极化sar图像舰船目标检测方法
【专利摘要】本发明公开了一种极化SAR图像目标检测方法，主要解决现有检测方法对能量的依赖和虚警率较高的问题。其实现步骤是：选取目标和杂波两类训练样本，并进行特征提取和能量归一；定义极化字典学习目标函数，监督学习一个对杂波和目标具有区分能力的极化字典；对测试图像进行极化特征提取和能量归一；采用极化字典对测试特征向量进行稀疏编码；将特征向量在杂波子字典下的重构误差比例作为检验统计量；比较检验统计量与阈值的大小，将大于阈值的像素判为目标，否则判为杂波，完成目标检测。本发明仅利用极化信息进行目标检测，具有稳健性好，虚警率低，能对弱小目标进行检测的优点，适用于目标和杂波对比度较低时的极化SAR图像目标检测。
【专利说明】极化SAR图像舰船目标检测方法
【技术领域】
[0001] 本发明属于雷达目标检测【技术领域】，特别涉及弱小目标的极化SAR图像舰船目标 检测方法，该方法适合于待检测区域可能存在雷达后向散射较弱的舰船目标的极化SAR图 像舰船目标检测。
【背景技术】
[0002] 舰船检测对海洋监测具有重大意义，由于合成孔径雷达SAR具有全天候，全天时 工作特点，SAR图像对海洋监测相较于光学图像有其独特的优势。一组全极化SAR图像I通 常包含四个极化通道，即水平-水平极化I HH，水平-垂直极Ihv，垂直-水平极化IVH，垂直-垂 直极化Ivv四幅大小相同的图像，是对同一区域的四种极化方式的测量值，当满足极化互易 性定理时有水平-垂直极化Ihv与垂直-水平极化I VH近似相等。极化SAR可以获得目标的 极化特性，极化特性是对目标结构，粗糙程度，对称性等信息的反映，不同于雷达其他参数， 它刻画了目标的重要特性，因而在目标检测中，具有明显优势。
[0003] 现有的极化合成孔径雷达图像PolSAR舰船目标检测，通常采用恒虚警检测方法 CFAR。该类方法先对极化通道进行融合，对融合后的图像进行统计建模，再在选定的统计模 型下，设定虚警率，从而确定检测门限，将舰船目标像素作为异常点检测出来。这类方法均 基于舰船目标回波幅度或强度远高于杂波，具有较大的雷达横截面积RCS的隐含假设。虽 然恒虚警检测方法CFAR在舰船目标检测中，达到了较好的检测精度。但是，由于在实际应 用环境下，舰船可能会采用具有较低的雷达横截面积RCS的设计，用以降低舰船目标的探 测概率，此时，依赖于回波幅度或强度的CFAR检测的应用将受到极大的限制。
[0004] 采用极化散射机理的极化检测方法近年也得到了大量研究，其中部分目标检测方 法PTD，极化对称性检测方法RSD获得了相对较好的检测结果。PTD方法利用杂波样本提 取的极化特征向量，将该向量的正交子空间作为目标子空间，同时构造一个扰动的目标子 空间，对于测试样本，分别在这两个子空间上进行正交投影并将两个投影向量的相关系数 作为检验统计量。RSD根据极化对称性理论，绝大部分自然地物散射单元内大量散射子随 机分布，具有极化散射对称性，但人造目标由于存在很强的结构性往往很难满足，据此从极 化相干矩阵中，提取极化非对称分量作为检验统计量，对该检验统计量建模，完成目标的检 测。这两种方法均是基于单一的散射机理的检测方法，由于海况的不同及相干斑的存在，该 类方法不能总是很好的区分杂波和目标分辨单元，稳健性较低，会出现较高的虚警。
【发明内容】
[0005] 本发明目的在于针对上述已有技术的不足，提供一种极化SAR图像的舰船目标检 测方法，以在不依赖于能量的情况下，实现弱目标的检测并具有较低的虚警率。
[0006] 实现本发明目的的技术思路是：选取舰船目标和杂波的训练样本，学习一个由目 标极化子字典和杂波极化子字典构成的结构化极化字典。通过设计学习准则，降低子字典 对交叉样本的表示能力，即降低目标子字典对杂波样本，杂波子字典对目标样本表示能力； 在测试阶段，采用两类假设，其中原假设：样本为杂波样本；备择假设：样本为目标样本；将 测试样本根据原假设在极化字典上进行稀疏分解；通过分解的系数，计算杂波子字典的重 构误差比例获得样本的检验统计量；将检验统计量与预设阈值进行比较，高于阈值的则判 为目标，否则判为杂波，实现目标的检测。其具体步骤包括如下：
[0007] A.训练步骤：
[0008] (A1)从极化SAR图像场景中，选取Μ个杂波像素作为杂波训练样本集合，对集合中 像素 i = 1，. . .，Μ，采用像素 i的3 X 3邻域窗口内像素计算杂波极化协方差矩阵Q ;
[0009] (A2)根据杂波极化协方差矩阵Cp计算杂波极化特征向量A :
【权利要求】
1. 一种极化SAR图像的舰船目标检测方法，包括： A.训练步骤： (A1)从极化SAR图像场景中，选取Μ个杂波像素作为杂波训练样本集合，对集合中像素 i = 1，. . .，Μ，采用像素 i的3 X 3邻域窗口内像素计算杂波极化协方差矩阵Q ; (A2)根据杂波极化协方差矩阵Q，计算杂波极化特征向量X :
其中 (?"表示矩阵转置；式中Ci(a，b)表示极化协方差矩阵(；第3行第b列的元素，a彡b，a
分别表示取实部和虚部算子； (A3)对杂波极化特征向量^进行能量归一，得到归一化的杂波极化特征向量：
，其中
表示2范数算子； (A4)将归一化杂波特征向量Xi拼接成杂波特征矩阵
： (A5)从极化SAR图像场景中，选取N个目标像素作为目标训练样本集合，对集合中像 素 j = 1，. . .，N，采用与步骤（Al)，（A2)，（A3)相同的操作，得到目标像素 j归一化极化特 征向量将归一化目标极化特征向量拼接成目标特征矩阵
(A6)将杂波特征矩阵&与目标特征矩阵X2进行拼接，得到特征矩阵
(A7)定义杂波编码子字典
，字典的每一列dp称为一个原子 其中p = 1，...，K，K为原子个数；定义目标编码子字典
1，...，Κ ;将杂波编码字典与目标编码字典进行拼接，得到编码字典
； (Α8)利用特征矩阵X，采用稀疏编码与字典更新交替迭代的方法对编码字典D进行学 习，得到输出优化后的编码字典
，L为字典更新迭代次数： Β.测试步骤： (Β1)对于一组待检测全极化SAR图像I，定义一个与水平-水平极化图像'大小相同 的指示图像Β，用以对检测结果中目标像素的位置进行标记； (Β2)对待检测极化SAR图像I中的像素 t采用与训练阶段步骤（Α1)相同的操作，计算 测试极化协方差矩阵Ct ; (B3)根据测试极化协方差矩阵Ct，进行与训练阶段步骤（A2)相同的操作，提取测试极 化特征向量$: (B4)对测试极化特征向量g进行与训练阶段步骤（A3)相同的操作，获得归一化测试极 化特征向量xt ; (B5)假设测试像素点t为杂波，根据训练阶段步骤（A8)学习获得的编码字典D%对测 试极化特征向量\进行稀疏编码，获得测试极化特征向量xt的稀疏编码系数
其 中ztl，zt2分别为测试极化特征向量xt在杂波编码字典Di和目标编码字典D 2的编码系数； (B6)根据稀疏编码系数zt，构建检验统计量：
(B7)根据虚警率设置检测阈值T = 0. 42,将检验统计量1 (xt)与该阈值进行比较，若大 于检测阈值T则判别为目标，在指示图像B中将像素 t所在位置标记为1，否则标记为0 ; (B8)对待检测图像I的每一个像素，都进行与步骤（B2)?（B7)相同的操作，完成对指 示图像B的赋值，指示图像B即为对应于待检测图像I的检测结果。
2. 根据权利要求书1所述的方法，其中所述步骤（A1)中计算杂波极化协方差矩阵Q， 采用如下公式进行计算：
其中si表示像素 i的3X3邻域窗口内像素集合，ksi为与杂波像素 i相邻的像素 si 对应的极化散射矢量，（·）H为矩阵复共轭算子，〈·>表示取算术平均。
3. 根据权利要求书1所述的方法，其中步骤（A8)所述的采用稀疏编码与字典更新交替 迭代的方法对编码字典D进行学习，按如下步骤进行： (A8. 1)定义字典学习目标函数：
其中，稀疏编码系数
，Zu表示特征矩阵&对应于子字典Di的编码系数，
;式中
分别为矩阵h范数算子，F范数算子，λ，γ为平 衡参数； (Α8. 2)分别从杂波特征矩阵&和目标特征矩阵Χ2中随机选择Κ个杂波特征向量，对 杂波编码字典Di和目标编码字典D2进行初始化，得到初始化编码字典
，其中r =0,. . .，L为迭代步数，L为最大迭代步数，设初始迭代步数r = 0 ; (A8. 3)对于第r步迭代，利用编码字典
，根据优化目标函数，采 用proximal - point方法对特征矩阵X进行稀疏编码，得到稀疏编码系数矩阵
(A8. 4)利用稀疏编码系数矩阵Z%根据优化目标函数求解得到编码字典; (A8. 5)更新迭代次数
，如果迭代次数
，返回步骤（A8. 2)，否则终止迭 代，输出优化后的编码字典矿=妒+1。
4. 根据权利要求书所述的方法，其中所述步骤（B7) -种根据虚警率进行设置检测阈 值T的方法，是采用Beta分布对检验统计量1 (xt)进行统计建模，获得统计分布g (1 (xt)); 人工选定一个虚警率Pf，采用如下公式对检测阈值T进行计算：
根据统计模型g(l 0〇)可以唯一确积分上限Τ，积分上限即为检测阈值Τ。
【文档编号】G06K9/66GK104091335SQ201410320187
【公开日】2014年10月8日 申请日期:2014年7月4日 优先权日:2014年7月4日
【发明者】刘宏伟, 文伟, 王英华, 陈渤 申请人:西安电子科技大学