基于超像素散射机制的极化sar图像舰船目标检测方法
【专利摘要】本发明公开了一种基于超像素散射机制分布特征的极化SAR图像舰船目标检测方法，实现步骤为：应用SLIC迭代聚类算法，得到不同尺度下的超像素分割结果；进行超像素散射机制分布特征的定义；分别提取杂波训练图像与测试图像中每一个超像素的散射机制分布特征矢量；进行杂波训练图像过完备字典的构造；对测试图像进行对应字典下的散射特征稀疏重构，得到检测统计量图像；通过对检测统计量图像施加一个合适的检测阈值，得到最终检测结果的二值图像。本发明解决了呈现分布式特征的舰船目标的检测问题，在超像素级的水平上进行舰船目标的检测，有效地利用了散射机制的区域性分布特征，在不同信杂比下具有更高的稳健性。
【专利说明】基于超像素散射机制的极化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】，主要涉及极化SAR图像舰船目标检测方法， 具体是一种基于超像素散射机制分布特征的极化SAR图像舰船目标检测方法，为后续的舰 船目标鉴别、识别与分类提供重要的有用信息。
【背景技术】
[0002] 合成孔径雷达（Synthetic Aperture Radar, SAR)利用微波遥感技术，不受气候和 昼夜影响，具有全天候、全天时的工作能力，并具有多频段、多极化、视角可变和穿透性等特 点。目前，SAR已广泛应用于军事侦察、地质普查、地形测绘和制图、灾情预报、海洋应用以 及科学研究等领域，具有广阔的研究和应用前景。极化SAR因能获取完整极化信息的显著 优势而迅速成为SAR发展的重要方向之一。基于极化SAR图像的舰船目标检测是极化SAR 的一个重要的应用领域。
[0003] 现有的极化SAR舰船目标检测方法主要可分为两类，第一类方法完全或部分依赖 于雷达回波的强度信息，例如功率检测器、极化白化滤波以及新近提出的基于反射对称特 性的极化目标检测器，其中，功率检测器仅利用了雷达回波的强度信息，该检测算法对于高 信杂比下的目标检测效果较好，而对于低信杂比下的散射强度较弱的目标漏检概率较大， 对于散射强度较大的杂波点会产生较大的虚警率；极化白化滤波检测器也依赖于雷达回波 的强度信息，当信杂比降低时，对于散射强度较大的杂波点也会产生较大的虚警率。这些方 法在检测时都对图像中的每一个像素点分别孤立进行判断，没有利用目标或杂波区域像素 点集合整体所体现出来的目标与杂波的差异性，因此在目标区域容易产生孤立的漏警像素 点，而在杂波区域容易产生孤立的虚警像素点。为了改进该问题，就需要寻求一种更多考虑 目标的区域性特征的检测算法。
[0004] 第二类方法仅利用了雷达回波的极化散射机理信息，并不依赖于雷达回波的散 射强度，例如学者A. Marino等提出的partial-target detector (PTD)。当图像的信杂比 (Signal-to-Clutter Ratio, SCR)降低时，基于散射强度的检测方法效果可能会变差，而依 赖于散射机制的检测算法对于不同信杂比下的极化SAR数据会具有更稳健的检测效果，这 主要归功于雷达回波的极化信息对探测区域内目标的物理结构信息的一定表征能力。但是 当检测算法对图像中的每一个像素点孤立进行判断时，由于某些目标像素点的散射机理与 某些杂波的散射机理类似，这样基于单个像素点的散射机理就会将目标上的这些像素点漏 检，或者将杂波中的这些像素点检测为虚警。因此，一些扩展目标的检测不能仅仅依赖于对 单个像素点散射机理信息的检测，而要更多的考虑散射机制的区域分布特征。
[0005] 综上所述，随着极化SAR图像分辨率的不断提升，已有的一些极化SAR舰船目标检 测算法对呈现区域性特征分布的扩展目标的检测具有较大的局限性，这就迫切需要寻求一 种基于区域分布特征信息进行极化SAR舰船目标检测的方法。本发明方法就是在这样的研 究背景下提出的。
【发明内容】
[0006] 本发明方法针对已有极化SAR目标检测方法的不足，提供了一种基于超像素散射 机制的极化SAR图像舰船目标检测方法。该方法仅利用了极化雷达回波的散射机制信息， 与回波强度值无关，保证了该检测方法在不同信杂比下的良好的检测性能。此外，相比于像 素级的极化SAR目标检测算法，本发明方法利用了高分辨SAR图像中扩展目标的区域散射 机制分布特征，使得检测性能得到提升。
[0007] 本发明是这样实现的：
[0008] 一、技术思路
[0009] 本发明根据SAR图像中目标与杂波的散射机制在经典的H/ a平面中的不同分布 特点，首先将简单线性迭代聚类（Simple Linear Iterative Clustering, SLIC)方法应用 于极化SAR数据，对给定的极化SAR图像进行多尺度超像素分割；然后，提取每一个超像素 区域的散射机制分布特征，进而使用训练图像所对应的超像素区域散射机制分布特征对测 试图像的特征进行重构；最后，基于重构误差构造出不依赖于散射强度的检测统计量，得到 检测统计量图像。通过对检测统计量图像使用一个合适的门限值，就可以得到最终的检测 结果。
[0010] 二、技术方案
[0011] 本发明是一种基于超像素散射机制的极化SAR图像舰船目标检测方法，其特征在 于检测过程包括有如下步骤：
[0012] 步骤1，多尺度极化SAR图像超像素生成：利用SLIC算法的局部迭代聚类流程，对 全极化SAR测试图像与杂波训练图像分别进行超像素分割，在收敛准则下分别获得测试图 像与杂波训练图像的多尺度超像素分割结果，分割过程包括如下步骤：
[0013] la)对极化雷达获取的包含舰船目标的全极化SAR测试图像与杂波训练图像进 行预设尺度下的超像素分割，分别进行测试图像与杂波训练图像初始聚类中心的获取与移 动；
[0014] Ib)分别将测试图像与杂波训练图像中每一个像素点进行所属聚类中心的归类；
[0015] 1C)分别剔除测试图像与杂波训练图像中不包含任何像素点的聚类中心；
[0016] Id)更新测试图像与杂波训练图像的超像素聚类中心，通过改变分割尺度，在收敛 准则下分别获得测试图像与杂波训练图像的多尺度超像素分割结果。
[0017] 步骤2,超像素散射机制分布特征定义：首先将全极化SAR测试图像与杂波训练图 像中每一个像素点对应的相干矩阵矢量化，获得每个像素点的散射机制特征矢量，然后将 每个超像素内所有像素点的散射机制特征矢量的平均矢量作为对应超像素的平均散射机 制特征矢量，将每个超像素的协方差矩阵的矢量化结果作为表征超像素散射机制的协方差 特征矢量。
[0018] 步骤3,超像素散射机制分布特征提取：针对测试图像与杂波训练图像的多尺度 超像素分割结果，分别提取测试图像与杂波训练图像中每一个超像素的平均散射机制特征 矢量与协方差特征矢量，获得不同分割尺度下的每一个超像素散射机制分布特征矢量。
[0019] 步骤4,杂波训练图像过完备字典构造：根据杂波训练图像在每一个分割尺度下 的超像素分割结果提取的两种散射机制分布特征矢量，构造两个过完备字典D 1, D2，其中，字 典的每一列由训练图像中每一个超像素对应的散射机制分布特征矢量的归一化特征矢量 构成。
[0020] 步骤5,检测统计量定义：将测试图像中同一分割尺度下的超像素散射特征矢量 表示为对应字典中列向量的稀疏线性组合，根据稀疏表示残差构造每个超像素的检测统计 量，接着将超像素检测统计量转换成像素级的检测统计量；对于测试图像中的每个像素点， 计算其在不同分割尺度下对应检测统计量的平均值，然后对两种超像素散射机制分布特征 像素级的平均检测统计量再次求平均，获取测试图像的检测统计量，得到测试图像的检测 统计量图像r 。
[0021] 步骤6,对测试图像的检测统计量图像r施加一个设定检测率下对应的检测阈 值Th,将检测统计量图像r中像素值大于检测阈值的像素点设为目标点，像素值低于检 测阈值的像素点设为杂波点，获得测试图像舰船目标检测结果的二值化图像I。
[0022] 本发明的实现还在于：步骤1所述的初始聚类中心的获取与移动，按如下步骤进 行：
[0023] Ial)在全极化SAR测试图像与杂波训练图像平面上以预先设定的超像素尺寸S的 大小为步长进行均匀取样，可获取初始的聚类中心，依次编号为1，2,…，V，其中，S可由 预估的舰船尺寸进行设置，K s'为初始聚类中心的总数目，也等于所分割的超像素的总数 目，计算公式为：
[0024] Ks'= floor (M/S) *fIoor (N/S)，
[0025] 其中，fl〇〇r( ?)表示向零取整函数，M与N分别为极化SAR图像的行数与列数；
[0026] la2)将聚类中心坐标标记矩阵记为P。，维数为2XKS'，其中，P。的第i列记录 第i个聚类中心的位置坐标，即Ge' J ;记所有聚类中心的相干矩阵为T。，维数为 3X3XKS'，其中，T。的第i个3X3维的矩阵等于坐标（X' J处的相干矩阵，即 !；(:，：，;〇 =1(:,:,1' J，矩阵T表示极化SAR图像中所有像素点的相干矩阵，维 数为3X3XMXN ;将聚类中心编号矩阵记为L。，维数为MXN，将其赋值为全0矩阵；
[0027] la3)为防止聚类中心落在图像边缘像素和噪声像素点上，将全极化SAR测试图像 与杂波训练图像中的每一个超像素聚类中心移动到其所在的3X3邻域内具有最小边缘强 度的像素点上，首先定义单个像素点的水平和垂直边缘强度分别为：
[0028]
【权利要求】
1. 一种基于超像素散射机制的极化SAR图像舰船目标检测方法，其特征在于检测过程 包括有如下步骤： 步骤1，多尺度极化SAR图像超像素生成：利用SLIC算法的局部迭代聚类流程，对全极 化SAR测试图像与杂波训练图像分别进行超像素分割，在收敛准则下分别获得测试图像与 杂波训练图像的多尺度超像素分割结果，分割过程包括如下步骤： la) 对极化雷达获取的包含舰船目标的全极化SAR测试图像与杂波训练图像进行预设 尺度下的超像素分割，分别进行测试图像与杂波训练图像初始聚类中心的获取与移动； lb) 分别将测试图像与杂波训练图像中每一个像素点进行所属聚类中心的归类； lc) 分别剔除测试图像与杂波训练图像中不包含任何像素点的聚类中心； ld) 更新测试图像与杂波训练图像的超像素聚类中心，通过改变分割尺度，在收敛准则 下分别获得测试图像与杂波训练图像的多尺度超像素分割结果； 步骤2,超像素散射机制分布特征定义：首先将全极化SAR测试图像与杂波训练图像中 每一个像素点对应的相干矩阵矢量化，获得每个像素点的散射机制特征矢量，然后将每个 超像素内所有像素点的散射机制特征矢量的平均矢量作为对应超像素的平均散射机制特 征矢量，将每个超像素的协方差矩阵的矢量化结果作为表征超像素散射机制的协方差特征 矢量； 步骤3,超像素散射机制分布特征提取：针对测试图像与杂波训练图像的多尺度超像 素分割结果，分别提取测试图像与杂波训练图像中每一个超像素的平均散射机制特征矢量 与协方差特征矢量，获得不同分割尺度下的每一个超像素散射机制分布特征矢量； 步骤4,杂波训练图像过完备字典构造：根据杂波训练图像在每一个分割尺度下的 超像素分割结果提取的平均散射机制特征矢量与协方差特征矢量，构造两个过完备字典 D1, D2，其中，字典的每一列由训练图像中每一个超像素对应的散射机制分布特征矢量的归 一化特征矢量构成； 步骤5,检测统计量定义：将测试图像中同一分割尺度下的超像素散射特征矢量表示 为对应字典中列向量的稀疏线性组合，根据稀疏表示残差构造每个超像素的检测统计量， 接着将超像素检测统计量转换成像素级的检测统计量；对于测试图像中的每个像素点，计 算其在不同分割尺度下对应检测统计量的平均值，然后对两种超像素散射机制分布特征像 素级的平均检测统计量再次求平均，获取测试图像中每一个像素点的检测统计量，得到测 试图像的检测统计量图像Γ ; 步骤6,对测试图像的检测统计量图像Γ施加一个设定检测率下对应的检测阈值Th, 将检测统计量图像Γ中像素值大于检测阈值的像素点设为目标点，像素值低于检测阈值 的像素点设为杂波点，获得测试图像舰船目标检测结果的二值化图像I。
2. 根据权利要求1所述的基于超像素散射机制的极化SAR图像舰船目标检测方法，其 特征在于步骤1所述的初始聚类中心的获取与移动，按如下步骤进行： Ial)在全极化SAR测试图像与杂波训练图像平面上以预先设定的超像素尺寸S的大 小为步长进行均匀取样，获取初始的聚类中心，依次编号为1，2, ···，!(' s，其中，S由预估的 舰船尺寸进行设置，K' s为初始聚类中心的总数目，也等于所分割的超像素的总数目，K' s 的计算公式为： Kis = floor(M/S)*floor(N/S), 其中，floor ( ·)表示向零取整函数，M与N分别为极化SAR图像的行数与列数； la2)将全极化SAR图像超像素聚类中心的坐标标记矩阵记为P。,维数为2ΧΙΓ s,其 中，P。的第i列记录第i个聚类中心的位置坐标，即（X' & ^ J ;记所有聚类中心的相干 矩阵为T。，维数为3Χ3ΧΓ s，其中，T。的第i个3X3维的矩阵等于坐标（X' J处 的相干矩阵，S卩！；（:，：，i)=T(:，：，x' J，矩阵T表示极化SAR图像中所有像素点 的相干矩阵，维数为3X3XMXN ;将聚类中心编号矩阵记为L。，维数为MXN，将其赋值为全 〇矩阵； la3)将全极化SAR测试图像与杂波训练图像中的每一个超像素聚类中心移动到其所 在的3X3邻域内具有最小边缘强度的像素点上，首先定义单个像素点的水平和垂直边缘 强度分别为：
其中，XUP，Lght分别表示坐标位置为（X，y)的像素点在其3X 3邻域内的上 下左右边缘三个像素点对应相干矩阵的和矩阵，I · I表示取矩阵的行列式运算，单个像素 点最终的边缘强度可表示为：E = max ([Eh Ev]); la4)分别遍历整幅全极化SAR测试图像与杂波训练图像中的所有超像素的聚类中心： 设第i个超像素聚类中心的坐标为（X' μ，太J，其中，KiSK' s，计算该聚类中心 3X3邻域内所有像素点的边缘强度，将具有最小边缘强度的像素点作为新的聚类中心，编 号为 i，坐标记为（xci, yci)，完成赋值工作：T。（:，：，i) = T (:，：，xci, yci)，P。（:，i) = [xci，yj T, Ljxci, yj = i,其中，[· ]τ表示向量转置操作。
3.根据权利要求1所述的基于超像素散射机制的极化SAR图像舰船目标检测方法，其 特征在于步骤1所述的对极化SAR图像中像素点所属聚类中心的分类，按如下步骤进行： Ibl)定义坐标位置为（x，y)的像素点Px，y到某一坐标为（Xc^yJ的聚类中心P ei的度 量距离为：
其中，dQ表示像素点Px，y到聚类中心Pei的Wishart距离，计算公式为： dn=H\Va\) + tr(V-XY), 式中，Vcd, Txy分别表示聚类中心Pcd与像素点Px，y的相干矩阵，tr( ·)表示矩阵求迹运 算；m表示控制超像素紧致度的权重参数，S为超像素的尺寸，dxy为表征像素点Px，y与聚类 中心P . ^问郃忻耜麼的欧氐阳离·丟彳大忒* .
Ib2)定义标记图像L' x，y: L' x'y= {1' x'y|l<x<M，l<y<N，l<l' x'y<K' s}， 其中，每一像素点的值Γ x，y表示全极化SAR图像中对应位置像素点所属聚类中心的 类别编号，限定该像素点属于该类别编号对应的聚类中心，标记图像L' x，y的初始值为全0 矩阵； Ib3)分别遍历整幅全极化SAR测试图像与杂波训练图像，对于坐标位置为（x，y)的像 素点P"，分别计算该像素点与其2SX2S邻域内包含的所有聚类中心的度量距离，将最小 度量距离对应的聚类中心的编号值i赋给标记图像中坐标位置为（x，y)的像素值1'
4. 根据权利要求1所述的基于超像素散射机制的极化SAR图像舰船目标检测方法，其 特征在于步骤1所述的对极化SAR图像中相关聚类中心的剔除，按如下步骤进行： Icl)计算标记图像L' x，y中具有同一个标记值的像素数目，将像素数目为O的标记值 所对应的聚类中心剔除，获得一组新的聚类中心，此时聚类中心的总数目记为Ks，更新聚类 中心相干矩阵T。，聚类中心坐标标记矩阵P。，聚类中心编号标记矩阵L。； lc2)重新遍历整幅SAR图像，对每个像素点，依据最小度量距离原则，将其划归到该像 素点的2SX2S邻域内与该像素点度量距离最小的聚类中心所在类别中，得到更新后的标 记图像，记为 Lx，y = {lx，y I lx，y 彡 Ks}。
5. 根据权利要求1所述的基于超像素散射机制的极化SAR图像舰船目标检测方法，其 特征在于步骤1所述的对超像素聚类中心的更新，按如下步骤进行： Idl)对于第i个超像素 SPi,将更新后的类别编号标记图Lx，y中取值为i的所有像素点 的行位置坐标取出，构成一个行坐标向量，记为Ri,同时将Lx，y中取值为i的所有像素点的 列位置坐标取出，构成一个列坐标向量，记为C i,将类别编号标记图Lx，y中取值为i的像素 点的总数目记为N i，将各聚类中心相干矩阵T。，坐标标记矩阵P。，类别编号标记矩阵L。分别 初始化为零矩阵； ld2)依据SLIC算法的局部迭代机制，分别更新极化SAR测试图像与杂波训练图像的聚 类中心，各属性矩阵的更新方式分别为：
其中，（Ri (j)，Ci (j))为标记图Lx，y中取值为i的第j个像素点的位置坐标，聚类中心 位置坐标更新方式为：
聚类中心编号矩阵更新为：。
6. 根据权利要求1所述的基于超像素散射机制的极化SAR图像舰船目标检测方法，其 特征在于步骤2所述的相干矩阵的矢量化以及对超像素散射机制分布特征矢量的定义如 下所示： 2a)将全极化SAR图像中像素点Px，y对应的相干矩阵Txy矢量化，结果矢量记为：
称其为散射机制特征矢量，其中，I I · I I2表示L2范数，vec(·)表示对矩 阵进行矢量化运算，计算公式为：
其中，表示矩阵Txy的第u行第V列位置处的元素 ，Re ( ·)，Im( ·)分别表示提取复 数的实部与虚部操作，（·）τ表示对向量进行转置运算； 2b)定义第i个超像素平均散射机制特征矢量：
其中，Ni为第i个超像素 SPi所包含像素总数目，在分割尺度S下，可以得到Ks个超像 素，对每一个超像素按照上述公式提取平均散射机制特征矢量； 2c)定义第i个超像素的散射机制协方差特征矢量： Z2 = V^iCsp ), 其中，为超像素 SPi中所有像素点对应的散射机制特征矢量的协方差矩阵，具体计 算公式为：
vec (·)运算与对Txy的矢量化操作类似，只不过为实矩阵，不包括取虚部操作，也 即去除vec(·)中包含虚部的项。
7.根据权利要求1所述的基于超像素散射机制的极化SAR图像舰船目标检测方法，其 特征在于步骤5所述的将测试图像中超像素散射特征矢量表示为对应字典中列向量的稀 疏线性组合以及最终检测统计量的构造按如下步骤进行： 5a)将测试图像中每一个超像素的散射特征矢量表示为同一分割尺度下对应字典中列 向量的稀疏线性组合，形式为： flk - Dkαk+ rI k， 其中，fTk为第k种超像素散射机制分布特征矢量，ke {1，2} ; Iik为稀疏表示残差；CIk 为稀疏表示系数，通过使用正交匹配追踪算法（OMP)求解以下问题得到：
式中，I I · I Itl SLci范数，表示向量中非零元素的个数，Sk表示第k种超像素散射机制 分布特征矢量稀疏表示的稀疏度； 5b)基于测试图像中每个超像素散射特征矢量的稀疏表示残差，构造每个超像素的检 测统计量，具体计算方式为： A Tk - I fTk-Dk α k I I 2/ I I flk I I 2? 其中，Λ Tk表示第k种超像素散射特征矢量对应的检测统计量，Il · Il2表示L2范数， 将超像素检测统计量转换成像素级的检测统计量：记超像素 SPi的第k个散射机制分布特 征对应的检测统计量为ATk，像素点Pxy对应的检测统计量记为A tk，则： λtk = Aft, if Px，ye SPi, 对所有超像素中的每一个像素点进行同样的赋值操作，即可完成超像素检测统计量到 像素级检测统计量的转换。 5c)在不同分割尺度S1下，分别计算每个像素点的两种散射机制分布特征对应的平均 检测统计量为：
其中，N1为分割尺度的总个数，S1表示第1种分割尺度，I < I < N1, 4表示某一像素 点在第1种分割尺度下第k个散射机制分布特征对应的检测统计量；对两种超像素散射机 制分布特征像素级的平均检测统计量再次求平均，获取最终的检测统计量，计算公式为： Λ =(為 I + D/2， 得到测试图像的检测统计量图像r 。
【文档编号】G06K9/62GK104376330SQ201410662259
【公开日】2015年2月25日 申请日期:2014年11月19日 优先权日:2014年11月19日
【发明者】王英华, 何敬鲁, 刘宏伟, 纠博, 陈渤 申请人:西安电子科技大学