MSTAR数据库作为SAR图像自动目标识别(SAR ATR)研究的一个通用库,被很多学者广泛采用。从现有的SAR ATR系统处理流程来看,目标检测作为该系统的前端,很大程度上影响系统后续识别性能,在较好的检测性能下获得的目标区域可以直接进行分类识别,避免了鉴别阶段进一步减少虚警目标。目标识别作为该系统的后端处理部分,是整个系统的重点也是难点。
深度学习作为当前图像处理领域的前沿热点,其在特征提取方面具有无可比拟的优越性。深度学习利用深层网络结构进行逐层的非线性变换,能够实现对复杂函数的逼近,通过分层的网络获取分层次的特征信息,有效解决了以往需要手工设计特征的难题。优秀的特征自学习能力使深度学习受到了学术界及工业界的广泛关注,在短短的几年时间里,深度神经网络已在图像分割、目标检测和识别等领域显示出了优越的性能。数据库作为深度神经网络学习的驱动力,完备的数据库至关重要,这里主要介绍MSTAR数据库如何与深度学习结合。
一、SAR目标检测
MSTAR数据集中包含大量地面目标切片和少量大场景图像,分辨率为0.3m×0.3m,可用于检测网络的训练和测试。利用目标切片和背景切片对网络的训练,完成对复杂大场景中机动目标的检测。训练样本如下:
|
|||
(a)目标原图 |
(b)目标阴影标签图 |
(c)标签边缘提取 |
|
图3‑4 SAR目标标签仿真结果 |
|
|||
图3‑5 MSTAR复杂场景切片图 |
验证网络的检测性能采用的数据如下:
也可采用MiniSAR数据进一步的验证网络的有效性:
二、目标识别
识别网络的训练和测试所用数据集来源于MSTAR数据库中的目标切片,其中的目标切片含有不同目标类型、方位角、俯仰角、外形配置变化和型号变种的SAR目标图像,图像分辨率为0.3m×0.3m,大小为128×128。本文中SAR图像目标识别实验所用数据来自该数据集中10类军事目标图像,分别为2S1、BRDM2、BTR60、D7、T62、T72、ZIL131、ZSU234、BMP2、BTR70、T72(坦克:T62,T72;装甲车:BMP2,BRDM2,BTR60,BTR70;火箭发射车:2S1&