[发明专利]基于GCAM的高分辨率SAR图像机场跑道区自动检测方法及系统

说明书

本发明公开了一种基于GCAM的高分辨率SAR图像机场跑道区自动检测方法及系统，本发明基于GCAM的高分辨率SAR图像机场跑道区自动检测方法包括对高分辨率SAR图像进行下采样生成中等分辨率图像；将中等分辨率图像输入到地理空间上下文注意力机制网络GCAM提取跑道区；针对提取得到的跑道区进行坐标映射，获得最终高分辨率SAR图像的机场跑道区检测结果。实验表明本发明方法对比DeepLabV3+、RefineNet和MDDA网络而言，精度高且用时少，本发明能充分学习SAR图像机场的地理空间信息，能够实现高分辨率SAR图像机场跑道区的高精度、快速、自动提取。

技术领域

本发明涉及机场跑道区自动检测技术，具体涉及一种基于GCAM的高分辨率SAR图像机场跑道区自动检测方法及系统。

背景技术

机场是重要的交通枢纽和军事设施，从合成孔径雷达(Synthetic ApertureRadar,SAR)图像中检测机场目标已经成为一个重要应用。SAR具有全天时全天候成像、穿透云雾等优点，但SAR图像相对于光学图像更不易读，解译更为复杂，因而大多数机场检测通常基于光学遥感影像。随着SAR图像分辨率越来越高、数据越来越多，近几年来利用SAR图像提取机场的研究逐步增多，相关的研究也开始不断深入。传统机场提取方法耗时耗力且大部分只对光学影像的机场提取颇有成效，但对SAR图像的机场提取效果较差。因此，在高分辨率SAR图像上实现机场跑道区域的自动快速提取有着深远且迫切的现实意义。此外，利用机场跑道区来掩模飞机检测也能大大降低飞机检测中出现的虚警，提高飞机检测精度。

机场检测在航站导航、事故搜救和飞机定位等方面有着广泛的应用。跑道区是机场的主要组成部分之一，在有关机场检测的研究中，在光学遥感影像上检测机场的研究居多。目前已有现有技术用提取机场边缘线段的传统方法进行了机场检测，但提取线段的方法要求机场有明显的线性特征，这对于航站楼较多且跑道线性特征不强的大型民用机场并不适用；还有某些的方案利用稀疏重构显著模型(SRS)和目标感知主动轮廓模型(TAACM)来完成机场检测，该方法加强了对机场的细节提取；还有某些的方案结合视觉显著分析模型、双向互补显著性分析模块和显著性主动轮廓模型(SOACM)来进行机场轮廓提取，该方法对大部分光学遥感影像都适用；SAR图像具有较强的突防能力，能够无干扰工作，并且能获取丰富的地物信息，这一优点使得SAR图像逐渐成为机场检测的实验对象。还有某些的方案结合传统线段分组方法和显著性分析模型对小型SAR图像进行机场检测，但该方法并不适用于在大型SAR图像上检测机场；还有某些的方案提出了一种结合优化极化特征和随机森林的PolSAR机场跑道检测算法，但该方法只能有效提取机场中的平行跑道特征。

近些年来，深度学习在语义分割方向上取得了非常好的效果。语义分割是基于图像像素点进行特征学习，从而实现图像不同类别划分的深度学习方法。机场检测需要提取所有机场特征，这一原理和语义分割思想相一致，因此深度学习结合机场检测的方法开始出现。例如：某现有技术提出了结合深度学习YOLO模型和显著性分析模型的机场检测方法；某现有技术结合深度学习Goole-LF网络和支持向量机SVM的方法来检测机场；某现有技术结合深度学习Faster-CNN网络和空间分析方法来进行机场提取；某现有技术构建了端对端的深度可转移卷积深度学习网络来检测机场；但以上方法都是将深度学习应用到光学遥感影像上的例子，又因为机场样本数据的匮乏，深度学习模型在训练时往往会出现过拟合。针对高分辨率SAR图像机场提取，某现有技术提出了一种高分辨率SAR图像跑道区的深度学习网络MDDA(Mult-level and densely dual attention)，它能实现高精度机场提取，但要求较大数据集且训练时间较长。因此，寻求一种适用于小样本数据集且能高效提取机场的深度学习方法十分具有现实意义。