1.一种基于多分支注意力的SAR船舶检测方法,其特征在于:所述检测方法包括以下步骤:S1:通过SRE模块中对原始图像进行去噪处理;
S2:基于Otsu从背景中提取出存在船舶的潜在区域;
S3:基于GLO结合全局和局部信息过滤背景信息,过滤掉背景信息的图像是结合MBA模块的检测网络的输入;
S4:通过CSPDarknet和MBA模块提取更多特征,特征以从上到下和从下到上的双向形式融合;
S5:利用预测头输入三个不同尺度的融合特征得到检测结果;
其中,所述CSPDarknet提取检测网络中的特征,在DarkNet的基础上,将DarkNet残差块改为跨级粒子;将MBA模块嵌入到CSPDarknet中,在不同的分支中使用不同的权重;
所述MBA模块包括抽取单元、转化单元,抽取单元用于从特征图中提取特征,对于给定的输入X,通过提取块提取其特征,RF=E(X, we),we是提取模块的参数,RF是输出,通过三个卷积分支并行得到三个不同感受野的特征RF1、RF2和RF3,三个分支的卷积核分别为1×1, 3×3和5×5,激活函数是Relu,计算表达式为:然后通过Add操作将三个分支的输出进行融合,计算表达式为:;
所述转化单元用于对提取出来的特征进行处理,并将特征转换到非线性注意空间中,表示为W = T (RF, wt),其中wt为变换操作的参数,W为模块的输出,W = [W1, W2, W3],W中每个元素的宽度和高度与RF相同,融合模块将注意力图输出与原始卷积块进行融合,输出表达式为:其中i是W的索引,X'是融合的特征映射。
2.根据权利要求1所述的一种基于多分支注意力的SAR船舶检测方法,其特征在于:所述SRE模块对原始图像进行去噪处理包括以下步骤:计算图像中具有相似邻域结构的像素的加权平均,得到当前像素的估计值,计算表达式为:;
其中s(x, y)表示x和y之间的相似度,C表示图像的坐标域,N= {N(x) | x∈C}为有噪声的SAR船舶图像,T为去噪后的图像,为T中像素点y的值。
3.根据权利要求2所述的一种基于多分支注意力的SAR船舶检测方法,其特征在于:步骤S3中,过滤背景信息包括以下步骤:通过大津二值化将目标从背景中分离,计算表达式为:;
式中,L为图像T中不同的灰度级别,h*w为图像的分辨率,Pi为像素灰度为i的概率,ni表示灰度级别为i的像素点个数;
设置阈值t, 0 < t < L-1,根据阈值,将图像像素分为对象Co和背景Cb两类,若像素的灰度值小于或等于阈值,则将其归类为Cb,如果大于t,则归为Co。
4.根据权利要求3所述的一种基于多分支注意力的SAR船舶检测方法,其特征在于:所述图像像素被归为Cb和Co的概率分别用Pb和Po表示:;
;
Cb和Co中像素的平均灰度值计算表达式为:
;
;
则整个图像的MGV计算表达式为:
;
计算背景与对象之间的类间方差表达式为:
;
使类间方差最大的t为最佳全局阈值,称为tg,基于最佳全局阈值,Otsu将目标区域与背景区域分离。