SAR圖像目標輪廓增強預處理模塊設(shè)計

關(guān)鍵詞：圖像處理；合成孔徑雷達；深度學習；目標檢測

中圖分類號：ＴＰ３９１ 文獻標志碼：Ａ DOI：１０．１２３０５／ｊ．ｉｓｓｎ．１００１-５０６Ｘ．２０２４．１２．０９

０引言

雷達是一種通過電磁波束來探測目標參數(shù)并可以對目標進行定位的電子設(shè)備，具有全天候、全天時、距離遠和觀測帶寬廣的特點［１４］。合成孔徑雷達（ｓｙｎｔｈｅｔｉｃａｐｅｒｔｕｒｅｒａ-ｄａｒ，ＳＡＲ）利用電磁回波主動進行成像，在多個領(lǐng)域都有十分顯著的應用價值［５８］。但是，由于碼頭背景雜波和雷達成像時設(shè)備內(nèi)部噪聲的影響，檢測算法在面對近岸船舶目標和遠洋強干擾船舶目標時，往往容易造成漏警及虛警。因此，需要使用精確度較高的檢測方法，才能保證在實際應用中達到較好的檢測精度。

計算機硬件技術(shù)的發(fā)展，使得機器學習技術(shù)［９１３］飛速發(fā)展，讓ＳＡＲ圖像的目標檢測技術(shù)有了廣闊的發(fā)展空間，在很大程度上彌補了傳統(tǒng)的基于恒虛警率（ｃｏｎｓｔａｎｔｆａｌｓｅａｌａｒｍｒａｔｅ，ＣＦＡＲ）算法［１４１６］在檢測準確性和實時性方面的不足。在ＳＡＲ圖像艦船目標檢測任務(wù)中，由于灰度特性的極大差異，圖像中的艦船目標與海面背景之間的區(qū)分較為明顯，且實際情況中待檢測的船舶目標大小差異較大，需要多尺度的檢測算法對其進行檢測。但就現(xiàn)有目標檢測技術(shù)［１７１９］的發(fā)展而言，這些算法均是基于光學圖像所開發(fā)，其網(wǎng)絡(luò)的特征提取模式主要用于提取光學圖像中的紋理和語義信息，而ＳＡＲ圖像依靠雷達天線對目標回波（微波或者毫米波）進行相干積累成像的結(jié)果，并且現(xiàn)有諸多ＳＡＲ 圖像［２０２４］中的三通道圖像的每個通道的數(shù)據(jù)都是相同的，這對于專門為三通道圖像設(shè)計的檢測算法而言，無疑存在一定的計算資源浪費，并且造成一定的信息冗余，對提高檢測精度無益。

針對以上問題，國內(nèi)外部分學者通過設(shè)計濾波算法對現(xiàn)有的開源ＳＡＲ 圖像數(shù)據(jù)集中的圖像進行預處理，得到一個新的數(shù)據(jù)集，以此來對目標檢測網(wǎng)絡(luò)進行訓練，以起到提高識別準確率的作用。文獻［２５］提出一種充分利用多通道融合ＳＡＲ 圖像的處理方法，通過基于高斯濾波的非下采樣連續(xù)變換算法，對訓練數(shù)據(jù)集中的ＳＡＲ 圖像進行預處理。該圖像預處理方法將原始數(shù)據(jù)集中的單通道ＳＡＲ 圖像利用基于高斯金字塔［２６］的非下采樣連續(xù)變換方法擴展到３個通道，構(gòu)成一個新的數(shù)據(jù)集，并用其對ＹＯＬＯ（ｙｏｕｏｎｌｙｌｏｏｋｏｎｃｅ）ｖ４［２７２８］目標檢測算法進行訓練和測試。但是，該算法仍然存在船舶目標紋理信息提取不夠充分的問題，導致其對檢測準確性的提升效果有限。

經(jīng)過對各類開源數(shù)據(jù)集中ＳＡＲ 圖像的船舶目標區(qū)域的觀察分析發(fā)現(xiàn)，船舶目標在圖像中呈現(xiàn)出大長寬比、兩頭較尖或較圓的特點。相比之下，其他的近岸物體輪廓呈現(xiàn)出不規(guī)則的形狀，噪聲點呈現(xiàn)出較小的斑點狀，與圖像中的艦船目標在形狀、輪廓上存在較大差異。本文利用這一特點，設(shè)計一種基于二維圖像平滑和銳化的圖像預處理模塊，并將其命名為ＯＲＬＭ （Ｏｒｉｇｉｎａｌ，Ｒｏｂｅｒｔｓ，Ｌａｐｌａｃｅ，Ｍｅａｎ）模塊。該預處理模塊利用平滑濾波對原ＳＡＲ 圖像進行噪聲消除處理，利用銳化濾波對原ＳＡＲ 圖像進行目標輪廓提取操作，得到一組適用于現(xiàn)有ＳＡＲ 圖像數(shù)據(jù)集的通道擴展預處理模塊。最后，通過在ＳＡＲ 艦船檢測數(shù)據(jù)集（ＳＡＲｓｈｉｐｄｅｔｅｃｔｉｏｎｄａｔａｓｅｔ，ＳＳＤＤ）［２１］和大規(guī)模ＳＳＤＤ（ｌｏｗｇｅｓｃａｌｅＳＳＤＤ，ＬＳＳＳＤＤ）數(shù)據(jù)集［２２］上的實驗，驗證了本文算法被應用于ＹＯＬＯｖ５中型（ＹＯＬＯｖ５ｍｅｄｉｕｍ，ＹＯＬＯｖ５ｍ）模型等各類目標檢測網(wǎng)絡(luò)上時，對提高檢測準確性的作用。

１犛犃犚圖像通道擴展預處理算法

１．１犛犃犚圖像預處理模塊設(shè)計思路

ＳＡＲ 圖像中的船舶目標有著和其他物體不同的輪廓特征。背景噪聲在圖像中呈現(xiàn)出椒鹽斑點形，而碼頭集裝箱呈現(xiàn)出規(guī)則的矩形，碼頭上的其他物體則呈現(xiàn)出不規(guī)則的多邊形，只有船舶目標呈現(xiàn)出兩頭較尖或較圓且長寬比較大的形狀。而現(xiàn)有的開源ＳＡＲ 圖像數(shù)據(jù)集中，雖然圖像都是三通道的，但其每一個通道的數(shù)據(jù)均是相同的，而現(xiàn)有絕大多數(shù)基于深度學習的目標檢測器均基于三通道ＲＧＢ（ｒｅｄ，ｇｒｅｅｎ，ｂｌｕｅ）圖像開發(fā)。因此，當輸入圖像的３個通道數(shù)據(jù)均相同時，難免會在通道維度上存在計算資源的浪費。與此同時，船舶獨特的輪廓特征是相對海面上其他地物非常有辨識度的特征，值得重點利用。平滑算法可以通過鄰域處理的思想抹去一部分椒鹽噪聲，而銳化濾波可以利用梯度信息增強圖像中的目標邊界。

因此，本文設(shè)計的預處理模塊，利用平滑和銳化的算法，對ＳＡＲ 圖像中單個通道的數(shù)據(jù)進行處理，得到平滑子圖和銳化子圖，并將其再次融合形成三通道圖像，起到減少噪聲并且增強船舶輪廓特征的作用，該過程如圖１所示。

１．２犗犚犔犕預處理模塊

為了在避免噪聲干擾的情況下更好地增強輪廓信息，同時對原始ＳＡＲ 圖像中的細節(jié)信息予以充分保留，將一張三通道的ＳＡＲ 圖像取出一個通道的數(shù)據(jù)，以ｏｒｄ表示，并利用Ｒｏｂｅｒｔｓ銳化算法對其進行銳化濾波，得到輪廓特征子圖Ｒｏｂｅｒｔｓ（ｏｒｄ）。再將原始單通道數(shù)據(jù)ｏｒｄ進行均值平滑濾波，得到去噪特征子圖Ｍｅａｎｓ（ｏｒｄ），并將得到的去噪特征子圖再進行Ｌａｐｌａｃｅ銳化，得到輪廓特征子圖Ｌａｐｌａｃｅ（Ｍｅａｎｓ（ｏｒｄ））。以上操作可以充分保留原圖中的所有信息、原圖中所有物體的輪廓特征信息，以及原圖經(jīng)過去噪后其中所有目標物體的輪廓特征信息。通過以上預處理算法的處理，可以較好地避免噪聲對圖中物體輪廓信息的干擾，并且避免了去噪處理將圖像中較小的目標信息去除的過程。

Ｒｏｂｅｒｔｓ銳化算法是基于交叉差分的梯度算法，采用對角相差的差分方法代替微分，利用局部差分的方式計算檢測邊緣線條。該算子的模板分為水平方向模板d_x和垂直方向模板D_y，分別如下所示：

２仿真實驗與性能分析

２．１實驗平臺及實驗參數(shù)

本文所有實驗均在Ｐｙｔｏｒｃｈ深度學習框架上開展。實驗中使用的硬件設(shè)備情況如下：

ＣＰＵ：Ｉｎｔｅｌ（Ｒ）Ｘｅｏｎ（Ｒ）Ｓｉｌｖｅｒ４２１４ＣＰＵ＠２．２０ＧＨｚ２．２０ＧＨｚ（兩個處理器）。

ＧＰＵ：ＮＶＩＤＩＡ ＧｅＦｏｒｃｅＲＴＸ３０９０，２４Ｇ。

操作系統(tǒng)：Ｗｉｎｄｏｗｓ１０-企業(yè)版。

軟件配置：Ｐｙｔｈｏｎ語言和Ｐｙｔｏｒｃｈ框架的開發(fā)環(huán)境為Ｐｙｃｈａｒｍ，采用ＣＵＤＡ１１．５ 加速。在本文涉及到的實驗訓練過程中，訓練迭代輪次數(shù)為３００；ｗａｒｍｕｐ＿ｅｐｏｃｈｓ 和ｗａｒｍｕｐ＿ｍｏｍｅｎｔｕｍ 分別設(shè)置為３和０．８；訓練和測試過程中的ｂａｔｃｈ＿ｓｉｚｅ大小分別設(shè)置為１６ 和３２。輸入圖像大小統(tǒng)一為６４０×６４０。該優(yōu)化算法為隨機梯度下降法，初始學習率為０．０１；動量因子和權(quán)重衰減因子分別設(shè)置為０．９３７和０．０００５。在以上設(shè)置下，本文中的所有算法均可實現(xiàn)收斂。

２．２實驗數(shù)據(jù)集情況

本文實驗中采用的數(shù)據(jù)集為ＳＳＤＤ 數(shù)據(jù)集［２１］和ＬＳ-ＳＳＤＤ 數(shù)據(jù)集［２２］。

ＳＳＤＤ 數(shù)據(jù)集中的圖片采用ｊｐｇ 格式，標簽文件采用ｔｘｔ格式，其中包含１１６０張ＳＡＲ 圖像，目標類別數(shù)為１，即船舶目標。目標共計包含２４５６ 艘船，每張圖像的平均船舶數(shù)為２．１２艘，圖像邊長約為３００～５００ 像素。將數(shù)據(jù)集分成兩個部分（訓練集和測試集），其比例為８∶２。該數(shù)據(jù)集的基本情況如表１ 所示［２３］，極化模式包含ＨＨ（ｈｏｒｉｚｏｎｔａｌ-ｈｏｒｉｚｏｎｔａｌ）、ＶＶ（ｖｅｒｔｉｃａｌ-ｖｅｒｔｉｃａｌ）、ＶＨ（ｖｅｒｔｉｃａｌ-ｈｏｒｉｚｏｎｔａｌ）和ＨＶ（ｈｏｒｉｚｏｎｔａｌ-ｖｅｒｔｉｃａｌ）。

ＬＳ-ＳＳＤＤ數(shù)據(jù)集中包含１５ 幅大型ＳＡＲ 圖像，極化模式包含ＶＶ 和ＶＨ 兩種模式，成像模式為干涉測寬（ｉｎｔｅｒ-ｆｅｒｏｍｅｔｒｉｃｗｉｄｅ，ＩＷ）模式，ＳＡＲ 專家通過自動識別系統(tǒng)和谷歌地球的支持，正確標記了這些圖像的目標位置。為了便于網(wǎng)絡(luò)訓練，將大規(guī)模圖像直接切割成９０００ 個大小為８００×８００ 的子圖像。ＬＳ-ＳＳＤＤ-ｖ１．０ 數(shù)據(jù)集具有以下優(yōu)點：① 背景規(guī)模較大；② 包含豐富的小目標；③ 包含很多純背景圖片。在驗證預處理模塊應用于由不同骨干特征提取的網(wǎng)絡(luò)中的效果時，本文將采用ＳＳＤＤ 數(shù)據(jù)集和ＬＳ-ＳＳＤＤ數(shù)據(jù)集分別進行驗證。

２．３評價指標

本文主要研究的是將預處理模塊應用于網(wǎng)絡(luò)后對檢測準確率和實時性的影響。

在檢測精度方面，主要通過以下兩個指標進行度量：Ｆ１分數(shù)（Ｆ１＿ｓｃｏｒｅ），平均準確率（ｍｅａｎａｖｅｒａｇｅｐｒｅｃｉｓｉｏｎ，ｍＡＰ），而Ｆ１＿ｓｃｏｒｅ是精準率（ｐｒｅｃｉｓｉｏｎ，P）和召回率（ｒｅｃａｌｌ，R）的調(diào)和平均值。這兩個指標的定義公式分別如下所示：

式中：ＴＰ表示分類器識別正確；ＦＰ表示分類器識別結(jié)果錯誤，將負樣本誤認為正樣本；ＦＮ 表示分類器識別結(jié)果錯誤，將正樣本誤認為負樣本。

Ｆ１＿ｓｃｏｒｅ可以看作是對檢測模型犘和犚的調(diào)和平均，取值范圍為［０，１］。而ｍＡＰ代表各個類別目標對應的犘犚曲線與橫縱坐標軸圍成的區(qū)域面積的均值，計算公式如式（９）所示，其中狀表示數(shù)據(jù)集中的目標類別數(shù)，P_i（R_i）表示第犻個類別對應的ＰＲ 曲線。ｍＡＰ這一指標，可根據(jù)區(qū)域重疊與合并比例（ｉｎｔｅｒｓｅｃｔｉｏｎｏｖｅｒｕｎｉｏｎ，ＩｏＵ）閾值的不同設(shè)定分為兩種：ｍＡＰ＠０．５ 和ｍＡＰ＠０．５：０．９５。其中，ｍＡＰ＠０．５表示在非極大值抑制過程中，將ＩｏＵ 閾值設(shè)置為０．５時，得到的各類別對應的Ｐ-Ｒ 曲線與坐標軸圍成的面積的均值。ｍＡＰ＠０．５：０．９５表示將ＩｏＵ 閾值在［０．５，０．９５］這個區(qū)間內(nèi)以０．０５ 為步長取不同值的情況下，得到的ｍＡＰ平均值。

實時性是指檢測算法的運行速度，可以反映算法的實際部署難度和檢測實時性。由于本文并不會引入待優(yōu)化參數(shù)，因此并不會影響檢測網(wǎng)絡(luò)的每秒浮點運算次數(shù)（ｆｌｏａｔｉｎｇｐｏｉｎｔｏｐｅｒａｔｉｏｎｓｐｅｒｓｅｃｏｎｄ，ＦＬＯＰｓ）。但是，由于數(shù)據(jù)讀取過程中造成的時間開銷并不可忽略［２９］，因此本文主要通過直接速度指標檢測幀率（ｆｒａｍｅｓｐｅｒｓｅｃｏｎｄ，ＦＰＳ），來度量預處理模塊對檢測實時性的影響。

２．４實驗方案及分析

實驗主要分為３個部分。

（１）預處理算法設(shè)計。主要通過使用不同的平滑和銳化濾波算法構(gòu)建預處理模塊，并將該預處理模塊應用于ＹＯＬＯｖ５目標檢測器的數(shù)據(jù)讀取模塊中，對比其檢測性能，進而驗證本文的組合是其中最好的。

（２）不同骨干特征提取網(wǎng)絡(luò)在使用ＯＲＬＭ 模塊前后的檢測性能對比。分別使用深度殘差網(wǎng)絡(luò)跨階段部分（ｃｒｏｓｓｓｔａｇｅｐａｒｔｉａｌ，ＣＳＰ）ＤａｒｋＮｅｔ和ＣＳＰＤａｒｋＮｅｔ５３，以及輕量化骨干網(wǎng)絡(luò)ＳｈｕｆｆｌｅＮｅｔＶ２ 和ＭｏｂｉｌｅＮｅｔＶ３ 作為檢測器的骨干網(wǎng)絡(luò)，對比加入ＯＲＬＭ 預處理模塊前后的準確性和實時性。

（３）本文預處理算法ＯＲＬＭ 模塊和其他預處理算法的性能對比。分別使用非子采樣Ｌａｐｌａｃｉａｎ金字塔（ｎｏｎ-ｓｕｂ-ｓａｍｐｌｉｎｇＬａｐｌａｃｉａｎｐｙｒａｍｉｄ，ＮＳＬＰ）預處理算法和ＯＲＬＭ 模塊預處理算法作為ＹＯＬＯｖ５ 目標檢測器對應的預處理算法，對比兩者帶來的準確性和實時性增益。

２．４．１預處理算法設(shè)計驗證

平滑濾波和銳化濾波算法有很多種，本節(jié)選取應用較為普遍的Ｓｏｂｅｌ銳化，結(jié)合Ｌａｐｌａｃｅ銳化和Ｒｏｂｅｒｔｓ銳化，以及應用更加普遍的高斯平滑和中值平滑，并結(jié)合均值平滑進行組合，構(gòu)成“銳化＋ 平滑＋ 銳化”或“銳化＋ 平滑”兩大類預處理算法，與本文設(shè)計的ＯＲＬＭ 模塊進行性能對比，將其都應用在ＹＯＬＯｖ５ｍ 目標檢測算法的數(shù)據(jù)讀取端，對比其對目標檢測算法檢測準確性的改善作用。由于Ｒｏ-ｂｅｒｔｓ銳化對富含噪聲的原圖銳化效果最好，因此只利用Ｒｏｂｅｒｔｓ銳化算法對原圖進行銳化。得到的實驗結(jié)果如表２所示，其中ｏｒｄ表示原始ＳＡＲ 圖像中的一個通道數(shù)據(jù)，表格最后一行表示不經(jīng)過任何預處理算法的結(jié)果。Ｓｏｂｅｌ（·）表示對圖像進行Ｓｏｂｅｌ銳化處理，Ｇａｕｓｓｉａｎ（·）表示對圖像進行高斯平滑處理，Ｍｅｄｉａｎ（·）表示對圖像進行中值平滑處理，Ｍｅａｎ（·）表示對圖像進行均值平滑處理。

通過進一步的對比發(fā)現(xiàn)，除了ｏｒｄ＋Ｒｏｂｅｒｔｓ（ｏｒｄ）＋Ｒｏｂｅｒｔｓ（Ｍｅｄｉａｎ（ｏｒｄ））的預處理算法外，預處理模塊的加入使得網(wǎng)絡(luò)在ｍＡＰ＠０．５：０．９５這個指標上有了不同程度的提升，而在Ｆ１＿ｓｃｏｒｅ和ｍＡＰ＠０．５這兩個指標上的提升并不明顯。相比之下，ｏｒｄ＋Ｒｏｂｅｒｔｓ（ｏｒｄ）＋Ｌａｐｌａｃｅ（Ｍｅａｎ（ｏｒｄ））預處理算法（即本文設(shè)計的ＯＲＬＭ 模塊）得到的檢測性能最佳，并且在ｍＡＰ＠０．５上提高了０．３％，而在ｍＡＰ＠０．５：０．９５這個指標上提升了１％，在Ｆ１＿ｓｃｏｒｅ上提高了０．４％。

將經(jīng)過上述預處理后的圖片對原始ＹＯＬＯｖ５ 算法進行訓練和測試，得到的檢測結(jié)果如圖５所示。

經(jīng)過對比圖５中的檢測結(jié)果發(fā)現(xiàn)，在加入預處理算法之后，圖片的每個通道數(shù)據(jù)和原來相比發(fā)生了變化。在視覺上，目標的辨識度更低，但是經(jīng)過實際檢測結(jié)果的對比發(fā)現(xiàn)，如圖５（ｃ）中的綠框所示，預處理算法的加入使得網(wǎng)絡(luò)對遠洋小目標的漏檢情況減少。雖然目標檢測算法本身沒有做任何的修改，但是由于圖像預處理算法中ＯＲＬＭ 模塊的加入，網(wǎng)絡(luò)會學習到更多ＳＡＲ 圖像中各類目標的輪廓信息，從而達到提升對目標區(qū)域信息提取能力的目的，實現(xiàn)了提高識別準確率的目的。

以上實驗結(jié)果充分說明，本文提出的ＯＲＬＭ 模塊預處理算法可以充分利用并增強ＳＡＲ 圖像中的目標輪廓特征，減少噪聲干擾，是非常有效的預處理算法。

２．４．２ＯＲＬＭ 模塊在不同骨干網(wǎng)絡(luò)中的應用

在本節(jié)實驗中，以ＯＲＬＭ 模塊作為檢測器的數(shù)據(jù)預處理模塊，并以ＹＯＬＯｖ５的骨干網(wǎng)絡(luò)ＣＳＰＤａｒｋＮｅｔ、ＹＯＬＯｖ４的骨干網(wǎng)絡(luò)ＣＳＰＤａｒｋＮｅｔ５３，以及輕量化網(wǎng)絡(luò)ＳｈｕｆｆｌｅＮｅｔＶ２［２９］、ＭｏｂｉｌｅＮｅｔＶ３［３０３１］作為骨干特征提取網(wǎng)絡(luò)，以路徑聚合網(wǎng)絡(luò)（ｐａｔｈａｇｇｒｅｇａｔｉｏｎｎｅｔｗｏｒｋ，ＰＡＮｅｔ）為特征融合網(wǎng)絡(luò)搭建目標檢測器，對比加入該預處理模塊前后目標檢測器的綜合檢測性能，從而確定該模塊是否可以適用于各種骨干網(wǎng)絡(luò)。為了驗證該預處理模塊的有效性，本文在ＳＳＤＤ 數(shù)據(jù)集和ＬＳ-ＳＳＤＤ 數(shù)據(jù)集上都進行了實驗，分別比較ｍＡＰ＠０．５、ｍＡＰ＠０．５：０．９５、Ｆ１＿ｓｃｏｒｅ、ＦＬＯＰｓ、ＦＰＳ這５個指標，其結(jié)果如表３和表４所示。

從實驗結(jié)果可以看出，本文提出的預處理算法在被應用于不同的骨干特征提取網(wǎng)絡(luò)中時，都能取得準確性的提升。在使用ＣＳＰＤａｒｋＮｅｔ和ＣＳＰＤａｒｋＮｅｔ５３ 作為骨干網(wǎng)絡(luò)時，精度指標ｍＡＰ＠０．５：０．９５ 和Ｆ１＿ｓｃｏｒｅ均得到了不小的提升，而使用輕量化網(wǎng)絡(luò)ＳｈｕｆｆｌｅＮｅｔＶ２ 和ＭｏｂｉｌｅＮｅｔＶ３作為骨干網(wǎng)絡(luò)時，網(wǎng)絡(luò)的Ｆ１＿ｓｃｏｒｅ略有下降，但是ｍＡＰ＠０．５：０．９５有明顯的提升。觀察ＳＳＤＤ 數(shù)據(jù)集上的檢測結(jié)果可以發(fā)現(xiàn)，雖然預處理算法并不會帶來網(wǎng)絡(luò)本身運算量的提高，但是由于該預處理算法在數(shù)據(jù)讀取過程中需要進行濾波計算，因此會在一定程度上降低ＦＰＳ，但是相比于檢測準確性能的提升，ＦＰＳ的下降并不明顯。而通過觀察ＬＳ-ＳＳＤＤ數(shù)據(jù)集上的檢測結(jié)果可以發(fā)現(xiàn)，在加入本文所提預處理算法后，ＦＰＳ有一定程度上的提高。

２．４．３ＯＲＬＭ 模塊與現(xiàn)有預處理算法性能的對比

在本節(jié)實驗中，將本文提出的ＯＲＬＭ 模塊預處理算法和現(xiàn)有的ＮＳＬＰ［１７］通道擴展集成預處理算法都進行集成，并加入到ＹＯＬＯｖ５ｍ 目標檢測網(wǎng)絡(luò)的數(shù)據(jù)讀取模塊中，將訓練結(jié)果進行對比，得到的結(jié)果如表５所示。通過對比表５中的實驗結(jié)果可以發(fā)現(xiàn)，本文提出的ＯＲＬＭ 模塊預處理算法的各種準確性能相對ＮＳＬＰ 預處理算法都更高，雖然在ＦＰＳ方面略有欠缺，但是并不明顯。因此可以得出結(jié)論：本文預處理算法具有廣泛的可靠性能，并且優(yōu)于現(xiàn)有預處理算法。

３結(jié)論

針對ＳＡＲ 圖像每個通道數(shù)據(jù)都相同、進而導致進行深度學習訓練時卷積神經(jīng)網(wǎng)絡(luò)的計算資源存在浪費的問題，本文提出的ＯＲＬＭ 模塊預處理算法可以在不明顯降低ＦＰＳ的前提下，提高檢測準確性，通過實驗對比分析，可以得到以下結(jié)論：

（１）本文提出的ＳＡＲ圖像預處理模塊在被應用于各種深度卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)讀取步驟中時，均可以較好地提?。樱粒?圖像中目標的輪廓特征，因此可以明顯提高檢測準確率，并且在一定程度上保持檢測實時性。

（２）本文提出的ＳＡＲ圖像預處理模塊，在被應用到各種不同的骨干網(wǎng)絡(luò)中時均可提升檢測準確性能，并且優(yōu)于現(xiàn)階段的先進預處理算法。

作者簡介

龔峻揚（１９９８—），男，碩士研究生，主要研究方向為基于深度學習的ＳＡＲ 圖像目標檢測技術(shù)、信號處理。

付衛(wèi)紅（１９７９—），女，教授，碩士研究生導師，博士，主要研究方向為盲信號處理、深度學習、目標檢測。

劉乃安（１９６６—），男，教授，博士，主要研究方向為寬帶無線ＩＰ 網(wǎng)絡(luò)與技術(shù)、無線通信。