一種基于極化目標分解的支持向量機艦船目標檢測方法
【技術領域】
[0001] 本發(fā)明屬于SAR(syntheticapertureradar，合成孔徑雷達）技術領域，涉及一種 基于極化目標分解的SVM(supportvectormachine,支持向量機）艦船目標檢測方法。
【背景技術】
[0002] 極化SAR與單通道的SAR相比，其圖像包涵了更豐富的目標后向散射信息。現(xiàn)今， 極化SAR艦船目標檢測方法已經開發(fā)出了許多種。然而現(xiàn)有的方法存在一個重要問題：對 多種原因引起的虛警的抑制不夠好。這在極大程度上限制了極化SAR艦船目標檢測方法的 發(fā)展。
[0003] 目前基于SVM的SAR圖像的艦船目標檢測方法，主要是利用圖像的多極化灰度信 息提取特征向量，但是存在檢測結果虛警率高的問題，本發(fā)明提出的新方法能夠有效的降 低虛警率，提高檢測率。

【發(fā)明內容】

[0004] 本發(fā)明提供了一種基于極化目標分解的SVM艦船目標檢測方法。該方法通過目標 的后向散射信息提取特征向量可以很好的實現(xiàn)艦船目標檢測，并且在抑制虛警和提高檢測 率方面有突出的表現(xiàn)。
[0005] 本發(fā)明技術方案的基本原理：主要是從目標的極化散射機理出發(fā)，提取目標的特 征向量，再結合SVM進行艦船目標檢測。
[0006] 本發(fā)明的技術方案：
[0007] 步驟一：特征向量的選?。?br>[0008] 設已知極化SAR觀測數(shù)據(jù)，觀測數(shù)據(jù)的共極化分量SHH(i，j)，Svv(i，j)和交叉極化 分量SHV(i,j),其中i,j表示像素點坐標。
[0009] 利用下式計算體散射分量Pv (i，j):
[0010] Pv(i,j) = 4|<|2SHV(i,j) |2>
[0011] 其中，〈?>表示計算鄰域平均，鄰域的大小根據(jù)實際情況確定，3*3或5*5均可。
[0012] 利用下述步驟計算表面散射分量Ps(i，j)和二面角散射分量Pd(i，j):
[0013] 首先計算中間量xn(i,j)和x22(i,j):
[0014]xn (i, j) = <IShh (i,j) +Svv (i,j) 12>-2<I2Shv (i,j) 12>
[0015]x22 (i, j) = <IShh (i,j) -Svv (i,j) 12>-<I2Shv (i,j) 12>
[0016]如果xn(i,j) >x22(i, j),則令：
[0017]a(i, j) = 〇, 0 (i,j) =〈（SHH(i,j)+Svv(i,j)) (SHH(i,j)_Svv(i,j))*>/xn(i,j)
[0018]Ps(i，j) = |xn(i，j) + |〈（SHH(i，j)+Svv(i，j)) (SHH(i，j)-Svv(i，j))*>|2/xn(i，j)I
[0019]Pd(i，j) = |x22(i，j)-|〈（SHH(i，j)+Svv(i，j)) (SHH(i，j)-Svv(i，j))*>|2/xn(i，j)I
[0020] 否則令：
[0021] (i,j) = 0,a(i,j) = < (SHH(i,j)+Svv(i,j)) (SHH(i,j)-Svv(i,j))*>/x22(i,j)
[0022] Pd(i，j) = |x22(i，j) + |〈（SHH(i，j)+Svv) (SHH(i，j)-Svv(i，j))*>|2/xn(i，j)I
[0023] Ps(i，j) = |xn(i，j)-|〈（SHH(i，j)+Svv(i，j)) (SHH(i，j)-svv(i，j))*>|2/xn(i，j)I
[0024] 利用下式計算混合散射分量Psd(i，j):
[0025] Psd (i,j) =Ps(i,j) *Pd(i,j)
[0026] 貝lj，形成的特征向量P(i,j) = [SHH(i,j),Psd(i,j),Pv(i,j)]。
[0027] 步驟二：訓練SVM分類器：
[0028] 利用已知艦船目標和非艦船目標的極化SAR觀測數(shù)據(jù)，根據(jù)步驟一提供的方法提 取特征向量，進行訓練得到所需的SVM分類器。
[0029] 步驟三：進行分類
[0030] 將極化SAR圖像中待檢測區(qū)域的特征向量P(i，j)輸入到已經訓練好的SVM分類 器中，得到分類結果。
[0031] 本發(fā)明的有益效果是：
[0032] 1、通過目標的后向散射信息也可以很好地實現(xiàn)艦船目標的檢測；
[0033]2、算法在抑制虛警和提高檢測效率上有突出的表現(xiàn)。
【附圖說明】
[0034] 圖1是基于極化目標分解的SVM艦船目標檢測的具體流程圖；
[0035] 圖2是東京灣海域C波段實測數(shù)據(jù)；
[0036] 圖3是本發(fā)明和反射對稱性的艦船目標檢測算法的結果對比圖，（a)是Pfa= IX10 6時反射對稱檢測算法的結果圖；(b)是本發(fā)明的檢測結果圖；（C)是兩種檢測方法的 檢測結果統(tǒng)計表。
【具體實施方式】
[0037] 下面結合實驗對本發(fā)明提供的基于極化目標分解的SVM艦船目標檢測方法進行 詳細說明。
[0038] 圖1是基于極化目標分解的SVM艦船目標檢測的具體流程圖。該流程圖包括訓 練過程和檢測過程。訓練過程輸入的是樣本極化SAR數(shù)據(jù)，即已知艦船目標和非艦船目標 的極化SAR觀測數(shù)據(jù)，訓練樣本的真實情況已有目視解譯法或者其他方法獲得。利用本發(fā) 明得到的步驟一計算訓練樣本的三個特征分量SHH(i,j),Psd(i,j),Pv(i,j)，得到特征向量 P(i，j)。將訓練樣本的特征向量和對應標簽（即有目標和無目標兩種標簽）輸入到SVM進 行訓練，得到所需的SVM分類器，在MATLAB2010中調用svmtrain函數(shù)，即可實現(xiàn)，得到SVM 分類器。檢測過程輸入待測極化SAR數(shù)據(jù)，利用訓練過程得到的SVM，即可得到待測數(shù)據(jù)是 否為艦船目標。將標簽值等于1的像素的灰度值設為255,即是艦船目標。將標簽值等于0 的像素的灰度值設為〇,即是非艦船目標。在MATLAB2010中調用svmclassify函數(shù)（Group =svmclassify(SVMStruct，Sample)，即可實現(xiàn)。
[0039] 圖2是本發(fā)明選取的東京灣C波段實測數(shù)據(jù)，其中矩形框內的圓圈內所標示的兩 個區(qū)域a和b的切片像素得到的樣本標簽對SVM進行訓練。
[0040]圖3是本發(fā)明與反射對稱性的艦船目標檢測算法的結果對比圖。
[0041] 實驗中Rd(detectionrate,檢測率）和FoM(FiguresofMerit，品質因數(shù)）的定 義如下：
[0044] 上兩式中，義表示算法檢測到的目標數(shù)量，N,表示真實的目標數(shù)量，N,3表示虛警 數(shù)量。
[0045] 由圖3可以看出：當利用反射對稱性的艦船目標檢測方法對圖2中C波段東京灣 數(shù)據(jù)所取區(qū)域進行檢測時，Pfa= 1X10 6的情況下檢測結果如圖3(a)所示，其中矩形框內 的區(qū)域代表檢測目標，橢圓框內的區(qū)域代表虛警?？梢钥闯觯?個目標被完全檢測出來，但 虛警數(shù)量較多，且目標的結構信息比較模糊，特別是左起第五個目標的十字模糊體現(xiàn)的很 嚴重；當利用本發(fā)明對同樣的數(shù)據(jù)進行檢測時，結果如圖3(b)所示。9個真實目標同樣被 完全檢測出來，虛警數(shù)量只有1個，且目標的結構信息較為明確，兩種方法的具體比較見圖 3 (c)，從圖中可以看出，本發(fā)明的品質因數(shù)FoM高于反射對稱性的艦船目標檢測算法。
【主權項】
1. 一種基于極化目標分解的支持向量機艦船目標檢測方法，其特征在于，包括下述步 驟： 步驟一：特征向量的選?。? 設已知極化SAR觀測數(shù)據(jù)的共極化分量Shh (i，j)，Svv (i，j)和交叉極化分量Shv (i，j)， 其中i，j表示像素點坐標，SAR指合成孔徑雷達； 利用下式計算體散射分量Pv(i，j): Pv(i, j) = 4|<|2SHV(i, j) |2> 其中，〈?>表示計算鄰域平均，鄰域的大小根據(jù)實際情況確定； 利用下述步驟計算表面散射分量Ps(i，j)和二面角散射分量Pd(i，j): 首先計算中間量xn (i, j)和x22(i, j): X11(i, j) = < IShh (i, j) +Svv (i, j) 12>-2< I 2Shv (i, j) 12> x22 (i, j) =〈 IShh (i, j) -Svv (i, j) 12>-〈 I 2SHV (i, j) 12> 如果 xn (i, j) > x22 (i, j),則令： a (i, j) = 〇, P (i, j) = < (SHH(i, j)+Svv(i, j)) (SHH(i, j)-Svv(i, j))*>/xn(i, j) Ps(i, j) = |xn(i, j) + |〈(SHH(i, j)+Svv(i, j)) (SHH(i, j)-Svv(i, j))*>|2/xn(i, j) Pd(i, J') = |x22(i, j)-|<(SHH(i, j)+Svv(i, j)) (SHH(i, j)-Svv(i, j))*> IVx11 (i, j) 否則令： 0 (i, j) = 〇, a (i, j) = <(SHH(i, j)+Svv(i, j)) (SHH(i, j)-Svv(i, j))*>/x22(i, j) Pd(i, J') = |x22(i, j)+<| (SHH (i, j)+Svv) (SHH (i, j)-Svv(i, j))*> IVx11 (i, j) Ps(i, j) = |xn(i, j)-|〈(SHH(i, j)+Svv(i, j)) (SHH(i, j)-Svv(i, j))*>|2/xn(i, j) 利用下式計算混合散射分量Psd(i，j): Psd(i, j) = Ps (i, j) ? Pd(i, j) 則形成的特征向量 P(i,j) = [SHH(i,j),Psd(i，j)，Pv(i，j)]; 步驟二：訓練SVM分類器： 利用已知艦船目標和非艦船目標的極化SAR觀測數(shù)據(jù)，根據(jù)步驟一提供的方法提取特 征向量，進行訓練得到所需的支持向量機分類器； 步驟三：進行分類： 將極化SAR圖像中待檢測區(qū)域的特征向量P(i, j)輸入到已經訓練好的支持向量機分 類器中，得到分類結果。
【專利摘要】本發(fā)明提供一種基于極化目標分解的SVM艦船目標檢測方法。本發(fā)明技術方案的基本原理主要是從目標的極化散射機理出發(fā)，提取目標的特征向量，再結合SVM進行艦船目標檢測。技術方案包括：步驟一：特征向量的選??；步驟二：訓練SVM分類器；步驟三：進行分類。本發(fā)明通過目標的后向散射信息提取特征向量可以很好的實現(xiàn)艦船目標檢測，并且在抑制虛警和提高檢測率方面有突出的表現(xiàn)。
【IPC分類】G06K9/62, G06K9/00
【公開號】CN105069432
【申請?zhí)枴緾N201510484492
【發(fā)明人】高貴, 王肖洋, 周石琳, 歐陽克威
【申請人】中國人民解放軍國防科學技術大學
【公開日】2015年11月18日
【申請日】2015年8月10日