[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

说明书

本发明公开了一种基于卷积神经网络和多特征融合的舰船尺寸估计方法，主要解决现有技术在中低分辨情况下目标尺寸估计误差较大的问题。其实现方案是：1)获取训练样本和测试样本，进行预处理；2)获取目标区域幅度图像，计算多维特征；3)构建目标尺寸估计网络框架，并用训练样本对其训练，得到训练好的模型；4)用训练好的模型估计测试样本的初步尺寸特征；5)将多维特征与初步尺寸特征组成新多维特征；6)利用新的多维特征训练梯度提升决策树GBDT；7)利用训练好的GBDT模型估计测试样本的最终尺寸特征。本发明利用CNN网络能自主学习SAR图像目标特征，提高了目标尺寸估计精度，可用于SAR图像舰船目标的识别与分类。

技术领域

本发明属于雷达图像处理技术领域，主要涉及SAR图像舰船尺寸估计方法，可用于SAR图像舰船目标的识别与分类。

背景技术

合成孔径雷达SAR能够不受天气、环境等因素的影响，对海洋环境进行大范围的观测，已经成为海洋管理的一种有效手段，它还被广泛应用于军事侦察、灾情预报等领域， 具有广阔的研究和应用前景。近年来，在对海洋目标进行监测的基础上，开展了对船舶检 测与分类、冰山探测、风反演、溢油探测、海冰监测、船舶尾迹探测等领域的研究，并证 明了其实用性。其中，对于舰船目标的尺寸估计是对船舶目标检测与分类的关键和基础， 精细的几何参数估计同时也是SAR图像解译的关键，具有重要的研究意义。

对舰船目标尺寸估计的研究已经取得了很多的成果。然而，由于现实情况的限制，很 难得到大量的高分辨SAR图像。对于中低分辨SAR图像，舰船目标细节信息不够丰富， 这影响了目标尺寸估计的精度。为了解决这一问题，Bjorn Tings等人提出了动态自适应舰船参数估计方法，使用交叉熵和多元线性回归对算法参数进行优化，该方法在TerraSAR-X数据上取得了较高的估计精度，但算法受海杂波等环境因素影响较大。

此外，对于中低分辨SAR图像，Lui Bedini等人还提出了基于SAR图像的舰船目标尺寸提取方法，该方法对SAR图像做形态学分析，旨在从杂乱的SAR图像中找到目标的 轮廓，从而提取出目标的尺寸特征。此外，机器学习也开始被应用于舰船目标的尺寸估计 中，并取得了较好的结果。Boying Li等人提出了基于双极化融合和非线性回归的舰船尺 寸估计方法，利用梯度提升决策树GBDT来减少成像质量对舰船尺寸估计精度的影响，但 是这些算法均依赖于人工设计特征，且不具备鲁棒性。

发明内容

本发明的目的在于针对已有SAR目标尺寸估计方法的不足，提出了一种基于卷积神 经网络和多特征融合的舰船目标尺寸估计方法，以提高在中低分辨情况下的目标尺寸估计 的性能，从而提高目标尺寸估计的精度。

本发明的技术思路是：通过对训练样本和测试样本进行图像分割，得到每个样本的目 标区域幅度图像，对目标区域幅度图像进行特征提取，得到目标的多维特征；将训练样本 输入到基于卷积神经网络CNN的目标尺寸估计网络框架中进行训练，得到训练好的网络 模型，将测试样本输入到训练好的网络模型中，得到初步的目标尺寸估计结果。再利用梯 度提升决策树GBDT对初步的目标尺寸估计结果进行进一步的修正，得到最终的目标尺寸 特征。其实现步骤包括如下：

(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，并从实验数据集中随机选取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，并对分割结果依次进行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的多维特征，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：