基于C2C的自监督SAR海杂波抑制方法、系统、存储介质及设备

基于c2c的自监督sar海杂波抑制方法、系统、存储介质及设备
技术领域
1.本发明涉及一种sar海杂波抑制方法，属于雷达图像处理技术领域。


背景技术：

2.合成孔径雷达(synthetic aperture radar，sar)技术在海洋监测领域有着无可争辩的优势，利用合成孔径雷达对海面目标，尤其是舰船目标进行检测有着广泛的应用前景。然而，由海洋表面的强烈反射造成的海杂波是sar图像解释和感兴趣目标检测的典型问题。这个问题会导致sar图像质量下降并影响sar遥感各种应用技术的性能，如舰船目标检测及分类问题。目前已经提出了几种方法来抑制sar图像中的海杂波，包括多视处理、平滑、自适应空间域滤波器等。然而为传统算法手动选择合适的参数并不容易，并且很难在保留不同图像特征和去除杂波之间取得平衡。
3.为了解决传统方法的限制，目前已经开发了一些基于深度学习的方法。这些方法大多采用基于卷积神经网络的架构进行训练，通过将sar图像杂波抑制转换为一个回归任务，并以端到端的方式输出干净的无杂波图像。上述算法需要成对的无杂波和有杂波图像进行监督训练，存在的最大的问题就是缺乏无杂波的真实数据。


技术实现要素：

4.本发明是为了解决现实中缺乏无杂波的真实数据，从而导致不能有效地利用现有的深度学习技术对sar杂波进行抑制的问题。
5.基于c2c的自监督sar海杂波抑制方法，包括以下步骤：
6.首先对待抑制的宽幅场景sar进行裁剪，形成测试切片集；
7.然后对每个测试切片s进行处理：在用于cv-unet++训练的杂波切片集中随机选取n个杂波切片(c1,c2,...,cn)，并按照c2c策略将测试切片s与n个杂波切片(c1,c2,...,cn)相减得到
8.将输入到训练好的cv-unet++中，得到n个杂波抑制后的切片(τ1,t2,...,tn)，取为测试切片s的最终杂波抑制效果图；
9.所述的cv-unet++的训练过程包括以下步骤：
10.s1、样本库建立：
11.将用于训练的sar图像分为两个区域，感兴趣目标所在区域为目标区，背景杂波所在区域为杂波区；
12.在sar图像中的目标区随机选取一个像素点作为中心点，并裁剪为w
×
h目标切片，形成目标切片集；
13.在杂波区随机裁剪同样尺寸的杂波切片，形成杂波切片集，杂波切片不能与目标区有重叠；
14.s2、c2c策略：
15.在目标切片集中随机选取一个目标切片s，然后在杂波切片集中随机选取两个杂波切片c1和c2，并构造复数域sar图像对
16.s3、将cv-unet++作为杂波抑制模型φ
θ
，利用复数域sar图像对训练杂波抑制模型φ
θ
，得到训练好的cv-unet++网络。
17.进一步地，所述对待抑制的宽幅场景sar进行裁剪的过程中，按照w
×
h＝128
×
128的尺寸对宽幅场景sar进行裁剪。
18.进一步地，所述对待抑制的宽幅场景sar进行裁剪时各个测试切片之间没有交叠。
19.进一步地，所述训练杂波抑制模型φ
θ
的过程中使用均方误差损失函数优化φ
θ
，如下所示
[0020][0021]
其中，θ代表φ
θ
的参数。
[0022]
基于c2c的自监督sar海杂波抑制系统，所述系统用于执行所述的基于c2c的自监督sar海杂波抑制方法。
[0023]
一种存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于c2c的自监督sar海杂波抑制方法。
[0024]
一种设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于c2c的自监督sar海杂波抑制方法。本发明具有的有益效果是：
[0025]
(a)本发明创新性地提出了一种基于自监督训练策略c2c的sar海杂波抑制框架。该框架既不需要干净、无杂波sar图像，也不需要来自同一场景的重复观测sar图像，即可实现较好的杂波抑制效果，克服了监督学习需要干净、无杂波sar图像的弊端。
[0026]
(b)本发明创新性地提出一种复数域深度学习网络cv-unet++，并将cv-unet++用于海杂波抑制，充分利用了sar图像的幅度和相位信息，相对于实数域unet++网络，cv-unet++网络具有更好的杂波抑制性能。
[0027]
(c)本发明利用深度学习技术，显着提高抑制sar海杂波效果，并具有更好的保留感兴趣目标的完整特征，有利于后续sar图像处理过程。
附图说明
[0028]
图1是基于自监督训练策略c2c的sar海杂波抑制流程图；
[0029]
图2是cv-unet++架构图；
[0030]
图3是训练区域测试区域选取示意图，其中r0为训练区域，r1-r2为测试区域；
[0031]
图4是杂波抑制结果。其中，(a1)是测试区域r1的原始图像，(b1)-(c1)是unet++和cv-unet++在r1上的杂波抑制结果；(a2)是测试区域r2的原始图像，(b2)-(c2)是unet++和cv-unet++在r1上的杂波抑制结果。
具体实施方式
[0032]
具体实施方式一：结合图1说明本实施方式，
[0033]
为了解决传统方法与深度学习方法的限制，本发明提出了一种基于新的自监督训练策略c2c进行sar海杂波抑制，不需要只包含目标而不存在任何杂波的标签，也不需要来自同一场景的重复观测sar图像；同时，为了充分利用sar图像的幅度和相位信息，本发明使用c2c策略训练cv-unet++网络模型进行海杂波抑制，具有较好的抑制杂波效果，并能很好地保留感兴趣目标的完整信息。
[0034]
本实施方式所述的基于c2c的自监督sar海杂波抑制方法，包括以下步骤：
[0035]
s1、样本库建立
[0036]
首先将sar图像分为两个区域，感兴趣目标所在区域为目标区，背景杂波所在区域为杂波区。
[0037]
在sar图像中的目标区随机选取一个像素点作为中心点，并裁剪尺寸为128
×
128的目标切片，形成目标切片集。
[0038]
在杂波区随机裁剪同样尺寸的杂波切片，形成杂波切片集，杂波切片不能与目标区有重叠。
[0039]
需要注意的是，目标切片中包含目标和背景杂波两部分，而杂波切片仅包含背景杂波。
[0040]
s2、c2c策略
[0041]
在目标切片集中随机选取一个目标切片s，然后在杂波切片集中随机选取两个杂波切片c1和c2，并构造复数域sar图像对
[0042]
s3、为了充分利用sar图像的幅度和相位信息，设计cv-unet++作为杂波抑制模型φ
θ
。cv-unet++的输入是输出是抑制杂波之后的切片。
[0043]
cv-unet++网络如图2所示，cv-unet++是unet++向复数域扩展而来，cv-unet++中的卷积层与激活函数属于复数域。
[0044]
训练杂波抑制网络φ
θ
，训练时不需要只包含目标而不存在任何杂波的标签，标签可以是杂波与目标共存情况。训练过程中使用均方误差(mse)损失函数优化φ
θ
，如下所示
[0045][0046]
其中，θ代表φ
θ
的参数。
[0047]
cv-unet++的卷积层前向传播过程为：前一层的输出a
l-1
与第l个卷积层的权值矩阵w
l
卷积，并加上偏置b
l
得到z
l
，z
l
经复数域激活函数激活得到卷积层的输出a
l
，计算过程可以表述为如下公式
[0048][0049]
其中，复数域激活函数表述为对复数的实部和虚部分别激活；σ(
·
)代表实数域激活函数，本发明使用leaky-relu；符号*代表卷积操作；分别代表复数的实部
和虚部，为第l个卷积层的权值矩阵w
l
的实部，为w
l
的虚部；为第l-1层输出a
l-1
的实部，为a
l-1
的虚部；为第l层的偏置b
l
的实部，为b
l
的虚部。当l＝1时，即在第一个卷积层中，输入的是j表示虚数单位。
[0050]
cv-unet++的卷积层反向传播过程为：若第l个卷积层的误差项为δ
l
，则l-1层的误差项可推导为
[0051][0052]
其中，σ
′
(
·
)代表实数域激活函数σ(
·
)的导数；符号
⊙
代表hadamard product；rot180(
·
)代表矩阵旋转180度。
[0053]
第l个卷积层权值的梯度为
[0054][0055][0056]
则卷积层的权值更新公式如下：
[0057][0058][0059]
s4、宽幅场景sar海杂波抑制
[0060]
首先按照w
×
h＝128
×
128的尺寸对宽幅场景sar进行裁剪，形成测试切片集。
[0061]
需要注意的是，这里对宽幅场景sar的裁剪并不是滑窗，各个测试切片之间没有交叠。
[0062]
对每个测试切片s进行处理：在用于cv-unet++训练的杂波切片集中随机选取n个杂波切片(c1,c2,...,cn)，并按照c2c策略将测试切片s与n个杂波切片(c1,c2,...,cn)相减得到
[0063]
将输入到训练好的cv-unet++中，得到n个杂波抑制后的切片(τ1,t2,...,tn)，取为测试切片s的最终杂波抑制效果图。
[0064]
对测试切片集中的所有切片均执行上述处理，再将杂波抑制后的切片拼接成最终的宽幅场景sar海杂波抑制输出。
[0065]
在杂波强度较弱的情况下，n取1即可，在海杂波反射较强的情况下，n可视情况增大。
[0066]
本发明具有的有益效果是：
[0067]
(a)本发明创新性地提出了一种基于自监督训练策略c2c的sar海杂波抑制框架。该框架既不需要干净、无杂波sar图像，也不需要来自同一场景的重复观测sar图像，即可实现较好的杂波抑制效果，克服了监督学习需要干净、无杂波sar图像的弊端。
[0068]
(b)本发明创新性地提出一种复数域深度学习网络cv-unet++，并将cv-unet++用于海杂波抑制，充分利用了sar图像的幅度和相位信息，相对于实数域unet++网络，cv-unet++网络具有更好的杂波抑制性能。
[0069]
(c)本发明利用深度学习技术，显着提高抑制sar海杂波效果，并具有更好的保留感兴趣目标的完整特征，有利于后续sar图像处理过程。
[0070]
具体实施方式二：
[0071]
本实施方式为基于c2c的自监督sar海杂波抑制系统，所述系统用于执行所述的基于c2c的自监督sar海杂波抑制方法。
[0072]
具体实施方式三：
[0073]
本实施方式为一种存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于c2c的自监督sar海杂波抑制方法。
[0074]
具体实施方式四：
[0075]
本实施方式为一种设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于c2c的自监督sar海杂波抑制方法。
[0076]
实施例
[0077]
按照具体实施方式一的方法进行海杂波抑制，其包含样本库建立、c2c策略、宽幅场景sar海杂波抑制三个部分。
[0078]
样本库建立部分的具体步骤为：
[0079]
(1)框选sar图像中的感兴趣目标，主要是舰船目标。感兴趣目标所在区域为目标区，背景杂波所在区域为杂波区；
[0080]
(2)在sar图像中的目标区随机选取一个像素点作为中心点，并裁剪尺寸为128
×
128的目标切片，形成目标切片集；
[0081]
(3)在杂波区随机裁剪同样尺寸的杂波切片，形成杂波切片集，杂波切片不能与目标区有重叠。
[0082]
基于c2c的自监督sar海杂波抑制方法中的sar宽幅场景海杂波抑制部分的具体步骤为：
[0083]
1)将图3所示的r0区域作为训练区域，按照样本库建立部分的步骤，生成目标切片集与杂波切片集；
[0084]
2)按照c2c策略训练cv-unet++网络；
[0085]
3)将图3所示的r1和r2区域作为测试区域，按照w
×
h＝128
×
128的尺寸对宽幅场景sar进行裁剪，形成测试切片集；
[0086]
4)选取一个测试切片，再在杂波切片集中随机选取n个杂波切片(c1,c2,...,cn)，并按照c2c策略将测试切片s与n个杂波切片(c1,c2,...,cn)相减得到
[0087]
5)将输入到训练好的cv-unet++中，得到n个杂波抑制后的切片(τ1,
t2,...,tn)，取为测试切片s的最终杂波抑制效果图；
[0088]
6)若测试切片集全部处理完毕，则转到步骤7，否则转到步骤4；
[0089]
7)将测试切片集全部处理结果按顺序拼接为宽幅场景sar图像，作为最终杂波抑制结果输出，效果如图4所示。
[0090]
分别利用unet++以及cv-unet++对测试区域r1与r2进行杂波抑制，结果如下图4所示。信杂比被用来比较各个杂波抑制方法的性能，各方法杂波抑制后信杂比统计结果如下表1所示，表1是unet++与cv-unet++信杂比统计(db)结果。由图4定性分析可得，unet++和cv-unet++对背景杂波均具有较好的抑制效果，其中cv-unet++的效果更优。我们注意到，cv-unet++在保留目标能量的情况下抑制了杂波能量。相对于传统方法，用c2c策略训练的cv-unet++最大程度地保留了目标信息的原始性与完整性，几乎不会对目标蕴含的信息，甚至是目标散焦部分的信息，造成损失。这充分体现了c2c策略与深度学习网络用于sar海杂波抑制的优势。由表1定量分析可得，深度学习方法杂波抑制后的图像具有更高的信杂比，而其中又以cv-unet++的信杂比最大。综上，无论是从定性还是定量的角度分析，由c2c策略训练的cv-unet++均具有较好的杂波抑制性能。
[0091]
表1 unet++与cv-unet++信杂比统计(db)
[0092][0093]
在配置为xeon(r)silver 4110cpu，显卡为nvidia geforce rtx 1080的计算机上对不同方法的计算效率进行统计分析。统计各个方法对测试区域r1和r2的处理时间，结果如下表2所示，表2是unet++与cv-unet++计算效率统计(s)解雇。由表2可得，unet++与cv-unet++两个深度学习方法的处理时间与传统方法基本相当。由于复数运算的复杂性，cv-unet++的处理时间大约是unet++的两倍。
[0094]
表2 unet++与cv-unet++计算效率统计(s)
[0095][0096]
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。