基于多元统计量和深度学习的双航过SAR图像痕迹检测方法技术

本发明专利技术公开了一种基于多元统计量和深度学习的双航过SAR图像痕迹检测方法，包括：利用复杂反射变化检测估计器获得双航过SAR图像的差异图像；利用无监督多元统计量方法对所述差异图像进行水域和植被区域的识别和虚警消除，获得虚警消除图像；利用归纳迁移学习和从粗到细图像训练CUnet网络；利用经训练的CUnet网络对待处理图像进行痕迹识别。该方法通过复杂反射变化检测估计器获得双航过SAR图像的差异图像，通过无监督多元统计量获得水域和植被区域，进而得到虚警消除图像，结合原始图像、差异图像和虚警移除图像来构建从粗到细图像，利用从粗到细图像和CUnet进行归纳迁移学习，从而实现小样本情况下的双航过SAR图像痕迹检测，检测效果良好。

【技术实现步骤摘要】
基于多元统计量和深度学习的双航过SAR图像痕迹检测方法
本专利技术属于目标检测
，具体涉及一种基于多元统计量和深度学习的双航过SAR图像痕迹检测方法。
技术介绍
合成孔径雷达(SAR，SyntheticApertureRadar)系统的一个很重要的应用是检测脚印、车轮印和其他的痕迹区域，可用于监督和搜索的目的。双航过SAR图像是不同时间重复飞行同一区域所得到的两幅SAR图像。相关变化检测(CCD，CoherenceChangeDetection)具有能够从大尺度区域中定位痕迹区域的能力，可用来实现双航过SAR图像痕迹检测。CCD模型包括两个模块：一个差异生成模块，使用重复经过且重复几何的配准图像对来生成差异图像；一个差异分析模块，用来分析差异图像，得到不变的和变化的感兴趣像素区域。对于CCD模型的第一部分，可以总结为两种方法：一种方法通过设计恰当的统计模型来进行差异图像的生成，这种方法虽然减少了生成图像的虚警，但是不能彻底移除由自然环境变量造成的低相关系数区域；另一种方法通过多次飞行或多个带宽的方式获得多维图像，这种方法能有效地将虚警和痕迹区分开，但是需要很严格的实验条件。因此，对于差异图像的生成，如何在移除干扰区域的同时生成尽可能多的变化信息，仍然是一个很重要的问题。对于CCD模型的第二部分，也可以总结为两种方法：一种是非深度学习方法，可以使用阈值、聚类等无监督方法来识别差异图像中的像素；一种是深度学习方法，通过构建神经网络来识别像素。由于风吹、河流等自然环境的变化，CCD生成的差异图像包含大量由自然环境造成的低相关系数区域，这给检测方法带来了很大的挑战。除此之外，痕迹样本稀少，如何用小样本来训练神经网络也是一个重要的问题。
技术实现思路
为了解决现有技术中存在的上述问题，本专利技术提供了一种基于多元统计量和深度学习的双航过SAR图像痕迹检测方法。本专利技术要解决的技术问题通过以下技术方案实现：本专利技术提供了一种基于多元统计量和深度学习的双航过SAR图像痕迹检测方法，包括：S1：利用复杂反射变化检测估计器获得双航过SAR图像的差异图像；S2：利用无监督多元统计量方法对所述差异图像进行水域和植被区域的识别和虚警消除，获得虚警消除图像；S3：利用归纳迁移学习和从粗到细图像训练CUnet网络；S4：利用经训练的CUnet网络对待处理图像进行痕迹识别。在本专利技术的一个实施例中，所述S1包括：S11：构建在不同时刻相同几何位置获得的双航过SAR图像的数学模型；S12：根据所述数学模型，获得复杂反射变化检测估计器；S13：利用所述复杂反射变化检测估计器对所述双航过SAR图像进行处理，得到所述差异图像。在本专利技术的一个实施例中，所述复杂反射变化检测估计器的表达式为：其中，和分别表示图像X1和X2的第k个复数据，表示对复数据进行共轭运算，N为邻域像素点的个数，σn1和σn2分别为图像X1和X2的加性系统热噪声估计值。在本专利技术的一个实施例中，所述S2包括：S21：利用由所述双航过SAR图像组成的图像对进行强度叠加，获得水域提取统计量；S22：基于OTSU方法获得所述水域提取统计量的全局阈值并对所述差异图像进行水域提取；S23：利用所述图像对进行强度相减，获得植被提取统计量；S24：基于手动确定阈值的方法，获取植被提取统计量的阈值并对所述差异图像进行植被区域提取；S25：根据所述差异图像构建消除水域和植被区域的虚警消除图像。在本专利技术的一个实施例中，所述S22包括：在获得水域提取统计量后，通过OTSU方法得到全局阈值τs，并判断当前像素m是否属于水域，判别标准为：其中，Sm表示所述差异图像的当前像素m的水域提取统计量。在本专利技术的一个实施例中，所述S24包括：对所述图像对中的每一个像素m，判断是否满足若是，则所述像素m属于植被区域，其中，τD和τα分别是用于植被区域识别的统计量D和CRCD估计器所得估计量的阈值，Dm表示像素m对应的植被提取统计值，表示像素m对应的估计量。在本专利技术的一个实施例中，所述S3包括：S31：将所述原始SAR图像、所述差异图像和所述虚警消除图像按照通道进行并联，得到从粗到细图像；S32：获取CUnet网络；S33：基于迁移学习方法将所述从粗到细图像进行划分，获得源标签和目标标签；S34：利用源域任务对所述CUnet网络进行预训练；S35：利用目标任务对所述CUnet网络进行微调，获得经训练的CUnet网络。在本专利技术的一个实施例中，所述S33包括：S331：将所述CTF图像不包括痕迹像素的区域切片为多个图像块，并建立源域数据根据无监督多统计量方法或人工标注将各个像素区域判断为水域、植被或背景像素，并建立源域标签S332：将所述CTF图片中的痕迹区域切片为多个图像块，并建立目标数据根据无监督多统计量方法或人工标注将各个像素区域判断为水域、植被或背景像素，并建立目标标签在本专利技术的一个实施例中，所述S34包括：使用所述CUnet网络建立源域任务的预测函数fS(·)，利用所述源域数据和所述源域标签对所述CUnet网络进行预训练，获得经训练的源域任务预测函数fS(·)。在本专利技术的一个实施例中，所述S35包括：使用所述CUnet网络建立痕迹检测任务的预测函数fT(·)，使用经训练的源域任务预测函数fS(·)的权重初始化痕迹检测任务的预测函数fT(·)的权重，并使用所述目标数据和所述目标标签训练预测函数fT(·)，从而获得经训练的CUnet网络。与现有技术相比，本专利技术的有益效果在于：本专利技术提供了一种基于无监督多元统计量和小样本深度学习的高分辨率SAR图像痕迹检测方法，通过复杂反射变化检测估计器获得SAR图像对的差异图像，通过无监督多元统计量获得水域和植被区域，进而得到虚警消除图像，结合原始图像、差异图像和虚警移除图像来构建从粗到细图像，利用从粗到细图像和CUnet网络进行归纳迁移学习，从而实现小样本情况下的SAR图像痕迹检测，检测效果良好。以下将结合附图及实施例对本专利技术做进一步详细说明。附图说明图1是本专利技术实施例提供的一种基于多元统计量和深度学习的双航过SAR图像痕迹检测方法的流程图；图2是本专利技术实施例提供的一种基于多元统计量和深度学习的双航过SAR图像痕迹检测方法的详细流程图；图3是当擦地角范围为0-80°时，水域、沙地、田地、丘陵和山地的后向散射系数图；图4是本专利技术实施例提供的利用归纳迁移学习和从粗到细图像训练CUnet流程图；图5是本专利技术实施例提供的一种CUnet网络的结构示意图；图6是本专利技术实施例提供的双航过SAR图像及其痕迹标签图；图7是本专利技术实施例提供的不同检测估计器的结果图；图8是本专利技术实施例提供的不同的窗口大小和决策阈值情况下的R本文档来自技高网...

【技术保护点】
1.一种基于多元统计量和深度学习的双航过SAR图像痕迹检测方法，其特征在于，包括：/nS1：利用复杂反射变化检测估计器获得双航过SAR图像的差异图像；/nS2：利用无监督多元统计量方法对所述差异图像进行水域和植被区域的识别和虚警消除，获得虚警消除图像；/nS3：利用归纳迁移学习和从粗到细图像训练CUnet网络；/nS4：利用经训练的CUnet网络对待处理图像进行痕迹识别。/n

【技术特征摘要】
1.一种基于多元统计量和深度学习的双航过SAR图像痕迹检测方法，其特征在于，包括：
S1：利用复杂反射变化检测估计器获得双航过SAR图像的差异图像；
S2：利用无监督多元统计量方法对所述差异图像进行水域和植被区域的识别和虚警消除，获得虚警消除图像；
S3：利用归纳迁移学习和从粗到细图像训练CUnet网络；
S4：利用经训练的CUnet网络对待处理图像进行痕迹识别。


2.根据权利要求1所述的基于多元统计量和深度学习的双航过SAR图像痕迹检测方法，其特征在于，所述S1包括：
S11：构建在不同时刻相同几何位置获得的双航过SAR图像的数学模型；
S12：根据所述数学模型，获得复杂反射变化检测估计器；
S13：利用所述复杂反射变化检测估计器对所述双航过SAR图像进行处理，得到所述差异图像。


3.根据权利要求2所述的基于多元统计量和深度学习的双航过SAR图像痕迹检测方法，其特征在于，所述复杂反射变化检测估计器的表达式为：



其中，和分别表示图像X1和X2的第k个复数据，表示对复数据进行共轭运算，N为邻域像素点的个数，σn1和σn2分别为图像X1和X2的加性系统热噪声估计值。


4.根据权利要求1所述的基于多元统计量和深度学习的双航过SAR图像痕迹检测方法，其特征在于，所述S2包括：
S21：利用由所述双航过SAR图像组成的图像对进行强度叠加，获得水域提取统计量；
S22：基于OTSU方法获得所述水域提取统计量的全局阈值并对所述差异图像进行水域提取；
S23：利用所述图像对进行强度相减，获得植被提取统计量；
S24：基于手动确定阈值的方法，获取植被提取统计量的阈值并对所述差异图像进行植被区域提取；
S25：根据所述差异图像构建消除水域和植被区域的虚警消除图像。


5.根据权利要求4所述的基于多元统计量和深度学习的双航过SAR图像痕迹检测方法，其特征在于，所述S22包括：
在获得水域提取统计量后，通过OTSU方法得到全局阈值τs，并判断当前像素m是否属于水域，判别标准为：



其中，Sm表示所述差异图像的当前像素m的水域提取统计量。

【专利技术属性】
技术研发人员：邢孟道，石鑫，张金松，孙光才，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61