本发明专利技术公开了一种基于自注意力机制的字典学习SAR舰船目标检测方法，包括如下步骤：对预先获取的SAR图像进行预处理，逐像素提取特征向量，组成特征矩阵；构建基于自注意力机制的字典学习模型，设计增大子字典差异性的目标函数；利用自注意力机制更新字典和计算编码系数，构建具有判别能力的目标和背景子字典；利用特征矩阵作为基于自注意力机制的字典学习模型的输入，得到初步检测结果；通过计算检测结果的连通面积大小、长宽比及复杂度，得到目标的检测结果。本发明专利技术构建增大子字典差异性的目标函数，利用自注意力机制学习SAR图像中舰船目标与海杂波背景的不同特征，更好地构建目标和背景的不同子字典，提高SAR舰船目标检测准确性，减少虚警。
【技术实现步骤摘要】
本专利技术属于雷达图像处理和目标检测领域，尤其涉及一种基于自注意力机制的字典学习sar舰船目标检测方法。
技术介绍
1、合成孔径雷达(synthetic aperture radar，简称sar)具有可以全天时、全天候工作的优点，因此在在民用和军用方面都有着广泛的应用。sar舰船检测能够有效地探测到海洋中的舰船目标，因此，基于sar的船舶探测系统在海上监视活动中得到了广泛应用，并发挥着越来越重要的作用。
2、sar图像在目标检测和识别任务中具有很大的潜力。sar图像包含丰富的信息，如回波信号的振幅、相位，能够提供更丰富、更准确的目标特征，用于构建sar目标检测数据集，有助于提升目标检测的能力。传统的sar目标检测方法通常通过比较雷达回波信号或者目标模板来进行目标检测，在处理复杂场景时存在一些缺点。随着深度学习的兴起，基于深度学习的sar目标检测方法取得了一些显著的进展。然而，深度学习方法也面临一些挑战，例如需要大量标注数据进行训练，且在一些复杂场景下容易过拟合。此外，深度学习方法的“黑盒”性使其在解释模型决策方面存在困难，这在一些应用场景中是不可忽视的问题。为了克服传统方法和基于深度学习方法的局限性，采用基于字典学习的sar目标检测方法。字典学习能够从数据中自动学习最优的表示，避免了对手工设计特征的依赖，并且相对于深度学习方法，字典学习通常需要较少的标注数据。此外，字典学习方法更容易解释，有助于提高模型的可解释性。因此，基于字典学习的sar目标检测方法在处理复杂sar图像时具有更好的性能和更广阔的应用前景。
<
p>3、字典学习是一种用于从高维数据中学习出一组“字典”或“稀疏基”，以表示原始数据的结构和特征的方法。在字典学习中，原始数据被表示为字典中的线性组合形式，其中每个元素对应一个基向量或原子。通过字典学习，可以实现数据降维、特征提取、信号分解和重构等任务。传统的字典学习方法大多用于分类识别，如稀疏表示分类(sparserepresentation based classification,src)方法、d-ksvd算法和基于fisher准则的判别字典学习(fddl)等。在sar目标检测中，字典学习已经被成功应用。通过将sar图像表示为字典中的原子的线性组合，字典学习能够更好地捕捉sar图像中目标的特征，提高目标检测的准确性。然而，现有的基于字典学习的sar目标检测算法大多未考虑复杂背景弱小目标的检测，模型的鲁棒性和对噪声的敏感性也是需要进一步改进的方面，以适应真实世界中复杂多变的sar场景。4、本专利技术提出基于自注意力机制的字典学习进行sar舰船目标检测，实现小样本的弱小目标检测。本专利技术所提出的基于自注意力机制的字典学习(sadl)方法设计增大子字典间差异性的目标函数，利用自注意力机制更新字典、计算编码系数，更精准地捕捉目标的局部特征，有助于提高字典的表达能力。基于自注意力机制的字典学习为sar目标检测带来了显著的改进，使其能够使用较少的图像样本，更有效地应对弱小目标检测任务，提高模型鲁棒性，减少目标检测的虚警，提高检测准确率。
技术实现思路
1、专利技术目的：本专利技术提供了一种基于自注意力机制的字典学习sar舰船目标检测方法，能提高检测精度，减少目标检测的虚警。
2、技术方案：本专利技术所述的一种基于自注意力机制的字典学习sar舰船目标检测方法，包括以下步骤：
3、(1)对预先获取的sar图像进行预处理，逐像素提取特征向量，组成特征矩阵；
4、(2)构建基于自注意力机制的字典学习模型，设计增大子字典差异性的目标函数；
5、(3)利用自注意力机制更新字典和计算编码系数，构建具有判别能力的目标和背景子字典；
6、(4)利用步(1)得到的特征矩阵作为步骤(2)提出的基于自注意力机制的字典学习模型的输入进行阈值检测，得到初步检测结果；
7、(5)通过计算检测结果的连通面积大小、长宽比及复杂度，得到目标的检测结果。
8、进一步地，所述步骤(1)实现过程如下：
9、输入图像为i，提取输入样本xij特征时，选取像素的3×3邻域窗口内像素集合：
10、
11、考虑邻域窗口的梯度信息和强度信息，提取输入样本特征向量；强度信息为sar图像的像素信息，反映了不同物体对sar信号的回波强度；梯度幅值信息计算如下：
12、
13、
14、
15、其中，gx(i，j)和gy(i，j)分别为图像在x方向上和y方向的梯度，i为像素坐标位置的横坐标，j为像素坐标位置的纵坐标；对每一像素，定义一个多维特征向量：
16、x＝[grad(：)，xij(：)]t
17、考虑目标远近、雷达增益及目标散射强弱造成的目标和背景回波强弱的影响不同，不对特征向量进行归一化处理；所得到的特征向量x＝[x1，x2，x3…，xn]，n为样本数。
18、进一步地，步骤(2)所述增大子字典差异性的目标函数为：
19、
20、其中，x＝[x1，x2]为输入的背景样本和目标样本，d＝[d1，d2]为所需训练的字典，d1和d2分别为背景子字典和目标子字典，z＝[z1，z2]为背景样本和目标样本在字典d下的编码系数，且zi＝[z1i；z2i]表示样本在背景子字典和目标子字典的编码系数，λ1、λ2和λ3为平衡参数；第一项f1(x，d，z)为重构误差项；第二项f2(x，d，z)为类重构误差项；第三项f3(d，z)为不同类重构误差项；第四项f4(d)为字典互异性项；
21、所述重构误差项为：
22、
23、其中，λ为稀疏度参数；重构误差项为整个字典的重构误差及编码系数的稀疏性，实现了字典对目标样本的较好表征及编码系数的稀疏性；
24、所述类重构误差项为：
25、
26、类重构误差项为类子字典的重构误差，确保了类子字典对类样本的重构误差小，实现类子字典对类样本的较好表征；
27、所述不同类重构误差为：
28、
29、不同类重构误差为类子字典对其他类的重构，确保类子字典对其他类重构能力较差，实现类子字典对其他类样本表征能力弱，提高类子字典之间的差异性；
30、所述字典互异性项为：
31、
32、字典互异性项为字典的互异性，降低原子之间的相关性，增强字典的互异性，确保每个基向量可以捕捉数据中的不同特征和结构，而不会重叠。
33、进一步地，所述步骤(3)实现过程如下：
34、在自注意力机制中，计算序列中每个元素与其他所有元素的关联度；对于输入序列中的每个元素，计算一个查询向量q、一个键向量k和一个值向量v：
35、q＝wqx
36、k＝wkx
37、v＝wvx
38、接着，利用得到的q和k计算每两个输入向量之间的相关性；通过q和k矩阵本文档来自技高网
...
【技术保护点】
1.一种基于自注意力机制的字典学习SAR舰船目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于自注意力机制的字典学习SAR舰船目标检测方法，其特征在于，所述步骤(1)实现过程如下：
3.根据权利要求1所述的基于自注意力机制的字典学习SAR舰船目标检测方法，其特征在于，步骤(2)所述增大子字典差异性的目标函数为：
4.根据权利要求1所述的基于自注意力机制的字典学习SAR舰船目标检测方法，其特征在于，所述步骤(3)实现过程如下：
5.根据权利要求1所述的基于自注意力机制的字典学习SAR舰船目标检测方法，其特征在于，所述步骤(4)实现过程如下：
6.根据权利要求1所述的基于自注意力机制的字典学习SAR舰船目标检测方法，其特征在于，所述步骤(5)实现过程如下：
7.根据权利要求3所述的基于自注意力机制的字典学习SAR舰船目标检测方法，其特征在于，所述重构误差项为：
8.根据权利要求3所述的基于自注意力机制的字典学习SAR舰船目标检测方法，其特征在于，所述类重构误差项为：
9.根据权利要求3所述的基于自注意力机制的字典学习SAR舰船目标检测方法，其特征在于，所述不同类重构误差为：
10.根据权利要求3所述的基于自注意力机制的字典学习SAR舰船目标检测方法，其特征在于，所述字典互异性项为：
...
【技术特征摘要】
1.一种基于自注意力机制的字典学习sar舰船目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于自注意力机制的字典学习sar舰船目标检测方法，其特征在于，所述步骤(1)实现过程如下：
3.根据权利要求1所述的基于自注意力机制的字典学习sar舰船目标检测方法，其特征在于，步骤(2)所述增大子字典差异性的目标函数为：
4.根据权利要求1所述的基于自注意力机制的字典学习sar舰船目标检测方法，其特征在于，所述步骤(3)实现过程如下：
5.根据权利要求1所述的基于自注意力机制的字典学习sar舰船目标检测方法，其特征在于，所述步骤(4)实现过程如下：...
【专利技术属性】
技术研发人员：毕辉，王璐玮，郭倩，王丽平，李勇，张晶晶，
申请(专利权)人：南京航空航天大学，
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。