一种基于图像转化识别叠掩的SAR图像建筑物检测方法技术

本发明专利技术涉及SAR图像处理技术领域，具体为一种基于图像转化识别叠掩的SAR图像建筑物检测方法，包括以下步骤：数据收集与处理；图像转化网络设计；网络训练；滑动窗口相关系数计算；后处理；有益效果为：本发明专利技术提出的基于图像转化识别叠掩的SAR图像建筑物检测方法；通过识别叠掩想象来检测城市SAR图像中建筑物区域。该方法的核心操作是将原始SAR图像转换为光学图像，再将转换后的光学图像转换回SAR图像，并计算原始SAR图像和转换后的SAR图像之间的相关性来确定建筑物位置。由于建筑物是造成城市SAR图像中叠掩现象的主要因素，因此在SAR图像中含有建筑物的区域应该具有较低的像素相关性系数。该方法可以有效地提高SAR图像建筑物检测的准确率和效率。检测的准确率和效率。检测的准确率和效率。

【技术实现步骤摘要】
一种基于图像转化识别叠掩的SAR图像建筑物检测方法


[0001]本专利技术涉及SAR图像处理
，具体为一种基于图像转化识别叠掩的SAR图像建筑物检测方法。

技术介绍

[0002]成孔径雷达(SAR)是一种能够在不受天气、时间和光照限制的情况下获取地面信息的遥感技术。与传统光学遥感技术相比，SAR能够穿透云层、雾霾和树林等障碍物，从而实现对地面目标的高分辨率观测。因此，SAR图像在城市规划、环境监测、灾害响应等领域具有广泛的应用价值。其中，建筑物检测是SAR图像处理中的一个重要应用。通过提取SAR图像中的反射信号特征，可以快速准确地识别出城市区域内的建筑物分布情况，并为城市规划、资源开发等提供重要参考。同时，基于SAR图像进行建筑物检测也可以在自然灾害等紧急情况下提供及时有效的支持。因此，在SAR图像处理技术的研究中，建筑物检测一直是一个备受关注的热点问题。
[0003]现有技术中，传统的机器学习方法，如支持向量机、随机森林、决策树等已被广泛应用于SAR图像建筑物检测中。而深度学习方法则在近年来得到了快速发展，并被证明在该任务上表现出色。深度学习方法主要包括基于卷积神经网络(Convolutional Neural Networks，CNN)和基于循环神经网络(Recurrent Neural Networks，RNN)的方法。对于基于CNN的方法，一般采用分类或分割的思路进行建筑物检测。具体来说，首先需要对SAR图像进行预处理，如归一化、去噪等操作。然后将预处理后的SAR图像输入到CNN模型中进行特征提取和分类或分割。常用的CNN模型包括VGG、ResNet、Inception等。对于基于RNN的方法，一般采用序列标注的思路进行建筑物检测。具体来说，将SAR图像切割成若干个小块，并将这些小块作为序列输入到RNN模型中。RNN模型会对每个小块进行标注以确定其是否为建筑物。常用的RNN模型包括LSTM、GRU等。除了以上两种方法，还有一些综合使用了卷积和循环神经网络的深度学习方法，如FCN
‑
LSTM。
[0004]并且，一些较新的深度学习方法也被应用于SAR图像建筑物检测中，如基于自注意力机制的Transformer模型。然而，尽管深度学习方法在SAR图像建筑物检测中具有相当的准确率，但是上述方法往往需要大量的标注数据。这意味着，需要人工对每个SAR图像进行标注，这样的过程既费时又费力。

技术实现思路

[0005]本专利技术的目的在于提供一种基于图像转化识别叠掩的SAR图像建筑物检测方法，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于图像转化识别叠掩的SAR图像建筑物检测方法，所述检测方法包括以下步骤：
[0007]数据收集与处理；
[0008]图像转化网络设计；
[0009]网络训练；
[0010]滑动窗口相关系数计算；
[0011]后处理。
[0012]优选的，数据收集与处理时，采集成对的SAR图像和光学图像，以用于训练图像转化网络。
[0013]优选的，图像转化网络设计时，使用生成对抗网络完成SAR图像转化为光学图像和光学图像再转化为SAR图像。
[0014]优选的，网络训练时，将所有训练图像的大小调整为768
×
768，使用Adam作为优化器，初始学习率为2e
‑
4，批量大小设置为8，通过双线性插值将重建的SAR图像调整为900
×
900。
[0015]优选的，滑动窗口相关系数计算时，对于原始输入SAR图像和转化后的SAR图像的成对图像，同步通过滑动窗口提取5
×
5的大小图像。
[0016]优选的，基于每个像素点的值计算它们的相关系数，相关系数公式为：
[0017][0018]其中X
ij
，Y
ij
为滑动窗口中心像素点，cov表示协方差，σ为标准偏差。
[0019]优选的，后处理时，通过固定阈值判断相关系数小于多少的为建筑物区域，在SpaceNet6数据集上，阈值设置为0.7。
[0020]与现有技术相比，本专利技术的有益效果是：
[0021]本专利技术提出的基于图像转化识别叠掩的SAR图像建筑物检测方法；通过识别叠掩想象来检测城市SAR图像中建筑物区域。该方法的核心操作是将原始SAR图像转换为光学图像，再将转换后的光学图像转换回SAR图像，并计算原始SAR图像和转换后的SAR图像之间的相关性来确定建筑物位置。由于建筑物是造成城市SAR图像中叠掩现象的主要因素，因此在SAR图像中含有建筑物的区域应该具有较低的像素相关性系数。该方法可以有效地提高SAR图像建筑物检测的准确率和效率。
附图说明
[0022]图1为本专利技术方法流程图。
具体实施方式
[0023]为了使本专利技术的目的、技术方案进行清楚、完整地描述，及优点更加清楚明白，以下结合附图对本专利技术实施例进行进一步详细说明。应当理解，此处所描述的具体实施例是本专利技术一部分实施例，而不是全部的实施例，仅仅用以解释本专利技术实施例，并不用于限定本专利技术实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0024]实施例一
[0025]请参阅图1，本专利技术提供一种技术方案：一种基于图像转化识别叠掩的SAR图像建筑物检测方法，所述检测方法包括以下步骤：
[0026](1)数据收集与处理，本专利技术需要采集成对的SAR图像和光学图像，以用于训练图像转化网络，在具体实施中，本专利技术使用了开源的SpaceNet6数据集作为测试。该数据集包括3401对大小为900
×
900的SAR和光学图像，这些图像已经通过地理配准和校正进行预处理。所有SAR图像都有四种偏振模式(HH、HV、VH、VV)。从该数据集中选择了2401对SAR和光学图像作为训练数据，用于训练图像转化网络。
[0027](2)图像转化网络设计，本专利技术使用生成对抗网络完成SAR图像转化为光学图像和光学图像再转化为SAR图像。具体，在案例测试中，本专利技术使用了pix2pix网络并调整了其参数。Pix2pix网络是一种条件生成对抗网络。它的目标是将一种图像转换成另一种图像，网络由两个部分组成：生成器和判别器。生成器采用编码器
‑
解码器的结构，接收输入图像并生成目标图像。判别器则是一个二分类器，接收输入图像并判断其是否为真实的目标图像。训练过程中，生成器和判别器互相竞争，来不断优化模型。在本专利技术中，SAR图像转化为光学图像和光学图像再转化为SAR图像都使用pix2pix来完成。
[0028](3)网络训练，在样例中，对图像及网络训练过程做了如下调整。由于Pix2Pix的解码器采用8个转置卷积层来将输出图像恢复到输入图像的大小，因此本专利技术将所有训练图像的大小调整为768
×
768。在训练过程中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像转化识别叠掩的SAR图像建筑物检测方法，其特征在于：所述检测方法包括以下步骤：数据收集与处理；图像转化网络设计；网络训练；滑动窗口相关系数计算；后处理。2.根据权利要求1所述的一种基于图像转化识别叠掩的SAR图像建筑物检测方法，其特征在于：数据收集与处理时，采集成对的SAR图像和光学图像，以用于训练图像转化网络。3.根据权利要求1所述的一种基于图像转化识别叠掩的SAR图像建筑物检测方法，其特征在于：图像转化网络设计时，使用生成对抗网络完成SAR图像转化为光学图像和光学图像再转化为SAR图像。4.根据权利要求1所述的一种基于图像转化识别叠掩的SAR图像建筑物检测方法，其特征在于：网络训练时，将所有训练图像的大小调整为768
×
768，使用Adam作为优化器，初始学习率为2e
‑
4，批量大小设置为8，通过双线...

【专利技术属性】
技术研发人员：王东骥，张铮，段强，姜凯，
申请(专利权)人：山东浪潮科学研究院有限公司，
类型：发明
国别省市：