[发明专利]基于融合卷积神经网络的SAR图像目标检测方法

摘要

本发明公开了一种基于融合卷积神经网络的SAR图像目标检测方法，主要解决现有技术中SAR图像中地面机动目标检测率低鲁棒性差的问题。本发明的具体步骤如下：(1)构建卷积神经网络；(2)生成训练集；(3)利用形态学操作对图像进行预处理；(4)利用分水岭算法生成电磁散射特征图；(5)训练卷积神经网络；(6)生成融合卷积神经网络；(7)训练融合卷积神经网络；(8)生成测试集；(9)对测试集进行目标检测。本发明具有提高机动目标检测率和场景适用能力，对不同方位、不同角度及在背景噪声的情况下的目标检测也有很好的鲁棒性的优点。

主权项

1.一种基于融合卷积神经网络的SAR图像目标检测方法，其特征在于，利用分水岭算法生成电磁散射特征图，将训练好的SAR图像目标检测网络与电磁散射特征检测网络进行融合生成融合卷积神经网络来对SAR图像进行目标检测；该方法的步骤包括如下：(1)构建卷积神经网络：(1a)搭建一个16层的卷积神经网络；(1b)设置卷积神经网络的参数；(2)生成训练集：(2a)从SAR图像数据集中选取至少1000幅含有陆地上机动目标的SAR图像组成训练集；(2b)对训练集中的每幅图像依次进行平移、翻转操作，得到扩充后的训练集；(3)利用形态学操作对图像进行预处理：(3a)从扩充后的训练集中选取一个未选过的图像；(3b)用3*3大小1个像素的步长，对所选图像进行滑窗操作，得到多个3*3的像素块；(3c)使用sobel算子，对每个3*3像素块进行滤波，得到所选图像的梯度幅值图像；(3d)用2*2大小1个像素的步长，对所选图像进行滑窗操作，得到多个2*2的像素块；(3e)对每个2*2像素块依次进行形态学腐蚀操作→形态学重建操作→形态学膨胀操作→形态学重建操作→最大类间方差法otsu分割操作，得到所选图像中目标的二值图像；(3f)判断是否选完扩充后的训练集中所有图像，若是，则执行步骤(4)；否则，执行步骤(3a)；(4)利用分水岭算法生成电磁散射特征图：(4a)从所有的目标的二值图像中选取一个未选过的图像；(4b)用所选图像中每个像素点与其周围的非零灰度值像素点之间的最近距离，替换该像素点的灰度值，对替换灰度值后的图像进行分水岭变换操作，得到分水岭脊线标记；(4c)用所选二值图像，对该图像在扩充后的训练集中对应的图像以及对应的梯度幅值图像分别进行滤波，得到滤波后的目标图像及滤波后的目标梯度幅值图像；(4d)用4*4大小1个像素的步长，对滤波后的目标图像进行滑窗操作，得到多个4*4的像素块；(4e)对每个4*4像素块依次进行取局部极大像素值操作和去除小连通域操作，得到目标部件级的前景标记；(4f)将目标部件级的前景标记与分水岭脊线标记，在滤波后的目标梯度幅值图像中分别标记为全局最小灰度值和全局最大灰度值，得到标记图像；(4g)对标记图像进行分水岭变换操作，得到电磁散射特征图；(4h)判断是否选完所有的目标的二值图像，若是，则执行步骤(4i)；否则，执行步骤(4a)；(4i)对每幅电磁散射特征图依次进行平移、翻转操作，得到扩充后的电磁散射特征训练集；(5)训练卷积神经网络：(5a)从光学图像数据集中选取至少1000幅含有不同陆地上机动目标的光学图像，组成预训练数据集；(5b)将预训练数据集输入到卷积神经网络中进行训练，得到预训练后的网络；(5c)将训练集和电磁散射特征训练集，分别输入到预训练网络中进行训练，得到训练好的SAR图像目标检测网络和训练好的电磁散射特征检测网络；(6)生成融合卷积神经网络：(6a)利用融合公式，对训练好的SAR图像目标检测网络与电磁散射特征检测网络的第11卷积层分别输出的特征图对应位置元素的值，进行相加融合，得到融合后的特征图；(6b)用融合后的特征图替换训练好的SAR目标检测网络中的第11卷积层输出的特征图，得到替换后的SAR目标检测网络；(6c)去掉训练好的电磁散射特征检测网络第11卷积层及之后所有结构，得到待融合的电磁散射特征检测网络；(6d)将替换后的SAR目标检测网络与待融合的电磁散射特征检测网络在第11卷积层处连接，得到融合卷积神经网络；(7)训练融合卷积神经网络：将训练集和电磁散射特征训练集，同时输入到融合卷积神经网络中进行训练，得到训练好的融合卷积神经网络；(8)生成测试集：(8a)从SAR图像数据集中选取与训练集中图像不同的至少1000幅含有陆地上机动目标的SAR图像组成测试集；(8b)对测试集中的每幅图像依次进行平移、翻转操作，得到扩充后的测试集；(9)对测试集进行目标检测：将测试集输入到训练好的融合卷积神经网络中，输出测试集图像中机动目标的检测结果。