[发明专利]基于多尺度FCN‑CRF的极化SAR目标检测方法

权利要求书

1.一种基于多尺度全卷积条件随机场FCN-CRF的极化SAR目标检测方法，其特征在于，包括如下步骤：

(1)将极化SAR图像进行Lee滤波：

对输入的待检测的极化SAR图像的极化相干矩阵，进行滤除相干噪声的精致极化Lee滤波，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3×3矩阵，相当于每个像素点有9维特征；

(2)构成基于像素点的特征矩阵：

(2a)对滤波后的相干矩阵进行四分量分解Yamaguchi，得到奇次散射、偶次散射、体散射以及螺旋散射共四个散射功率；

(2b)利用四个散射功率，构成基于像素点的特征矩阵；

(3)特征矩阵归一化：

将基于像素点的特征矩阵中的元素值归一化到[0，255]之间，得到归一化后的特征矩阵；

(4)构造数据集：

(4a)用切割间隔为20、大小为128×128的矩阵窗口，对归一化后的特征矩阵进行切块，得到切割后所有的基于像素的特征矩阵块；

(4b)随机选取5％的特征矩阵块，组成训练数据集，将其余的特征矩阵块组成测试数据集；

(5)构造多尺度检测模型：

(5a)构造一个含有19层的全卷积条件随机场FCN-CRF的检测模型；

(5b)用曲波变换中的多尺度滤波器替换含有19层的全卷积条件随机场FCN-CRF的检测模型中的第一个卷积层，得到多尺度检测模型；

(6)训练多尺度检测模型：

将训练数据集输入到多尺度检测模型中，对该模型进行训练，得到训练好的多尺度检测模型；

(7)获得检测结果：

将测试数据集输入到训练好的多尺度检测模型中，得到测试数据集中每个像素的检测结果。

2.根据权利要求1所述的基于多尺度全卷积条件随机场FCN-CRF的极化SAR目标检测方法，其特征在于，步骤(1)中所述精致极化Lee滤波所采用Lee滤波器的窗口大小为7×7个像素。

3.根据权利要求1所述的基于多尺度全卷积条件随机场FCN-CRF的极化SAR目标检测方法，其特征在于，步骤(2a)中所述的四分量分解Yamaguchi的具体步骤如下：

第一步，由四分量分解Yamaguchi提出以下的表面散射、偶次散射、体散射以及螺旋体散射的协方差矩阵如下：

[C]1=|β|20β000β*01]]>

[C]2=|α|20α000α*01]]>

[C]3=115802040203]]>

其中，[C]₁、[C]₂、[C]₃、[C]₄分别表示表面散射、偶次散射、体散射和螺旋体散射的协方差矩阵，[·]表示矩阵符号，|·|表示取绝对值操作，β表示二次散射系数，β＝1，*表示共轭转置操作，α表示表面散射系数，α＝-1，j表示虚数符号，表示开平方操作；

第二步，利用表面散射、偶次散射、体散射和螺旋体散射的协方差矩阵的加权之和等于待检测目标的协方差矩阵，求解等式中的加权系数：

f₁[C]₁+f₂[C]₂+f₃[C]₃+f₄[C]₄＝[C]

其中，[C]表示待检测目标的协方差矩阵，f₁、f₂、f₃和f₄分别表示表面散射、偶次散射、体散射和螺旋体散射的加权系数；

第三步，按照下式，分别计算四个散射功率以及总功率：

P_s＝f_s(1+|β|²)

P_d＝f_d(1+|α|²)

P_v＝f_v

P_h＝f_h

P＝P_s+P_d+P_v+P_h

其中，P_s、P_d、P_v、P_h分别表示表面散射、偶次散射、体散射和螺旋体散射四个散射功率，P表示总功率。