本发明涉及图像处理，尤其涉及一种基于sar成像和去相干斑的目标检测方法及系统。
背景技术：
：：1、合成孔径雷达(sar)成像技术主要包含频域处理、时域处理和深度学习算法。在频域处理中，距离多普勒(rd)算法通过分离距离和方位维度实现高分辨率成像，但未考虑距离单元移动，限制了成像质量；因此提出了改进算法部分解决了此问题，如二次距离压缩(src)算法和调频变标(cs)算法，但改进算法在大斜视场景中效果有限；进一步提出ωk算法，该算法通过stolt插值有效地校正距离徙动，能够适用于各种斜视角。在时域处理中，后向投影算法(bpa)通过逐点补偿脉冲信号的传播时延，实现精准成像，但存在计算量大，效率低的问题。在深度学习技术的应用中，基于递归神经网络(rnn)的自聚焦成像，通过自动学习特征提高了成像的精度和鲁棒性；此外，基于卷积神经网络(cnn)的快速后向投影和针对运动目标的sar-gmtim框架，均显著提升了成像速度和质量。2、在合成孔径雷达图像的去散斑研究中，采用的主要方法包括空域滤波、变换域滤波和深度学习。在空域滤波中，利用诸如lee、kuan和frost滤波器，通过计算局部窗口内的像素强度加权平均值减少散斑，虽然在均匀区域表现良好，但是边缘效果差，且效果随窗口扩大而下降。在变换域滤波中，小波域滤波通过对数变换和小波分解后的阈值处理改善去噪，但可能引起畸变；贝叶斯小波阈值收缩算法通过假设高斯分布提高去斑效果。在深度学习技术中，psd、id-cnn和speckle2void通过学习噪声与清晰图像间的映射关系实现去噪；sar-cnn利用同态变换和残差网络改善噪声处理；gan结合red-net显著提高了去噪效率和质量。3、在合成孔径雷达图像的船舶检测中，传统的方法主要包括基于对比度信息，模板匹配、统计分析和深度学习方法。恒虚警检测技术(constant false alarm rate,cfar)是最常用的合成孔径雷达图像目标检测技术，该方法在一些简单场景下取得了良好的性能，但该方法的性能很大程度取决于海杂波统计模型的构建和所建模型的参数估计。因此，考虑到杂波和各种杂波模型的不均匀性，提出了基于异构分布来拟合可变海洋条件，如alpha-stable分布和gamma分布。4、但随着技术的不断发展，这些算法已经不能满足现代需求，难以应用到各种复杂的合成孔径雷达图像场景中。以往的研究都是将合成孔径雷达图像去相干斑和目标检测分开处理的，分开处理的方式需要多次数据传输和独立处理，导致处理效率较低。而且各个环节之间缺乏信息交互和利用，处理结果受限于各个阶段处理的局部信息，导致下游任务的误差积累，无法提供快速和高精度的技术。因此，如何实时并且高精度地实现从合成孔径雷达图像成像、去相干斑到目标检测任务的一体化处理，成为合成孔径雷达技术研究领域的难点问题。技术实现思路1、为了解决上述技术问题，本发明的目的是提供一种基于sar成像和去相干斑的目标检测方法及系统，能够实时并且高精度地实现从sar图像成像、去相干斑到目标检测任务的一体化处理。2、本发明所采用的第一技术方案是：一种基于sar成像和去相干斑的目标检测方法，包括以下步骤：3、在高分辨率遥感影像上采集样本，构建训练数据集；4、基于多尺度窗口swin transformer模块构建sar成像模块；5、基于多尺度窗口swin transformer模块构建去相干斑模块；6、构建目标检测模块，并结合所述sar成像模块和所述去相干斑模块，得到基于sar成像和去相干斑的目标检测模型；7、基于所述训练数据集和三重蒸馏模型学习方法对所述基于sar成像和去相干斑的目标检测模型进行训练，得到训练后的基于sar成像和去相干斑的目标检测模型。8、进一步，所述训练数据集包括sar图像、去相干斑后的sar图像和目标检测标签。9、进一步，所述sar成像模块包括卷积层、残差块和多尺度窗口swin transformer模块，其中：10、所述多尺度窗口swin transformer模块用于对sar图像进行全局和局部特征的学习；11、所述残差块引入跳跃连接，用于解决深度神经网络中潜在的梯度消失问题，并进一步提取图像中的特征信息；12、所述卷积层用于去除sar图像的斑点噪声。13、进一步，所述多尺度窗口swin transformer模块包含第一子单元和第二子单元，其中：14、所述第一子单元包含layer norm层、局部特征提取模块和第一多窗口注意力模块；15、所述第二子单元包含layer norm层、局部特征提取模块和第二多窗口注意力模块；16、所述第一多窗口注意力模块采用窗口多头自注意力机制；17、所述第二多窗口注意力模块采用滑动窗口多头自注意力机制。18、进一步，所述第一多窗口注意力模块和所述第二多窗口注意力模块采用多个不同尺寸的窗口进行自注意力计算。19、进一步，所述基于所述训练数据集和三重蒸馏模型学习方法对所述基于sar成像和去相干斑的目标检测模型进行训练，得到训练后的基于sar成像和去相干斑的目标检测模型这一步骤，其具体包括：20、分别将现有训练完成的sar成像模型、去相干斑模型和目标检测模型作为第一教师模型、第二教师模型和第三教师模型；21、分别将所述训练数据集输入到所述sar成像模块和所述第一教师模型中，得到第一预测结果和第一教师模型预测结果；22、基于所述第一预测结果和所述第一教师模型预测结果构建第一蒸馏损失函数；23、基于所述第一预测结果和真实图像构建成像损失函数；24、分别将所述训练数据集输入到所述去相干斑模块和所述第二教师模型中，得到第二预测结果和第二教师模型预测结果；25、基于所述第二预测结果和所述第二教师模型预测结果构建第二蒸馏损失函数；26、基于所述第二预测结果和真实图像构建去相干斑损失函数；27、分别将所述训练数据集输入到所述目标检测模块和所述第三教师模型中，得到第三预测结果和第三教师模型预测结果；28、基于所述第三预测结果和所述第三教师模型预测结果构建第三蒸馏损失函数；29、基于所述第三预测结果和目标检测标签构建检测损失函数；30、引入额外损失项，并为所述第一蒸馏损失函数、所述成像损失函数、所述第二蒸馏损失函数、所述去相干斑损失函数、所述第三蒸馏损失函数和所述检测损失函数分配权重，得到全局平衡损失函数；31、基于所述全局平衡损失函数对所述基于sar成像和去相干斑的目标检测模型的参数进行调整，得到训练后的基于sar成像和去相干斑的目标检测模型。32、本发明所采用的第二技术方案是：一种基于sar成像和去相干斑的目标检测系统，包括：33、数据采集模块，用于在高分辨率遥感影像上采集样本，构建训练数据集；34、sar成像模块，用于对输入的sar回波信号进行成像处理；35、去相干斑模块；用于对sar成像模块所输出的成像结果进行去相干斑处理；36、目标检测模块，用于对去相干斑后的sar图像进行图像检测；37、模型训练模块，基于训练数据集和三重蒸馏模型学习方法对所述基于sar成像和去相干斑的目标检测模型进行训练，得到训练后的基于sar成像和去相干斑的目标检测模型。38、本发明还提出了一种基于sar成像和去相干斑的目标检测装置，包括：39、至少一个处理器；40、至少一个存储器，用于存储至少一个程序；41、当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种基于sar成像和去相干斑的目标检测方法。42、本发明方法、系统的有益效果是：本发明提出了一种多尺度窗口swintransformer模块，并利用该模块构建sar成像模块和去相干斑模块，能够捕捉图像中的全局和局部关系，从而获取更丰富的信息，有助于提升模型对图像的表征能力，增强图像重建能力；通过将目标检测模块、sar成像模块和去相干斑模块结合在一起，构建基于sar成像和去相干斑的目标检测模型，并利用三重蒸馏模型训练方法，进行模型训练，提升训练精度，得到训练后的基于sar成像和去相干斑的目标检测模型。训练后的基于sar成像和去相干斑的目标检测模型能够实时并且高精度地实现从sar图像成像、去相干斑到目标检测任务的一体化处理。当前第1页12当前第1页12