一种基于深度学习的SAR图像小目标检测识别方法及设备技术

一种基于深度学习的SAR图像小目标检测识别方法及设备。本发明专利技术通过对SAR图像增强处理后进行预分析，改善图像背景包含过多噪声的问题，再结合融合特征图来进行多尺度小目标检测，从而形成一套完整的SAR图像小目标检测识别的理论和方法体系，通过图像增强以及预分析处理，削弱了背景噪声对网络学习的影响，有效的提升了目标检测任务的性能，同时基于融合特征图的特征信息进行多尺度的小目标检测，也进一步提高了针对SAR图像小目标的检测精度和准确度。确度。确度。

【技术实现步骤摘要】
一种基于深度学习的SAR图像小目标检测识别方法及设备


[0001]本专利技术涉及雷达图像处理领域，特别是一种基于深度学习的SAR图像小目标检测识别方法及设备。

技术介绍

[0002]SAR图像的目标检测的对象主要针对复杂背景下的小目标，包括地面建筑，地面车辆以及海洋船只等。对目标进行检测识别后，再根据不同任务进行规划安排。但通常受限于其他原因，图片背景中包含过多噪声干扰，这会严重影响目标检测识别的准确率。缺少针对SAR图像中小目标检测识别的方法。
[0003]现有的SAR图像目标检测方法主要分为两个大类：（1）基于传统算法的SAR图像目标识别传统的SAR图像目标检测算法主要有基于背景杂波统计分布的恒虚警率( constant false
‑
alarm rate，CFAR) 检测算法和人工提取图像纹理特征的检测算法。CFAR检测算法利用目标周围的背景单元，选择恒定的虚警概率确定检测阈值。CFAR算法容易实现，计算量相对较小，在简单背景杂波下具有较好的检测效果。而在人工提取图像纹理特征的检测算法中，分形特征的应用最为广泛。该特征不仅对目标背景的对比度敏感，同时也对目标尺寸敏感，相比于 CFAR检测算法，基于纹理特征的算法利用了更多的图像信息，具有更高的检测精度。但是纹理特征需要人工设计提取，设计过程复杂耗时，难以保证检测的时效性。
[0004]（2）基于卷积神经网络的检测算法基于卷积神经网络的检测算法是一种针对二维图像数据特征提取而设计的深度学习模型，通过多个卷积层拟合复杂函数，每个卷积层的特征都由前一层的局部特征通过共享的权重得到，有效地减少了网络的参数个数，缓解了模型的过拟合问题，是目标检测、识别等图像处理领域广泛采用的深度学习模型。当前主流的目标检测网络有SIGMA，YOLOX，AdaMixer等。
[0005]但针对SAR图像中复杂背景下小目标检测识别，CFAR算法只考虑灰度对比度，忽略了目标的结构信息，鲁棒性与抗干扰能力差，在复杂背景杂波下检测性能较差。而在人工提取图像纹理特征的检测算法中，纹理特征需要人工设计提取，设计过程复杂耗时，难以保证检测的时效性，对于日益增长的检测效率的要求无法满足。所以如今需要一种时效性更高，检测性能更强的小目标检测识别方法及设备。

技术实现思路

[0006]本专利技术的目的在于克服现有技术中所存在的检测性能以及时效性差的问题，提供一种基于深度学习的SAR图像小目标检测识别方法及设备。
[0007]为了实现上述专利技术目的，本专利技术提供了以下技术方案：一种基于深度学习的SAR图像小目标检测识别方法，包括以下步骤：
S1：获取SAR图像，并生成SAR图像数据集；S2：对所述SAR图像数据集内的SAR图像数据进行图像增强处理，输出增强图像；S3：对所述增强图像进行小目标区域分析，输出预分析图像；S4：提取所述预分析图像中各个层级的特征图，融合各特征图中的特征信息，进行多尺度小目标检测，并输出所述SAR图像数据集的对应的多尺度小目标检测结果。
[0008]作为本专利技术的优选方案，所述S1包括以下步骤：S11：获取SAR图像；S12：将所述SAR图像裁剪缩放为预设尺寸，并转为png格式；S13：生成SAR图像数据集，并将转为png格式后的所述SAR图像存入所述SAR图像数据集。
[0009]作为本专利技术的优选方案，所述S2中所述图像增强包括背景抑制以及去噪处理，具体包括以下步骤：S21：对所述SAR图像数据集内的SAR图像数据进行背景抑制处理，输出孤立图像数据；所述背景抑制处理包括背景估计以及背景消除；S22：基于可形变卷积的背景抑制网络对所述孤立图像数据进行去噪处理，输出增强图像。
[0010]作为本专利技术的优选方案，所述背景抑制网络包括若干可形变卷积层、全连接层、平均混合池化层以及噪声抑制模块；所述可形变卷积层通过控制不同卷积核的大小，对各采样点增加不同大小的偏移变量，从而在不同位置进行采样，得到不同特征信息；所述全连接层用于筛选所述卷积层采样得到的特征信息，并输出稀疏特征矩阵图；所述平均混合池化层用于将所述稀疏特征矩阵图池化为小目标特征向量，并输出初步增强图像；所述噪声抑制模块包括一维卷积层Conv，批量归一化层BN和激活线性单元ReLU，用于对所述初步增强图像进一步剔除背景噪声，并输出为增强图像。
[0011]作为本专利技术的优选方案，所述S21包括以下步骤：S211：对所述SAR图像数据进行图像膨胀以及背景腐蚀处理；其计算过程如下：(f
⊕
I)(x,y)=Max(f((x
‑
u),(y
‑
v))+I(u,v))，(fΘI)(x,y)=Min(f((x+u),(y+v))
‑
I(u,v))，其中，f(x,y)为所述SAR图像数据，x,y为所述SAR图像数据中对应的二维坐标，f
⊕
I和fΘI分别为图像膨胀处理和背景腐蚀处理，I(u,v)为预设的矩阵模板，u,v为所述矩阵模板中对应的二维坐标；S212：对所述S211处理后的结果与原图像进行二值异或运算，得到背景估计数据g(x,y)，其计算式为：g(x,y)=(α(f
⊕
I)+β(fΘI))
ꢀ⊕
f(x,y)，其中，α和β为预设值；S213：对所述SAR图像数据进行背景消除处理；其计算式如下：h(x,y)=f(x,y)
‑
g(x,y)，
其中，h(x,y)为输出的孤立图像数据。
[0012]作为本专利技术的优选方案，所述S3包括以下步骤：S31：将所述S2中背景估计的处理结果作为先验，并将所述增强图像作为输入，传入目标区域划分网络，并输出全局存在概率分布矩阵；其中，所述目标区域划分网络为编码器
‑
解码器结构，包括残差连接块和语义分割块；所述残差连接块用于对所述增强图像和编码器输出的图像进行计算，加快分析速度；所述语义分割块用于分析先验提供的语义信息，并对语义目标进行学习和提取；S32：对所述全局存在概率分布矩阵进行二值化滤波处理，得到所述目标区域划分网络对小目标的最大响应区域，输出为预分析图像。
[0013]作为本专利技术的优选方案，所述S4包括以下步骤：S41：以所述S2中背景估计的处理结果作为先验，并通过SAR小目标检测主干网络提取所述预分析图像中各个层级的特征图；其中，所述SAR小目标检测主干网络包括若干卷积层以及浅层特征增强结构；S42：将各个层级的所述特征图，送入相邻特征融合网络与混合多视角网络；其中，所述相邻特征融合网络包括Conv正向提取模块、反卷积模块以及修正线性单元；所述Conv正向提取模块用于处理低层级特征图；所述反卷积模块用于处理高层级特征图；所述修正线性单元用于对处理后的低层级特征图与高层级特征图进行融合，输出相近融合特征图；所述混合多视角网络包括通道压缩层、多视角提取模块以及混合连接层；所述通道压缩层用于将各个层级的特征图压缩到同一维度；所述多视角提取模块包括若干不同空洞率的空洞卷积层，用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的SAR图像小目标检测识别方法，其特征在于，包括以下步骤：S1：获取SAR图像，并生成SAR图像数据集；S2：对所述SAR图像数据集内的SAR图像数据进行图像增强处理，输出增强图像；S3：对所述增强图像进行小目标区域分析，输出预分析图像；S4：提取所述预分析图像中各个层级的特征图，融合各特征图中的特征信息，进行多尺度小目标检测，并输出所述SAR图像数据集的对应的多尺度小目标检测结果。2.根据权利要求1所述的一种基于深度学习的SAR图像小目标检测识别方法，其特征在于，所述S1包括以下步骤：S11：获取SAR图像；S12：将所述SAR图像裁剪缩放为预设尺寸，并转为png格式；S13：生成SAR图像数据集，并将转为png格式后的所述SAR图像存入所述SAR图像数据集。3.根据权利要求1所述的一种基于深度学习的SAR图像小目标检测识别方法，其特征在于，所述S2中所述图像增强包括背景抑制以及去噪处理，具体包括以下步骤：S21：对所述SAR图像数据集内的SAR图像数据进行背景抑制处理，输出孤立图像数据；所述背景抑制处理包括背景估计以及背景消除；S22：基于可形变卷积的背景抑制网络对所述孤立图像数据进行去噪处理，输出增强图像。4.根据权利要求3所述的一种基于深度学习的SAR图像小目标检测识别方法，其特征在于，所述背景抑制网络包括若干可形变卷积层、全连接层、平均混合池化层以及噪声抑制模块；所述可形变卷积层通过控制不同卷积核的大小，对各采样点增加不同大小的偏移变量，从而在不同位置进行采样，得到不同特征信息；所述全连接层用于筛选所述卷积层采样得到的特征信息，并输出稀疏特征矩阵图；所述平均混合池化层用于将所述稀疏特征矩阵图池化为小目标特征向量，并输出初步增强图像；所述噪声抑制模块包括一维卷积层Conv，批量归一化层BN和激活线性单元ReLU，用于对所述初步增强图像进一步剔除背景噪声，并输出为增强图像。5.根据权利要求3所述的一种基于深度学习的SAR图像小目标检测识别方法，其特征在于，所述S21包括以下步骤：S211：对所述SAR图像数据进行图像膨胀以及背景腐蚀处理；其计算过程如下：(f
⊕
I)(x,y)=Max(f((x
‑
u),(y
‑
v))+I(u,v))，(fΘI)(x,y)=Min(f((x+u),(y+v))
‑
I(u,v))，其中，f(x,y)为所述SAR图像数据，x,y为所述SAR图像数据中对应的二维坐标，f
⊕
I和fΘI分别为图像膨胀处理和背景腐蚀处理，I(u,v)为预设的矩阵模板，u,v为所述矩阵模板中对应的二维坐标；S212：对所述S211处理后的结果与原图像进行二值异或运算，得到背景估计数据g(x,y)，其计算式为：g(x,y)=(α(f
⊕
I)+β(fΘI))
ꢀ⊕
f(x,y)，
其中，α和β为预设值；S213：对所述SAR图像数据进行背景消除处理；其计算式如下：h(x,y)=f(x,y)
‑
g(x,y)，其中，h(x,y)为输出的孤立图像数据。6.根据权利要求3所述的一种基于深度学习的SAR图像小目标检测识别方法，其特征在于，所述S3包括以下步骤：S31：将所述S2中背景估计的处理结果作为先验，并将所述增强图像作为输入，传入目标区域划分网络，并输出全局存在概率分布矩阵；其中，所述目标区域划分网络为编码器
‑
解码器结构，包括残差连接块和语义分割块；所述残差连接块用于对所述增强图像和编码器输出的图像进行计算，加快分析速度；所述语义分割块用于分析先验提供的语义信息，并对语义目标进行学习和...

【专利技术属性】
技术研发人员：罗宇星，骆学春，刘洪，陈虎，
申请(专利权)人：四川大学，
类型：发明
国别省市：