[发明专利]一种基于深度学习的卫星图像低相干区域识别方法及装置

权利要求书

1.一种基于深度学习的卫星图像低相干区域识别方法，其特征在于，包括如下步骤：

步骤1、亚像元级配准；对SAR图像通过测度函数进行对准，得到匹配点集合；

步骤2、粗差探测与剔除；剔除步骤1所得匹配点集合中存在的误匹配点；

步骤3、辅图像重采样；根据步骤2中所得经剔除处理后的匹配点集，对主图像、辅图像之间的配准偏移量进行多项式拟合，建立多项式配准模型，并对辅图像进行重采样；

步骤4、质量图生成；根据主图像、辅图像生成相关系数矩阵，即质量图；

步骤5、提取质量图特征；使用多层堆叠的卷积神经网络以数据驱动的方式进行图像特征提取，得到图像特征图；

步骤6、对象粗分割；以图像特征图为输入，将图像特征图分为若干个区域，每个区域对应一类，描述图像特征图中各像素属于该类的概率；

步骤7、类别对象表示；在粗分割基础上通过计算得到各个像素的加权量化表示；

步骤8、像素特征增强表示；将类别对象表示与像素特征进行融合获得增强的像素特征，该增强的像素特征被用于像素语义分割；

步骤9、像素语义标签生成；在像素特征增强表示的基础上，通过浅层卷积网络将每个像素映射到一个语义类别，通过真值标签优化网络参数，得到最终的低相干区域识别结果。

2.根据权利要求1所述基于深度学习的卫星图像低相干区域识别方法，其特征在于：所述亚像元级配准中对SAR图像通过测度函数进行对准或者直接对测度函数的结果进行插值处理，得到匹配点集合。

3.根据权利要求1或2所述基于深度学习的卫星图像低相干区域识别方法，其特征在于，所述对测度函数的结果进行插值处理过程为：以参考点为中心在主图像上开辟M×M的目标窗口，辅图像上对应位置开辟N×N的搜索窗口，其中NM，目标窗口在搜索窗口中滑动，计算所有的配准测度函数值，然后用双三次样条插值法以0.1个像元间隔插值测度函数获取参考点的精确偏移量以及配准位置。

4.根据权利要求3所述基于深度学习的卫星图像低相干区域识别方法，其特征在于：所述粗差探测与剔除中采用均值方差法，具体包括：

步骤21、计算某一列有效参考点方位向和距离向偏移量的均值和方差；

步骤22、逐点计算每一个参考点和均值的偏移量，如果大于方差的β倍，则将该点剔除；

步骤23、重复执行步骤21和步骤22，直至计算完成。

5.根据权利要求4所述基于深度学习的卫星图像低相干区域识别方法，其特征在于：所述图像特征提取采用具有残差连接的、同时加入多个通道注意力模块和密集跳层的卷积神经网络，该卷积神经网络的基本组成单元为残差卷积模块，公式为：x_l+1＝f(x_l,W_l)+x_l。

6.根据权利要求5所述基于深度学习的卫星图像低相干区域识别方法，其特征在于：所述类别对象表示中通过下式在粗分割的基础上计算对象表示：

f_k＝∑_i∈Im_kix_i；

其中，f_k为对象k的表示，m_ki为像素i对对象k的隶属度，由粗分割结果获取，x_i为i的像素表示，即位置i处的图像特征。

7.根据权利要求6所述基于深度学习的卫星图像低相干区域识别方法，其特征在于：所述像素特征增强表示，该特征被用于像素语义分割；通过下式表示：

其中，像素特征x_i与类别对象表示y_i拼接后通过函数g(·)得到像素特征增强表示z_i，g(·)通过带有批归一化和非线性激活函数的1×1卷积实现。