[發(fā)明專利]多頻段全極化SAR與多光譜遙感圖像融合的船艦識別方法

在審

• 申請?zhí)枺?/td>: 202210895706.3
• 申請日: 2022-07-27
• 公開（公告）號: CN115471752A
• 公開（公告）日: 2022-12-13
• 發(fā)明（設(shè)計）人: 馮偉;張亞麗;全英匯;李強;肖國堯;宋怡佳;鄒欣杉
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/82;G06V10/80;G06V10/40;G06V10/26;G06N3/04;G06N3/08
• 代理公司: 西安嘉思特知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61230
• 代理人: 辛菲

1.一種多頻段全極化SAR與多光譜遙感圖像融合的船艦識別方法，其特征在于，包括步驟：

獲取船艦同一地理位置的多頻段全極化SAR圖像和多光譜遙感圖像；

對所述多頻段全極化SAR圖像進行辨識度預(yù)處理，得到多頻段全極化SAR預(yù)處理圖像；

裁剪保留所述多頻段全極化SAR預(yù)處理圖像與所述多光譜遙感圖像的重疊區(qū)域，得到多頻段全極化SAR裁剪圖像和多光譜遙感裁剪圖像；

將所述多頻段全極化SAR裁剪圖像與所述多光譜遙感裁剪圖像進行空間特征和光譜特征融合，得到多波段融合圖像；

將所述多波段融合圖像進行特征堆疊，得到多波段圖像；

利用訓(xùn)練好的水域模型對所述多波段圖像進行海岸線特征提取，得到水域區(qū)域特征，并利用訓(xùn)練好的船艦?zāi)Ｐ蛯λ鏊騾^(qū)域特征進行船艦特征提取，得到船艦識別與定位信息。

2.根據(jù)權(quán)利要求1所述的多頻段全極化SAR與多光譜遙感圖像融合的船艦識別方法，其特征在于，

所述多頻段全極化SAR圖像包括L頻段全極化SAR圖像和C頻段全極化SAR圖像，其中，所述L頻段全極化SAR圖像和所述C頻段全極化SAR圖像均包括HH、HV、VH、VV四種極化方式。

3.根據(jù)權(quán)利要求1所述的多頻段全極化SAR與多光譜遙感圖像融合的船艦識別方法，其特征在于，對所述多頻段全極化SAR圖像進行辨識度預(yù)處理，得到多頻段全極化SAR預(yù)處理圖像，包括：

對所述多頻段全極化SAR圖像依次進行多視處理、圖像配準處理、濾波處理以及地理編碼和定標處理，得到所述多頻段全極化SAR預(yù)處理圖像。

4.根據(jù)權(quán)利要求1所述的多頻段全極化SAR與多光譜遙感圖像融合的船艦識別方法，其特征在于，裁剪保留所述多頻段全極化SAR預(yù)處理圖像與所述多光譜遙感圖像的重疊區(qū)域，得到多頻段全極化SAR裁剪圖像和多光譜遙感裁剪圖像，包括：

根據(jù)所述多頻段全極化SAR預(yù)處理圖像與所述多光譜遙感圖像的地理位置吻合度裁剪保留每幅圖像的重疊區(qū)域，得到所述多頻段全極化SAR裁剪圖像和所述多光譜遙感裁剪圖像。

5.根據(jù)權(quán)利要求1所述的多頻段全極化SAR與多光譜遙感圖像融合的船艦識別方法，其特征在于，將所述多頻段全極化SAR裁剪圖像與所述多光譜遙感裁剪圖像進行空間特征和光譜特征融合，得到多波段融合圖像，包括：

利用Gram Schmidt融合方法將所述多頻段全極化SAR裁剪圖像中每個頻段的每個極化SAR裁剪圖像分別與所述多光譜遙感裁剪圖像中每個波段的遙感裁剪圖像進行融合，得到所述多波段融合圖像。

6.根據(jù)權(quán)利要求1所述的多頻段全極化SAR與多光譜遙感圖像融合的船艦識別方法，其特征在于，利用訓(xùn)練好的水域模型對所述多波段圖像進行海岸線特征提取，得到水域區(qū)域特征，并利用訓(xùn)練好的船艦?zāi)Ｐ蛯λ鏊騾^(qū)域特征進行船艦特征提取，得到船艦識別與定位信息，包括步驟：

利用所述多波段圖像中的水域特征訓(xùn)練數(shù)據(jù)對第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練得到所述訓(xùn)練好的水域模型；

利用所述多波段圖像中的船艦特征訓(xùn)練數(shù)據(jù)對第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練得到所述訓(xùn)練好的船艦?zāi)Ｐ停?/p>

利用訓(xùn)練好的水域模型對所述多波段圖像進行海岸線特征提取，得到所述水域區(qū)域特征；

利用訓(xùn)練好的船艦?zāi)Ｐ蛯λ鏊騾^(qū)域特征進行船艦特征提取，得到所述船艦識別與定位信息。

7.根據(jù)權(quán)利要求6所述的多頻段全極化SAR與多光譜遙感圖像融合的船艦識別方法，其特征在于，利用所述多波段圖像中的水域特征訓(xùn)練數(shù)據(jù)對第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練得到所述訓(xùn)練好的水域模型之前，還包括步驟：

利用深度學(xué)習(xí)框架對所述多波段圖像進行特征學(xué)習(xí)以將水域區(qū)域與陸地區(qū)域分開，得到用于提取水域區(qū)域的訓(xùn)練數(shù)據(jù)，其中，所述用于提取水域區(qū)域的訓(xùn)練數(shù)據(jù)包括所述水域特征訓(xùn)練數(shù)據(jù)和所述船艦特征訓(xùn)練數(shù)據(jù)。