(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 20221091096 5.9 (22)申请日 2022.07.29 (71)申请人 大连海事大学 地址 116026 辽宁省大连市高新园区凌海 路1号 (72)发明人 鞠默然　金思年　 (74)专利代理 机构 大连东方专利代理有限责任 公司 21212 专利代理师 姜威威　李洪福 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/70(2017.01) G06V 10/46(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于类脑过滤模型的SAR图像舰船目标 检测方法 (57)摘要 本发明一种基于类脑过滤模 型的SAR图像舰 船目标检测方法， 通过引入人脑过滤机制的思 想， 实现SAR图像复杂背景的过滤， 从而提升SAR 图像舰船目标的检测性能。 该方法主要包括以下 步骤： 结合人脑过滤机制， 构建类脑过滤表征模 型； 根据类脑过滤表征模型， 构造SAR图像复杂背 景过滤网络； 结合类脑过滤表征模型和SAR图像 的特点， 设计损失函数； 制作SAR图像过滤标签， 以训练过滤网络； 将过滤后的SAR图像送入舰船 目标检测器， 实现SAR图像舰船目标的检测。 通过 本发明， 可以有效地过滤SAR图像复杂背景， 提升 对SAR图像舰船目标的检测性能。 本方法将人脑 过滤机制应用 在目标检测任务中， 为SAR图像目 标检测提供新的思路和技 术支撑。 权利要求书3页 说明书8页 附图4页 CN 115272244 A 2022.11.01 CN 115272244 A 1.一种基于类脑过 滤模型的SAR图像舰船目标检测方法， 其特 征在于： 包括以下步骤： 获取SAR图像； 构建用于过 滤SAR图像复杂背景、 将图像中特 征明显的舰船目标保留下来的过 滤网络； 结合SAR图像舰船目标的特点， 利用舰船目标位置信息， 制作SAR过 滤图像标签； 采用SAR过 滤图像标签对过 滤网络进行训练， 得到训练好的过 滤网络； 将训练好的过滤网络输出的过滤图像， 基于任意SAR图像舰船目标检测算法实现对舰 船目标的识别。 2.根据权利要求1所述的一种基于类脑过滤模型的SAR图像舰船目标检测方法， 其特征 在于： 所述过 滤网络包括 顺序连接的自下而上 过滤子网络和自上而下 过滤子网络 。 3.根据权利要求1所述的一种基于类脑过滤模型的SAR图像舰船目标检测方法， 其特征 在于： 所述自下而上过滤子网络采用自下而上类脑过滤模型表征， 所述自下而上类脑过滤 模型的表达式如下： IS＝Sa(F1(II))∪Sa(F2(II))∪…∪Sa(Fn(II))                (1) 其中， IS和II分别代表输出的显著图和输入的SAR图像； Fn(·)表示第n种特征的提取； Sa(·)表示基于阈值的显著特 征选择操作。 4.根据权利要求3所述的一种基于类脑过滤模型的SAR图像舰船目标检测方法， 其特征 在于： 所述自下而上 过滤子网络过 滤SAR图像的过程描述 为： IS＝Sa(Fbrightnes s(II))                             (3) 为了提取SAR图像亮度特征Fbrightness(·)， 首先利用下式将图像的灰度值扩展到[0， 255]； 其中， g代 表SAR图像的灰度值， G min和Gmax表示SAR图像中灰度的最大值和最小值， 然后， 基于阈值的显著特 征选择操作用下式来计算： 其中， T代表特征显著程度的与之， T的值设为0， 为了防止过滤掉特征不明显的舰船， 值在阈值之下的像素保持不变。 5.根据权利要求1所述的一种基于类脑过滤模型的SAR图像舰船目标检测方法， 其特征 在于： 所述自上而下过滤子网络采用自上而下类脑过滤模型表征， 所述自上而下类脑过滤 模型的表达式如下： TD(IS)＝AJ(T‑1(F(T1(IS),T2(IS),...,Tn(IS))))             (2) 其中， TD(·)代表自上而下过滤过程， IS代表输入的显著性图， Tn(·)、 F(·)和T‑1(·) 分别代表特征提取、 特 征融合和优先级图重构， AJ( ·)表示优先级图重构的调整过程。 6.根据权利要求1所述的一种基于类脑过滤模型的SAR图像舰船目标检测方法， 其特征 在于： 所述自上而下过滤子网络采用迭代最小 ‑最大博弈方法， 利用生成对抗网络进行构权　利　要　求　书 1/3 页 2 CN 115272244 A 2建， 所述自上而下 过滤子网络包括 生成器和判别器； 所述生成器， 采用编码 ‑解码网络结构实现特征提取Tn(·)和优先级图重构T‑1(·)操 作； 所述生成器包括编码器和解码器； 所述编码器， 采用卷积对输入图像进行 下采样； 所述解码器， 采用转置卷积对特征图进行上采样， 每一个卷积后面都有一个Leaky ‑ Relu激活函数和批归一化， 利用跳跃连接将特征图沿着通道维度进行串联， 实现特征融合 操作F(·)； 所述判别器， 采用全卷积结构， 输出 特征图矩阵。 7.根据权利要求6所述的一种基于类脑过滤模型的SAR图像舰船目标检测方法， 其特征 在于： 所述迭代最小 ‑最大博弈方法的表达式如下： 其中， IG代表SAR过滤图像标签， II代表输入的SAR图像， IG代表标签， D( ·)代表判别器， G(·)代表生成器。 8.根据权利要求1所述的一种基于类脑过滤模型的SAR图像舰船目标检测方法， 其特征 在于： 所述结合SAR图像舰船目标的特点， 利用舰船目标位置信息， 制作SAR过滤图像标签的 过程如下： 读入SAR图像和舰船目标的位置信息； 利用公式(4)将SAR图像的灰度值扩展到[0， 25 5]， 得到扩展灰度值后的SAR图像； 将扩展灰度值后的SAR图像利用公式(5)对SAR图像进行显著特 征操作Sa(g ’)； 计算进行显著特 征操作后的SAR图像灰度的均值Greymean； Gtfiltered代表过滤图像标签， 判断进行显著特征操作后的SAR图像的像素是否在舰 船目 标内， 当进行显著特征操作后的SAR图像像素在舰船目标内， 则Gtfiltered＝Sa(g’)； 当像素不 在舰船目标内， Gtfiltered＝Greymean， 则完成过 滤图像标签的制作。 9.根据权利要求1所述的一种基于类脑过滤模型的SAR图像舰船目标检测方法， 其特征 在于： 所述自上而下 过滤子网络采用的损失如下： 其中， λ1＝0.7、 λ2＝0.3、 LossSimilarity为相似度损失， L ossGDL为梯度变化损失； LossSimilarity＝E[||IG‑G(II)||1]                      (8) 其中： IP＝G(II)； IG代表SAR过滤图像标签， II代表输入的SAR图像； IG代表标签， IG＝ Gtfiltered。 10.一种基于类脑过 滤模型的SAR图像舰船目标检测装置， 其特 征在于： 包括： 获取模块： 用于获取SAR图像； 构建模块： 用于构建用于过滤SAR图像复杂背景、 将图像 中特征明显的舰船目标保留下 来的过滤网络；权　利　要　求　书 2/3 页 3 CN 115272244 A 3