[发明专利]基于FCN‑CRF主从网络的极化SAR目标检测方法

说明书

本发明公开了一种基于FCN‑CRF主从网络的极化SAR目标检测方法，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，本发明将图像块特征扩展成像素级特征，通过感兴趣区域像素点的匹配选出的训练样本相关程度更高，更加有效，感兴趣区域的像素点数量不足整个图块的50％的特征矩阵块，不再参与后续运算，极大程度降低了运算量，提高了检测效率；利用Lee滤波对原始极化SAR进行预处理，有效降低了相干斑噪声，提高图像的质量和检测性能；利用Yamaguchi分解得到的主要对应于城市建筑的螺旋散射分量，有效提取出极化SAR人造目标的特征，增加了人造目标的检测精度。

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FCN-CRF主从网络的极化SAR目标检测方法。

背景技术

极化SAR具有全天候、全天时、分辨率高、可侧视成像等优点，可以获取目标的精细特征和几何特征，随着极化SAR系统的推广，获得的全极化数据也越来越丰富，在军事和民用上对人造目标做出快速而准确的检测非常迫切。卷积网在图像特征提取方面的高效使用，使得其在解决极化SAR人造目标检测问题中具有重要的理论价值和广阔的应用前景。

传统的卷积网如CNN是将图像块作为输入进行训练和预测，来实现一个像素的类别检测任务，这样不仅增加了存储空间，而且计算效率低，并且图像块大小比整幅图小很多，导致部分特征缺失，从而限制检测性能。

2015年，针对CNN存在的问题，Jonathan Long等人提出了Fully ConvolutionalNetworks，简称FCN，该网络将类别检测任务由图像级别延伸到了像素级别，从而将感兴趣区域检测出来，但FCN检测结果不够精细，易忽略图像细节，且像素级的检测未能充分考虑空间邻域信息。

为了进一步增强图像的边缘约束，提高像素级别检测任务的的精度，就要对极化SAR数据，特别是人造目标的数据进行有效处理，对于检测模型也要有新的改进。

发明内容

本发明的目的在于提出一种基于Yamaguchi分解和FCN-CRF极化SAR影像人造目标检测方法，用于目标识别，提高人造目标的检测精度。

为实现上述目的，本发明提供了一种基于FCN-CRF主从网络的极化SAR目标检测方法，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，构成新样本数据集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：