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

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
基于超像素散射机制的极化SAR图像舰船目标检测方法
本专利技术属于雷达目标检测
，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。
技术介绍
合成孔径雷达(SyntheticApertureRadar，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。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。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-targetdetector(PTD)。当图像的信杂比(Signal-to-ClutterRatio，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。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。本专利技术方法就是在这样的研究背景下提出的。
技术实现思路
本专利技术方法针对已有极化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，本专利技术方法利用了高分辨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。本专利技术是这样实现的：一、技术思路本专利技术根据SAR图像中目标与杂波的散射机制在经典的H/α平面中的不同分布特点，首先将简单线性迭代聚类(SimpleLinearIterativeClustering,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。二、技术方案本专利技术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：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：1a)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；1b)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；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；1d)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两种散射机制分布特征矢量，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，获取测试图像的检测统计量，得到测试图像的检测统计量图像I′。步骤6，对测试图像的检测统计量图像I′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I′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。本专利技术的实现还在于：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：1a1)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,…,KS′，其中，S可由预估的舰船尺寸进行设置，KS′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：KS′＝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；1a2)将聚类中心坐标标记矩阵记为Pc，维数本文档来自技高网...

【技术保护点】
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：1a)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；1b)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；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；1d)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I′；步骤6，对测试图像的检测统计量图像I′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I′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。...

【技术特征摘要】
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：1a)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；1b)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；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；1d)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I′；步骤6，对测试图像的检测统计量图像I′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I′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：1a1)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,…,K′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：K′S＝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；1a2)将全极化SAR图像超像素聚类中心的坐标标记矩阵记为Pc，维数为2×K′S，其中，Pc的第i列记录第i个聚类中心的位置坐标，即(x′ci,y′ci)；记所有聚类中心的相干矩阵为Tc，维数为3×3×K′S，其中，Tc的第i个3×3维的矩阵等于坐标(x′ci,y′ci)处的相干矩阵，即Tc(:,:,i)＝T(:,:,x′ci,y′ci)，矩阵T表示极化SAR图像中所有像素点的相干矩阵，维数为3×3×M×N；将聚类中心编号矩阵记为Lc，维数为M×N，将其赋值为全0矩阵；1a3)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3×3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，Xbottom，Xleft，Xright分别表示坐标位置为(x,y)的像素点在其3×3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，|·|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([EhEv])；1a4)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′ci,y′ci)，其中，1≤i≤K′S，计算该聚类中心3×3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：Tc(:,:,i)＝T(:,:,xci,yci)，Pc(:,i)＝[xci,yci]T，Lc(xci,yci)＝i，其中，[·]T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：1b1)定义坐标位置为(x,y)的像素点Px,y到某一坐标为(xci,yci)的聚类中心Pci的度量距离为：其中，d0表示像素点Px,y到聚类中心Pci的Wishart距离，计算公式为：式中，Vci,Txy分别表示聚类中心Pci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Pci之间邻近程度的欧氏距离，表达式为：1b2)定义标记图像L′x,y：L′x,y＝{l′x,y|1≤x≤M,1≤y≤N,1≤l′x,y≤K′S}，其中，每一像素点的值l′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；1b3)分...

【专利技术属性】
技术研发人员：王英华，何敬鲁，刘宏伟，纠博，陈渤，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61