【技术实现步骤摘要】
本专利技术涉及船舶目标检测，具体为一种基于极化特征增强的sar图像船舶检测方法。
技术介绍
1、近年来，随着社会经济的发展，海上交通事业发展迅速，船舶在数量、吨位和航速等方面大幅增长，船舶碰撞等事故发生的频率也越来越高。而船舶检测技术能够识别图像中所有感兴趣的船舶目标，准确地判断出船舶的位置，已经被广泛应用于军事、民用的各个领域，有效地避免了碰撞事故的发生。
2、合成孔径雷达(sar)是一种利用微波信号获取地面图像的雷达系统，在目标探测领域发挥着重要作用。sar图像具有全天候、全天候的优势，其独特的成像优势使其在目标检测方面具有广阔的应用前景。
3、到目前为止，基于深度学习的sar舰船检测方法分为两类：两阶段检测方法和单阶段检测方法。
4、两阶段检测法的过程主要包括两个步骤。在第一阶段，算法识别图像中可能包含目标的区域，这些区域被称为区域建议；下一阶段，将对所有区域进行分类和回归。两阶段方法可以获得较高的检测精度，但通常模型比较复杂，需要更多的训练资源。
5、单阶段检测方法的训练过程非常简单，可以直接预测图像中物体的存在和位置。与两阶段检测方法相比，单阶段检测方法的结构更简单，速度更快，但单阶段检测方法的船舶检测性能普遍低于两阶段方法。
6、尽管这些sar舰船检测算法都取得了显著的性能，然而这些方法忽略了sar图像中包含的有助于舰船检测的双极化特征信息(vv极化特征和vh极化特征)以及它们之间的极化相干特征。充分利用这些特征信息，可以大大提高sar舰船检测的精度。>
技术实现思路
1、本专利技术的目的在于提供一种基于极化特征增强的sar图像船舶检测方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于极化特征增强的sar图像船舶检测方法，包括如下步骤：
3、步骤s1、划分船舶数据集；采用sar-ship-datasets数据集，将其按照训练集、验证集和测试集进行划分；
4、步骤s2、对sar图像进行预处理；设计双极化特征预处理模块，进行生成极化相干特征操作；
5、步骤s3、构建检测方法的主干网络模型；以resnet50作为特征提取网络，用于充分提取sar图像的双极化特征，输出船舶特征图；设计双极化特征增强模块，增强极化语义特征并突出感兴趣的极化区域，从而区分船舶所在的目标区域；检测头采用yolov5网络，用于检测sar特征图像中的船舶目标，输出检测结果；
6、步骤s4、训练模型；基于所述sar船舶数据集，在船舶图像完成预处理后将其输入到步骤s3构建的网络结构中，对模型进行训练并评估，保存检测结果；
7、步骤s5、进行船舶检测；利用步骤s4中完成训练的模型对所述测试集进行检测，获得船舶检测结果。
8、优选的，所述步骤s1中，所述sar-ship-datasets数据集中图像包括但不限于近岸、远海、多目标多种检测场景；所述图像的分辨率均为256*256,船舶目标具有鲜明的规模和背景，按照7：2：1的比例将所选数据集图像随机划分为训练集、验证集和测试集。
9、优选的，所述步骤s2中，所述双极化特征预处理模块设计在采用垂直极化和垂直水平极化这两种极化方法的同时，将极化相干特征也作为进行sar船舶检测的重要评价指标。
10、优选的，所述步骤s2包括如下步骤：
11、步骤s21、提取sar船舶图像中的垂直极化和垂直水平极化两种极化特征；
12、步骤s22、对两种极化特征进行丰富，生成极化相干特征；
13、极化协方差矩阵c由以下公式计算：
14、
15、其中，|·|代表绝对值运算，*代表复共轭计算；svv和svh分别表示垂直极化和垂直水平极化的复数据；
16、对已有的垂直极化特征和垂直水平极化特征进行丰富，极化相干特性可表示为：
17、cvv-vh＝|svvsvh*|＝|svhsvv*|；
18、cvv-vh表示两个极化特征之间的相关性。
19、优选的，所述步骤s3中，所述双极化特征增强模块包含多个不同操作的支路，每个分支均包括最大池化模块、sigmoid激活函数模块，不同分支会根据各自的感受野提取不同空间尺度上的双极化特征，得到增强的极化特征。
20、优选的，所述步骤s3包括如下步骤：
21、步骤s31、采用resnet50作为船舶检测中的特征提取网络，它含有50个卷积层，每个卷积层都有2个分支，一个是主分支，一个是跨层连接的分支；主分支包括一系列卷积、批归一化和激活函数等操作，而跨层连接的分支则直接将输入作为输出，利用这两个分支实现特征提取的目的；
22、步骤s32、设计双极化特征增强模块，用来增强极化语义特征并突出感兴趣的极化区域，从而区分船舶所在的目标区域；
23、步骤s33、检测头采用yolov5网络，用于检测sar特征图像中的船舶目标，输出检测结果。
24、优选的，所述步骤s32中包括如下步骤：
25、步骤s321、双极化特征增强模块包含多个不同操作的支路，不同分支会根据各自的感受野提取不同空间尺度上的双极化特征，得到增强的极化特征；
26、步骤s322、采用sigmoid型激活函数σ(·)，根据重要性系数c对提取到的极化特征f进行加权，具体的计算公式如下：
27、f′＝f·σ(c)；
28、其中，f′表示加权极化特征，σ(·)函数可表示为：
29、σ(x)＝1/(1+e-x)；
30、步骤s323、将极化特征与输入特征连接起来；
31、步骤s324、采用1×1卷积层将双极化特征信息进行合并。
32、优选的，所述步骤s4中，模型训练为基于sar-ship-datasets数据集划分的训练集和验证集，对检测方法的网络模型进行训练和评估，取得网络最优解，保存检测结果。
33、优选的，所述步骤s4中，基于所述sar船舶数据集划分的训练集和验证集，在船舶图像完成预处理后将其输入到步骤s3构建的网络结构中，对模型进行训练并评估，保存检测结果；
34、在训练过程中，对精确率、召回率以及f1分数进行调整和优化；
35、精确率的含义为所有被预测为正的样本中实际为正的概率，具体的计算公式如下：
36、
37、召回率代表了实际为正的样本中被预测为正样本的概率，具体的计算公式如下：
38、
39、其中，tp表示代表指正确分类的正样本数，fp代表指被错误的标记为正样本的负样本数，fn代表指被错误的标记为负样本的正样本数；
40、f1分数同时考虑精确率和召回率，将精确率和召回率指标结合到一个单独的度量中，让二者的值同时达到最高，取得平衡，从而全面评估船舶检测网络模型的性能，f1分数的表达式为本文档来自技高网...
【技术保护点】
1.一种基于极化特征增强的SAR图像船舶检测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于极化特征增强的SAR图像船舶检测方法，其特征在于：所述步骤S1中，所述SAR-Ship-Datasets数据集中图像包括但不限于近岸、远海、多目标多种检测场景；所述图像的分辨率均为256*256，按照7：2：1的比例将所选数据集图像随机划分为训练集、验证集和测试集。
3.根据权利要求1所述的一种基于极化特征增强的SAR图像船舶检测方法，其特征在于：所述步骤S2中，所述双极化特征预处理模块设计在采用垂直极化和垂直水平极化这两种极化方法的同时，将极化相干特征也作为进行SAR船舶检测的重要评价指标。
4.根据权利要求1所述的一种基于极化特征增强的SAR图像船舶检测方法，其特征在于：所述步骤S2包括如下步骤：
5.根据权利要求1所述的一种基于极化特征增强的SAR图像船舶检测方法，其特征在于：所述步骤S3中，所述双极化特征增强模块包含多个不同操作的支路，每个分支均包括最大池化模块、Sigmoid激活函数模块，不同分支会根据各自的感受野
6.根据权利要求1所述的一种基于极化特征增强的SAR图像船舶检测方法，其特征在于：所述步骤S3包括如下步骤：
7.根据权利要求6所述的一种基于极化特征增强的SAR图像船舶检测方法，其特征在于：所述步骤S32中包括如下步骤：
8.根据权利要求1所述的一种基于极化特征增强的SAR图像船舶检测方法，其特征在于：所述步骤S4中，模型训练为基于SAR-Ship-Datasets数据集划分的训练集和验证集，对检测方法的网络模型进行训练和评估，取得网络最优解，保存检测结果。
9.根据权利要求1所述的一种基于极化特征增强的SAR图像船舶检测方法，其特征在于：所述步骤S4中，基于所述SAR船舶数据集划分的训练集和验证集，在船舶图像完成预处理后将其输入到步骤S3构建的网络结构中，对模型进行训练并评估，保存检测结果；
10.根据权利要求1所述的一种基于极化特征增强的SAR图像船舶检测方法，其特征在于：所述步骤S5中，船舶检测的具体过程为利用完成训练的网络模型对数据集的测试集进行检测验证，获得船舶目标的位置和检测精度。
...【技术特征摘要】
1.一种基于极化特征增强的sar图像船舶检测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于极化特征增强的sar图像船舶检测方法，其特征在于：所述步骤s1中，所述sar-ship-datasets数据集中图像包括但不限于近岸、远海、多目标多种检测场景；所述图像的分辨率均为256*256，按照7：2：1的比例将所选数据集图像随机划分为训练集、验证集和测试集。
3.根据权利要求1所述的一种基于极化特征增强的sar图像船舶检测方法，其特征在于：所述步骤s2中，所述双极化特征预处理模块设计在采用垂直极化和垂直水平极化这两种极化方法的同时，将极化相干特征也作为进行sar船舶检测的重要评价指标。
4.根据权利要求1所述的一种基于极化特征增强的sar图像船舶检测方法，其特征在于：所述步骤s2包括如下步骤：
5.根据权利要求1所述的一种基于极化特征增强的sar图像船舶检测方法，其特征在于：所述步骤s3中，所述双极化特征增强模块包含多个不同操作的支路，每个分支均包括最大池化模块、sigmoid激活函数模块，不同分支会根据各自的感受野提取不同空间尺...
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。