基于多层特征融合注意力机制的SAR图像叠掩区提取方法技术

本发明专利技术公开了一种基于多层特征融合注意力机制的SAR图像叠掩区提取方法，包括将输入的SAR图像与其对应的相干系数图和干涉相位图进行通道融合再利用滑窗切分为图像样本，将图像样本输入多层特征融合注意机制网络实现叠掩区提取，其中多层特征融合注意机制网络包括编码器和解码器，编码器包含骨干网络、AASP模块以及SEB模块，解码器基于编码器输出特征实现叠掩区提取。本发明专利技术将SAR图像与其对应的相干系数图和干涉相位图进行通道融合来显式增强叠掩区的语义信息，进而将融合后的图像输入多层特征融合注意机制网络提取叠掩区本质特征并给出检测结果，具有边缘区域的提取效果好、漏检和误检区域少、运行性能高的优点。运行性能高的优点。运行性能高的优点。

【技术实现步骤摘要】
基于多层特征融合注意力机制的SAR图像叠掩区提取方法


[0001]本专利技术涉及合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar，InSAR)技术，具体涉及一种基于多层特征融合注意力机制的SAR图像叠掩区提取方法。

技术介绍

[0002]合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar，InSAR)具有全天时全天候成像且不受天气影响等优势，被广泛应用于地形测绘和地表形变监测等领域。然而InSAR的侧视成像方式所造成的斜距上的距离压缩、叠掩和阴影现象对这项技术的广泛应用造成严重影响，特别是叠掩的存在严重破坏了干涉相位的连续性，导致InSAR技术在数据处理工作中无法准确滤波和解缠。
[0003]叠掩是侧视成像过程中出现的一种特殊的距离压缩，在多山地区及高大建筑物之处尤为明显。如图1所示，在地形起伏的区域，当坡度θ与局部雷达俯角β之和大于90
°
时，山顶回波比山脚回波更早被雷达接收，从而在雷达图像的距离向上出现山脚山顶影像倒置的叠掩现象，表现在图中为AB在斜距图像中变成线段B'A'。
[0004]许多学者对叠掩区域的检测做了研究，其中使用传统数学几何模型和图像处理等方法较多，如基于InSAR相干系数图的判别方法、基于强度图进行阈值分割的方法、基于数字图像处理的滤波边界锐化方法，但这些方法都存在不同程度的局限性。由于SAR图像中固有的相干斑噪声，使用阈值分割或数字图像处理手段很难在SAR图像上准确提取出叠掩区域。此外，由于叠掩区域是来自不同位置点回波的叠加，相干系数值不具有统一特点，仅仅依靠图像和相干系数值也不能很好地检测叠掩区域。值得一提的是，在干涉相位图叠掩区域存在明显的相位梯度反相，与其他区域表现出明显不同的特征。因此结合干涉相位图能够显式增强叠掩区域的语义信息，有利于叠掩的检测。因此，本文将同一叠掩区域的三种图像进行通道融合，再检测叠掩区域。
[0005]近年来，基于深度学习网络的计算机视觉方法发展迅速。利用深度学习技术可以提取深层次SAR图像特征，对于复杂背景的叠掩区域检测具有重要意义。例如，利用光学图像、干涉相干数据和DEM做成数据集进行分割来提取叠掩目标、使用卷积神经网络(CNN
‑
ISS)和卷积长短期记忆网络(CLSTM
‑
ISS)进行叠掩区域提取等。这些方法可以解决传统方法中的人为辅助要求和阈值设定，但是仍存在一些问题。在他们的工作中，检测之前都要做大量的预处理，很难实现InSAR图像叠掩区域的自动检测。另外，SAR图像与光学图像相比没有明显的边缘特征，且叠掩目标之间存在类内差异性，这就要求深度学习网络具备更强的多尺度特征融合能力和更好的边缘细节提取能力。

技术实现思路

[0006]本专利技术要解决的技术问题：针对现有技术的上述问题，提供一种基于多层特征融合注意力机制的SAR图像叠掩区提取方法，本专利技术具有边缘区域的提取效果好、漏检和误检
区域少、运行性能高的优点。
[0007]为了解决上述技术问题，本专利技术采用的技术方案为：
[0008]一种基于多层特征融合注意力机制的SAR图像叠掩区提取方法，包括将输入的SAR图像与其对应的相干系数图和干涉相位图进行通道融合再利用滑窗切分为图像样本，将图像样本输入多层特征融合注意机制网络实现叠掩区提取。
[0009]可选地，所述进行通道融合是指分别提取SAR图像、相干系数图以及干涉相位图的一个通道得到r、g、b通道图像，将r、g、b通道图像顺序合成为一张三通道图像作为通道融合得到的融合图像。
[0010]可选地，所述多层特征融合注意机制网络包括：
[0011]编码器，包含骨干网络、AASP模块以及SEB模块的编码器，用于通过骨干网络对图像样本进行特征提取得到低级特征、中间级特征和高级特征，通过AASP模块对骨干网络输出的高级特征进行多尺度深入提取得到多尺度特征，通过SEB模块融合骨干网络输出的中间级特征并改善空间细节表达得到中间级融合特征；
[0012]解码器，用于将骨干网络提取得到的低级特征、AASP模块输出的多尺度特征、SEB模块输出的中间级融合特征采用分步解码，通过流对齐模块进行特征融合并逐步恢复特征分辨率，最终实现叠掩区提取。
[0013]可选地，所述编码器的骨干网络为带有空洞卷积的ResNet_101网络。
[0014]可选地，所述带有空洞卷积的ResNet_101网络依次包括：卷积层和最大池化层，用于针对输入图像样本降低图像分辨率；第一残差模块res
‑
1，用于对卷积层和最大池化层的输出进行特征提取得到低级特征；第二残差模块res
‑
2，用于对第一残差模块res
‑
1输出的低级特征进行特征提取得到部分中间级特征；第三残差模块res
‑
3，用于对第二残差模块res
‑
2输出的部分中间级特征进行特征提取得到另一部分中间级特征；第四残差模块res
‑
4，用于对第三残差模块res
‑
3输出的另一部分中间级特征进行特征提取得到高级特征；所述第一残差模块res
‑
1、第二残差模块res
‑
2、第三残差模块res
‑
3、第四残差模块res
‑
4均为由残差单元组成，其中第四残差模块res
‑
4使用空洞率分别为2、4、8的空洞卷积级联替换最后一个卷积层以加深网络层数、丰富特征图的语义信息。
[0015]可选地，所述AASP模块包括：
[0016]四条并行注意力池化分支，用于对骨干网络输出的高级特征从不同感受野上捕捉图像的上下文信息；
[0017]有效通道注意力机制ReCA，用于结合通道维度对对四条并行注意力池化分支输出的多尺度特征进行优劣筛选以改善多尺度提取效果、提高物体检测精度；
[0018]全局平均池化支路GAP，用于对骨干网络输出的高级特征做降采样处理以防止过拟合；
[0019]融合模块，用于将有效通道注意力机制ReCA输出的特征、全局平均池化支路GAP输出的特征进行融合后得到最终的多尺度特征；
[0020]有效通道注意力机制ReCA包括：
[0021]全局平均池化模块，用于将有效通道注意力机制ReCA的输入特征X使用全局平均池化提取全局特征得到1
×1×
C的向量；
[0022]包含自适应卷积核的一维卷积，用于将得到的1
×1×
C的向量进行通道间的信息
交互学习；
[0023]权重映射模块，用于基于sigmoid函数将通道间的信息交互学习结果获得通道映射权重A
eCA
；
[0024]点乘模块，用于将有效通道注意力机制ReCA的输入特征X、通道映射权重A
eCA
两者相乘以给输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多层特征融合注意力机制的SAR图像叠掩区提取方法，其特征在于，包括将输入的SAR图像与其对应的相干系数图和干涉相位图进行通道融合再利用滑窗切分为图像样本，将图像样本输入多层特征融合注意机制网络实现叠掩区提取。2.根据权利要求1所述的基于多层特征融合注意力机制的SAR图像叠掩区提取方法，其特征在于，所述进行通道融合是指分别提取SAR图像、相干系数图以及干涉相位图的一个通道得到r、g、b通道图像，将r、g、b通道图像顺序合成为一张三通道图像作为通道融合得到的融合图像。3.根据权利要求1所述的基于多层特征融合注意力机制的SAR图像叠掩区提取方法，其特征在于，所述多层特征融合注意机制网络包括：编码器，包含骨干网络、AASP模块以及SEB模块的编码器，用于通过骨干网络对图像样本进行特征提取得到低级特征、中间级特征和高级特征，通过AASP模块对骨干网络输出的高级特征进行多尺度深入提取得到多尺度特征，通过SEB模块融合骨干网络输出的中间级特征并改善空间细节表达得到中间级融合特征；解码器，用于将骨干网络提取得到的低级特征、AASP模块输出的多尺度特征、SEB模块输出的中间级融合特征采用分步解码，通过流对齐模块进行特征融合并逐步恢复特征分辨率，最终实现叠掩区提取。4.根据权利要求3所述的基于多层特征融合注意力机制的SAR图像叠掩区提取方法，其特征在于，所述编码器的骨干网络为带有空洞卷积的ResNet_101网络。5.根据权利要求4所述的基于多层特征融合注意力机制的SAR图像叠掩区提取方法，其特征在于，所述带有空洞卷积的ResNet_101网络依次包括：卷积层和最大池化层，用于针对输入图像样本降低图像分辨率；第一残差模块res
‑
1，用于对卷积层和最大池化层的输出进行特征提取得到低级特征；第二残差模块res
‑
2，用于对第一残差模块res
‑
1输出的低级特征进行特征提取得到部分中间级特征；第三残差模块res
‑
3，用于对第二残差模块res
‑
2输出的部分中间级特征进行特征提取得到另一部分中间级特征；第四残差模块res
‑
4，用于对第三残差模块res
‑
3输出的另一部分中间级特征进行特征提取得到高级特征；所述第一残差模块res
‑
1、第二残差模块res
‑
2、第三残差模块res
‑
3、第四残差模块res
‑
4均为由残差单元组成，其中第四残差模块res
‑
4使用空洞率分别为2、4、8的空洞卷积级联替换最后一个卷积层以加深网络层数、丰富特征图的语义信息。6.根据权利要求3所述的基于多层特征融合注意力机制的SAR图像叠掩区提取方法，其特征在于，所述AASP模块包括：四条并行注意力池化分支，用于对骨干网络输出的高级特征从不同感受野上捕捉图像的上下文信息；有效通道注意力机制ReCA，用于结合通道维度对对四条并行注意力池化分支输出的多尺度特征进行优劣筛选以改善多尺度提取效果、提高物体检测精度；全局平均池化支路GAP，用于对骨干网络输出的高级特征做降采样处理以防止过拟合；融合模块，用于将有效通道注意力机制ReCA输出的特征、...

【专利技术属性】
技术研发人员：陈立福，蔡兴敏，袁志辉，邢进，罗汝，谭思雨，翁婷，王杰岚，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：