一种极化SAR图像停泊舰船检测方法与流程

本发明属于遥感图像处理技术领域，涉及一种基于种群活跃度粒子群(populationactivityparticleswarmoptimization，pa-pso)优化支持向量机(svm)的极化sar图像停泊舰船检测方法。

背景技术：

合成孔径雷达(sar)是一种全天候全天时的获取遥感信息的先进手段，而极化sar则较传统sar包含更多的极化信息，其通过不同的发射接收方式，得到了含有多通道的原始回波，能够更加细致的反应地物信息的差异，尤其是对人造目标与自然目标的区分有着很大的优势。舰船检测是海上目标检测的重要部分，对国防安全、海上运输、海洋经济发展、港口城市规划以及恶劣气候条件下的舰船搜索搜救都具有很重要的意义。而对于停泊舰船的检测更是研究的重难点。目前，获取大量的停泊舰船样本较为困难，是对出海或入港舰船进行检测和分析的重难点。

支持向量机(svm)是在本数目有限条件下一种较为有效的机器学习样本分类方法，通过将在低维空间的样本映射到高维空间，并引入惩罚因子，使样本能够分类，为方便计算采用核函数进行映射，常用的效果较好的核函数即是径向基核函数(rbf)，对于rbf核函数svm，有两个参数很重要，即惩罚因子c与核函数参数g，它们决定了svm的泛化能力和分类的准确性。因此，惩罚因子和核函数参数的选择十分重要。

技术实现要素：

为了使惩罚因子和核函数参数的选择结果能使svm性能达到最优，本发明提供了一种基于pa-pso优化svm的极化sar图像停泊舰船检测方法。该方法改善了小样本条件下停泊船只检测虚警率高的问题，一定程度上解决了停泊舰船检测困难的问题。

本发明的目的是通过以下技术方案实现的：

一种极化sar图像停泊舰船检测方法，包括如下步骤：

步骤一：输入极化sar图像，将极化sar图像进行极化目标分解，进而进行极化特征提取；

步骤二：对特征提取后的图像进行海陆分割，得到海陆分割模板，将陆地强散射部分去掉，得到海陆分割后的结果，所述海陆分割后的结果中包含训练样本和测试样本；

步骤三：根据步骤二的分割结果，利用papso-svm(种群活跃度改进的粒子群优化的支持向量机算法)对极化sar图像停泊舰船进行检测，具体步骤如下：

步骤三a：根据待操作的种群数目的不同定义不同的级别种群活跃度(pa)，若待操作种群数目为n，则种群活跃度级别为2ⁿ，其中，种群数目n的取值要求是根据要改进算法的参数决定的，要改进的参数是几个，则对应的种群就有几个，例如本发明中papso是应用到对svm的两个参数进行调整，所以种群数目n＝2；

步骤三b：利用种群活跃度对pso(粒子群)算法进行改进，以每个种群产生范围在1-2ⁿ的随机数作为种群活跃度，对具有不同的种群活跃度的粒子进行不同程度的交换，得到pa-pso算法，其中，交换方法如下：

种群数目为n，则粒子活跃程度有2ⁿ个级别，产生随机数代表粒子活跃度，随机数是1-2ⁿ，在1-2ⁿ个活跃度中，又分为(n+1)层，每层代表参与交换的种群数；各层的活跃度类别数目是右上角标号代表有几个种群进行了交换，排列值代表交换后产生的粒子组合，则种群活跃度类别代表种群中粒子保持原样，不进行交换；不同的活跃度类别决定着是哪些种群参与交换，例如第n层的活跃度类别应该有类，分别是其中2^n-1+1等值分别代表选择不同的n个粒子群，由数学排列组合原理可知，从n个粒子群中选不同的择n个粒子群进行交换，一共有中不同的组合；

步骤三c：用pa-pso算法对svm进行参数调整，得到papso-svm方法，具体步骤如下：先为支持向量机参数惩罚因子c和rbf核函数g在各自解范围内分别产生两个种群，作为解的初始值；再将训练样本的各个特征输入到svm中，利用错误检测像素数进行反馈，不断迭代得到最优的参数组合；

步骤三d：把测试样本输入到参数优化后的svm中，使用papso-svm方法进行目标的检测；

步骤四：对检测结果进行统计分析和评价，采用品质因数作为评价指标。

相比于现有技术，本发明具有如下优点：

1、采用粒子群进行支持向量机参数的调整，能够快速稳定的检测出舰船。

2、采用种群活跃度对粒子群算法进行优化，避免了使用粒子群算法调整参数容易得到局部最优解的缺陷。

附图说明

图1是算法整体流程图；

图2是一种目标分解的体散射特征结果；

图3是海陆分割模板；

图4是不同种群活跃度对粒子群运动的影响；

图5是第n次迭代过程中粒子可能出现的一种形式；

图6实验数据的pauli分解图；

图7是papso-svm算法检测的二值图；

图8是papso-svm算法检测的结果图。

具体实施方式

下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

本发明提供了一种基于pa-pso优化svm的极化sar图像停泊舰船检测方法，如图1所示，所述方法具体实施步骤如下：

步骤一：对极化sar图像进行特征提取。

输入极化sar图像，将极化sar图像进行极化目标分解，进而进行极化特征提取。本发明以freeman分解的体散射特征为例，目标分解的结果如图2所示，但实际上不必局限于此。

步骤二：对极化sar图像进行海陆分割。

采用形态学等方法，对极化sar图像进行海陆分割，得到海陆分割模板，将陆地强散射部分去掉，海陆分割结果如图3所示。

步骤三：利用papso-svm对极化sar图像停泊舰船进行检测。

步骤三a：根据待操作的种群数目的不同定义不同的级别种群活跃度(pa)，若待操作种群数目为n，则种群活跃度级别为2ⁿ，不同级别的种群活跃度会使种群中粒子有不同的交换程度。在本发明中以待操作种群数目为2进行说明。此时种群活跃度有四级，包括不活跃级别0、半活跃级别两种(记号分别为1、2)以及全活跃级别3。

步骤三b：采用种群活跃度对粒子群进行活跃度改变操作。产生2ⁿ个随机数作为种群的活跃度。设定活跃度变化规则如下：随机数为0时，粒子体现为不活跃状态，粒子保持原来数值不变；随机数为1和2时，粒子体现为半活跃状态，部分粒子与最优解或随机产生的粒子进行数值交换，随机数为3时，粒子体现为全活跃状态，两个种群中的粒子均进行交换。具体交换过程如下：

先选用两个种群中的第一个粒子作为第一组初始解，与遍历得到的两个种群最优的那组解作为待交换解。根据种群活跃度数值决定粒子是否进行交换以及交换规则。

例如：假设c种群为种群1，对应的解在粒子的第一个位置，g种群为种群2，对应的解在粒子第二个位置。初始状态下，q0中第一个位置存储c种群中第一个粒子值，第二个位置储存g种群中第一个粒子值；q1中第一个位置存储遍历得到的c种群最优解，第二个位置存储遍历得到的g种群最优解。

若种群活跃度为0，则存储结果保持不变；若种群活跃度为1，则两个粒子第一个位置的值进行交换；若种群活跃度为2，两个粒子第二个位置的值进行交换；若种群活跃度为3，两个位置的值同时进行交换，相当于q0与q1互换，此时从总体上看，粒子的情况不发生变化。

再用两个种群中第一组粒子值，与上一次迭代过程中产生的最优解作为待交换解。操作过程与上一步规则相同，得到q2和q3分别为根据随机产生的种群活跃度得到的迭代过程中的最优解和第一组粒子值的组合。对于第一组粒子，对应的迭代最优解设定为粒子本身，即第一次迭代交叉后q2和q3中结果相同。

仍然用两个种群中第一个粒子，并在各自的解的范围内产生一个随机数作为新的粒子准备进行交换。操作过程仍与第一步相同，得到的q4和q5中分别存储新产生的随机解和种群中第一个粒子的随机组合。

上述操作过程如图4所示，以q0和q1的产生为例，根据不同的种群活跃度(pa)，得到不同的参数组合，完成对pso算法的改进，得到pa-pso算法。

步骤三c：使用pa-pao算法对svm进行参数调整，得到papso-svm方法。

首先，进行训练数据的准备，训练过程采用极化目标分解的体散射分量和span特征结合的方式，用训练样本的分类结果进行反馈，作为调整参数的依据。

接下来，将训练数据输入到改进的svm分类器中。先对种群进行初始化并获得种群最优解。先为惩罚因子c和rbf核函数g在各自解范围内分别产生两个种群，作为解的初始值。采用pa-pso算法，得到q0到q5六组粒子，依次设置成svm参数对训练样本进行检测，计算检测结果的适应度，选择适应度最小的粒子组合作为这一次的迭代最优解，将这一次迭代最优解组合保存下来用于下一代粒子的交换，并用这一次迭代的最优解组合更新粒子群的第一组粒子值。以其中可能出现的一种情况为例，假设每组粒子获得的种群活跃度都为0，即粒子不进行交换，得到的结果如图5所示。重复以上步骤，进行迭代，直到达到事先设定的迭代终止条件，得到更新后的最优种群。

对更新后的最优种群进行遍历，种群中每组粒子为svm的两个参数，利用svm对训练样本进行检测，进行错误检测象素数的计算，选出适应度最好的一组作为最终支持向量机的参数，应用到测试样本的分类中。

本发明中，交换操作本身与待操作种群数目无关，但是需要交换的种群数目是与待操作种群数目有关的。交换操作即如图5所示，只要种群需要进行交换操作，则q0与q1交换，q2与q3交换，q4与q5交换，若该种群不需要交换，则q0-q6这6个粒子都不发生变化。

本发明中，定义种群活跃度对粒子的组合种类进行丰富，在不断引入新解和保留最优解的同时，对不同参数之间的组合进行干预，又根据随机产生的种群活跃度，最大限度的避免了陷入局部最优的可能。具体过程是，产生随机数作为种群活跃度，在只有两个种群的情况下，定义随机数为0时，粒子保持原来数值不变，序列中随机数为1或2时，种群1或种群2中的粒子与最优解或随机产生的粒子进行数值交换，随机数为3时，种群全活跃，此时交换相当于粒子对调，不产生影响。种群活跃度实现了每组粒子分别与种群最优解，每次迭代的最优解和随机产生粒子的最优解进行随机的交换操作，以增加了粒子的也就是解的多样性，达到避免算法陷入局部最优的目的。

步骤三d：利用参数优化后的支持向量机进行目标的检测。

把测试样本输入到参数优化后的svm中，进行检测。

步骤四：对检测结果进行统计分析和评价，采用品质因数作为评价指标。

品质因数的定义如下：

式中：fom表示品质因数，ntr表示检测结果中正确检测出的目标个数，nfa表示虚警目标的个数，nac表示实际目标的个数。品质因数越大，说明检测效果越好。

本发明的效果可以通过以下实验进行进一步说明：

1、实验数据

本实验采用uavsar机载系统所获得的全极化数据，采用l波段，方位向分辨率为0.6米，距离向分辨率为1.6米。polsar图像大小为2700×2500，对应的pauli图如图6所示。

2、实验内容和分析

种群活跃度改进的pso-svm的结果较为精细(待操作种群数目为2)，共36艘船，正确检测出34艘，漏检2艘，虚警3艘，最终品质因数为0.872。由于有些船只体型大而船身部分散射能量低，标记时易出现中间断裂现象，这里不重复统计个数。种群活跃度改进的pso-svm实验结果如图7和图8所示。