一种基于深度阶梯网的极化SAR影像目标检测方法与流程

【
技术领域：
】本发明属于图像处理
技术领域：
，具体涉及一种极化sar影像的目标检测方法，可用于地物分类，具体是一种基于深度阶梯网的极化sar影像目标检测方法。
背景技术：
：合成孔径雷达(sar)作为各种遥感手段中唯一具有全天时全天候遥感成像能力的雷达，在遥感领域具有无可替代的作用，目前已得到广泛应用。极化合成孔径雷达(极化sar)是建立在传统sar体制上的新型sar体制雷达，它的出现极大地拓宽了sar应用领域。随着极化sar系统的推广，所获得的全极化数据也越来越丰富。如何对图像做出快速而准确的解译，如何有效地对目标进行分类或检测，已成为迫切需要解决的一个难题。根据是否利用先验信息，极化sar影像的分类可分为基于单像素点的分类方法和结合邻域信息的分类方法。根据是否需要人工指导，极化sar影像的分类可分为有监督分类、半监督分类和无监督分类。传统大多数方法是有监督的分类方法，例如：复wishart分布的极化相干矩阵监督分类方法，人工神经网络nn和支持向量机svm等方法。除了有监督分类，还可以用无监督或半监督分类实现极化sar影像目标检测。而以上方法都是有监督分类方法，需要大量的有类标数据，成本较高，需耗费大量的人力财力。技术实现要素：针对上述现有技术中存在的问题，本发明的目的在于提供出一种基于深度阶梯网的极化sar影像目标检测方法，该方法仅使用少量有类标样本，即可获得较高的城区目标检测精度。为实现上述目的，本发明的技术方案包括如下步骤：一种基于深度阶梯网的极化sar影像目标检测方法，包括如下步骤：(1)对待检测的极化sar影像的极化相干矩阵t进行lee滤波，得到滤波后的极化相干矩阵t；(2)通过滤波后的极化相干矩阵t求得极化协方差矩阵c；(3)对极化协方差矩阵c进行yamaguchi分解，得到奇次散射能量、偶次散射能量、体散射能量和螺旋体散射能量，取奇次散射能量、偶次散射能量、体散射能量作为极化sar图像的三维图像特征，构成基于像素点的特征矩阵f，并生成伪彩图p；(4)将基于像素点的特征矩阵f中的元素值归一化到[0，1]之间，记作特征矩阵f1；(5)将特征矩阵f1中每个元素取周围16×16的块并拉成一列代表原来的元素值，构成基于图像块的特征矩阵f2；(6)随机选取特征矩阵f2中若干块组成训练集d；(7)使用超像素中的slic算法对伪彩图p进行分割，得到分割好的超像素点，以每个超像素中心点为中心，在特征矩阵f中取其周围16×16的块并拉成一列代表超像素点的值，形成测试集t；(8)构造深度阶梯网目标检测模型；(9)用训练集d对目标检测模型进行训练，得到训练好的模型；(10)利用训练好的模型对测试集t进行分类，得到测试数据集中每个像素点对应的模型的输出。所述步骤(1)中，对待检测的极化sar影像的极化相干矩阵t进行lee滤波，得到滤波后的极化相干矩阵t，其中待检测的极化sar图像大小为1800×1380像素，滤波时选用窗口大小为7×7像素的lee滤波器滤除相干噪声，得到滤波后的极化相干矩阵t，其中，t中每个元素是一个3×3的矩阵。所述步骤(2)中，通过滤波后的极化相干矩阵t求得极化协方差矩阵c，过程如下：c＝atta<1>其中所述步骤(3)中，对极化协方差矩阵c进行yamaguchi分解，步骤如下：(3a)待检测图像的极化协方差矩阵c为：其中，shh表示水平发射、水平接收的同极化分量，svv表示垂直发射、垂直接收的同极化分量，shv表示水平发射、垂直接收的同极化分量，svh表示垂直发射、水平接收的同极化分量；(3b)表面散射的散射矩阵，偶次散射的散射矩阵，体散射的散射矩阵以及yamaguchi提出的第四种螺旋体散射的散射矩阵以及协方差矩阵如下：表面散射的散射矩阵和协方差矩阵分别为式<3>和式<4>：偶次散射的散射矩阵和协方差矩阵分别为式<5>和式<6>：体散射的散射矩阵和协方差矩阵分别为式<7>和式<8>：yamaguchi提出的第四种螺旋体散射的散射矩阵和协方差矩阵分别为式<9>和式<10>：其中α是复数，rth、rtv分别表示角反射器的垂直表面的水平和垂直极化的反射系数，rgh、rgv分别表示角反射器的水平表面的水平和垂直极化的反射系数，β是实数，rh、rv分别表示水平和垂直极化的反射系数；(3c)把任意像元的协方差矩阵看成是四个散射分量协方差矩阵的加权合成：<[c]>＝fs<[c]>surface+fd<[c]>double+fv<[c]>volume+fh<[c]>helix<11>其中fs、fd、fv和fh分别为表面散射分量的系数、偶次散射分量的系数、体散射分量的系数和螺旋体散射分量的系数；(3d)将式<1>-式<10>带入式<11>得到如下方程组：(3e)求解步骤(3d)的方程组，得到表面散射分量的散射功率ps、偶次散射分量的散射功率pd、体散射分量的散射功率pv和螺旋体散射分量的散射功率ph，以及总功率p分别如下：所述步骤(3)中，构成基于像素点的特征矩阵f并生成伪彩图p的过程如下：先定义一个大小为m1×m2×3的特征矩阵f，再将奇次散射能量、偶次散射能量和体散射能量赋给矩阵f，其中m1为待检测极化sar影像的长，m2为待检测极化sar影像的宽，再通过特征矩阵f生成待检测极化sar影像的伪彩图p。所述步骤(4)中，对基于像素点的特征矩阵f归一化，采用特征线性缩放法，具体如下：先求出基于像素点的特征矩阵f的最大值max(f)；再将基于像素点的特征矩阵f中的每个元素均除以最大值max(f)，得到归一化后的特征矩阵f1。所述步骤(7)中，通过超像素中的slic算法对伪彩图p进行分割，初始化种子点40000个，最后得到38925个超像素点，取每个超像素点的中心点周围16×16像素的块代表该超像素点的值，对应的类标即超像素中心点的类标，将每个块拉成一列，组成待检测极化sar影像的测试集t。所述步骤(8)包括如下步骤：(8a)构造网络编码器；(8b)构造网络解码器；(8c)构造网络损失函数。所述步骤(8a)中，构造网络编码器各层参数如下：输入：784个神经元；全连接层1：1000个神经元；全连接层2：500个神经元；全连接层3：250个神经元；softmax分类器：2个神经元。本发明与现有的技术相比具有以下优点：本发明的基于深度阶梯网的极化sar影像目标检测方法利用lee滤波对原始极化sar数据进行预处理，有效降低了相干斑噪声，提高图像的质量和目标检测性能；通过使用yamaguchi分解，相比于其他目标分解方法，该分解可获得常出现在城市区域的螺旋体散射分量，该分量有利于区分出城区目标和非城区目标；通过将像素级特征扩展成图像块特征，可同时获取谱段信息和空间信息；通过使用超像素方法，减少了数据量，降低了模型测试时间；通过将应用于自然图像分类问题的阶梯网络应用到极化sar影像的目标检测中，在仅使用少量有类标样本的情况下便可获得很高的目标检测精度，能够用于地物分类。【附图说明】图1是本发明的基于深度阶梯网的极化sar影像目标检测方法实现流程图；图2是本发明中对待检测影像的人工标记图；图3是本发明中yamaguchi分解的三分量构成的伪彩图；图4是用本发明对待检测影像的检测结果图。其中：1-城区目标，2-非目标，3-未标记像素。【具体实施方式】以下结合附图和实施例对本发明的实现步骤和实验效果作进一步详细描述：实施例参照图1，本发明的基于深度阶梯网的极化sar影像目标检测方法具体实现步骤如下：步骤1，输入待检测的极化sar影像，对该极化sar影像的极化相干矩阵t进行lee滤波，得到滤波后的极化相干矩阵t；待检测的极化sar图像选用由全极化sar系统获得的旧金山海湾sanfranciscobay图像，图像大小为1800×1380像素；输入一幅待分类极化sar影像的极化相干矩阵，并用窗口大小为7×7像素的lee滤波器滤除相干噪声，得到滤波后的极化相干矩阵t，其中，t中每个元素是一个3×3的矩阵；步骤2，由滤波后的极化相干矩阵t求得极化协方差矩阵c：已知极化协方差矩阵c、极化相干矩阵t的转换公式为：c＝atta<1>其中步骤3，对极化协方差矩阵c进行yamaguchi分解，得到奇次散射能量、偶次散射能量、体散射能量和螺旋体散射能量，取奇次散射能量、偶次散射能量和体散射能量作为极化sar影像的3维图像特征，构成基于像素点的特征矩阵f，并生成伪彩图p；具体步骤如下：(3a)待检测图像的极化协方差矩阵c为：其中，shh表示水平发射、水平接收的同极化分量，svv表示垂直发射、垂直接收的同极化分量，shv表示水平发射、垂直接收的同极化分量，svh表示垂直发射、水平接收的同极化分量；(3b)表面散射的散射矩阵，偶次散射的散射矩阵，体散射的散射矩阵以及yamaguchi提出的第四种螺旋体散射的散射矩阵以及协方差矩阵分别如下：表面散射的散射矩阵和协方差矩阵分别为式<3>和式<4>：偶次散射的散射矩阵和协方差矩阵分别为式<5>和式<6>：体散射的散射矩阵和协方差矩阵分别为式<7>和式<8>：yamaguchi提出的第四种螺旋体散射的散射矩阵和协方差矩阵分别为式<9>和式<10>：其中α是复数，rth、rtv分别表示角反射器的垂直表面的水平和垂直极化的反射系数，rgh、rgv分别表示角反射器的水平表面的水平和垂直极化的反射系数，β是实数，rh、rv分别表示水平和垂直极化的反射系数；(3c)把任意像元的协方差矩阵看成是四个散射分量协方差矩阵的加权合成：<[c]>＝fs<[c]>surface+fd<[c]>double+fv<[c]>volume+fh<[c]>helix<11>其中fs、fd、fv和fh分别为表面散射分量的系数、偶次散射分量的系数、体散射分量的系数和螺旋体散射分量的系数；(3d)将式<1>-式<10>带入式<11>得到如下方程组：(3e)求解步骤(3d)的方程组即式<8>，得到表面散射分量的散射功率ps、偶次散射分量的散射功率pd、体散射分量的散射功率pv和螺旋体散射分量的散射功率ph，以及总功率计算公式分别如下：(3f)定义一个大小为m1×m2×3的特征矩阵f，并将奇次散射能量、偶次散射能量和体散射能量赋给矩阵f，得到基于像素点的特征矩阵f，其中m1为待检测极化sar影像的长，m2为待分检测极化sar影像的宽；(3h)再通过特征矩阵f生成待检测极化sar影像的伪彩图p；步骤4，对基于像素点的特征矩阵f归一化，归一化方法有：特征线性缩放法、特征标准化和特征白化，本实例采用特征线性缩放法，即先求出基于像素点的特征矩阵f的最大值max(f)；再将基于像素点的特征矩阵f中的每个元素均除以最大值max(f)，得到归一化后的特征矩阵f1；步骤5，将特征矩阵f1中每个元素取周围16×16像素的块的块并拉成一列代表原来的元素值，构成基于图像块的特征矩阵f2；用归一化后的特征矩阵f1中每个元素取周围16×16像素的块代表原来的元素值，因此这个块的类标仍是原来元素值的类标，由于特征矩阵是三维的，因此每个块大小为16×16×3，将第三维依次拉成3个长为256的向量，将3个向量合成一个长为768的向量，由此构成了基于图像块的特征矩阵f2；步骤6，随机选取f2中若干块组成训练集d，即将将f2中的样本均匀打乱，选取前60000个已标记的样本组成训练集d；步骤7，使用超像素中的slic算法对伪彩图p进行分割，得到分割好的超像素点，以每个超像素中心点为中心，在特征矩阵f中取其周围16×16的块并拉成一列代表超像素点的值，形成测试集t，具体如下：使用超像素中的slic算法对p进行分割，初始化种子点40000个，最后得到38925个超像素点，取每个超像素点的中心点周围16×16的块代表该超像素点的值，对应的类标即超像素中心点的类标，将每个块拉成一列，组成待检测极化sar影像的测试集t；步骤8，构造深度阶梯网目标检测模型，包括如下步骤：(8a)构造网络编码器：基于多层感知器(mlp)的编码器包含干净部分和有损部分，两部分共享一组参数，有损部分每层加入均值为0标准差为0.3的高斯噪声，编码器的结构为：输入→全连接层1→全连接层2→全连接层3→softmax分类器，各层参数如下：输入：784个神经元；全连接层1：1000个神经元；全连接层2：500个神经元；全连接层3：250个神经元；softmax分类器：2个神经元，待分类样本需分为城区目标和非城区目标，因此softmax分类器包含2个神经元；(8b)构造解码器，包括如下步骤：解码器对编码器中有损部分从输出到输入的每一层依次进行重构，重构函数如下：表示解码器第l层第i(i＝1,2，...,ml)个神经元的输出，其中ml表示第l层的神经元个数，表示编码器有损部分第l层第i个神经元的输出，表示的权重，表示先验，是降噪函数，其中，i，l均为正整数；(8c)构造损失函数，具体如下：cc是交叉熵损失函数，表示有监督部分的损失t(n)表示类标，是编码器有损部分的输出，x(n)是编码器的输入，cd表示无监督部分的损失，λl表示l层重构误差的权重，n表示输入的样本个数，n＝1,2,...,n，ml表示第l层的神经元个数，zl(n)表示编码器干净部分第l层的输出，表示解码器重构的第l层的输出，l表示解码器的层数，n和l为正整数；步骤9，用训练集d对目标检测模型进行训练，得到训练好的目标检测模型，具体如下：将训练集d作为分类模型的输入，训练数据集d中每个像素点的类别作为分类模型的输出，通过求解上述类别与人工标记的正确类别之间的误差并对误差进行反向传播，来优化分类模型的网络参数，得到训练好的分类模型，人工标记的正确类标如图2所示，1表示城区目标，为白色，2表示非目标，为黑色，3表示未标记像素，为红色；步骤10，利用训练好的模型对测试集t进行分类，得到测试数据集中每个像素点对应的模型的输出，具体如下：将测试集t作为训练好的目标检测模型的输入，模型的输出为对测试数据集中每个像素点进行分类得到的分类类别。本发明的效果可以通过以下仿真实验进一步说明：1.仿真条件：硬件平台为：hp-z820；软件平台为：tensorflow；2.仿真内容与结果：用本发明方法在上述仿真条件下进行实验，即从极化sar数据已标记的像素点中随机选取60000个像素点(约占待检测影像的3％)作为训练样本，训练样本中城区目标和非城区目标的比例与待检测极化sar影像中的城目标和非城区目标的比例相等。选取60000个样本中的10000个样本作为有类标样本，其余50000个为无类标样本，整幅待检测极化sar影像中已标记的像素点作为测试样本，得到如图3的检测结果。从图3可以看出：深度阶梯网的检测结果的区域一致性较好，城区目标可以完整地检测出来，城区目标和非目标的边缘也非常清晰，且保持了细节信息；本发明的训练样本大小固定为60000个，改变训练样本中有类标样本数，使有类标样本分别为60000个、1000个、100个，将本发明与多层感知器mlp的测试数据集分类精度进行对比，结果如表1所示：表1有类标样本(mlp训练样本)mlp本发明6000096.883％98.012％1000095.901％97.257％100095.144％96.689％10094.432％95.760％从表1可见，训练样本中有类标样本分别为60000,10000,1000,100时，本发明的测试数据集分类精度均高于多层感知器mlp。综上，本发明通过使用深度阶梯网，有效提高了图像特征的表达能力，增强了模型的泛化能力，使得在训练样本极少的情况下仍可以达到很高的目标检测精度。当前第1页12