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，可用于舰船目标鉴别、识别与分类。
背景技术：
：合成孔径雷达SAR利用微波遥感技术，可以在各种气候条件下和不同时段工作,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、灾情预报、海洋监测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，其中基于极化SAR图像的舰船目标检测是极化SAR的一个重要的应用领域。传统的极化SAR图像目标检测算法主要利用目标与杂波在某种特征属性下的差异性完成目标检测工作，比较常见的是基于散射强度差异与散射机制信息差异的检测算法,比如功率检测器、极化白化滤波检测器、分布式目标检测器等。当图像信杂比较低或者杂波与目标具有相似的散射机制时，这类算法的检测性能下降明显。为提取能够反映目标与杂波之间较大差异性的鉴别特征，很多学者做了许多工作。J.Chen等人首次提出了极化交叉熵PCE特征，用于提升目标与周围杂波的差异性，并成功用于舰船目标检测工作。在文献PolSARShipDetectionBasedonSuperpixel-LevelScatteringMechanismDistributionFeatures中，Y.Wang等人将两种基于超像素分割的散射机制分布特征应用于舰船目标检测，在不同信杂比下具有较稳健的检测性能。现有的PolSAR舰船目标检测算法中应用的一些鉴别参数虽在一定程度上提高目标与杂波的鉴别性能，但也相应地存在一些问题。大部分极化SAR舰船目标检测算法仅仅利用了强度或者散射机制信息，没有充分发挥利用极化SAR进行目标检测的优势；而且提取的一些鉴别特征仅仅基于单个像素点或者具有相似属性的局部匀质区域，并没有考虑目标与杂波在特定散射机制下的差异性，限制了鉴别特征对目标与杂波差异性的表征能力。技术实现要素：本发明的目的在于提出一种基于局部散射机制差异回归核特征的极化SAR舰船目标检测方法，以解决现有鉴别特征仅利用散射强度或散射机制信息以及未考虑目标与杂波在特定散射机制下差异性的缺陷问题，提高对弱小目标的检测性能和抑制较强的海杂波虚警。为实现上述目的，本发明技术方案包括如下：A.对全极化SAR图像复数据进行极化分解，获得每个像素点在二次散射机制下的等效相干矩阵Td与体散射机制下的等效相干矩阵Tv；B.提取局部散射机制差异回归核特征LSMDRK：B1)在二次散射机制与体散射机制下，计算当前像素点Pi与其邻域内像素点之间的散射机制差异度量矩阵D；B2)将每个像素点的散射机制差异度量矩阵D转化成当前像素点与其邻域内像素点之间的散射机制相似性度量矩阵K；B3)将每个像素点对应的散射机制相似性度量矩阵中的每个元素进行归一化处理，提取全极化SAR图像中每个像素点对应的局部散射机制差异回归核特征矩阵Z；C.像素显著性计算：利用局部散射机制差异回归核LSMDRK特征，采用非参数化概率密度估计方法，计算全极化SAR图像中每个像素点的显著性大小，获得全极化SAR图像对应的显著性图S；D.局部极大值检测：对显著性图S进行局部极大值检测，将非极大值点置零，得到维数为Q×R的局部极大值图像Smax，其中，Q,R分别为图像的行数和列数；设定一个0到1之间的检测阈值Th，若局部极大值图像Smax中的像素值Si≥Th，i＝1,…,QR，则标记为目标极大值点，否则，标记为杂波极大值点，获得最终的检测结果。本发明与现有技术相比具有以下优点：(1)本发明提出的LSMDRK特征利用了雷达散射回波的强度与散射机制信息，提升了目标与杂波之间的可分性，尤其可以较好地区分具有与目标相似散射机制的较强的海杂波，在保证较高的检测率的前提下具有较低的虚警率。(2)本发明提出的LSMDRK特征描述子考虑当前像素点以及局部区域的散射信息，相比于由单一像素点提取的鉴别特征可以提供更多的鉴别信息；此外，LSMDRK特征由二次散射机制相干矩阵与体散射机制相干矩阵计算所得，进一步提升了该特征鉴别目标与杂波的能力。附图说明图1是本发明的实现流程图；图2是本发明实验所用实测数据的log-span图；图3为用本发明和现有检测方法在合成数据集上得到的AUC曲线图；图4为用本发明和现有检测方法在测试图像上得到的检测结果图。具体实施方式下面结合附图对本发明的实施方案和效果进行详细说明：参照图1，本发明的实现步骤如下：步骤1，对全极化SAR图像进行极化目标分解。1a)输入全极化SAR图像复数据，计算全极化SAR图像的相干矩阵T＝{Ti:i＝1,…,QR}，其中，Q,R为全极化SAR图像的行数和列数；1b)依据全极化SAR图像四分量分解模型，将当前像素点Pi对应的相干矩阵Ti进行极化分解，分解结果为：Ti=Tis+Tid+Tiv+Tic,i=1,...,QR,]]>其中，分别为当前像素点Pi对应的相干矩阵Ti经过极化分解后的面散射相干矩阵、二次散射相干矩阵、体散射相干矩阵以及螺旋体散射机制相干矩阵。步骤2，LSMDRK特征提取。所述LSMDRK特征是指局部散射机制差异回归核特征，其提取步骤如下：2a)在二次散射机制与体散射机制下，分别计算当前像素点Pi,i＝1,…,QR与其邻域内其他像素点之间的散射机制差异，获得衡量当前像素点Pi与局部区域内像素点之间散射机制差异的度量矩阵，融合两种散射机制下的散射机制差异度量矩阵，作为当前像素点Pi最终的散射机制差异度量矩阵：2a1)在二次散射机制下，计算当前像素点Pi与其邻域内某一像素点之间的散射机制差异式中，为当前像素点Pi在二次散射机制d下的相干矩阵，表示当前像素点Pi邻域内的像素点Pj在二次散射机制d下的相干矩阵；2a2)计算当前像素点Pi的W×W邻域内所有像素点与当前像素点Pi的二次散射机制差异，构成当前像素点Pi的二次散射机制差异度量矩阵：Did={Dijd:i=1,...,QR;j=1,...,W2},]]>其中，W为当前像素点Pi的邻域大小；2a3)在体散射机制下，计算当前像素点Pi与其邻域内某一像素点之间的散射机制差异式中，为当前像素点Pi在体散射机制v下的相干矩阵，表示当前像素点Pi邻域内的像素点Pj在体散射机制v下的相干矩阵；2a4)计算当前像素点Pi的W×W邻域内所有像素点与当前像素点Pi的体散射机制差异，构成当前像素点Pi的体散射机制差异度量矩阵：Div={Dijv:i=1,...,QR;j=1,...,W2},]]>其中，W为当前像素点Pi的邻域大小；2a5)计算当前像素点Pi与其邻域内某一像素点Pj之间最终的散射机制差异：Dij=Dijd+Dijv,j=1,...,W2;]]>2a6)计算当前像素点Pi的W×W邻域内所有像素点与当前像素点Pi的最终散射机制差异，获得当前像素点Pi的散射机制差异度量矩阵：Di＝{Dij:i＝1,…,QR；j＝1,…,W2}，其中，W为当前像素点Pi的邻域大小；2b)将每个像素点的散射机制差异度量矩阵D转化成当前像素点与其邻域内像素点之间的散射机制相似性度量矩阵K：2b1)计算当前像素点Pi与当前像素点W×W邻域内某一像素点Pj的散射机制相似性大小Kij为：Kij＝exp(-Dij/2h2),j＝1,…,W2，式中，h为平滑参数；2b2)分别计算当前像素点Pi与其W×W邻域内所有像素点的散射机制相似性大小，获得当前像素点Pi的维数为W×W的相似性度量矩阵Ki：Ki＝{Kij:i＝1,…,QR；j＝1,…,W2}；2c)将每个像素点对应的散射机制相似性度量矩阵中的每个元素进行归一化处理，提取全极化SAR图像中每个像素点对应的局部散射机制差异回归核特征矩阵Z：2c1)将当前像素点Pi对应的散射机制相似性度量矩阵Ki中的每个元素进行归一化处理，得到归一化后每个元素的值Zij：Zij=KijΣj=1W2Kij,i=1,...,QRj=1,...,W2;]]>2c2)依据归一化后每个元素的值Zij，提取全极化SAR图像中每个像素点的维数为W×W的局部散射机制差异回归核特征矩阵Zi：Zi＝{Zij:i＝1,…,QR；j＝1,…,W2}。步骤3，像素显著性计算。3a)在以当前像素点Pi为中心的center-surround区域内，提取当前像素点Pi的特征矩阵集以当前像素点Pi为中心取大小为N×N的邻域，提取该邻域内每个像素点Pj的特征矩阵Fj，即取以像素点Pj为中心的L×L的邻域，将该邻域内的所有像素点对应的LSMDRK特征矩阵的矢量形式重新排列成特征矩阵j＝1,…,N2,k＝1,…,L2，进一步得到当前像素点Pi的N×N邻域内的特征矩阵集i＝1,…,QR，n＝1,…,N2；3b)根据当前像素点Pi的特征矩阵集通过下式计算当前像素点Pi的显著性大小Si：Si=p(FCi|yi=1)=Gi(F‾i-F‾i)Σj=1N2Gi(F‾i-F‾j)=1Σj=1N2Gi(F‾i-F‾j),]]>其中，表示当前像素点Pi显著性大小的条件概率，yi为表示当前像素点Pi显著与否的二值变量，即当前像素点Pi与周围像素点差别较大时，当前像素点Pi较显著，yi取值为1，反之，yi取值为0；表示当前像素点Pi对应的归一化特征矩阵与当前像素点Pi的N×N邻域内某一像素点Pj对应的归一化特征矩阵之间的相似性大小：Gi(F‾i-F‾j)=exp(-||F‾i-F‾j||F2/2σ2),]]>式中，j＝1,…,N2，||·||F表示Frobenious范数，σ为局部加权参数；3c)依据3b)计算全极化SAR图像中每个像素点的显著性值，得到全极化SAR图像对应的显著性图S：S＝{Si:i＝1,…,QR}。步骤4，局部极大值检测。4a)将显著性图S中的每个像素点与四邻域内的像素点的显著性值进行比较，若当前像素点的显著性值大于四邻域内像素点的显著性值，则标记当前像素点为极大值点，否则，不标记极大值点；4b)遍历所有像素点，得到显著性图S对应的局部极大值图像Smax；4c)设定一个0到1之间的检测阈值Th，若局部极大值图像Smax中的像素值Si≥Th，i＝1,…,QR，则标记为目标极大值点，否则，标记为杂波极大值点，获得最终的检测结果。本发明的效果通过以下对实测数据的实验进一步说明：1.实验场景与参数实验所用的实测数据为2010年8月4日获取的C波段RADARSAT-2全极化数据集，数据的方位向分辨率为8米，距离向分辨率为12米。实测数据的log-span图如图2所示，其中，矩形区域R1、R2、R3用以产生合成数据集，用来定量评估本发明和现有检测算法的检测性能。合成数据产生方式为：通过对矩形区域R1施加一个合适的阈值，产生真实标记图，然后保留检测出的目标像素点，杂波区域由R2、R3中随机选择的像素点进行填充，即可获得最终的测试合成数据集。本次实验以矩形区域R4为真实测试场景，矩形区域R5、R6为杂波训练样本数据。真实测试场景R4区域的伪彩色图像标记图如图4(a)所示，其中，矩形标记区域表示具有较强散射强度的目标，圆形标记区域表示散射强度较弱的目标。实验设定的参数如下：为提高本发明方法的运行速度，在计算显著性图时首先将原始图像下采样到1/8倍大小。为使本发明与不同的检测算法具有类似的检测率，检测阈值分别设置为：Thnew＝0.0009,ThPTD＝0.75,ThPWF＝2.3,ThRS＝0,004,Thspan＝0.3，其中，Thnew为本发明方法的检测阈值，ThPTD表示分布式目标检测器PTD的检测阈值，ThPWF为极化白化滤波检测器PWF的检测阈值，ThRS与Thspan分别表示基于反射对称特性的检测器与功率检测器的检测阈值。2.实验内容与结果实验1，基于有真实标记图的合成数据集，画出本发明和分布式目标检测器PTD、极化白化滤波检测器PWF、基于反射对称特性的检测器RS以及功率检测器span在不同信杂比下的AUC曲线图，如图3所示。由图3可以看出：本发明在不同信杂比下具有较稳健的检测性能，且相比于其他检测算法是最优的。即使在低信杂比下，本发明方法依然具有较明显的优势。实验2，针对图2中R4区域的真实场景，进一步检验本发明和分布式目标检测器PTD、极化白化滤波检测器PWF、基于反射对称特性的检测器RS以及功率检测器span的检测性能，结果如图4所示，其中：图4(a)为用人工标记出的一些潜在的舰船目标图像；图4(b)为用本发明得到的检测结果图像，检测出的目标由矩形块在R4区域的log-span图中标出；图4(c)为用分布式目标检测器PTD得到的检测结果图像；图4(d)为用极化白化滤波检测器PWF得到的检测结果图像；图4(e)为用基于反射对称特性的检测器RS得到的检测结果图像；图4(f)为用功率检测器span得到的检测结果图像；图4中的椭圆为各检测方法检测出的主要虚警区域；比较图4(b)与图4(d)和图4(f)可见，本发明的检测结果的虚警个数远小于PWF检测算法与span检测算法的虚警个数。比较图4(b)与图4(c)和图4(e)可见，在测试图像的左上角区域，本发明的检测结果的虚警个数远小于PTD检测算法与RS检测算法的虚警个数。综上可知，本发明提出的局部散射机制差异回归核LSMDRK特征，综合利用了雷达散射回波的强度与散射机制信息，并且考虑了局部区域的散射机制差异信息，可以较好地鉴别目标与杂波虚警，结合显著性检测原理，本发明可以较好地实现对海面舰船目标的检测工作。当前第1页1 2 3