基于NSCT阶梯网模型的极化SAR图像目标检测方法技术

本发明专利技术公开了一种基于非下采样轮廓波NSCT阶梯网模型的极化SAR图像目标检测方法，主要解决现有技术中只能依靠散射信息对地物进行分类和未考虑极化SAR图像的多尺度特征而导致的分类准确率偏低的问题。本发明专利技术的具体步骤如下：(1)对待检测的极化SAR图像进行Lee滤波；(2)将相干矩阵进行Yamaguchi分解；(3)特征矩阵归一化；(4)对特征矩阵进行非下采样轮廓波变换；(5)构造数据集；(6)构建阶梯网目标检测模型；(7)训练目标检测模型；(8)获得测试结果。本发明专利技术具有对极化SAR图像的多尺度特征提取好，目标检测的精度高的优点。

Polarimetric SAR image target detection method based on NSCT ladder network model

The invention discloses a sampling contourlet NSCT ladder network model based on the method of non target polarization SAR image detection, mainly to solve the scattering information of classification can only rely on the classification and does not take into account the multi-scale characteristics of polarimetric SAR image caused by the existing technology in the problem of low accuracy. The specific steps of the invention are as follows: (1) treat polarization detection in SAR image Lee filtering; (2) the coherent matrix is decomposed by Yamaguchi; (3) the characteristic matrix normalization; (4) non subsampled contourlet transform of feature matrix; (5) to construct the data set; (6) construction of ladder network the target detection model; (7) training target detection model; (8) to obtain test results. The invention has the advantages of good multi - scale feature extraction for polarimetric SAR image and high precision of target detection.

【技术实现步骤摘要】
基于NSCT阶梯网模型的极化SAR图像目标检测方法
本专利技术属于图像处理
，更进一步涉及极化合成孔径雷达图像目标检测
中的一种基于非下采样轮廓波NSCT(non-subsampledcontourlettransform)阶梯网模型的极化SAR(SyntheticApertureRadar)图像目标检测方法。本专利技术可应用于对极化SAR图像的不同区域准确地进行目标检测和识别。
技术介绍
合成孔径雷达(SAR)作为各种遥感手段中唯一具有全天时全天候遥感成像能力的雷达，在遥感领域具有无可替代的作用，目前已得到广泛应用。极化合成孔径雷达是建立在传统SAR体制上的新型SAR体制雷达，它的出现极大地拓宽了SAR应用领域。随着极化SAR系统的推广，所获得的全极化数据也越来越丰富。如何对图像做出快速而准确的解译，如何有效地对目标进行分类或检测，已成为迫切需要解决的一个难题。中山大学申请的专利“一种基于目标散射鉴别的POLSAR图像无监督分类方法”(专利申请号：201210222987.2，公布号：CN102799896A)中提出了一种基于目标散射鉴别的POLSAR图像无监督分类的方法。该方法首先计算POLSAR图像极化散射熵，以及表面散射、偶次散射和体散射的相似性参数，并利用这些参数将POLSAR图像初始划分类别；然后选取以表面散射为主的地物的最小天线接收功率特征极化作为天线极化状态，计算每个像素的天线接收功率；最后计算每一类的聚类中心并根据极化散射差异度量将所有像素重新分类并更新聚类中心，重复这一过程直到聚类中心不再发生变化。该方法属于无监督的分类方法，能够准确地描述地物散射特征，并且能够很好地对应实际散射情况，减少类别调整的运算时间等优点，但是，该方法仍然存在的不足之处是，由于该方法属于无监督分类，只能依靠散射信息对地物进行分类，使得分类准确率偏低。西安电子科技大学在其申请的专利文献“一种基于深度阶梯网的极化SAR图像的目标检测方法”(专利申请号：201710370455.6，公开号：107239757A)中提出一种基于深度阶梯网模型的极化SAR图像的目标检测方法。该方法首先对极化数据进行Lee滤波，对得到的极化协方差矩阵进行Yamaguchi分解，然后采用逐像素滑窗的方式构造训练集合和测试集，最后使用基于全连接的半监督深度阶梯网模型实现数据的分类，仅使用少量的有类标样本就得到了较高的准确率。但是，该方法仍然存在的不足之处是，由于使用的阶梯网模型是基于全连接的，数据块需要拉成一个向量后输入网络，破坏了图像的邻域信息，同时未考虑到极化SAR的多尺度特征，导致图像信息利用不充分，不能很好的将图像边缘检测出来，结果会与真实目标产生偏差。
技术实现思路
本专利技术的目的是针对上述现有技术的不足，提出一种基于非下采样轮廓波NSCT阶梯网模型的极化SAR图像目标检测方法。本专利技术与现有其他极化SAR图像目标检测方法相比，能够提取出极化SAR图像的深层特征以及多尺度特征，仅用少量的有类标样本就可得到较高的极化SAR图像目标检测精度。本专利技术实现上述目的的思路是：先对待检测的极化SAR图像进行Lee滤波，对滤波后的相干矩阵进行Yamaguchi分解，再对分解得到的特征矩阵进行归一化和非下采样轮廓波变换，然后构造数据集，之后构建阶梯网目标检测模型，用训练数据集训练模型，最后将测试数据集送入训练好的目标检测模型中得到测试数据集中每个像素所属的目标类别。本专利技术实现的具体步骤包括如下：(1)对待检测的极化SAR图像进行Lee滤波：对待检测的极化SAR图像的极化相干矩阵，进行滤除相干噪声的精致极化Lee滤波，得到滤波后的极化相干矩阵，其中待检测的极化SAR图像大小为1800×1380像素，得到滤波后的极化相干矩阵中的每个元素是一个3×3的矩阵，相当于每个像素点有9维特征；(2)将相干矩阵进行Yamaguchi分解：对滤波后的相干矩阵进行Yamaguchi分解，得到奇次散射、偶次散射、体散射以及螺旋散射功率，用分解得到的奇次散射、偶次散射、体散射功率作为表征极化SAR目标的3维图像特征，构成基于像素点的特征矩阵；(3)特征矩阵归一化：将特征矩阵中的元素值归一化到[0，255]之间，得到归一化后的特征矩阵；(4)对特征矩阵进行非下采样轮廓波变换：(4a)使用三级非下采样拉普拉斯金字塔分解滤波器组，对特征矩阵的每一层进行分解，得到一个低频子带和三个高频子带，使用非下采样方向滤波器组对高频子带进行方向滤波，得到十一个高频系数矩阵；(4b)对十一个高频系数矩阵中每个元素取绝对值，得到绝对值高频系数矩阵，选取十一个绝对值高频系数矩阵中同一位置处最大值所对应的元素，组成最大值高频系数矩阵；由最大值高频系数矩阵和低频子带对应的低频子带系数矩阵构成非下采样轮廓波变换后的特征矩阵；(5)构造数据集：(5a)用切割间隔为1、大小为20×20的矩阵窗口，对非下采样轮廓波变换后的特征矩阵进行切块，构成基于图像块的特征矩阵；(5b)随机选取特征矩阵中70000个特征矩阵块组成训练数据集，将特征矩阵中全部特征矩阵块组成测试数据集；(6)构建阶梯网络目标检测模型：(6a)构建包括含噪通路与不含噪通路的编码器，含噪通路与不含噪通路具有相同的结构均为由输入层→第一卷积层→第二卷积层→第三卷积层→softmax分类器层组成的5层神经网络，其中含噪通路中每个单元加入均值为0，方差为0.3的高斯噪声；(6b)构建一个依次由输入层→第一解码层→第二解码层→第三解码层→第四解码层组成的5层解码器；(7)训练目标检测模型：将训练数据集输入到目标检测模型中，对该模型进行训练，得到训练好的目标检测模型；(8)获得测试结果：将测试数据集输入到训练好的目标检测模型中，得到测试数据集中每个像素所属的目标类别。本专利技术与现有的技术相比具有以下优点：第一，由于本专利技术对待检测图像的特征矩阵进行了非下采样轮廓波变换，提取了待检测极化SAR图像的多尺度特征，克服了现有技术中未考虑极化SAR图像的多尺度特征而导致的图像信息利用不充分的问题，使得本专利技术能够充分保证目标检测的准确性和极化散射特性的完整性。第二，由于本专利技术构建了阶梯网络模型，使用阶梯网络模型提取了极化SAR图像的深层特征并实现极化SAR图像的目标检测，所提取的深层特征具有较强的表达能力和泛化能力，克服了现有技术中只能依靠散射信息对地物进行检测而导致的目标检测准确率偏低的问题，使得本专利技术提高了极化SAR图像的目标检测精度。附图说明图1是本专利技术的流程图；图2是本专利技术的仿真图。具体实施方式下面结合附图对本专利技术做进一步的详细描述。参照附图1，对本专利技术的步骤做进一步的详细描述。步骤1.对待检测的极化SAR图像进行Lee滤波。对待检测的极化SAR图像的极化相干矩阵，进行滤除相干噪声的精致极化Lee滤波，得到滤波后的极化相干矩阵，其中待检测的极化SAR图像大小为1800×1380像素，得到滤波后的极化相干矩阵中的每个元素是一个3×3的矩阵，相当于每个像素点有9维特征。所述精致极化Lee滤波中Lee滤波器的窗口大小为7×7个像素。步骤2.将相干矩阵进行Yamaguchi分解。对滤波后的相干矩阵进行Yamaguchi分解，得到奇次散射、偶次散射、体散射以本文档来自技高网...

【技术保护点】
一种基于非下采样轮廓波NSCT阶梯网模型的极化SAR图像目标检测方法，其特征在于，包括如下步骤：(1)对待检测的极化SAR图像进行Lee滤波：对待检测的极化SAR图像的极化相干矩阵，进行滤除相干噪声的精致极化Lee滤波，得到滤波后的极化相干矩阵，其中待检测的极化SAR图像大小为1800×1380像素，得到滤波后的极化相干矩阵中的每个元素是一个3×3的矩阵，相当于每个像素点有9维特征；(2)将相干矩阵进行Yamaguchi分解：对滤波后的相干矩阵进行Yamaguchi分解，得到奇次散射、偶次散射、体散射以及螺旋散射功率，用分解得到的奇次散射、偶次散射、体散射功率作为表征极化SAR目标的3维图像特征，构成基于像素点的特征矩阵；(3)特征矩阵归一化：将特征矩阵中的元素值归一化到[0，255]之间，得到归一化后的特征矩阵；(4)对特征矩阵进行非下采样轮廓波变换：(4a)使用三级非下采样拉普拉斯金字塔分解滤波器组，对特征矩阵的每一层进行分解，得到一个低频子带和三个高频子带，使用非下采样方向滤波器组对高频子带进行方向滤波，得到十一个高频系数矩阵；(4b)对十一个高频系数矩阵中每个元素取绝对值，得到绝对值高频系数矩阵，选取十一个绝对值高频系数矩阵中同一位置处最大值所对应的元素，组成最大值高频系数矩阵；由最大值高频系数矩阵和低频子带对应的低频子带系数矩阵构成非下采样轮廓波变换后的特征矩阵；(5)构造数据集：(5a)用切割间隔为1、大小为20×20的矩阵窗口，对非下采样轮廓波变换后的特征矩阵进行切块，构成基于图像块的特征矩阵；(5b)随机选取特征矩阵中70000个特征矩阵块组成训练数据集，将特征矩阵中全部特征矩阵块组成测试数据集；(6)构建阶梯网络目标检测模型：(6a)构建包括含噪通路与不含噪通路的编码器，含噪通路与不含噪通路具有相同的结构均为由输入层→第一卷积层→第二卷积层→第三卷积层→softmax分类器层组成的5层神经网络，其中含噪通路中每个单元加入均值为0，方差为0.3的高斯噪声；(6b)构建一个依次由输入层→第一解码层→第二解码层→第三解码层→第四解码层组成的5层解码器；(7)训练目标检测模型：将训练数据集输入到目标检测模型中，对该模型进行训练，得到训练好的目标检测模型；(8)获得测试结果：将测试数据集输入到训练好的目标检测模型中，得到测试数据集中每个像素所属的目标类别。...

【技术特征摘要】
1.一种基于非下采样轮廓波NSCT阶梯网模型的极化SAR图像目标检测方法，其特征在于，包括如下步骤：(1)对待检测的极化SAR图像进行Lee滤波：对待检测的极化SAR图像的极化相干矩阵，进行滤除相干噪声的精致极化Lee滤波，得到滤波后的极化相干矩阵，其中待检测的极化SAR图像大小为1800×1380像素，得到滤波后的极化相干矩阵中的每个元素是一个3×3的矩阵，相当于每个像素点有9维特征；(2)将相干矩阵进行Yamaguchi分解：对滤波后的相干矩阵进行Yamaguchi分解，得到奇次散射、偶次散射、体散射以及螺旋散射功率，用分解得到的奇次散射、偶次散射、体散射功率作为表征极化SAR目标的3维图像特征，构成基于像素点的特征矩阵；(3)特征矩阵归一化：将特征矩阵中的元素值归一化到[0，255]之间，得到归一化后的特征矩阵；(4)对特征矩阵进行非下采样轮廓波变换：(4a)使用三级非下采样拉普拉斯金字塔分解滤波器组，对特征矩阵的每一层进行分解，得到一个低频子带和三个高频子带，使用非下采样方向滤波器组对高频子带进行方向滤波，得到十一个高频系数矩阵；(4b)对十一个高频系数矩阵中每个元素取绝对值，得到绝对值高频系数矩阵，选取十一个绝对值高频系数矩阵中同一位置处最大值所对应的元素，组成最大值高频系数矩阵；由最大值高频系数矩阵和低频子带对应的低频子带系数矩阵构成非下采样轮廓波变换后的特征矩阵；(5)构造数据集：(5a)用切割间隔为1、大小为20×20的矩阵窗口，对非下采样轮廓波变换后的特征矩阵进行切块，构成基于图像块的特征矩阵；(5b)随机选取特征矩阵中70000个特征矩阵块组成训练数据集，将特征矩阵中全部特征矩阵块组成测试数据集；(6)构建阶梯网络目标检测模型：(6a)构建包括含噪通路与不含噪通路的编码器，含噪通路与不含噪通路具有相同的结构均为由输入层→第一卷积层→第二卷积层→第三卷积层→softmax分类器层组成的5层神经网络，其中含噪通路中每个单元加入均值为0，方差为0.3的高斯噪声；(6b)构建一个依次由输入层→第一解码层→第二解码层→第三解码层→第四解码层组成的5层解码器；(7)训练目标检测模型：将训练数据集输入到目标检测模型中，对该模型进行训练，得到训练好的目标检测模型；(8)获得测试结果：将测试数据集输入到训练好的目标检测模型中，得到测试数据集中每个像素所属的目标类别。2.根据权利要求1所述的基于非下采样轮廓波NSCT阶梯网模型的极化SAR图像目标检测方法，其特征在于，步骤(1)中所述精致极化Lee滤波中Lee滤波器的窗口大小为7×7个像素。3.根据权利要求1所述的基于非下采样轮廓波NSCT阶梯网模型的极化SAR图像目标检测方法，其特征在于，步骤(2)中所述Yamaguchi分解的具体步骤如下：第一步，根据下述四个公式，计算Yamaguchi分解的表面散射分量、偶次散射分量、体散射分量和螺旋...

【专利技术属性】
技术研发人员：焦李成，屈嵘，高倩，马文萍，杨淑媛，侯彪，刘芳，唐旭，马晶晶，张丹，古晶，陈璞花，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61