[发明专利]基于FCN‑CRF主从网络的极化SAR目标检测方法

权利要求书

1.基于FCN-CRF主从网络的极化SAR目标检测方法，其特征在于，包括以下步骤：

1)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进行精致极化LEE滤波滤除相干噪声，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)对步骤1)滤波后的相干矩阵进行Yamaguchi分解，得到表面散射、偶次散射、体散射以及螺旋散射功率，用分解得到的散射功率作为表征极化SAR人造目标的3维图像特征，构成基于像素点的特征矩阵F；

3)对步骤2)基于像素点的特征矩阵F进行切块处理，构成若干特征矩阵块F1作为样本数据集；

4)对待检测的极化SAR图像进行人造目标的人工标记，得到人工标记图，对人工标记图进行切块处理得到标记图块，切块处理与步骤3)中切块处理相同，并将标记图块与步骤3)得到的样本数据集中每一特征矩阵块对应起来，标记图块中感兴趣区域的像素点数量超过整个标记图块的50％，则将标记图块对应的特征矩阵块保留下来，构建新样本数据集F2；

5)将步骤4)中得到的新样本数据集F2分割为训练数据集D和测试数据集T；

6)构造基于FCN-CRF主从网络的检测模型：

6a)选择一个由输入层→卷积层→池化层→卷积层→池化层→卷积层→池化层→卷积层→池化层→卷积层→Dropout层→卷积层→Dropout层→卷积层→上采样层→Crop层→Splitting层→CRF层→softmax分类器组成的19层深度神经网络；

6b)将CRF层嵌入全卷积模型中，实现FCN与CRF端到端的训练与检测，并对FCN的检测结果进行精细化处理，增强图像的边缘约束；

7)用步骤5)得到的训练数据集D对步骤6)构造的检测模型进行训练，得到训练好的模型；

8)利用步骤7)中训练好的模型对步骤5)得到的测试数据集T进行目标检测，得到测试数据集T中每个代表人造目标的像素点。

2.根据权利要求1所述的基于FCN-CRF主从网络的极化SAR目标检测方法，其特征在于，其中步骤1)中LEE滤波器的窗口大小为7×7。

3.根据权利要求1所述的基于FCN-CRF主从网络的极化SAR目标检测方法，其特征在于，其中步骤2)中对滤波后的相干矩阵进行Yamaguchi分解，步骤如下：

2a)首先给出待检测目标的协方差矩阵C为：

其中S为极化散射矩阵，H、V分别表示发射与接受的水平和垂直方向；

2b)将Yamaguchi提出的四种散射矩阵，表面散射S_surface、偶次散射S_double、体散射S_volume以及第四种螺旋体散射S_helix分别代入协方差矩阵C，可以推导出如下对应的四个协方差矩阵：

其中α是一个复数，β是一个实数；

2c)然后将待检测目标的协方差矩阵C看成是四个散射分量协方差矩阵的加权合成：

[C]＝f_s[C]_surface+f_d[C]_double+f_v[C]_volume+f_h[C]_helix 6

其中f_s、f_d、f_v和f_h分别为表面散射、偶次散射、体散射和螺旋体散射分量的系数；

2d)将1至5带入6得到方程组7：

其中，Im为图像；

2e)求解方程组7，得到四个分量的散射功率以及总功率计算公式如下：

2f)定义一个大小为M1×M2×3的矩阵F，将分解出的散射功率赋给矩阵F，得到基于像素点的特征矩阵F，其中M1为待分类极化SAR图像的长，M2为待分类极化SAR图像的宽。