基于不规则卷积核神经网络模型的SAR图像语义分割方法和系统与流程

技术特征：
1.一种基于不规则卷积核神经网络模型的sar图像语义分割方法，其特征在于，包括：步骤s10、对预处理后的sar图像进行分割，得到目标训练集未标注图像和目标训练集标注图像，其中，所述目标训练集标注图像为根据预设的分类标签，对所述目标训练集未标注图像进行类别标注得到；步骤s20、基于最大类间方差法，对所述不规则卷积核神经网络模型的卷积核的权值进行自适应阈值分割，得到自适应激活函数；所述自适应激活函数为：arelu＝max(w，t，0)其中，arelu代表自适应激活函数，w表示所述卷积核的权值，t为所述权值的阈值；所述不规则卷积核神经网络模型为：基于所述自适应激活函数和所述卷积核构建，并根据所述目标训练集未标注图像和所述目标训练集标注图像进行训练得到；步骤s30、基于所述不规则卷积核神经网络模型，对预处理后的sar图像进行语义分割，得到语义分割后的sar图像。2.根据权利要求1所述的方法，其特征在于，步骤s10包括：步骤s101、依次对所述sar图像进行辐射校正、相干斑滤波、地理编码，得到预处理后的sar图像；步骤s102、根据语义分割目标在所述预处理后的sar图像的位置，得到目标训练集样本点采样位置；步骤s103、根据所述目标训练集样本点采样位置，对所述预处理后的sar图像进行滑动窗口截取，得到所述目标训练集未标注图像；步骤s104、根据预设的分类标签，对所述目标训练集未标注图像进行类别标注，得到目标训练集标注图像。3.根据权利要求1所述的方法，其特征在于，步骤s20，具体为：根据所述卷积核的权值，基于最大类间方差法，按照公式：t＝w0(u0‑
u)2 w1(u1‑
u)2计算得到所述权值的阈值；其中，u为所述卷积核的权值的平均值：u＝w0u0 w1u1t为所述权值的阈值，当所述卷积核的权值大于t时，表示神经网络模型学习到的特征为强特征，当所述卷积核的权值小于t时，表示神经网络模型学习到的特征为弱特征，w0为所述强特征的权值个数占所述卷积核的权值的总个数的比例，u0为所述强特征的权值的平均值，w1为所述弱特征的权值个数占所述卷积核的权值的总个数的比例，u1为所述弱特征的权值的平均值。4.根据权利要求1所述的方法，其特征在于，步骤s30中，所述不规则卷积核神经网络模型包括：输入层、下采样部分、上采样部分；所述输入层，用于获取符合所述不规则卷积核神经网络模型要求的输入图像，所述输入图像为所述预处理后的sar图像、所述目标训练集未标注图像、目标训练集标注图像中任意一种；
所述下采样部分用于对所述输入图像进行特征提取和特征压缩；所述上采样部分用于对所述下采样部分的输出图像进行上采样以及特征融合处理。5.根据权利要求4所述的方法，其特征在于，所述下采样部分包括若干个依次连接的特征提取模块，每个所述特征提取模块包括卷积层和所述自适应激活函数；所述自适应激活函数用于对所述卷积层的输出特征图进行自适应激活；所述特征提取模块通过所述卷积层和所述自适应激活函数，依次对所述输入层的输入图像或者上一层所述特征提取模块输出的提取特征图进行卷积和自适应激活处理，得到当前所述特征提取模块对应的提取特征图；相邻的两个所述特征提取模块之间配置有特征压缩模块，所述特征压缩模块用于对上一层所述特征提取模块对应的所述提取特征图进行最大化池化操作，得到压缩特征图。6.根据权利要求4所述的方法，其特征在于，所述上采样部分包括若干个依次连接的特征解码模块，相邻的两个所述特征解码模块之间配置有特征融合模块；所述特征解码模块包括依次连接的反池化层和卷积层，通过所述反池化层和所述卷积层，实现对所述下采样部分的最后一个所述特征提取模块对应的所述提取特征图，或者上一层所述特征融合模块对应的融合特征图进行反池化操作和数量压缩，得到当前特征解码模块对应的解码特征图；所述特征融合模块用于将上一层特征解码模块对应的解码特征图与所述跳跃连接部分的跳跃特征图进行特征融合；所述特征融合模块包括依次连接的卷积层和所述自适应激活函数，所述卷积层用于对上一层所述特征解码模块对应的解码特征图和所述跳跃连接部分的跳跃特征图进行卷积操作，所述自适应激活函数用于对卷积层的输出图像进行自适应激活，得到当前所述特征融合模块对应的融合特征图。7.根据权利要求6所述的方法，其特征在于，所述不规则卷积核神经网络模型还包括：跳跃连接部分和特征映射部分；所述跳跃连接部分用于将所述下采样部分的所述特征提取模块对应的所述提取特征图和与之成镜像关系的上采样部分的所述特征解码模块对应的解码特征图进行跳跃连接，得到跳跃特征图；所述镜像关系为：所述特征提取模块对应的所述提取特征图与所述特征解码模块对应的解码特征图的维度一致；所述跳跃连接具体为：将所述提取特征图和所述解码特征图对应位置的像素值相加；所述特征映射部分用于将所述上采样部分最后一个特征融合模块对应的融合特征图与所述分类标签进行映射，得到语义分割后的图像。8.根据权利要求1所述的方法，其特征在于，步骤s30中，所述根据所述目标训练集未标注图像和所述目标训练集标注图像进行训练之后，还包括：根据目标测试集未标注图像和目标测试集标注图像，对所述不规则卷积核神经网络模型进行精度评估；其中，所述目标测试集未标注图像为对预处理后的sar图像进行直接截取得到；所述目标测试集标注图像为根据预设的分类标签，对所述目标测试集未标注图像进行类别标注得到。9.一种基于不规则卷积核神经网络模型的sar图像语义分割系统，其特征在于，包括：数据制作单元，配置为：对预处理后的sar图像进行分割，得到目标训练集未标注图像和目标训练集标注图像，其中，所述目标训练集标注图像为根据预设的分类标签，对所述目
标训练集未标注图像进行类别标注得到；函数构建单元，配置为：基于最大类间方差法，对所述不规则卷积核神经网络模型的卷积核的权值进行自适应阈值分割，得到自适应激活函数；所述自适应激活函数为：arelu＝max(w，t，0)其中，arelu代表自适应激活函数，w表示所述卷积核的权值，t为所述权值的阈值；所述不规则卷积核神经网络模型为：基于所述自适应激活函数和所述卷积核构建，并根据所述目标训练集未标注图像和所述目标训练集标注图像进行训练得到；语义分割单元，配置为：基于所述不规则卷积核神经网络模型，对预处理后的sar图像进行语义分割，得到语义分割后的sar图像。

技术总结
本申请提供一种基于不规则卷积核神经网络模型的SAR图像语义分割方法和系统，该方法包括：对预处理后的SAR图像进行分割，得到目标训练集未标注图像和目标训练集标注图像，其中，所述目标训练集标注图像为根据预设的分类标签，对所述目标训练集未标注图像进行类别标注得到；基于最大类间方差法，对所述不规则卷积核神经网络模型的卷积核的权值进行自适应阈值分割，得到自适应激活函数；基于所述不规则卷积核神经网络模型，对预处理后的SAR图像进行语义分割，得到语义分割后的SAR图像；所述不规则卷积核神经网络模型为：基于所述自适应激活函数和所述卷积核构建，并根据所述目标训练集未标注图像和所述目标训练集标注图像进行训练得到。行训练得到。行训练得到。


技术研发人员：郭拯危 郭志顺 赵建辉 毋琳 李宁
受保护的技术使用者：河南大学
技术研发日：2021.09.09
技术公布日：2021/12/6