基于低秩字典学习及稀疏表示的极化sar舰船检测方法
【专利摘要】本发明属于雷达自动目标检测领域，公开一种基于低秩字典学习及稀疏表示的极化SAR舰船检测方法，该方法适用于极化SAR图像中的舰船目标检测，其具体包括以下步骤：步骤1，提取海杂波样本作为训练杂波样本，由杂波样本的像素构造训练数据矩阵Z；步骤2，利用训练数据矩阵Z进行训练，通过学习得到低秩字典D；步骤3，基于学习得到的低秩字典D，对测试样本的所有像素的特征向量进行稀疏表示，根据求解的稀疏表示系数定义一个依赖于散射机制的检测统计量，并设定一个检测统计量门限，对测试样本的所有像素的检测统计量进行门限检测，获得最终显示检测结果的二值图像。
【专利说明】基于低秩字典学习及稀疏表示的极化SAR舰船检测方法
【技术领域】
[0001]本发明属于雷达自动目标检测领域，涉及一种基于低秩字典学习及稀疏表示的极化SAR舰船检测方法，该方法适用于极化SAR图像中的舰船目标检测。
【背景技术】
[0002]合成孔径雷达(Synthetic Aperture Radar, SAR)具有全天时、全天候工作的能力等特点，目前已经成为了一种重要的高分辨遥测手段。SAR图像很重要的一项应用就是舰船检测。近年来，基于全极化SAR数据的舰船检测引起了广泛的关注，其原因是极化SAR数据使得基于散射机制的检测成为了可能。
[0003]早期的极化SAR目标检测方法通常依赖于散射强度，例如，基于极化白化滤波器(PWF)的目标检测方法。在低信杂比情况下，基于散射强度的检测方法的检测性能可能会下降。近年来，有学者提出了一些基于极化信息而非散射强度的方法，例如，部分目标检测器(PTD)。使用PTD检测器来检测海杂波背景下的舰船目标时，海杂波可以用一个特征向量来描述，然后通过检测不属于杂波类的像素来实现目标的检测。然而，当杂波具有变化的散射机制时，仅用一个特征向量来描述杂波不够灵活。
[0004]为了更好地描述杂波，一种方法是使用子空间方法。有学者提出了基于稀疏表示的高光谱图像目标检测方法，他们假设目标和杂波位于不同的子空间，每个子空间由相应类别样本构成的字典描述。使用目标和杂波的联合字典对测试样本进行稀疏表示，进而得到检测结果。当没有受噪声污染的目标或杂波样本的确位于一个子空间时，由每一类的训练样本构成的字典应该是低秩的。然而，当训练样本被噪声污染时，字典的低秩性可能会被破坏。
【发明内容】
[0005]针对上述现有技术的不足，本发明的目的在于提供一种基于低秩字典学习及稀疏表示的极化SAR舰船检测方法，该方法基于散射机制而不是散射强度，因此在低信杂比情况下，本发明的方法的检测效果比一些现有的方法有所提高。
[0006]本发明的技术思路是:
[0007]训练阶段，用一些杂波样本像素来训练，对每个训练样本像素用一个由极化协方差矩阵产生的特征向量来描述该像素的散射机制，然后利用训练样本像素的特征向量进行低秩字典的学习进而得到一个字典，该字典的原子张成杂波子空间。每一个训练样本像素可以表示成字典原子的稀疏线性组合，再加上一个噪声项。本发明中利用学到的低秩字典来描述海杂波，这比用单一的特征向量描述杂波更灵活。
[0008]测试阶段，利用训练阶段得到的低秩字典对测试样本的每一个像素的特征向量进行稀疏表示，利用稀疏表示系数，定义一个检测统计量，该统计量主要依赖于极化信息而不是散射强度。得到测试图像对应的检测统计量图像后，对该检测统计量图像施加一个全局门限，得到最终的检测结果。[0009]为了达到上述目的，本发明采用以下技术方案予以实现。
[0010]一种基于低秩字典学习及稀疏表示的极化SAR舰船检测方法，其特征在于，包括以下步骤:
[0011]步骤1，提取海杂波样本作为训练杂波样本，由杂波样本的像素构造训练数据矩阵Z ；
[0012]步骤2，利用训练数据矩阵Z进行训练，通过学习得到低秩字典D ；
[0013]步骤3，基于学习得到的低秩字典D，对测试样本的所有像素的特征向量进行稀疏表示，根据求解的稀疏表示系数定义一个依赖于散射机制的检测统计量，并设定一个检测统计量门限，对测试样本的所有像素的检测统计量进行门限检测，获得最终显示检测结果的二值图像。
[0014]上述的技术方案的特点和进一步改进在于:
[0015](I)步骤I的具体子步骤为:
[0016](1.1)提取海杂波样本作为训练杂波样本，将训练杂波样本的N个像素的特征向量组成训练数据矩阵Z，其表达式为:Z = [Z1...Z1...zN]；
[0017]其中，N为训练杂波样本中选取的像素的个数，且N > 9，特征向量Zi表示训练杂波样本的第i个像素的特征向量i = 1，2...N，则训练数据矩阵Z的大小为9XN ；
[0018](1.2)对训练杂波样本的第i个像素，根据其极化散射矩阵Si,得到极化散射向量Svi,进而得到协方差矩阵C、根据协方差矩阵Ci得到该像素的特征向量Zi,具体表达式如下:
【权利要求】
1.一种基于低秩字典学习及稀疏表示的极化SAR舰船检测方法，其特征在于，包括以下步骤: 步骤1，提取海杂波样本作为训练杂波样本，由杂波样本的像素构造训练数据矩阵Z ； 步骤2，利用训练数据矩阵Z进行训练，通过学习得到低秩字典D ； 步骤3，基于学习得到的低秩字典D，对测试样本的所有像素的特征向量进行稀疏表示，根据求解的稀疏表示系数定义一个依赖于散射机制的检测统计量，并设定一个检测统计量门限，对测试样本的所有像素的检测统计量进行门限检测，获得最终显示检测结果的二值图像。
2.根据权利要求1所述的基于低秩字典学习及稀疏表示的极化SAR舰船检测方法，其特征在于，步骤I的具体子步骤为: (1.D提取海杂波样本作为训练杂波样本，将训练杂波样本的N个像素的特征向量组成训练数据矩阵Z，其表达式为:Z = [Z1...Z1...zN]； 其中，N为训练杂波样本中选取的像素的个数,且N > 9,特征向量Zi表示训练杂波样本的第i个像素的特征向量i = 1，2...N，则训练数据矩阵Z的大小为9XN ； (1.2)对训练杂波样本的第i个像素，根据其极化散射矩阵Si,得到极化散射向量Svi,进而得到协方差矩阵C1。根据协方差矩阵Ci得到该像素的特征向量Zi,具体表达式如下:
3.根据权利要求1所述的基于低秩字典学习及稀疏表示的极化SAR舰船检测方法，其特征在于，步骤2的具体子步骤为: (2.1)初始化低秩字典D及稀疏系数矩阵X ；对低秩字典D及稀疏系数矩阵X的初始化，低秩字典D和稀疏系数矩阵X对应的初始化量分别为Dtl和Xtl ； 低秩字典的初始化量Dtl由训练数据矩阵Z得到，具体如下获取:
Z [Z1......ZN]; 其中，N为训练杂波样本中选取的像素的个数,且N > 9,特征向量Zi表示训练杂波样本的第i个像素的特征向量i = 1，2...N，则训练数据矩阵Z的大小为9XN ； 先对训练数据矩阵Z的每一列进行能量归一化处理，得到归一化的训练数据矩阵Z ,
4.根据权利要求3所述的基于低秩字典学习及稀疏表示的极化SAR舰船检测方法，其特征在于，步骤2的具体子步骤(2.2)中的学习模型的替代式为:
5.根据权利要求1所述的基于低秩字典学习及稀疏表示的极化SAR舰船检测方法，其特征在于，步骤3的具体子步骤为: (3.1)基于学习得到的低秩字典D，由测试样本的像素构造测试数据矩阵G，其表达式为:G = Iig1...gj...gNum]，j = 1，2...Num, Num表示测试样本所有像素个数； 对于测试样本的第j个像素的特征向量gj，按照下式求解其稀疏表示系数a j
6.根据权利要求5所述的基于低秩字典学习及稀疏表示的极化SAR舰船检测方法，其特征在于，步骤3的具体子步骤(3.3)中，其检测统计量门限w的设置方法如下: 根据一幅已知真实标记图像的验证图像，计算其检测统计量图像，根据验证图像的检测统计量图像以及真实标记图像，得到相应的ROC曲线，ROC曲线表示取不同门限值时检测率随虚警率的变化曲线；再根据需要的虚警率或检测率，得到相应的检测统计量门限W。
【文档编号】G01S7/02GK103954934SQ201410181747
【公开日】2014年7月30日 申请日期:2014年4月30日 优先权日:2014年4月30日
【发明者】王英华, 齐会娇, 刘宏伟, 文伟, 丁军 申请人:西安电子科技大学