本發(fā)明屬于sar(syntheticapertureradar，合成孔徑雷達(dá))技術(shù)領(lǐng)域，涉及一種利用合成孔徑雷達(dá)對艦船目標(biāo)進(jìn)行檢測的方法。

背景技術(shù)：

艦船目標(biāo)檢測是sar應(yīng)用的一個重要領(lǐng)域。在軍事情報監(jiān)視、非法移民監(jiān)管和大范圍海洋交通監(jiān)管等領(lǐng)域有著廣泛的應(yīng)用。近年來，基于gp–pnf(geometricalperturbation–polarimetricnotchfilter，幾何擾動的極化陷波濾波器)被應(yīng)用到了極化sar艦船檢測問題研究上來，并取得了不錯的檢測效果(參考文獻(xiàn)：a.marinoandi.hajnsek,“statisticaltestsforashipdetectorbasedonthepolarimetricnotchfilter,”ieeetrans.geosci,remotesens.,vol.53,no.8,pp.4578–4595,aug.2015)。但是gp–pnf需要根據(jù)目標(biāo)船只預(yù)先人為的設(shè)置參數(shù)，這使得gp–pnf無法實現(xiàn)完全的自適應(yīng)檢測(參考文獻(xiàn)：a.marino,m.sugimoto,k.ouchi,andi.hajnsek,“validatinganotchfilterfordetectionoftargetsatseawithalos-palsardata:tokyobay,”ieeej.sel.topicsappl.earthobserv.remotesens.,vol.7,no.12,pp.4907–4918,dec.2014)，這在一定程度上限制了gp–pnf的使用效率。

技術(shù)實現(xiàn)要素：

本發(fā)明提供一種利用snf(simplifiednotchfilter，簡化陷波濾波器)對艦船目標(biāo)進(jìn)行檢測的方法。該方法不需要人為的預(yù)先設(shè)置參數(shù)，可以實現(xiàn)艦船目標(biāo)的自適應(yīng)檢測。

本發(fā)明的技術(shù)方案是：

首先利用極化sar獲得目標(biāo)所在區(qū)域的全極化數(shù)據(jù)，利用全極化數(shù)據(jù)計算散射矢量，然后利用散射矢量構(gòu)建特征部分散射矢量，再利用特征部分散射矢量計算snf圖像，最后對snf圖像采用cfar(constantfalsealarmrate，恒虛警率)檢測實現(xiàn)對于艦船目標(biāo)的檢測。其中，snf圖像的第i行第j列元素γ0(i,j)為：

其中，tsea是sar圖像的特征部分散射矢量，*表示取共軛操作，||表示取模操作,t表示轉(zhuǎn)置操作。

本發(fā)明的有益效果是：

與現(xiàn)有的技術(shù)相比，本發(fā)明不需要人為預(yù)先設(shè)定參數(shù)值，可以實現(xiàn)完全的自適應(yīng)艦船目標(biāo)檢測，因此本發(fā)明簡潔易行、計算速度快。

附圖說明

圖1為本發(fā)明流程圖；

圖2為本發(fā)明實驗數(shù)據(jù)；

圖3，圖4，圖5和圖6為本發(fā)明實驗結(jié)果對比圖。

具體實施方式

圖1為本發(fā)明流程圖，具體實施步驟如下：

第一步，

對得到的極化sar圖像(圖像大小為n×m)計算每一點對應(yīng)的散射矢量ki,j(i＝1,...,nj＝1,...,m)，其具體計算方法如公式一所示：

其中ki,j,l(l＝1,2,3)表示散射矢量ki,j的第l個分量，shh(i,j)表示極化sar圖像第i行第j列元素對應(yīng)的水平散射分量，shv(i,j)表示極化sar圖像第i行第j列元素對應(yīng)的交叉散射分量，svv(i,j)表示極化sar圖像第i行第j列元素對應(yīng)的垂直散射分量，t表示轉(zhuǎn)置操作。

第二步，

采用3×3的滑動窗計算極化sar圖像中每一點的特征部分散射矢量ti,j：

其中每個點對應(yīng)的特征部分散射矢量ti,j都包括6個分量。表示極化sar圖像第i行第j列個元素的第x個散射分量和第y個散射分量之間的相位，exp()表示指數(shù)函數(shù)，*表示取共軛操作，||表示取模操作，<>0在這里表示對以第i行第j列元素為中心的3×3的矩形區(qū)域作空間平均。

第三步，

計算整幅極化sar圖像的特征部分散射矢量tsea：

其中特征部分散射矢量tsea包括6個分量，<>在這里表示對整幅圖像取空間平均。

第四步，

計算極化sar圖像中每個像素點所對應(yīng)的snf圖像的像素點，其具體計算公式如下：

其中γ0(i,j)表示極化sar圖像第i行第j列元素所對應(yīng)的snf，

第五步，

估計snf圖像統(tǒng)計分布的尺度參數(shù)α，視數(shù)n和參數(shù)λ，其具體估計方法如公式五所示。

其中ψ()表示psi函數(shù)，ψ(,)表示polygamma函數(shù)，m表示cfar檢測背景窗中的像素總個數(shù)，xi表示背景窗中第i個像素的灰度值。

第六步，

根據(jù)第五步中得到的形狀參數(shù)估計視數(shù)參數(shù)估計以及參數(shù)λ的估計值計算cfar檢測閾值檢測閾值的具體計算方法如公式六所示。

其中pfa表示虛警率，n表示視數(shù)，pt表示艦船目標(biāo)的功率，μ表示艦船目標(biāo)功率的均值，b(,)表示beta函數(shù)，2f1(,；；)表示高斯超幾何函數(shù)。

對snf圖像進(jìn)行檢測，當(dāng)檢測像素點的灰度值大于等于時，判定為艦船目標(biāo)像素，否則，判定為背景像素，實現(xiàn)對于海上艦船目標(biāo)的檢測。

從技術(shù)方案上可以看到，整套艦船目標(biāo)檢測流程在給定虛警率pfa的前提下，不需要額外人為給定任何參數(shù)，可以實現(xiàn)完全的自適應(yīng)檢測。

圖2為本發(fā)明實驗數(shù)據(jù)，是利用alos-palsar平臺得到的極化sar圖像，其中橫坐標(biāo)表示方位向，縱坐標(biāo)表示距離向，圖中用白色矩形框標(biāo)示的是需要檢測的艦船目標(biāo)，其中包括兩個艦船目標(biāo)。

圖3，圖4為本發(fā)明實驗結(jié)果對比圖。圖3表示的是利用本發(fā)明得到的艦船目標(biāo)檢測結(jié)果圖，圖4表示的是利用rsm(reflectionsymmetrymetric，反射對稱度量)得到的艦船目標(biāo)檢測結(jié)果圖，圖3，圖4中白色像素點即為檢測到的艦船目標(biāo)像素點。圖5和圖6分別是圖3和圖4的局部放大圖，即圖2中的左上角艦船目標(biāo)所對應(yīng)區(qū)域的放大圖。四幅圖的橫坐標(biāo)都表示方位向，縱坐標(biāo)都表示距離向。通過觀察圖5和圖6可以發(fā)現(xiàn)，兩種方法都成功檢測到了艦船目標(biāo)，但是相比于rsm，本發(fā)明方法可以獲得更加完整的艦船目標(biāo)，保留更多的艦船目標(biāo)特征，有利于后續(xù)的艦船目標(biāo)鑒別操作。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。

現(xiàn)有的gp–pnf方法，其gp–pnf圖像的像素計算公式如公式七所示：

其中γ表示gp–pnf，redr為縮比參數(shù)，這一參數(shù)的取值將會影響gp–pnf的cfar檢測性能，通常需要人為選取。而本發(fā)明提出的snf圖像的cfar檢測性能不受redr的約束，這使得snf能夠自適應(yīng)的實現(xiàn)艦船目標(biāo)檢測。

snf圖像的cfar檢測性能不受redr約束的證明過程如下：

首先給出gp–pnf的概率密度函數(shù)，其表達(dá)式如公式八所示：

利用公式八，可以進(jìn)一步得到關(guān)于cfar檢測閾值tγ的表達(dá)式如下：

采用變量替換可以將公式九改寫為：

繼續(xù)采用變量替換t＝λredrx，可以將公式十寫成如下形式：

由于γ與pt滿足如下等式關(guān)系：

所以γ是關(guān)于pt嚴(yán)格單調(diào)遞增的。而且對于每一個γ∈(0,1)，tγ都對應(yīng)著一個最小值并且二者滿足如下關(guān)系：

根據(jù)公式十三，可以得到如下等式：

將公式十四代入公式十一中，可以得到：

從公式十五中可以看到，虛警率pfa只與有關(guān)，而與redr無關(guān)，這也就從理論上證明了本發(fā)明提出的snf的cfar檢測性能不受redr的約束。