基于卷积神经网络的极化合成孔径雷达图像舰船检测方法技术

本发明专利技术公开了一种基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，包括：S1、对极化合成孔径雷达图像进行数据预处理，构建表征极化特性与几何特性的极化合成孔径雷达图像舰船检测数据集；S2、构建用于极化特征提取与几何特征提取的双分支卷积神经网络，通过极化特征与几何特征构建分类回归任务子网络；S3、按照预设的训练参数、损失函数和训练策略，基于极化合成孔径雷达图像舰船检测数据集对双分支卷积神经网络进行训练，利用双分支卷积神经网络执行极化合成孔径雷达图像舰船检测和指标评估。本发明专利技术能够大大地提升网络的鉴别能力以及从复杂的近岸远海场景中有效地检测出舰船。出舰船。出舰船。

【技术实现步骤摘要】
基于卷积神经网络的极化合成孔径雷达图像舰船检测方法


[0001]本专利技术涉及人工智能与合成孔径雷达目标检测的
，更具体地说，特别涉及一种基于卷积神经网络的极化合成孔径雷达图像舰船检测方法。

技术介绍

[0002]作为一种主动的微波成像设备，合成孔径雷达在军用和民用领域有着广泛的应用前景。尤其在海上监测领域，极化合成孔径雷达在舰船检测任务中意义非凡。SAR影像中的极化信息由于其反映了目标的空间结构与纹理信息以及与背景杂波的散射特性差异，因此，在舰船目标检测中具有巨大的优势。近年来，基于极化特性驱动的舰船检测研究已经成为当前领域的前沿话题。
[0003]目前广泛使用的传统SAR舰船检测算法是恒虚警率算法，该类算法基于舰船目标比杂波像素拥有更高的强度值以及更大的雷达反射截面的假设，对融合的极化信息进行统计建模，设置阈值，将舰船像素视为异常点而检出，例如PMF、OPD等。然而，这些恒虚警率算法在构造人工特征上耗费了巨大的时间成本，而且检测性能极易受到统计建模以及场景的影响，已经无法满足当前SAR影像舰船目标快速精确提取的需求。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，其特征在于，包括：S1、对极化合成孔径雷达图像进行数据预处理，构建表征极化特性与几何特性的极化合成孔径雷达图像舰船检测数据集；S2、构建用于极化特征提取与几何特征提取的双分支卷积神经网络，通过极化特征与几何特征构建分类回归任务子网络，所述分类回归任务子网络用于对提取的不同分辨率的融合特征图进行分类回归；S3、按照预设的训练参数、损失函数和训练策略，基于极化合成孔径雷达图像舰船检测数据集对双分支卷积神经网络进行训练，并利用训练好的双分支卷积神经网络执行极化合成孔径雷达图像舰船检测和指标评估。2.根据权利要求1所述的基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，其特征在于，所述步骤S1包括：S10、利用极化散射矩阵S求取基于泡利基的矢量化散射矩阵基于计算极化相干矩阵T；S11、利用极化相干矩阵T，计算三维矢量I、六维矢量P和一维矢量L，并判定产生真实标签。3.根据权利要求2所述的基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，其特征在于，所述步骤S10具体包括：S101、定义单个像素的极化散射矩阵为其中，H、V分别代表正交的垂直/水平极化基，在互异性的条件下，基于泡利基的矢量化散射矩阵表示为S102、通过矢量化散射矩阵计算极化相干矩阵T；其中，*
T
表示复数矩阵的共轭转置，*表示复共轭运算，T是一个共轭对称复数矩阵。4.根据权利要求2所述的基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，其特征在于，所述步骤S11具体包括：S110、利用极化相干矩阵进行数据转换，构建三维矢量I，I
i
＝20log
10
(T
ii
) i∈1，2，3，其中，I
i
被标准化到[0,255]，设置I＝[I1，I2，I3]作为几何特征提取分支的输入；
S111、构建六维矢量P，其中，P
ij,real(imag)
将相应位置的复数值转化为实数值并保留数据的原始差异，设置P＝[P
12,real
,P
12,imag
,P
13,real
,P
13,imag
,P
23,real
,P
23,imag
]作为极化特征提取分支的输入；S112、构建一维矢量L，L＝20log

【专利技术属性】
技术研发人员：高贵，白琪林，高昇，文毅，陈超，黄魁华，刘涛，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：