(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202211047548.2
(22)申请日 2022.08.30
(71)申请人 吉林大学
地址 130012 吉林省长 春市长春高新技术
产业开发区前进大街269 9号
(72)发明人 顾玲嘉 江明达 任瑞治
(74)专利代理 机构 吉林省中玖专利代理有限公
司 22219
专利代理师 李泉宏
(51)Int.Cl.
G06V 20/13(2022.01)
G06V 10/30(2022.01)
G06V 10/36(2022.01)
G06V 10/44(2022.01)
G06V 10/764(2022.01)G06V 10/80(2022.01)
G06V 10/82(2022.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称
基于Faster R-CNN与CV模型联合方法的SAR
图像舰船轮廓提取方法
(57)摘要
本发明公开了一种基于Faster R‑CNN与CV
模型联合方法的SAR图像舰船轮廓提取方法, 涉
及卫星遥感图像处理与应用的技术领域, 本发明
的目的是解决现有SAR图像舰船轮廓方法适用场
景少、 提取精度差、 细节损失严重等问题。 本发明
通过引入深度学习方法, 能够对大场景SAR图像
舰船轮廓进行提取。 首先, 使用Faster R‑CNN网
络对SSDD数据集进行迁移学习和目标检测, 获得
获取舰船目标的定位坐标, 并对小场景舰船区域
切片; 随后对舰船切片进行快速非局部均值FNLM
滤波处理, 最后使用改进CV模型迭代产生舰船最
终轮廓, 并将轮廓信息融合显示在原始图像中。
利用本发明提出的基于Faster R‑CNN与CV模型
联合方法的SAR图像舰船轮廓提取方法可以实现
对不同场景SAR图像中舰船目标轮廓快速准确的
提取。
权利要求书3页 说明书9页 附图5页
CN 115393734 A
2022.11.25
CN 115393734 A
1.基于Faster R‑CNN与CV模型联合方法的SAR图像舰船轮廓提取方法, 其特征在于, 该
方法的步骤如下:
步骤一、 选取SAR图像舰船目标检测数据集作为本方法检测网络训练数据, 并对舰船轮
廓进行重标注;
步骤二、 构建Faster R‑CNN目标检测网络, 将步骤一中所选取的数据集送入网络模型
中进行训练, 获得训练完成的Faster R‑CNN;
步骤三、 将测试数据送入训练完成的Faster R‑CNN网络中, 输出舰船坐标信息并将舰
船区域图像切片;
步骤四、 对步骤三中获得的舰船区域图像切片进行灰度化处理, 然后使用快速非局部
均值滤波器进行 滤波;
步骤五、 将快速非局部均值滤波器处理后的数据送入改进CV模型中迭代计算出目标轮
廓, 并将轮廓信息融合显示在原 始图像中;
步骤五中使用改进CV模型对快速非局部均值滤波处理后的切片进行舰船轮廓 提取, 所
述的改进CV模型如下:
对于某一图像(x,y)∈Ω, 用I(x,y)表示图像上点(x,y)的像素值, 定义封闭曲线C为图
像上一闭合区域ω的边界, inside(C)表示曲线内闭合区域
outside(C)则表示
曲线外区域
C1和C2分别表示图像上曲线内和曲线外像素平均值,并定义如下的能量项:
E1(C)+E2(C)= ∫inside(C)|I0(x,y)‑C1|2dxdy+ ∫outside(C)|I0(x,y)‑C2|2dxdy (5)
当曲线C在目标图像中目标边界时, 上述能量项取极小值, 补充正则化项目后, 可以得
出如下的能量泛函:
E(C)=vlength(C)+ μarea(C)+E1(C)+E2(C) (6)
水平集方法将二维平面上的曲线轮廓 通过隐式方程即水平集函数, 表示为三维 曲面的
等高曲线, 这个等值线被称作水平集函数 的零水平。 基于几何活动轮廓模型 的轮廓提取方
法中, 检测到的图像轮廓就是能量泛函达到最小值时的零水平集所在的曲线。 首先对水平
集函数φ(x,y)做如下定义, 并用其对能量 函数做调整:
然后, 定义单位阶跃函数H(z)如下:
从而可得:
权 利 要 求 书 1/3 页
2
CN 115393734 A
2总的能量 函数也就可以写为:
其中:
由于CV模型中单位阶跃函数H(z)现实中并不存在, 通常使用(12)代替:
在曲线逼近目标边界之前, 原始的阶跃函数需要多次迭代; 为了提高曲线的演化速度,
减少迭代次数, 将式(12)改进为双曲正弦函 数; 最后保 持c1、 c2固定并且形式上最小化φ, 采
用梯度下降法, 通过人工时间参数化下降方向得到关于φ的欧拉 ‑拉格朗日方程的偏微分
方程(13):
计算梯度下降重新初始化φ后, 当曲线逐渐演化到零平面时, 即可 得到最终曲线。
2.根据权利要求1所述的基于Faster R‑CNN与CV模型联合方法的SAR图像舰船轮廓提
取方法, 其特 征在于, 步骤二中Faster R‑CNN网络中采用ResNet5 0作为骨干网络,
所述的ResNet5 0骨干网络中, 包 含1个输入段和4个后续段以及1个输出层。
(a)输入段由一个卷积层和最大池化层组成, 卷积层的参数为: 卷积核大小kernel_
size: 7×7, 步长strides: 2; 通道数channels: 64; 最大池化层的参数为: 卷积核大小
kernel_size: 3 ×3, 步长st rides: 2;
(b)四个后续段中分别包含3、 4、 6和3个残差块, 每个残差块包含A、 B两个支路, A支路由
3个卷积层组成; 其中, 第一卷积层的参数为: 卷积核大小kernel_ size: 1×1; 第二卷积层的
参数为: 卷积核大小kernel_size: 3 ×3, 步长strides: 2; 第三卷积层的参数为: 卷积核大小
kernel_size: 1 ×1; B支路由1个卷积层组成, 卷积层的参数为: 卷积核大小kernel_size: 1
×1, 步长st rides: 2;
(c)输出层由一个平均池化层和全连接层组成。
3.根据权利要求2所述的基于Faster R‑CNN与CV模型联合方法的SAR图像舰船轮廓提
取方法, 其特征在于, 步骤二中Faster R‑CNN网络中使用RPN结构, 在所述的RPN结构中, 包权 利 要 求 书 2/3 页
3
CN 115393734 A
3
专利 基于Faster R-CNN与CV模型联合方法的SAR图像舰船轮廓提取方法
安全报告 >
其他 >
文档预览
中文文档
18 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共18页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 04:40:46上传分享