SAR图像的船舶检测方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术涉及图像处理技术领域，提供一种SAR图像的船舶检测方法、装置、电子设备和存储介质，该方法包括：采集船舶的合成孔径雷达SAR图像；将SAR图像输入船舶检测模型，获取SAR图像的船舶检测结果；其中，船舶检测模型包括特征提取模块和特征增强模块；特征提取模块用于生成特征信息融合图；特征增强模块用于生成注意力特征图。本发明专利技术通过采用预先构建的船舶检测模型对SAR图像进行船舶检测，该船舶检测模型通过将SAR图像的特征信息输入串行连接的多个最大池化层，融合每个最大池化层输出的特征图得到特征信息融合图；并对特征信息融合图嵌入位置信息，提高了船舶检测精度。提高了船舶检测精度。提高了船舶检测精度。

【技术实现步骤摘要】
SAR图像的船舶检测方法、装置、电子设备和存储介质


[0001]本专利技术涉及图像处理
，尤其涉及一种SAR图像的船舶检测方法、装置、电子设备和存储介质。

技术介绍

[0002]传统的合成孔径雷达(Synthetic Aperture Radar，SAR)图像船舶目标检测算法主要是通过分析目标和背景杂波间的对比度差异来进行区分，这种方法应用在一些相对简单的场景能取得较好的效果。然而，复杂场景中存在目标特征不够明显、对比度差异比较小的情况，比如港口区域、岛屿礁石区域等，使用传统方法会出现较多的虚警，导致检测效果比较差。另一方面，传统的SAR图像船舶检测算法操作步骤繁琐，需要人工挑选目标特征，进而实现目标的分类和定位，使得算法检测效果泛化能力弱，鲁棒性差。对于海量的高分辨率SAR图像数据，传统的船舶目标检测算法由于处理步骤复杂，无法充分提取目标特征，已经无法满足SAR图像船舶检测的需求。
[0003]将传统深度学习技术应用于SAR图像目标检测系统，可提高系统对SAR图像的目标检测性能。但是由于SAR图像自身特点和船舶目标特性，在SAR船舶目标检测任务中应用传统深度学习技术依旧存在一些难点。首先，由于成像机制的原因，SAR图像为灰度图像，分辨率较低，缺乏足够的色彩信息，图像中船舶目标包含的细节信息较少，使得目标特征提取不充分，而且存在陆地、小型岛屿或礁石、港口灯塔等与船舶目标特征相似的物体或区域，从而导致采用现有的深度学习技术在SAR图像的船舶检测精度低。其次，由于船舶目标包含军舰、民船等多个种类，种类尺度差异大，而且不同种类的船舶也拥有不同的形状和其他特征，在大视场SAR图像中船舶目标占比较小，导致采用现有的深度学习技术在SAR图像的船舶检测精度低。

技术实现思路

[0004]本专利技术提供一种SAR图像的船舶检测方法、装置、电子设备和存储介质，用以解决SAR图像的船舶检测精度低的问题，通过采用预先构建的船舶检测模型对SAR图像进行船舶检测，该船舶检测模型通过将SAR图像的特征信息输入串行连接的多个最大池化层，融合每个最大池化层输出的特征图得到特征信息融合图，并对特征信息融合图嵌入位置信息，提高了船舶检测精度。
[0005]本专利技术提供一种SAR图像的船舶检测方法，包括：
[0006]采集船舶的合成孔径雷达SAR图像；
[0007]将所述SAR图像输入船舶检测模型，获取所述船舶检测模型输出的船舶检测结果；
[0008]其中，所述船舶检测模型包括特征提取模块和特征增强模块；所述特征提取模块用于提取所述SAR图像的特征信息，并生成特征信息融合图；所述特征信息融合图是通过将所述特征信息输入串行连接的多个最大池化层，融合每个所述最大池化层输出的特征图得到的；所述特征增强模块用于对所述特征信息融合图嵌入位置信息并生成注意力特征图。
[0009]在一个实施例中，所述船舶检测模型还包括特征融合模块，所述特征融合模块用于对所述注意力特征图进行特征提取、特征传递和特征融合；所述特征提取包括对所述注意力特征图进行特征提取得到多张第一特征图；所述特征传递包括对多张所述第一特征图进行多次下采样和上采样；所述特征融合包括对所述第一特征图、所述第一特征图经下采样后输出的第二特征图、与所述第二特征图具有同一尺度的上采样输出的第三特征图添加权重后进行融合。
[0010]在一个实施例中，所述船舶检测模型通过以下步骤得到：
[0011]采集船舶的样本SAR图像；
[0012]提取所述样本SAR图像的样本特征信息，生成样本特征信息融合图，所述样本特征信息融合图是通过将所述样本特征信息输入串行连接的多个最大池化层，融合每个所述最大池化层输出的样本特征图得到的；
[0013]对所述样本特征信息融合图嵌入位置信息并生成样本注意力特征图；
[0014]对所述样本注意力特征图进行提取特征层生成多张第一样本特征图；
[0015]将多张所述第一样本特征图进行多次下采样和上采样；
[0016]对所述第一样本特征图、所述第一样本特征图经下采样后输出的第二样本特征图、与所述第二样本特征图具有同一尺度的上采样输出的第三样本特征图添加权重后进行融合，得到第四样本特征图；
[0017]基于所述第四样本特征图，确定所述样本SAR图像的船舶检测结果；
[0018]基于所述样本SAR图像的船舶检测结果进行迭代优化，得到所述船舶检测模型。
[0019]在一个实施例中，所述嵌入位置信息包括确定水平特征编码矩阵和垂直特征编码矩阵；
[0020]所述水平特征编码矩阵是通过对所述特征信息融合图的水平通道注意进行拆分得到的，所述水平特征编码矩阵的公式为：
[0021][0022]其中，h为行，c为通道，W为水平方向的宽度，i为对W的遍历，X
c
(i，h)为第c个通道第h行的特征信息；
[0023]所述垂直特征编码矩阵是通过对所述特征信息融合图的垂直通道注意进行拆分得到的，所述垂直特征编码矩阵的公式为：
[0024][0025]其中，w为列，c为通道，H为垂直方向的宽度，j为对H的遍历，X
c
(j，w)为第c个通道第w列的特征信息。
[0026]在一个实施例中，所述生成注意力特征图包括生成中间特征图，所述中间特征图是由所述水平特征编码矩阵和所述垂直特征编码矩阵，经过空间维度的拼接、卷积和非线性激活函数处理后得到的；所述中间特征图的计算公式为：
[0027]u＝ReLU(λ(Conv([Z
h
，Z
w
])))；
[0028]其中，u为中间特征图，u∈R
C/R
×
(H+W)
，C为通道，H为高，W为宽，R为通道缩减比例参数，[，]为沿着空间维度的拼接，λ为批归一化操作，R为通道缩减比例参数，Conv为卷积，
ReLU为非线性激活函数，Z
h
为水平特征编码矩阵中的特征编码，Z
w
为垂直特征编码矩阵中的特征编码。
[0029]在一个实施例中，所述生成注意力特征图还包括确定特征注意力向量，所述特征注意力向量是由所述中间特征图经过分解、卷积和函数激活处理得到的；所述特征注意力向量的计算公式为：
[0030]g
h
＝Sigmoid(Conv(u
h
))；
[0031]g
w
＝Sigmoid(Conv(u
w
))；
[0032]其中，h为行，c为通道，w为列，Sigmoid为激活函数，Conv为卷积，g
h
为行方向上的注意力向量，g
w
为列方向上的注意力向量，g
h
∈R
C
×
H
×1，g
w
∈R
C
×
W
×1，C为通道，H为高，W为宽，R为通道缩减比例参数。
...

【技术保护点】

【技术特征摘要】
1.一种SAR图像的船舶检测方法，其特征在于，包括：采集船舶的合成孔径雷达SAR图像；将所述SAR图像输入船舶检测模型，获取所述船舶检测模型输出的船舶检测结果；其中，所述船舶检测模型包括特征提取模块和特征增强模块；所述特征提取模块用于提取所述SAR图像的特征信息，并生成特征信息融合图；所述特征信息融合图是通过将所述特征信息输入串行连接的多个最大池化层，融合每个所述最大池化层输出的特征图得到的；所述特征增强模块用于对所述特征信息融合图嵌入位置信息并生成注意力特征图。2.根据权利要求1所述的SAR图像的船舶检测方法，其特征在于，所述船舶检测模型还包括特征融合模块，所述特征融合模块用于对所述注意力特征图进行特征提取、特征传递和特征融合；所述特征提取包括对所述注意力特征图进行特征提取得到多张第一特征图；所述特征传递包括对多张所述第一特征图进行多次下采样和上采样；所述特征融合包括对所述第一特征图、所述第一特征图经下采样后输出的第二特征图、与所述第二特征图具有同一尺度的上采样输出的第三特征图添加权重后进行融合。3.根据权利要求2所述的SAR图像的船舶检测方法，其特征在于，所述船舶检测模型通过以下步骤得到：采集船舶的样本SAR图像；提取所述样本SAR图像的样本特征信息，生成样本特征信息融合图，所述样本特征信息融合图是通过将所述样本特征信息输入串行连接的多个最大池化层，融合每个所述最大池化层输出的样本特征图得到的；对所述样本特征信息融合图嵌入位置信息并生成样本注意力特征图；对所述样本注意力特征图进行提取特征层生成多张第一样本特征图；将多张所述第一样本特征图进行多次下采样和上采样；对所述第一样本特征图、所述第一样本特征图经下采样后输出的第二样本特征图、与所述第二样本特征图具有同一尺度的上采样输出的第三样本特征图添加权重后进行融合，得到第四样本特征图；基于所述第四样本特征图，确定所述样本SAR图像的船舶检测结果；基于所述船舶检测结果进行迭代优化，得到所述船舶检测模型。4.根据权利要求1所述的SAR图像的船舶检测方法，其特征在于，所述嵌入位置信息包括确定水平特征编码矩阵和垂直特征编码矩阵；所述水平特征编码矩阵是通过对所述特征信息融合图的水平通道注意进行拆分得到的，所述水平特征编码矩阵的公式为：其中，h为行，c为通道，W为水平方向的宽度，i为对W的遍历，X
c
(i，h)为第c个通道第h行的特征信息；所述垂直特征编码矩阵是通过对所述特征信息融合图的垂直通道注意进行拆分得到的，所述垂直特征编码矩阵的公式为：
其中，w为列，c为通道，H为垂直方向的宽度，j为对H的遍历，X
c
(j，w)为第c个通道第w列的特征信息。5.根据权利要求4所述的SAR图像的船舶检测方法，其特征在于，所述生成注意力特征图包括生成中间特征图，所述中间特征图是由所述水平特征编码矩阵和所述垂直特征编码矩阵，经过空间维度的拼接、卷积和非线性激活函数处理后得到的；所述中间特征图的计算公式为：u＝ReLU(λ(Conv([Z
h<...

【专利技术属性】
技术研发人员：后兴海，李金辉，侯正方，毕福昆，
申请(专利权)人：北京北方智图信息技术有限公司，
类型：发明
国别省市：