[发明专利]基于多极化特征和FCN-CRF融合网络的极化SAR影像目标检测方法

摘要

本发明公开了一种基于多极化特征和FCN‑CRF融合网络的极化SAR影像人造目标检测方法，主要解决现有技术对极化SAR人造目标检测精度低的问题，其方案是：输入待检测的极化SAR图像，对该极化SAR图像的极化相干矩阵T进行Lee滤波；对极化散射矩阵S进行Pauli分解，构成基于像素点的特征矩阵F1；对滤波后的相干矩阵T进行Yamaguchi分解，构成基于像素点的特征矩阵F2；本发明将基于多极化特征和FCN‑CRF的融合网络应用于极化SAR人造目标的检测上，提高了极化SAR图像人造目标的检测精度，可用于多目标的分类任务中。

主权项

1.一种基于多极化特征和FCN-CRF融合网络的极化SAR影像目标检测方法，其特征在于，包括以下步骤：/n步骤1)，输入待检测的极化SAR图像，由该极化SAR图像的极化相干矩阵T求得极化散射矩阵S，并且对极化相干矩阵T进行精致极化Lee滤波滤除相干噪声，得到滤波后的相干矩阵T1，其中，滤波后的相干矩阵中每个元素是一个3×3矩阵，即每个像素点有9维特征；/n步骤2)，对步骤1)中求得的极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射和体散射系数，用这3个系数作为极化SAR图像的3维图像特征，构成基于像素点的特征矩阵F1；/n步骤3)，对步骤1)中滤波后的相干矩阵T1进行Yamaguchi分解，得到奇次散射功率、偶次散射功率、体散射功率以及螺旋散射功率，用分解得到的功率参数作为表征极化SAR人造目标的4维图像特征，构成基于像素点的特征矩阵F2；/n步骤4)，对步骤2)和步骤3)中的基于像素点的特征矩阵F1和F2进行切块处理，构成若干特征矩阵块F1_pauli和F2_yama作为两个样本数据集；/n步骤5)，从步骤4)中由F1扩充出的数据集F1_pauli中，随机选取一定数量的特征矩阵块构成训练数据集P，余下的作为测试数据集P’；/n步骤6)，从步骤4)中由F2扩充出的数据集F2_yama中，随机选取一定数量的特征矩阵块构成训练数据集Y，余下的作为测试数据集Y’；/n步骤7)，构造基于FCN-CRF融合网络的检测模型：/n7a)选择一个由[输入层1→卷积层1→池化层1→卷积层1→池化层1→卷积层1→池化层1→卷积层1→池化层1→卷积层1→Dropout层1]+[输入层2→卷积层2→池化层2→卷积层2→池化层2→卷积层2→池化层2→卷积层2→池化层2→卷积层2→Dropout层2]→级联层→卷积层→Dropout层→卷积层→上采样层→Crop层→Splitting层→CRF层→softmax分类器组成的20层深度融合神经网络；/n7b)将从步骤5)和步骤6)中产生的训练数据集P和训练数据集Y提取出的人造目标特征数据分别送入输入层1与输入层2中，使得数据集P与数据集Y的特征被分别提取出来，一同送入级联层得到融合后的数据以及FCN(全卷积)融合模型；/n7c)通过步骤7a)级联层后面的操作提取融合后的数据的特征，并将提取到的特征输入CRF层，然后进行FCN融合模型与CRF端到端的训练与检测，对FCN融合网络模型的检测结果进行精细化处理，增强图像的边缘约束；/n步骤8)，用步骤5)得到的训练数据集P与步骤6)得到的训练数据集Y对步骤7)得到的检测模型进行训练，得到训练好的模型；/n步骤9)，利用训练好的模型对步骤5)得到的测试数据集P’与步骤6)得到的测试数据集Y’进行目标检测，将测试数据集中每个代表人造目标的像素点检测出来。/n