CN107045126A - 一种合成孔径雷达海上运动舰船目标检测方法 - Google Patents

Abstract

本发明提供一种利用SAR对海上运动舰船目标进行检测的方法。技术方案是：对利用SAR获得的前视图像和后视图像采用DPCA处理，得到抑制杂波后的待检测图像；设待检测图像中的海杂波服从K分布，采用Mellin变换估计所述K分布的参数；根据K分布的参数估计结果，计算CFAR检测阈值；利用CFAR检测阈值进行运动舰船目标像素的判别，最终得到运动舰船目标的检测结果。本发明具有较好的杂波抑制效果，能显著提高图像信杂比，可有效提高海上运动舰船目标的检测性能。

Description

一种合成孔径雷达海上运动舰船目标检测方法

技术领域

本发明属于SAR(synthetic aperture radar，合成孔径雷达)技术领域，涉及一种利用SAR对海上运动的舰船目标进行检测的方法。

背景技术

SAR运动目标检测是SAR应用的一个重要领域。在军事情报监视、非法移民监管和大范围海洋交通监管等领域有着广泛的应用。通过在飞行平台上搭载两副或多副SAR天线对运动目标进行检测，现有的SAR运动目标检测是方法主要有DPCA(displaced phasecenter antenna，偏置天线相位中心)方法。参见文献：Chapin E and Chen C W.Airbornealong-track interferometry for GMTI.Aerospace and Electronics SystemsMagazines,IEEE,2009,24(5):13-18.

DPCA方法利用在很短时间间隔内获得的两幅复图像通过杂波对消的方法实现杂波抑制，进而实现运动目标检测。然而现有的DPCA技术主要运用于GMTI(ground movingtarget indication，地面运动目标检测)，对于海上运动舰船目标的检测并没有实质的进展，这主要是因为DPCA海杂波建模部分的理论缺失，使得DPCA技术无法直接运用到海上运动舰船目标检测问题上。

发明内容

本发明提供一种利用SAR对海上运动舰船目标进行检测的方法。该方法具有较好的杂波抑制效果，能显著提高图像信杂比，可有效提高海上运动舰船目标的检测性能。

本发明的技术方案是：

对利用SAR获得的前视图像和后视图像采用DPCA处理，得到抑制杂波后的待检测图像；设待检测图像中的海杂波服从K分布，采用Mellin变换估计所述K分布的参数；根据K分布的参数估计结果，计算CFAR检测阈值；利用CFAR检测阈值进行运动舰船目标像素的判别，最终得到运动舰船目标的检测结果。

本发明的有益效果是：

1.本发明通过DPCA处理将两幅图像中的信息合成到一幅待检测图像中，可以充分利用图像信息提高信杂比。通过理论推导证明了经DPCA处理之后的图像中海杂波是服从K分布的，利用K分布确定CFAR检测阈值，可以得到更高的检测率和更低的虚警率。

2.采用本发明提出的运动舰船目标检测方法不需要设置额外的参数或条件，简洁易行。

附图说明

图1和图2为本发明实验数据；

图3为本发明流程图；

图4、图5和图6为本发明的实验结果图。

具体实施方式

图1和图2为本发明实验数据，图1是利用SAR得到的前视图像复数据，图2是利用SAR得到的后视图像复数据，图1和图2的横坐标均表示方位向，纵坐标均表示距离向。这两幅图像都是由NASA/JPL AIRSAR机载SAR***收集得到的，两幅图像大小均为6500×1001，每幅图像中包含有两个运动舰船目标，从图中可以看出，一个目标位于图像左侧。另一个目标位于图像右下角。

图3为本发明流程图，具体实施步骤如下：

第一步，对前视图像和后视图像采用DPCA处理，即利用公式一得到处理之后的待检测图像Z：

Z＝|X₁-X₂| (公式一)

其中X₁表示前视图像复数据，X₂表示后视图像复数据，||是取模运算。

第二步，设待检测图像中的海杂波服从K分布，采用Mellin变换估计CFAR检测所需背景窗中所述K分布的参数。CFAR检测滑动窗的尺寸选取要根据舰船目标的实际情况而定，一般的原则是目标窗宽度不能小于最小舰船目标的宽度，保护窗的宽度不能小于最大舰船目标的宽度，背景窗的尺寸要足够大以保证海杂波模型参数估计的准确性。

K分布的概率密度函数f_K(x；α,λ,n)如下：

上述K分布概率密度函数f_K(x；α,λ,n)包括三个未知数，即K分布的形状参数α、尺度参数λ、K分布的等效视数n。因为后续进行海上舰船目标检测时，使用CFAR的方法，通过数学推导得出CFAR检测滑动窗中背景窗中的像素点服从K分布，因此本步骤中对于CFAR检测滑动窗中背景窗中的像素点采用Mellin变换可以得到对于上述三个参数的估计，具体的计算方法如下：

其中x_i表示的是背景窗中第i个像素点的灰度值，N表示的是背景窗中像素点的个数，Ψ(·)表示的是Psi函数，Ψ(·,·)表示的是Polygamma函数，K_α-n(·)表示的是第二类修正Bessel函数。

第三步，设当前待检测像素点的坐标为(k,l)，根据第二步中所述方法估计当前背景窗中的K分布参数{α_k,l,λ_k,l,n_k,l}，从而计算当前检测滑动窗对应的CFAR检测阈值th_k,l，其具体计算公式如下：

其中P_fa表示的虚警率，通常根据实际需要人为设定。

比较当前检测像素点灰度值t_k,l与阈值th_k,l的大小，判断当前像素是否为运动舰船目标像素，其具体判决规则如下：

第四步，对待检测图像中的每一个像素点重复第三步，判断每一个像素点是否为运动舰船目标像素，从而完成对于运动舰船目标的检测。

图4、图5和图6为本发明的实验结果图。图4、图5和图6的横坐标均表示方位向，纵坐标均表示距离向。图4表示的是对图1和图2进行DPCA处理之后得到的图像，图5是本发明方法对于运动舰船目标的检测结果图，图6是现有的ATI(along-track interferometry，沿迹干涉)方法对于运动舰船目标的检测结果图。实验中CFAR检测滑动窗的选取为：目标窗尺寸为100*100，保护窗尺寸为150*150，背景窗尺寸为200*200，设置的虚警率为P_fa＝10^-3。从图4中可以看出，经过DPCA处理之后的图像，其舰船目标与背景的对比度明显增强，这说明DPCA处理能够有效提高图像信杂比，适用于低信杂比环境下的运动舰船目标检测。图5中白色矩形框所包围区域即为运动舰船目标存在区域，其中的白色像素点即为检测到的舰船目标像素点，从图5中可以看出，整幅图像中虚警较少，两个舰船目标都被较为完整的检测了出来，检测效果较好。而图6所对应的ATI检测算法，不仅虚警较多而且几乎没有检测到舰船目标，检测效果较差。

本发明的一个创新点是设待检测图像中的海杂波服从K分布的，因此采用的CFAR检测中的背景窗也服从K分布的。其理论证明如下：

根据乘积模型，利用SAR获得的前视图像或后视图像A_i(k)可以表示成如下的形式：

A_i(k)＝X_i(k)Y_i(k) i＝1,2 (公式六)

其中X_i(k)表示纹理变量，Y_i(k)表示高斯相干斑变量，i＝1对应前视图像，i＝2对应后视图像，k表示多视处理中的第k个子视。

对前视图像和后视图像进行DPCA处理，然后进行平方操作，得到多视DPCA强度统计量H，如下式所示：

其中m表示多视处理的总视数。

在雷达分辨率足够高的情况下，通常认为海杂波的RCS(radar cross section，雷达横截面积)在单个通道的各子视之间的波动是极其微小的，这也就意味着X_i(k)＝X_i i＝1,2，如果进一步认为两个通道是完全一样的，那么可以得到X₁(k)＝X₂(k)＝X，从而可以将公式七简化为：

对于海杂波而言，纹理变量X属于Γ^1/2(μ,v)分布，此时能较好的反映纹理变量X的特征。Γ^1/2(μ,v)的概率密度函数的表达式如下：

其中v表示尺度参数，μ表示形状参数。

令W＝X²，由X服从Γ^1/2(μ,v)分布，可得W服从χ²分布，即W～χ²(μ,v)，从而得到W的概率密度函数的表达式为：

对H进行归一化，可以得到：

式中E(·)表示取期望操作。

令则公式十一可以改写为：

根据公式十二，可以得到的概率密度函数为：

为了进一步化简公式十三，需要利用如下公式对公式十三中的积分项进行求解：

根据公式十四，公式十三可以进一步写成如下形式:

对公式十五作变量替换得到待检测图像中的海杂波服从如下分布：

令可以将公式十六化为：

公式十七就是K分布的概率密度函数表达式，由此可以得到待检测图像中的海杂波是服从K分布的。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种合成孔径雷达海上运动舰船目标检测方法，其特征在于，包括下述步骤：

对利用SAR获得的前视图像和后视图像采用DPCA处理，得到抑制杂波后的待检测图像；设待检测图像中的海杂波服从K分布，采用Mellin变换估计所述K分布的参数；根据K分布的参数估计结果，计算CFAR检测阈值；利用CFAR检测阈值进行运动舰船目标像素的判别，最终得到运动舰船目标的检测结果；

其中，SAR是指合成孔径雷达；DPCA是指偏置天线相位中心。