[發明專利]基于多尺度FCN?CRF的極化SAR目標檢測方法

在審

• 申請號: 201711068639.3
• 申請日: 2017-11-03
• 公開（公告）號: CN107944347A
• 公開（公告）日: 2018-04-20
• 發明（設計）人: 焦李成;屈嶸;楊慧;張丹;楊淑媛;侯彪;馬文萍;劉芳;陳璞華;古晶;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;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業專利中心61205
• 代理人: 田文英,王品華

技術領域

本發明屬于圖像處理技術領域，更進一步涉及極化合成孔徑雷達SAR圖像目標檢測技術領域中的一種基于多尺度全卷積條件隨機場FCN(Fully ConvolutionalNetworks)-CRF(conditional random field)的極化SAR(Synthetic Aperture Radar)目標檢測方法。本發明可應用于對極化SAR圖像的不同區域準確地進行目標檢測和識別。

背景技術

極化SAR具有全天候、全天時、分辨率高、可側視成像等優點，可以獲取目標的精細特征和幾何特征，隨著極化SAR系統的推廣，獲得的全極化數據也越來越豐富，在軍事和民用上對人造目標做出快速而準確的檢測非常迫切。卷積網在圖像特征提取方面的高效使用，使得其在解決極化SAR人造目標檢測問題中具有重要的理論價值和廣闊的應用前景。

極化SAR圖像目標檢測的關鍵是對極化SAR圖像的目標特征進行提取，提取過程中要考慮到極化SAR數據本身具有的多尺度特性與其服從的數學分布，這樣才能盡可能的避免邊緣信息表達不足而造成的目標檢測精度不高的問題，為了盡可能多的使用極化SAR數據信息，常用極化SAR分類檢測的方法都是基于圖像塊操作的。例如：

Liu F等人在其發表的論文“POL-SAR Image Classification Based on Wishart DBN and Local Spatial Information”(IEEE Transactions on Geoscience&Remote Sensing,2016,54(6):3292-3308.)中提出了一種Wishart DBN(Deep-belif-Network)模型用于極化SAR分類檢測的方法。該方法使用的DBN是一種無監督特征學習框架。它提取多層特征的模式，類似人腦的層次模型，DBN能夠完成從低層次到高層次的特征提取。DBN完成特征學習的前提，是假設數據服從高斯分布，但極化SAR數據服從的是Wishart分布。因此，將極化SAR數據服從的Wishart分布引入DBN，來完成特征學習，可以學習到能有效表征極化SAR數據的特征，實現更好的分類檢測效果。但是，該方法仍然存在的不足之處是，由于使用的DBN是基于圖像塊的分類檢測，這就使得對圖像進行目標檢測時，邊緣信息丟失過多，使得圖像的邊緣信息不能得到精確的檢測。

西安電子科技大學在其申請的專利文獻“基于FCN-CRF主從網絡的極化SAR目標檢測方法”(專利申請號：201710386391.9，公開號：CN107169492A)中提出一種基于FCN-CRF主從網絡的極化SAR目標檢測方法。該方法首先對極化數據進行Lee濾波，對于得到的相干矩陣，通過選取感興趣像素點不足整個圖塊的50％的特征塊，使其不再參與后續運算，極大程度降低了運算量。之后對選取出的圖塊進行Yamaguchi分解處理，對分解結果利用FCN-CRF主從網絡進行目標檢測，得到最終的檢測結果。但是，該方法仍然存在的不足之處是，未考慮到極化SAR的多尺度特征，導致圖像信息利用不充分，不能很好的將圖像邊緣檢測出來，結果會與真實目標產生偏差。

發明內容

本發明的目的在于克服上述現有技術的不足，提出一種基于多尺度全卷積條件隨機場FCN-CRF的極化SAR目標檢測方法。本發明充分利用了極化SAR圖像的多尺度特征，采用多尺度檢測模型實現圖像的目標檢測，使得圖像邊緣能夠被較好的檢測出來，在保證圖像檢測信息完整性的同時，提高了極化SAR圖像目標檢測的質量。

本發明實現上述目的的思路是：先對極化SAR圖像進行Lee濾波，然后對濾波后的圖像進行Yamaguchi分解，利用分解得到的極化SAR圖像構造數據集，最后使用構造的多尺度檢測模型對構造的數據集進行目標檢測，得到最終檢測結果。

本發明的步驟包括如下：

(1)將極化SAR圖像進行Lee濾波：

對輸入的待檢測的極化SAR圖像的極化相干矩陣，進行濾除相干噪聲的精致極化Lee濾波，得到濾波后的相干矩陣，其中，濾波后的相干矩陣中每個元素是一個3×3矩陣，相當于每個像素點有9維特征；

(2)構成基于像素點的特征矩陣：

(2a)對濾波后的相干矩陣進行四分量分解Yamaguchi，得到奇次散射、偶次散射、體散射以及螺旋散射共四個散射功率；

(2b)利用四個散射功率，構成基于像素點的特征矩陣；

(3)特征矩陣歸一化：