本发明属于图像处理，具体涉及基于环形大边际高斯混合损失的不平衡sar图像识别方法及系统。
背景技术：
1、与光学遥感相比，合成孔径雷达以其全天候、全天时、广覆盖的优点，为遥感提供了一种功能强大、用途广泛的工具，合成孔径雷达图像目标识别的主要目的是提取图像中的特征，确定图像中目标的类型，目标识别是图像解译的重要步骤，得到了国内外学者的广泛关注，近年来，深度学习算法推动了合成孔径雷达图像目标识别的发展，然而，当深度学习用于合成孔径雷达目标识别时，会受到类不平衡的影响，故研究如何提高类不平衡的合成孔径雷达图像中的识别性能十分必要。
2、现有利用卷积神经网络进行类不平衡合成孔径雷达图像目标识别的技术，大多对数据集进行处理以解决类不平衡问题，同时在强相干斑噪声下表现不够理想，因此，本发明预期公开一种能够增强类内紧凑性和类间可分离性，解决合成孔径雷达图像目标识别中的类不平衡问题并能有效减轻相干斑噪声对合成孔径雷达图像影响的目标识别方法。
技术实现思路
1、针对现有技术中存在的问题，本发明提供基于环形大边际高斯混合损失的不平衡sar图像识别方法及系统，用以解决类不平衡合成孔径雷达图像目标识别性能，以及提高目标识别中对相干斑噪声的鲁棒性。
2、本发明是通过以下技术方案来实现：
3、基于环形大边际高斯混合损失的不平衡sar图像识别方法，包括以下步骤：
4、基于实测sar图像中的相干斑噪声符合gamma分布的特性，构建带噪声的训练集图像和测试集图像；
5、分别构建用于不平衡数据集的卷积神经网络，以及由大边际高斯混合、环损失、欧氏损失和总变分组成的多任务损失函数，基于多任务损失函数和训练集图像，训练卷积神经网络模型，并得到训练好的网络模型参数；
6、基于训练好的网络模型参数对测试图像集进行识别，得到的识别结果为合成孔径雷达图像目标识别结果。
7、进一步的，基于相干斑噪声符合gamma分布的特性，构建带噪声的训练集图像和测试集图像的过程为：
8、
9、其中，γ(·)表示伽马函数，m为形状参数；
10、根据伽马分布的方差计算公式得到相干斑噪声的方差为1/m，当m的值越小，则方差越大，其相干斑噪声越强；
11、通过将随机相干斑噪声与每个原始数据集中的图像相乘来构建带噪声的训练集图像和测试集图像。
12、进一步的，所述基于多任务损失函数和训练集图像，训练卷积神经网络模型的过程为：
13、所述卷积神经网络由去噪模块和识别模块组成，其中，所述去噪模块包括卷积层、批量归一化层、relu激活函数和tanh激活函数；所述识别模块包括卷积层、最大池化层、relu激活函数和全连接层；训练集图像按顺序进入去噪和识别模块。
14、进一步的，所述构建由大边际高斯混合、环损失、欧氏损失和总变分组成的多任务损失函数的过程为：
15、总体损失函数l为：
16、l＝llgm-r+αle+βltv；
17、其中，α,β为预定义的参数，llgm-r，le，ltv为不同的损失函数项；
18、环形大边际高斯混合损失函数项llgm-r为：
19、
20、
21、
22、
23、
24、
25、其中，表示大边际高斯混合损失函数，lr表示环损失，x＝{x1,x2,…,xn}表示网络学习到的特征，n为训练样本数，k表示第k(k＝1,2,…,k)个高斯分布，p(k)是第k个高斯分布的先验概率，p(kn)表示类别kn的先验概率，kn表示第n个样本特征xn(n＝1,2,…,n)的真实类别，|·|表示矩阵行列式，∑k为第k个高斯分布的协方差，表示类别kn所属高斯分布的协方差，表示xn与第kn类高斯分布的均值之间马氏距离平方的一半，dk表示xn与第k类高斯分布的均值μk之间马氏距离平方的一半，和表示协方差矩阵的逆矩阵，表示指示函数，k等于真实类别kn时函数否则m表示间隔，‖xn‖2表示特征xn的l2范数，也叫欧几里得范数，r为预先定义的参考半径。
26、欧氏损失函数项le为：
27、
28、其中，为输入的带噪声的sar图像，y为对应的原始图像，是用于去噪的网络；
29、总变分损失函数项ltv为：
30、
31、其中，i表示图像的行索引，j表示图像的列索引，表示去噪图像中位于第i行第j列的像素值；
32、所述训练卷积神经网络模型，并得到训练好的网络模型参数的过程为：
33、将训练数据输入网络进行训练，训练集图像按顺序通过全部模块；
34、训练过程中采用小批量随机梯度下降算法，设置数据批量、训练轮次、学习率和学习率衰减值，分别设置参数α,β的值；
35、训练中通过正向传播计算损失函数，反向传播更新网络的权重，直至损失函数收敛，得到训练好的网络模型参数。
36、进一步的，所述大边际高斯混合损失函数项用于对数据集的深度特征进行建模，并在不同类别的特征之间引入边界值；
37、所述环损失用于将每个类别样本在特征空间中得到平衡的表示。
38、进一步的，所述欧氏损失函数项le用于度量去噪前后样本之间的相似性，使去噪后的图像越接近原始图像y。
39、进一步的，所述总变分损失函数项ltv用于减少图像中的噪声，减小总变分损失值使得相邻像素与以及与之间的值趋于接近。
40、基于环形大边际高斯混合损失的不平衡sar图像识别系统，包括：
41、预处理模块，被配置为基于实测sar图像中的相干斑噪声符合gamma分布的特性，构建带噪声的训练集图像和测试集图像；
42、构建模块，被配置为分别构建用于不平衡数据集的卷积神经网络，以及由大边际高斯混合、环损失、欧氏损失和总变分组成的多任务损失函数，基于多任务损失函数和训练集图像，训练卷积神经网络模型，并得到训练好的网络模型参数；
43、输出模块，被配置为基于训练好的网络模型参数对测试图像集进行识别，得到的识别结果为合成孔径雷达图像目标识别结果。
44、一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于环形大边际高斯混合损失的不平衡sar图像识别方法的步骤。
45、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于环形大边际高斯混合损失的不平衡sar图像识别方法的步骤。
46、与现有技术相比，本发明具有以下有益的技术效果：
47、本发明提供基于环形大边际高斯混合损失的不平衡sar图像识别方法及系统，包括以下步骤：基于实测sar图像中的相干斑噪声符合gamma分布的特性，构建带噪声的训练集图像和测试集图像；构建用于不平衡数据集的卷积神经网络，以及构建由大边际高斯混合、环损失、欧氏损失和总变分组成的多任务损失函数，基于多任务损失函数和训练集图像，训练卷积神经网络模型，得到训练好的网络模型参数；基于训练好的网络模型参数对测试图像集进行识别，得到的识别结果为合成孔径雷达图像目标识别结果；本技术增强类内紧凑性和类间可分离性，解决sar图像目标识别中的类不平衡问题，与现有技术相比，本技术具有识别正确率高、抗噪性强等优点，可在图像处理技术领域推广使用。
1.基于环形大边际高斯混合损失的不平衡sar图像识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于环形大边际高斯混合损失的不平衡sar图像识别方法，其特征在于，基于相干斑噪声符合gamma分布的特性，构建带噪声的训练集图像和测试集图像的过程为：
3.根据权利要求1所述基于环形大边际高斯混合损失的不平衡sar图像识别方法，其特征在于，所述基于多任务损失函数和训练集图像，训练卷积神经网络模型的过程为：
4.根据权利要求1所述基于环形大边际高斯混合损失的不平衡sar图像识别方法，其特征在于，所述构建由大边际高斯混合、环损失、欧氏损失和总变分组成的多任务损失函数的过程为：
5.根据权利要求4所述基于环形大边际高斯混合损失的不平衡sar图像识别方法，其特征在于，所述大边际高斯混合损失函数项用于对数据集的深度特征进行建模，并在不同类别的特征之间引入边界值；
6.根据权利要求4所述基于环形大边际高斯混合损失的不平衡sar图像识别方法，其特征在于，所述欧氏损失函数项le用于度量去噪前后样本之间的相似性，使去噪后的图像越接近原始图像y。
7.根据权利要求4所述基于环形大边际高斯混合损失的不平衡sar图像识别方法，其特征在于，所述总变分损失函数项ltv用于减少图像中的噪声，减小总变分损失值使得相邻像素与以及与之间的值趋于接近。
8.基于环形大边际高斯混合损失的不平衡sar图像识别系统，其特征在于，基于权利要求1-7任一项所述基于环形大边际高斯混合损失的不平衡sar图像识别方法，包括：
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述基于环形大边际高斯混合损失的不平衡sar图像识别方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述基于环形大边际高斯混合损失的不平衡sar图像识别方法的步骤。
