【
技術(shù)領(lǐng)域：
】本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，具體涉及一種極化sar影像的目標(biāo)檢測方法，可用于地物分類，具體是一種基于深度階梯網(wǎng)的極化sar影像目標(biāo)檢測方法。
背景技術(shù)：
：合成孔徑雷達(dá)(sar)作為各種遙感手段中唯一具有全天時全天候遙感成像能力的雷達(dá)，在遙感領(lǐng)域具有無可替代的作用，目前已得到廣泛應(yīng)用。極化合成孔徑雷達(dá)(極化sar)是建立在傳統(tǒng)sar體制上的新型sar體制雷達(dá)，它的出現(xiàn)極大地拓寬了sar應(yīng)用領(lǐng)域。隨著極化sar系統(tǒng)的推廣，所獲得的全極化數(shù)據(jù)也越來越豐富。如何對圖像做出快速而準(zhǔn)確的解譯，如何有效地對目標(biāo)進(jìn)行分類或檢測，已成為迫切需要解決的一個難題。根據(jù)是否利用先驗信息，極化sar影像的分類可分為基于單像素點的分類方法和結(jié)合鄰域信息的分類方法。根據(jù)是否需要人工指導(dǎo)，極化sar影像的分類可分為有監(jiān)督分類、半監(jiān)督分類和無監(jiān)督分類。傳統(tǒng)大多數(shù)方法是有監(jiān)督的分類方法，例如：復(fù)wishart分布的極化相干矩陣監(jiān)督分類方法，人工神經(jīng)網(wǎng)絡(luò)nn和支持向量機(jī)svm等方法。除了有監(jiān)督分類，還可以用無監(jiān)督或半監(jiān)督分類實現(xiàn)極化sar影像目標(biāo)檢測。而以上方法都是有監(jiān)督分類方法，需要大量的有類標(biāo)數(shù)據(jù)，成本較高，需耗費(fèi)大量的人力財力。技術(shù)實現(xiàn)要素：針對上述現(xiàn)有技術(shù)中存在的問題，本發(fā)明的目的在于提供出一種基于深度階梯網(wǎng)的極化sar影像目標(biāo)檢測方法，該方法僅使用少量有類標(biāo)樣本，即可獲得較高的城區(qū)目標(biāo)檢測精度。為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括如下步驟：一種基于深度階梯網(wǎng)的極化sar影像目標(biāo)檢測方法，包括如下步驟：(1)對待檢測的極化sar影像的極化相干矩陣t進(jìn)行l(wèi)ee濾波，得到濾波后的極化相干矩陣t；(2)通過濾波后的極化相干矩陣t求得極化協(xié)方差矩陣c；(3)對極化協(xié)方差矩陣c進(jìn)行yamaguchi分解，得到奇次散射能量、偶次散射能量、體散射能量和螺旋體散射能量，取奇次散射能量、偶次散射能量、體散射能量作為極化sar圖像的三維圖像特征，構(gòu)成基于像素點的特征矩陣f，并生成偽彩圖p；(4)將基于像素點的特征矩陣f中的元素值歸一化到[0，1]之間，記作特征矩陣f1；(5)將特征矩陣f1中每個元素取周圍16×16的塊并拉成一列代表原來的元素值，構(gòu)成基于圖像塊的特征矩陣f2；(6)隨機(jī)選取特征矩陣f2中若干塊組成訓(xùn)練集d；(7)使用超像素中的slic算法對偽彩圖p進(jìn)行分割，得到分割好的超像素點，以每個超像素中心點為中心，在特征矩陣f中取其周圍16×16的塊并拉成一列代表超像素點的值，形成測試集t；(8)構(gòu)造深度階梯網(wǎng)目標(biāo)檢測模型；(9)用訓(xùn)練集d對目標(biāo)檢測模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的模型；(10)利用訓(xùn)練好的模型對測試集t進(jìn)行分類，得到測試數(shù)據(jù)集中每個像素點對應(yīng)的模型的輸出。所述步驟(1)中，對待檢測的極化sar影像的極化相干矩陣t進(jìn)行l(wèi)ee濾波，得到濾波后的極化相干矩陣t，其中待檢測的極化sar圖像大小為1800×1380像素，濾波時選用窗口大小為7×7像素的lee濾波器濾除相干噪聲，得到濾波后的極化相干矩陣t，其中，t中每個元素是一個3×3的矩陣。所述步驟(2)中，通過濾波后的極化相干矩陣t求得極化協(xié)方差矩陣c，過程如下：c＝atta<1>其中所述步驟(3)中，對極化協(xié)方差矩陣c進(jìn)行yamaguchi分解，步驟如下：(3a)待檢測圖像的極化協(xié)方差矩陣c為：其中，shh表示水平發(fā)射、水平接收的同極化分量，svv表示垂直發(fā)射、垂直接收的同極化分量，shv表示水平發(fā)射、垂直接收的同極化分量，svh表示垂直發(fā)射、水平接收的同極化分量；(3b)表面散射的散射矩陣，偶次散射的散射矩陣，體散射的散射矩陣以及yamaguchi提出的第四種螺旋體散射的散射矩陣以及協(xié)方差矩陣如下：表面散射的散射矩陣和協(xié)方差矩陣分別為式<3>和式<4>：偶次散射的散射矩陣和協(xié)方差矩陣分別為式<5>和式<6>：體散射的散射矩陣和協(xié)方差矩陣分別為式<7>和式<8>：yamaguchi提出的第四種螺旋體散射的散射矩陣和協(xié)方差矩陣分別為式<9>和式<10>：其中α是復(fù)數(shù)，rth、rtv分別表示角反射器的垂直表面的水平和垂直極化的反射系數(shù)，rgh、rgv分別表示角反射器的水平表面的水平和垂直極化的反射系數(shù)，β是實數(shù)，rh、rv分別表示水平和垂直極化的反射系數(shù)；(3c)把任意像元的協(xié)方差矩陣看成是四個散射分量協(xié)方差矩陣的加權(quán)合成：<[c]>＝fs<[c]>surface+fd<[c]>double+fv<[c]>volume+fh<[c]>helix<11>其中fs、fd、fv和fh分別為表面散射分量的系數(shù)、偶次散射分量的系數(shù)、體散射分量的系數(shù)和螺旋體散射分量的系數(shù)；(3d)將式<1>-式<10>帶入式<11>得到如下方程組：(3e)求解步驟(3d)的方程組，得到表面散射分量的散射功率ps、偶次散射分量的散射功率pd、體散射分量的散射功率pv和螺旋體散射分量的散射功率ph，以及總功率p分別如下：所述步驟(3)中，構(gòu)成基于像素點的特征矩陣f并生成偽彩圖p的過程如下：先定義一個大小為m1×m2×3的特征矩陣f，再將奇次散射能量、偶次散射能量和體散射能量賦給矩陣f，其中m1為待檢測極化sar影像的長，m2為待檢測極化sar影像的寬，再通過特征矩陣f生成待檢測極化sar影像的偽彩圖p。所述步驟(4)中，對基于像素點的特征矩陣f歸一化，采用特征線性縮放法，具體如下：先求出基于像素點的特征矩陣f的最大值max(f)；再將基于像素點的特征矩陣f中的每個元素均除以最大值max(f)，得到歸一化后的特征矩陣f1。所述步驟(7)中，通過超像素中的slic算法對偽彩圖p進(jìn)行分割，初始化種子點40000個，最后得到38925個超像素點，取每個超像素點的中心點周圍16×16像素的塊代表該超像素點的值，對應(yīng)的類標(biāo)即超像素中心點的類標(biāo)，將每個塊拉成一列，組成待檢測極化sar影像的測試集t。所述步驟(8)包括如下步驟：(8a)構(gòu)造網(wǎng)絡(luò)編碼器；(8b)構(gòu)造網(wǎng)絡(luò)解碼器；(8c)構(gòu)造網(wǎng)絡(luò)損失函數(shù)。所述步驟(8a)中，構(gòu)造網(wǎng)絡(luò)編碼器各層參數(shù)如下：輸入：784個神經(jīng)元；全連接層1：1000個神經(jīng)元；全連接層2：500個神經(jīng)元；全連接層3：250個神經(jīng)元；softmax分類器：2個神經(jīng)元。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點：本發(fā)明的基于深度階梯網(wǎng)的極化sar影像目標(biāo)檢測方法利用lee濾波對原始極化sar數(shù)據(jù)進(jìn)行預(yù)處理，有效降低了相干斑噪聲，提高圖像的質(zhì)量和目標(biāo)檢測性能；通過使用yamaguchi分解，相比于其他目標(biāo)分解方法，該分解可獲得常出現(xiàn)在城市區(qū)域的螺旋體散射分量，該分量有利于區(qū)分出城區(qū)目標(biāo)和非城區(qū)目標(biāo)；通過將像素級特征擴(kuò)展成圖像塊特征，可同時獲取譜段信息和空間信息；通過使用超像素方法，減少了數(shù)據(jù)量，降低了模型測試時間；通過將應(yīng)用于自然圖像分類問題的階梯網(wǎng)絡(luò)應(yīng)用到極化sar影像的目標(biāo)檢測中，在僅使用少量有類標(biāo)樣本的情況下便可獲得很高的目標(biāo)檢測精度，能夠用于地物分類?！靖綀D說明】圖1是本發(fā)明的基于深度階梯網(wǎng)的極化sar影像目標(biāo)檢測方法實現(xiàn)流程圖；圖2是本發(fā)明中對待檢測影像的人工標(biāo)記圖；圖3是本發(fā)明中yamaguchi分解的三分量構(gòu)成的偽彩圖；圖4是用本發(fā)明對待檢測影像的檢測結(jié)果圖。其中：1-城區(qū)目標(biāo)，2-非目標(biāo)，3-未標(biāo)記像素?！揪唧w實施方式】以下結(jié)合附圖和實施例對本發(fā)明的實現(xiàn)步驟和實驗效果作進(jìn)一步詳細(xì)描述：實施例參照圖1，本發(fā)明的基于深度階梯網(wǎng)的極化sar影像目標(biāo)檢測方法具體實現(xiàn)步驟如下：步驟1，輸入待檢測的極化sar影像，對該極化sar影像的極化相干矩陣t進(jìn)行l(wèi)ee濾波，得到濾波后的極化相干矩陣t；待檢測的極化sar圖像選用由全極化sar系統(tǒng)獲得的舊金山海灣sanfranciscobay圖像，圖像大小為1800×1380像素；輸入一幅待分類極化sar影像的極化相干矩陣，并用窗口大小為7×7像素的lee濾波器濾除相干噪聲，得到濾波后的極化相干矩陣t，其中，t中每個元素是一個3×3的矩陣；步驟2，由濾波后的極化相干矩陣t求得極化協(xié)方差矩陣c：已知極化協(xié)方差矩陣c、極化相干矩陣t的轉(zhuǎn)換公式為：c＝atta<1>其中步驟3，對極化協(xié)方差矩陣c進(jìn)行yamaguchi分解，得到奇次散射能量、偶次散射能量、體散射能量和螺旋體散射能量，取奇次散射能量、偶次散射能量和體散射能量作為極化sar影像的3維圖像特征，構(gòu)成基于像素點的特征矩陣f，并生成偽彩圖p；具體步驟如下：(3a)待檢測圖像的極化協(xié)方差矩陣c為：其中，shh表示水平發(fā)射、水平接收的同極化分量，svv表示垂直發(fā)射、垂直接收的同極化分量，shv表示水平發(fā)射、垂直接收的同極化分量，svh表示垂直發(fā)射、水平接收的同極化分量；(3b)表面散射的散射矩陣，偶次散射的散射矩陣，體散射的散射矩陣以及yamaguchi提出的第四種螺旋體散射的散射矩陣以及協(xié)方差矩陣分別如下：表面散射的散射矩陣和協(xié)方差矩陣分別為式<3>和式<4>：偶次散射的散射矩陣和協(xié)方差矩陣分別為式<5>和式<6>：體散射的散射矩陣和協(xié)方差矩陣分別為式<7>和式<8>：yamaguchi提出的第四種螺旋體散射的散射矩陣和協(xié)方差矩陣分別為式<9>和式<10>：其中α是復(fù)數(shù)，rth、rtv分別表示角反射器的垂直表面的水平和垂直極化的反射系數(shù)，rgh、rgv分別表示角反射器的水平表面的水平和垂直極化的反射系數(shù)，β是實數(shù)，rh、rv分別表示水平和垂直極化的反射系數(shù)；(3c)把任意像元的協(xié)方差矩陣看成是四個散射分量協(xié)方差矩陣的加權(quán)合成：<[c]>＝fs<[c]>surface+fd<[c]>double+fv<[c]>volume+fh<[c]>helix<11>其中fs、fd、fv和fh分別為表面散射分量的系數(shù)、偶次散射分量的系數(shù)、體散射分量的系數(shù)和螺旋體散射分量的系數(shù)；(3d)將式<1>-式<10>帶入式<11>得到如下方程組：(3e)求解步驟(3d)的方程組即式<8>，得到表面散射分量的散射功率ps、偶次散射分量的散射功率pd、體散射分量的散射功率pv和螺旋體散射分量的散射功率ph，以及總功率計算公式分別如下：(3f)定義一個大小為m1×m2×3的特征矩陣f，并將奇次散射能量、偶次散射能量和體散射能量賦給矩陣f，得到基于像素點的特征矩陣f，其中m1為待檢測極化sar影像的長，m2為待分檢測極化sar影像的寬；(3h)再通過特征矩陣f生成待檢測極化sar影像的偽彩圖p；步驟4，對基于像素點的特征矩陣f歸一化，歸一化方法有：特征線性縮放法、特征標(biāo)準(zhǔn)化和特征白化，本實例采用特征線性縮放法，即先求出基于像素點的特征矩陣f的最大值max(f)；再將基于像素點的特征矩陣f中的每個元素均除以最大值max(f)，得到歸一化后的特征矩陣f1；步驟5，將特征矩陣f1中每個元素取周圍16×16像素的塊的塊并拉成一列代表原來的元素值，構(gòu)成基于圖像塊的特征矩陣f2；用歸一化后的特征矩陣f1中每個元素取周圍16×16像素的塊代表原來的元素值，因此這個塊的類標(biāo)仍是原來元素值的類標(biāo)，由于特征矩陣是三維的，因此每個塊大小為16×16×3，將第三維依次拉成3個長為256的向量，將3個向量合成一個長為768的向量，由此構(gòu)成了基于圖像塊的特征矩陣f2；步驟6，隨機(jī)選取f2中若干塊組成訓(xùn)練集d，即將將f2中的樣本均勻打亂，選取前60000個已標(biāo)記的樣本組成訓(xùn)練集d；步驟7，使用超像素中的slic算法對偽彩圖p進(jìn)行分割，得到分割好的超像素點，以每個超像素中心點為中心，在特征矩陣f中取其周圍16×16的塊并拉成一列代表超像素點的值，形成測試集t，具體如下：使用超像素中的slic算法對p進(jìn)行分割，初始化種子點40000個，最后得到38925個超像素點，取每個超像素點的中心點周圍16×16的塊代表該超像素點的值，對應(yīng)的類標(biāo)即超像素中心點的類標(biāo)，將每個塊拉成一列，組成待檢測極化sar影像的測試集t；步驟8，構(gòu)造深度階梯網(wǎng)目標(biāo)檢測模型，包括如下步驟：(8a)構(gòu)造網(wǎng)絡(luò)編碼器：基于多層感知器(mlp)的編碼器包含干凈部分和有損部分，兩部分共享一組參數(shù)，有損部分每層加入均值為0標(biāo)準(zhǔn)差為0.3的高斯噪聲，編碼器的結(jié)構(gòu)為：輸入→全連接層1→全連接層2→全連接層3→softmax分類器，各層參數(shù)如下：輸入：784個神經(jīng)元；全連接層1：1000個神經(jīng)元；全連接層2：500個神經(jīng)元；全連接層3：250個神經(jīng)元；softmax分類器：2個神經(jīng)元，待分類樣本需分為城區(qū)目標(biāo)和非城區(qū)目標(biāo)，因此softmax分類器包含2個神經(jīng)元；(8b)構(gòu)造解碼器，包括如下步驟：解碼器對編碼器中有損部分從輸出到輸入的每一層依次進(jìn)行重構(gòu)，重構(gòu)函數(shù)如下：表示解碼器第l層第i(i＝1,2，...,ml)個神經(jīng)元的輸出，其中ml表示第l層的神經(jīng)元個數(shù)，表示編碼器有損部分第l層第i個神經(jīng)元的輸出，表示的權(quán)重，表示先驗，是降噪函數(shù)，其中，i，l均為正整數(shù)；(8c)構(gòu)造損失函數(shù)，具體如下：cc是交叉熵?fù)p失函數(shù)，表示有監(jiān)督部分的損失t(n)表示類標(biāo)，是編碼器有損部分的輸出，x(n)是編碼器的輸入，cd表示無監(jiān)督部分的損失，λl表示l層重構(gòu)誤差的權(quán)重，n表示輸入的樣本個數(shù)，n＝1,2,...,n，ml表示第l層的神經(jīng)元個數(shù)，zl(n)表示編碼器干凈部分第l層的輸出，表示解碼器重構(gòu)的第l層的輸出，l表示解碼器的層數(shù)，n和l為正整數(shù)；步驟9，用訓(xùn)練集d對目標(biāo)檢測模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的目標(biāo)檢測模型，具體如下：將訓(xùn)練集d作為分類模型的輸入，訓(xùn)練數(shù)據(jù)集d中每個像素點的類別作為分類模型的輸出，通過求解上述類別與人工標(biāo)記的正確類別之間的誤差并對誤差進(jìn)行反向傳播，來優(yōu)化分類模型的網(wǎng)絡(luò)參數(shù)，得到訓(xùn)練好的分類模型，人工標(biāo)記的正確類標(biāo)如圖2所示，1表示城區(qū)目標(biāo)，為白色，2表示非目標(biāo)，為黑色，3表示未標(biāo)記像素，為紅色；步驟10，利用訓(xùn)練好的模型對測試集t進(jìn)行分類，得到測試數(shù)據(jù)集中每個像素點對應(yīng)的模型的輸出，具體如下：將測試集t作為訓(xùn)練好的目標(biāo)檢測模型的輸入，模型的輸出為對測試數(shù)據(jù)集中每個像素點進(jìn)行分類得到的分類類別。本發(fā)明的效果可以通過以下仿真實驗進(jìn)一步說明：1.仿真條件：硬件平臺為：hp-z820；軟件平臺為：tensorflow；2.仿真內(nèi)容與結(jié)果：用本發(fā)明方法在上述仿真條件下進(jìn)行實驗，即從極化sar數(shù)據(jù)已標(biāo)記的像素點中隨機(jī)選取60000個像素點(約占待檢測影像的3％)作為訓(xùn)練樣本，訓(xùn)練樣本中城區(qū)目標(biāo)和非城區(qū)目標(biāo)的比例與待檢測極化sar影像中的城目標(biāo)和非城區(qū)目標(biāo)的比例相等。選取60000個樣本中的10000個樣本作為有類標(biāo)樣本，其余50000個為無類標(biāo)樣本，整幅待檢測極化sar影像中已標(biāo)記的像素點作為測試樣本，得到如圖3的檢測結(jié)果。從圖3可以看出：深度階梯網(wǎng)的檢測結(jié)果的區(qū)域一致性較好，城區(qū)目標(biāo)可以完整地檢測出來，城區(qū)目標(biāo)和非目標(biāo)的邊緣也非常清晰，且保持了細(xì)節(jié)信息；本發(fā)明的訓(xùn)練樣本大小固定為60000個，改變訓(xùn)練樣本中有類標(biāo)樣本數(shù)，使有類標(biāo)樣本分別為60000個、1000個、100個，將本發(fā)明與多層感知器mlp的測試數(shù)據(jù)集分類精度進(jìn)行對比，結(jié)果如表1所示：表1有類標(biāo)樣本(mlp訓(xùn)練樣本)mlp本發(fā)明6000096.883％98.012％1000095.901％97.257％100095.144％96.689％10094.432％95.760％從表1可見，訓(xùn)練樣本中有類標(biāo)樣本分別為60000,10000,1000,100時，本發(fā)明的測試數(shù)據(jù)集分類精度均高于多層感知器mlp。綜上，本發(fā)明通過使用深度階梯網(wǎng)，有效提高了圖像特征的表達(dá)能力，增強(qiáng)了模型的泛化能力，使得在訓(xùn)練樣本極少的情況下仍可以達(dá)到很高的目標(biāo)檢測精度。當(dāng)前第1頁12