一种高分辨率SAR图像海上目标特征提取方法

本发明涉及合成孔径雷达图像处理领域，更具体地涉及一种高分辨率sar图像海上目标特征提取方法。

背景技术：

1、合成孔径雷达(synthetic aperture radar，sar)具有全天时、全天候、二维高分辨率成像等优势，在空间监测等领域有着广泛的应用。随着海洋经济的快速发展，大范围、高精度和全时段的海上目标特征提取成为热门的研究方向，对海上交通管理、渔业管理等都具有重要意义。sar图像目标特征提取主要是从sar图像中获取目标的几何特征、属性特征，之后用于对目标的进一步研判及分析等。

2、对于高分辨率sar图像幅宽较大，而海上目标在图幅中的占比很少，可以归类为小目标，因此海上目标的特征提取一般分为目标检测和特征提取两个步骤。在目标检测领域，由于海上目标如舰船、海上钻井平台等都具有金属性结构，具有很强的后向散射能力，在sar图像中往往表现为强散射中心的像素点集合，而海面一般表现为低后向散射系数，因此传统的sar目标检测方法恒虚警率检测(cfar)就是通过这一特性将目标与背景区分开来。然而在复杂海况条件下，海面产生的背景杂波增多，海上目标与海面背景的对比度变低，这使得在复杂海况条件下sar图像海上目标检测成为难点。若能精准获得目标区域切片，就可以对目标进行进一步的特征提取。sar图像目标常见的特征主要包括了目标的几何特征和属性特征，目标的几何特征主要以目标的尺寸特征，如长、宽、高、方向、周长、面积等，目标的属性特征一般包括结构特征、形状特征、材料信息等。传统的目标尺寸估计主要包括两个阶段：1)将目标从sar图像中分割出来，区分出sar图像中的目标像素点和非目标像素点；2)对目标进行特征估计。通过结合目标的结构特点，对目标区域进行统计分析运算。

3、然而上述方法还面临着过程复杂、流程冗余的问题。深度学习在计算机视觉领域已经有较多发展，对比于sar目标检测的传统方法，深度学习可以实现端到端的检测过程，在无需海陆分割的条件下改善各种场景的检测结果。

4、因此面对现有方法的缺陷，针对海上目标精准监测的需求，本领域亟需一种结合雷达遥感手段与深度学习机制的海上目标特征方法。

技术实现思路

1、本发明的目的在于提供了一种高分辨率sar海上目标特征提取方法。解决了复杂海况下海上目标的精确检测问题，降低了海上目标检测的虚警率。解决了sar图像目标特征提取过程冗余的问题。将深度学习机制与雷达特性相结合，目标检测后直接获得目标的最小外接矩形，减少了传统提取方法的步骤，提高了目标图像特征提取的自动化程度。解决了精确提取sar海上目标几何特征的问题。通过提取二值图像粗略获得尺寸估计，然后通过精确修正提高了计算精确度。

2、本发明的技术方案是提供了一种高分辨率sar海上目标特征提取方法，该方法包括：

3、步骤1：搭建多级特征金字塔网络，进行高分辨率sar海上目标检测，获得高分辨率sar海上目标切片；

4、步骤2：完成otsu阈值分割，形态学滤波及聚类，获取海上目标切片的二值信息；

5、其中，图像切片表达为y，对应一个二维矩阵，每一个像素点对应为一个样本点，像素的行列数即为图像的坐标位置(,y)，其中x为该像素点的行数，y为该像素点的列数，且1≤x≤m,1≤y≤n，m和n分别为该目标切片的行数和列数；

6、步骤3：通过二值图掩膜，提取海上目标区域幅度信息；将二值图像t与原始图像y进行掩模，得到目标区域幅度图像f；

7、步骤4：通过pca方法进行主轴提取；

8、步骤5：进行几何运算，提取海上目标几何特征，得到目标最终的尺寸特征结果。

9、进一步地，步骤1中具体通过以下方式实现：

10、步骤1.1.融合主干网络中的多尺度特征，得到基础特征；

11、步骤1.2.将基础特征送入一组交替连接的简化u型模块和特征融合模块，每个简化u型模块输出一组多尺度特征图；

12、步骤1.3.将多组多尺度特征图中的等尺寸特征组合，得到多层次特征金字塔，用于目标检测。

13、进一步地，步骤2中具体通过以下方式实现：

14、步骤2.1.对图像y进行直方图均衡化，展示图像的细节，并增强目标区域与背景区域的对比度；

15、再进行两次滤波操作：一次邻域平均滤波，一次掩膜滤波，得到滤波后的图像p；

16、步骤2.2.对图像p进行两次阈值分割以获取目标区域二值图，需要人为设定第一次粗分割的阈值，得到粗略的分割图像，再进一步修正目标区域的大小；

17、设置阈值d1对滤波后的图像做第一次分割，得到第一次分割图像q1：

18、

19、再对分割后图像进行精细分割，修正目标的边缘轮廓：

20、

21、其中，d2＝ρth(imax-imin)+imin，ρth为根据图像设置的比例值，0＜ρth＜1，imax为q1中最大的像素值，imin为q1中除0外的最小像素值，q2是分割后图像；

22、步骤2.3.对分割后图像q2进行形态学滤波，对分割的边缘及内部的空洞进行修正填充；再对图像做聚类处理，筛除噪声点，保留目标所在的连通区域，进而得到目标区域的二值图像t。

23、进一步地，步骤4中具体通过以下方式实现：

24、步骤4.1.提取二值图像t中像素点编码为1的坐标，表达成一个二维的矩阵r(x，y)，矩阵r的大小为c×2，c表示目标像素点的个数，第一列为目标区域所有像素点的横坐标，第二列表示目标像素点的纵坐标；

25、步骤4.2.计算矩阵r的协方差矩阵，求解协方差矩阵的特征值及特征向量，找到最大特征值对应的特征向量即为该目标区域的最大方差投影方向，并计算其垂直方向为该目标区域的次轴方向；

26、步骤4.3.穿过目标区域的质心，沿主轴方向做直线，直线与目标区域相交的部分即为目标的主轴线；

27、其中，目标质心的计算公式为：

28、

29、其中，f(x，y)为目标区域幅度图像f处于(x，y)处的幅值。

30、步骤4.4.目标主轴的起始位置为(xs，ys)，终止位置为(xe，ye)，那么目标主轴的长度可表示为：

31、

32、其中：目标周围出现了伪目标区域，图像的分割结果会将伪目标区域一并归于目标的范围内，导致目标的尺寸估计结果出现误差，需利用先验知识对误差加以修正；对图像进行滤波修正，进行三次滤波，两次滤波沿主轴方向，一次沿次轴方向，去除旁瓣和多余的杂波像素点；主轴是指舰船目标的长度方向，次轴是指舰船目标的宽度方向

33、本发明的有益效果是

34、(1)该方法可以适应多样海况，降低了海上目标检测的虚警率。

35、(2)将深度学习机制与雷达特性相结合，目标检测后直接获得目标的最小外接矩形，减少了传统提取方法的步骤，提高了目标图像特征提取的自动化程度。

36、(3)解决了精确提取sar海上目标几何特征的问题。通过提取二值图像粗略获得尺寸估计，然后通过精确修正提高了计算精确度。