基于超像素散射機(jī)制的極化sar圖像艦船目標(biāo)檢測(cè)方法
【專利摘要】本發(fā)明公開了一種基于超像素散射機(jī)制分布特征的極化SAR圖像艦船目標(biāo)檢測(cè)方法，實(shí)現(xiàn)步驟為：應(yīng)用SLIC迭代聚類算法，得到不同尺度下的超像素分割結(jié)果；進(jìn)行超像素散射機(jī)制分布特征的定義；分別提取雜波訓(xùn)練圖像與測(cè)試圖像中每一個(gè)超像素的散射機(jī)制分布特征矢量；進(jìn)行雜波訓(xùn)練圖像過完備字典的構(gòu)造；對(duì)測(cè)試圖像進(jìn)行對(duì)應(yīng)字典下的散射特征稀疏重構(gòu)，得到檢測(cè)統(tǒng)計(jì)量圖像；通過對(duì)檢測(cè)統(tǒng)計(jì)量圖像施加一個(gè)合適的檢測(cè)閾值，得到最終檢測(cè)結(jié)果的二值圖像。本發(fā)明解決了呈現(xiàn)分布式特征的艦船目標(biāo)的檢測(cè)問題，在超像素級(jí)的水平上進(jìn)行艦船目標(biāo)的檢測(cè)，有效地利用了散射機(jī)制的區(qū)域性分布特征，在不同信雜比下具有更高的穩(wěn)健性。
【專利說明】基于超像素散射機(jī)制的極化SAR圖像艦船目標(biāo)檢測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于雷達(dá)目標(biāo)檢測(cè)【技術(shù)領(lǐng)域】，主要涉及極化SAR圖像艦船目標(biāo)檢測(cè)方法， 具體是一種基于超像素散射機(jī)制分布特征的極化SAR圖像艦船目標(biāo)檢測(cè)方法，為后續(xù)的艦 船目標(biāo)鑒別、識(shí)別與分類提供重要的有用信息。

【背景技術(shù)】
[0002] 合成孔徑雷達(dá)（Synthetic Aperture Radar, SAR)利用微波遙感技術(shù)，不受氣候和 晝夜影響，具有全天候、全天時(shí)的工作能力，并具有多頻段、多極化、視角可變和穿透性等特 點(diǎn)。目前，SAR已廣泛應(yīng)用于軍事偵察、地質(zhì)普查、地形測(cè)繪和制圖、災(zāi)情預(yù)報(bào)、海洋應(yīng)用以 及科學(xué)研究等領(lǐng)域，具有廣闊的研究和應(yīng)用前景。極化SAR因能獲取完整極化信息的顯著 優(yōu)勢(shì)而迅速成為SAR發(fā)展的重要方向之一?；跇O化SAR圖像的艦船目標(biāo)檢測(cè)是極化SAR 的一個(gè)重要的應(yīng)用領(lǐng)域。
[0003] 現(xiàn)有的極化SAR艦船目標(biāo)檢測(cè)方法主要可分為兩類，第一類方法完全或部分依賴 于雷達(dá)回波的強(qiáng)度信息，例如功率檢測(cè)器、極化白化濾波以及新近提出的基于反射對(duì)稱特 性的極化目標(biāo)檢測(cè)器，其中，功率檢測(cè)器僅利用了雷達(dá)回波的強(qiáng)度信息，該檢測(cè)算法對(duì)于高 信雜比下的目標(biāo)檢測(cè)效果較好，而對(duì)于低信雜比下的散射強(qiáng)度較弱的目標(biāo)漏檢概率較大， 對(duì)于散射強(qiáng)度較大的雜波點(diǎn)會(huì)產(chǎn)生較大的虛警率；極化白化濾波檢測(cè)器也依賴于雷達(dá)回波 的強(qiáng)度信息，當(dāng)信雜比降低時(shí)，對(duì)于散射強(qiáng)度較大的雜波點(diǎn)也會(huì)產(chǎn)生較大的虛警率。這些方 法在檢測(cè)時(shí)都對(duì)圖像中的每一個(gè)像素點(diǎn)分別孤立進(jìn)行判斷，沒有利用目標(biāo)或雜波區(qū)域像素 點(diǎn)集合整體所體現(xiàn)出來的目標(biāo)與雜波的差異性，因此在目標(biāo)區(qū)域容易產(chǎn)生孤立的漏警像素 點(diǎn)，而在雜波區(qū)域容易產(chǎn)生孤立的虛警像素點(diǎn)。為了改進(jìn)該問題，就需要尋求一種更多考慮 目標(biāo)的區(qū)域性特征的檢測(cè)算法。
[0004] 第二類方法僅利用了雷達(dá)回波的極化散射機(jī)理信息，并不依賴于雷達(dá)回波的散 射強(qiáng)度，例如學(xué)者A. Marino等提出的partial-target detector (PTD)。當(dāng)圖像的信雜比 (Signal-to-Clutter Ratio, SCR)降低時(shí)，基于散射強(qiáng)度的檢測(cè)方法效果可能會(huì)變差，而依 賴于散射機(jī)制的檢測(cè)算法對(duì)于不同信雜比下的極化SAR數(shù)據(jù)會(huì)具有更穩(wěn)健的檢測(cè)效果，這 主要?dú)w功于雷達(dá)回波的極化信息對(duì)探測(cè)區(qū)域內(nèi)目標(biāo)的物理結(jié)構(gòu)信息的一定表征能力。但是 當(dāng)檢測(cè)算法對(duì)圖像中的每一個(gè)像素點(diǎn)孤立進(jìn)行判斷時(shí)，由于某些目標(biāo)像素點(diǎn)的散射機(jī)理與 某些雜波的散射機(jī)理類似，這樣基于單個(gè)像素點(diǎn)的散射機(jī)理就會(huì)將目標(biāo)上的這些像素點(diǎn)漏 檢，或者將雜波中的這些像素點(diǎn)檢測(cè)為虛警。因此，一些擴(kuò)展目標(biāo)的檢測(cè)不能僅僅依賴于對(duì) 單個(gè)像素點(diǎn)散射機(jī)理信息的檢測(cè)，而要更多的考慮散射機(jī)制的區(qū)域分布特征。
[0005] 綜上所述，隨著極化SAR圖像分辨率的不斷提升，已有的一些極化SAR艦船目標(biāo)檢 測(cè)算法對(duì)呈現(xiàn)區(qū)域性特征分布的擴(kuò)展目標(biāo)的檢測(cè)具有較大的局限性，這就迫切需要尋求一 種基于區(qū)域分布特征信息進(jìn)行極化SAR艦船目標(biāo)檢測(cè)的方法。本發(fā)明方法就是在這樣的研 究背景下提出的。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明方法針對(duì)已有極化SAR目標(biāo)檢測(cè)方法的不足，提供了一種基于超像素散射 機(jī)制的極化SAR圖像艦船目標(biāo)檢測(cè)方法。該方法僅利用了極化雷達(dá)回波的散射機(jī)制信息， 與回波強(qiáng)度值無關(guān)，保證了該檢測(cè)方法在不同信雜比下的良好的檢測(cè)性能。此外，相比于像 素級(jí)的極化SAR目標(biāo)檢測(cè)算法，本發(fā)明方法利用了高分辨SAR圖像中擴(kuò)展目標(biāo)的區(qū)域散射 機(jī)制分布特征，使得檢測(cè)性能得到提升。
[0007] 本發(fā)明是這樣實(shí)現(xiàn)的：
[0008] 一、技術(shù)思路
[0009] 本發(fā)明根據(jù)SAR圖像中目標(biāo)與雜波的散射機(jī)制在經(jīng)典的H/ a平面中的不同分布 特點(diǎn)，首先將簡(jiǎn)單線性迭代聚類（Simple Linear Iterative Clustering, SLIC)方法應(yīng)用 于極化SAR數(shù)據(jù)，對(duì)給定的極化SAR圖像進(jìn)行多尺度超像素分割；然后，提取每一個(gè)超像素 區(qū)域的散射機(jī)制分布特征，進(jìn)而使用訓(xùn)練圖像所對(duì)應(yīng)的超像素區(qū)域散射機(jī)制分布特征對(duì)測(cè) 試圖像的特征進(jìn)行重構(gòu)；最后，基于重構(gòu)誤差構(gòu)造出不依賴于散射強(qiáng)度的檢測(cè)統(tǒng)計(jì)量，得到 檢測(cè)統(tǒng)計(jì)量圖像。通過對(duì)檢測(cè)統(tǒng)計(jì)量圖像使用一個(gè)合適的門限值，就可以得到最終的檢測(cè) 結(jié)果。
[0010] 二、技術(shù)方案
[0011] 本發(fā)明是一種基于超像素散射機(jī)制的極化SAR圖像艦船目標(biāo)檢測(cè)方法，其特征在 于檢測(cè)過程包括有如下步驟：
[0012] 步驟1，多尺度極化SAR圖像超像素生成：利用SLIC算法的局部迭代聚類流程，對(duì) 全極化SAR測(cè)試圖像與雜波訓(xùn)練圖像分別進(jìn)行超像素分割，在收斂準(zhǔn)則下分別獲得測(cè)試圖 像與雜波訓(xùn)練圖像的多尺度超像素分割結(jié)果，分割過程包括如下步驟：
[0013] la)對(duì)極化雷達(dá)獲取的包含艦船目標(biāo)的全極化SAR測(cè)試圖像與雜波訓(xùn)練圖像進(jìn) 行預(yù)設(shè)尺度下的超像素分割，分別進(jìn)行測(cè)試圖像與雜波訓(xùn)練圖像初始聚類中心的獲取與移 動(dòng)；
[0014] Ib)分別將測(cè)試圖像與雜波訓(xùn)練圖像中每一個(gè)像素點(diǎn)進(jìn)行所屬聚類中心的歸類；
[0015] 1C)分別剔除測(cè)試圖像與雜波訓(xùn)練圖像中不包含任何像素點(diǎn)的聚類中心；
[0016] Id)更新測(cè)試圖像與雜波訓(xùn)練圖像的超像素聚類中心，通過改變分割尺度，在收斂 準(zhǔn)則下分別獲得測(cè)試圖像與雜波訓(xùn)練圖像的多尺度超像素分割結(jié)果。
[0017] 步驟2,超像素散射機(jī)制分布特征定義：首先將全極化SAR測(cè)試圖像與雜波訓(xùn)練圖 像中每一個(gè)像素點(diǎn)對(duì)應(yīng)的相干矩陣矢量化，獲得每個(gè)像素點(diǎn)的散射機(jī)制特征矢量，然后將 每個(gè)超像素內(nèi)所有像素點(diǎn)的散射機(jī)制特征矢量的平均矢量作為對(duì)應(yīng)超像素的平均散射機(jī) 制特征矢量，將每個(gè)超像素的協(xié)方差矩陣的矢量化結(jié)果作為表征超像素散射機(jī)制的協(xié)方差 特征矢量。
[0018] 步驟3,超像素散射機(jī)制分布特征提?。横槍?duì)測(cè)試圖像與雜波訓(xùn)練圖像的多尺度 超像素分割結(jié)果，分別提取測(cè)試圖像與雜波訓(xùn)練圖像中每一個(gè)超像素的平均散射機(jī)制特征 矢量與協(xié)方差特征矢量，獲得不同分割尺度下的每一個(gè)超像素散射機(jī)制分布特征矢量。
[0019] 步驟4,雜波訓(xùn)練圖像過完備字典構(gòu)造：根據(jù)雜波訓(xùn)練圖像在每一個(gè)分割尺度下 的超像素分割結(jié)果提取的兩種散射機(jī)制分布特征矢量，構(gòu)造兩個(gè)過完備字典D 1, D2，其中，字 典的每一列由訓(xùn)練圖像中每一個(gè)超像素對(duì)應(yīng)的散射機(jī)制分布特征矢量的歸一化特征矢量 構(gòu)成。
[0020] 步驟5,檢測(cè)統(tǒng)計(jì)量定義：將測(cè)試圖像中同一分割尺度下的超像素散射特征矢量 表示為對(duì)應(yīng)字典中列向量的稀疏線性組合，根據(jù)稀疏表示殘差構(gòu)造每個(gè)超像素的檢測(cè)統(tǒng)計(jì) 量，接著將超像素檢測(cè)統(tǒng)計(jì)量轉(zhuǎn)換成像素級(jí)的檢測(cè)統(tǒng)計(jì)量；對(duì)于測(cè)試圖像中的每個(gè)像素點(diǎn)， 計(jì)算其在不同分割尺度下對(duì)應(yīng)檢測(cè)統(tǒng)計(jì)量的平均值，然后對(duì)兩種超像素散射機(jī)制分布特征 像素級(jí)的平均檢測(cè)統(tǒng)計(jì)量再次求平均，獲取測(cè)試圖像的檢測(cè)統(tǒng)計(jì)量，得到測(cè)試圖像的檢測(cè) 統(tǒng)計(jì)量圖像r 。
[0021] 步驟6,對(duì)測(cè)試圖像的檢測(cè)統(tǒng)計(jì)量圖像r施加一個(gè)設(shè)定檢測(cè)率下對(duì)應(yīng)的檢測(cè)閾 值Th,將檢測(cè)統(tǒng)計(jì)量圖像r中像素值大于檢測(cè)閾值的像素點(diǎn)設(shè)為目標(biāo)點(diǎn)，像素值低于檢 測(cè)閾值的像素點(diǎn)設(shè)為雜波點(diǎn)，獲得測(cè)試圖像艦船目標(biāo)檢測(cè)結(jié)果的二值化圖像I。
[0022] 本發(fā)明的實(shí)現(xiàn)還在于：步驟1所述的初始聚類中心的獲取與移動(dòng)，按如下步驟進(jìn) 行：
[0023] Ial)在全極化SAR測(cè)試圖像與雜波訓(xùn)練圖像平面上以預(yù)先設(shè)定的超像素尺寸S的 大小為步長(zhǎng)進(jìn)行均勻取樣，可獲取初始的聚類中心，依次編號(hào)為1，2,…，V，其中，S可由 預(yù)估的艦船尺寸進(jìn)行設(shè)置，K s'為初始聚類中心的總數(shù)目，也等于所分割的超像素的總數(shù) 目，計(jì)算公式為：
[0024] Ks'= floor (M/S) *fIoor (N/S)，
[0025] 其中，fl〇〇r( ?)表示向零取整函數(shù)，M與N分別為極化SAR圖像的行數(shù)與列數(shù)；
[0026] la2)將聚類中心坐標(biāo)標(biāo)記矩陣記為P。，維數(shù)為2XKS'，其中，P。的第i列記錄 第i個(gè)聚類中心的位置坐標(biāo)，即Ge' J ;記所有聚類中心的相干矩陣為T。，維數(shù)為 3X3XKS'，其中，T。的第i個(gè)3X3維的矩陣等于坐標(biāo)（X' J處的相干矩陣，即 !；(:，：，;〇 =1(:,:,1' J，矩陣T表示極化SAR圖像中所有像素點(diǎn)的相干矩陣，維 數(shù)為3X3XMXN ;將聚類中心編號(hào)矩陣記為L(zhǎng)。，維數(shù)為MXN，將其賦值為全0矩陣；
[0027] la3)為防止聚類中心落在圖像邊緣像素和噪聲像素點(diǎn)上，將全極化SAR測(cè)試圖像 與雜波訓(xùn)練圖像中的每一個(gè)超像素聚類中心移動(dòng)到其所在的3X3鄰域內(nèi)具有最小邊緣強(qiáng) 度的像素點(diǎn)上，首先定義單個(gè)像素點(diǎn)的水平和垂直邊緣強(qiáng)度分別為：
[0028]

【權(quán)利要求】
1. 一種基于超像素散射機(jī)制的極化SAR圖像艦船目標(biāo)檢測(cè)方法，其特征在于檢測(cè)過程 包括有如下步驟： 步驟1，多尺度極化SAR圖像超像素生成：利用SLIC算法的局部迭代聚類流程，對(duì)全極 化SAR測(cè)試圖像與雜波訓(xùn)練圖像分別進(jìn)行超像素分割，在收斂準(zhǔn)則下分別獲得測(cè)試圖像與 雜波訓(xùn)練圖像的多尺度超像素分割結(jié)果，分割過程包括如下步驟： la) 對(duì)極化雷達(dá)獲取的包含艦船目標(biāo)的全極化SAR測(cè)試圖像與雜波訓(xùn)練圖像進(jìn)行預(yù)設(shè) 尺度下的超像素分割，分別進(jìn)行測(cè)試圖像與雜波訓(xùn)練圖像初始聚類中心的獲取與移動(dòng)； lb) 分別將測(cè)試圖像與雜波訓(xùn)練圖像中每一個(gè)像素點(diǎn)進(jìn)行所屬聚類中心的歸類； lc) 分別剔除測(cè)試圖像與雜波訓(xùn)練圖像中不包含任何像素點(diǎn)的聚類中心； ld) 更新測(cè)試圖像與雜波訓(xùn)練圖像的超像素聚類中心，通過改變分割尺度，在收斂準(zhǔn)則 下分別獲得測(cè)試圖像與雜波訓(xùn)練圖像的多尺度超像素分割結(jié)果； 步驟2,超像素散射機(jī)制分布特征定義：首先將全極化SAR測(cè)試圖像與雜波訓(xùn)練圖像中 每一個(gè)像素點(diǎn)對(duì)應(yīng)的相干矩陣矢量化，獲得每個(gè)像素點(diǎn)的散射機(jī)制特征矢量，然后將每個(gè) 超像素內(nèi)所有像素點(diǎn)的散射機(jī)制特征矢量的平均矢量作為對(duì)應(yīng)超像素的平均散射機(jī)制特 征矢量，將每個(gè)超像素的協(xié)方差矩陣的矢量化結(jié)果作為表征超像素散射機(jī)制的協(xié)方差特征 矢量； 步驟3,超像素散射機(jī)制分布特征提?。横槍?duì)測(cè)試圖像與雜波訓(xùn)練圖像的多尺度超像 素分割結(jié)果，分別提取測(cè)試圖像與雜波訓(xùn)練圖像中每一個(gè)超像素的平均散射機(jī)制特征矢量 與協(xié)方差特征矢量，獲得不同分割尺度下的每一個(gè)超像素散射機(jī)制分布特征矢量； 步驟4,雜波訓(xùn)練圖像過完備字典構(gòu)造：根據(jù)雜波訓(xùn)練圖像在每一個(gè)分割尺度下的 超像素分割結(jié)果提取的平均散射機(jī)制特征矢量與協(xié)方差特征矢量，構(gòu)造兩個(gè)過完備字典 D1, D2，其中，字典的每一列由訓(xùn)練圖像中每一個(gè)超像素對(duì)應(yīng)的散射機(jī)制分布特征矢量的歸 一化特征矢量構(gòu)成； 步驟5,檢測(cè)統(tǒng)計(jì)量定義：將測(cè)試圖像中同一分割尺度下的超像素散射特征矢量表示 為對(duì)應(yīng)字典中列向量的稀疏線性組合，根據(jù)稀疏表示殘差構(gòu)造每個(gè)超像素的檢測(cè)統(tǒng)計(jì)量， 接著將超像素檢測(cè)統(tǒng)計(jì)量轉(zhuǎn)換成像素級(jí)的檢測(cè)統(tǒng)計(jì)量；對(duì)于測(cè)試圖像中的每個(gè)像素點(diǎn)，計(jì) 算其在不同分割尺度下對(duì)應(yīng)檢測(cè)統(tǒng)計(jì)量的平均值，然后對(duì)兩種超像素散射機(jī)制分布特征像 素級(jí)的平均檢測(cè)統(tǒng)計(jì)量再次求平均，獲取測(cè)試圖像中每一個(gè)像素點(diǎn)的檢測(cè)統(tǒng)計(jì)量，得到測(cè) 試圖像的檢測(cè)統(tǒng)計(jì)量圖像Γ ; 步驟6,對(duì)測(cè)試圖像的檢測(cè)統(tǒng)計(jì)量圖像Γ施加一個(gè)設(shè)定檢測(cè)率下對(duì)應(yīng)的檢測(cè)閾值Th, 將檢測(cè)統(tǒng)計(jì)量圖像Γ中像素值大于檢測(cè)閾值的像素點(diǎn)設(shè)為目標(biāo)點(diǎn)，像素值低于檢測(cè)閾值 的像素點(diǎn)設(shè)為雜波點(diǎn)，獲得測(cè)試圖像艦船目標(biāo)檢測(cè)結(jié)果的二值化圖像I。
2. 根據(jù)權(quán)利要求1所述的基于超像素散射機(jī)制的極化SAR圖像艦船目標(biāo)檢測(cè)方法，其 特征在于步驟1所述的初始聚類中心的獲取與移動(dòng)，按如下步驟進(jìn)行： Ial)在全極化SAR測(cè)試圖像與雜波訓(xùn)練圖像平面上以預(yù)先設(shè)定的超像素尺寸S的大 小為步長(zhǎng)進(jìn)行均勻取樣，獲取初始的聚類中心，依次編號(hào)為1，2, ···，!(' s，其中，S由預(yù)估的 艦船尺寸進(jìn)行設(shè)置，K' s為初始聚類中心的總數(shù)目，也等于所分割的超像素的總數(shù)目，K' s 的計(jì)算公式為： Kis = floor(M/S)*floor(N/S), 其中，floor ( ·)表示向零取整函數(shù)，M與N分別為極化SAR圖像的行數(shù)與列數(shù)； la2)將全極化SAR圖像超像素聚類中心的坐標(biāo)標(biāo)記矩陣記為P。,維數(shù)為2ΧΙΓ s,其 中，P。的第i列記錄第i個(gè)聚類中心的位置坐標(biāo)，即（X' & ^ J ;記所有聚類中心的相干 矩陣為T。，維數(shù)為3Χ3ΧΓ s，其中，T。的第i個(gè)3X3維的矩陣等于坐標(biāo)（X' J處 的相干矩陣，S卩?。唬?，：，i)=T(:，：，x' J，矩陣T表示極化SAR圖像中所有像素點(diǎn) 的相干矩陣，維數(shù)為3X3XMXN ;將聚類中心編號(hào)矩陣記為L(zhǎng)。，維數(shù)為MXN，將其賦值為全 〇矩陣； la3)將全極化SAR測(cè)試圖像與雜波訓(xùn)練圖像中的每一個(gè)超像素聚類中心移動(dòng)到其所 在的3X3鄰域內(nèi)具有最小邊緣強(qiáng)度的像素點(diǎn)上，首先定義單個(gè)像素點(diǎn)的水平和垂直邊緣 強(qiáng)度分別為：
其中，XUP，Lght分別表示坐標(biāo)位置為（X，y)的像素點(diǎn)在其3X 3鄰域內(nèi)的上 下左右邊緣三個(gè)像素點(diǎn)對(duì)應(yīng)相干矩陣的和矩陣，I · I表示取矩陣的行列式運(yùn)算，單個(gè)像素 點(diǎn)最終的邊緣強(qiáng)度可表示為：E = max ([Eh Ev]); la4)分別遍歷整幅全極化SAR測(cè)試圖像與雜波訓(xùn)練圖像中的所有超像素的聚類中心： 設(shè)第i個(gè)超像素聚類中心的坐標(biāo)為（X' μ，太J，其中，KiSK' s，計(jì)算該聚類中心 3X3鄰域內(nèi)所有像素點(diǎn)的邊緣強(qiáng)度，將具有最小邊緣強(qiáng)度的像素點(diǎn)作為新的聚類中心，編 號(hào)為 i，坐標(biāo)記為（xci, yci)，完成賦值工作：T。（:，：，i) = T (:，：，xci, yci)，P。（:，i) = [xci，yj T, Ljxci, yj = i,其中，[· ]τ表示向量轉(zhuǎn)置操作。
3.根據(jù)權(quán)利要求1所述的基于超像素散射機(jī)制的極化SAR圖像艦船目標(biāo)檢測(cè)方法，其 特征在于步驟1所述的對(duì)極化SAR圖像中像素點(diǎn)所屬聚類中心的分類，按如下步驟進(jìn)行： Ibl)定義坐標(biāo)位置為（x，y)的像素點(diǎn)Px，y到某一坐標(biāo)為（Xc^yJ的聚類中心P ei的度 量距離為：
其中，dQ表示像素點(diǎn)Px，y到聚類中心Pei的Wishart距離，計(jì)算公式為： dn=H\Va\) + tr(V-XY), 式中，Vcd, Txy分別表示聚類中心Pcd與像素點(diǎn)Px，y的相干矩陣，tr( ·)表示矩陣求跡運(yùn) 算；m表示控制超像素緊致度的權(quán)重參數(shù)，S為超像素的尺寸，dxy為表征像素點(diǎn)Px，y與聚類 中心P . ^問郃忻耜麼的歐氐陽離·丟彳大忒* .
Ib2)定義標(biāo)記圖像L' x，y: L' x'y= {1' x'y|l<x<M，l<y<N，l<l' x'y<K' s}， 其中，每一像素點(diǎn)的值Γ x，y表示全極化SAR圖像中對(duì)應(yīng)位置像素點(diǎn)所屬聚類中心的 類別編號(hào)，限定該像素點(diǎn)屬于該類別編號(hào)對(duì)應(yīng)的聚類中心，標(biāo)記圖像L' x，y的初始值為全0 矩陣； Ib3)分別遍歷整幅全極化SAR測(cè)試圖像與雜波訓(xùn)練圖像，對(duì)于坐標(biāo)位置為（x，y)的像 素點(diǎn)P"，分別計(jì)算該像素點(diǎn)與其2SX2S鄰域內(nèi)包含的所有聚類中心的度量距離，將最小 度量距離對(duì)應(yīng)的聚類中心的編號(hào)值i賦給標(biāo)記圖像中坐標(biāo)位置為（x，y)的像素值1'
4. 根據(jù)權(quán)利要求1所述的基于超像素散射機(jī)制的極化SAR圖像艦船目標(biāo)檢測(cè)方法，其 特征在于步驟1所述的對(duì)極化SAR圖像中相關(guān)聚類中心的剔除，按如下步驟進(jìn)行： Icl)計(jì)算標(biāo)記圖像L' x，y中具有同一個(gè)標(biāo)記值的像素?cái)?shù)目，將像素?cái)?shù)目為O的標(biāo)記值 所對(duì)應(yīng)的聚類中心剔除，獲得一組新的聚類中心，此時(shí)聚類中心的總數(shù)目記為Ks，更新聚類 中心相干矩陣T。，聚類中心坐標(biāo)標(biāo)記矩陣P。，聚類中心編號(hào)標(biāo)記矩陣L。； lc2)重新遍歷整幅SAR圖像，對(duì)每個(gè)像素點(diǎn)，依據(jù)最小度量距離原則，將其劃歸到該像 素點(diǎn)的2SX2S鄰域內(nèi)與該像素點(diǎn)度量距離最小的聚類中心所在類別中，得到更新后的標(biāo) 記圖像，記為 Lx，y = {lx，y I lx，y 彡 Ks}。
5. 根據(jù)權(quán)利要求1所述的基于超像素散射機(jī)制的極化SAR圖像艦船目標(biāo)檢測(cè)方法，其 特征在于步驟1所述的對(duì)超像素聚類中心的更新，按如下步驟進(jìn)行： Idl)對(duì)于第i個(gè)超像素 SPi,將更新后的類別編號(hào)標(biāo)記圖Lx，y中取值為i的所有像素點(diǎn) 的行位置坐標(biāo)取出，構(gòu)成一個(gè)行坐標(biāo)向量，記為Ri,同時(shí)將Lx，y中取值為i的所有像素點(diǎn)的 列位置坐標(biāo)取出，構(gòu)成一個(gè)列坐標(biāo)向量，記為C i,將類別編號(hào)標(biāo)記圖Lx，y中取值為i的像素 點(diǎn)的總數(shù)目記為N i，將各聚類中心相干矩陣T。，坐標(biāo)標(biāo)記矩陣P。，類別編號(hào)標(biāo)記矩陣L。分別 初始化為零矩陣； ld2)依據(jù)SLIC算法的局部迭代機(jī)制，分別更新極化SAR測(cè)試圖像與雜波訓(xùn)練圖像的聚 類中心，各屬性矩陣的更新方式分別為：
其中，（Ri (j)，Ci (j))為標(biāo)記圖Lx，y中取值為i的第j個(gè)像素點(diǎn)的位置坐標(biāo)，聚類中心 位置坐標(biāo)更新方式為：
聚類中心編號(hào)矩陣更新為：。
6. 根據(jù)權(quán)利要求1所述的基于超像素散射機(jī)制的極化SAR圖像艦船目標(biāo)檢測(cè)方法，其 特征在于步驟2所述的相干矩陣的矢量化以及對(duì)超像素散射機(jī)制分布特征矢量的定義如 下所示： 2a)將全極化SAR圖像中像素點(diǎn)Px，y對(duì)應(yīng)的相干矩陣Txy矢量化，結(jié)果矢量記為：
稱其為散射機(jī)制特征矢量，其中，I I · I I2表示L2范數(shù)，vec(·)表示對(duì)矩 陣進(jìn)行矢量化運(yùn)算，計(jì)算公式為：
其中，表示矩陣Txy的第u行第V列位置處的元素 ，Re ( ·)，Im( ·)分別表示提取復(fù) 數(shù)的實(shí)部與虛部操作，（·）τ表示對(duì)向量進(jìn)行轉(zhuǎn)置運(yùn)算； 2b)定義第i個(gè)超像素平均散射機(jī)制特征矢量：
其中，Ni為第i個(gè)超像素 SPi所包含像素總數(shù)目，在分割尺度S下，可以得到Ks個(gè)超像 素，對(duì)每一個(gè)超像素按照上述公式提取平均散射機(jī)制特征矢量； 2c)定義第i個(gè)超像素的散射機(jī)制協(xié)方差特征矢量： Z2 = V^iCsp ), 其中，為超像素 SPi中所有像素點(diǎn)對(duì)應(yīng)的散射機(jī)制特征矢量的協(xié)方差矩陣，具體計(jì) 算公式為：
vec (·)運(yùn)算與對(duì)Txy的矢量化操作類似，只不過為實(shí)矩陣，不包括取虛部操作，也 即去除vec(·)中包含虛部的項(xiàng)。
7.根據(jù)權(quán)利要求1所述的基于超像素散射機(jī)制的極化SAR圖像艦船目標(biāo)檢測(cè)方法，其 特征在于步驟5所述的將測(cè)試圖像中超像素散射特征矢量表示為對(duì)應(yīng)字典中列向量的稀 疏線性組合以及最終檢測(cè)統(tǒng)計(jì)量的構(gòu)造按如下步驟進(jìn)行： 5a)將測(cè)試圖像中每一個(gè)超像素的散射特征矢量表示為同一分割尺度下對(duì)應(yīng)字典中列 向量的稀疏線性組合，形式為： flk - Dkαk+ rI k， 其中，fTk為第k種超像素散射機(jī)制分布特征矢量，ke {1，2} ; Iik為稀疏表示殘差；CIk 為稀疏表示系數(shù)，通過使用正交匹配追蹤算法（OMP)求解以下問題得到：
式中，I I · I Itl SLci范數(shù)，表示向量中非零元素的個(gè)數(shù)，Sk表示第k種超像素散射機(jī)制 分布特征矢量稀疏表示的稀疏度； 5b)基于測(cè)試圖像中每個(gè)超像素散射特征矢量的稀疏表示殘差，構(gòu)造每個(gè)超像素的檢 測(cè)統(tǒng)計(jì)量，具體計(jì)算方式為： A Tk - I fTk-Dk α k I I 2/ I I flk I I 2? 其中，Λ Tk表示第k種超像素散射特征矢量對(duì)應(yīng)的檢測(cè)統(tǒng)計(jì)量，Il · Il2表示L2范數(shù)， 將超像素檢測(cè)統(tǒng)計(jì)量轉(zhuǎn)換成像素級(jí)的檢測(cè)統(tǒng)計(jì)量：記超像素 SPi的第k個(gè)散射機(jī)制分布特 征對(duì)應(yīng)的檢測(cè)統(tǒng)計(jì)量為ATk，像素點(diǎn)Pxy對(duì)應(yīng)的檢測(cè)統(tǒng)計(jì)量記為A tk，則： λtk = Aft, if Px，ye SPi, 對(duì)所有超像素中的每一個(gè)像素點(diǎn)進(jìn)行同樣的賦值操作，即可完成超像素檢測(cè)統(tǒng)計(jì)量到 像素級(jí)檢測(cè)統(tǒng)計(jì)量的轉(zhuǎn)換。 5c)在不同分割尺度S1下，分別計(jì)算每個(gè)像素點(diǎn)的兩種散射機(jī)制分布特征對(duì)應(yīng)的平均 檢測(cè)統(tǒng)計(jì)量為：
其中，N1為分割尺度的總個(gè)數(shù)，S1表示第1種分割尺度，I < I < N1, 4表示某一像素 點(diǎn)在第1種分割尺度下第k個(gè)散射機(jī)制分布特征對(duì)應(yīng)的檢測(cè)統(tǒng)計(jì)量；對(duì)兩種超像素散射機(jī) 制分布特征像素級(jí)的平均檢測(cè)統(tǒng)計(jì)量再次求平均，獲取最終的檢測(cè)統(tǒng)計(jì)量，計(jì)算公式為： Λ =(為 I + D/2， 得到測(cè)試圖像的檢測(cè)統(tǒng)計(jì)量圖像r 。
【文檔編號(hào)】G06K9/62GK104376330SQ201410662259
【公開日】2015年2月25日 申請(qǐng)日期:2014年11月19日 優(yōu)先權(quán)日:2014年11月19日
【發(fā)明者】王英華, 何敬魯, 劉宏偉, 糾博, 陳渤 申請(qǐng)人:西安電子科技大學(xué)