[发明专利]基于旋转域特征与CNN的极化SAR图像舰船检测方法

说明书

本发明提供一种基于旋转域特征与深度CNN的极化SAR图像舰船检测方法。技术方案是：分为训练与检测两个阶段。对于训练阶段，针对各训练样本中的每一个像素，以旋转域特征中优选的2个振荡中心参数和极化相干矩阵中的3个主对角元素作为检测特征，并构建训练样本全图相应的5个检测特征图；对于检测阶段，将待检测极化SAR图像相应的归一化的检测特征图输入训练好的深度CNN检测器中，通过变尺寸滑窗的方式对其中非陆地区域所对应的部分进行遍历，得到待检测极化SAR图像的舰船检测结果。本发明检测性能好，实现方便。

技术领域

本发明属于极化SAR(Synthetic Aperture Radar，合成孔径雷达)成像遥感技术领域，涉及一种基于旋转域特征与深度CNN(Convolutional Neural Network，卷积神经网络)的极化SAR图像舰船检测方法。

背景技术

极化SAR具有全天时全天候工作能力，能够获取全极化信息。目前，极化 SAR图像常用于舰船目标检测。因为人造舰船与自然海洋表面具有不同极化散射机理，基于极化散射机理差异即有可能在极化SAR图像中将舰船目标从海面背景中分离出来。极化SAR图像舰船检测的一般流程为：首先针对极化SAR 图像的各个像素，通过特定方式下多极化通道的信息融合，提取检测特征；再针对全图构造检测特征图，并基于归一化检测特征图中舰船目标与背景之间的差异，选择合适的检测器完成后续处理。

一种经典的极化SAR图像舰船检测方法即利用到CFAR(Constant False AlarmRate，恒虚警率)检测器。然而，由于CFAR检测器的性能依赖于背景杂波的分布模型，在对背景杂波的统计建模能力不足时，使用CFAR检测器所得检测效果往往会受到很大的限制。

近来，在深度学习领域中具有代表性的深度CNN，凭借其对深层次特征的自动提取能力已经在计算机视觉以及图像处理等方面取得了很多成功应用，如文献A.Krizhevsky,I.Sutskever and G.E.Hinton,“Imagenet classification with deep convolutionalneural networks,”Advances in Neural Information Processing Systems,pp.1097–1105,2012所述。深度CNN在进行目标检测时，并不依赖于背景杂波的分布模型，故克服了上述CFAR检测器的不足，在极化SAR图像舰船检测中具有极大潜力。然而，现阶段深度CNN大多应用于光学图像。由于光学图像与极化SAR图像的差异，在基于极化SAR图像进行舰船检测时，利用光学图像相应检测特征训练好的经典深度CNN模型并不适合。如何将极化SAR 图像特有的检测特征用于深度CNN的训练，即将极化SAR领域专家知识与深度CNN技术联合用于极化SAR图像舰船检测，以发挥两者各自优势，进而设计出一种专门针对极化SAR图像的舰船检测方法，是当前面临的一个技术挑战。

近年来，研究团队通过对目标在绕雷达视线旋转域中的隐含信息进行挖掘与解译，提出了一系列旋转域特征，并在极化SAR图像地物分类等方面取得了成功应用，进而由此验证旋转域特征作为领域专家知识的有效性。因此，发展一种基于旋转域特征与深度CNN的极化SAR图像舰船检测方法具有重要意义。

发明内容

本发明要解决的技术问题是，提供一种基于旋转域特征与深度CNN的极化 SAR图像舰船检测方法，本方法将优选的旋转域特征与经典的极化特征参数均作为检测特征，并构建特定结构的深度CNN作为检测器，通过将相应的检测特征与深度CNN强大的深层次特征自动学习能力相结合，以进一步提高极化SAR 图像舰船检测的性能表现。