[发明专利]基于FCN‑CRF主从网络的极化SAR目标检测方法

摘要

本发明公开了本发明提供了一种基于FCN‑CRF主从网络的极化SAR目标检测方法，输入待检测的极化SAR图像，对该极化SAR图像的极化相干矩阵T进行精致极化Lee滤波滤除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3×3矩阵，相当于每个像素点有9维特征，本发明将图像块特征扩展成像素级特征，通过感兴趣区域像素点的匹配选出的训练样本相关程度更高，更加有效，感兴趣区域的像素点数量不足整个图块的50％的特征矩阵块，不再参与后续运算，极大程度降低了运算量，提高了检测效率；利用Lee滤波对原始极化SAR进行预处理，有效降低了相干斑噪声，提高图像的质量和检测性能；利用Yamaguchi分解得到的主要对应于城市建筑的螺旋散射分量，有效提取出极化SAR人造目标的特征，增加了人造目标的检测精度。

主权项

基于FCN‑CRF主从网络的极化SAR目标检测方法，其特征在于，包括以下步骤：1)输入待检测的极化SAR图像，对该极化SAR图像的极化相干矩阵T进行精致极化Lee滤波滤除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3×3矩阵，相当于每个像素点有9维特征；2)对步骤1)滤波后的相干矩阵进行Yamaguchi分解，得到奇次散射、偶次散射、体散射以及螺旋散射功率，用分解得到的散射功率作为表征极化SAR人造目标的3维图像特征，构成基于像素点的特征矩阵F；3)对步骤2)基于像素点的特征矩阵F进行切块处理，构成若干特征矩阵块F1作为样本数据集；4)对待检测的极化SAR图像进行人造目标的人工标记，得到人工标记图，对人工标记图进行切块处理得到标记图块，切块处理与步骤3)中切块处理相同，并将标记图块与步骤3)得到的样本数据集中每一特征矩阵块对应起来，标记图块中感兴趣区域的像素点数量超过整个标记图块的50％，则将标记图块对应的特征矩阵块保留下来，构建新样本数据集F2；5)将步骤4)中得到的新样本数据集F2分割为训练数据集D和测试数据集T；6)构造基于FCN‑CRF主从网络的检测模型：6a)选择一个由输入层→卷积层→池化层→卷积层→池化层→卷积层→池化层→卷积层→池化层→卷积层→Dropout层→卷积层→Dropout层→卷积层→上采样层→Crop层→Splitting层→CRF层→softmax分类器组成的19层深度神经网络；6b)将CRF层嵌入全卷积模型中，实现FCN与CRF端到端的训练与检测，并对FCN的检测结果进行精细化处理，增强图像的边缘约束；7)用步骤5)得到的训练数据集D对步骤6)构造的检测模型进行训练，得到训练好的模型；8)利用步骤7)中训练好的模型对步骤5)得到的测试数据集T进行目标检测，得到测试数据集T中每个代表人造目标的像素点。