为特征权重组合，是基于sar目标不同区域的散射贡献与实虚部特征表现规律为不同类型的图像区域所预定义的。

50、一种基于复数域统计特性解缠与动态重组网络的sar图像目标识别系统，用于实现所述一种基于复数域统计特性解缠与动态重组网络的sar图像目标识别方法，包括：

51、网络构建模块，用于基于resnet34构建复数卷积神经网络作为初始网络模型，设计实虚部跨通道特征解缠与动态重组模块集成至网络架构；

52、网络训练模块，用于以增强图像为输入，以幅度一致性约束损失、相位可分性约束损失以及交叉熵损失联合训练初始网络模型，获得优化网络模型；

53、图像识别模块，用于利用优化网络模型对测试图像集进行识别，得到识别结果。

54、一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于复数域统计特性解缠与动态重组网络的sar目标识别方法的步骤。

55、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于复数域统计特性解缠与动态重组网络的sar目标识别方法的步骤。

56、与现有技术相比，本发明具有以下有益的技术效果：

57、本发明提供一种基于复数域统计特性解缠与动态重组网络的sar目标识别方法中设计实虚部跨通道特征解缠与动态重组模块，该模块的特征解缠部分依据实虚部特征的差异化物理特性，负责分离实、虚部专属特征与共享特征，以此降低特征冗余；动态重组部分则根据像素所在区域的散射类型为三类特征分配差异化权重，通过特征的加权重组来实现实、虚部专属特征与共享特征的自适应融合，以此模拟真实电磁散射的区域差异特性，从而提升特征对目标散射特性的表征能力。重组后的特征直接输入后续分类模块，可以为精准分类提供高质量的支撑。

58、本发明在初始网络模型训练时，构建融合幅度一致性约束损失、相位可分性约束损失的复数域统计对比约束机制，复数域统计对比约束机制将统计特性引入对比损失，引导网络学习既能保持类内稳定性、又能放大类间判别性的复数特征表示，从统计层面强化模型对sar目标本质散射特性的建模能力。同时，结合交叉熵损失的总损失函数来引导网络学习贴合sar散射统计规律的判别特征，从统计层面增强模型特征的稳健性与区分能力。

59、本发明基于sar复数图像实部与虚部服从联合高斯分布的统计特性，设计实虚部联合高斯增强-结构保持策略，通过局部结构相关性分析生成自适应扰动，并对增强样本进行结构完整性筛选，增加数据多样性的同时可以保持增强后样本的统计合理性与结构完整性。

60、本发明深入探索sar实部与虚部统计特性与散射物理机理的关联，为特征解缠与重组提供可量化的筛选准则与统计依据，以此解决sar图像目标识别时实虚部特征冗余耦合、复数域统计特性利用不足导致模型泛化能力弱、复杂场景下识别性能受限的问题。与现有技术相比，本发明所提出的方法不同于传统复数域处理方法，挖掘并利用sar复数数据中实部与虚部所承载的互补散射信息，实现特征的高效解耦与物理约束，具有识别正确率高、鲁棒性强等优点，可在图像处理技术领域推广使用。