【技术实现步骤摘要】
本专利技术属于雷达，具体涉及一种基于极化特性和异常检测的polsar目标检测方法。
技术介绍
1、空间遥感系统包括光学遥感系统(可见光遥感、热红外遥感等)和微波遥感系统如合成孔径雷达sar(synthetic aperture radar，sar)系统和微波辐射计等，其中，传统的光学遥感系统只能在有光照的情况下工作，且容易受到云、雨、雾等气象条件的影响。而sar系统是一种主动式微波成像系统，可以全天时地对地观测，并且sar系统工作在微波波段，因此雷达波束能够有效穿透云层、浓雾从而实现全天候地对地观测。sar所使用波段的电磁波对植被、人工伪装也有一定的穿透能力，可以获取隐藏在植被下或浅层地表下目标的回波，因此sar在军事应用上也有独特的优势。与单极化sar系统相比，全极化sar系统不仅可以获取目标的雷达散射截面积(radar cross-section，rcs)，还可以获取所观测目标完整的电磁散射特性(即极化散射矩阵)，丰富了获取信息的维度。利用极化散射矩阵，研究人员可以更深入地分析和提取目标的物理参数和结构信息。因此，对于polsar(polarimetricsynthetic aperture radar，polsar)图像的研究具有重要的理论意义和实际价值。
2、20世纪80年代末期，林肯实验室的相关研究者开始研究基于polsar数据的检测算法。由于林肯实验室拥有先进polsar系统的研制优势，因此其获取了大量有价值的极化sar数据。1989年novak等人提出了最优极化检测器(optimal polarimet
3、近年来，基于深度学习的目标检测方法成为众多学者研究的重点，目前已经在sar舰船目标检测中取得了较大的成功，但是利用卷积神经网络来进行polsar目标检测的研究较少，特别是地面目标检测任务。cozzolino等人使用小型卷积神经网络对sar图像进行舰船检测，证明了神经网络提取的特征比人工设计的特征更适用于检测。nieto hidalgo等人提出了一个针对特定背景的两阶段目标检测框架，其对于海洋目标检测非常高效，但对于其他场景(例如地面车辆目标检测)则不然。fan weiwei等人利用改进的faster r-cnn网络来进行polsar舰船检测。jin kan等人提出了一种用于polsar图像中舰船检测的patch topixel卷积神经网络(patch to pixel cnn，p2p-cnn)，明显提高了检测性能。
4、然而，以上方法都需要有目标标注数据对网络进行训练，同时也没有充分利用极化散射特性。
技术实现思路
1、为了解决现有技术中所存在的上述问题，本专利技术提供了一种基于极化特性和异常检测的polsar目标检测方法。
2、本专利技术要解决的技术问题通过以下技术方案实现：
3、一种基于极化特性和异常检测的polsar目标检测方法，所述polsar目标检测方法包括：
4、获取待测试的polsar图像；
5、根据所述待测试的polsar图像的极化相关特征和极化相干矩阵的拼接结果得到测试数据；
6、对所述测试数据进行切片处理，得到包括多张测试切片的最终测试数据，相邻两张所述测试切片之间具有部分重叠区域；
7、将所述测试切片输入至训练好的polsar目标检测网络，得到每个所述测试切片的重构数据，根据所述重构数据和所述测试切片对应像素点的差值的平方，并在通道维度上取平均，得到所述测试切片的异常检测得分图，其中，polsar目标检测网络包括编码器、解码器、内存库模块和判别器，所述编码器用于提取polsar图像的多个特征，并将所提取的特征输入至所述内存库模块，所述内存库模块用于基于注意力的寻址查询和加权求和，得到多个特征，所述内存库模块输出的多个特征输入至所述解码器，所述解码器用于对输入的特征进行重构，得到重构数据，所述判别器用于提取输入数据和重构数据的特征；
8、将所述异常检测得分图对应回所述待测试的polsar图像，并根据阈值进行分割，从而得到最终的二值检测结果。
9、与现有技术相比，本专利技术的有益效果：
10、本专利技术基于目前没有大量的有标注polsar数据的情况，提出了一种利用无监督异常检测思想实现polsar目标检测的方法，本专利技术首先根据待测试的polsar图像的目标区域的极化相关特征和极化相干矩阵的拼接结果得到测试数据，并将测试数据的测试切片输入至训练好的polsar目标检测网络，以得到异常检测得分，最后将异常检测得分图对应回待测试的polsar图像，并根据阈值进行分割，从而得到最终的二值检测结果，本专利技术的polsar目标检测网络由编码器、解码器、内存库模块和判别器构成，不需要使用大量的有标注polsar数据进行训练，另外，polsar目标检测网络还结合了极化旋转域的相关特征作为网络的输入，进一步提高了polsar目标检测性能。
11、以下将结合附图及对本专利技术做进一步详细说明。
本文档来自技高网...【技术保护点】
1.一种基于极化特性和异常检测的PolSAR目标检测方法，其特征在于，所述PolSAR目标检测方法包括：
2.根据权利要求1所述的基于极化特性和异常检测的PolSAR目标检测方法，其特征在于，所述PolSAR目标检测网络的训练方法包括：
3.根据权利要求2所述的基于极化特性和异常检测的PolSAR目标检测方法，其特征在于，所述编码器包括encoder1模块、encoder2模块、encoder3模块、encoder4模块和encoder5模块，所述编码器的输入数据大小为H×W×K，H为高，W为宽，K为通道维度，其中：
4.根据权利要求3所述的基于极化特性和异常检测的PolSAR目标检测方法，其特征在于，所述内存库模块包括分块mem1模块、mem2模块、mem3模块和mem4模块，其中：
5.根据权利要求4所述的基于极化特性和异常检测的PolSAR目标检测方法，其特征在于，所述解码器包括decoder1模块、decoder2模块、decoder3模块、decoder4模块和decoder5模块，其中：
6.根据权利要求2所
7.根据权利要求6所述的基于极化特性和异常检测的PolSAR目标检测方法，其特征在于，所述判别器包括conv1模块、conv2模块、conv3模块、conv4模块、conv5模块和conv6模块，其中：
8.根据权利要求2所述的基于极化特性和异常检测的PolSAR目标检测方法，其特征在于，所述损失函数包括L1 Loss函数、SSIM Loss函数和MSE Loss函数，其中：
9.根据权利要求1所述的基于极化特性和异常检测的PolSAR目标检测方法，其特征在于，将所述异常检测得分图对应回所述待检测的PolSAR图像，并根据阈值进行分割，从而得到最终的二值检测结果，包括：
...【技术特征摘要】
1.一种基于极化特性和异常检测的polsar目标检测方法，其特征在于，所述polsar目标检测方法包括：
2.根据权利要求1所述的基于极化特性和异常检测的polsar目标检测方法，其特征在于，所述polsar目标检测网络的训练方法包括：
3.根据权利要求2所述的基于极化特性和异常检测的polsar目标检测方法，其特征在于，所述编码器包括encoder1模块、encoder2模块、encoder3模块、encoder4模块和encoder5模块，所述编码器的输入数据大小为h×w×k，h为高，w为宽，k为通道维度，其中：
4.根据权利要求3所述的基于极化特性和异常检测的polsar目标检测方法，其特征在于，所述内存库模块包括分块mem1模块、mem2模块、mem3模块和mem4模块，其中：
5.根据权利要求4所述的基于极化特性和异常检测的polsar目标检测方法，其特征在于，所述解码器包括decoder1模...
【专利技术属性】
技术研发人员：王英华，许昕宇，张佳佳，李欢，刘宏伟，
申请(专利权)人：西安电子科技大学，
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。