极化SAR图像海上船舶检测识别方法

本发明涉及极化sar遥感图像处理，具体涉及一种极化sar图像海上船舶检测识别方法。

背景技术：

1、传统船舶目标检测识别方法一般是基于极化sar图像的物理特性，例如散射特性、统计特性等极化特性与纹理特性等图像特性进行人工设计的，物理意义明确。例如，基于散射特性的方法主要是利用船舶目标和海杂波不同的后向散射特性来进行目标检测。其中极化目标分解方法是最常用的分析散射特性的方法，通过分解极化协方差矩阵或极化相干矩阵来对船舶目标的散射特性建模。然而，其性能依赖于研究人员对散射特性的理解程度，且不同极化模式、角度下，船舶目标与背景杂波所表现出的散射特性均具有多样性，这种散射多样性会造成解译模糊问题，增加船-海区分难度。

2、随着深度学习等新技术的不断发展，基于深度学习的极化sar图像船舶目标检测识别方法不断涌现。然而，深度学习方法的物理可解释性较差，极化sar图像与光学图像在成像机理上的差异也使得为光学图像设计的深度网络无法学习到极化sar图像复杂的物理特性。现有的基于深度学习的极化sar图像船舶目标检测识别方法可分为两类：第一类是不利用物理特性的方法，该类方法通常提出适用于极化sar数据格式的深度模型来直接从极化sar图像中学习船舶目标的特征并进行船舶检测。第二类是极化特征连接深度网络的方法，该类方法将手工提取的极化特征作为深度网络的输入进行进一步船舶目标检测。由于物理特性的有效性及传统建模方法的较高复杂度，第二类方法是目前主流的结合方法。然而这两类方法都没有实现深度网络对物理特性的自主建模。

3、在进行自主建模时，为了提升船-海区分度，可以利用不同极化基下极化特性的多样性，例如利用线性极化基提取目标的介电特性，利用圆极化基提取目标的表面粗糙度特征。但极化基的选择没有固定标准，如何选取合适的极化基以提升船-海的区分度，在极化sar图像船舶目标与物理特性之间通过深度网络建立可解释的映射关系是亟需解决的技术问题。

技术实现思路

1、本发明提出了一种极化sar图像海上船舶检测识别方法，以解决现有技术难以通过对极化基进行选择得到合适散射特征的技术问题。

2、为解决上述技术问题，本发明提供了一种极化sar图像海上船舶检测识别方法，包括以下步骤：

3、步骤s1：针对待检测识别的极化sar图像，计算极化方位角、椭圆率角和绝对相位项极化基参数空间下目标的极化相干矩阵与若干种典型散射模型的极化相干矩阵的散射相似性，得到散射特征；

4、步骤s2：通过滑动窗口遍历极化sar图像，得到纹理特征；

5、步骤s3：提取极化sar图像中的船舶统计特征；

6、步骤s4：将所述散射特征、纹理特征和统计特征进行融合后，输入单阶段检测识别网络进行检测识别，得到待检测识别的极化sar图像中的船舶目标。

7、优选地，所述散射模型包括表面散射模型、偶次散射模型、四种体散射模型和两种螺旋散射模型中的一种或多种。

8、优选地，步骤s1中计算散射相似性的方法包括：计算原始极化相干矩阵的上三角实值元素的加权和，权重设置为极化方位角、椭圆率角和绝对相位项的函数。

9、优选地，步骤s1在计算散射相似性时，设置有偏置参数。

10、优选地，步骤s2包括：通过滑动窗口遍历极化sar图像，通过中心像素和其相应的邻域像素之间的差值得到距离矩阵，从而得到纹理特征。

11、优选地，所述距离矩阵通过空间重要性参数矩阵进行优化，得到纹理特征，c表示滑动窗口通道数，i和j均表示感受野。

12、优选地，所述空间重要性参数矩阵为5x5矩阵，可学习参数为。

13、优选地，当非学习参数位于矩阵对角线时，取对角线上两个相邻可学习参数的均值，位于其它位置时取两个相邻可学习参数的均值。

14、优选地，将经过空间重要性参数矩阵进行优化的距离矩阵通过9组由通道重要性参数构成的1x1卷积核进行进一步优化得到综合距离矩阵，通过所述综合距离矩阵对输入滑动窗口的每个通道进行加权求和，对纹理特征进行增强。

15、优选地，步骤s3包括：

16、步骤s31：通过矢量化3x3邻域获得1x9的一阶基元，将所述一阶基元与权重矩阵相乘得到一阶统计特征；

17、步骤s32：将当前基元的转置与一阶基元相乘进行升阶；

18、步骤s33：通过9x1的优化矩阵对升阶后的基元进行线性优化；

19、步骤s34：通过9x9的优化矩阵对优化后的基元进行再次线性优化；

20、步骤s35：将优化后的当前基元与权重矩阵相乘得到k阶统计特征；

21、步骤s36：重复步骤s32至步骤s35直到k等于设定的阶数；

22、步骤s37：将一阶统计特征至k阶统计特征进行拼接，得到最后的船舶统计特征。

23、本发明的有益效果至少包括：本发明通过将极化方位角、椭圆率角和绝对相位项三种极化基参数空间中目标与多种典型散射模型进行映射，计算其散射相似性来分析目标的散射成分，通过参数化和可学习化极化sar图像船舶目标与典型散射模型间的映射关系，探索散射特征学习方法，以充分利用船舶散射特性的多样性，从而提升船舶目标的可辨别性。

技术特征：

1.一种极化sar图像海上船舶检测识别方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种极化sar图像海上船舶检测识别方法，其特征在于：所述散射模型包括表面散射模型、偶次散射模型、四种体散射模型和两种螺旋散射模型中的一种或多种。

3.根据权利要求1所述的一种极化sar图像海上船舶检测识别方法，其特征在于：步骤s1中计算散射相似性的方法包括：计算原始极化相干矩阵的上三角实值元素的加权和，权重设置为极化方位角、椭圆率角和绝对相位项的函数。

4.根据权利要求3所述的一种极化sar图像海上船舶检测识别方法，其特征在于：步骤s1在计算散射相似性时，通过1x1卷积核进行计算，所述卷积核设置有偏置参数。

5.根据权利要求1所述的一种极化sar图像海上船舶检测识别方法，其特征在于：步骤s2包括：通过滑动窗口遍历极化sar图像，通过中心像素和其相应的邻域像素之间的差值得到距离矩阵从而得到纹理特征。

6.根据权利要求5所述的一种极化sar图像海上船舶检测识别方法，其特征在于：所述距离矩阵通过空间重要性参数矩阵进行优化，得到纹理特征，c表示滑动窗口通道数，i和j均表示感受野。

7.根据权利要求6所述的一种极化sar图像海上船舶检测识别方法，其特征在于：所述空间重要性参数矩阵为5x5矩阵，可学习参数为。

8.根据权利要求7所述的一种极化sar图像海上船舶检测识别方法，其特征在于：当非学习参数位于矩阵对角线时，取对角线上两个相邻可学习参数的均值，位于其它位置时取两个相邻可学习参数的均值。

9.根据权利要求5所述的一种极化sar图像海上船舶检测识别方法，其特征在于：将经过空间重要性参数矩阵进行优化的距离矩阵通过9组由通道重要性参数构成的1x1卷积核进行进一步优化得到综合距离矩阵，通过所述综合距离矩阵对输入滑动窗口的每个通道进行加权求和，对纹理特征进行增强。

10.根据权利要求1所述的一种极化sar图像海上船舶检测识别方法，其特征在于：步骤s3包括：

技术总结本发明提供了一种极化SAR图像海上船舶检测识别方法，包括以下步骤：针对待检测识别的极化SAR图像，计算极化方位角、椭圆率角和绝对相位项极化基参数空间下目标的极化相干矩阵与若干种典型散射模型的极化相干矩阵的散射相似性，得到散射特征；通过滑动窗口遍历极化SAR图像，得到纹理特征；提取极化SAR图像中的船舶统计特征；将散射特征、纹理特征和统计特征进行融合后，输入检测识别网络进行检测识别，得到极化SAR图像中的船舶目标。基于参数学习思想充分利用了船舶目标在不同极化基参数空间中的散射特性以及邻域内的纹理特性和统计特性，通过对拼接后的散射‑纹理‑统计特征进行学习得到船舶目标的位置和类别。技术研发人员：张清怡,刘立国,吴荣华,侯小阳,王子旋,刘涛受保护的技术使用者：中国人民解放军海军工程大学技术研发日：技术公布日：2024/7/29