[发明专利]基于卷积神经网络和多特征融合的舰船尺寸估计方法

权利要求书

1.一种基于卷积神经网络和多特征融合的舰船目标尺寸估计方法，其特征在于，包括：

(1)从公开的OpenSARShip数据集中挑选出五类舰船目标作为实验数据集，随机选取70％为训练样本，30％为测试样本；

(2)对数据集中的原始图像G依次进行直方图均衡化、均值滤波以去除噪声干扰，得到滤波后的图像P；

(3)对滤波后的图像P进行阈值分割，并对分割结果依次做形态学滤波和聚类处理，得到目标区域二值图像Q，然后进行去旁瓣处理，得到去旁瓣后的二值图像Q'；

(4)对去旁瓣后的二值图像Q'与原始图像G做掩膜处理，得到目标区域幅度图像，计算目标区域幅度图像多维特征，得到目标的多维特征h；

(5)构建基于卷积神经网络CNN的目标尺寸估计网络框架Ψ：

5a)设置六层卷积层，即第一层卷积层L₁、第二层卷积层L₂、第三层卷积层L₃、第四层卷积层L₄、第五层卷积层L₅、第六层卷积层L₆；

5b)设置四层最大池化层，即第一层最大池化层P₁、第二层最大池化层P₂、第三层最大池化层P₃、第四层最大池化层P₄；

5c)将5a)的六层卷积层与5b)的四层最大池化层交叉排列，即由第一层卷积层L₁、第一层最大池化层P₁、第二层卷积层L₂、第二层最大池化层P₂、第三层卷积层L₃、第三层最大池化层P₃、第四层卷积层L₄、第四层最大池化层P₄、第五层卷积层L₅、第六层卷积层L₆依次串联构成的目标尺寸估计网络框架Ψ；

(6)将训练样本输入到构建好的目标尺寸估计网络框架Ψ中进行训练，得到训练好的网络模型Ψ′，同时得到训练样本的初步尺寸估计结果；

(7)将测试样本输入到训练好的网络模型Ψ′中，得到测试样本的初步尺寸估计结果；

(8)将多维特征向量h中训练样本部分与训练样本的初步尺寸估计结果进行组合，组成训练样本的新多维特征向量h₁，将多维特征向量h中测试样本部分与测试样本的初步尺寸估计结果进行组合，组成测试样本的新多维特征向量h₂；

(9)利用训练样本的多维特征向量h₁训练梯度提升决策树GBDT分类器，得到训练好的梯度提升决策树GBDT模型；

(10)将测试样本的多维特征向量h₂送入到已经训练好的梯度提升决策树GBDT模型中，得到测试样本的最终尺寸特征。

2.根据权利要求1所述的方法，其特征在于，(3)中对图像P进行阈值分割，按照如下步骤进行：

3a)获取图像P的最大幅度值I_max和最小幅度值I_min；

3b)设定第一比例参数γ，计算目标-背景区域的分割阈值thr：

thr＝γ(I_max-I_min)+I_min

3c)对图像P进行二值化运算：

其中，I(x,y)为图像P中位于(x,y)位置处像素点的幅度值，I_mask(x,y)为二值化后位于(x,y)位置处像素点的编码值，编码后的图像即为分割后的二值化图像。

3.根据权利要求1所述的方法，其特征在于，(3)中去除旁瓣处理，按照如下步骤进行：

3d)用主成分分析提取二值图像Q中目标区域的主轴，求取主轴的长度L_PA；

3e)提取目标区域中平行于主轴的所有直线，并计算直线的长度L_line；

3f)选取第二比例参数ρ，比较目标区域内主轴和其他所有直线的长度，如果L_line＜ρ×L_PA，则擦除该直线L_line上的所有点，即像素点置为0，得到去旁瓣后的二值图像Q'。