[发明专利]基于全局与局部上下文信息的SAR舰船检测方法

说明书

本发明为一种基于全局与局部上下文信息的SAR舰船检测方法，包括步骤一、获取SAR图像，并对SAR图像进行处理，得到二值化图像；步骤二、对二值化图像进行形态学处理；步骤三、基于全局上下文信息的区域选择，筛选出所有潜含舰船的子图像；步骤四、对潜含舰船的子图像进行分类和回归预测；步骤五、对二值化图像重新进行形态学处理；步骤六、基于局部上下文信息的虚警抑制，得到舰船目标。该方法利用SAR图像的全局上下文信息对待检测的子图像进行筛选，筛选出潜含舰船的子图像；然后利用检测框及周边邻域的局部上下文信息，对检测结果进行再次筛选，能够减少计算冗余，提高检测效率，减少虚警，提高检测精度。

技术领域

本发明属于雷达目标检测技术领域，尤其涉及一种基于全局与局部上下文信息的SAR舰船检测方法。

背景技术

近年来，雷达成像技术得到了突飞猛进的发展，已经在军事、农林、地质、海洋、灾害、绘测等诸多方面得到广泛应用。合成孔径雷达(SAR)是一种利用微波进行感知的主动传感器，与红外、光学等其他类型传感器相比，SAR成像不受光照、天气等条件的限制，可以对感兴趣的目标进行全天候、全天时的观测，因而SAR已经成为目前对地观测和军事侦察的重要手段，而基于SAR图像的目标识别也受到越来越广泛的关注。

双参数CFAR检测算法是一种传统的SAR图像目标检测方法，该方法应用的前提要求SAR图像上目标与背景杂波具有较高的对比度。传统的双参数CFAR检测算法将背景杂波的统计分布模型假定为高斯分布，通过滑动窗口处理，对SAR图像中的每个像素进行遍历。在每次滑动窗口处理的过程中，通过计算背景窗口内的所有像素均值和方差来对背景杂波进行参数估计，并以此来确定一个阈值，如果目标窗口内的像素大于这个阈值就认为是目标像素，否则就认为其是杂波像素。由于背景杂波的统计分布模型并不一定服从高斯分布，因此这种方法对背景杂波进行参数估计不仅造成检测时间过长，而且容易导致虚警率高的缺陷。

随着深度学习的发展，Convolutional Neural Networks(CNNs)在目标检测方面取得了显著效果，并已成为主导的机器学习方法。深度学习方法采用端对端的检测流程，具有更高的检测速度与精度，且在大量数据训练下的检测算法具有更强的鲁棒性。现有技术中有很多基于深度学习的SAR图像目标检测方法，例如基于双阶段建议框生成的R-CNN系列的SAR目标检测方法、基于单阶段默认框回归的SSD、YOLO系列的SAR目标检测方法以及基于Anchor Free的CenterNet系列SAR目标检测方法，这些检测方法都是采用数据驱动的方式获取高效的检测模型，输入图像都是基于自然或光学图像所提出，对于输入图像的尺寸要求较小，而SAR图像的尺寸一般远大于普通光学图像，而且SAR图像特有的成像方式使其比普通光学图像更加复杂，因此上述这些检测方法不仅会造成大量的计算冗余导致检测速度过慢，而且待检测图像包含目标的复杂背景杂波区域，亦会对检测结果造成严重的干扰。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提出了一种基于全局与局部上下文信息的SAR舰船检测方法。

本发明解决所述技术问题采用的技术方案是：

一种基于全局与局部上下文信息的SAR舰船检测方法，其特征在于，该方法包括以下步骤：

步骤一、获取SAR图像，并对SAR图像进行处理，得到二值化图像；

步骤二、对二值化图像进行形态学处理，形态学处理包含闭运算和开运算；

步骤三、对SAR图像进行滑动窗口处理，得到子图像和子图像在原始SAR图像中的坐标信息；根据子图像的坐标信息，将子图像映射到经过步骤二的形态学处理后的二值化图像中，计算子图像中背景所占比例a₁，设置阈值T1、T2，T2T1，若T1a₁T2，则表明子图像中潜含有舰船目标，进而筛选出所有潜含舰船的子图像；

步骤四、利用深度学习检测器对潜含舰船的子图像进行分类和回归预测，得到初步检测结果，每个子图像得到多个预测框；