[發明專利]一種基于深度階梯網的極化SAR影像目標檢測方法

有效

• 申請號: 201710370455.6
• 申請日: 2017-05-23
• 公開（公告）號: CN107239757B
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 焦李成;屈嶸;高倩;馬文萍;楊淑媛;侯彪;劉芳;尚榮華;張向榮;張丹;唐旭;馬晶晶
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

1.一種基于深度階梯網的極化SAR影像目標檢測方法，其特征在于，包括如下步驟，

(1)對待檢測的極化SAR影像的極化相干矩陣T進行Lee濾波，得到濾波后的極化相干矩陣T；

(2)通過濾波后的極化相干矩陣T求得極化協方差矩陣C；

(3)對極化協方差矩陣C進行Yamaguchi分解，得到奇次散射能量、偶次散射能量、體散射能量和螺旋體散射能量，取奇次散射能量、偶次散射能量、體散射能量作為極化SAR圖像的三維圖像特征，構成基于像素點的特征矩陣F，并生成偽彩圖P；

(4)將基于像素點的特征矩陣F中的元素值歸一化到[0，1]之間，記作特征矩陣F1；

(5)將特征矩陣F1中每個元素取周圍16×16的塊并拉成一列代表原來的元素值，構成基于圖像塊的特征矩陣F2；

(6)隨機選取特征矩陣F2中若干塊組成訓練集D；

(7)使用超像素中的SLIC算法對偽彩圖P進行分割，得到分割好的超像素點，以每個超像素中心點為中心，在特征矩陣F中取其周圍16×16的塊并拉成一列代表超像素點的值，形成測試集T；

(8)構造深度階梯網目標檢測模型；

(9)用訓練集D對目標檢測模型進行訓練，得到訓練好的模型；

(10)利用訓練好的模型對測試集T進行分類，得到測試數據集中每個像素點對應的模型的輸出；

所述步驟(1)中，對待檢測的極化SAR影像的極化相干矩陣T進行Lee濾波，得到濾波后的極化相干矩陣T，其中待檢測的極化SAR圖像大小為1800×1380像素，濾波時選用窗口大小為7×7像素的Lee濾波器濾除相干噪聲，得到濾波后的極化相干矩陣T，其中，T中每個元素是一個3×3的矩陣；

所述步驟(3)中，對極化協方差矩陣C進行Yamaguchi分解，步驟如下：

(3a)待檢測圖像的極化協方差矩陣C為：

其中，S_HH表示水平發射、水平接收的同極化分量，S_VV表示垂直發射、垂直接收的同極化分量，S_HV表示水平發射、垂直接收的同極化分量，S_VH表示垂直發射、水平接收的同極化分量；

(3b)表面散射的散射矩陣，偶次散射的散射矩陣，體散射的散射矩陣以及Yamaguchi提出的第四種螺旋體散射的散射矩陣以及協方差矩陣如下：

表面散射的散射矩陣和協方差矩陣分別為式3和式4：

偶次散射的散射矩陣和協方差矩陣分別為式5和式6：

體散射的散射矩陣和協方差矩陣分別為式7和式8：

Yamaguchi提出的第四種螺旋體散射的散射矩陣和協方差矩陣分別為式9和式10：

其中α是復數，R_th、R_tv分別表示角反射器的垂直表面的水平和垂直極化的反射系數，R_gh、R_gv分別表示角反射器的水平表面的水平和垂直極化的反射系數，β是實數，R_H、R_V分別表示水平和垂直極化的反射系數；

(3c)把任意像元的協方差矩陣看成是四個散射分量協方差矩陣的加權合成：

[C]＝f_s[C]_surface+f_d[C]_double+f_v[C]_volume+f_h[C]_helix 11

其中f_s、f_d、f_v和f_h分別為表面散射分量的系數、偶次散射分量的系數、體散射分量的系數和螺旋體散射分量的系數；

(3d)將式1-式10帶入式11得到如下方程組：

(3e)求解步驟(3d)的方程組，得到表面散射分量的散射功率P_s、偶次散射分量的散射功率P_d、體散射分量的散射功率P_v和螺旋體散射分量的散射功率P_h，以及總功率P分別如下：

所述步驟(7)中，通過超像素中的SLIC算法對偽彩圖P進行分割，初始化種子點40000個，最后得到38925個超像素點，取每個超像素點的中心點周圍16×16像素的塊代表該超像素點的值，對應的類標即超像素中心點的類標，將每個塊拉成一列，組成待檢測極化SAR影像的測試集T。