本发明属于雷达图像处理和目标识别领域，具体涉及一种基于稀疏复图像的sar目标识别方法。
背景技术：
合成孔径雷达(syntheticapertureradar，简称sar)是一种通过主动发射和接收电磁波来实现对地观测的高分辨率微波成像系统，不受时间和天气的影响，能够全天时全天候的获取观测场景的雷达图像，因而sar被广泛的用于侦察、资源勘探、地形测绘和灾情监测等。
随着科学技术的发展，数据量激增，人工解译sar图像的方法显然不再适用。自2012年krizhevesky等人提出的第一个深度卷积神经网络(convolutionneuralnetwork，简称cnn)取得了17.0％的top-5错误率之后，cnn被广泛的用于目标识别。yolo系列的cnn作为单阶段的目标检测框架，可以直接获取目标的类别概率及位置信息，并且在目标识别方面可以获取更高的准确率和更快的识别速度。
但是，通常基于匹配滤波算法重建的sar图像质量不高，包含比较严重的杂波和旁瓣，不利于目标的检测和识别。
所以，需要一个新的技术方案来解决这个问题。
技术实现要素：
发明目的：为了克服现有技术中存在的不足，提供一种基于稀疏复图像的sar目标识别方法，其将稀疏重构算法与深度学习相结合，不仅可以降低系统计算复杂度，而且可以提升图像的质量，为目标识别任务提供更多有效的信息，实现对目标的快速准确识别。
技术方案：为实现上述目的，本发明提供一种基于稀疏复图像的sar目标识别方法，包括如下步骤：
s1：构建全新的稀疏图像数据集；
s2：采用yolo系列的深度学习算法，基于步骤s1构建的稀疏图像数据集训练神经网络；
s3：将待识别的sar图像输入到步骤s2中训练好的神经网络，得到sar图像中所有目标的类别概率及其对应所在的位置。
进一步地，所述步骤s1中稀疏图像数据集包括稀疏估计数据集和非稀疏估计数据集。
进一步地，所述步骤s1中基于复近似信息传递算法对sar图像进行重构，构建全新的稀疏图像数据集，具体过程为：
以第i 1步迭代为例，复近似信息传递算法的迭代过程可以表示为：
a1：第i 1步观测场景的非稀疏估计为
其中，
a2：第i 1步的迭代系数σi 1表示为
其中，
a3：第i 1步的数据矩阵w(i 1)为
其中，ηr和ηi分别表示复软阈值函数η的实部与虚部，
a4：第i 1步观测场景的稀疏估计为
a5：第i 1步的迭代误差表示为
当迭代误差满足条件residual≤ε时，结束循环，分别输出场景的稀疏估计
和
否则i＝i 1，继续执行步骤a1-a5中的循环过程，ε表示重建误差参数；利用重建得到的稀疏估计和非稀疏估计分别构建稀疏图像数据集和非稀疏图像数据集。
进一步地，所述步骤s2中神经网络的训练过程为：
b1：将步骤s1中得到的稀疏图像数据集根据voc2007格式得到annotations、imagesets和jpegimages三个文件夹，其中，annotations文件夹中的是样本标签的xml文件，imagesets文件夹下新建的main文件夹中包含train.txt、test.txt等文本内容为样本集中图片名的txt文件，jpegimages文件夹中存放的是样本集中的图片；
b2：根据步骤b1中的三个文件夹生成训练需要的train.txt、test.txt和label文件夹；其中，train.txt和test.txt中的文本内容是与imagesets/main文件夹下图片名相对应的图片路径，label文件夹中的是样本标签的txt格式文件；
b3：根据训练任务修改参数配置，训练网络。
本发明中复近似信息传递(complexapproximatemessagepassing，简称camp)算法相较于传统的阈值迭代算法和正交匹配追踪算法等不仅可以获取观测场景的稀疏估计结果，而且可以同时重建出具有类似于匹配滤波重建结果背景统计特性分布的非稀疏估计结果。基于复近似信息传递算法重建得到的观测场景的稀疏图像无论是稀疏估计还是非稀疏估计都实现了对图像质量的提升，可以有效地提高目标识别的准确率。
有益效果：本发明与现有技术相比，具备如下优点：
1、相比于现有的正则化稀疏重构算法，复近似信息传递算法可以同时得到观测场景的稀疏估计和非稀疏估计，从而降低计算复杂度的同时实现图像质量的提升。
2、相比于基于匹配滤波方法获取的sar图像的目标识别，由于对杂波和旁瓣实现了明显地去除或抑制，该发明基于重建的稀疏图像结合yolo系列算法，可以适用于绝大部分的目标识别任务，实现对目标的快速准确识别。
附图说明
图1为本发明方法的流程图；
图2为本发明重建的稀疏图像数据集的目标识别结果；
其中，(a)匹配滤波图像的目标识别结果；(b)稀疏估计的目标识别结果；(c)非稀疏估计的目标识别结果；
图3为匹配滤波图像数据集和本发明重建的稀疏图像数据集分别在soc和eoc条件下基于yolov3和yolov4网络的均值平均精度曲线。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，本发明提供一种基于稀疏复图像的sar目标识别方法，包括如下步骤：
s1：构建全新的稀疏图像数据集。
本实施例中采用匹配滤波重构图像组成的数据集(以公开的mstar数据集为例)，基于复近似信息传递算法对sar图像进行重建，构建全新的稀疏图像数据集，包括稀疏估计数据集和非稀疏估计数据集。
本实施例以第i 1步迭代为例，复近似信息传递算法的迭代过程可以表示为：
a1：第i 1步观测场景的非稀疏估计为
其中，
a2：第i 1步的迭代系数σi 1表示为
其中，
a3：第i 1步的数据矩阵w(i 1)为
其中，ηr和ηi分别表示复软阈值函数η的实部与虚部，
a4：第i 1步观测场景的稀疏估计为
a5：第i 1步的迭代误差表示为
当迭代误差满足条件residual≤ε时，结束循环，分别输出场景的稀疏估计
和
否则i＝i 1，继续执行步骤a1-a5中的循环过程，ε表示重建误差参数，在本例中选择其值为10-4；利用重建得到的稀疏估计和非稀疏估计分别构建稀疏图像数据集和非稀疏图像数据集。
s2：采用yolo系列的深度学习算法，基于步骤s1构建的稀疏图像数据集训练神经网络。
本实施例中将步骤s1得到数据集分为训练集及测试集，采用yolo系列的深度学习算法训练网络。具体的训练过程为：
b1：将步骤s1中得到的稀疏图像数据集根据voc2007格式得到annotations、imagesets和jpegimages三个文件夹，其中，annotations文件夹中的是样本标签的xml文件，imagesets文件夹下新建的main文件夹中包含train.txt、test.txt等文本内容为样本集中图片名的txt文件，jpegimages文件夹中存放的是样本集中的图片；
b2：根据步骤b1中的三个文件夹生成训练需要的train.txt、test.txt和label文件夹；其中，train.txt和test.txt中的文本内容是与imagesets/main文件夹下图片名相对应的图片路径，label文件夹中的是样本标签的txt格式文件；
b3：根据训练任务修改参数配置，训练网络。
s3：将待识别的sar图像输入到步骤s2中训练好的神经网络，得到sar图像中所有目标的类别概率及其对应所在的位置。
基于上述方案，本实施例中以公开的mstar数据集为例对本发明提出的一种适用于复图像的sar目标识别算法进行验证。具体如下：
图2为本发明重建的稀疏图像数据集的目标识别结果。其中，图2(a)为匹配滤波图像的目标识别结果；图2(b)为稀疏估计的目标识别结果；图2(c)为非稀疏估计的目标识别结果。由图2给出的结果可以看出，图2(a)中，基于匹配滤波图像的识别结果中，类型为brdm2的战车被误判为2s1，而在重建的稀疏估计和非稀疏估计中都被准确地识别出来。因此本发明提出的方法可以直接给出sar图像中所有目标的类别概率及其所在的位置信息，并且重建的稀疏图像数据集识别精度相较匹配滤波图像数据集更高。
图3表示匹配滤波图像数据集和本发明重建的稀疏图像数据集分别在soc和eoc条件下基于yolov3和yolov4网络的均值平均精度曲线。可见，复近似信息传递算法重建的稀疏估计保留了目标的整体特征，非稀疏估计由于保留了背景统计特性分布从而包含更多的细节特征。soc条件下，数据集的训练集和测试集的差异较小，网络学习到的特征与测试集的相匹配，因此保留了更多细节特征的非稀疏估计表现出更高的识别精度，适用于较常规的目标识别任务。eoc条件下，训练集和测试集差异较大，训练学习到的特征在测试集中甚至可能不存在，因此，保留目标整体特征的稀疏估计在这种情况下表现更好，适用于较为复杂的目标识别任务。因此，总体而言，本发明提出的基于稀疏复图像的sar目标识别方法可以更加快速准确的识别出目标，并且重新构建的稀疏图像适用于几乎所有的目标识别任务。
1.一种基于稀疏复图像的sar目标识别方法，其特征在于，包括如下步骤：
s1：构建全新的稀疏图像数据集；
s2：采用yolo系列的深度学习算法，基于步骤s1构建的稀疏图像数据集训练神经网络；
s3：将待识别的sar图像输入到步骤s2中训练好的神经网络，得到sar图像中所有目标的类别概率及其对应所在的位置。
2.根据权利要求1所述的一种基于稀疏复图像的sar目标识别方法，其特征在于，所述步骤s1中稀疏图像数据集包括稀疏估计数据集和非稀疏估计数据集。
3.根据权利要求1所述的一种基于稀疏复图像的sar目标识别方法，其特征在于，所述步骤s1中基于复近似信息传递算法对sar图像进行重构，构建全新的稀疏图像数据集，具体过程为：
以第i 1步迭代为例，复近似信息传递算法的迭代过程可以表示为：
a1：第i 1步观测场景的非稀疏估计为
其中，
a2：第i 1步的迭代系数σi 1表示为
其中，
a3：第i 1步的数据矩阵w(i 1)为
其中，ηr和ηi分别表示复软阈值函数η的实部与虚部，
a4：第i 1步观测场景的稀疏估计为
a5：第i 1步的迭代误差表示为
当迭代误差满足条件residual≤ε时，结束循环，分别输出场景的稀疏估计
和
否则i＝i 1，继续执行步骤a1-a5中的循环过程，ε表示重建误差参数；利用重建得到的稀疏估计和非稀疏估计分别构建稀疏图像数据集和非稀疏图像数据集。
4.根据权利要求1所述的一种基于稀疏复图像的sar目标识别方法，其特征在于，所述步骤s2中神经网络的训练过程为：
b1：将步骤s1中得到的稀疏图像数据集根据voc2007格式得到annotations、imagesets和jpegimages三个文件夹，其中，annotations文件夹中的是样本标签的xml文件，imagesets文件夹下新建的main文件夹中包含文本内容为样本集中图片名的txt文件，jpegimages文件夹中存放的是样本集中的图片；
b2：根据步骤b1中的三个文件夹生成训练需要的train.txt、test.txt和label文件夹；其中，train.txt和test.txt中的文本内容是与imagesets/main文件夹下图片名相对应的图片路径，label文件夹中的是样本标签的txt格式文件；
b3：根据训练任务修改参数配置，训练网络。
技术总结