基于多尺度FCN‑CRF的极化SAR目标检测方法技术

技术编号:17780266 阅读:45 留言:0更新日期:2018-04-22 09:03
本发明专利技术公开了一种基于多尺度全卷积条件随机场FCN‑CRF的极化SAR目标检测方法,本发明专利技术的实现步骤为:(1)将极化SAR图像进行Lee滤波;2)构成基于像素点的特征矩阵;(3)特征矩阵归一化;(4)构造数据集;(5)构造多尺度检测模型;(6)训练多尺度检测模型;(7)获得最终检测结果。本发明专利技术克服了现有技术中对未考虑极化SAR的多尺度特征而导致的图像信息利用不充分的问题,保证了目标检测的准确性和极化散射特性的完整性。本发明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。

【技术实现步骤摘要】
基于多尺度FCN-CRF的极化SAR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SAR图像目标检测
中的一种基于多尺度全卷积条件随机场FCN(FullyConvolutionalNetworks)-CRF(conditionalrandomfield)的极化SAR(SyntheticApertureRadar)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
极化SAR具有全天候、全天时、分辨率高、可侧视成像等优点,可以获取目标的精细特征和几何特征,随着极化SAR系统的推广,获得的全极化数据也越来越丰富,在军事和民用上对人造目标做出快速而准确的检测非常迫切。卷积网在图像特征提取方面的高效使用,使得其在解决极化SAR人造目标检测问题中具有重要的理论价值和广阔的应用前景。极化SAR图像目标检测的关键是对极化SAR图像的目标特征进行提取,提取过程中要考虑到极化SAR数据本身具有的多尺度特性与其服从的数学分布,这样才能尽可能的避免边缘信息表达不足而造成的目标检测精度不高的问题,为了尽可能多的使用极化SAR数据信息,常用极化SAR分类检测的方法都是基于图像块操作的。例如:LiuF等人在其发表的论文“POL-SARImageClassificationBasedonWishartDBNandLocalSpatialInformation”(IEEETransactionsonGeoscience&RemoteSensing,2016,54(6):3292-3308.)中提出了一种WishartDBN(Deep-belif-Network)模型用于极化SAR分类检测的方法。该方法使用的DBN是一种无监督特征学习框架。它提取多层特征的模式,类似人脑的层次模型,DBN能够完成从低层次到高层次的特征提取。DBN完成特征学习的前提,是假设数据服从高斯分布,但极化SAR数据服从的是Wishart分布。因此,将极化SAR数据服从的Wishart分布引入DBN,来完成特征学习,可以学习到能有效表征极化SAR数据的特征,实现更好的分类检测效果。但是,该方法仍然存在的不足之处是,由于使用的DBN是基于图像块的分类检测,这就使得对图像进行目标检测时,边缘信息丢失过多,使得图像的边缘信息不能得到精确的检测。西安电子科技大学在其申请的专利文献“基于FCN-CRF主从网络的极化SAR目标检测方法”(专利申请号:201710386391.9,公开号:CN107169492A)中提出一种基于FCN-CRF主从网络的极化SAR目标检测方法。该方法首先对极化数据进行Lee滤波,对于得到的相干矩阵,通过选取感兴趣像素点不足整个图块的50%的特征块,使其不再参与后续运算,极大程度降低了运算量。之后对选取出的图块进行Yamaguchi分解处理,对分解结果利用FCN-CRF主从网络进行目标检测,得到最终的检测结果。但是,该方法仍然存在的不足之处是,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
本专利技术的目的在于克服上述现有技术的不足,提出一种基于多尺度全卷积条件随机场FCN-CRF的极化SAR目标检测方法。本专利技术充分利用了极化SAR图像的多尺度特征,采用多尺度检测模型实现图像的目标检测,使得图像边缘能够被较好的检测出来,在保证图像检测信息完整性的同时,提高了极化SAR图像目标检测的质量。本专利技术实现上述目的的思路是:先对极化SAR图像进行Lee滤波,然后对滤波后的图像进行Yamaguchi分解,利用分解得到的极化SAR图像构造数据集,最后使用构造的多尺度检测模型对构造的数据集进行目标检测,得到最终检测结果。本专利技术的步骤包括如下:(1)将极化SAR图像进行Lee滤波:对输入的待检测的极化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,得到滤波后的相干矩阵,其中,滤波后的相干矩阵中每个元素是一个3×3矩阵,相当于每个像素点有9维特征;(2)构成基于像素点的特征矩阵:(2a)对滤波后的相干矩阵进行四分量分解Yamaguchi,得到奇次散射、偶次散射、体散射以及螺旋散射共四个散射功率;(2b)利用四个散射功率,构成基于像素点的特征矩阵;(3)特征矩阵归一化:将基于像素点的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)构造数据集:(4a)用切割间隔为20、大小为128×128的矩阵窗口,对归一化后的特征矩阵进行切块,得到切割后所有的基于像素的特征矩阵块;(4b)随机选取5%的特征矩阵块,组成训练数据集,将其余的特征矩阵块组成测试数据集;(5)构造多尺度检测模型:(5a)构造一个含有19层的全卷积条件随机场FCN-CRF的检测模型;(5b)用曲波变换中的多尺度滤波器替换含有19层的全卷积条件随机场FCN-CRF的检测模型中的第一个卷积层,得到多尺度检测模型;(6)训练多尺度检测模型:将训练数据集输入到多尺度检测模型中,对该模型进行训练,得到训练好的多尺度检测模型;(7)获得测试结果:将测试数据集输入到训练好的多尺度检测模型中,得到测试数据集中每个像素的检测结果。本专利技术与现有技术相比具有以下优点:第一,由于本专利技术在构造数据集时,用切割间隔为20、大小为128×128的矩阵窗口,对归一化后的特征矩阵进行切块,得到切割后所有的基于像素的特征矩阵块,使用该基于像素的特征矩阵块对极化SAR目标进行检测,克服了现有技术中基于图像块的检测而产生的对极化SAR图像边缘信息检测不精确的问题,使得本专利技术所检测到的目标区域更符合实际地物边缘分布。第二,由于本专利技术采用曲波变换中的多尺度滤波器替换含有19层的全卷积条件随机场FCN-CRF的检测模型中的第一个卷积层,得到多尺度检测模型,使用训练好的该多尺度模型获得测试数据集中每个像素的检测结果,该多尺度检测模型中的多尺度滤波器提取了极化SAR图像的多尺度特征,克服了现有技术中对未考虑极化SAR的多尺度特征而导致的图像信息利用不充分的问题,保证了目标检测的准确性和极化散射特性的完整性。附图说明图1是本专利技术的流程图;图2是本专利技术仿真图。具体实施方式下面结合附图1对本专利技术的步骤做进一步的详细描述。步骤1.将极化SAR图像进行Lee滤波。对输入的待检测的极化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,得到滤波后的相干矩阵,其中,滤波后的相干矩阵中每个元素是一个3×3矩阵,相当于每个像素点有9维特征。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.构成基于像素点的特征矩阵。对滤波后的相干矩阵进行四分量分解Yamaguchi,得到奇次散射、偶次散射、体散射以及螺旋散射共四个散射功率。四分量分解Yamaguchi的具体步骤如下:第一步,由四分量分解Yamaguchi提出以下的表面散射、偶次散射、体散射以及螺旋体散射的协方差矩阵如下:其中,[C]1、[C]2、[C]3、[C]4分别表示表面散射、偶次散射、体散射和螺旋体散射的协方差矩阵,[·]表示矩阵符号,|·|表示取绝对值操作,β表示二次散射系数,β=1,*表本文档来自技高网
...
<a href="http://www.xjishu.com/zhuanli/55/201711068639.html" title="基于多尺度FCN‑CRF的极化SAR目标检测方法原文来自X技术">基于多尺度FCN‑CRF的极化SAR目标检测方法</a>

【技术保护点】
一种基于多尺度全卷积条件随机场FCN‑CRF的极化SAR目标检测方法,其特征在于,包括如下步骤:(1)将极化SAR图像进行Lee滤波:对输入的待检测的极化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,得到滤波后的相干矩阵,其中,滤波后的相干矩阵中每个元素是一个3×3矩阵,相当于每个像素点有9维特征;(2)构成基于像素点的特征矩阵:(2a)对滤波后的相干矩阵进行四分量分解Yamaguchi,得到奇次散射、偶次散射、体散射以及螺旋散射共四个散射功率;(2b)利用四个散射功率,构成基于像素点的特征矩阵;(3)特征矩阵归一化:将基于像素点的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)构造数据集:(4a)用切割间隔为20、大小为128×128的矩阵窗口,对归一化后的特征矩阵进行切块,得到切割后所有的基于像素的特征矩阵块;(4b)随机选取5%的特征矩阵块,组成训练数据集,将其余的特征矩阵块组成测试数据集;(5)构造多尺度检测模型:(5a)构造一个含有19层的全卷积条件随机场FCN‑CRF的检测模型;(5b)用曲波变换中的多尺度滤波器替换含有19层的全卷积条件随机场FCN‑CRF的检测模型中的第一个卷积层,得到多尺度检测模型;(6)训练多尺度检测模型:将训练数据集输入到多尺度检测模型中,对该模型进行训练,得到训练好的多尺度检测模型;(7)获得检测结果:将测试数据集输入到训练好的多尺度检测模型中,得到测试数据集中每个像素的检测结果。...

【技术特征摘要】
1.一种基于多尺度全卷积条件随机场FCN-CRF的极化SAR目标检测方法,其特征在于,包括如下步骤:(1)将极化SAR图像进行Lee滤波:对输入的待检测的极化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,得到滤波后的相干矩阵,其中,滤波后的相干矩阵中每个元素是一个3×3矩阵,相当于每个像素点有9维特征;(2)构成基于像素点的特征矩阵:(2a)对滤波后的相干矩阵进行四分量分解Yamaguchi,得到奇次散射、偶次散射、体散射以及螺旋散射共四个散射功率;(2b)利用四个散射功率,构成基于像素点的特征矩阵;(3)特征矩阵归一化:将基于像素点的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)构造数据集:(4a)用切割间隔为20、大小为128×128的矩阵窗口,对归一化后的特征矩阵进行切块,得到切割后所有的基于像素的特征矩阵块;(4b)随机选取5%的特征矩阵块,组成训练数据集,将其余的特征矩阵块组成测试数据集;(5)构造多尺度检测模型:(5a)构造一个含有19层的全卷积条件随机场FCN-CRF的检测模型;(5b)用曲波变换中的多尺度滤波器替换含有19层的全卷积条件随机场FCN-CRF的检测模型中的第一个卷积层,得到多尺度检测模型;(6)训练多尺度检测模型:将训练数据集输入到多尺度检测模型中,对该模型进行训练,得到训练好的多尺度检测模型;(7)获得检测结果:将测试数据集输入到训练好的多尺度检测模型中,得到测试数据集中每个像素的检测结果。2.根据权利要求1所述的基于多尺度全卷积条件随机场FCN-CRF的极化SAR目标检测方法,其特征在于,步骤(1)中所述精致极化Lee滤波所采用Lee滤波器的窗口大小为7×7个像素。3.根据权利要求1所述的基于多尺度全卷积条件随机场FCN-CRF的极化SAR目标检测方法,其特征在于,步骤(2a)中所述的四分量分解Yamaguchi的具体步骤如下:第一步,由四分量分解Yamaguchi提出以下的表面散射、偶次散射、体散射以及螺旋体散射的协方差矩阵如下:其中,[C]1、[C]2、[C]3、[C]4分别表示表面散射、偶次散射、体散射和螺旋体散射的协方差矩阵,[·]表示矩阵符号,|·|表示取绝对值操作,β表示二次散射系数,β=1,*表示共轭转置操作,α表示表面散射系数,α=-1,j表示虚数符号,表示开平方操作;第二步,利用表面散射、偶次散射、体散射和螺旋体散射的协方差矩阵的加权之和等于待检测目标的协方差矩阵,求解等式中的加权系数:f1[C]1+f2[C]2+f3[C]3+f4[C]4=[C]其中,[C]表示待检...

【专利技术属性】
技术研发人员:焦李成屈嵘杨慧张丹杨淑媛侯彪马文萍刘芳陈璞华古晶唐旭马晶晶
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

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1