一种散射特性感知的全极化SAR舰船检测方法技术

本发明专利技术公开了一种散射特性感知的全极化SAR舰船检测方法，包括：S1、将全极化SAR数据进行四分量分解，获得镜面散射、双跳散射、

【技术实现步骤摘要】
一种散射特性感知的全极化SAR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
，更具体地说，特别涉及一种散射特性感知的全极化SAR舰船检测方法。

技术介绍

[0002]随着卫星技术的发展，合成孔径雷达以其全天时全天候的独特优势，在对地观测中发挥着重要的作用。由于合成孔径雷达在研究地表变化中扮演者重要作用，各个国相继发射了SAR卫星，例如中国的高分3号，日本的ALOS，欧洲的哨兵一号，加拿大的RADARSAT
‑
2等。利用SAR观测海上目标是一个有效手段，而海上舰船检测就是一个非常重要的课题。准确的船舶位置数据可以帮助政府解决非法捕鱼和海上交通安全等问题。然而，利用SAR图像对舰船进行检测是一项复杂的任务。这种复杂性与海洋环境的复杂性以及船舶构造有关。
[0003]近年来，卷积神经网络以其强大的特征提取能力在计算机视觉领域得到了广泛的应用。在目标检测领域，涌现出一大批优秀的基于CNN的检测算法，其主要分为三类：1)单阶段目标检测：相较于双阶段目标检测算法，单阶段目检测算法直接对图像进行计算生成检测结果，检测低速度快，但检测精度低。单阶段目标检测算法代表作包括CenterNet，YOLO，SSD，RetinaNet以及YOLO的改进版本。2)双阶段目标检测算法：相较于单阶段目标检测算法，双阶段目标检测算法先根据图像提取候选框，然后基于候选区域做二次修正得到检测点结果，检测精度较高，但检测速度较慢。此类算法的代表做主要包括：R
‑
CNN、Faster R
‑
CNN和Mask R
‑
CNN等。在SAR图像目标检测领域，也涌现出了许多基于CNN的目标检测算法。然而，受限于数据集本身，现有的神经网络仅仅只关注了模型本身，即只针对模型结构进行改进，而忽略了SAR数据本身的特性。例如SSDD数据集、LS_SSDD数据集、OpenSARShip数据集等都是由单通道强度值构成。
[0004]众所周知，全极化SAR数据包含丰富的后向散射信息，能够更全面的描述舰船的散射特性。因此，迫切需要一种方法能够将全极化SAR图像中的散射特性数据和神经网结合，利用神经网络强大的特征挖掘能力充分挖掘全极化SAR数据中包含的目标信息，以提升目标检测的精度。

技术实现思路

[0005]本专利技术的目的在于提供一种散射特性感知的全极化SAR舰船检测方法，以克服现有技术所存在的缺陷。
[0006]为了达到上述目的，本专利技术采用的技术方案如下：
[0007]一种散射特性感知的全极化SAR舰船检测方法，包括以下步骤：
[0008]S1、将全极化SAR数据进行四分量分解，获得镜面散射、双跳散射、
±
45
°
偶极子和非对称散射分量，再利用双跳散射、
±
45
°
偶极子和非对称散射分量构造一个特征向量作为舰船检测网络的输入数据；
[0009]S2、根据不同散射机制下目标所呈现出的特性差异构建的散射特性感知模块感知
不同散射机制对目标的贡献率，并将所述贡献率作为舰船检测网络中每个像素的权重；
[0010]S3、采用散射特性感知的舰船检测网络检测全极化SAR图像中的目标。
[0011]进一步地，所述步骤S1中将全极化SAR数据进行四分量分解的公式为：
[0012][0013]式中，f
s
，f
d
，f
od
和f
Asym
是待确定的expansion系数，且镜面散射功率P
s
＝f
s
(1+|β|2)，双跳散射功率P
d
＝f
d
(1+|α|2)，体散射功率P
Od
＝2f
Od
，非对称散射功率
[0014][0015]进一步地，所述利用双跳散射、
±
45
°
偶极子和非对称散射分量构造一个特征向量作为网络的输入数据的公式为：
[0016]Input＝[Dbl
512
×
512
，Od
512
×
512
，Asym
512
×
512
][0017]式中，Dbl，Od，Asym分别表示双跳散射、士45
°
偶极子、非对称散射分量的功率值。
[0018]进一步地，所述步骤S2包括：
[0019]S20、对特征图进行分割，利用不同大小的卷积核捕获不同特征图上目标的多尺度信息；
[0020]S21、利用通道注意力模块提取不同尺度特征图的通道注意力权重，得到每个不同尺度上通道注意力向量；
[0021]S22、利用Softmax函数对多尺度通道注意力向量进行特征重新标定，得到新的多尺度特征图所有通道的注意力权重；
[0022]S23、对新的权重和未经过通道注意力模块处理的特征图按元素进行点乘操作，输出得到一个多尺度特征信息注意力加权之后的特征图；
[0023]S24、将加权之后的特征图和未被处理的特征图相加，得到新的带有浅层纹理特征和深层语义特征的特征图。
[0024]进一步地，所述步骤S3中以ResNet50作为骨干网络，以带有散射特性感知模块的特征金字塔网络作为特征融合层构建散射特性感知的舰船检测网络。
[0025]与现有技术相比，本专利技术的优点在于：本专利技术提供的一种散射特性感知的全极化SAR舰船检测方法，结合目标在不同散射机制所呈现的特性差异，设计了一种散射特性感知模块，并利用该模块，能够有效感知不同散射机制下对目标的贡献率，以达到抑制杂波并凸显目标的作用，从而提升目标检测的精度。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以
根据这些附图获得其他的附图。
[0027]图1是不同散射机制下舰船的可视化效果图。
[0028]图2是本专利技术散射特性感知的全极化SAR舰船检测方法的流程图。
[0029]图3是本专利技术散射特性感知模块图。
[0030]图4是本专利技术两种不同的特征金字塔结构。
[0031]图5是本专利技术散射特性感知的全极化SAR检测网络结构。
具体实施方式
[0032]下面结合附图对本专利技术的优选实施例进行详细阐述，以使本专利技术的优点和特征能更易于被本领域技术人员理解，从而对本专利技术的保护范围做出更为清楚明确的界定。
[0033]参阅图1所示，本实施例公开了一种散射特性感知的全极化SAR舰船检测方法，包括以下步骤：
[0034]步骤S1、将全极化SAR数据进行四分量分解，获得镜本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种散射特性感知的全极化SAR舰船检测方法，其特征在于，包括以下步骤：S1、将全极化SAR数据进行四分量分解，获得镜面散射、双跳散射、
±
45
°
偶极子和非对称散射分量，再利用双跳散射、
±
45
°
偶极子和非对称散射分量构造一个特征向量作为舰船检测网络的输入数据；S2、根据不同散射机制下目标所呈现出的特性差异构建的散射特性感知模块感知不同散射机制对目标的贡献率，并将所述贡献率作为舰船检测网络中每个像素的权重；S3、采用散射特性感知的舰船检测网络检测全极化SAR图像中的目标。2.根据权利要求1所述的散射特性感知的全极化SAR舰船检测方法，其特征在于，所述步骤S1中将全极化SAR数据进行四分量分解的公式为：式中，f
s
，f
d
，f
Od
和f
Asym
是待确定的expansion系数，且镜面散射功率P
s
＝f
s
(1+|β|2)，双跳散射功率P
d
＝f
d
(1+|α|2)，体散射功率P
Od
＝2f
Od
，非对称散射功率3.根据权利要求1所述的散射特性感知的全极化SAR舰船检测方法，其特征在于，所述利用双跳散射、
±
45...

【专利技术属性】
技术研发人员：高贵，张川，郁文贤，姚力波，夏正欢，段定峰，张晰，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：