[发明专利]基于多尺度FCN‑CRF的极化SAR目标检测方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及极化合成孔径雷达SAR图像目标检测技术领域中的一种基于多尺度全卷积条件随机场FCN(Fully ConvolutionalNetworks)-CRF(conditional random field)的极化SAR(Synthetic Aperture Radar)目标检测方法。本发明可应用于对极化SAR图像的不同区域准确地进行目标检测和识别。

背景技术

极化SAR具有全天候、全天时、分辨率高、可侧视成像等优点，可以获取目标的精细特征和几何特征，随着极化SAR系统的推广，获得的全极化数据也越来越丰富，在军事和民用上对人造目标做出快速而准确的检测非常迫切。卷积网在图像特征提取方面的高效使用，使得其在解决极化SAR人造目标检测问题中具有重要的理论价值和广阔的应用前景。

极化SAR图像目标检测的关键是对极化SAR图像的目标特征进行提取，提取过程中要考虑到极化SAR数据本身具有的多尺度特性与其服从的数学分布，这样才能尽可能的避免边缘信息表达不足而造成的目标检测精度不高的问题，为了尽可能多的使用极化SAR数据信息，常用极化SAR分类检测的方法都是基于图像块操作的。例如：

Liu F等人在其发表的论文“POL-SAR Image Classification Based on Wishart DBN and Local Spatial Information”(IEEE Transactions on Geoscience&Remote Sensing,2016,54(6):3292-3308.)中提出了一种Wishart DBN(Deep-belif-Network)模型用于极化SAR分类检测的方法。该方法使用的DBN是一种无监督特征学习框架。它提取多层特征的模式，类似人脑的层次模型，DBN能够完成从低层次到高层次的特征提取。DBN完成特征学习的前提，是假设数据服从高斯分布，但极化SAR数据服从的是Wishart分布。因此，将极化SAR数据服从的Wishart分布引入DBN，来完成特征学习，可以学习到能有效表征极化SAR数据的特征，实现更好的分类检测效果。但是，该方法仍然存在的不足之处是，由于使用的DBN是基于图像块的分类检测，这就使得对图像进行目标检测时，边缘信息丢失过多，使得图像的边缘信息不能得到精确的检测。

西安电子科技大学在其申请的专利文献“基于FCN-CRF主从网络的极化SAR目标检测方法”(专利申请号：201710386391.9，公开号：CN107169492A)中提出一种基于FCN-CRF主从网络的极化SAR目标检测方法。该方法首先对极化数据进行Lee滤波，对于得到的相干矩阵，通过选取感兴趣像素点不足整个图块的50％的特征块，使其不再参与后续运算，极大程度降低了运算量。之后对选取出的图块进行Yamaguchi分解处理，对分解结果利用FCN-CRF主从网络进行目标检测，得到最终的检测结果。但是，该方法仍然存在的不足之处是，未考虑到极化SAR的多尺度特征，导致图像信息利用不充分，不能很好的将图像边缘检测出来，结果会与真实目标产生偏差。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种基于多尺度全卷积条件随机场FCN-CRF的极化SAR目标检测方法。本发明充分利用了极化SAR图像的多尺度特征，采用多尺度检测模型实现图像的目标检测，使得图像边缘能够被较好的检测出来，在保证图像检测信息完整性的同时，提高了极化SAR图像目标检测的质量。

本发明实现上述目的的思路是：先对极化SAR图像进行Lee滤波，然后对滤波后的图像进行Yamaguchi分解，利用分解得到的极化SAR图像构造数据集，最后使用构造的多尺度检测模型对构造的数据集进行目标检测，得到最终检测结果。

本发明的步骤包括如下：

(1)将极化SAR图像进行Lee滤波：

对输入的待检测的极化SAR图像的极化相干矩阵，进行滤除相干噪声的精致极化Lee滤波，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3×3矩阵，相当于每个像素点有9维特征；

(2)构成基于像素点的特征矩阵：

(2a)对滤波后的相干矩阵进行四分量分解Yamaguchi，得到奇次散射、偶次散射、体散射以及螺旋散射共四个散射功率；

(2b)利用四个散射功率，构成基于像素点的特征矩阵；

(3)特征矩阵归一化：