[发明专利]基于NSCT阶梯网模型的极化SAR图像目标检测方法

说明书

本发明公开了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，主要解决现有技术中只能依靠散射信息对地物进行分类和未考虑极化SAR图像的多尺度特征而导致的分类准确率偏低的问题。本发明的具体步骤如下：(1)对待检测的极化SAR图像进行Lee滤波；(2)将相干矩阵进行Yamaguchi分解；(3)特征矩阵归一化；(4)对特征矩阵进行非下采样轮廓波变换；(5)构造数据集；(6)构建阶梯网目标检测模型；(7)训练目标检测模型；(8)获得测试结果。本发明具有对极化SAR图像的多尺度特征提取好，目标检测的精度高的优点。

技术领域

本发明属于图像处理技术领域，更进一步涉及极化合成孔径雷达图像目标检测技术领域中的一种基于非下采样轮廓波NSCT(non-subsampled contourlet transform)阶梯网模型的极化SAR(Synthetic Aperture Radar)图像目标检测方法。本发明可应用于对极化SAR图像的不同区域准确地进行目标检测和识别。

背景技术

合成孔径雷达(SAR)作为各种遥感手段中唯一具有全天时全天候遥感成像能力的雷达，在遥感领域具有无可替代的作用，目前已得到广泛应用。极化合成孔径雷达是建立在传统SAR体制上的新型SAR体制雷达，它的出现极大地拓宽了SAR应用领域。

随着极化SAR系统的推广，所获得的全极化数据也越来越丰富。如何对图像做出快速而准确的解译，如何有效地对目标进行分类或检测，已成为迫切需要解决的一个难题。

中山大学申请的专利“一种基于目标散射鉴别的POLSAR图像无监督分类方法”(专利申请号：201210222987.2，公布号：CN102799896A)中提出了一种基于目标散射鉴别的POLSAR图像无监督分类的方法。该方法首先计算POLSAR图像极化散射熵，以及表面散射、偶次散射和体散射的相似性参数，并利用这些参数将POLSAR图像初始划分类别；然后选取以表面散射为主的地物的最小天线接收功率特征极化作为天线极化状态，计算每个像素的天线接收功率；最后计算每一类的聚类中心并根据极化散射差异度量将所有像素重新分类并更新聚类中心，重复这一过程直到聚类中心不再发生变化。该方法属于无监督的分类方法，能够准确地描述地物散射特征，并且能够很好地对应实际散射情况，减少类别调整的运算时间等优点，但是，该方法仍然存在的不足之处是，由于该方法属于无监督分类，只能依靠散射信息对地物进行分类，使得分类准确率偏低。

西安电子科技大学在其申请的专利文献“一种基于深度阶梯网的极化SAR图像的目标检测方法”(专利申请号：201710370455.6，公开号：107239757A)中提出一种基于深度阶梯网模型的极化SAR图像的目标检测方法。该方法首先对极化数据进行Lee滤波，对得到的极化协方差矩阵进行Yamaguchi分解，然后采用逐像素滑窗的方式构造训练集合和测试集，最后使用基于全连接的半监督深度阶梯网模型实现数据的分类，仅使用少量的有类标样本就得到了较高的准确率。但是，该方法仍然存在的不足之处是，由于使用的阶梯网模型是基于全连接的，数据块需要拉成一个向量后输入网络，破坏了图像的邻域信息，同时未考虑到极化SAR的多尺度特征，导致图像信息利用不充分，不能很好的将图像边缘检测出来，结果会与真实目标产生偏差。

发明内容

本发明的目的是针对上述现有技术的不足，提出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。本发明与现有其他极化SAR图像目标检测方法相比，能够提取出极化SAR图像的深层特征以及多尺度特征，仅用少量的有类标样本就可得到较高的极化SAR图像目标检测精度。

本发明实现上述目的的思路是：先对待检测的极化SAR图像进行Lee滤波，对滤波后的相干矩阵进行Yamaguchi分解，再对分解得到的特征矩阵进行归一化和非下采样轮廓波变换，然后构造数据集，之后构建阶梯网目标检测模型，用训练数据集训练模型，最后将测试数据集送入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。

本发明实现的具体步骤包括如下：