本发明属于sar(syntheticapertureradar,合成孔径雷达)技术领域,涉及一种利用合成孔径雷达对舰船目标进行检测的方法。
背景技术:
舰船目标检测是sar应用的一个重要领域。在军事情报监视、非法移民监管和大范围海洋交通监管等领域有着广泛的应用。近年来,基于gp–pnf(geometricalperturbation–polarimetricnotchfilter,几何扰动的极化陷波滤波器)被应用到了极化sar舰船检测问题研究上来,并取得了不错的检测效果(参考文献:a.marinoandi.hajnsek,“statisticaltestsforashipdetectorbasedonthepolarimetricnotchfilter,”ieeetrans.geosci,remotesens.,vol.53,no.8,pp.4578–4595,aug.2015)。但是gp–pnf需要根据目标船只预先人为的设置参数,这使得gp–pnf无法实现完全的自适应检测(参考文献:a.marino,m.sugimoto,k.ouchi,andi.hajnsek,“validatinganotchfilterfordetectionoftargetsatseawithalos-palsardata:tokyobay,”ieeej.sel.topicsappl.earthobserv.remotesens.,vol.7,no.12,pp.4907–4918,dec.2014),这在一定程度上限制了gp–pnf的使用效率。
技术实现要素:
本发明提供一种利用snf(simplifiednotchfilter,简化陷波滤波器)对舰船目标进行检测的方法。该方法不需要人为的预先设置参数,可以实现舰船目标的自适应检测。
本发明的技术方案是:
首先利用极化sar获得目标所在区域的全极化数据,利用全极化数据计算散射矢量,然后利用散射矢量构建特征部分散射矢量,再利用特征部分散射矢量计算snf图像,最后对snf图像采用cfar(constantfalsealarmrate,恒虚警率)检测实现对于舰船目标的检测。其中,snf图像的第i行第j列元素γ0(i,j)为:
其中,
本发明的有益效果是:
与现有的技术相比,本发明不需要人为预先设定参数值,可以实现完全的自适应舰船目标检测,因此本发明简洁易行、计算速度快。
附图说明
图1为本发明流程图;
图2为本发明实验数据;
图3,图4,图5和图6为本发明实验结果对比图。
具体实施方式
图1为本发明流程图,具体实施步骤如下:
第一步,
对得到的极化sar图像(图像大小为n×m)计算每一点对应的散射矢量ki,j(i=1,...,nj=1,...,m),其具体计算方法如公式一所示:
其中ki,j,l(l=1,2,3)表示散射矢量ki,j的第l个分量,shh(i,j)表示极化sar图像第i行第j列元素对应的水平散射分量,shv(i,j)表示极化sar图像第i行第j列元素对应的交叉散射分量,svv(i,j)表示极化sar图像第i行第j列元素对应的垂直散射分量,t表示转置操作。
第二步,
采用3×3的滑动窗计算极化sar图像中每一点的特征部分散射矢量ti,j:
其中每个点对应的特征部分散射矢量ti,j都包括6个分量。
第三步,
计算整幅极化sar图像的特征部分散射矢量tsea:
其中特征部分散射矢量tsea包括6个分量,<>在这里表示对整幅图像取空间平均。
第四步,
计算极化sar图像中每个像素点所对应的snf图像的像素点,其具体计算公式如下:
其中γ0(i,j)表示极化sar图像第i行第j列元素所对应的snf,
第五步,
估计snf图像统计分布的尺度参数α,视数n和参数λ,其具体估计方法如公式五所示。
其中ψ()表示psi函数,ψ(,)表示polygamma函数,m表示cfar检测背景窗中的像素总个数,xi表示背景窗中第i个像素的灰度值。
第六步,
根据第五步中得到的形状参数估计
其中pfa表示虚警率,n表示视数,pt表示舰船目标的功率,μ表示舰船目标功率的均值,b(,)表示beta函数,2f1(,;;)表示高斯超几何函数。
对snf图像进行检测,当检测像素点的灰度值大于等于
从技术方案上可以看到,整套舰船目标检测流程在给定虚警率pfa的前提下,不需要额外人为给定任何参数,可以实现完全的自适应检测。
图2为本发明实验数据,是利用alos-palsar平台得到的极化sar图像,其中横坐标表示方位向,纵坐标表示距离向,图中用白色矩形框标示的是需要检测的舰船目标,其中包括两个舰船目标。
图3,图4为本发明实验结果对比图。图3表示的是利用本发明得到的舰船目标检测结果图,图4表示的是利用rsm(reflectionsymmetrymetric,反射对称度量)得到的舰船目标检测结果图,图3,图4中白色像素点即为检测到的舰船目标像素点。图5和图6分别是图3和图4的局部放大图,即图2中的左上角舰船目标所对应区域的放大图。四幅图的横坐标都表示方位向,纵坐标都表示距离向。通过观察图5和图6可以发现,两种方法都成功检测到了舰船目标,但是相比于rsm,本发明方法可以获得更加完整的舰船目标,保留更多的舰船目标特征,有利于后续的舰船目标鉴别操作。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
现有的gp–pnf方法,其gp–pnf图像的像素计算公式如公式七所示:
其中γ表示gp–pnf,redr为缩比参数,这一参数的取值将会影响gp–pnf的cfar检测性能,通常需要人为选取。而本发明提出的snf图像的cfar检测性能不受redr的约束,这使得snf能够自适应的实现舰船目标检测。
snf图像的cfar检测性能不受redr约束的证明过程如下:
首先给出gp–pnf的概率密度函数,其表达式如公式八所示:
利用公式八,可以进一步得到关于cfar检测阈值tγ的表达式如下:
采用变量替换
继续采用变量替换t=λredrx,可以将公式十写成如下形式:
由于γ与pt满足如下等式关系:
所以γ是关于pt严格单调递增的。而且对于每一个γ∈(0,1),tγ都对应着一个最小值
根据公式十三,可以得到如下等式:
将公式十四代入公式十一中,可以得到:
从公式十五中可以看到,虚警率pfa只与