本发明属于图像处理领域，特别是一种涉及高分辨率sar图像目标检测的方法，可应用于目标识别。
背景技术：
合成孔径雷达sar是一种全天候的高分辨率雷达，在地形测绘、海洋观测、大气与环境调查、军事目标识别及自然灾害监测等诸多领域有着广泛的应用。sar的全天候、全天时、远距离及极强的穿透能力，使得sar与其它遥感雷达、光学雷达相比有很多差异和优势。例如sar图像的分割、分类、目标检测、目标识别等均有广泛的应用。sar的成像不受天气、光线等因素的影响，而在很大程度上依赖于雷达自身的特性和成像区域的地物特征。与传统光学图像不同，sar图像本质上反映的是目标的电磁散射特性和结构特性，sar图像的灰度级变化缓慢，并且伴随有大量的相干斑噪声，因此传统的光学图像的目标检测方法并不适用于sar图像。
针对sar图像的这些特性，主要有以下几种多传统的sar图像处理方法：
一.基于sar图像伴随的大量相干班噪声的处理方法。这种方法首先对sar图像进行滤波处理来削弱相干斑的影响，再对滤波后的图像采用光学图像的分割、分类或目标识别方法进行处理。常用的sar图像滤波方法包括frost滤波、sigma滤波、均值滤波、中值滤波、kuan滤波、lee滤波、最大后验概率滤波和边缘保持最优化滤波等方法。经过滤波削弱相干斑的影响后，采用光学图像的处理方法进行处理，处理效果有所提升，但滤波过程会丢失图像的边缘信息和细节信息，这将导致目标检测结果轮廓不准确，对目标难以进行精确的检测，对后续工作造成影响；
二.基于图像对比度的目标检测方法。这类方法首先确定sar图像杂波背景的统计分布，再根据背景的统计特性求取检测阈值来进行比较判断。常用的方法有恒虚警率cfar检测算法、单元平均恒虚警率ca-cfar方法、skewness-cfar检测方法、os-cfar方法、go-cfar方法、so-cfar方法、增强型cfar等方法。这些传统的目标检测方法各有其适用场合，但随着合成孔径雷达的不断发展，sar图像的分辨率越来越高，sar图像的场景内容变的更为复杂，传统sar图像目标检测算法已经不适用于当前高分辨率sar图像，这种不适应性主要体现在两个方面，一是传统sar图像分布模型不能很好的逼近高分辨sar图像的分布，二是高分辨sar图像的背景分布变化具有一定的连续性，传统sar图像分布模型不能很好的模拟这种特性，这将导致检测结果的边缘模糊，检测结果准确性差；
三.基于图像其他特征的目标检测方法。常用的方法包括基于目标聚类的方法、基于扩展分形特征的方法、多分辨等方法。这些方法的预处理尺度、分割采用的阈值等很难确定，提取高分辨sar图像特征的复杂度高，在有大量数据的高分辨率sar图像中操作难度大。
随着多合成孔径雷达的不断发展，sar图像的分辨率越来越高，数据量越来越大，人们对sar图像的目标检测的要求也越来越高，对检测效果的评价也更为严苛，主要表现，在以下几个方面：同质区域的内部一致性要高，要将目标检测为一个整体，不同的目标应该被有效的区分；目标边界的清晰度、检测的正确率要高；算法的实用性、可操作性要高。而以上的sar图像目标检测方法都有一定的缺陷，不能满足检测的要求。
技术实现要素：
本发明的目的在于针对上述传统方法的不足，采用一种基于变结构卷积神经网络cnn的高分辨sar图像目标检测方法，以减小对高分辨率sar图像提取特征的复杂度，提高检测结果的准确性，实现对目标更精确的检测。
本发明对高分辨sar图像进行目标检测，利用深度卷积神经网络cnn良好的特征学习能力和分类能力将高分辨率sar图像中的目标从背景中检测出来，并将目标的一半阴影区域作为目标的一部分加入到训练样本的目标图像中，实现对目标的补偿。
本发明的技术方案是：通过构建一个变结构的深度卷积神经网络cnn，对高分辨sar图像的背景、经过补偿的车辆目标的特征进行学习，对变结构的卷积神经网络cnn进行训练，然后将待检测的高分辨率sar图像输入到完成训练的变结构卷积神经网络cnn中，得到最终目标检测结果，其实现方案包括如下：
1)采用尺寸为74×74，滑动步长为5的滑动窗，对含有车辆目标的高分辨sar图像相应的背景区域和车辆目标区域滑动，取得图像子块作为训练样本，并对训练样本的图像子块确定标签；
2)设计包括9层变结构的卷积神经网络cnn，其自下而上依次包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层和第五卷积层；
3)将训练样本中的每个图像依次输入到步骤2)设计的变结构卷积神经网络cnn中，对该网络进行训练，得到车辆目标检测模型；
4)将待检测的高分辨sar图像输入到步骤3)得到的车辆目标检测模型中，得到目标检测结果。
本发明与现有的技术相比具有以下优点：
1、本发明将目标看作一个类别，将背景这种非目标区域看成一个类别，用分类的方法完成了高分辨率sar图像的目标检测，使得高分辨率sar图像目标检测效果更好；
2、本发明由于采用变结构的卷积神经网络cnn，使得卷积神经网络cnn的所有层之间的连接都是稀疏连接，减少了参数规模和整个网络的运行时间，并减少了过拟合问题出现的可能。
3、本发明采用变结构卷积神经网络cnn自动对高分辨sar图像的特征进行学习，能获取有效的图像特征，解决了传统方法提取高分辨sar图像特征复杂度高的问题。
4、本发明由于在训练样本的目标图像中加入了目标的一半阴影区域，对目标进行了补偿，使检测结果更加的准确；
仿真结果表明，本发明方法较传统卷积神经网络cnn能更有效的进行高分辨sar图像车辆目标检测。
附图说明
图1是本发明的实现流程示意图；
图2是本发明采用的变结构卷积神经网络cnn结构图；
图3是本发明在一幅简单背景的高分辨率sar图像的仿真结果图；
图4是本发明在一副包含复杂地物信息的高分辨率sar图像上的仿真结果图。
具体实施方式
参照图1，本发明的实现步骤如下：
步骤一、构建训练样本。
采用尺寸为74×74，滑动步长为5的滑动窗，对含有车辆目标的高分辨sar图像相应的背景区域和车辆目标区域滑动，取得的图像子块作为训练样本，并对训练样本中的每个图像子块确定标签。
由于机载sar系统的成像角度和干扰问题，高分辨sar图像的目标检测结果是不准确的，为了使检测到的目标更加准确，本发明在训练样本中的每个目标图像加入目标的一半阴影区域，对目标进行补偿。因而本实例所构建的训练样本包含两类图像，即背景类图像和目标类图像，每个背景类图像仅包含背景区域，每个目标类图像除了包含目标，还包含目标的一半阴影区域。
步骤二、设计变结构卷积神经网络cnn。
本实例设计的变结构卷积神经网络cnn是对传统卷积神经网络的改进，即用两个卷积层代替了传统卷积神经网络的全连接层，使卷积神经网络的所有网络层间的连接变成稀疏连接，极大地减少了网络的参数规模和整个网络的运行时间，并减少了网络出现过拟合问题的可能。
参照图2，本实例改进后的变结构卷积神经网络cnn共包括9层，其自下而上依次包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层和第五卷积层，各层参数如下：
输入层为74×74大小的图像；
第一卷积层的卷积核大小为3×3，卷积核个数为16，卷积步长为1，激活函数为线性修正单元relu；
第一池化层的池化大小为2×2，池化步长为2，池化方法为最大池化；
第二卷积层的卷积核大小为5×5，卷积核个数为32，卷积步长为1，激活函数为线性修正单元relu；
第二池化层的池化大小为2×2，池化步长为2，池化方法为最大池化；
第三卷积层的卷积核大小为5×5，卷积核个数为32，卷积步长为1，激活函数为线性修正单元relu；
第三池化层的池化大小为2×2，池化步长为2，池化方法为最大池化；
第四卷积层的卷积核大小为4×4，卷积核个数为64，卷积步长为1，激活函数为线性修正单元relu，采用dropout策略，以0.5的概率将该层的输出设置为零；
第五卷积层的卷积核大小为3×3，卷积核个数为2，卷积步长为1，激活函数为线性修正单元relu。
本实例中的激活函数采用线性修正单元relu，该线性修正单元relu相较于传统的激活函数sigmoid和tanh函数，不仅能够保留结果中的正数，而且能够解决梯度消失的问题，并加快网络的收敛速度。
步骤三、用训练样本对变结构卷积神经网络cnn进行训练。
3a)随机生成卷积神经网络cnn第二层至第九层的权值wj和偏置bj，其中j为网络每一层权值和偏置的个数；
3b)给第一层输入一张训练图像s，第一层输出仍为s,再通过前向传导公式依次计算第二层至第九层的输出o(i)(x)：
其中，i为网络层数，i＝2,...,9，m表示输入的集合，
3c)根据训练图像的标签y和步骤3b)计算网络的第九层输出o(x)，再通过如下公式计算网络第九层偏差δ(9)：
δ(9)＝-(y-o(x))；
3d)通过如下公式依次反向计算网络第八层至第二层的偏差：
其中，f'(·)表示对函数f(·)求导，(·)t表示转置，i'表示网络的层数，i'＝2,...,8，
3e)根据网络第二层到第九层的偏差，通过如下公式计算网络第二层到第九层的权值梯度
其中，j(w,b)为损失函数；
3f)通过如下公式更新网络的权值和偏置：
其中，α为网络学习率，
3g)对训练样本中的每张图像重复步骤3b)-3f),直到训练样本中的所有图像完成操作，得到车辆目标检测模型。
步骤四、用车辆目标模型对待检测图像进行检测。
4a)通过尺寸为74×74，滑动步长为1的滑动窗对待检测高分辨sar图像滑动取块，得到待检测图像子块；
4b)将待检测图像子块输入步骤三得到的车辆目标检测模型中进行检测；
4c)对检测结果图求取联通区域的质心，即得到高分辨sar图像的车辆目标检测结果。
本发明的效果可通过以下仿真进一步说明：
1.仿真内容：
从检测目标结果的完整性、误检情况、目标位置信息这些方面评价本发明和现有方法的检测性能。
实验1，用本发明方法和传统卷积神经网络对简单背景下的高分辨率sar图像进行目标检测，结果如图3，其中：图3(a)为待检测图像，图3(b)为用传统卷积神经网络对图3(a)的检测结果，图3(c)为用本发明方法对图3(a)的检测结果。
从图3可见，传统卷积神经网络将两个目标都检测了出来，检测到的目标完整性较差，且错误的将一个背景区域检测成了目标，检测到目标的位置信息较实际的目标位置偏移较大；相比之下，本发明将待检测图像中的两个目标都检测了出来，检测到的车辆目标结果的完整性较好，没有出现误检情况，检测到的车辆目标的位置信息也较为准确。
实验2，用本发明方法和传统卷积神经网络对包含复杂地物信息的高分辨率sar图像进行目标检测，结果如图4，其中：图4(a)为待检测图像，图4(b)为用传统卷积神经网络对图4(a)的检测结果，图4(c)为用本发明方法对图4(a)的检测结果。
从图4可见，传统卷积神经网络将两个目标都检测了出来，检测到的目标完整性较差，并错误的将一个背景区域检测成了目标，检测到目标的位置信息较实际的目标位置偏移较大；相比之下，本发明方法将两个目标都检测了出来，检测到的目标的完整性较好，没有出现误检情况，检测到的目标的位置信息更为准确。