【技术实现步骤摘要】
本专利技术涉及图像处理领域，具体涉及一种基于视觉基础模型的sar图像舰船分割方法及系统。
技术介绍
1、实例分割的目的是定位每个目标的位置、获取类别并给出相应的掩码。简单地说，实例分割可以看作是目标检测任务和语义分割任务的结合。目前，基于深度学习的实例分割包括两类方法：单阶段和双阶段。前者是在mask r-cnn的基础上不断发展起来的，后者则是在两阶段目标检测器的基础上发展起来的。二者的区别在于，单级方法具有速度快、模型小的优点，但分割结果不够精细；而两级方法虽然可以得到更精细的分割结果，但往往模型量较大，推理速度较慢。就目前而言，考虑到实际应用，受硬件资源和实时性的影响，单级方法更趋于主流。例如，yolov8、yolact等，这些方法具有良好的实例分割能力，同时推理速度较快。此外，随着变换器的广泛应用，基于视觉变换器（vit）的实例分割方法也逐渐受到研究者的关注，如cell-detr、mask transfiner等。然而，目前大多数实例分割方法几乎都是针对自然场景中的任务提出的，由于没有考虑到合成孔径雷达图像的特殊性，因此在应用于组合合成孔径雷达领域时性能会下降。目前，通用视觉基础模型正在成为一种新的研究热点，可以迁移到各种下游任务中，这为实例分割任务提供了新的解决思路。
技术实现思路
1、为解决上述背景的技术问题，本专利技术提出如下解决方案：
2、一种基于视觉基础模型的sar图像舰船分割方法，步骤包括：
3、采集待分割的舰船sar图像；
4
5、利用所述sarsam模型完成舰船sar图像的分割。
6、优选的，所述自适应小波软阈值模块基于深度残差收缩网络，利用注意力机制自动获取软阈值，结合离散小波变换，对分解后不同频率范围的特征子带分别实施软阈值去噪处理。
7、优选的，所述离散小波变换的方法包括：
8、首先将所述待分割的舰船sar图像在sam编码器中通过补丁嵌入层中的大卷积核生成具有768个通道的浅层特征，得到特征图；
9、之后对所述特征图进行二维离散小波变换，具体的，将所述特征图沿行方向，分别通过一个低通和高通滤波器后进行下采样获得低频分量和高频分量；接着沿列方向分别对得到的所述低频分量和所述高频分量再通过一个低通和高通滤波器后下采样，最终使所述特征图获得四个子带。
10、优选的，所述软阈值去噪处理的方法包括：对得到的每个子带中的特征图进行全局池化，取绝对值后生成一个大小为c*1*1的向量；然后，将得到的向量通过通道注意，生成一个大小相同的向量，再将二者进行点乘，得出每个通道所需的最终阈值。
11、优选的，所述形态学适配器采用参数效率微调技术，冻结sam模型的原始参数，并引入包含可学习参数的adapter；同时在adapter的基础上进一步引入形态学处理，行成m-adapter，将所述m-adapter插入sam模型编码器各层的多头注意力后方和mlp结构处，用于在微调的同时增强目标的边缘特征。
12、优选的，采用yolov8算法作为所述提示器送入所述sarsam模型，所述提示器的表示如下：
13、，
14、，
15、，
16、，
17、其中，、、、分别表示检测器、图像编码器、提示编码器和掩码编码器； i表示输入图像；表示检测器的输出检测结果；表示图像编码器输出特征；表示检测框获取的稀疏嵌入；表示最终的输出掩码。
18、本专利技术还提供了一种基于视觉基础模型的sar图像舰船分割系统，所述系统用于实现上述方法，包括：采集模块、构建模块和分割模块；
19、所述采集模块用于采集待分割的舰船sar图像；
20、所述构建模块用于构建sarsam模型，所述sarsam模型包括：在基础的sam模型上引入自适应小波软阈值模块、形态学适配器和提示器；所述自适应小波软阈值模块用于去除舰船sar图像中的相干光斑噪声，所述形态学适配器用于减小所述sarsam模型的计算资源，所述提示器用于解决目标不平滑问题；
21、所述分割模块用于利用所述sarsam模型完成舰船sar图像的分割。
22、与现有技术相比，本专利技术的有益效果如下：
23、本专利技术通过创新性设计解决了sam模型在sar领域中应用时性能下降的问题，同时相较于其他sar图像舰船分割方法表现出更优异的性能。使用自适应小波软阈值去噪模块将浅层特征分解成具有不同频率和方向的特征子带，然后自动获取所需要的阈值对各特征子带进行软阈值化，实现对特征的去噪过程。其次，为尽可能节省计算资源，本专利技术采用参数高效微调技术，在标准适配器adapter的基础上引入形态学操作，仅需对少量参数训练即可实现模型在sar数据集上微调。
24、本专利技术可以在公开的sar数据集上进行训练，将训练好的权重保存下来。然后将训练好的模型可权重部署到边缘端设备。当舰船搭载上此设备后，就能对所处海域中附近船只进行精准定位，从而更好地了解其他船只的动态以及当前海域舰船分布情况。
本文档来自技高网...【技术保护点】
1.一种基于视觉基础模型的SAR图像舰船分割方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于视觉基础模型的SAR图像舰船分割方法，其特征在于，所述自适应小波软阈值模块基于深度残差收缩网络，利用注意力机制自动获取软阈值，结合离散小波变换，对分解后不同频率范围的特征子带分别实施软阈值去噪处理。
3.根据权利要求2所述的基于视觉基础模型的SAR图像舰船分割方法，其特征在于，所述离散小波变换的方法包括：
4.根据权利要求3所述的基于视觉基础模型的SAR图像舰船分割方法，其特征在于，所述软阈值去噪处理的方法包括：对得到的每个子带中的特征图进行全局池化，取绝对值后生成一个大小为C*1*1的向量；然后，将得到的向量通过通道注意，生成一个大小相同的向量，再将二者进行点乘，得出每个通道所需的最终阈值。
5.根据权利要求1所述的基于视觉基础模型的SAR图像舰船分割方法，其特征在于，所述形态学适配器采用参数效率微调技术，冻结SAM模型的原始参数，并引入包含可学习参数的Adapter；同时在Adapter的基础上进一步引入形态学处理，行成M-Ad
6.根据权利要求1所述的基于视觉基础模型的SAR图像舰船分割方法，其特征在于，采用YOLOv8算法作为所述提示器送入所述SARSAM模型，所述提示器的表示如下：
7.一种基于视觉基础模型的SAR图像舰船分割系统，所述系统用于实现权利要求1-6任一项所述的方法，其特征在于，包括：采集模块、构建模块和分割模块；
...【技术特征摘要】
1.一种基于视觉基础模型的sar图像舰船分割方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于视觉基础模型的sar图像舰船分割方法，其特征在于，所述自适应小波软阈值模块基于深度残差收缩网络，利用注意力机制自动获取软阈值，结合离散小波变换，对分解后不同频率范围的特征子带分别实施软阈值去噪处理。
3.根据权利要求2所述的基于视觉基础模型的sar图像舰船分割方法，其特征在于，所述离散小波变换的方法包括：
4.根据权利要求3所述的基于视觉基础模型的sar图像舰船分割方法，其特征在于，所述软阈值去噪处理的方法包括：对得到的每个子带中的特征图进行全局池化，取绝对值后生成一个大小为c*1*1的向量；然后，将得到的向量通过通道注意，生成一个大小相同的向量，再将二者进行点乘，得出每个通道所需的...
【专利技术属性】
技术研发人员：陈杰，张朝琛，马克，李慧，黄志祥，李迎松，孙龙，邬伯才，许涛，
申请(专利权)人：安徽大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。