基于卷积神经网络的SAR图像地形检测算法

雷嘉兴 王 伟

(西安电子工程研究所 西安 710100)

0 引言

地形检测在滨海作战、抢险救援等任务中具有十分重要的意义，国内外关于这方面也有所研究。由于合成孔径雷达(SAR, Synthetic Aperture Radar)成像具有穿透云、雨、雾，不受天气因素干扰的全天候工作能力,我军在实际作战中也常用合成孔径雷达作为获取地形地理信息的手段。

但在实际使用中，通过合成孔径雷达获取到的地形图像需要人手工进行地形标注，增大了部队人员的工作量，同时容易延误作战、抢险救援时机，因此需要一种地形检测算法来快速对地形进行分类、检测。针对这一困难，国内许多研究人员也进行了一些研究，目前应用比较广泛的SAR图像地形检测算法是WangKe等人于2012年提出的一种基于不变矩区域检测法的SAR图像地形检测算法，该算法的基本原理是求取浅海地形图片的不变矩，通过在SAR图像上检测相同不变矩区域的方式进行地形检测。由于不变矩只能反映图像整体特征，不能反映局部特征，因此检测准确率较低，仍需要一定的手工矫正。然而随着科技的发展，卷积神经网络(Convolutional Neural Networks，CNN)在图像识别、图像检测等项目上体现出得天独厚的优势。自1998 年Yann LeCun提出了名为LeNet的经典卷积神经网络结构以来，经过不断的改进和发展，卷积神经网络对物体进行识别和检测的准确率已可达到95%以上。目前卷积神经网络主要的应用场景仍然是对物体的识别，如识别猫狗、识别人类身份、识别载具类型等，将卷积神经网络应用于SAR雷达成像地形检测的研究还未见报。

因此本文提出了一种将卷积神经网络应用于SAR图像地形检测的算法，探究利用卷积神经网络(Convolutional Neural Networks，CNN)进行地形检测的可行性。对比实验证明，本文提出的基于卷积神经网络的SAR图像地形检测算法的分类准确率相较于不变矩检测法有显著提高，解决了人工地形标注工作量大、不变矩检测法准确率低的难题。

1 改进的三重复合卷积神经网络

经典的卷积神经网络(LeNet)一般由输入层、卷积层、池化层和全连接层组成，如图1所示。

图1 卷积神经网络结构图

该神经网络的优点是结构简单，实现起来较为容易，同时具有一定的分类准确性。缺点是参数量过大，训练时间较长，而且网络深度不够，对模型的拟合能力不足。与此同时在小样本的情况下又容易产生过拟合现象。需注意的是过拟合现象和欠拟合现象两者不能抵消，在工程中两者都应该避免。

用SAR图像数据集对经典神经网络进行10个批次的训练，得到训练轮数与判定准确率的关系如图2所示。

图2 经典简单神经网络的准确率和训练次数的关系

容易发现，随着训练轮数的增加，经典神经网络识别准确率较低，而且并不稳定。这主要是由于经典神经网络层数过少，因此参数过少，进而导致的欠拟合现象导致的。

因此为了弥补经典神经网络容易欠拟合的问题，应当适量增加网络层数，但网络层数过多，又会加大计算复杂度。综合网络的拟合能力和计算复杂度全盘考虑，本项目设计了三重复合的卷积神经网络。具体来说，为了防止欠拟合现象，该网络设计了三层重复结构，首先将输入图片通过两个卷积层(Conv)对其进行特征提取，然后利用池化层(Max-pooling)层将其最大的特征筛选出来，同时为了防止过拟合现象，又在一些卷积层之后加入dropout层防止过拟合，随机遗忘了13%的神经元特征；如此结构共叠加三次，之后通过一个展开层(Flatten)，将二维的图片数据展开成一维的数据，然后输入全连接层(Dense)进行逻辑分类。

该网络结构如图3所示。

图3 三重复合卷积神经网络

2 不变矩法

矩是数理统计中的一个概念，表示随机变量的某种特征。若设为离散型随机变量，c为常数，则称(|-c|)为关于点c的阶矩。常见的如一阶原点矩表示的数学期望，二阶中心矩表示的方差。

若将图片每个点的像素灰度值归一化后以概率表示，并将每个点的坐标记为(,)则每个点的归一化灰度(,)为二维离散型随机变量(,)的概率质量函数。

Hu在1962年利用二阶和三阶归一化中心矩构造了7个不变矩，常用于图像检测，分别为

=+

(1)

=(-)+4

(2)

=(-3)+(3-)

(3)

=(+)+(+)

(4)

=(-3)(+)((+)-
3(+))+(3-)(+)(
3(+)-(+))

(5)

=(-)((+)-(=))+
4(+)(+)

(6)

=(3-3)(+)((+)-
3(+))-(-3)(+)
(3(+)-(+))

(7)

其中：

(8)

(9)

文章[2]提出的不变矩地形检测法就是基于此原理。

3 对比实验设计

3.1 实验所用数据集

实验采用的数据集来源为东南沿海某地实地拍摄的高分辨率SAR图像。这些图像经过预处理后，通过人手工标注的方式，截取了2000张有代表性的河流图像，2000张有代表性的城镇图像，并对这些图像一一标注好其地形类型。从中随机选取了100张河流图像和100张城镇图像作为验证集以验证检测准确率，并对剩余1900张城镇图像和1900张河流图像做数据扩充，共计得到5700张城镇图像和5700张河流图像，使用这5700张城镇图像和5700张河流图像作为训练集来训练三重复合卷积神经网络。

3.2 实验步骤

本实验的实验步骤为：首先搭建好三重复合卷积的神经网络模型，然后使用3.1所提到的训练集对该神经网络进行训练。训练完成后，将验证集中的共计200张城镇、河流图像遮住标签，并使用该网络进行检测其是何种类型的地形。检测完成后，将该神经网络在验证集上的判定结果和验证集标签进行对比，统计检测的准确率。

对照实验的实验步骤为：使用文章[2]提出的方法求取不变矩，在验证集上进行验证，统计检测的准确率。

由于神经网络的检测准确率随训练次数上升，因此上述步骤共进行10轮。

3.3 实验结果

通过10次对比实验，得到两种算法在验证集上的检测准确率分别如表1所示。

表1 两种算法训练轮数与准确率的关系

利用python绘制出训练次数与分类准确率的关系如图4所示。

图4 分类准确率与训练次数

3.4 对比结果分析

通过对比实验的结果可以发现：卷积神经网络仅在第一轮测试时准确率低于不变矩检测法。在第二轮训练之后，卷积神经网络的检测准确率迅速超过不变矩检测法的检测准确率，并且最终达到97.5%的检测准确率。这是由于卷积神经网络可以在一轮轮的重复训练中不断学习地形特征，优化网络参数。反观不变矩检测法，由于算法固定，在10轮重复实验中，它的检测准确率始终只能达到71.5%。

综上，本文提出的基于三重复合卷积神经网络的SAR图像地形检测算法，相比不变矩检测法确实可以大大提高检测准确率。

识别效果如图5、图6所示。

图5 河流识别效果图

图6 城镇识别效果图

4 结束语

对SAR图像的分类与地形检测，以往主要依靠不变矩检测法等方式，存在的主要问题是准确率较低；少量的机器学习在SAR成像中的应用，也主要局限在SAR图像的目标识别上，至于利用卷积神经网络进行地形检测的研究还尚未见报。本文创新地将机器学习应用于SAR图像的地形检测上，并针对经典卷积神经网络准确率低、容易过拟合的现象提出了一种新的三重复合卷积神经网络，经模拟验证和在东南沿海某地上机验证，取得了良好的效果，完成设计指标。