[发明专利]一种基于自监督条件的深度学习SAR影像舰船识别方法

说明书

本发明涉及一种基于自监督条件下的深度学习SAR影像舰船识别方法。首先对SAR数据进行预处理，利用累计逆指数概率分布获取图像像素阈值，并利用阈值进行快速分割得到二值化图像，然后对二值化图像进行八邻域连通处理，获取候选目标的几何信息，根据候选目标的几何信息构建SAR舰船切片数据集，最后建立CNN网络模型，并对其进行训练、调优后用于舰船目标的自监督识别。本发明基于自监督思想的CNN模型，识别过程仅需要标注少量训练样本，极大减少了样本标注时间，提高了舰船检测效率；主干模型采用轻量模型Shufflenet网络，模型参数较少，能够以较少的训练时间获取较高的训练精度，收敛速度快，精度高。

技术领域

本发明属于SAR图像舰船目标检测领域，特别是涉及一种基于自监督条件 的深度学习SAR影像舰船识别方法。

背景技术

近些年，随着海洋贸易的空前繁荣，海洋运输发展迅猛，对世界海洋安全的 压力越来越大，发生海洋事故和相关的环境破坏的可能性也越大，因此舰船监测 管理对海上交通管理、环境保护、军事安全具有重要意义。

遥感技术是通过星载、机载平台向地表发射电磁波来获取地球空间表面信息。 近年来随着遥感技术的快速发展，全天候、高分辨率的星载合成孔径雷达 (SyntheticAperture Radar，SAR)遥感受到广泛关注。SAR图像不受天气和光 照的影响，能穿透云层和雾，可实现对地表的全天时大范围监测，特别适用于对 海洋舰船目标进行监测。

深度学习近些年被广泛应用于目标识别、图像分割、图像分类，其优异的精 度表现受到广泛关注。虽然深度学习方法可以通过卷积网络自主进行学习，挖掘 有用特征，但是深度学习往往以数据为驱动，需要标注大量的训练样本为支撑， 耗费大量人力物力。

CFAR算法是最早应用到舰船检测领域的算法，其设计简单，操作方便，被 广泛应用于雷达影像舰船目标检测。但是CFAR舰船检测算法存在诸多缺陷： 第一，CFAR算法需要设置目标窗口、保护窗口及背景窗口，大大增加了计算量； 第二，随着SAR影像分辨率的提高，SAR图像的杂波背景、准确建模、检测精 度难以满足要求；第三，SAR目标的灰度值在一定范围内起伏，造成检测结果 出现不完整，甚至断裂的情况；第四，由于CFAR根据单个像素的强度值来判 断是否是目标像素，而SAR影像固有的相干斑噪声容易造成检测结果出现大量 虚警。

近些年随着深度学习技术的发展，各种深度学习目标检测网络如Faster RCNN、SSD、YOLO、RetinaNet被广泛应用于图像目标检测领域，且精度表现 非常优异。雷达领域专家也根据SAR影像特点，对深度学习目标检测网络进行 了改进，开发了基于SAR影像的深度学习目标检测网络。这些算法虽然包含了 对深度学习目标检测网络参数的调优、网络优化等，但仍然是以数据为驱动，需 要在训练前标注大量的数据。SAR数据不同于光学数据，样本的高精度标注需 要丰富的专业领域知识，因此需要耗费大量的物力和脑力，无法实现雷达目标的 快速识别。

因此，对深度学习网络进行研究，利用深度学习自主学习特征、抽取高低维 特征的优势，开发一种仅标注少量样本类别，通过深度学习网络自主进行类别判 断与聚类，为雷达影像目标识别提供自监督条件下(仅需标注少量样本)的舰船 目标识别的方法尤为重要。

发明内容

本发明针对现有技术的不足，提供一种基于自监督条件的深度学习SAR影 像舰船识别方法，首先对SAR数据进行预处理，利用累计逆指数概率分布获取 图像阈值，并利用阈值进行快速分割得到二值化图像，然后对二值化图像进行八 邻域连通处理获取候选目标的几何信息，根据几何信息构建SAR舰船切片数据 集，然后建立CNN网络模型，对构建的数据集进行无监督训练，最后再对模型 进行少量样本的监督训练，以此完成自监督训练。与以往需要大量数据驱动的 CNN网络模型不同，经过无监督训练之后的模型，仅需要标注1％的样本即可获 取较高的精度，满足舰船目标的识别要求。

为了达到上述目的，本发明提供的技术方案是一种基于自监督条件下的深度 学习SAR影像舰船识别方法，包括以下步骤：