[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

说明书

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。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于卷积网络的极化SAR图像目标检测方法，可用于目标识别。

背景技术

极化SAR具有全天候、全天时、分辨率高、可侧视成像等优点，可以获取目标的精细特征和几何特征，随着极化SAR系统的推广，获得的全极化数据也越来越丰富，在军事和民用上对人造目标做出快速而准确的检测非常迫切。卷积网在图像特征提取方面的高效使用，使得其在解决极SAR人造目标检测问题中具有重要的理论价值和广阔的应用前景。

传统的卷积网如CNN是将图像块作为输入进行训练和预测，来实现一个像素的类别检测任务，这样不仅增加了存储空间，而且计算效率低，并且图像块大小比整幅图小很多，导致部分特征缺失，从而限制检测性能。

2015年，针对CNN存在的问题，Jonathan Long等人提出了Fully ConvolutionalNetworks，简称FCN，该网络将类别检测任务由图像级别延伸到了像素级别，从而将感兴趣区域检测出来，但FCN检测结果不够精细，易忽略图像细节，对于包含了多极化特征的人造目标不能够进行精准检测，且像素级的检测未能充分考虑空间邻域信息。

为了进一步增强图像的边缘约束，提高像素级别检测任务的的精度，有效提取多特征地物的数据特征，就要对极化SAR数据，特别是人造目标的数据进行有效处理，对于检测模型也要有新的改进。

发明内容

本发明的目的在于提出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，以提高人造目标的检测精度。

为实现上述目的，本发明提供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，包括以下步骤：

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；

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；

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；

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；

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’；

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’；

步骤7)，构造基于FCN-CRF融合网络的检测模型：