一种SAR图像舰船检测方法与流程

一种sar图像舰船检测方法
技术领域
1.本发明属于雷达检测领域，具体涉及一种sar图像舰船检测方法。


背景技术：

2.星载sar成像幅宽通常很宽，分辨率往往不够高，导致海面舰船在sar图像上成像区域有限，影响舰船目标识别精度。为了解决小尺度sar舰船目标分类问题，“joint convolutional neural network for small-scale ship classification in sar images”（《igarss》）公开了一种卷积神经网络将生成器网络和分类网络相结合，生成器网络用于学习将低分辨率舰船图像转换为高分辨率舰船图像的映射函数，分类网络将生成的高分辨率舰船图像作为输入进行分类。提出联合损失优化策略对模型进行训练优化，实验表明经过生成器生成的舰船图片有效提升了模型分类精度。然而，现有方法不足之处是传统的卷积神经网络模型没有针对舰船检测框做专门的设计，导致结果中检测框一般为正向的矩形框，只能估计舰船的大概位置，很难精准检测舰船轮廓与方位，更不能提取舰船几何、形状、边缘、散射等特征信息。


技术实现要素：

3.为了克服了现有技术中的缺点，本发明提出了一种sar图像舰船检测方法，该方法不仅能够精确获得舰船的位置、方位与轮廓信息，还可以准确估计舰船的几何特征、形状特征、边缘特征等特征信息。具体步骤为：（1）图像预处理图像增强：通过图像灰度直方图均衡化提升sar图像亮度及对比度，使得图像细节信息显示更加明显。
4.图像去噪：然后利用基于nsct的自适应去噪算法对sar图像进行去噪预处理，在去除相干斑噪声的同时保护图像细节纹理信息。
5.（2）舰船位置初步检测基于深层卷积神经网络的sar图像舰船目标检测方法已成为该领域的主流方法，然而在深层的神经网络中，小目标特征信息易丢失，最终导致小目标漏检。针对该问题设计针对小目标的网络结构（sss-yolov3），并引入空洞卷积模块扩大感受视野，实现对sar图像舰船目标的初步检测。
6.海岸附近舰船密集排列，传统非极大抑制策略会去除重叠框中分数较低的预测框。密集区域不同目标的预测框可能会被错误地删除。传统非极大抑制（nms）公式如下：。
7.（3）基于多尺度分割与轮廓估计的舰船目标精确检测多尺度阈值分割：在舰船初步检测基础上，利用全局otsu阈值对sar图像进行二值分割，前景像素值为1，背景像素值为0，并对otsu阈值分割结果进行连通性区域提取，得到
前景的连通区域和背景连通区域。其次，对前景连通区域面积做阈值操作，对小于一定面积的前景区域置为背景区域，以去除海面杂波的影响。最后，对检测结果进行形态学膨胀操作，获得完整的舰船目标区域。
8.特征信息提取：在获得舰船目标精确位置的基础上，采用多层特征融合方法分别计算检测的几何特征（长度、宽度、长宽比、面积、周长等）、形状特征（形状指数等）、边缘特征以及散射特征，实现舰船检测。
9.本发明的有益效果在于：（1）更加精确地检测了sar图像舰船目标的位置、方位与轮廓。
10.针对传统的舰船检测方法只能提取sar图像上舰船的大概位置，采用基于多尺度otsu阈值分割与目标轮廓估计方法，可以获得舰船目标的最小外接矩形，从而提取舰船的精确方位与位置信息。
11.（2）进一步提取了舰船目标的多层特征信息。
12.在获得舰船目标精确位置的基础上，采用多层特征融合方法分别计算检测的几何特征（长度、宽度、长宽比、面积、周长等）、形状特征（形状指数等）、边缘特征以及散射特征等，从而实现对舰船目标更加精确的检测与识别。
附图说明
13.图1为本发明的方法流程图。
14.图2为检测示意图。
具体实施方式
15.本发明的流程和实施例参见图1和图2，具体包括以下步骤：（1）图像预处理选取三幅典型的星载sar图像，通过图像灰度直方图均衡化提升sar图像亮度及对比度；然后利用基于nsct的自适应去噪算法对sar图像的斑点噪声进行消除，可以较大限度地保留图像边缘信息。
16.（2）舰船位置初步检测在sar图像预处理的基础上，采用基于深层卷积神经网络模型（比如sss-yolov3），并引入空洞卷积模块扩大感受视野，实现对sar图像舰船目标的初步检测；（3）舰船目标精确检测在舰船初步检测基础上，利用基于多尺度otsu阈值分割方法对sar图像进行分割，获得舰船目标的最小外接矩形，并基于轮廓估计方法进一步提取舰船的位置与方位信息。在此基础上，采用多层特征融合方法分别计算舰船的几何特征（长度、宽度、长宽比、面积、周长等）、形状特征（形状指数等）、边缘特征以及散射特征等，从而实现对舰船目标更加精确的检测与识别。
17.本发明不局限于上述具体的实施方式，本发明可以有各种更改和变化。凡是依据本发明的技术实质对以上实施方式所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。


技术特征：
1.一种sar图像舰船检测方法，其特征在于：包括以下步骤：（1）图像预处理图像增强：通过图像灰度直方图均衡化提升sar图像亮度及对比度，使得图像细节信息显示更加明显；图像去噪：然后利用基于nsct的自适应去噪算法对sar图像进行去噪预处理，在去除相干斑噪声的同时保护图像细节纹理信息；（2）舰船位置初步检测在sar图像预处理的基础上，采用基于深层卷积神经网络模型，并引入空洞卷积模块扩大感受视野，实现对sar图像舰船目标的初步检测；（3）基于多尺度分割与轮廓估计的舰船目标精确检测多尺度阈值分割：在舰船初步检测基础上，利用全局otsu阈值对sar图像进行二值分割，前景像素值为1，背景像素值为0，并对otsu阈值分割结果进行连通性区域提取，得到前景的连通区域和背景连通区域；其次，对前景连通区域面积做阈值操作，对小于设定面积的前景区域置为背景区域，以去除海面杂波的影响；最后，对检测结果进行形态学膨胀操作，获得完整的舰船目标区域；特征信息提取：在获得舰船目标精确位置的基础上，采用多层特征融合方法分别计算舰船检测的几何特征、形状特征、边缘特征以及散射特征，实现舰船检测。

技术总结
星载SAR成像幅宽通常很宽，分辨率往往不够高，导致海面舰船在SAR图像上成像区域有限，影响舰船目标识别精度。为了克服了现有技术中的缺点，本发明提出了一种SAR图像舰船检测方法，该方法不仅能够精确获得舰船的位置、方位与轮廓信息，还可以准确估计舰船的几何特征、形状特征、边缘特征等特征信息。边缘特征等特征信息。边缘特征等特征信息。


技术研发人员：谢聪 庄龙 郭杰
受保护的技术使用者：中国电子科技集团公司第十四研究所
技术研发日：2021.12.26
技术公布日：2022/4/5