[发明专利]一种提高SAR图像中靠岸船只检测精度的方法

说明书

本发明公开了一种提高SAR图像中靠岸船只检测精度的方法，它是基于深度学习理论，主要包括生成对抗网络、K‑means聚类、场景扩增、经典检测网络(Faster R‑CNN、Cascade R‑CNN、SSD、RetinaNet)四部分。生成对抗网络实现图像的特征提取，K‑means聚类方法利用提取得到的特征实现图像的二分类、得到每幅图像的分类结果，场景扩增得到更平衡的数据集，经典检测网络使用处理过后的数据集进行训练，执行检测任务。本发明在略微提高离岸船只检测精度的同时，将靠岸船只在Faster R‑CNN、Cascade R‑CNN、SSD、RetinaNet网络上的检测精度分别提高了8.60％，8.32％，18.15％，12.40％，提高了靠岸船只检测精度。

技术领域

本发明属于合成孔径雷达(Synthetic Aperture Radar,SAR)图像解译技术领域，涉及一种提高SAR图像中靠岸船只检测精度的方法。

背景技术

合成孔径雷达(SAR)是一种能够全天时、全天候工作的主动式遥感技术。与光学传感器相比，SAR可以穿透云雾，在恶劣的气象条件下也可以完成观测任务。随着SAR成像分辨率的不断提高，SAR图像船只目标检测技术成为了研究的热点。特别的，在民用方面，SAR图像船只检测技术可以检测搜索遭遇危险的船舶并展开搜救。详见文献“王智勇,窦浩,田金文.SAR图像舰船目标快速检测方法研究[J].舰船电子工程,2016,36(09):27-30+88.”。

在合成孔径雷达船只目标检测中，最常用且有效的方法是以CFAR为基础的各类检测算法。CFAR算法首先需要人为确定背景杂波分布模型，接着通过寻求一个检测阈值，将求得的检测阈值与观测强度进行比较，然后通过一个简单的二元假设问题将目标从复杂的背景杂波中检测出来，并且保证检测的恒虚警性。但是，由于海面背景受周围环境和气象所影响，背景杂波分布模型难以拟合真实背景杂波分布。因此，以CFAR为基础的各类检测算法在复杂场景下检测精度较低。详见“杜兰,王兆成,王燕,魏迪,李璐.复杂场景下单通道SAR目标检测及鉴别研究进展综述[J].雷达学报,2020,9(01):34-54.”。

深度学习的出现为SAR图像船只检测提供了一个全新的思路。基于深度学习的SAR图像船只检测方法无需人工确定背景杂波分布模型，只需准备一定量的SAR图像数据及标签，然后通过合理的构造和训练网络，便可以得到比以CFAR为基础的各类检测算法更高的检测精度。目前的一些来自于计算机视觉领域的经典网络，如Faster R-CNN、Cascade R-CNN、SSD、RetinaNet等，已经广泛应用于SAR图像船只检测领域并取得了较好的精度。但是，现有的研究表明，由于靠岸区域具有较强的后向散射特征和大量的人造结构，靠岸船只的检测精度显著低于离岸船只检测精度。

因此，为解决此问题，本发明提出了一种提高SAR图像中靠岸船只检测精度的方法。该方法引入了生成对抗式网络以及K-means聚类方法，在略微提高离岸船只检测精度的同时，提高了靠岸船只检测精度。

发明内容

本发明属于合成孔径雷达(SAR)图像解译技术领域，公开了一种提高SAR图像中靠岸船只检测精度的方法，用来解决现有技术中靠岸船只检测精度不足的问题。该方法基于深度学习理论，主要包括生成对抗网络、K-means聚类、场景扩增、经典检测网络(Faster R-CNN、Cascade R-CNN、SSD、RetinaNet)四部分。生成对抗网络实现图像的特征提取，K-means聚类方法利用提取得到的特征实现图像的二分类、得到每幅图像的分类结果，场景扩增得到更平衡的数据集，经典检测网络使用处理过后的数据集进行训练，执行检测任务。该方法在略微提高离岸船只检测精度的同时，将靠岸船只在Faster R-CNN、Cascade R-CNN、SSD、RetinaNet网络上的检测精度分别提高了8.60％，8.32％，18.15％，12.40％，达到了提高靠岸船只检测精度的要求。

为了方便描述本发明的内容，首先作以下术语定义：

定义1：SSDD数据集获取方法