一种基于轮廓增强和多层次信息交互增强的SAR舰船检测方法

本发明涉及雷达舰船检测，具体为一种基于轮廓增强和多层次信息交互增强的sar舰船检测方法。

背景技术：

1、合成孔径雷达(synthetic aperture radar，sar)是一种遥感技术，利用微波信号创建地球表面的高分辨率图像。与传统的海上监视方法相比，sar技术具有多种优势，包括能够实现全天候连续观测。因此，它在民用和军事领域得到了广泛的应用。随着来自卫星和机载平台的sar数据越来越多，sar船舶检测有望变得更加广泛，并在海上监视和监测中发挥重要作用。由于sar成像的特殊性，sar图像的人工解释是一个耗时、费时费力的过程，大量的数据没有得到充分利用。因此，sar图像中的船舶检测是一个有吸引力困难且有意义的研究方向。

2、sar图像目标检测技术的发展可以从传统sar目标检测和基于深度学习的sar船舶检测两个方面来介绍。传统的sar图像检测算法主要分为三个步骤：预处理、候选区域提取和目标区分。候选区域提取使用常虚警率方法，通过统计建模和虚警率阈值，将超过阈值的像素识别为舰船，低于阈值的则为背景。目标区分采用人工设计的特征和分类器，包括长度、宽度、纵横比等简单特征，以及利用计算机视觉技术引入的更鲁棒的特征。基于深度学习的目标检测方法根据执行的步骤和方法的不同主要分为单阶段和两阶段检测算法。两阶段检测器将目标检测任务分为两个阶段。首先，通过一个区域提议网络生成候选目标区域。然后，再对这些区域进行分类和边界框回归，得到最终的目标检测结果。单阶段目标检测器不需要生成候选区域而是一次性直接预测目标的位置和类别。它们使用单个神经网络来同时输出目标的位置坐标和类别概率，因而拥有更快的检测速度。

3、虽然上述方法具有优异的性能，但在直接应用于sar船舶探测时，仍存在一些问题需要解决。现有的目标检测器大多数都是基于可见光图像设计的，许多研究都是直接将其用于sar图像检测，并没有考虑到sar图像的特性。sar图像中存在复杂的海岸线、港口、浮标等背景干扰，这些背景易与目标舰船混淆，降低检测的准确性。舰船的尺寸和角度会随着距离、姿态和运动状态的变化而变化，这意味着在不同条件下，舰船的sar反射特征呈现多样性，从而导致检测误报或漏报。

技术实现思路

1、本发明的目的在于提供一种基于轮廓增强和多层次信息交互增强的sar舰船检测方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于轮廓增强和多层次信息交互增强的sar舰船检测方法，包括如下步骤：

3、s110、构建用于轮廓增强的sar舰船图像预处理方法，将获取的ssdd数据集用所述预处理方法进行处理，并对处理后的数据集按一定比例划分为训练集、测试集和验证集；

4、s120、构建用于sar图像舰船目标检测的基于多层次信息交互增强网络的yolox网络模型，利用训练集对网络模型进行训练，获取最优检测模型；

5、s130、利用训练得到的最优检测模型对待检测的图片数据进行检测并得到sar图像舰船目标检测结果。

6、优选的，所述步骤s110中的sar舰船图像预处理方法包括如下步骤：

7、s111、对sar舰船图像进行各向异性扩散滤波，平滑散斑噪声，同时最大限度地保留并增强舰船的边缘信息；

8、s112、对各向异性扩散滤波后的图像用sobel算子进行轮廓特征提取，以获得舰船的高频轮廓信息；

9、s113、将原始图像作为第一通道，经过各向异性扩散滤波保边去噪后的图像作为第二通道，经过sobel算子提取后的高频轮廓信息图像作为第三通道组合成轮廓信息丰富的三通道sar图像。

10、优选的，对sar舰船图像进行各向异性扩散滤波的具体方法如下：

11、遍历输入进来的sar舰船图像，针对当前像素点(x,y)，首先计算其在8个相邻方向上的灰度梯度，表示为其中(k＝1,2,3,...,8)；接着，将原始图像中的灰度值i0(x,y)视为各向异性扩散滤波器在零时的输入，经过滤波处理后得到新的图像：

12、

13、其中i(x,y；t)其中表示在t时刻各向异性扩散滤波器的输出，表示梯度算子，ck(x,y；t)表示当前像素在t时刻第k个邻域方向上的扩散系数，用于控制扩散速率，其构造方法为：

14、

15、其中k是热传导系数，用来控制边缘的灵敏度。

16、优选的，所述步骤s110中，将预处理后的数据集按照8∶2的比例划分为训练集和测试集。

17、优选的，所述多层次信息交互增强网络包括括1×1卷积层、第一上采样模块、第一拼接模块、第一变形空间注意模块、第二上采样模块、第二拼接模块、第二变形空间注意模块、第一下采样模块、第三拼接模块、第一变形通道注意模块、第二下采样模块、第三拼接模块和第二变形通道注意模块；其中，

18、所述1×1卷积层用于输入第一尺度的特征图，所述第一上采样模块、第一拼接模块、第一变形空间注意模块、第二上采样模块、第二拼接模块、第二变形空间注意模块依次连接在所述1×1卷积层的输出端；所述第一上采样模块的输出与第二尺度的特征图在所述第一拼接模块中进行特征拼接；所述第二上采样模块的输出与第三尺度的特征图在所述第二拼接模块中进行特征拼接；所述第二变形空间注意模块用于输出第三尺度的预测特征图；

19、所述第一下采样模块、第三拼接模块、第一变形通道注意模块依次连接在所述第二变形空间注意模块的输出端；所述第一下采样模块的输出与第一变形空间注意模块的输出在所述第三拼接模块中进行特征拼接；所述第一变形通道注意模块用于输出第二尺度的预测特征图；

20、所述第二下采样模块、第四拼接模块、第二变形通道注意模块依次连接在所述第一变形通道注意模块的输出端；所述第二下采样模块的输出与1x1卷积层的输出在所述第四拼接模块中进行特征拼接；所述第二变形通道注意模块用于输出第一尺度的预测特征图。

21、优选的，所述第一变形空间注意模块和所述第二变形空间注意模块结构相同，均包括三个部分，第一部分使用可变形卷积进行可变形特征提取并使用两个1x1卷积对输入进来的特征图进行通道数的调整，第二部分使用空间注意力机制，第三部分使用3x3卷积进行信息整合和进一步的特征提取。

22、优选的，所述空间注意力机制包括水平方向池化、垂直方向池化、拼接单元、1x1卷积层、批归一化层、线性激活层和sigmoid函数层，其中，所述空间注意力单元的输出表达式为：

23、

24、其中，xc(i,j)是空间注意力机制的第c个通道输入，和分别为水平方向和垂直方向的注意力权重。

25、优选的，所述第一变形通道注意模块和所述第二变形通道注意模块结构相同，均包括三个部分，第一部分使用可变形卷积进行可变形特征提取并使用两个1x1卷积对输入进来的特征图进行通道数的调整；第二部分使用通道注意力机制；第三部分使用3x3卷积进行信息整合和进一步的特征提取。

26、优选的，所述通道注意力机制包括全局平均池化、1x1卷积层、relu函数层、sigmoid函数层，其中，所述通道注意力单元的输出表达式为：

27、y＝σ(conv(δ(conv(avgpool(x)))))·x；

28、其中，x是输入特征图，y是通道注意力的输出，avgpool为全局平均池化，conv表示1x1卷积，δ表示relu函数层，σ表示sigmoid函数层，·表示逐元素相乘，将权重应用于原始特征图。

29、与现有技术相比，本发明的有益效果是：本发明的有益效果：

30、1、本发明提出了一种基于各向异性扩散的sar舰船图像预处理方法，该方法将原发送到网络学习的单通道sar图像扩展到三个通道，减少了散斑噪声的影响并增强了舰船的轮廓特征。充分利用了网络提取能力和图像信息，提高了网络可解释性和提取关键特征的能力；

31、2、本发明提出了一种多层次信息交互增强网络，设计了变形空间注意模块和变形通道注意模块，并将其嵌入到多层次信息交互增强网络的浅层和深层，将保留了更多空间细节的浅层特征和拥有丰富语义信息的深层特征进行有效整合。解决了sar图像中舰船多尺度特征的不一致性，保留了更多关于小型舰船的离散信息，提高了对于小型舰船的可探测能力。