基于旋转域特征与CNN的极化SAR图像舰船检测方法技术

本发明专利技术提供一种基于旋转域特征与深度CNN的极化SAR图像舰船检测方法。技术方案是：分为训练与检测两个阶段。对于训练阶段，针对各训练样本中的每一个像素，以旋转域特征中优选的2个振荡中心参数和极化相干矩阵中的3个主对角元素作为检测特征，并构建训练样本全图相应的5个检测特征图；对于检测阶段，将待检测极化SAR图像相应的归一化的检测特征图输入训练好的深度CNN检测器中，通过变尺寸滑窗的方式对其中非陆地区域所对应的部分进行遍历，得到待检测极化SAR图像的舰船检测结果。本发明专利技术检测性能好，实现方便。

Ship detection method for polarimetric SAR images based on rotation domain features and CNN

The invention provides a polarimetric SAR image ship detection method based on the rotation domain feature and depth CNN. The technical plan is divided into two stages: training and testing. For each pixel in each training sample, the optimal parameters of two oscillation centers and three principal diagonal elements of polarization coherence matrix in rotation domain are used as detection features, and the corresponding five detection feature maps of the whole training sample image are constructed. For the detection stage, the polarization SAR image to be detected is corresponded. The normalized detection feature map is input into the trained depth CNN detector, and the corresponding parts of the non-land area are traversed through variable-size sliding window to get the ship detection results of the polarization SAR image to be detected. The invention has good detection performance and convenient implementation.

【技术实现步骤摘要】
基于旋转域特征与CNN的极化SAR图像舰船检测方法
本专利技术属于极化SAR(SyntheticApertureRadar，合成孔径雷达)成像遥感
，涉及一种基于旋转域特征与深度CNN(ConvolutionalNeuralNetwork，卷积神经网络)的极化SAR图像舰船检测方法。
技术介绍
极化SAR具有全天时全天候工作能力，能够获取全极化信息。目前，极化SAR图像常用于舰船目标检测。因为人造舰船与自然海洋表面具有不同极化散射机理，基于极化散射机理差异即有可能在极化SAR图像中将舰船目标从海面背景中分离出来。极化SAR图像舰船检测的一般流程为：首先针对极化SAR图像的各个像素，通过特定方式下多极化通道的信息融合，提取检测特征；再针对全图构造检测特征图，并基于归一化检测特征图中舰船目标与背景之间的差异，选择合适的检测器完成后续处理。一种经典的极化SAR图像舰船检测方法即利用到CFAR(ConstantFalseAlarmRate，恒虚警率)检测器。然而，由于CFAR检测器的性能依赖于背景杂波的分布模型，在对背景杂波的统计建模能力不足时，使用CFAR检测器所得检测效果往往会受到很大的限制。近来，在深度学习领域中具有代表性的深度CNN，凭借其对深层次特征的自动提取能力已经在计算机视觉以及图像处理等方面取得了很多成功应用，如文献A.Krizhevsky,I.SutskeverandG.E.Hinton,“Imagenetclassificationwithdeepconvolutionalneuralnetworks,”AdvancesinNeuralInformationProcessingSystems,pp.1097–1105,2012所述。深度CNN在进行目标检测时，并不依赖于背景杂波的分布模型，故克服了上述CFAR检测器的不足，在极化SAR图像舰船检测中具有极大潜力。然而，现阶段深度CNN大多应用于光学图像。由于光学图像与极化SAR图像的差异，在基于极化SAR图像进行舰船检测时，利用光学图像相应检测特征训练好的经典深度CNN模型并不适合。如何将极化SAR图像特有的检测特征用于深度CNN的训练，即将极化SAR领域专家知识与深度CNN技术联合用于极化SAR图像舰船检测，以发挥两者各自优势，进而设计出一种专门针对极化SAR图像的舰船检测方法，是当前面临的一个技术挑战。近年来，研究团队通过对目标在绕雷达视线旋转域中的隐含信息进行挖掘与解译，提出了一系列旋转域特征，并在极化SAR图像地物分类等方面取得了成功应用，进而由此验证旋转域特征作为领域专家知识的有效性。因此，发展一种基于旋转域特征与深度CNN的极化SAR图像舰船检测方法具有重要意义。
技术实现思路
本专利技术要解决的技术问题是，提供一种基于旋转域特征与深度CNN的极化SAR图像舰船检测方法，本方法将优选的旋转域特征与经典的极化特征参数均作为检测特征，并构建特定结构的深度CNN作为检测器，通过将相应的检测特征与深度CNN强大的深层次特征自动学习能力相结合，以进一步提高极化SAR图像舰船检测的性能表现。本专利技术的基本思路是：从大体上分为训练与检测两个阶段。对于训练阶段，将只包含单一目标并且目标类别(如舰船、海面或者陆地等)已知的极化SAR图像作为训练样本；针对各训练样本中的每一个像素，以旋转域特征中优选的2个振荡中心参数和极化相干矩阵中的3个主对角元素作为检测特征，并构建训练样本全图相应的5个检测特征图；进而将上述训练样本归一化后的5个检测特征图输入特定结构的深度CNN之中，以对其进行训练。而对于检测阶段，将待检测极化SAR图像相应的归一化的检测特征图输入训练好的深度CNN检测器中，通过变尺寸滑窗的方式对其中非陆地区域所对应的部分进行遍历，检测所得属于舰船的滑窗位置即作为候选框，同时记录深度CNN给予各个候选框的得分；通过预设得分门限，对所有的候选框进行滤除处理，再利用NMS(NonMaximumSuppression，非最大值抑制)方法进行精炼处理，即可得到待检测极化SAR图像的舰船检测结果。本专利技术的技术方案是：一种基于旋转域特征与深度CNN的极化SAR图像舰船检测方法，包括下述两个阶段——训练阶段和检测阶段，且两个阶段均利用下述方法提取得到极化SAR图像的5个检测特征图：基于相干斑滤波处理后的极化SAR图像，设其大小为I×J像素，位置坐标为(i,j)的像素所相应的极化相干矩阵为且j＝1,2,…,J。对于像素(i,j)，使用下列式子计算旋转域特征中优选的2个振荡中心参数B(ij)_T22和B(ij)_|T23|2，并作为检测特征：其中，Re[·]和Im[·]分别表示取复数的实部和虚部。另外，选取极化相干矩阵T(ij)中的3个主对角元素和同样地作为检测特征。对于整幅极化SAR图像，上述5个检测特征各自对应的检测特征图在归一化后分别记为B_T22、B_|T23|2、T11、T22和T33。首先，对于训练阶段：构建深度CNN作为检测器；在相干斑滤波处理之后，将只包含单一目标并且目标类别已知的极化SAR图像作为训练样本，提取训练样本相应的上述5个检测特征图，再将所有训练样本各自的5个检测特征图以及对应的目标类别均输入至之前构建的检测器之中，以对检测器进行训练。其次，对于检测阶段：基于相干斑滤波后待检测的极化SAR图像，提取得到其相应的上述5个检测特征图，并将5个检测特征图作为训练好的检测器的输入，经过检测处理，检测器输出待检测的极化SAR图像之中是否包含舰船目标，如果其中包含舰船目标，则同时输出各舰船目标在该待检测极化SAR图像中的具体位置。特别地，对相干斑滤波后待检测的极化SAR图像先进行海陆分割，只对上述图像中的非陆地部分进行检测阶段的步骤处理。用本专利技术可取得以下技术效果：本专利技术所述的一种基于旋转域特征与深度CNN的极化SAR图像舰船检测方法，这种方法具有下列技术效果：(1)检测性能强。本专利技术方法利用旋转域特征中优选的2个振荡中心参数和极化相干矩阵中的3个主对角元素作为检测特征，其中相应的任意检测特征图内均能得到舰船目标与背景之间的较强对比度；另外，以深度CNN作为检测器可充分发挥其深层次特征自动提取的优势特点，故在检测率和虚警两个方面均能取得较好性能表现。(2)检测性能稳健性好。实验证明，训练好的检测器对于相似场景下不同极化SAR系统所获取的极化SAR图像具有很稳健的检测性能表现，这仍是因为上述5个检测特征以及深度CNN的自身特点与优势。(3)实现简单，实施方便。本专利技术方法中的检测器一旦训练好，即能够对相干斑滤波后的待检测极化SAR图像自动进行检测，而不需要其它额外的人工干预，故可直接用于对各种极化SAR系统所获取的具有不同波段和不同分辨率的极化SAR图像进行处理。附图说明图1是本专利技术的实施流程图；图2是本专利技术设计的深度CNN的某一结构示意图；图3是RadarSat-2系统于香港海域所获取极化SAR数据在相干斑滤波后的极化SAR图像以及相应的舰船位置分布图；图4是从图3中相干斑滤波后的极化SAR图像内提取训练样本，进而分别使用现有方法和本专利技术方法对图3中相干斑滤波后的极化SAR图像进行舰船检测的结果图，另外包括针对图3中相干斑滤波后的极化SAR图本文档来自技高网...

【技术保护点】
1.一种基于旋转域特征与深度CNN的极化SAR图像舰船检测方法，包括训练阶段和检测阶段，CNN是指卷积神经网络，SAR是指合成孔径雷达，其特征在于，两个阶段均利用下述方法提取得到极化SAR图像的5个检测特征图：基于相干斑滤波处理后的极化SAR图像，设其大小为I×J像素，位置坐标为(i,j)的像素对应的极化相干矩阵为

【技术特征摘要】
1.一种基于旋转域特征与深度CNN的极化SAR图像舰船检测方法，包括训练阶段和检测阶段，CNN是指卷积神经网络，SAR是指合成孔径雷达，其特征在于，两个阶段均利用下述方法提取得到极化SAR图像的5个检测特征图：基于相干斑滤波处理后的极化SAR图像，设其大小为I×J像素，位置坐标为(i,j)的像素对应的极化相干矩阵为i＝1,2,…,I，j＝1,2,…,J；对于位置坐标为(i,j)的像素，使用下式计算振荡中心参数B(ij)_T22和B(ij)_|T23|2，并作为检测特征：其中，Re[·]和Im[·]分别表示取复数的实部和虚部；另外，选取极化相干矩阵T(ij)中的3个主对角元素和作为检测特征；则对于极化SAR图像，上述5个检测特征各自对应的检测特征图在归一化后分别记为B_T22、B_|T23|2、T11、T22和T33；以上述5个检测特征图作为特征提取的结果进行训练和检测。2.根据权利要...

【专利技术属性】
技术研发人员：陈思伟，代大海，陶臣嵩，李永祯，王雪松，肖顺平，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43