基于变分自编码器的合成孔径雷达图像湍流尾迹检测算法制造技术

本发明专利技术涉及SAR图像湍流尾迹检测技术领域，且公开了基于变分自编码器的合成孔径雷达图像湍流尾迹检测算法，包括：

【技术实现步骤摘要】
基于变分自编码器的合成孔径雷达图像湍流尾迹检测算法


[0001]本专利技术涉及SAR图像湍流尾迹检测
，具体为基于变分自编码器的合成孔径雷达图像湍流尾迹检测算法。

技术介绍

[0002]在SAR图像中，当舰船运动时，他们的尾迹将呈现线性特征，沿着舰船运动轨迹传播。用MCA将尾迹成分从SAR图像中分离取得了一定的效果，然而整个算法只能作为预处理的手段，要将尾迹检测出来仍然需要借助传统的Radon变换检测结构成分中的线性特征，并且迭代过程缓慢。更重要的是，问题求解建立在含有尾迹的SAR图像是结构成分与纹理成分的线性相加的假设上的，该假设影响了算法最终的效果。

技术实现思路

[0003](一)解决的技术问题
[0004]针对现有技术的不足，本专利技术提供了基于变分自编码器的合成孔径雷达图像湍流尾迹检测算法，解决了上述
技术介绍
中所存在的问题。
[0005](二)技术方案
[0006]为实现上述目的，本专利技术提供如下技术方案：基于变分自编码器的合成孔径雷达图像湍流尾迹检测算法，包括：
[0007]①
、模型提出：将SAR图像中分离出的结构成分与纹理成分当做某两个函数拟合器的输出，函数拟合器的输入即为SAR图像，此时当选定目标函数训练至参数收敛时，就可以直接将原始SAR图像输入函数拟合器中直接得到含有尾迹的结构成分图像；采用下式表示：
[0008][0009][0010][0011]y
t
～P
t
(x)
[0012]y
c
～P
c
(x)
[0013]为参数θ1确定的函数拟合器，输入为原SAR图像y，输出为结构成分y
c
；
[0014]为参数θ2确定的函数拟合器，输入为原SAR图像y，输出为纹理成分y
t
；
[0015]为参数θ3确定的函数拟合器，输入为y
c
与y
t
，输出y
′
应该与原SAR图像y尽可能接近；而y
c
与y
t
分别满足各自概率分布P
c
与P
t
，即图像的结构成分与纹理成分由于其不同的统计特征，可以用不同的概率分布来表示；
[0016]若将纹理成分和结构成分看作一个整体，便可以将以上模型结构看作是一个标准的对抗自编码器，其中θ1与θ2确定的函数拟合器为编码器部分，θ3确定的函数拟合器为解码器部分，而结构成分与纹理成分满足各自的分布也可以用对抗生成网络实现；
[0017]为了令上述模型实现检测尾迹的目标，将编码器与解码器的顺序互换，此时模型的结构就转化为输入结构成分与纹理成分到编码器，令编码器输出的隐变量的概率分布与真实的含有尾迹的SAR图像的概率分布尽可能接近，然后再从该伪造的SAR图像中通过解码器还原出结构成分。
[0018]②
、网络结构：使用卷积神经网络作为上述模型的函数拟合器；使用U
‑
net网络作为编码器与解码器的具体结构，因为，编码器与解码器都是进行图像转换，编码器是将双通道(结构成分与纹理成分)转换为单通道图像(隐变量)，解码器是将单通道转换到另一个单通道图像，为了实现整幅图像的变换，而不是图像的局部变换，需要先利用多层卷积层与池化层使图像尺寸变小，然后再用反卷积将图像尺寸恢复，但是由于将小尺寸图像恢复成大尺寸图像必然会由于信息量的减少而造成模糊，为了避免这一现象，则需要将每一层卷积的结构跨层连接；
[0019]为了保证尺寸不变，卷积层与反卷积层的数量在U
‑
net结构中一般相同，因此将第i层的特征图与倒数第i层拼接，作为下一层的输入，就可以避免信息的丢失，避免结果模糊，而判别器的网络则简单的使用多层卷积层与池化层交替，将图像转化为一个标量。
[0020]③
、数据集的制作：在上述模型中将纹理成分与结构成分共同输入编码器，使得输出的隐变量的概率分布与真实的含有湍流尾迹的SAR图像的概率分布尽可能接近，然后将隐变量输入解码器后还原出结构成分，也就是标注有湍流尾迹位置的图像；当网络训练结束时将解码器部分单独取出，将真实的含有湍流尾迹的SAR图像输入，便可以得到与湍流尾迹位置相对应的结构成分图像；因此在模型的训练中我们需要三种图像，第一种是结构成分图像，第二种是纹理成分图像，第三种是真实的带有湍流尾迹的SAR图像；
[0021]从不同SAR图像中截取不含有尾迹的海杂波图像制成纹理成分训练集；而真实的尾迹图像训练集则通过截取不同SAR图像中含有湍流尾迹的部分，由于图像较少，我们将这些图像平移翻转来扩充数据集；
[0022]结构成分训练集则需要人工生成，具体怎样生成则取决于希望最终解码器怎样标注出尾迹位置；我们通过人工生成长短，粗细，方向以及弯曲程度不一的白色线状图像来作为结构图像，将他们与代表纹理图像的海杂波图像共同输入网络后，通过训练后将解码器取出，此时将真实的含有湍流尾迹的图像输入解码器后的输出则应该是白色线状图像，而其中线段所在的位置则为SAR图像中湍流尾迹的位置，从而达到检测湍流尾迹的目的。
[0023]④
、分步训练：分步训练编码器与解码器，此时模型与目标函数分别分成两个部分，编码器，判别器一个部分，它们对应的目标函数为：
[0024][0025]解码器为另一部分，它的目标函数为：
[0026][0027]此时网络的训练就被分为两个阶段，在将一批训练集输入编码器后根据目标函数(1)计算目标函数关于编码器与判别器参数的梯度并更新这些参数，这是第一阶段；然后固定编码器与判别器的参数，根据目标函数(2)更新解码器的参数，这是第二阶段；与直接用目标函数L＝L0+λL
GAN
(encoder,D)训练不同的是，整个网络不再被当作一个整体，根据目标函数(2)得到的梯度不再传递到编码器部分的网络，分步训练的方法能够使得编码器输出
的隐变量图像更加真实，其中的尾迹部分不再有明显的有规则的纹理特征；
[0028]分步训练是将整个网络每一步的参数更新都分为两个步骤，各部分网络的参数都根据各自部分的目标函数同步更新，而不是先用所有的训练集进行多次迭代训练好编码器的参数，然后用编码器生成多个训练集来训练解码器参数。
[0029]⑤
、改进目标函数：分步训练取得了一定的成效，将正式的湍流尾迹输入解码器后可以得到有一定线性特征的结构图像，但是结构图像的线性特征并不明显，存在着模糊，断断续续的不足，而这样的效果与最终目的相差甚远，若要使解码器具备较好的检测尾迹的功能，则仍然需要对算法进行改进；
[0030]从上述可知，利用生成对抗网络可以训练一个生成式模型，生成与指定图像集合概率分布相近，或者说是与指定图像集合相像的图像，而用解码器进行分步训练后得到的模型在输入真实湍流尾迹图像后可以显现出一定的线性特征，因此利用生成对抗网络使得解码器在输入真实尾迹本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于变分自编码器的合成孔径雷达图像湍流尾迹检测算法，其特征在于，包括：
①
、模型提出：将SAR图像中分离出的结构成分与纹理成分当做某两个函数拟合器的输出，函数拟合器的输入即为SAR图像，此时当选定目标函数训练至参数收敛时，就可以直接将原始SAR图像输入函数拟合器中直接得到含有尾迹的结构成分图像；采用下式表示：将原始SAR图像输入函数拟合器中直接得到含有尾迹的结构成分图像；采用下式表示：将原始SAR图像输入函数拟合器中直接得到含有尾迹的结构成分图像；采用下式表示：y
t
～P
t
(x)y
c
～P
c
(x)为参数θ1确定的函数拟合器，输入为原SAR图像y，输出为结构成分y
c
；为参数θ2确定的函数拟合器，输入为原SAR图像y，输出为纹理成分y
t
；为参数θ3确定的函数拟合器，输入为y
c
与y
t
，输出y
′
应该与原SAR图像y尽可能接近；而y
c
与y
t
分别满足各自概率分布P
c
与P
t
，即图像的结构成分与纹理成分由于其不同的统计特征，可以用不同的概率分布来表示；若将纹理成分和结构成分看作一个整体，便可以将以上模型结构看作是一个标准的对抗自编码器，其中θ1与θ2确定的函数拟合器为编码器部分，θ3确定的函数拟合器为解码器部分，而结构成分与纹理成分满足各自的分布也可以用对抗生成网络实现；为了令上述模型实现检测尾迹的目标，将编码器与解码器的顺序互换，此时模型的结构就转化为输入结构成分与纹理成分到编码器，令编码器输出的隐变量的概率分布与真实的含有尾迹的SAR图像的概率分布尽可能接近，然后再从该伪造的SAR图像中通过解码器还原出结构成分；
②
、网络结构：使用卷积神经网络作为上述模型的函数拟合器；使用U
‑
net网络作为编码器与解码器的具体结构，因为，编码器与解码器都是进行图像转换，编码器是将双通道(结构成分与纹理成分)转换为单通道图像(隐变量)，解码器是将单通道转换到另一个单通道图像，为了实现整幅图像的变换，而不是图像的局部变换，需要先利用多层卷积层与池化层使图像尺寸变小，然后再用反卷积将图像尺寸恢复，但是由于将小尺寸图像恢复成大尺寸图像必然会由于信息量的减少而造成模糊，为了避免这一现象，则需要将每一层卷积的结构跨层连接；为了保证尺寸不变，卷积层与反卷积层的数量在U
‑
net结构中一般相同，因此将第i层的特征图与倒数第i层拼接，作为下一层的输入，就可以避免信息的丢失，避免结果模糊，而判别器的网络则简单的使用多层卷积层与池化层交替，将图像转化为一个标量；
③
、数据集的制作：在上述模型中将纹理成分与结构成分共同输入编码器，使得输出的隐变量的概率分布与真实的含有湍流尾迹的SAR图像的概率分布尽可能接近，然后将隐变量输入解码器后还原出结构成分，也就是标注有湍流尾迹位置的图像；当网络训练结束时将解码器部分单独取出，将真实的含有湍流尾迹的SAR图像输入，便可以得到与湍流尾迹位置相对应的结构成分图像；因此在模型的训练中我们需要三种图像，第一种是结构成分图
像，第二种是纹理成分图像，第三种是真实的带有湍流尾迹的SAR图像；从不同SAR图像中截取不含有尾迹的海杂波图像制成纹理成分训练集；而真实的尾迹图像训练集则通过截取不同SAR图像中含有湍流尾迹的部分，由于图像较少，我们将这些图像平移翻转来扩充数据集；结构成分训练集则需要人工生成，具体怎样生成则取决于希望最终解码器怎样标注出尾迹位置；我们通过人工生成长短，粗细，方向以及弯曲程度不一的白色线状图像来作为结构图像，将他们与代表纹理图像的海杂波图像共同输入网络后，通过训练后将解码器取出，此时将真实的含有湍流尾迹的图像输入解码器后的输出则应该是白色线状图像，而其中线段所在的位置则为SAR图像中湍流尾迹的位置，从而达到检测湍流尾迹的目的；
④
、分步训练：分步训练编码器与解码器，此时模型与目标函数分别分成两个部分，编码器，判别器一个部分，它们对应的目标函数为：解码器为另一部分，它的目标函数为：此时网络的训练就被分为两个阶段，在将一批训练集输入编码器后根据目标函数(1)...

【专利技术属性】
技术研发人员：韩笑，
申请(专利权)人：韩笑，
类型：发明
国别省市：