【技術實現步驟摘要】
本申請涉及航天測繪，特別是涉及一種基于合成孔徑雷達的異常檢測方法和系統。
技術介紹
1、合成孔徑雷達(synthetic?aperture?radar，sar)旨在提供雷達頻段的地球表面圖像。不同于光學成像，合成孔徑雷達可以通過在區域進行掃描，雷達主動發射和接收脈沖進行晝夜工作，即合成孔徑雷達能夠實時監測地球表面變化和異常。基于合成孔徑雷達成像的異常檢測旨在發現隱藏在多維雷達信號和圖像中的異常模式。這類異?？赡苁翘囟ㄎ恢玫娜藶樽兓蛴绊懱囟▍^域的自然過程。例如，這些異?？梢员碚鞫喾N潛在應用：浮油檢測、船舶尾流、堤壩異常、地面車輛、飛行器等。
2、通常利用深度學習技術來進行異常檢測，得到異常檢測結果。此外，也存在利用類似svm等統計機器學習方法對sar圖像的數值特征進行分析以此來發現異常。但是，深度學習受限于訓練數據而不具有較好的泛化能力，通常只能在特定場景下有較好的效果；而統計學習在sar圖像空間相關性建模方面存在缺陷，同樣檢測效果不佳。
3、目前針對相關技術中如何提高合成孔徑雷達圖像的異常檢測效果，尚未提出有效的解決方案。
技術實現思路
1、本申請實施例提供了一種基于合成孔徑雷達的異常檢測方法和系統，以至少解決相關技術中如何提高合成孔徑雷達圖像的異常檢測效果的問題。
2、第一方面，本申請實施例提供了一種基于合成孔徑雷達圖像的異常檢測方法，所述方法包括：
3、采集合成孔徑雷達的成像數據，得到sar圖像；
4、通過訓練好的去
5、通過基于生成對抗網絡的自監督模型，對所述去噪圖像進行圖像重建，得到凸顯異常目標的重建圖像；
6、通過基于協方差矩陣的變化檢測算法，生成表征所述去噪圖像和所述重建圖像之間像素差異性的異常圖；
7、通過恒虛警檢測算法確認所述異常圖中的異常目標。
8、在其中一些實施例中，在通過基于生成對抗網絡的自監督模型，對所述去噪圖像進行圖像重建，得到凸顯異常目標的重建圖像之前，所述方法包括：
9、構建基于生成對抗網絡的自監督模型，其中，所述自監督模型包含生成器和識別器；
10、對所述自監督模型進行訓練，使得自監督模型所得到的重建圖像中正常像素的重建誤差盡可能減小，及盡可能保持重建圖像的分布特征與去噪圖像一致。
11、在其中一些實施例中，通過基于協方差矩陣的變化檢測算法，生成表征所述去噪圖像和所述重建圖像之間像素差異性的異常圖包括：
12、分別計算所述去噪圖像和所述重建圖像中滑動窗口內像素的平均向量的最大似然估計；
13、基于所述滑動窗口內像素的平均向量的最大似然估計，分別計算所述去噪圖像和所述重建圖像的協方差矩陣；
14、基于所述去噪圖像和所述重建圖像的協方差矩陣，生成表征所述去噪圖像和所述重建圖像之間像素差異性的異常圖。
15、在其中一些實施例中，分別計算所述去噪圖像和所述重建圖像中滑動窗口內像素的平均向量的最大似然估計包括：
16、通過平均向量采樣公式計算出所述去噪圖像中滑動窗口內像素的平均向量的最大似然估計，以及所述重建圖像中滑動窗口內像素的平均向量的最大似然估計，其中，βk,l表示中心像素坐標為(k，l)的滑動窗口，xi,j表示去噪圖像或重建圖像中坐標為(i，j)的像素。
17、在其中一些實施例中，基于所述滑動窗口內像素的平均向量的最大似然估計，分別計算所述去噪圖像和所述重建圖像的協方差矩陣包括：
18、通過協方差采樣公式計算出所述去噪圖像的協方差矩陣，以及所述重建圖像的協方差矩陣，其中，表示去噪圖像或重建圖像中滑動窗口內像素的平均向量的最大似然估計，βk,l表示中心像素坐標為(k，l)的滑動窗口，xi,j表示去噪圖像或重建圖像中坐標為(i，j)的像素。
19、在其中一些實施例中，基于所述去噪圖像和所述重建圖像的協方差矩陣，生成表征所述去噪圖像和所述重建圖像之間像素差異性的異常圖包括：
20、通過異常圖生成公式生成表征所述去噪圖像和所述重建圖像之間像素差異性的異常圖，其中，表示去噪圖像的協方差矩陣，表示重建圖像的協方差矩陣，f表示計算兩個協方差矩陣的歐式距離。
21、在其中一些實施例中，在通過訓練好的去噪模型對所述sar圖像進行去噪之前，所述方法包括：
22、獲取合成孔徑雷達的歷史sar圖像；
23、基于所述歷史sar圖像，得到用于去噪模型訓練的噪聲樣本數據集；
24、基于所述噪聲樣本數據集，對去噪模型進行訓練。
25、在其中一些實施例中，基于所述歷史sar圖像，得到用于去噪模型訓練的噪聲樣本數據集包括：
26、從所述歷史sar圖像中，篩選出不含散斑噪聲的歷史sar圖像；
27、基于所述不含散斑噪聲的歷史sar圖像，構造添加噪聲的歷史sar圖像；
28、基于所述不含散斑噪聲的歷史sar圖像和所述添加噪聲的歷史sar圖像，構造得到用于去噪模型訓練的噪聲樣本數據集。
29、在其中一些實施例中，基于所述噪聲樣本數據集，對去噪模型進行訓練包括：
30、在去噪模型的訓練過程中，將所述噪聲樣本數據集中添加噪聲的歷史sar圖像輸入到所述去噪模型中，輸出去噪圖像；
31、通過預設損失函數最小化所述去噪圖像與所述噪聲樣本數據集中不含散斑噪聲的歷史sar圖像之間的差異，并對應調整所述去噪模型的網絡參數。
32、第二方面，本申請實施例提供了一種基于合成孔徑雷達圖像的異常檢測系統，所述系統用于執行上述第一方面任一項所述的方法，所述系統包括數據獲取模塊、數據去噪模塊，圖像重建模塊和異常檢測模塊；
33、所述數據獲取模塊，用于采集合成孔徑雷達的成像數據，得到sar圖像；
34、所述數據去噪模塊，用于通過訓練好的去噪模型對所述sar圖像進行去噪，得到去噪圖像；
35、所述圖像重建模塊，用于通過基于生成對抗網絡的自監督模型，對所述去噪圖像進行圖像重建，得到凸顯異常目標的重建圖像；
36、所述異常檢測模塊，用于通過基于協方差矩陣的變化檢測算法，生成表征所述去噪圖像和所述重建圖像之間像素差異性的異常圖；通過恒虛警檢測算法確認所述異常圖中的異常目標。
37、相比于相關技術，本申請實施例提供的一種基于合成孔徑雷達的異常檢測方法和系統，其中，該方法通過采集合成孔徑雷達的成像數據，得到sar圖像；通過訓練好的去噪模型對sar圖像進行去噪，得到去噪圖像；通過基于生成對抗網絡的自監督模型，對去噪圖像進行圖像重建，得到凸顯異常目標的重建圖像；通過基于協方差矩陣的變化檢測算法，生成表征去噪圖像和重建圖像之間像素差異性的異常圖；通過恒虛警檢測算法確認異常圖中的異常目標，實現了先通過去噪模型獲取高質量的去噪sar圖像，再通過對抗網絡模型重建圖像以凸顯其中的異本文檔來自技高網...
【技術保護點】
1.一種基于合成孔徑雷達圖像的異常檢測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，在通過基于生成對抗網絡的自監督模型，對所述去噪圖像進行圖像重建，得到凸顯異常目標的重建圖像之前，所述方法包括：
3.根據權利要求1所述的方法，其特征在于，通過基于協方差矩陣的變化檢測算法，生成表征所述去噪圖像和所述重建圖像之間像素差異性的異常圖包括：
4.根據權利要求3所述的方法，其特征在于，分別計算所述去噪圖像和所述重建圖像中滑動窗口內像素的平均向量的最大似然估計包括：
5.根據權利要求3所述的方法，其特征在于，基于所述滑動窗口內像素的平均向量的最大似然估計，分別計算所述去噪圖像和所述重建圖像的協方差矩陣包括：
6.根據權利要求3所述的方法，其特征在于，基于所述去噪圖像和所述重建圖像的協方差矩陣，生成表征所述去噪圖像和所述重建圖像之間像素差異性的異常圖包括：
7.根據權利要求1所述的方法，其特征在于，在通過訓練好的去噪模型對所述SAR圖像進行去噪之前，所述方法包括：
8.根據權利要求
9.根據權利要求8所述的方法，其特征在于，基于所述噪聲樣本數據集，對去噪模型進行訓練包括：
10.一種基于合成孔徑雷達圖像的異常檢測系統，其特征在于，所述系統用于執行上述權利要求1至9任一項所述的方法，所述系統包括數據獲取模塊、數據去噪模塊，圖像重建模塊和異常檢測模塊；
...【技術特征摘要】
1.一種基于合成孔徑雷達圖像的異常檢測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，在通過基于生成對抗網絡的自監督模型，對所述去噪圖像進行圖像重建，得到凸顯異常目標的重建圖像之前，所述方法包括：
3.根據權利要求1所述的方法，其特征在于，通過基于協方差矩陣的變化檢測算法，生成表征所述去噪圖像和所述重建圖像之間像素差異性的異常圖包括：
4.根據權利要求3所述的方法，其特征在于，分別計算所述去噪圖像和所述重建圖像中滑動窗口內像素的平均向量的最大似然估計包括：
5.根據權利要求3所述的方法，其特征在于，基于所述滑動窗口內像素的平均向量的最大似然估計，分別計算所述去噪圖像和所述重建圖像的協方差矩陣包括：
【專利技術屬性】
技術研發人員：劉添龍，石喬木，
申請(專利權)人：杭州靖安防務科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。