【技术实现步骤摘要】
基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法
[0001]本专利技术涉及深度学习
,特别是一种基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法。
技术介绍
[0002]舰船尾迹SAR图像是通过SAR对海面舰船运动产生的微弱信号进行探测和成像得到的图像。它可以显示舰船在海面上留下的尾迹痕迹,通过分析这些痕迹,可以得到舰船的轨迹、速度和航向等信息。
[0003]针对于SAR图像尾迹包含的舰船参数的提取问题:董凯旋等人利用光学遥感图像的海面舰船尾迹特征以及相关参数,分别通过灰度累积法和Radon变换法两种不同的尾迹长度检测方法,对尾流长度进行了提取,并利用尾流长度特征简单估测了舰船航速与航向;贾惠基于局部Radon变换实现了线性尾迹的检测,然后从Kelvin尾迹的产生机理出发,提出了舰船参数的二维估算方法,在基于Markov过程滤除尾迹SAR图像海面背景噪声的情况下,结合此方法着重研究了舰船参数的估算问题;舒服展开基于开尔文尾迹波长的航速估算方法,基于开尔文尾迹拟合提取波长,并进一步估算航速信息;范文娜等人针对舰船尾迹的全极化SAR图像特征开展仿真,探究不同极化下SAR图像中舰船尾迹特征的差异,进而结合基于尾迹的舰船速度反演方法,利用不同极化下的舰船尾迹SAR图像开展舰船速度反演,分析海况、舰船运动速度和极化对反演结果的影响。
[0004]当前从尾迹中对于舰船航速、方向、舰船尺寸等参数的估算,多是基于尾迹形状与长度而进行,此类尾迹估算方法对尾迹长度的提取准确性有很高要求,适用局限性大。
【技术保护点】
【技术特征摘要】
1.一种基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法,其特征在于,包括以下步骤:第一步:对海面舰船尾迹模型进行建模,将海面舰船尾迹分解为湍流尾迹、开尔文尾迹以及海面模型,然后将三者分别建模后再经过线性叠加得到总的海面舰船尾迹模型;第二步:设定仿真雷达参数,利用弹跳射线法实现SAR图像快速成像,通过对不同的舰船参数进行仿真来实现构建数据集,并将数据集划分为一定比例的训练集与测试集,以SAR图像作为训练样本的输入,以舰船尾迹的仿真参数作为训练标签,对每张SAR图像标注对应的标签;第三步:搭建改进的残差轻量网络,将训练样本与训练标签同时送入到网络中进行训练,然后将经过训练的网络用于检测未知SAR样本的舰船参数,同时对估计结果进行精度与参数量的评估。2.根据权利要求1所述的方法,其特征在于,第二步中,所搭建的数据集以不同的舰船速度V
S
、舰船长度L、舰船宽度B以及舰船吃水深度D作为随机变量进行生成舰船尾迹SAR图像。3.根据权利要求1所述的方法,其特征在于,第三步中,搭建改进的残差轻量网络,步骤如下:对于输入的尾迹SAR图像,首先选择通过7
×
7的大卷积核来提取底层的特征,该特征包括图像的轮廓、细节以及纹理;在7
×
7卷积操作之后,引入非局部运算来计算图像中特征不同位置的关联度,增强全局特征感知;然后通过3
×
3的最大池化,消除非极大值;此后经过4个Conv_x层,每个包括四层3
×
3普通卷积层,输出通道数分别为64、128、256和512,将四层普通3
×
3卷积过程更新为3
×
3的逐通道卷积过程与1
×
1的逐点卷积过程;随后通过卷积块注意模块来增强网络顶层相关特征提取能力,此后经过平均池化输出512通道数的1
×
1尺寸特征;最后将其通过一个全连接层FC直接输出舰船参数。4.根据权利要求3所述的方法,其特征在于,所述非局部运算过程的具体方法如下:假设输入SAR图像特征任意位置处的索引序号为i,对特征进行处理,根据下列关系重新定义i处的特征其中,x
i
是i处的输入特征,x
j
表示j处的输入特征,y
i
是i处的输出特征,把一元函数g(
·
)当作一种线性转化,则有g(x
j
)=W
g
x
j
其中,W
g
是待学习的权重矩阵,可以通过空间域的1
×
1卷积实现,函数f(
·
,
·
)是衡量i与j处的相似度函数,表示形式为归一化因子表示为5.根据权利要求1所述的方法,其特征在于,第一步中,建立舰船湍流尾迹模型,在舰船
行驶路...
【专利技术属性】
技术研发人员:丁大志,宗嘉霄,谷继红,丛洲,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:
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。