[发明专利]基于NSCT阶梯网模型的极化SAR图像目标检测方法

权利要求书

1.一种基于非下采样轮廓波NSCT阶梯网模型的极化SAR图像目标检测方法，其特征在于，包括如下步骤：

(1)对待检测的极化SAR图像进行Lee滤波：

对待检测的极化SAR图像的极化相干矩阵，进行滤除相干噪声的精致极化Lee滤波，得到滤波后的极化相干矩阵，其中待检测的极化SAR图像大小为1800×1380像素，得到滤波后的极化相干矩阵中的每个元素是一个3×3的矩阵，相当于每个像素点有9维特征；

(2)将相干矩阵进行Yamaguchi分解：

对滤波后的相干矩阵进行Yamaguchi分解，得到奇次散射、偶次散射、体散射以及螺旋散射功率，用分解得到的奇次散射、偶次散射、体散射功率作为表征极化SAR目标的3维图像特征，构成基于像素点的特征矩阵；

(3)特征矩阵归一化：

将特征矩阵中的元素值归一化到[0，255]之间，得到归一化后的特征矩阵；

(4)对特征矩阵进行非下采样轮廓波变换：

(4a)使用三级非下采样拉普拉斯金字塔分解滤波器组，对特征矩阵的每一层进行分解，得到一个低频子带和三个高频子带，使用非下采样方向滤波器组对高频子带进行方向滤波，得到十一个高频系数矩阵；

(4b)对十一个高频系数矩阵中每个元素取绝对值，得到绝对值高频系数矩阵，选取十一个绝对值高频系数矩阵中同一位置处最大值所对应的元素，组成最大值高频系数矩阵；由最大值高频系数矩阵和低频子带对应的低频子带系数矩阵构成非下采样轮廓波变换后的特征矩阵；

(5)构造数据集：

(5a)用切割间隔为1、大小为20×20的矩阵窗口，对非下采样轮廓波变换后的特征矩阵进行切块，构成基于图像块的特征矩阵；

(5b)随机选取特征矩阵中70000个特征矩阵块组成训练数据集，将特征矩阵中全部特征矩阵块组成测试数据集；

(6)构建阶梯网络目标检测模型：

(6a)构建包括含噪通路与不含噪通路的编码器，含噪通路与不含噪通路具有相同的结构均为由输入层→第一卷积层→第二卷积层→第三卷积层→softmax分类器层组成的5层神经网络，其中含噪通路中每个单元加入均值为0，方差为0.3的高斯噪声；

将输入层的特征映射图数目设置为3；将第一卷积层的特征映射图数目设置为6；将第二卷积层的特征映射图数目设置为128；将第三卷积层的特征映射图数目设置为64；将softmax分类器层的特征映射图数目设置为2；

(6b)构建一个依次由输入层→第一解码层→第二解码层→第三解码层→第四解码层组成的5层解码器；

将输入层的特征映射图数目设置为2；将第一解码层设置的特征映射图数目与编码器的softmax分类器层相同；将第二解码层设置的特征映射图数目与编码器的第三卷积层相同；将第三解码层设置的特征映射图数目与编码器的第二卷积层相同；将第四解码层设置的特征映射图数目与编码器的第一卷积层相同；

所述5层解码器各层的输入数据分别为：输入层的输入数据为编码器含噪通路的输出，解码器的第一解码层、第二解码层、第三解码层、第四解码层的输入数据分别为编码器含噪通路中对应层的特征值和解码器上一层输出数据的非线性组合，解码器每一层重构出编码器不含噪通路对应层的特征；

(7)训练目标检测模型：

将训练数据集输入到目标检测模型中，对该模型进行训练，得到训练好的目标检测模型；

(8)获得测试结果：

将测试数据集输入到训练好的目标检测模型中，得到测试数据集中每个像素所属的目标类别。

2.根据权利要求1所述的基于非下采样轮廓波NSCT阶梯网模型的极化SAR图像目标检测方法，其特征在于，步骤(1)中所述精致极化Lee滤波中Lee滤波器的窗口大小为7×7个像素。

3.根据权利要求1所述的基于非下采样轮廓波NSCT阶梯网模型的极化SAR图像目标检测方法，其特征在于，步骤(2)中所述Yamaguchi分解的具体步骤如下：

第一步，根据下述四个公式，计算Yamaguchi分解的表面散射分量、偶次散射分量、体散射分量和螺旋体散射分量的加权系数：

其中，S_HH表示水平发射水平接收通道，H表示发射与接收的水平方向，S_HV表示水平发射垂直接收通道，V表示发射与接收的垂直方向，S_VV表示垂直发射垂直接收通道，|·|表示取绝对值操作，|·|²表示取绝对值平方操作，*表示共轭转置操作，f₁表示表面散射分量的加权系数，f₂表示偶次散射分量的加权系数，f₃表示体散射分量的加权系数，f₄表示螺旋体散射分量的加权系数，β表示二次散射系数，β＝1，α表示表面散射系数，α＝-1；

第二步，按照下述两个公式，依次计算Yamaguchi分解的表面散射功率和偶次散射功率：

P_s＝f₁(1+|β|²)

P_d＝f₂(1+|α|²)

其中，P_s表示表面散射功率，P_d表示偶次散射功率；

第三步，Yamaguchi分解的体散射功率P_v与体散射分量的加权系数f₃相等，螺旋体散射功率P_h与螺旋体散射分量的加权系数f₄相等；

第四步，将计算得到的奇次散射、偶次散射、体散射功率赋给一个大小为M1×M2×3的矩阵，得到像素点的特征矩阵，其中，M1表示待分类极化SAR图像的长，M2表示待分类极化SAR图像的宽。