[发明专利]基于改进原型网络的小样本SAR图像目标识别方法

说明书

本发明属于雷达图像处理技术领域，尤其涉及一种基于改进原型网络的小样本SAR图像目标识别方法，可用于小样本条件下的SAR自动目标识别；包括步骤：获取训练样本集和待识别小样本SAR图像集；构建深度卷积‑双向长短时原型神经网络，即改进原型网络；采用训练支撑集和训练查询集对所述深度卷积‑双向长短时原型神经网络进行训练；获取小样本SAR图像的目标识别结果。本发明通过构建新的网络结构，解决了传统识别方法中每类待识别目标都需要数百个甚至更多训练样本的问题，实现了用每类中少量的带标签样本有效分类识别目标。

技术领域

本发明涉及雷达图像处理技术领域，尤其涉及一种基于改进原型网络的小样本SAR图像目标识别方法，是一种SAR自动目标识别方法，可用于小样本条件下的SAR自动目标识别。

背景技术

合成孔径雷达(SAR)是在距离向和方位向都具有高分辨率的成像雷达。由于其具备全天时、全天候、远距离工作的能力，已广泛应用于战场侦察、灾情预报和海洋观测等领域。自动目标识别(ATR)是基于计算机系统，从传感器获取数据，提取特征并自动得到目标类别的算法。与光学成像不同，单极化SAR图像用灰度表示目标散射的强度，同时，由于背景杂波和有限分辨率的影响，造成图像的边缘模糊和较强的各向异性，增加了SAR图像有效特征提取和目标识别的困难。

SAR图像目标识别的主流方法有三种，即模板匹配、目标建模和机器学习。这些方法需要预先设计专用模板、目标模型或分类器，具有较高的复杂性且泛化性能较差。

随着深度学习的发展，由于其强大的自动特征提取和表示能力，在SARATR中获得广泛关注，许多基于深度学习的SARATR方法已经被提出，例如自编码器、循环神经网络和脉冲耦合神经网络等。但是基于深度学习模型的SARATR算法为了保证有效的特征提取和目标识别，通常需要大量的训练样本。然而，在实际情况下，SAR的图像获取较为困难，而且成本较高。在军事侦察等情况下，甚至只能获取一些目标的少量SAR图像，从而导致现有的SARATR算法失效。因此，研究如何在只有少量SAR图像的情况下有效地提取特征和识别目标在雷达图像处理技术领域具有重要意义。

发明内容

针对现有技术存在的问题，本发明的目的在于提供一种基于改进原型网络的小样本SAR图像目标识别方法，解决了传统识别方法中每类待识别目标都需要数百个甚至更多训练样本的问题，实现了用每类中少量的带标签样本有效分类识别目标。

为了达到上述目的，本发明采用以下技术方案予以实现。

(一)基于改进原型网络的小样本SAR图像目标识别方法，包括以下步骤：

步骤1，获取训练样本集和待识别小样本SAR图像集；从训练样本集中按类别选取C×m幅SAR图像作为训练支撑集，剩余的幅SAR图像组成训练查询集；同样，将待识别小样本SAR图像集划分为带标签的支撑集和待识别的查询集；

其中，待识别小样本SAR图像集中的目标类别与训练样本集中的目标类别不同；C为待训练的目标总类别数，m为训练支撑集中每个目标类别的SAR图像数目，为训练样本集中第k类目标对应的SAR图像总数量；

步骤2，构建深度卷积-双向长短时原型神经网络，即改进原型网络；

步骤3，采用训练支撑集和训练查询集对所述深度卷积-双向长短时原型神经网络进行训练，得到训练好的深度卷积-双向长短时原型神经网络；

步骤4，对带标签的支撑集和待识别的查询集中的每幅SAR图像进行变换合成处理，得到带标签的支撑集和待识别的查询集对应的图像序列，将所有图像序列顺序输入训练好的深度卷积-双向长短时原型神经网络，得到待识别的查询集内的目标类别。