[发明专利]一种基于信息交互和迁移学习的SAR图像飞机目标检测方法

说明书

本发明公开了一种基于信息交互和迁移学习的SAR图像飞机目标检测方法，基于亮暗阈值分割与k近邻选择提取像素空间的感兴趣目标候选区域；将像素空间的每一个感兴趣目标候选区域的位置坐标对应到SAR图像的语义素描图中，得到语义空间中相应的感兴趣目标候选区域的位置和大小；提取语义空间中感兴趣目标候选区域中疑似机翼阴影的素描线段；使用机翼阴影与亮斑局部结构关系的飞机阴影补全方法，得到目标阴影区域图；利用基于素描标注信息的生成对抗迁移学习方法，实现目标阴影区域图的分类与识别，得到最终的飞机目标检测结果。本发明提高了飞机目标检测的准确率，剔除了大量虚警，适用于复杂场景下超高分辨率SAR图像中飞机目标检测。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于信息交互和迁移学习的SAR图像飞机目标检测方法，适用于复杂场景下超高分辨率SAR图像中飞机目标检测。

背景技术

合成孔径雷达(SAR)图像解译一直以来都受到研究人员的广泛关注，近年来，随着雷达技术的发展，SAR图像已经达到了超高分辨率，这给解译工作带来了机遇和挑战。飞机目标作为重要的军事目标，结构复杂，种类繁多，并且背景环境极其复杂，特别是在超高分辨率SAR图像(MiniSAR)中，通常以强散射点的形式存在，由于面信息不完整，直接进行飞机目标检测极其困难。

SAR图像中飞机目标的检测一般依赖于飞机的先验知识，例如飞机与机场跑道和停机坪之间的关系，飞机的形状特点、散射特点等，目前针对SAR图像飞机目标检测的方法有基于机场区域提取的，基于显著性的，还有基于深度学习的。

基于机场区域提取的飞机目标检测方法一般分为两步，第一步通过分割方法提取出SAR图像中机场跑道区域，第二步在机场区域中利用飞机的特性来提取飞机目标。将分割的思想引入高分辨率SAR图像目标检测任务中，可以快速从复杂场景中提取目标可能存在的区域，进而精确而高效地检测出目标。然而这种方法适用于包含大面积极低像素值的机场区域，才能进行分割和检测。

现有一种方法是从SAR图像中检测出可能存在机场的候选区域，然后使用方向局部梯度分布检测器来获得有利于候选区域的梯度纹理显著图，最后通过使用CFAR类型算法分割显著性图来检测飞机目标。该算法能够快速准确地检测飞机目标，降低虚警率。

还有一种方法是在大场景中粗略快速地定位候选区域，接着设计了一个适合SAR图像的卷积神经网络，以准确识别候选区域并获得最终的检测结果。此外，为了克服SAR数据量有限的问题，提出了四种方法来扩充数据。

已有的SAR图像飞机目标检测方法虽然能够有效地从SAR图像中检测出飞机目标，但是应用场景具有局限性。比如基于机场区域提取的方法，要求SAR图像中机场区域和其他背景区域要有明显的不同，然而在现实中，有时因为地面材质的问题，飞机的停放区域和背景区域差异不明显，因此不能通过提取机场区域获得目标候选区域。基于显著性的方法一般在机场区域提取的基础上实现，利用目标在机场区域上较为显著的特性检测飞机目标，如果不能将飞机停放区域和背景区域区分开，显著性方法也不能有效地被利用。基于深度学习的方法，需要大量的数据作为训练样本，然而SAR图像飞机目标数据有限，因此需要做数据扩充等一系列数据预处理。如果不能获得有效的训练数据，基于深度学习的方法的检测性能将不能达到预期效果。

上述飞机目标检测方法针对性强、局限性大，且不适用于超高分辨率SAR图像的复杂场景，因此随着超高分辨率SAR图像的数据不断增多，研究新颖的解译方法迫在眉睫。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于信息交互和迁移学习的SAR图像飞机目标检测方法，克服适用于中低分辨率SAR图像目标检测方法的不足，以提高超高分辨率SAR图像在复杂场景中飞机目标检测的准确率，并能准确给出飞机目标的位置和类别。

本发明采用以下技术方案：

一种基于信息交互和迁移学习的SAR图像飞机目标检测方法，包括以下步骤：