CN102779336A - 基于混沌的光电图像海杂波抑制方法 - Google Patents

基于混沌的光电图像海杂波抑制方法 Download PDF

Info

Publication number
CN102779336A
CN102779336A CN2012102353742A CN201210235374A CN102779336A CN 102779336 A CN102779336 A CN 102779336A CN 2012102353742 A CN2012102353742 A CN 2012102353742A CN 201210235374 A CN201210235374 A CN 201210235374A CN 102779336 A CN102779336 A CN 102779336A
Authority
CN
China
Prior art keywords
clutter
sea clutter
data sequence
extra large
intensity data
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.)
Pending
Application number
CN2012102353742A
Other languages
English (en)
Inventor
李正周
黄扬帆
甘平
丁浩
刘梅
罗皓
唐岚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN2012102353742A priority Critical patent/CN102779336A/zh
Publication of CN102779336A publication Critical patent/CN102779336A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Processing (AREA)

Abstract

本发明提出了一种基于混沌的光电图像海杂波抑制方法，包括以下步骤：选取海杂波光电图像序列同一位置处的图像强度组成一个海杂波时间强度数据序列；计算海杂波时间强度数据序列的自相关函数和延迟时间；计算海杂波时间强度数据序列的关联维数和嵌入维数；重构海杂波时间强度数据序列的相空间；训练径向基函数RBF神经网络基函数的中心值、方差以及隐含层到输出层的权值；利用RBF神经网络预测海杂波；将海杂波预测值和海杂波实际值进行杂波对消。本发明利用光电图像海杂波所具有的混沌特性，采用RBF神经网络方法预测与抑制海杂波，克服目前采用统计理论难以描述海杂波这一时变非平稳过程的困难，为提高海杂波背景下光电弱目标检测能力提供新的解决思路。

Description

基于混沌的光电图像海杂波抑制方法
技术领域
本发明涉及的是一种图像处理技术领域的新方法，是舰载光电成像搜索与跟踪海上目标的一项核心技术，在各类军、民用系统中均可有广泛的应用。
背景技术
舰载光电成像探测与跟踪系统具有被动隐蔽、抗干扰性强、跟踪精度高等优点，是跟踪远距离舰船目标和掠海攻击导弹的重要手段，具有较雷达更独特的优势。复杂的海面背景中，移动的海面及连绵起伏的波浪反光使图像的信噪比和对比度等信息都随着浪高、距离和太阳位置的不同而不断变化。当海面杂波或鱼鳞光较强时，光电图像中有大量的浪峰灰度强度接近甚至大于目标。海杂波在时间和空间上不断动态变化，严重制约了海面弱小目标的可检测性，海杂波抑制是检测海杂波背景下弱目标的关键技术。
海杂波的研究主要有基于统计理论和混沌理论的两种分析方法。基于统计理论的海杂波分析方法将海杂波作为一种完全随机的信号，即先假设海杂波是一种平稳的随机过程，通过概率统计分布模型描述海杂波，如Log-Normal分布，Weibull分布和K分布等对海杂波建模分析。空域滤波也是抑制海杂波的主要手段，如小波分析和灰度形态学等滤波器依据目标信号为图像的高频成分，抑制空域相关性强、低频的海杂波以提高目标信杂波。这类空域滤波法因很难区分鱼鳞光等图像高频成分而失效，检测能力亟待提高。然而，海杂波往往在时间和空间上不断变化，具有较强的非平稳特性，海杂波的这一时变特性使得将海杂波视为随机过程的统计分析方法难以充分描述出海杂波内在的物理本质。
Haykin、Leung等针对IPIX相参雷达进行研究，发现了海杂波具有较强的混沌性。国内学者对高频雷达和S波段的海洋雷达回波研究也得出了相似的结论。光电图像海杂波与雷达海杂波相似，也具有较强的混沌性。研究光电图像海杂波的混沌动力学模型，分析海杂波时间数据序列在时间延迟状态空间的相关性，预测海杂波状态，有望提高海杂波抑制能力，提升海杂波弱目标信号的检测性能。
发明内容
本发明的目的在于克服现有假设海杂波为平稳随机过程的不足，提供一种基于混沌的光电图像海杂波抑制方法。本发明通过重构光电图像海杂波的相空间，利用径向基函数RBF神经网络提取海杂波的混沌参数，以此预测海杂波，并将海杂波预测值和实际值进行杂波对消。
为实现这一目的，本发明采用的技术方案是：
一种基于混沌的光电图像海杂波抑制方法，其特征在于，所述抑制方法包括如下步骤：
1）选取海杂波光电图像序列同一位置处的图像强度组成一个海杂波时间强度数据序列；
2）计算海杂波时间强度数据序列的自相关函数和延迟时间；
3）计算海杂波时间强度数据序列的关联维数；
4）计算海杂波时间强度数据序列的嵌入维数；
5）重构海杂波时间强度数据序列的相空间；
6）训练径向基函数（Radius Basic Function, RBF）神经网络基函数的中心值、方差以及隐含层到输出层的权值；
7）利用RBF神经网络预测海杂波；
8）将海杂波预测值和海杂波实际值进行杂波对消。
附图说明
图1是基于混沌的光电图像海杂波抑制方法的原理框图；
图2是五个图像区域不同嵌入维下的关联维；
图3表示RBF神经网络的结构图；
图4表示RBF神经网络的高斯径向基函数；
图5是基于RBF神经网络的光电图像海杂波位置1处的预测结果；
图6是实施例图像位置1处杂波对消后的结果。
具体实施方式
本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。下面结合附图对本发明的具体实施例做详细说明：
本实施例的海杂波图像是在我国某海域实际采集的，天气晴朗，风力较小。图像序列总共有600帧图像，每帧图像大小为300×300像素，具体包括以下步骤：
1）任意选取该海杂波图像序列的五个区域，选取的图像区域大小为7×7像素。取该图像块的最大灰度值与最小灰度值之差作为该图像块的代表灰度值。
2）对每一个图像区域，计算海杂波时间强度数据序列的自相关函数、延迟时间、关联维数、嵌入维数及相空间重构。对海杂波时间强度数据序列的关联维数进行计算分析可知随着嵌入维                                                
Figure 2012102353742100002DEST_PATH_IMAGE001
的增大，斜率(关联维D2)逐渐达到一个饱和值，嵌入维
Figure 782894DEST_PATH_IMAGE001
大于11后一直稳定在5~7之间，实际计算中统一取7，表明光电图像海杂波的关联维是有限的。如图2所示。
3）利用径向基函数RBF神经网络对海杂波动力学建模，然后采用训练好的神经网络对海杂波进行预测，如图3所示。具体包括：
a) 将海杂波时间强度数据序列分为训练部分和预测部分，对训练部分进行相空间重构，设训练样本的个数为N。
b) 用训练样本设计出合理的RBF神经网络。在对训练样本进行相空间重构的基础上，以相点作为径向基函数RBF神经网络的输入向量，即以
Figure 2012102353742100002DEST_PATH_IMAGE002
作为输入向量，以
Figure 2012102353742100002DEST_PATH_IMAGE003
作为预测值输出，训练基函数的中心、方差和隐含层到输出层的权值参数。高斯基函数波形如图4所示。图5是采用径向基函数RBF神经网络预测值与真实值。
4）比较RBF神经网络预测值和实际值之间的绝对差值实现杂波对消，图6是两者之间的差值。由图可知，预测误差一直很小，说明产生海杂波的内在非线性系统参数不随时间而变化，或者是随时间缓变的，表明本方法实现海杂波抑制具有一定的实用性。

Claims (9)

1.基于混沌的光电图像海杂波抑制方法，其特征在于，所述抑制方法包括以下步骤：
1）选取海杂波光电图像序列同一位置处的图像强度组成一个海杂波时间强度数据序列；
2）计算海杂波时间强度数据序列的自相关函数和延迟时间；
3）计算海杂波时间强度数据序列的关联维数；
4）计算海杂波时间强度数据序列的嵌入维数；
5）重构海杂波时间强度数据序列的相空间；
6）训练径向基函数（Radius Basic Function, RBF）神经网络基函数的中心值、方差以及隐含层到输出层的权值；
7）利用RBF神经网络预测海杂波；
8）将海杂波预测值和海杂波实际值进行杂波对消。
2.根据权利要求1所述的基于混沌的光电图像海杂波抑制方法，其特征在于：所述的海杂波时间强度数据序列是由图像序列同一位置处的图像块平均值构成的，图像块大小为7x7像素。
3.根据权利要求1所述的基于混沌的光电图像海杂波抑制方法，其特征在于：所述的海杂波时间强度数据序列的自相关函数定义为：
式中，
Figure 2012102353742100001DEST_PATH_IMAGE002
表示时间强度数据序列的长度，延迟时间
Figure 2012102353742100001DEST_PATH_IMAGE003
是自相关函数下降到初始值的时所对应的
Figure DEST_PATH_IMAGE005
值。
4.根据权利要求1所述的基于混沌的光电图像海杂波抑制方法，其特征在于：所述的海杂波时间强度数据序列的关联维定义为：
其中
Figure DEST_PATH_IMAGE007
是对时间强度数据序列
Figure 2012102353742100001DEST_PATH_IMAGE008
的重构相空间
Figure DEST_PATH_IMAGE009
计算关联积分，其定义为：
Figure 2012102353742100001DEST_PATH_IMAGE010
式中，
Figure DEST_PATH_IMAGE011
是Euclidean范数，H为Heaviside阶跃函数。
5.根据权利要求1所述的基于混沌的光电图像海杂波抑制方法，其特征在于：所述的海杂波时间强度数据序列的嵌入维
Figure DEST_PATH_IMAGE012
是指满足
Figure DEST_PATH_IMAGE013
的值。
6.根据权利要求1所述的基于混沌的光电图像海杂波抑制方法，其特征在于：所述的海杂波时间强度数据序列的相空间重构是指对时间强度数据序列
Figure 2012102353742100001DEST_PATH_IMAGE014
取不同的时间延迟来构造一个维相空间，即
Figure DEST_PATH_IMAGE017
式中，
Figure 262474DEST_PATH_IMAGE009
表示重构相空间的相点，
Figure 2012102353742100001DEST_PATH_IMAGE018
表示数据序列的长度，
Figure 979894DEST_PATH_IMAGE003
表示延迟时间，
Figure DEST_PATH_IMAGE019
表示相空间的嵌入维。
7.根据权利要求1所述的基于混沌的光电图像海杂波抑制方法，其特征在于：所述的径向基函数RBF神经网络的基函数定义为：
Figure 2012102353742100001DEST_PATH_IMAGE020
训练径向基函数神经网络基函数的中心值、方差以及隐含层到输出层的权值，
Figure DEST_PATH_IMAGE021
就是经过神经网络训练后需要逼近的函数。
8.根据权利要求1所述的基于混沌的光电图像海杂波抑制方法，其特征在于：所述的径向基函数RBF神经网络预测是指已知海杂波时间强度数据序列前若干时刻的数据，通过公式
Figure 2012102353742100001DEST_PATH_IMAGE022
预测下一时刻海杂波的值，即
Figure DEST_PATH_IMAGE023
式中，
Figure 2012102353742100001DEST_PATH_IMAGE024
是RBF神经网络的预测值。
9.根据权利要求1所述的基于混沌的光电图像海杂波抑制方法，其特征在于：所述海杂波预测值和海杂波实际值进行杂波对消是指两者的绝对差值，即
Figure DEST_PATH_IMAGE025
。
CN2012102353742A 2012-07-09 2012-07-09 基于混沌的光电图像海杂波抑制方法 Pending CN102779336A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012102353742A CN102779336A (zh) 2012-07-09 2012-07-09 基于混沌的光电图像海杂波抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012102353742A CN102779336A (zh) 2012-07-09 2012-07-09 基于混沌的光电图像海杂波抑制方法

Publications (1)

Publication Number Publication Date
CN102779336A true CN102779336A (zh) 2012-11-14

Family

ID=47124246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012102353742A Pending CN102779336A (zh) 2012-07-09 2012-07-09 基于混沌的光电图像海杂波抑制方法

Country Status (1)

Country Link
CN (1) CN102779336A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069752A (zh) * 2015-07-22 2015-11-18 重庆大学 基于空时混沌的光学海杂波抑制方法
CN107238823A (zh) * 2017-06-13 2017-10-10 电子科技大学 真假目标的状态特征提取方法
CN112083494A (zh) * 2020-09-23 2020-12-15 吉林大学 一种基于改进萤火虫步长因子的多级粒子滤波算法
CN113759336A (zh) * 2021-08-31 2021-12-07 东南大学 一种图特征学习下的海杂波抑制方法
CN114492510A (zh) * 2021-12-30 2022-05-13 西北工业大学 一种智能海杂波抑制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5235339A (en) * 1992-11-13 1993-08-10 The United States Of America As Represented By The Secretary Of The Navy Radar target discrimination systems using artificial neural network topology
CN102305926A (zh) * 2011-08-23 2012-01-04 南京航空航天大学 一种混沌雷达信号源及混沌雷达信号同步系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5235339A (en) * 1992-11-13 1993-08-10 The United States Of America As Represented By The Secretary Of The Navy Radar target discrimination systems using artificial neural network topology
CN102305926A (zh) * 2011-08-23 2012-01-04 南京航空航天大学 一种混沌雷达信号源及混沌雷达信号同步系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NAN XIE等: "A Multiple-Model Prediction Approach for Sea Clutter Modeling", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
林三虎等: "基于神经网络的海杂波模型", 《红外与毫米波学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069752A (zh) * 2015-07-22 2015-11-18 重庆大学 基于空时混沌的光学海杂波抑制方法
CN105069752B (zh) * 2015-07-22 2018-05-15 重庆大学 基于空时混沌的光学海杂波抑制方法
CN107238823A (zh) * 2017-06-13 2017-10-10 电子科技大学 真假目标的状态特征提取方法
CN112083494A (zh) * 2020-09-23 2020-12-15 吉林大学 一种基于改进萤火虫步长因子的多级粒子滤波算法
CN112083494B (zh) * 2020-09-23 2021-07-06 吉林大学 一种基于改进萤火虫步长因子的多级粒子滤波算法
CN113759336A (zh) * 2021-08-31 2021-12-07 东南大学 一种图特征学习下的海杂波抑制方法
CN113759336B (zh) * 2021-08-31 2024-04-30 东南大学 一种图特征学习下的海杂波抑制方法
CN114492510A (zh) * 2021-12-30 2022-05-13 西北工业大学 一种智能海杂波抑制方法
CN114492510B (zh) * 2021-12-30 2024-02-27 西北工业大学 一种智能海杂波抑制方法

Similar Documents

Publication Publication Date Title
CN104076355B (zh) 基于动态规划的强杂波环境中弱小目标检测前跟踪方法
He et al. Range‐Doppler surface: a tool to analyse human target in ultra‐wideband radar
CN105069752B (zh) 基于空时混沌的光学海杂波抑制方法
Buscombe et al. Optical wave gauging using deep neural networks
CN101493934B (zh) 一种基于广义s变换的微弱目标检测方法
CN105319537B (zh) 基于空间相关性的航海雷达同频干扰抑制方法
CN102779336A (zh) 基于混沌的光电图像海杂波抑制方法
CN102879766A (zh) 一种高频地波雷达弱目标检测跟踪方法和装置
CN102621533B (zh) 一种用于船用导航雷达的弱小目标检测方法
CN104268844A (zh) 一种基于加权局部图像熵的小目标红外图像处理方法
CN103513244A (zh) 一种基于动态规划的多帧相参积累目标检测前跟踪方法
CN104991239B (zh) 一种基于脉冲压缩雷达的距离旁瓣抑制方法
CN105738880A (zh) 逆高斯纹理复合高斯海杂波幅度分布参数的矩估计方法
CN101650429A (zh) 低信噪比水下目标信号的混沌特征参数提取方法
Lam et al. At-sea real-time coupled four-dimensional oceanographic and acoustic forecasts during Battlespace Preparation 2007
CN104459661A (zh) 检测快速火炮类微弱目标的方法
CN105589061A (zh) 一种岸基雷达的信号处理算法
CN106508046B (zh) 一种基于多尺度双边最优化的弱小目标检测方法
Lin et al. Deep-learning based decentralized frame-to-frame trajectory prediction over binary range-angle maps for automotive radars
Ghannadi et al. Optimal texture image reconstruction method for improvement of SAR image matching
CN116430349B (zh) 一种基于物理先验知识的空间群目标探测方法及系统
CN105785453B (zh) 一种穿墙雷达墙后人体目标的自适应指示方法
Lee et al. Improved moving target detector using sequential combination of DPCA and ATI
Pascual et al. Radar detection algorithm for GARCH clutter model
Wang et al. Low‐observable target detection using two‐stage RFRFT

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20121114