一種基於深度階梯網的極化SAR影像目標檢測方法與流程

2023-11-01 14:17:52 5

【
技術領域：
】本發明屬於圖像處理
技術領域：
，具體涉及一種極化sar影像的目標檢測方法，可用於地物分類，具體是一種基於深度階梯網的極化sar影像目標檢測方法。
背景技術：
：合成孔徑雷達(sar)作為各種遙感手段中唯一具有全天時全天候遙感成像能力的雷達，在遙感領域具有無可替代的作用，目前已得到廣泛應用。極化合成孔徑雷達(極化sar)是建立在傳統sar體制上的新型sar體制雷達，它的出現極大地拓寬了sar應用領域。隨著極化sar系統的推廣，所獲得的全極化數據也越來越豐富。如何對圖像做出快速而準確的解譯，如何有效地對目標進行分類或檢測，已成為迫切需要解決的一個難題。根據是否利用先驗信息，極化sar影像的分類可分為基於單像素點的分類方法和結合鄰域信息的分類方法。根據是否需要人工指導，極化sar影像的分類可分為有監督分類、半監督分類和無監督分類。傳統大多數方法是有監督的分類方法，例如：復wishart分布的極化相干矩陣監督分類方法，人工神經網絡nn和支持向量機svm等方法。除了有監督分類，還可以用無監督或半監督分類實現極化sar影像目標檢測。而以上方法都是有監督分類方法，需要大量的有類標數據，成本較高，需耗費大量的人力財力。技術實現要素：針對上述現有技術中存在的問題，本發明的目的在於提供出一種基於深度階梯網的極化sar影像目標檢測方法，該方法僅使用少量有類標樣本，即可獲得較高的城區目標檢測精度。為實現上述目的，本發明的技術方案包括如下步驟：一種基於深度階梯網的極化sar影像目標檢測方法，包括如下步驟：(1)對待檢測的極化sar影像的極化相干矩陣t進行lee濾波，得到濾波後的極化相干矩陣t；(2)通過濾波後的極化相干矩陣t求得極化協方差矩陣c；(3)對極化協方差矩陣c進行yamaguchi分解，得到奇次散射能量、偶次散射能量、體散射能量和螺旋體散射能量，取奇次散射能量、偶次散射能量、體散射能量作為極化sar圖像的三維圖像特徵，構成基於像素點的特徵矩陣f，並生成偽彩圖p；(4)將基於像素點的特徵矩陣f中的元素值歸一化到[0，1]之間，記作特徵矩陣f1；(5)將特徵矩陣f1中每個元素取周圍16×16的塊並拉成一列代表原來的元素值，構成基於圖像塊的特徵矩陣f2；(6)隨機選取特徵矩陣f2中若干塊組成訓練集d；(7)使用超像素中的slic算法對偽彩圖p進行分割，得到分割好的超像素點，以每個超像素中心點為中心，在特徵矩陣f中取其周圍16×16的塊並拉成一列代表超像素點的值，形成測試集t；(8)構造深度階梯網目標檢測模型；(9)用訓練集d對目標檢測模型進行訓練，得到訓練好的模型；(10)利用訓練好的模型對測試集t進行分類，得到測試數據集中每個像素點對應的模型的輸出。所述步驟(1)中，對待檢測的極化sar影像的極化相干矩陣t進行lee濾波，得到濾波後的極化相干矩陣t，其中待檢測的極化sar圖像大小為1800×1380像素，濾波時選用窗口大小為7×7像素的lee濾波器濾除相干噪聲，得到濾波後的極化相干矩陣t，其中，t中每個元素是一個3×3的矩陣。所述步驟(2)中，通過濾波後的極化相干矩陣t求得極化協方差矩陣c，過程如下：c＝atta其中所述步驟(3)中，對極化協方差矩陣c進行yamaguchi分解，步驟如下：(3a)待檢測圖像的極化協方差矩陣c為：其中，shh表示水平發射、水平接收的同極化分量，svv表示垂直發射、垂直接收的同極化分量，shv表示水平發射、垂直接收的同極化分量，svh表示垂直發射、水平接收的同極化分量；(3b)表面散射的散射矩陣，偶次散射的散射矩陣，體散射的散射矩陣以及yamaguchi提出的第四種螺旋體散射的散射矩陣以及協方差矩陣如下：表面散射的散射矩陣和協方差矩陣分別為式和式：偶次散射的散射矩陣和協方差矩陣分別為式和式：體散射的散射矩陣和協方差矩陣分別為式和式：yamaguchi提出的第四種螺旋體散射的散射矩陣和協方差矩陣分別為式和式：其中α是複數，rth、rtv分別表示角反射器的垂直表面的水平和垂直極化的反射係數，rgh、rgv分別表示角反射器的水平表面的水平和垂直極化的反射係數，β是實數，rh、rv分別表示水平和垂直極化的反射係數；(3c)把任意像元的協方差矩陣看成是四個散射分量協方差矩陣的加權合成：＝fssurface+fddouble+fvvolume+fhhelix其中fs、fd、fv和fh分別為表面散射分量的係數、偶次散射分量的係數、體散射分量的係數和螺旋體散射分量的係數；(3d)將式-式帶入式得到如下方程組：(3e)求解步驟(3d)的方程組，得到表面散射分量的散射功率ps、偶次散射分量的散射功率pd、體散射分量的散射功率pv和螺旋體散射分量的散射功率ph，以及總功率p分別如下：所述步驟(3)中，構成基於像素點的特徵矩陣f並生成偽彩圖p的過程如下：先定義一個大小為m1×m2×3的特徵矩陣f，再將奇次散射能量、偶次散射能量和體散射能量賦給矩陣f，其中m1為待檢測極化sar影像的長，m2為待檢測極化sar影像的寬，再通過特徵矩陣f生成待檢測極化sar影像的偽彩圖p。所述步驟(4)中，對基於像素點的特徵矩陣f歸一化，採用特徵線性縮放法，具體如下：先求出基於像素點的特徵矩陣f的最大值max(f)；再將基於像素點的特徵矩陣f中的每個元素均除以最大值max(f)，得到歸一化後的特徵矩陣f1。所述步驟(7)中，通過超像素中的slic算法對偽彩圖p進行分割，初始化種子點40000個，最後得到38925個超像素點，取每個超像素點的中心點周圍16×16像素的塊代表該超像素點的值，對應的類標即超像素中心點的類標，將每個塊拉成一列，組成待檢測極化sar影像的測試集t。所述步驟(8)包括如下步驟：(8a)構造網絡編碼器；(8b)構造網絡解碼器；(8c)構造網絡損失函數。所述步驟(8a)中，構造網絡編碼器各層參數如下：輸入：784個神經元；全連接層1：1000個神經元；全連接層2：500個神經元；全連接層3：250個神經元；softmax分類器：2個神經元。本發明與現有的技術相比具有以下優點：本發明的基於深度階梯網的極化sar影像目標檢測方法利用lee濾波對原始極化sar數據進行預處理，有效降低了相干斑噪聲，提高圖像的質量和目標檢測性能；通過使用yamaguchi分解，相比於其他目標分解方法，該分解可獲得常出現在城市區域的螺旋體散射分量，該分量有利於區分出城區目標和非城區目標；通過將像素級特徵擴展成圖像塊特徵，可同時獲取譜段信息和空間信息；通過使用超像素方法，減少了數據量，降低了模型測試時間；通過將應用於自然圖像分類問題的階梯網絡應用到極化sar影像的目標檢測中，在僅使用少量有類標樣本的情況下便可獲得很高的目標檢測精度，能夠用於地物分類。【附圖說明】圖1是本發明的基於深度階梯網的極化sar影像目標檢測方法實現流程圖；圖2是本發明中對待檢測影像的人工標記圖；圖3是本發明中yamaguchi分解的三分量構成的偽彩圖；圖4是用本發明對待檢測影像的檢測結果圖。其中：1-城區目標，2-非目標，3-未標記像素。【具體實施方式】以下結合附圖和實施例對本發明的實現步驟和實驗效果作進一步詳細描述：實施例參照圖1，本發明的基於深度階梯網的極化sar影像目標檢測方法具體實現步驟如下：步驟1，輸入待檢測的極化sar影像，對該極化sar影像的極化相干矩陣t進行lee濾波，得到濾波後的極化相干矩陣t；待檢測的極化sar圖像選用由全極化sar系統獲得的舊金山海灣sanfranciscobay圖像，圖像大小為1800×1380像素；輸入一幅待分類極化sar影像的極化相干矩陣，並用窗口大小為7×7像素的lee濾波器濾除相干噪聲，得到濾波後的極化相干矩陣t，其中，t中每個元素是一個3×3的矩陣；步驟2，由濾波後的極化相干矩陣t求得極化協方差矩陣c：已知極化協方差矩陣c、極化相干矩陣t的轉換公式為：c＝atta其中步驟3，對極化協方差矩陣c進行yamaguchi分解，得到奇次散射能量、偶次散射能量、體散射能量和螺旋體散射能量，取奇次散射能量、偶次散射能量和體散射能量作為極化sar影像的3維圖像特徵，構成基於像素點的特徵矩陣f，並生成偽彩圖p；具體步驟如下：(3a)待檢測圖像的極化協方差矩陣c為：其中，shh表示水平發射、水平接收的同極化分量，svv表示垂直發射、垂直接收的同極化分量，shv表示水平發射、垂直接收的同極化分量，svh表示垂直發射、水平接收的同極化分量；(3b)表面散射的散射矩陣，偶次散射的散射矩陣，體散射的散射矩陣以及yamaguchi提出的第四種螺旋體散射的散射矩陣以及協方差矩陣分別如下：表面散射的散射矩陣和協方差矩陣分別為式和式：偶次散射的散射矩陣和協方差矩陣分別為式和式：體散射的散射矩陣和協方差矩陣分別為式和式：yamaguchi提出的第四種螺旋體散射的散射矩陣和協方差矩陣分別為式和式：其中α是複數，rth、rtv分別表示角反射器的垂直表面的水平和垂直極化的反射係數，rgh、rgv分別表示角反射器的水平表面的水平和垂直極化的反射係數，β是實數，rh、rv分別表示水平和垂直極化的反射係數；(3c)把任意像元的協方差矩陣看成是四個散射分量協方差矩陣的加權合成：＝fssurface+fddouble+fvvolume+fhhelix其中fs、fd、fv和fh分別為表面散射分量的係數、偶次散射分量的係數、體散射分量的係數和螺旋體散射分量的係數；(3d)將式-式帶入式得到如下方程組：(3e)求解步驟(3d)的方程組即式，得到表面散射分量的散射功率ps、偶次散射分量的散射功率pd、體散射分量的散射功率pv和螺旋體散射分量的散射功率ph，以及總功率計算公式分別如下：(3f)定義一個大小為m1×m2×3的特徵矩陣f，並將奇次散射能量、偶次散射能量和體散射能量賦給矩陣f，得到基於像素點的特徵矩陣f，其中m1為待檢測極化sar影像的長，m2為待分檢測極化sar影像的寬；(3h)再通過特徵矩陣f生成待檢測極化sar影像的偽彩圖p；步驟4，對基於像素點的特徵矩陣f歸一化，歸一化方法有：特徵線性縮放法、特徵標準化和特徵白化，本實例採用特徵線性縮放法，即先求出基於像素點的特徵矩陣f的最大值max(f)；再將基於像素點的特徵矩陣f中的每個元素均除以最大值max(f)，得到歸一化後的特徵矩陣f1；步驟5，將特徵矩陣f1中每個元素取周圍16×16像素的塊的塊並拉成一列代表原來的元素值，構成基於圖像塊的特徵矩陣f2；用歸一化後的特徵矩陣f1中每個元素取周圍16×16像素的塊代表原來的元素值，因此這個塊的類標仍是原來元素值的類標，由於特徵矩陣是三維的，因此每個塊大小為16×16×3，將第三維依次拉成3個長為256的向量，將3個向量合成一個長為768的向量，由此構成了基於圖像塊的特徵矩陣f2；步驟6，隨機選取f2中若干塊組成訓練集d，即將將f2中的樣本均勻打亂，選取前60000個已標記的樣本組成訓練集d；步驟7，使用超像素中的slic算法對偽彩圖p進行分割，得到分割好的超像素點，以每個超像素中心點為中心，在特徵矩陣f中取其周圍16×16的塊並拉成一列代表超像素點的值，形成測試集t，具體如下：使用超像素中的slic算法對p進行分割，初始化種子點40000個，最後得到38925個超像素點，取每個超像素點的中心點周圍16×16的塊代表該超像素點的值，對應的類標即超像素中心點的類標，將每個塊拉成一列，組成待檢測極化sar影像的測試集t；步驟8，構造深度階梯網目標檢測模型，包括如下步驟：(8a)構造網絡編碼器：基於多層感知器(mlp)的編碼器包含乾淨部分和有損部分，兩部分共享一組參數，有損部分每層加入均值為0標準差為0.3的高斯噪聲，編碼器的結構為：輸入→全連接層1→全連接層2→全連接層3→softmax分類器，各層參數如下：輸入：784個神經元；全連接層1：1000個神經元；全連接層2：500個神經元；全連接層3：250個神經元；softmax分類器：2個神經元，待分類樣本需分為城區目標和非城區目標，因此softmax分類器包含2個神經元；(8b)構造解碼器，包括如下步驟：解碼器對編碼器中有損部分從輸出到輸入的每一層依次進行重構，重構函數如下：表示解碼器第l層第i(i＝1,2，...,ml)個神經元的輸出，其中ml表示第l層的神經元個數，表示編碼器有損部分第l層第i個神經元的輸出，表示的權重，表示先驗，是降噪函數，其中，i，l均為正整數；(8c)構造損失函數，具體如下：cc是交叉熵損失函數，表示有監督部分的損失t(n)表示類標，是編碼器有損部分的輸出，x(n)是編碼器的輸入，cd表示無監督部分的損失，λl表示l層重構誤差的權重，n表示輸入的樣本個數，n＝1,2,...,n，ml表示第l層的神經元個數，zl(n)表示編碼器乾淨部分第l層的輸出，表示解碼器重構的第l層的輸出，l表示解碼器的層數，n和l為正整數；步驟9，用訓練集d對目標檢測模型進行訓練，得到訓練好的目標檢測模型，具體如下：將訓練集d作為分類模型的輸入，訓練數據集d中每個像素點的類別作為分類模型的輸出，通過求解上述類別與人工標記的正確類別之間的誤差並對誤差進行反向傳播，來優化分類模型的網絡參數，得到訓練好的分類模型，人工標記的正確類標如圖2所示，1表示城區目標，為白色，2表示非目標，為黑色，3表示未標記像素，為紅色；步驟10，利用訓練好的模型對測試集t進行分類，得到測試數據集中每個像素點對應的模型的輸出，具體如下：將測試集t作為訓練好的目標檢測模型的輸入，模型的輸出為對測試數據集中每個像素點進行分類得到的分類類別。本發明的效果可以通過以下仿真實驗進一步說明：1.仿真條件：硬體平臺為：hp-z820；軟體平臺為：tensorflow；2.仿真內容與結果：用本發明方法在上述仿真條件下進行實驗，即從極化sar數據已標記的像素點中隨機選取60000個像素點(約佔待檢測影像的3％)作為訓練樣本，訓練樣本中城區目標和非城區目標的比例與待檢測極化sar影像中的城目標和非城區目標的比例相等。選取60000個樣本中的10000個樣本作為有類標樣本，其餘50000個為無類標樣本，整幅待檢測極化sar影像中已標記的像素點作為測試樣本，得到如圖3的檢測結果。從圖3可以看出：深度階梯網的檢測結果的區域一致性較好，城區目標可以完整地檢測出來，城區目標和非目標的邊緣也非常清晰，且保持了細節信息；本發明的訓練樣本大小固定為60000個，改變訓練樣本中有類標樣本數，使有類標樣本分別為60000個、1000個、100個，將本發明與多層感知器mlp的測試數據集分類精度進行對比，結果如表1所示：表1有類標樣本(mlp訓練樣本)mlp本發明6000096.883％98.012％1000095.901％97.257％100095.144％96.689％10094.432％95.760％從表1可見，訓練樣本中有類標樣本分別為60000,10000,1000,100時，本發明的測試數據集分類精度均高於多層感知器mlp。綜上，本發明通過使用深度階梯網，有效提高了圖像特徵的表達能力，增強了模型的泛化能力，使得在訓練樣本極少的情況下仍可以達到很高的目標檢測精度。當前第1頁12