[发明专利]一种基于深度学习的电子海图和雷达图像的数据融合方法

权利要求书

1.一种基于深度学习的电子海图和雷达图像的数据融合方法，其特征在于，包括如下步骤：

S1、利用深度学习目标检测模型对输入的雷达图像进行目标检测，识别出航海雷达探测到的特征物标；

S2、对雷达图像中特征区域进行预处理，所述特征区域为深度学习目标检测模型检测出来的包括所述特征物标的区域，其包括如下步骤：

S21、对雷达图像中特征区域进行滤波处理；

S22、对滤波后的雷达图像进行二值化处理，将灰度图像转换为二值图像；

S23、提取雷达图像中特征区域的雷达回波边界；

S3、向雷达图像中特征区域的几何中心发射射线，寻找配准参考点；

S4、采用基于特征的仿射变换，用电子海图对雷达图像进行配准，达到雷达图像和电子海图的数据融合。

2.根据权利要求1所述的基于深度学习的电子海图和雷达图像的数据融合方法，其特征在于，所述步骤S1之前还有如下步骤：

利用深度学习目标检测模型中的基于区域的全卷积网络模型结合迁移学习技术将待配准雷达数据集代入到已有目标检测模型中，对模型进行预处理。

3.根据权利要求1所述的基于深度学习的电子海图和雷达图像的数据融合方法，其特征在于，所述步骤S21中，采用自适应均值滤波算法对雷达图像中特征区域进行滤波处理，具体为：

K(x)＝c_kk(||x||²) (1)

其中，c_k为一个大于0的常数，满足∫k(x)dr＜0，K(x)为一个核函数，核密度估计值由下式给出：

其中，K_H(x)＝|H|^-1/2K(H^-1/2x)，n表示样本像素点总量，H为参数，

在H＝h²I的前提下，I为单位矩阵简化密度方程，可得到下式，

梯度满足：

当g(x)＝-k′(x)，G(x)＝c_kg(||x||²)时，G(x)作为K(x)的不透明函数，得到：

m_h(x)为用于更新半径h的搜索区域的样本点的加权平均值，m_h(x)-x为漂移向量，当其小于公差时终止迭代过程。

4.根据权利要求1或3所述的基于深度学习的电子海图和雷达图像的数据融合方法，其特征在于，所述步骤S22中，采用大津法，即OSTU法，对航海雷达图像进行二值处理，具体变换表示为：

其中w₀为前景与图像的比值，u₀为其平均灰度值，w₁为背景与图像的比值，u₁为其平均灰度值，g(t)使前景和背景差异最大，对应的阈值t为最优。

5.根据权利要求4所述的基于深度学习的电子海图和雷达图像的数据融合方法，其特征在于，所述步骤S22后，还采用腐蚀、膨胀、开闭的方法对二值处理在前景目标之外产生的孤立噪声像素进行降噪，具体为：

其中，Z代表前景，w代表像素在前景图中的不同位置，a和b为元素集合A和B中的元素。

6.根据权利要求5所述的基于深度学习的电子海图和雷达图像的数据融合方法，其特征在于，所述步骤S23中，使用改进的canny算子提取雷达图像中特征区域的雷达回波边界，具体为：

其中P(x,y)为二维高斯方程，f(x,y)为图像数据，A(i,j)为(i,j)点在图像中的边界特征，a(i,j)为图像在点(i,j)上的法向量。

7.根据权利要求1或6所述的基于深度学习的电子海图和雷达图像的数据融合方法，其特征在于，所述步骤S3中，选择三个或三个以上的参考点。

8.根据权利要求7所述的基于深度学习的电子海图和雷达图像的数据融合方法，其特征在于，所述步骤S4中，仿射变换具体为：

其中(x_i,y_i)为电子海图中的坐标像素，k′，θ，x_o和y_o为仿射变换的参数，和图像旋转的角度相关，k为图像缩放比例，x_o和y_o与图像的平移相关，可以得出：

并且，a₁₁＝a₂₂＝k′ cosθ，a₁₃＝x_o，a₁₂＝-a₂₁＝k′ sinθ，a₂₃＝y_o，其中，a₁₁～a₂₃表示新坐标的参数；

S42、将公式(10)中的仿射变换参数k，θ，x₀以及y₀保存，即可实现连续时间段的电子海图与雷达图像的图像融合。