[发明专利]基于CNN和选择性注意机制的SAR图像目标检测方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种基于卷积神经网络(Convolutional Neural Network)与选择性注意机制的合成孔径雷达SAR(Synthetic Aperture Rader)图像目标检测方法，并且可用于后续合成孔径雷达SAR图像的目标分类与识别。

背景技术

合成孔径雷达作为一种主动式传感器，其分辨率与观测距离无关，因此能够在保证分辨率的情况下完成远距离的观测任务，是重要的遥感手段之一。与红外及光学等被动成像设备相比，其成像过程不受光照、气候、云层等环境因素的影响，具有对地面全天候、全天时不间断观测并且采集数据的能力。目前，SAR已经成为军事侦察及地理遥感不可或缺的手段之一，其在目标探测、海域监控、渔业管理、环境监视、地形测绘、灾害评估等领域得到了一定程度的应用。

SAR图像的目标检测是SAR图像处理与解译中的重要问题。随着很多特征提取方法的出现，基于机器学习的目标检测引起了很大的关注。虽然现在已有很多的特征提取方法，但是由于SAR图像的噪声，阴影等影响图像显著性的因素存在，SAR图像的目标检测依旧是一个具有挑战的难题。近些年来，深度学习方法，比如卷积网(CNN)、深度堆栈网(DBN)、自编码(AE)在计算机视觉领域展现出了强大有效的特征表征能力。

目前在SAR图像的目标检测方面，很多方法都是像素级处理，要考虑像素的统计信息，计算量大，不适合复杂场景图。最为广泛应用的SAR目标检测算法是恒虚警率(CFAR)检测算法。CFAR算法简单、快速、实时性强。然而由于背景杂波的估计需要一定的先验知识，在先验信息不足的情况下，背景杂波不一定服从预设的分布，将造成杂波统计模型不够准确，带来了检测不准确、虚警率高的问题。同时，由于是像素级处理，在SAR图像尺寸较大时，耗时将相当长。

发明内容

本发明的目的在于针对上述问题，提出一种基于CNN(卷积神经网络)和选择性注意机制的SAR图像目标检测方法，克服了目前很多基于像素级别的SAR目标检测在复杂场景下，检测性能差，有很多虚警的问题，提高了目标检测定位的准确性。

为了实现上述目的，本发明采用的技术方案是，一种基于CNN和选择性注意机制的SAR图像目标检测方法，包括以下步骤：

1)从MSTAR数据集和SAR场景图中获取训练样本集；

2)对步骤1)中的训练样本集进行扩充，得到新训练样本集；

3)构建分类网络模型，选择一个由卷积层→池化层→卷积层→池化层→卷积层→池化层→卷积层→池化层→卷积层→全连接层→softmax分类器组成的卷积神经网络实现提取SAR图像特征及分类；

4)利用步骤2)得到的新训练样本集对步骤3)中构建的分类网络模型进行训练，得到训练好的模型；

5)用图像视觉显著注意模型对待检测SAR场景图进行显著性检测，得到显著特征图；

6)对步骤5)得到的显著特征图进行形态学处理后，进行连通域标记，确定每个连通域的质心为中心，提取与各个质心对应的目标候选区，将各个目标候选区在其周围若干像素点内平移，扩充每个目标候选区的待判断数量；

7)利用步骤4)中训练好的模型对步骤6)中的目标候选区进行分类，将每个目标候选区周围多个候选区域中判断为目标的检测数量与阈值对比，大于阈值，则为目标，所有目标对比完成后得到SAR场景图中的目标定位框；

8)将步骤7)中的目标定位框用非极大值抑制的方法去除多余的框，选出分类得分最大的定位框并在SAR场景图进行标记，得到测试图像的目标检测结果。

步骤1)中的训练样本集包括正样本和负样本：从MSTAR数据集中选取若干SAR图像作为训练样本集的正样本；从SAR场景图随机选取背景块作为训练样本集的负样本(比如树木，建筑，草地)。

步骤2)按如下步骤进行：

2a)取训练样本集正样本中每幅SAR图像的中间88×88的区域部分，得到对应每幅SAR图像的中间88×88的左上角坐标(x,y)，每幅SAR图像的中间区域为(x+88,y+88)；

2b)将步骤2a)中每幅SAR图像的中间区域进行上下左右五个像素单位的平移，得到新左上角坐标(x',y')，其中x'＝x±t_x，y'＝y±t_y，t_x和t_y为平移单位，进而得到每幅SAR图像的新中间区域为(x'+88,y'+88)，作为训练样本集的正样本。

步骤3)中的卷积神经网络分类模型的参数如下：