💥1 概述
目前卷积神经网络已经在SAR目标识别领域得到了广泛应用，然而，由于SAR图像的目标样本数量过少，以及图像相干斑噪声的存在，使得网络不能充分的学习样本深层特征，对网络的识别性能会造成一定的影响。针对上述问题，提出一种基于数据融合的目标识别方法，算法首先对原始图像分别进行噪声抑制和边缘信息提取处理，然后将处理后的两类特征信息进行数据融合，将单通道灰度图像融合扩充至双通道图像来作为训练样本，同时构建了一个高低层特征融合的卷积神经网络模型,使用注意力机制来加强了对有用特征的学习，实验结果显示，该方法在MSTAR数据集上，表现了对不同目标型号的优秀识别效果。本文将检测具有相同背景的不同图像并找到图像中的红色圆圈目标，脚本介绍如下：
fitellipse.m -- 最小二乘法用于将椭圆拟合到 2-D 数据。
fiterror.m -- 计算拟合椭圆的误差，返回值为 MSE。
plotellipse.m -- 绘制参数指定的椭圆。
imgread.m -- 批量读取图像。
label.m -- 标记二维数组中的连接组件。
props.m -- 获取从图像中提取的一些重要形状。
threeframe.m -- 使用三帧差分方法过滤目标并获取背景。
📚2 运行结果
部分代码：
Dict_build K=3; Collect=zeros(P_h*P_w,1); index=1; for i=1:S_h for j=1:S_w x=S(i,j,:); x=x(:); theta_b=OMP(x,Dict_b,K); gamma=OMP(x,Dict_t,K); n0=x'*(x-Dict_b*theta_b); n1=x'*(x-Dict_t*gamma); D=n0*(1/n1); Collect(index)=D; %classfication result response index=index+1; end; end; start_=0.2;step=0.2;end_=10; % cycle Ranges num=(end_-start_)/step+1; coord=zeros(num,2); coord_index=1; MIN_DISTENCE=1000000; %Record the optimal threshold for threshold=start_:step:end_ P_compare=zeros(P_h,P_w); for i=1:S_h for j=1:S_w if Collect(P_h*(i-1)+j)>threshold P_compare(i,j)=1; end; end; end; sum_TP=0; %True positive sum_FP=0; %False positive sum_FN=0; %False negative sum_TN=0; %True negative for i=1:P_h for j=1:P_w if P_compare(i,j)==1&&PlaneGT(i,j)==1 sum_TP=sum_TP+1; elseif P_compare(i,j)==0&&PlaneGT(i,j)==1 sum_FN=sum_FN+1; elseif P_compare(i,j)==0&&PlaneGT(i,j)==0 sum_TN=sum_TN+1; elseif P_compare(i,j)==1&&PlaneGT(i,j)==0 sum_FP=sum_FP+1; end; end; end; FPR=sum_FP/(sum_FP+sum_TN); %False positive rate TPR=sum_TP/(sum_TP+sum_FN); %True positive rate distence=(FPR)^2+(1-TPR)^2; if distence<MIN_DISTENCE MIN_DISTENCE=distence; BEST_THRESHOLD=threshold; end; coord(coord_index,1)=FPR; coord(coord_index,2)=TPR; coord_index=coord_index+1; end; %ROC curve X=coord(:,1); Y=coord(:,2); figure; plot(X,Y),xlabel('FPR'),ylabel('TPR');%Plot ROC curve P_compare=zeros(S_h,S_w); for i=1:S_h for j=1:S_w if Collect(P_h*(i-1)+j)>BEST_THRESHOLD P_compare(i,j)=1; end; end; end; %% Plot figure subplot(1,2,1); imshow(PlaneGT),title('Standard image'); subplot(1,2,2); imshow(P_compare),title('Test results');
🎉3 参考文献
部分理论来源于网络，如有侵权请联系删除。
[1]冯博迪,杨海涛,王晋宇,李高源,张长弓.基于数据融合的SAR图像目标识别算法[J].计算机系统应用,2022,31(12):342-349.DOI:10.15888/j.cnki.csa.008560.
[2]王曦. 基于深度学习的SAR图像目标识别方法研究[D].电子科技大学,2022.DOI:10.27005/d.cnki.gdzku.2022.002589.
