基于凹陷滤波的极化合成孔径雷达海上舰船目标检测方法与流程

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，tsea是sar图像的特征部分散射矢量，*表示取共轭操作，||表示取模操作,t表示转置操作。

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。表示极化sar图像第i行第j列个元素的第x个散射分量和第y个散射分量之间的相位，exp()表示指数函数，*表示取共轭操作，||表示取模操作，<>0在这里表示对以第i行第j列元素为中心的3×3的矩形区域作空间平均。

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视数参数估计以及参数λ的估计值计算cfar检测阈值检测阈值的具体计算方法如公式六所示。

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时，判定为舰船目标像素，否则，判定为背景像素，实现对于海上舰船目标的检测。

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：

采用变量替换可以将公式九改写为：

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并且二者满足如下关系：

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只与有关，而与redr无关，这也就从理论上证明了本发明提出的snf的cfar检测性能不受redr的约束。