CN105069432B - 一种基于极化目标分解的支持向量机舰船目标检测方法 - Google Patents
一种基于极化目标分解的支持向量机舰船目标检测方法 Download PDFInfo
- Publication number
- CN105069432B CN105069432B CN201510484492.0A CN201510484492A CN105069432B CN 105069432 B CN105069432 B CN 105069432B CN 201510484492 A CN201510484492 A CN 201510484492A CN 105069432 B CN105069432 B CN 105069432B
- Authority
- CN
- China
- Prior art keywords
- polarization
- target
- ship target
- feature vector
- support vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于极化目标分解的SVM舰船目标检测方法。本发明技术方案的基本原理主要是从目标的极化散射机理出发,提取目标的特征向量,再结合SVM进行舰船目标检测。技术方案包括:步骤一:特征向量的选取;步骤二:训练SVM分类器;步骤三:进行分类。本发明通过目标的后向散射信息提取特征向量可以很好的实现舰船目标检测,并且在抑制虚警和提高检测率方面有突出的表现。
Description
技术领域
本发明属于SAR(synthetic aperture radar,合成孔径雷达)技术领域,涉及一种基于极化目标分解的SVM(support vector machine,支持向量机)舰船目标检测方法。
背景技术
极化SAR与单通道的SAR相比,其图像包涵了更丰富的目标后向散射信息。现今,极化SAR舰船目标检测方法已经开发出了许多种。然而现有的方法存在一个重要问题:对多种原因引起的虚警的抑制不够好。这在极大程度上限制了极化SAR舰船目标检测方法的发展。
目前基于SVM的SAR图像的舰船目标检测方法,主要是利用图像的多极化灰度信息提取特征向量,但是存在检测结果虚警率高的问题,本发明提出的新方法能够有效的降低虚警率,提高检测率。
发明内容
本发明提供了一种基于极化目标分解的SVM舰船目标检测方法。该方法通过目标的后向散射信息提取特征向量可以很好的实现舰船目标检测,并且在抑制虚警和提高检测率方面有突出的表现。
本发明技术方案的基本原理:主要是从目标的极化散射机理出发,提取目标的特征向量,再结合SVM进行舰船目标检测。
本发明的技术方案:
步骤一:特征向量的选取:
设已知极化SAR观测数据,观测数据的共极化分量SHH(i,j),SVV(i,j)和交叉极化分量SHV(i,j),其中i,j表示像素点坐标。
利用下式计算体散射分量Pv(i,j):
Pv(i,j)=4|<|2SHV(i,j)|2>|
其中,<·>表示计算邻域平均,邻域的大小根据实际情况确定,3*3或5*5均可。
利用下述步骤计算表面散射分量Ps(i,j)和二面角散射分量Pd(i,j):
首先计算中间量x11(i,j)和x22(i,j):
x11(i,j)=<|SHH(i,j)+SVV(i,j)|2>-2<|2SHV(i,j)|2>
x22(i,j)=<|SHH(i,j)-SVV(i,j)|2>-<|2SHV(i,j)|2>
如果x11(i,j)>x22(i,j),则令:
α(i,j)=0,β(i,j)=<(SHH(i,j)+SVV(i,j))(SHH(i,j)-SVV(i,j))*>/x11(i,j)
Ps(i,j)=|x11(i,j)+|<(SHH(i,j)+SVV(i,j))(SHH(i,j)-SVV(i,j))*>|2/x11(i,j)|
Pd(i,j)=|x22(i,j)-|<(SHH(i,j)+SVV(i,j))(SHH(i,j)-SVV(i,j))*>|2/x11(i,j)|
否则令:
β(i,j)=0,α(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))*>|2/x11(i,j)|
Ps(i,j)=|x11(i,j)-|<(SHH(i,j)+SVV(i,j))(SHH(i,j)-SVV(i,j))*>|2/x11(i,j)|
利用下式计算混合散射分量Psd(i,j):
Psd(i,j)=Ps(i,j)·Pd(i,j)
则,形成的特征向量P(i,j)=[SHH(i,j),Psd(i,j),Pv(i,j)]。
步骤二:训练SVM分类器:
利用已知舰船目标和非舰船目标的极化SAR观测数据,根据步骤一提供的方法提取特征向量,进行训练得到所需的SVM分类器。
步骤三:进行分类
将极化SAR图像中待检测区域的特征向量P(i,j)输入到已经训练好的SVM分类器中,得到分类结果。
本发明的有益效果是:
1、通过目标的后向散射信息也可以很好地实现舰船目标的检测;
2、算法在抑制虚警和提高检测效率上有突出的表现。
附图说明
图1是基于极化目标分解的SVM舰船目标检测的具体流程图;
图2是东京湾海域C波段实测数据;
图3是本发明和反射对称性的舰船目标检测算法的结果对比图,(a)是Pfa=1×10-6时反射对称检测算法的结果图;(b)是本发明的检测结果图;(c)是两种检测方法的检测结果统计表。
具体实施方式
下面结合实验对本发明提供的基于极化目标分解的SVM舰船目标检测方法进行详细说明。
图1是基于极化目标分解的SVM舰船目标检测的具体流程图。该流程图包括训练过程和检测过程。训练过程输入的是样本极化SAR数据,即已知舰船目标和非舰船目标的极化SAR观测数据,训练样本的真实情况已有目视解译法或者其他方法获得。利用本发明得到的步骤一计算训练样本的三个特征分量SHH(i,j),Psd(i,j),Pv(i,j),得到特征向量P(i,j)。将训练样本的特征向量和对应标签(即有目标和无目标两种标签)输入到SVM进行训练,得到所需的SVM分类器,在MATLAB2010中调用svmtrain函数,即可实现,得到SVM分类器。检测过程输入待测极化SAR数据,利用训练过程得到的SVM,即可得到待测数据是否为舰船目标。将标签值等于1的像素的灰度值设为255,即是舰船目标。将标签值等于0的像素的灰度值设为0,即是非舰船目标。在MATLAB2010中调用svmclassify函数(Group=svmclassify(SVMStruct,Sample),即可实现。
图2是本发明选取的东京湾C波段实测数据,其中矩形框内的圆圈内所标示的两个区域a和b的切片像素得到的样本标签对SVM进行训练。
图3是本发明与反射对称性的舰船目标检测算法的结果对比图。
实验中Rd(detection rate,检测率)和FoM(Figures of Merit,品质因数)的定义如下:
Rd=Nd/Nt
上两式中,Nd表示算法检测到的目标数量,Nt表示真实的目标数量,Nfa表示虚警数量。
由图3可以看出:当利用反射对称性的舰船目标检测方法对图2中C波段东京湾数据所取区域进行检测时,Pfa=1×10-6的情况下检测结果如图3(a)所示,其中矩形框内的区域代表检测目标,椭圆框内的区域代表虚警。可以看出,9个目标被完全检测出来,但虚警数量较多,且目标的结构信息比较模糊,特别是左起第五个目标的十字模糊体现的很严重;当利用本发明对同样的数据进行检测时,结果如图3(b)所示。9个真实目标同样被完全检测出来,虚警数量只有1个,且目标的结构信息较为明确,两种方法的具体比较见图3(c),从图中可以看出,本发明的品质因数FoM高于反射对称性的舰船目标检测算法。
Claims (1)
1.一种基于极化目标分解的支持向量机舰船目标检测方法,其特征在于,包括下述步骤:
步骤一:特征向量的选取:
设已知极化SAR观测数据的共极化分量SHH(i,j),SVV(i,j)和交叉极化分量SHV(i,j),其中i,j表示像素点坐标,SAR指合成孔径雷达;
利用下式计算体散射分量Pv(i,j):
Pv(i,j)=4|<|2SHV(i,j)|2>|
其中,<·>表示计算邻域平均,邻域的大小根据实际情况确定;
利用下述步骤计算表面散射分量Ps(i,j)和二面角散射分量Pd(i,j):
首先计算中间量x11(i,j)和x22(i,j):
x11(i,j)=<|SHH(i,j)+SVV(i,j)|2>-2 <|2SHV(i,j)|2>
x22(i,j)=<|SHH(i,j)-SVV(i,j)|2>-<|2SHV(i,j)|2>
如果x11(i,j)>x22(i,j),则令:
Ps(i,j)=|x11(i,j)+|<(SHH(i,j)+SVV(i,j))(SHH(i,j)-SVV(i,j))*>|2/x11(i,j)|
Pd(i,j)=|x22(i,j)-|<(SHH(i,j)+SVV(i,j))(SHH(i,j)-SVV(i,j))*>|2/x11(i,j)|
否则令:
Pd(i,j)=|x22(i,j)+|<(SHH(i,j)+SVV(i,j))(SHH(i,j)-SVV(i,j))*>|2/x11(i,j)|
Ps(i,j)=|x11(i,j)-|<(SHH(i,j)+SVV(i,j))(SHH(i,j)-SVV(i,j))*>|2/x11(i,j)|
利用下式计算混合散射分量Psd(i,j):
Psd(i,j)=Ps(i,j)·Pd(i,j)
则形成的特征向量P(i,j)=[SHH(i,j),Psd(i,j),Pv(i,j)];
步骤二:训练SVM分类器:
利用已知舰船目标和非舰船目标的极化SAR观测数据,根据步骤一提供的方法提取特征向量,进行训练得到所需的支持向量机分类器;
步骤三:进行分类
将极化SAR图像中待检测区域的特征向量P(i,j)输入到已经训练好的支持向量机分类器中,得到分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510484492.0A CN105069432B (zh) | 2015-08-10 | 2015-08-10 | 一种基于极化目标分解的支持向量机舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510484492.0A CN105069432B (zh) | 2015-08-10 | 2015-08-10 | 一种基于极化目标分解的支持向量机舰船目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069432A CN105069432A (zh) | 2015-11-18 |
CN105069432B true CN105069432B (zh) | 2018-06-29 |
Family
ID=54498794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510484492.0A Active CN105069432B (zh) | 2015-08-10 | 2015-08-10 | 一种基于极化目标分解的支持向量机舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069432B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109613526A (zh) * | 2018-12-10 | 2019-04-12 | 航天南湖电子信息技术股份有限公司 | 一种基于支持向量机的点迹过滤方法 |
CN110865340B (zh) * | 2019-12-04 | 2022-03-29 | 上海无线电设备研究所 | 一种基于极化特性辅助的海面角反射器干扰对抗方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7426310B1 (en) * | 2002-02-08 | 2008-09-16 | Barrett Terence W | Method and application of applying filters to N-dimensional signals and images in signal projection space |
CN104281854A (zh) * | 2014-09-28 | 2015-01-14 | 中国人民解放军海军航空工程学院 | 高分辨率极化sar舰船目标与干扰目标鉴别方法 |
CN104376330A (zh) * | 2014-11-19 | 2015-02-25 | 西安电子科技大学 | 基于超像素散射机制的极化sar图像舰船目标检测方法 |
-
2015
- 2015-08-10 CN CN201510484492.0A patent/CN105069432B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7426310B1 (en) * | 2002-02-08 | 2008-09-16 | Barrett Terence W | Method and application of applying filters to N-dimensional signals and images in signal projection space |
CN104281854A (zh) * | 2014-09-28 | 2015-01-14 | 中国人民解放军海军航空工程学院 | 高分辨率极化sar舰船目标与干扰目标鉴别方法 |
CN104376330A (zh) * | 2014-11-19 | 2015-02-25 | 西安电子科技大学 | 基于超像素散射机制的极化sar图像舰船目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105069432A (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103400156B (zh) | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 | |
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN102096070B (zh) | 一种全极化合成孔径雷达海面溢油检测方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN105759268B (zh) | 基于多线程的sar图像cfar自适应快速检测方法 | |
CN104408482A (zh) | 一种高分辨率sar图像目标检测方法 | |
Cui et al. | A saliency detector for polarimetric SAR ship detection using similarity test | |
CN106530271B (zh) | 一种红外图像显著性检测方法 | |
CN102073873B (zh) | 一种基于支持向量机的sar景象匹配区选取方法 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN104240257A (zh) | 基于变化检测技术的sar图像舰船目标鉴别方法 | |
CN105069432B (zh) | 一种基于极化目标分解的支持向量机舰船目标检测方法 | |
CN102208017A (zh) | 基于高分辨率合成孔径雷达图像的舰船检测方法 | |
CN108171193A (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
CN103745216A (zh) | 一种基于空域特性的雷达图像杂波抑制方法 | |
CN104091335A (zh) | 极化sar图像舰船目标检测方法 | |
CN103969634A (zh) | 基于全极化属性散射中心模型的目标属性特征提取方法 | |
He et al. | Ship detection without sea-land segmentation for large-scale high-resolution optical satellite images | |
CN103020592A (zh) | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 | |
Vortmeyer-Kley et al. | Comparing Eulerian and Lagrangian eddy census for a tide-less, semi-enclosed basin, the Baltic Sea | |
CN108133468A (zh) | 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法 | |
CN104318572A (zh) | 基于极化方向角补偿的polsar图像海上目标检测方法 | |
CN104268574A (zh) | 一种基于遗传核模糊聚类的sar图像变化检测方法 | |
CN104537384A (zh) | 一种结合似然比判决的sar目标鉴别方法 | |
CN107527348A (zh) | 基于多尺度分割的显著性检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |