[發明專利]基于多極化特征和FCN-CRF融合網絡的極化SAR影像目標檢測方法

有效

• 申請號: 201710551718.3
• 申請日: 2017-07-07
• 公開（公告）號: CN107392122B
• 公開（公告）日: 2019-12-31
• 發明（設計）人: 焦李成;屈嶸;楊慧;張丹;楊淑媛;侯彪;馬文萍;劉芳;尚榮華;張向榮;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;G06K9/32;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 61200 西安通大專利代理有限責任公司
• 代理人: 徐文權

1.一種基于多極化特征和FCN-CRF融合網絡的極化SAR影像目標檢測方法，其特征在于，包括以下步驟：

步驟1)，輸入待檢測的極化SAR圖像，由該極化SAR圖像的極化相干矩陣T求得極化散射矩陣S，并且對極化相干矩陣T進行精致極化Lee濾波濾除相干噪聲，得到濾波后的相干矩陣T1，其中，濾波后的相干矩陣中每個元素是一個3×3矩陣，即每個像素點有9維特征；

步驟2)，對步驟1)中求得的極化散射矩陣S進行Pauli分解，得到奇次散射、偶次散射和體散射系數，用這3個系數作為極化SAR圖像的3維圖像特征，構成基于像素點的特征矩陣F1；

步驟3)，對步驟1)中濾波后的相干矩陣T1進行Yamaguchi分解，得到奇次散射功率、偶次散射功率、體散射功率以及螺旋散射功率，用分解得到的功率參數作為表征極化SAR人造目標的4維圖像特征，構成基于像素點的特征矩陣F2；

步驟4)，對步驟2)和步驟3)中的基于像素點的特征矩陣F1和F2進行切塊處理，構成若干特征矩陣塊F1_pauli和F2_yama作為兩個樣本數據集；

步驟5)，從步驟4)中由F1擴充出的數據集F1_pauli中，隨機選取一定數量的特征矩陣塊構成訓練數據集P，余下的作為測試數據集P’；

步驟6)，從步驟4)中由F2擴充出的數據集F2_yama中，隨機選取一定數量的特征矩陣塊構成訓練數據集Y，余下的作為測試數據集Y’；

步驟7)，構造基于FCN-CRF融合網絡的檢測模型：

7a)選擇一個由[輸入層1→卷積層1→池化層1→卷積層1→池化層1→卷積層1→池化層1→卷積層1→池化層1→卷積層1→Dropout層1]+[輸入層2→卷積層2→池化層2→卷積層2→池化層2→卷積層2→池化層2→卷積層2→池化層2→卷積層2→Dropout層2]→級聯層→卷積層→Dropout層→卷積層→上采樣層→Crop層→Splitting層→CRF層→softmax分類器組成的20層深度融合神經網絡；

7b)將從步驟5)和步驟6)中產生的訓練數據集P和訓練數據集Y提取出的人造目標特征數據分別送入輸入層1與輸入層2中，使得數據集P與數據集Y的特征被分別提取出來，一同送入級聯層得到融合后的數據以及FCN(全卷積)融合模型；

7c)通過步驟7a)級聯層后面的操作提取融合后的數據的特征，并將提取到的特征輸入CRF層，然后進行FCN融合模型與CRF端到端的訓練與檢測，對FCN融合網絡模型的檢測結果進行精細化處理，增強圖像的邊緣約束；

步驟8)，用步驟5)得到的訓練數據集P與步驟6)得到的訓練數據集Y對步驟7)得到的檢測模型進行訓練，得到訓練好的模型；

步驟9)，利用訓練好的模型對步驟5)得到的測試數據集P’與步驟6)得到的測試數據集Y’進行目標檢測，將測試數據集中每個代表人造目標的像素點檢測出來。

2.根據權利要求1所述的基于多極化特征和FCN-CRF融合網絡的極化SAR影像目標檢測方法，其特征在于，其中步驟1)中Lee濾波器的窗口大小為7×7。