买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国人民解放军火箭军工程大学

摘要：本发明公开了一种基于神经网络的SAR影像适配区选取预测方法，包括：一、获取SAR图像训练集；二、建立全卷积神经网络子区分类模型；三、输入全卷积神经网络子区分类模型进行特征提取及分类；四、全卷积神经网络子区分类模型的训练；五、利用训练好的全卷积神经网络子区分类模型对后续SAR影像进行预测。本发明方法步骤简单、设计合理，将神经网络引入SAR影像适配区选取预测中，得到训练好的全卷积神经网络子区分类模型对SAR影像进行适配区预测，后续仅根据单张SAR影像数据即可对适配区进行预测，不再需要与之配套的地理高程数据，且选取预测时间较短，提高了匹配区选取预测的准确性和效率。

主权项：1.一种基于神经网络的SAR影像适配区选取预测方法，其特征在于，该方法包括以下步骤：步骤一、获取SAR图像训练集：步骤101、采用合成孔径雷达技术获取的SAR影像作为原始数据源；步骤102、从原始数据源中选取多幅SAR影像按照从左到右从上到下的顺序裁剪截取，得到SAR子图；步骤103、获取SAR子图的适配性指标并与阈值判断，得到适配区、非适配区和不确定区；其中，适配性指标包括边缘密度、独立像元数和DEM标准差；步骤104、利用归一化互相关匹配算法对不确定区判断，得到适配区和非适配区；步骤105、将适配区的SAR子图作为标签为1的正样本，将非适配区的SAR子图作为标签为0的负样本，且正样本和负样本组成SAR图像训练集；步骤二、建立全卷积神经网络子区分类模型：所述全卷积神经网络子区分类模型包括第一级神经网络、第二级神经网络、第三级神经网络、第四级神经网络和第五级神经网络；其中，所述第一级神经网络包括第一下采样模块和第一特征提取模块，所述第二级神经网络包括第二下采样模块和第二特征提取模块，所述第三级神经网络包括第三下采样模块和第三特征提取模块，所述第四级神经网络包括第四下采样模块和第四特征提取模块，所述第五级神经网络包括全局平均池化层、第五层归一化、线性层和Softmax层；步骤三、输入全卷积神经网络子区分类模型进行特征提取及分类：采用计算机将SAR子图输入全卷积神经网络子区分类模型进行特征提取及分类，并输出该SAR子图的概率值；步骤四、全卷积神经网络子区分类模型的训练：步骤401、采用计算机根据，得到交叉熵损失函数；其中，表示第个SAR子图，和为正整数，，表示SAR子图总数，表示第个SAR子图的概率值，表示第个SAR子图的标签真实值，取值为0或者1；步骤402、计算机采用Adam优化器，利用交叉熵损失函数对全卷积神经网络子区分类模型进行迭代优化，直至SAR图像训练集全部训练，完成一次迭代训练；步骤403、重复步骤402迭代训练直至满足迭代训练预设次数，得到训练好的全卷积神经网络子区分类模型；步骤五、利用训练好的全卷积神经网络子区分类模型对后续SAR影像进行预测：利用训练好的全卷积神经网络子区分类模型对后续SAR影像进行预测，则概率值大于0.5的适配区SAR子图为SAR影像预测选取的适配区；步骤103，具体过程如下：步骤A、采用计算机利用Canny算子对任一SAR子图进行边缘提取，得到二值边缘图；步骤B、采用计算机利用边缘连接的局部处理方法对二值边缘图进行处理，得到优化后边缘图；步骤C、针对优化后边缘图，采用计算机根据，得到边缘密度；其中，表示像素点坐标，表示像素点坐标处的取值，若是边缘像素点，则，否则，为横坐标，为纵坐标；表示横坐标像素总数，表示纵坐标像素总数;步骤D、针对SAR子图，采用计算机根据，得到独立像元数；其中，表示横向上的相关长度，表示纵向上的相关长度；步骤E、针对SAR子图对应的DEM数据，采用计算机根据，得到DEM标准差；其中，表示像素点坐标处对应的地理高程值，表示该SAR子图对应区域的地理高程值的均值；步骤F、根据SAR子图的适配性指标与阈值判断，得到适配区、非适配区和不确定区；步骤F，具体过程如下：步骤F1、采用计算机设定边缘密度高阈值、边缘密度低阈值、独立像元数高阈值、独立像元数低阈值、DEM标准差高阈值和DEM标准差低阈值；步骤F2、如果SAR子图的适配性指标满足，则SAR子图为适配区；如果SAR子图的适配性指标满足，则SAR子图为非适配区；其它SAR子图为不确定区。

全文数据：

权利要求：

百度查询： 中国人民解放军火箭军工程大学 一种基于神经网络的SAR影像适配区选取预测方法