CN102938150A - 基于自适应海杂波统计的sar图像舰船检测方法 - Google Patents

Abstract

本发明公开了一种基于自适应海杂波统计的SAR图像舰船分离检测方法。主要解决SAR图像中海面舰船检测有效性低的问题。其实现过程为：通过大津阈值法对图像进行阈值处理，实现海面分离；对海面分离后的图像进行陆地剔除，得到陆地剔除后二值图像及目标；对陆地剔除后目标进行边界遍历，得到边界信息；结合原始SAR图像、陆地剔除后二值图像和陆地剔除后目标边界信息，设置自适应背景窗口，完成背景分离，并对各个陆地剔除后目标进行目标、背景像素统计；利用统计信息实现对舰船类目标的有效检测。理论分析和实验结果表明，本发明能够实现对SAR图像海面舰船类目标的精确检测，可用于SAR图像处理应用。

Description

基于自适应海杂波统计的SAR图像舰船检测方法

技术领域

本发明属于雷达技术领域，涉及合成孔径雷达SAR图像的分离检测，可实现对SAR图像中海面舰船目标的有效检测。

背景技术

合成孔径雷达SAR是一种高分辨微波成像雷达，具有远距离、全天候、全天时等观测优点。近年来，利用SAR图像对舰船目标进行检测与监视的研究以及相应的技术开发在海洋遥感领域得到了高度重视，成为SAR技术的非常重要的应用方向之一。

在SAR图像舰船检测方法中，基于双参数CFAR类和基于K-分布类方法得到了广泛的研究和应用。双参数CFAR类方法背景假设为高斯分布，通过设定目标窗口、保护窗口、背景窗口以及滑动步长，对图像中舰船类目标进行滑动检测；与双参数CFAR类方法相比，K-分布类方法采用K-分布作为海杂波分布模型，更接近于实际海杂波分布模型，该方法通过对图像的参数计算，拟合得到背景杂波的K-分布模型，用于舰船目标的CFAR检测，全局K-分布方法通过整幅SAR图像对图像参数进行估计，一次拟合背景海杂波分布，适用于中低分辨率SAR图像；局部K-分布方法仍通过设定目标窗口、保护窗口、背景窗口以及滑动步长，完成对图像中舰船类目标进行滑动检测。

上述两类方法均采用了理想的分布模型，同时固定的窗口大小以及步长设置使其在实际检测中存在以下不足：

1.固定的分布模型无法准确描述SAR图像中海面背景杂波分布；

2.复杂的数学分布模型不利于工程实现；

3.固定的窗口大小无法实现对不同体积大小舰船的精确检测；

4.当背景窗口中出现不需要的目标或背景分布不连续时，方法不稳定；

5.步长的选取对计算效率以及检测效率有较大的影响。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于自适应海杂波统计的SAR图像舰船分离检测方法，以实现在SAR图像中对海面舰船类目标的精确检测，提高检测效率，使其更有利于工程实现。

实现本发明目的技术方案是：通过对SAR图像的预处理，设置自适应背景窗，完成对不同目标背景分布的统计，利用该特征统计结果，对非舰船类目标进行剔除，实现对SAR图像中海面舰船类目标的有效检测。其实施步骤包括如下：

1)输入海面SAR图像，得到m×n维输入图像矩阵I；

2)利用大津阈值法OSTU求解图像矩阵I的最优门限G_opg，用该最优门限对图像矩阵I进行阈值处理，得到海面剔除后二值图矩阵I_e，完成海面分离；

3)陆地剔除；

3a）对海面剔除后二值图矩阵I_e中各个海面分离后目标T_g进行连通体积遍历统计，得到各个海面分离后目标T_g在海面剔除后二值图矩阵I_e上的体积单元信息V_g，g=1,2,…,N，其中N为海面剔除后二值图矩阵I_e中目标总个数；

3b）根据已知的雷达分辨率为σ_a×σ_r和实际舰船类目标体积分布区间V～V'，

计算舰船在SAR图像上体积单元的分布区间V_min~V_max：

$V_{\min }=\frac{V}{{\mathrm{\σ}}_a\×{\mathrm{\σ}}_r},---\left(10\right)$

$V_{\max }=\frac{V^{\′}}{{\mathrm{\σ}}_a\×{\mathrm{\σ}}_r};---\left(11\right)$

3c）结合海面剔除后二值图矩阵I_e及各个海面分离后目标T_g体积信息V_g，在海面剔除后二值图矩阵I_e上对不符合体积分布区间V_min~V_max的目标进行删除，得到剔除陆地后二值图像矩阵I_t，剔除陆地后二值图像矩阵I_t中各个剔除陆地后目标用T_k'表示，其中，k=1,2,…,N'，N'为剔除陆地后二值图像矩阵I_t中剔除陆地后目标的总个数；

4)依次对剔除陆地后二值图像矩阵I_t中各个剔除陆地后目标T_k'进行分离检测，得到舰船目标：

4a）对剔除陆地后二值图像矩阵I_t中剔除陆地后目标T_k'进行边界统计，得到其边界信息，根据边界信息，设置剔除陆地后目标T_k'的自适应背景窗口矩阵I_bk；

4b）利用剔除陆地后二值图像矩阵I_t、自适应背景窗口矩阵I_bk和原始SAR图像矩阵I，对剔除陆地后目标T_k'进行背景分离，并分别统计剔除陆地后目标T_k'的目标像素和背景像素，得到剔除陆地后目标T_k'的目标像素分布p_tk(x)和背景像素分布p_bk(x)；

4c）利用目标像素分布p_tk(x)计算剔除陆地后目标T_k'的像素均值μ_k，以背景像素分布p_bk(x)作为背景分布函数，带入恒虚警检测公式，求得剔除陆地后目标T_k'的恒虚警检测门限t_k，并进行判定：若μ_k≥t_k，则判定剔除陆地后目标T_k'为舰船类目标，若μ_k＜t_k，则判定剔除陆地后目标T_k'为非舰船类目标。

本发明与现有技术相比具有以下优点

第一，本发明是基于自适应背景窗的设置，根据目标边界信息，自动设置目标背景窗大小，从而避免了设定固定背景窗口、保护窗口和目标窗口带来的影响；

第二，本发明是基于实际海杂波统计模型的检测方法，可实现对图像中目标周围海杂波分布的实际统计，利用该统计模型完成对目标的恒虚警检测，从而降低了因为固定海杂波分布模型带来的检测偏差，提高了检测有效性；

第三，本发明通过对目标背景分离技术，实现对目标的分离检测，在检测近距或近岸目标时，避免了背景窗口内其他目标对背景分布统计的影响，从而克服了传统方法在背景参数估计时其他目标像素对背景参数估计的影响；

第四，本发明对目标体积的统计，可以准确的统计出同一连通目标的像素单元分布体积，在陆地剔除方面，利用该统计方法可以很好的将大体积陆地进行完整的剔除，从而避免了陆地对目标检测产生的影响，同时可实现对大体积舰船目标的检测；

下面结合附图对本发明做进一步描述。

附图说明

图1是发明的流程图；

图2是本发明仿真使用的原始SAR图像；

图3是用本发明对图2进行海面分离后的结果；

图4是用本发明对图3进行陆地剔除后的结果；

图5是用本发明对舰船类目标进行背景分离后的结果；

图6是用本发明对非舰船类目标进行背景分离后的结果；

图7是用本发明对图2进行舰船检测的结果。

具体实施方式

参照图1，本发明的具体实施步骤如下：

步骤1.输入SAR图像，得到m×n维图像矩阵I。

步骤2.采用大津阈值法OSTU对输入图像矩阵I中海面进行分离海面分离。

OSTU处理是基于最大类间方差进行阈值处理，它可以将陆地、目标以及较强的海杂波等与海面分离开来，从而实现海面分离，大津阈值法OSTU具体操作分为以下几个步骤：

2a）设图像矩阵I中像素灰度级为h，h=0,1,…,255，计算图像矩阵I中的总像素个数N_u：

$N_u=\underset{h=0}{\overset{255}{\mathrm{\Σ}}}{n}_h,---\left(1\right)$

其中，n_h为灰度级h的像素个数；

2b）计算灰度级为h的像素出现的概率P_h：

$P_h=\frac{n_h}{N_u},---\left(2\right)$

其中，P_h≥0，且

2c）计算图像矩阵I总灰度平均值μ：

$\mathrm{\μ}=\underset{h=0}{\overset{255}{\mathrm{\Σ}}}h{P}_h,---\left(3\right)$

2d）设阈值G将灰度级分为两组C₀＝0～G，C₁＝(G+1)～255，C₀代表背景，C₁代表目标，分别定义C₀、C₁产生的概率和均值如下：

C₀产生的概率ω₀：

${\mathrm{\ω}}_0=\underset{h=0}{\overset{G}{\mathrm{\Σ}}}{P}_h=\mathrm{\ω}\left(G\right),---\left(4\right)$

C₁产生的概率ω₁：

${\mathrm{\ω}}_1=\underset{h=G+1}{\overset{255}{\mathrm{\Σ}}}{P}_h=1-\mathrm{\ω}\left(G\right),---\left(5\right)$

C₀的均值μ₀：

${\mathrm{\μ}}_0=\frac{\underset{h=0}{\overset{G}{\mathrm{\Σ}}}h{P}_h}{{\mathrm{\ω}}_0}=\frac{\mathrm{\μ}\left(G\right)}{\mathrm{\ω}\left(G\right)},---\left(6\right)$

C₁的均值μ₁：

${\mathrm{\μ}}_1=\frac{\underset{h=G+1}{\overset{255}{\mathrm{\Σ}}}h{P}_h}{{\mathrm{\ω}}_1}=\frac{\mathrm{\μ}-\mathrm{\μ}\left(G\right)}{1-\mathrm{\ω}\left(G\right)},---\left(7\right)$

其中， $\mathrm{\μ}\left(G\right)=\underset{h=0}{\overset{G}{\mathrm{\Σ}}}h{P}_h.$

计算经过阈值G处理后的类间方差为：

σ²(G)＝ω₀(μ₀-μ)²+ω₁(μ₁-μ)²；            （8）

2e）分别取G=0～255，按（8）式计算类方间差σ²(G)，并记类间方差σ²(G)取最大值时的阈值为最优阈值G_opg；

2f）设置矩阵I_e＝I，利用最优阈值G_opg对图像进行阈值处理：

$I_e(i,j)=\left\{\begin{array}{cc}255& I(i,j)\&GreaterEqual;G_{\mathrm{opg}}\\ 0& I(i,j)<G_{\mathrm{opg}}\end{array}\right.,---\left(9\right)$

其中，I_e为海面剔除后二值图矩阵，i＝1,…,m，j＝1,…,n。

经过上述操作，图像中一些弱像素被去除，从而使得海面与非海面目标分离开来。

步骤3.陆地剔除；

在海面分离处理之后，海面剔除后二值图矩阵I_e中只存在I_e(i,j)=255的像素点和I_e(i,j)=0的像素点，其中I_e(i,j)=255的像素点代表陆地、海杂波和舰船等目标。在实际目标检测中，陆地的存在会对舰船目标的检测造成很大的影响，产生较高的虚警概率。为了实现对目标的精确检测，需要对陆地部分进行剔除，剔除的具体操作如下：

3a）对海面剔除后二值图矩阵I_e中各个海面分离后目标进行连通体积遍历统计，连通体积遍历统计的具体方法步骤如下：

3a1）输入海面剔除后二值图矩阵I_e，设置标志矩阵I_m，I_m为m×n维全零矩阵；

3a2）遍历海面剔除后二值图矩阵I_e像素点I_e(i,j)，其中i＝1,…,m，j＝1,…,n，如果I_e(i,j)=255且I_m(i,j)＝0，则记海面分离后目标T_g，当前遍历坐标(i,j)为海面分离后目标T_g的初始坐标(i_g,j_g)，其中g=1,2,…,N，N为海面剔除后二值图矩阵I_e中海面分离后目标总个数；

3a3）设置堆栈stack，并将坐标(i_g,j_g)进栈，令I_m(i_g,j_g)＝1，设置海面分离后目标T_g的体积参数V_g，并初始化体积参数V_g＝0；

3a4）判断堆栈stack是否为空，若堆栈stack不为空，将栈顶坐标出栈，记为(i',j′)，再令V_g=V_g+1，执行步骤3a5）；若堆栈stack为空，则记录海面分离后目标T_g及体积参数V_g，执行步骤3a6）；

3a5）分别对栈顶坐标(i',j')的八领域内各个像素点I_e(i″，j″)按顺时针或逆时针顺序进行遍历检查：如果I_e(i″，j″)=255且I_m(i″，j″)＝0，则将像素点I_e(i″，j″)的坐标(i″，j″)放入堆栈stack，并令I_m(i″，j″)＝1；在栈顶坐标(i',j')的八领域像素点全部检查完后，返回步骤3a4）；

3a6）判断当前遍历坐标(i,j)，如果i=m且j=n，则连通体积遍历统计结束；否则，返回步骤3a2）。

通过连通体积遍历统计方法，得到各个海面分离后目标T_g在海面剔除后二值图矩阵I_e上的体积单元信息V_g，g=1,2,…,N，其中N为海面剔除后二值图矩阵I_e中目标总个数。

3b）对舰船类目标在SAR图像上分布单元区间进行计算，即根据已知的雷达分辨率σ_a×σ_r和实际舰船类目标体积分布区间V～V'，计算舰船在SAR图像上体积单元的分布区间V_min~V_max：

$V_{\min }=\frac{V}{{\mathrm{\&sigma;}}_a\&times;{\mathrm{\&sigma;}}_r},---\left(10\right)$

$V_{\max }=\frac{V^{\&prime;}}{{\mathrm{\&sigma;}}_a\&times;{\mathrm{\&sigma;}}_r};---\left(11\right)$

其中，σ_a为SAR方位向分辨率，σ_r为SAR距离向分辨率，V为实际舰船类目标最小体积，V'为实际舰船类目标最大体积，V_min为SAR图像上舰船类目标最小体积单元数，V_max为SAR图像上舰船类目标最大体积单元数；

3c）结合海面剔除后二值图矩阵I_e及各个海面分离后目标T_g体积信息V_g，在海面剔除后二值图矩阵I_e上对不符合体积分布区间V_min~V_max的目标进行删除，具体步骤如下：

3c1）设置m×n维矩阵I_t，并令I_t=I_e；

3c2）对步骤3a）中各个海面分离后目标T_g的体积参数V_g进行判定：若V_g<V_min或V_g>V_max，则对I_t上所有属于目标T_g的像素进行置零；若V_min≤V_g≤V_max，则对I_t上所有属于目标T_g的像素进行保留；

3c3）记I_t为剔除陆地后矩阵I_t，I_t中各个目标用T_k'表示，各个目标的初始坐标为(i_k,j_k)，其中，k=1,2,…,N'，N'为剔除陆地后二值图像矩阵I_t中目标总个数。

步骤4.目标分离检测；

在对大体积陆地进行剔除后，得到剔除陆地后矩阵I_t，I_t中各个剔除陆地后目标T_k'代表了符合舰船类目标体积分布区间的各类目标，包括强海杂波产生的非舰船类目标、小型岛屿产生的非舰船类目标和舰船类目标等，为了剔除非舰船类目标，实现对舰船类目标的精确检测，需要对各个剔除陆地后目标目标T_k'进行背景分离的分离检测，具体步骤如下：

4a）根据剔除陆地后矩阵I_t，设置m×n维自适应背景窗口矩阵I_bk：

4a1）对剔除陆地后矩阵I_t中各个剔除陆地后目标T_k'，以其初始坐标(i_k,j_k)为初始坐标点，利用与步骤3a）相同的方法进行连通体积遍历，同时标记剔除陆地后目标T_k'的边界坐标：

$\left\{\begin{array}{c}{i}_{k\min =\underset{i\&Element;T_k^{\&prime;}}{\min }i}\\ i_{k\max }=\underset{i\&Element;T_k^{\&prime;}}{\max }i\\ j_{k\min =\underset{j\&Element;T_k^{\&prime;}}{\min }j}\\ j_{k\max =\underset{j\&Element;T_k^{\&prime;}}{\max }j}\end{array}\right.,---\left(12\right)$

其中，i为矩阵行坐标，j为矩阵列坐标，i_kmin、i_kmax代表各个目标T_k'在剔除陆地后二值图像矩阵I_t中行的最小、最大边界行坐标，j_kmin、j_kmax分别代表各个剔除陆地后目标T_k'在剔除陆地后二值图像矩阵I_t中列的最小、最大边界列坐标；

4a2）对各个剔除陆地后目标T_k'边界坐标作扩大处理：

$\left\{\begin{array}{c}{i}_{b\_k\min }=i_{k\min }-L_k\\ i_{b\_k\max }=i_{k\max }+L_k\\ j_{b\_k\min }=j_{k\min }-W_k\\ j_{b\_k\max }=j_{k\max }+W_k\end{array}\right.,---\left(13\right)$

其中，i_{b_kmin}、i_{b_kmax}分别为边界扩大后最小、最大行坐标，j_{b_kmin}、j_{b_kmax}分别为边界扩大后最小、最大列坐标，L_k＝i_kmax-i_kmin，为剔除陆地后目标T_k'的行分布长度，W_k＝j_kmax-j_kmin，为剔除陆地后目标T_k'的列分布长度；

4a3）根据边界扩大后坐标对自适应背景窗口矩阵I_bk进行赋值，即：

I_bk(i_{b_kmin}:i_{b_kmax},j_{b_kmin}:j_{b_kmax})＝1，           （14）

其中，i_{b_kmin}:i_{b_kmax}代表从自适应背景窗口矩阵I_bk的第i_{b_kmin}行到i_{b_kmax}行，j_{b_kmin}:j_{b_kmax}代表从自适应背景窗口矩阵I_bk的第j_{b_kmin}列到j_{b_kmax}列；

4b）结合SAR原始图像矩阵I、剔除陆地后二值图像矩阵I_t和自适应背景窗口矩阵I_bk对目标与背景进行分离与统计：

4b1）对剔除陆地后矩阵I_t进行归一化处理，得到归一化后的图像矩阵I_t1：

I_t1＝I_t./255，                 （15）

其中，./为矩阵的点除操作；

4b2）根据原始SAR图像I矩阵和归一化后的图像矩阵I_t1，得到目标分离矩阵I_T：

I_T＝I·I_t1，                 （16）

其中，·为矩阵的点乘操作；

4b3）根据原始SAR图像矩阵I和自适应背景窗口矩阵I_bk，对自适应背景窗进行分离，得到自适应背景窗分离矩阵I_BT：

I_BT＝I·I_bk，                （17）

其中，·为矩阵的点乘操作；

4b4）根据自适应背景窗分离矩阵I_BT和目标分离矩阵I_T，对背景进行分离，得到背景分离矩阵I_B：

I_B＝I_BT-I_T；                （18）

4b5）分别对目标分离矩阵I_T和背景分离矩阵I_B中像素进行统计，得到剔除陆地后目标T_k'的目标像素分布p_tk(x)和背景像素分布p_bk(x)；

4c）根据目标的像素分布p_tk(x)和背景像素分布p_bk(x)，对剔除陆地后目标T_k'进行检测：

4c1）对目标分布p_tk(x)进行像素均值μ_k求解：

μ_k＝mean(p_tk(x))，                （19）

其中，mean(·)为求均值操作。

4c2）将目标的背景分布p_bk(x)作为恒虚警检测的背景分布函数，根据恒虚警检测公式：

$1-P_{\mathrm{fa}}={\&Integral;}_0^{t_k}{p}_{\mathrm{bk}}\left(x\right)\mathrm{dx},---\left(20\right)$

求得恒虚警门限t_k，其中P_fa为恒虚警概率；

4c3）用恒虚警门限t_k对目标均值μ_k进行门限判断：若μ_k≥t_k，则判定剔除陆地后目标T_k'为舰船类目标；若μ_k＜t_k，则判定剔除陆地后目标T_k'为非舰船类目标。

通过上述步骤，完成了对SAR图像中舰船类目标的精确检测。

本发明的效果可以通过下述仿真实验加以说明：

1.仿真条件

本发明采用如图3所示的SAR图像进行试验，其中舰船体积分布区间设为0~1000，图像中舰船数目为11。

2.仿真内容与结果

利用本发明方法对图2进行舰船类目标的检测：

2.1）将图2输入，得到图像矩阵I，对图像矩阵I进行大津阈值法OSTU处理，得到海面剔除后二值图矩阵I_e，海面分离结果如图3所示。从图3中可以看出，陆地、舰船、海杂波等目标被保留，海面被分离，从而达到了很好的海面分离效果。

2.2）对海面剔除后二值图矩阵I_e进行体积统计，并对其中大面积目标进行剔除，得到陆地剔除后的目标二值图矩阵I_t，陆地剔除结果如图4所示。从图4中可以看出，大面积的陆地被剔除，保留下的为符合舰船分布区间要求的各类目标。

2.3）根据原始图像矩阵I、陆地剔除后图像矩阵I_t和自适应背景窗口矩阵I_bk对背景进行分离，并统计其分布，结果如图5和图6所示，其中，图5为舰船类目标的分离结果，图6为非舰船类目标分离结果。从图5、图6可以看出，目标和背景被很好的分离开来，同时舰船类目标像素分布集中于高像素区间，非舰船类目标像素分布集中于中低像素区间，利用这一性质可以完成对非舰船类目标的剔除。

2.4）根据目标和背景的分布计算目标均值μ_k和背景恒虚警门限t_k，对SAR图像中分离后的各个目标进行非舰船类目标剔除，结果如图7所示。从图7可以看出，通过本发明方法，实现了对图像中舰船类目标的精确检测。

图7中检测结果的性能指标如表1：

表1检测的性能指标对比

舰船实际数目	漏检个数	正确检测数	虚警个数
				11	0	11	0

从表1可以看出，本发明的检测方法可以实现对SAR图像中舰船类目标的精确检测。

Claims (7)

1.一种基于自适应海杂波统计的SAR图像舰船分离检测方法，包括如下步骤：

1)输入海面SAR图像，得到m×n维图像矩阵I；

2)利用大津阈值法OSTU求解图像矩阵I的最优门限G_opg，用该最优门限对图像矩阵I进行阈值处理，得到海面剔除后二值图矩阵I_e，完成海面分离；

3)陆地剔除；

3a）对海面剔除后二值图矩阵I_e中各个海面分离后目标T_g进行连通体积遍历统计，得到各个海面分离后目标T_g在海面剔除后二值图矩阵I_e上的体积单元信息V_g，g=1,2,…,N，其中N为海面剔除后二值图矩阵I_e中目标总个数；

3b）根据已知的雷达分辨率为σ_a×σ_r和实际舰船类目标体积分布区间V～V'，计算舰船在SAR图像上体积单元的分布区间V_min~V_max：

$V_{\min }=\frac{V}{{\mathrm{\&sigma;}}_a\&times;{\mathrm{\&sigma;}}_r},---\left(10\right)$

$V_{\max }=\frac{V^{\&prime;}}{{\mathrm{\&sigma;}}_a\&times;{\mathrm{\&sigma;}}_r};---\left(11\right)$

3c）结合海面剔除后二值图矩阵I_e及各个海面分离后目标T_g体积信息V_g，在海面剔除后二值图矩阵I_e上对不符合体积分布区间V_min~V_max的目标进行删除，得到剔除陆地后二值图像矩阵I_t，剔除陆地后二值图像矩阵I_t中各个剔除陆地后目标用T_k'表示，其中，k=1,2,…,N'，N'为剔除陆地后二值图像矩阵I_t中剔除陆地后目标的总个数；

4)依次对剔除陆地后二值图像矩阵I_t中各个剔除陆地后目标T_k'进行分离检测，得到舰船目标：

4a）对剔除陆地后二值图像矩阵I_t中剔除陆地后目标T_k'进行边界统计，得到其边界信息，根据边界信息，设置剔除陆地后目标T_k'的自适应背景窗口矩阵I_bk；

4b）利用剔除陆地后二值图像矩阵I_t、自适应背景窗口矩阵I_bk和原始SAR图像矩阵I，对剔除陆地后目标T_k'进行背景分离，并分别统计剔除陆地后目标T_k'的目标像素和背景像素，得到剔除陆地后目标T_k'的目标像素分布p_tk(x)和背景像素分布p_bk(x)；

4c）利用目标像素分布p_tk(x)计算剔除陆地后目标T_k'的像素均值μ_k，以背景像素分布p_bk(x)作为背景分布函数，带入恒虚警检测公式，求得剔除陆地后目标T_k'的恒虚警检测门限t_k，并进行判定：若μ_k≥t_k，则判定剔除陆地后目标T_k'为舰船类目标，若μ_k＜t_k，则判定剔除陆地后目标T_k'为非舰船类目标。

2.根据权利要求1所述的基于自适应海杂波统计的SAR图像舰船分离检测方法，其中步骤3a)所述的对海面剔除后二值图矩阵I_e进行连通体积遍历统计，按如下步骤进行：

3a1）输入海面剔除后二值图矩阵I_e，设置标志矩阵I_m，I_m为m×n维全零矩阵；

3a2）遍历海面剔除后二值图矩阵I_e像素点I_e(i,j)，其中i＝1,…,m，j＝1,…,n，如果I_e(i,j)=255且I_m(i,j)＝0，则记海面分离后目标T_g，当前遍历坐标(i,j)为海面分离后目标T_g的初始坐标(i_g,j_g)，其中g=1,2,…,N，N为海面剔除后二值图矩阵I_e中海面分离后目标总个数；

3a3）设置堆栈stack，并将坐标(i_g,j_g)进栈，令I_m(i_g,j_g)＝1，设置海面分离后目标T_g的体积参数V_g，并初始化体积参数V_g＝0；

3a4）判断堆栈stack是否为空，若堆栈stack不为空，将栈顶坐标出栈，记为(i',j′)，再令V_g=V_g+1，执行步骤3a5）；若堆栈stack为空，则记录海面分离后目标T_g及体积参数V_g，执行步骤3a6）；

3a5）分别对栈顶坐标(i',j')的八领域内各个像素点I_e(i″，j″)按顺时针或逆时针顺序进行遍历检查：如果I_e(i″，j″)=255且I_m(i″，j″)＝0，则将像素点I_e(i″，j″)的坐标(i″，j″)放入堆栈stack，并令I_m(i″，j″)＝1；在栈顶坐标(i',j')的八领域像素点全部检查完后，返回步骤3a4）；

3a6）判断当前遍历坐标(i,j)，如果i=m且j=n，则连通体积遍历统计结束；否则，返回步骤3a2）。

3.根据权利要求1所述的基于自适应海杂波统计的SAR图像舰船分离检测方法，其中步骤3c)所述的在海面剔除后二值图矩阵I_e上对不符合体积分布区间V_min~V_max的目标进行删除，按如下步骤进行：

3c1）设置m×n维矩阵I_t，并令I_t=I_e；

3c2）对步骤3a）中各个海面分离后目标T_g的体积参数V_g进行判定：若V_g<V_min或V_g>V_max，则对I_t上所有属于目标T_g的像素进行置零；若V_min≤V_g≤V_max，则对I_t上所有属于目标T_g的像素进行保留；

3c3）记I_t为剔除陆地后矩阵I_t，I_t中各个目标用T_k'表示，各个目标的初始坐标为(i_k,j_k)，其中，k=1,2,…,N'，N'为剔除陆地后二值图像矩阵I_t中目标总个数。

4.根据权利要求1所述的基于自适应海杂波统计的SAR图像舰船分离检测方法，其中步骤4a)所述的设置目标的自适应背景窗口矩阵I_bk，按如下步骤进行：

4a1）设置m×n维全零自适应背景窗口矩阵I_bk；

4a2）对剔除陆地后矩阵I_t中各个剔除陆地后目标T_k'，以其初始坐标(i_k,j_k)为初始坐标点，利用与步骤3a）相同的方法进行连通体积遍历，同时标记剔除陆地后目标T_k'的边界：

$\left\{\begin{array}{c}{i}_{k\min }=\underset{i\&Element;{T_k}^{\&prime;}}{\min i}\\ i_{k\max }=\underset{i\&Element;{T_k}^{\&prime;}}{\max i}\\ j_{k\min }=\underset{j\&Element;{T_k}^{\&prime;}}{\min j}\\ j_{k\max }=\underset{j\&Element;{T_k}^{\&prime;}}{\max j}\end{array}\right.,---\left(12\right)$

其中，i为矩阵行坐标，j为矩阵列坐标，i_kmin、i_kmax分别代表各个目标T_k'在剔除陆地后二值图像矩阵I_t中行的最小、最大边界行坐标，j_kmin、j_kmax分别代表各个目标T_k'在剔除陆地后二值图像矩阵I_t中列的最小、最大边界列坐标；

4a3）对目各个标T_k'边界坐标作扩大处理，得到目标T_k'边界扩大后坐标：

$\left\{\begin{array}{c}{i}_{b\_k\min }=i_{k\min }-L_k\\ i_{b\_k\max }=i_{k\max }+L_k\\ j_{b\_k\min }=j_{k\min }-W_k\\ j_{b\_k\max }=j_{k\max }+W_k\end{array}\right.,---\left(13\right)$

其中，i_{b_kmin}、i_{b_kmax}分别为边界扩大后最小、最大行坐标，j_{b_kmin}、j_{b_kmax}分别为边界扩大后最小、最大列坐标，L_k＝i_kmax-i_kmin，为剔除陆地后目标T_k'的行分布长度，W_k＝j_kmax-j_kmin，为剔除陆地后目标T_k'的列分布长度；

4a4）设置m×n维全零矩阵I_bk，并结合边界扩大后坐标对I_bk进行赋值，得到自适应背景窗口矩阵I_bk：

I_bk(i_{b_kmin}:i_{b_kmax},j_{b_kmin}:k_{b_kmax})＝1           （14）

其中，i_{b_kmin}：i_{b_kmax}代表从矩阵I_bk的第i_{b_kmin}行到i_{b_kmax}行，j_{b_kmin}:j_{b_kmax}代表从矩阵I_bk的第j_{b_kmin}列到j_{b_kmax}列。

5.根据权利要求1所述的基于自适应海杂波统计的SAR图像舰船分离检测方法，其中步骤4b)所述的得到剔除陆地后目标T_k'的目标像素分布p_tk(x)和背景像素分布p_bk(x)，按如下步骤进行：

4b1）对剔除陆地后矩阵I_t进行归一化处理，得到归一化后的图像矩阵I_t1：

I_t1＝I_t./255，                   （15）

其中，./为矩阵的点除操作；

4b2）根据原始SAR图像I矩阵和归一化后的图像矩阵I_t1，对目标进行分离，得到目标分离矩阵I_T：

I_T＝I·I_t1，              （16）

其中，·为矩阵的点乘操作；

4b3）根据原始SAR图像矩阵I和自适应背景窗口矩阵I_bk，对自适应背景窗进行分离，得到自适应背景窗分离矩阵I_BT：

I_BT＝I·I_bk，                 （17）

其中，·为矩阵的点乘操作；

4b4）根据自适应背景窗分离矩阵I_BT和目标分离矩阵I_T，对背景进行分离，得到背景分离矩阵I_B：

I_B＝I_BT-I_T；               （18）

4b5）分别对目标分离矩阵I_T和背景分离矩阵I_B中像素进行统计，得到剔除陆地后目标T_K'的目标像素分布p_tk(x)和背景像素分布p_bk(x)。

6.根据权利要求1所述的基于自适应海杂波统计的SAR图像舰船分离检测方法，其中步骤4c)所述的利用目标像素分布p_tk(x)计算剔除陆地后目标T_k'的像素均值μ_k，通过如下公式进行：

μ_k＝mean(p_tk(x))，               （19）

其中，mean(·)为求均值操作。

7.根据权利要求1所述的基于自适应海杂波统计的SAR图像舰船分离检测方法，其中步骤4c)所述的计算剔除陆地后目标T_k'的恒虚警检测门限t_k，是将目标的背景分布p_bk(x)作为恒虚警检测公式的背景分布函数，根据如下恒虚警检测公式，计算恒虚警门限t_k：

$1-P_{\mathrm{fa}}={\&Integral;}_0^{t_k}{p}_{\mathrm{bk}}\left(x\right)\mathrm{dx},---\left(20\right)$

其中P_fa为恒虚警概率。

Images