一种SAR图像停泊舰船目标检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114219996A(43)申请公布日2022.03.22(21)申请号202111606610.2G06T7/11(2017.01)(22)申请日2021.12.26G06T7/136(2017.01)G06T7/194(2017.01)(71)申请人中国电子科技集团公司第十四研究G06T7/155(2017.01)所G06T7/73(2017.01)地址210039江苏省南京市雨花台区国睿路8号(72)发明人谢聪庄龙郭杰(74)专利代理机构北京铸成博信知识产权代理事务所(普通合伙)16016代理人张广宇(51)Int.Cl.G06V20/00(2022.01)G06V10/82(2022.01)G06V10/80(2022.01)G06T7/13(2017.01)权利要求书1页说明书3页附图1页(54)发明名称一种SAR图像停泊舰船目标检测方法(57)摘要目前主流的SAR舰船检测方法仍存在许多未解决的难点问题，比如海岸线附近的陆地和人造建筑，如栈道、房屋、塔台等，强散射体给舰船检测造成极大干扰，部分区域有与舰船类似的散射特性，导致现有方法对于海岸线附近舰船检测效果不佳，虚警率较高，很难精准检测近海岸舰船的方位与轮廓。本发明提出了一种SAR图像停泊舰船目标检测方法，该方法不仅能够精确获得海岸线附近停泊舰船的位置、方位、轮廓与特征信息，还可以减少海岸线附近的陆地和人造建筑等强散射体给舰船检测造成的影响。CN114219996ACN114219996A权利要求书1/1页1.一种SAR图像停泊舰船目标检测方法，其特征在于：包括以下步骤：步骤（1）：图像预处理图像增强：采用图像灰度直方图均衡化方法对SAR图像的亮度及对比度进行增强，使得图像细节信息显示更加明显；图像去噪：然后利用基于NSCT的自适应去噪算法对SAR图像进行去噪预处理，在去除相干斑噪声的同时保护图像细节纹理信息；步骤（2）：舰船目标粗检测在SAR图像预处理的基础上，采用基于深层卷积神经网络模型，并引入空洞卷积模块扩大感受视野，实现对SAR图像舰船目标的初步粗检测；步骤（3）：海陆分割与虚警剔除在舰船目标粗检测的基础上，采用多尺度OTSU阈值分割方法对SAR图像进行海陆分割；在海陆分割的基础上，对海陆分割图像进行形态学滤波处理，采用连通域分析方法对舰船与陆地的粘连区域进行分割，并通过长宽比、面积阈值剔除海岸线附近的陆地和人造建筑等强散射体；步骤（4）基于几何轮廓估计的舰船目标精检测利用几何轮廓估计方法提取舰船目标的最小外接矩形，并获得舰船的轮廓边界，采用多层特征融合方法分别计算舰船的几何特征、形状特征、边缘特征以及散射特征，实现停泊舰船目标精检测。2.如权利要求1所述的SAR图像停泊舰船目标检测方法，其特征在于：所述的采用多尺度OTSU阈值分割方法对SAR图像进行海陆分割，具体为：首先，利用全局OTSU阈值对SAR图像进行二值分割，并对OTSU阈值分割结果进行连通性区域提取，得到前景的连通区域和背景连通区域；其次，对前景连通区域面积做阈值操作，对小于一定面积的前景区域置为背景区域，以去除海面杂波的影响。2CN114219996A说明书1/3页一种SAR图像停泊舰船目标检测方法技术领域[0001]本发明属于雷达目标检测领域，具体涉及一种SAR图像停泊舰船目标检测方法。背景技术[0002]“基于级联卷积神经网络的大场景遥感图像舰船目标快速检测方法”（《雷达学报》）公开了一种级联型卷积神经网络检测框架，该检测框架由目标预筛选全卷积网络(P‑FCN)和目标精确检测全卷积网络(D‑FCN)两个全卷积网络级联而成。P‑FCN是一个轻量级的图像分类网络，负责对大场景图像中可能的舰船区域进行快速预筛选，其层数少、训练简单，候选框冗余较少，能够减少后续网络的计算负担；D‑FCN是一个改进的U‑Net网络，通过在传统U‑Net结构中加入目标掩膜和舰船朝向估计层以进行多任务的学习，实现任意朝向舰船目标的精细定位。基于深层卷积神经网络的SAR舰船目标检测方法已成为该领域的主流方法。“Jointconvolutionalneutralnetworkforsmall‑scaleshipclassificationinSARimages”（《IGARSS》）公开了一种卷积神经网络将生成器网络和分类网络相结合，生成器网络用于学习将低分辨率舰船图像转换为高分辨率舰船图像的映射函数，分类网络将生成的高分辨率舰船图像作为输入进行分类。提出联合损失优化策略对模型进行训练优化，实验表明经过生成器生成的舰船图片有效提升了模型分类精度。目前主流的SAR舰船检测方法仍存在许多未解决的难点问题，比如海岸线附近的陆地和人造建筑，如栈道、房屋、塔