CN103400156B - 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 - Google Patents

Abstract

本发明公开了一种基于CFAR和稀疏表示的高分辨SAR图像舰船检测方法，主要解决现有方法中要处理的数据量大，实时性低的问题。其检测步骤是：首先在一幅高分辨SAR图像中选择一个舰船目标训练样本，由该训练样本确定CFAR滑动窗口的大小；其次，将该高分辨图像进行下采样，并对其进图像分割和陆地消除，再用CFAR方法在低分辨图像中检测并做初步鉴别，将检测得到的像素点映射为原高分辨图像中的潜在目标区域；接着，输出所有检测得到的潜在目标区域切片；最后，分别对潜在目标区域切片提取特征向量，并通过稀疏表示分类器做鉴别，得到最终的舰船检测结果。本发明具有检测速度快、检测率高且虚警率低的优点，可用于渔业监管和海事安全管理等。

Description

基于CFAR和稀疏表示的高分辨SAR图像舰船检测方法

技术领域

本发明属于遥感图像处理技术领域，涉及一种SAR图像舰船检测方法，可用于渔业监管和海事安全管理。

背景技术

舰船检测对于渔业监管、海事安全管理等方面都具有重要的意义，由于合成孔径雷达(SyntheticApertuerRadar,简称SAR)具有全天时、全天候的优点，因此对SAR图像自动目标识别技术的研究一直都是遥感邻域的热点之一。

目标检测是目标识别的基础，而舰船检测的主要任务就是在一个场景中定位出所有舰船及虚警的位置，并进行鉴别处理剔除虚警，最后输出舰船目标的切片用于后期的识别工作。

目前已有多种实用的舰船目标检测系统，较为突出的如加拿大OMW舰船检测系统，其主要采用基于K分布的恒虚警率CFAR检测算法。

早期的SAR图像由于分辨率较低，因此舰船目标通常都以点目标的形式出现。随着SAR图像分辨率的不断提高，在得到更多目标细节信息的同时，对于同样大小的地理场景需要处理的数据量也大幅度增加，而舰船检测的目的更加侧重于在一个大的场景中确定舰船的位置，如果将低分辨率下的检测方法直接用于高分辨图像，这无疑加剧了系统实时性的设计难度。在SAR图像自动目标识别（AutomaticTargetRecognitioninSyntheticApertureRadarImages，简称SARATR）中分辨率的提高必然会对检测和识别的效果都有提高，但受益更大的应该是识别过程。

传统的基于CFAR的SAR图像舰船目标检测方法中，都需要人工设定滑动窗口的大小及保护区域的宽度，而这些参数其实都是建立在对图像中目标信息的人工估计的基础上的，也就是说，传统的基于CFAR的SAR图像舰船检测方法实际是一种半自动的检测方法；其次，由于SAR图像成像参数及场景的不同，所设计的算法的自适应性较低；此外，在传统的SAR图像舰船检测方法的鉴别阶段，通常使用林肯实验室提出的二次距离鉴别器QDD，该鉴别器在n维特征空间向一维距离空间的映射过程中，由于其鉴别性能会下降，从而导致整体检测结果的性能较差。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于CFAR和稀疏表示的高分辨SAR图像舰船检测方法，以在保证高检测率的同时，快速地完成大场景中舰船目标的定位，提高检测性能。

实现本发明目的的技术思路是：通过在一幅高分辨SAR图像中人工选择一个较大的舰船目标，获取较丰富的舰船目标先验信息，并将CFAR检测及部分鉴别工作在下采样的低分辨图像中完成，以大幅度提高检测的实时性，同时通过使用稀疏表示分类器SRC作为鉴别器完成最终的舰船检测。具体实现步骤包括如下：

(1)用矩形框在一幅高分辨SAR图像I中人工任选取一个舰船目标，作为舰船目标训练样本I_t；再将高分辨SAR图像I以步长s下采样为低分辨图像I′，并根据训练样本I_t确定滑动窗的大小w和保护区域的宽度p；

(2)创建低分辨图像I′的像素点所对应的标签图L，L的大小与低分辨图像I′相同，并设所有像素点的初始化标签为1；由低分辨图像I′的直方图求得直方图最大值处对应的灰度值T，若低分辨图像I′中的像素点的灰度值小于3*T，则将其所对应的标签置为0，反之为1；

(3)计算低分辨标签图L中的每一个连通区域的面积S′_ξ，ξ＝1，2，...，M，M为低分辨标签图像L中所有连通区域的个数；记舰船目标训练样本I_t的面积为Q，若S′_ξ＞5*Q，则认为低分辨标签图L中的第ξ个连通区域对应于低分辨图像I′中的陆地部分，并将第ξ个连通区域内所有像素点的标签置为0；

(4)用对数正态分布拟合低分辨图像I′的杂波的灰度直方图，设定虚警率p_f=0.01%，用CFAR方法对低分辨图像I′中所有标签为1的像素点做检测，若检测结果为背景，则将该点对应的标签置为0，反之为1；

(5)对低分辨标签图L中所有标签为1的像素点，求其八邻域的像素点的灰度值之和，记为G,G∈[0,8]，若G=0，则将低分辨标签图L中的该点置为0，反之为1；

(6)初始化一个原高分辨SAR图像I的像素点所对应的标签图H，将所有的像素点的灰度值均初始化为0；将低分辨标签图L中所有值为1的点映射为高分辨图像标签图H中的一个边长为k的正方形区域，将正方形区域内的像素点置为1，由此得到下采样图像中的检测结果对应于高分辨SAR图像I中的潜在目标区域，即区域合并过程，其中k∈(0.25w,0.8w)，且k取整为一个奇数；

(7)计算标签图H中所有连通区域的面积S_λ,λ=1,2,...,N，以及连通区域的几何中心C_λ,λ=1,2,...,N，N为标签图H中所有连通区域的个数，记S₀为标签图H中几何中心落在目标样本的矩形区域内的连通区域的面积，若S_λ=k²或S_λ>1.5*S₀，则将标签图H中第λ个连通区域内的所有标签值置为0，反之为1；

(8)重新计算标签图H中所有连通区域的几何中心C′_i，i＝1，2，...，q，在保持几何中心C′_i不变的同时将连通区域的大小全部调整为V*V，其中q为标签图H中的连通区域个数，V为最后输出的舰船目标切片的大小，V∈(2w,4w)，且为一个奇数；取出所有连通区域所对应的高分辨SAR图像I中的正方形区域，构成q个潜在目标切片U_i,i=1,2,...,q；从高分辨图像I中所有标签为0的区域中，取出n个大小为V*V的背景区域切片I_b,b=1,2,...,n，构成背景训练样本；

(9)对q个潜在目标区域切片和n个背景区域切片分别提取总体标准差σ、连通区域个数θ和强散射点灰度直方图h三个特征，得到q个潜在目标切片的特征向量f_i和n个背景区域切片的特征向量g_j，其中i=1,2,...,q，j=1,2,...,n；

(10)根据舰船目标训练样本I_t的几何中心，保持几何中心不变，将其大小调整为V*V；再提取舰船目标训练样本I_t的总体标准差σ、连通区域个数θ和强散射点灰度直方图h三个特征向量，将这三个向量排成一个列向量构成舰船目标训练样本I_t的特征向量D_t，用D_t作为目标字典；

(11)用所有的背景区域切片的特征向量g_j,j=1,2,...,n构成背景字典D_b=[g₁,g₂,...,g_n]，分别在目标字典D_t和背景字典D_b下，用稀疏表示分类器对每一个潜在目标切片的特征向量f_i,i=1,2,...,q进行分类，确定出第i个潜在目标切片为目标或背景。

本发明与现有技术相比具有以下优点：

1、本发明通过将原高分辨SAR图像下采样为低分辨图像，大幅度降低检测过程需要处理的数据量，并根据低分辨SAR图像的灰度直方图对该低分辨图像实施粗分割及陆地消除，进一步降低检测要处理的数据量，提高检测速度，更有利于实际舰船检测应用系统的构建；

2、本发明充分利用人工获取的一个舰船目标训练样本，提出用总体标准差、连通区域个数和强散射点灰度直方图作为鉴别特征，并使用人工获取的一个舰船目标训练样本和检测得到的部分背景区域分别构成目标字典和背景字典，再用SRC分类器作为鉴别器代替传统的二次距离鉴别器QDD完成最后的鉴别，提高了检测性能；

3、本发明提出在检测过程中人工选取一个舰船目标作为训练样本，这是因为考虑到由于成像设备及参数的不同，其获取的SAR图像存在差异性，要设计一种完全自动的SAR图像舰船检测方法往往是比较困难的，通过获取该成像环境下的一个舰船目标训练样本，可以较好地克服SAR图像在不同成像环境下的差异性对检测性能的影响。

附图说明

图1是本发明的流程图；

图2是本发明仿真实验中所使用的高分辨SAR图像；

图3是本发明检测时使用的滑动窗口示意图；

图4是本发明仿真实验中分别使用二次距离鉴别器QDD和稀疏表示分类器SRC得到的ROC曲线图；

图5是用本发明对高分辨SAR图像舰船进行检测的仿真结果图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1：选取舰船目标训练样本和设定滑动窗口大小及保护区域宽度。

1.1)针对一幅用于舰船检测的高分辨SAR图像I，用矩形框在高分辨SAR图像I中人工选取一个舰船目标I_t，该矩形框所包含的区域即为舰船目标训练样本I_t，矩形框的选取原则为尽可能小且保证选取的舰船不超出该矩形框，记该矩形框较大的边长为r；

1.2)将高分辨SAR图像I分别按行和列以步长s下采样为低分辨率图像I′，其中s∈{2,4,6}，根据I的分辨率确定s的大小，分辨率越高，步长s越大，反之s越小；根据矩形框较大的边长r确定下采样图像中滑动窗的大小w=0.5r，且取整为一个奇数，确定保护区域的宽度p=0.5*(w-1)-1，滑动窗口如图3所示。

步骤2：图像分割。

统计低分辨图像I′的灰度直方图，记当直方图取得最大值处所对应的灰度值为T，由于舰船检测问题所处理的场景中大部分区域通常都是海域，因此T近似为海域的灰度值的均值，而陆地和舰船的灰度值均值要高于海域，故选取3*T为阈值对低分辨图像I′分割，得到低分辨图像I′的像素点所对应的标签图L，若低分辨图像I′中像素点的灰度值小于3*T，将其对应的标签图L中的标签值置为0，反之，则置为1；

步骤3：陆地消除。

计算低分辨标签图L中每一个连通区域的面积S′_ξ，ξ＝1，2，...，M，其中M为标签图L中连通区域的总个数，记舰船目标训练样本I_t的面积为Q，若S′_ξ＞5*Q，则认为低分辨标签图L中第ξ个连通区域对应于陆地部分，将第ξ个连通区域内所有像素点的标签值置为0。

步骤4：用对数正态分布对低分辨图像I′中杂波的灰度直方图进行拟合，并用CFAR检测方法对低分辨图像进行检测。

4.1)用对数正态分布对低分辨图像I′中第τ个像素点周围的背景的灰度直方图进行拟合，得到用于描述该点处背景像素点实际灰度分布的概率密度函数为：

其中，μ_τ为尺度参数，为形状参数，z∈[0,255]为低分辨图像I′中像素点的灰度值，τ=1,2,...,Ω，Ω为低分辨图像I′中所有标签值为1的像素点的总个数；

4.2)设定虚警率p_f=0.01%，则虚警率p_f和像素点处的检测阈值E_τ,τ=1,2,...,Ω及概率密度函数f_τ(z)存在以下关系：

$p_f={\∫}_{E_{\mathrm{\τ}}}^{\∞}{f}_{\mathrm{\τ}}\left(z\right)\mathrm{dz}---2)$

对于2）式，可通过概率密度函数f_τ(z)的逆累积分布函数F_τ(□)，由下式求解低分辨图像I′中标签为1的第τ个像素点所对应的检测阈值E_τ：

E_τ=F_τ(1-p_f),τ=1,2,…,Ω3）

若低分辨图像I′中的第τ个像素点的灰度值大于或等于阈值E_τ，则该点的检测结果为目标，将低分辨标签图L中该点对应的标签值置1；若低分辨图像I′中的第τ个像素点的灰度值小于阈值E_τ，则该点的检测结果为背景，将低分辨标签图L中该点对应的标签值置0。

步骤5：根据八邻域像素点的标签对低分辨图像中的检测结果做初步鉴别。

由于在低分辨图像I′中检测得到的虚警大多数为孤立点，因此可以通过判断其八邻域像素点的标签值对低分辨图像中的检测结果做初步的鉴别；对低分辨标签图L中所有值为1的像素点，求其八邻域像素点的标签值之和G，G∈[0,8]，若G=0，即该点是孤立点，则认为该点是虚警，将低分辨标签图L中该点的标签值置为0；否则，将L中该点的标签值置为1。

步骤6：将低分辨图像中检测得到的每一个像素点映射为原高分辨图像中的一个潜在目标区域。

6.1)初始化一个与高分辨图像I大小相等的标签图H，其所有像素点的标签值都初始化为0，设低分辨标签图L中标签值为1的点的行、列坐标为(u_l,v_l)，则该点映射至高分辨标签图H中的行、列坐标(u_h,v_h)可根据下采样步长s按如下公式求得：

u_h=(u_l-1)*s+14）

v_h=(v_l-1)*s+15）

其中(u_l,v_l)表示低分辨标签图L中第u_l行、第v_l列的一个像素点，(u_h,v_h)表示高分辨标签图H中第u_h行、第v_h列的一个像素点；

6.2)将低分辨标签图L中所有值为1的点按上述关系分别映射至高分辨标签图H中，且将高分辨标签图H中映射得到的点的标签值全部置为1；

6.3)以高分辨标签图H中每一个标签为1的点为中心，分别得到一个边长为k的正方形区域，其中边长k∈(0.25w,0.8w)，且k取整为一个奇数，将所有正方形区域内的像素点置为1，即得到低分辨图像I′中的检测结果映射至高分辨图像I中的潜在目标区域。

步骤7：在高分辨图像I所对应的标签图H中进行面积鉴别。

计算标签图H中所有连通区域的面积S_λ,λ=1,2,...,N，以及每个连通区域的几何中心C_λ,λ=1,2,...,N，N为标签图H中所有连通区域的个数，记S₀为标签图H中几何中心落在目标样本的矩形区域内的连通区域的面积，也即所选取的舰船目标训练样本I_t所对应的连通区域的面积，若S_λ=k²或S_λ>1.5*S₀，则将标签图H中第λ个连通区域内的所有标签值置为0，表示该区域为虚警；反之为1，表示该区域为潜在目标区域。

步骤8：区域合并及提取潜在目标区域切片和背景区域切片。

8.1)重新计算标签图H中所有连通区域的几何中心C′_i，i＝1，2，...，q，在保持几何中心C′_i不变的同时将连通区域的大小全部调整为V*V，其中q为上述面积鉴别后标签图H中的连通区域个数，V为最后输出的舰船目标切片的大小，V∈(2w,4w)，且为一个奇数；

8.2)从高分辨图像I中所有标签为0的区域中，即背景区域中，取出n个大小为V*V的背景区域切片I_b,b=1,2,...,n，构成背景训练样本；取出标签图H中所有连通区域所对应的高分辨SAR图像I中的正方形区域，构成q个潜在目标切片U_i,i=1,2,...,q。

上述区域合并过程使得舰船目标的几何中心也近似为潜在目标区域切片的几何中心，这在鉴别、识别过程中都是重要的。

步骤9：分别提取潜在目标区域切片和背景区域切片的特征向量。

9.1)对q个潜在目标区域切片和n个背景区域切片分别提取总体标准差σ、连通区域个数θ和强散射点灰度直方图h三个特征：

9.1a)计算总体标准差：σ=[σ₁,σ₂,...,σ_y,...,σ_U]，其中σ_y为切片的第y列的标准差，即总体标准差σ是切片每一列的标准差排列在一起所构成的向量，y=1,2,...,U,U为切片的列数；

9.1b)根据每一个像素点的标签，求出切片的所有连通区域，统计连通区域的个数，即得到连通区域个数θ；

9.1c)根据切片中每一个像素点的标签，统计所有标签为1的像素点的灰度直方图，即得到强散射点灰度直方图特征向量h；

9.2)分别提取每一个切片的总体标准差σ、连通区域个数θ和强散射点灰度直方图h，并排成一个列向量，即构成q个潜在目标区域切片和n个背景区域切片的特征向量。

步骤10：构造用于稀疏表示分类器的目标字典和背景字典。

10.1)根据舰船目标训练样本I_t的几何中心，保持几何中心不变，将其大小调整为V*V；再按步骤9所述方法提取舰船目标训练样本I_t的总体标准差σ、连通区域个数θ和强散射点灰度直方图h三个特征向量，将这三个向量排成一个列向量构成舰船目标训练样本I_t的特征向量D_t，用D_t作为目标字典；

10.2)按步骤9所述方法提取分别提取所有的背景区域切片的总体标准差σ、连通区域个数θ和强散射点灰度直方图h三个特征向量，分别将每一个背景区域切片的这三个向量排成一个列向量构成该背景区域切片的特征向量g_j,j=1,2,...,n，用所有的背景区域切片的特征向量g_j,j=1,2,...,n构成背景字典D_b=[g₁,g₂,...,g_n]。

步骤11：用稀疏表示分类器对每一个潜在目标切片进行鉴别。

11.1)分别将目标字典D_t和背景字典D_b的每一列归一化，并且将每一个潜在目标切片的特征向量f_i,i=1,2,...,q分别在上述两个字典下进行稀疏表示，用正交匹配追踪OMP算法求解如下优化问题，即得到稀疏表示系数：

${\hat{x}}_{i,t}=\min {\left|\right|x\left|\right|}_1\mathrm{subjectto}{f}_i=D_{t}x---6)$

${\hat{x}}_{i,b}=\min {\left|\right|x\left|\right|}_1\mathrm{subjectto}{f}_i=D_{b}x---7)$

其中||x||₁表示向量x的1范数，表示第i个潜在目标切片的特征向量在目标字典D_t下的表示系数，表示第i个潜在目标切片的特征向量在背景字典D_b下的表示系数；

11.2)利用潜在目标切片的特征向量f_i,i=1,2,...,q在目标字典D_t下的表示系数求得第i个潜在目标切片的特征向量f_i用目标字典D_t的恢复误差δ_i,t：

${\mathrm{\δ}}_{i,t}={\left|\right|f_i{-D}_t{\hat{x}}_{i,t}\left|\right|}_2^2---8)$

其中，是2范数的平方；

11.3)利用潜在目标切片的特征向量f_i,i=1,2,...,q在D_b下的表示系数求得第i个潜在目标切片的特征向量f_i用背景字典D_b的恢复误差δ_i,b：

${\mathrm{\δ}}_{i,b}={\left|\right|f_i{-D}_b{\hat{x}}_{i,b}\left|\right|}_2^2---9)$

11.4)设定稀疏表示分类器的判定阈值η∈(0,2)，计算第i个潜在目标切片的特征向量f_i用目标字典的恢复误差δ_i,_t与用背景字典的恢复误差的比值δ_i,t/δ_i,b，再比较该比值δ_i,t/δ_i,b与阈值η的大小，做如下判定：

若δ_i,t/δ_i,b≥η，则第i个潜在目标切片属于背景，在标签图H中将第i个连通区域所包含的所有像素点的标签值置为0；

若δ_i,t/δ_i,b<η，则第i个潜在目标切片属于舰船，在标签图H中将第i个连通区域所包含的所有像素点的标签值置为1；

标签图H中的每一个连通区域即对应于检测得到的高分辨SAR图像I中的一个舰船目标所在的区域。

本发明的效果通过以下仿真实验进一步说明。

1）仿真实验条件：

如图1所示，本实验采用数据是X波段的TerraSAR-X卫星获取的直布罗陀海峡的SAR图像，HH单极化方式,空间分辨率为1m，图像大小为2987×4134。本实验在CPU为Intel(R)Core(TM)i3、主频2.53GHz，内存为2G的WINDOWS7系统上采用软件MATLAB7.12.0(R2011a)进行仿真。

2）仿真实验内容

2a)对图2所示高分辨SAR图像的舰船检测结果进行仿真。

仿真实验所使用的高分辨SAR图像如图2所示，选取20个背景训练样本，1个舰船目标训练样本，依步骤1所述使用一个边长分别为41和67的矩形框选取一个舰船目标训练样本，得到r=67，由此得到w=33，b=15，取下采样步长为s=4，k=19，V=91，η=0.9；

依上述步骤1至步骤11所述方法完成对该高分辨SAR图像的舰船检测，检测结果如图5所示。图像所对应的实际场景中共有舰船目标21个，检测结果没有出现漏检，共产生虚警为1个，该虚警为图5所示图像中最上方的一个用白色矩形框标记的区域。由图5可以看出，本方法能有效地完成高分辨SAR图像中的舰船检测任务。

2b)对本发明所述方法与传统的基于对数正态分布的CFAR检测方法的检测时间进行仿真。

针对图2所示高分辨SAR图像，分别使用传统的基于对数正态分布的CFAR检测方法和上述步骤1至步骤11所述方法完成舰船检测，两种方法所用的检测时间如表1所示，其中，LognormalCFAR表示传统的基于对数正态分布的CFAR检测方法。

表1下采样和图像分割对CFAR检测速度的影响

从表1可以看出，本发明有效地减少了舰船检测的时间，更有利于实时的舰船检测应用系统的构建；

2c)对稀疏表示分类器与传统的二次距离鉴别器的鉴别性能进行仿真。

依上述步骤1至步骤8所示方法对图2所示SAR图像提取潜在目标区域切片，并按步骤9和步骤10所述方法分别提取潜在目标区域和训练样本的特征向量，分别使用SRC分类器和二次距离鉴别器QDD完成舰船检测，两种鉴别器所得到的ROC曲线如图4所示，由图4可以看出，本发明所提出的使用SRC分类器作为鉴别器得到更好的舰船检测效果。

Claims (6)

1.一种基于CFAR和稀疏表示的高分辨SAR图像舰船检测方法，包含如下步骤：

(1)用矩形框在一幅高分辨SAR图像I中人工任选取一个舰船目标，作为舰船目标训练样本I_t；再将高分辨SAR图像I以步长s下采样为低分辨图像I′，并根据训练样本I_t确定滑动窗的大小w和保护区域的宽度p；

(2)创建低分辨图像I′的像素点所对应的低分辨标签图L，L的大小与低分辨图像I′相同，并设所有像素点的初始化标签为1；由低分辨图像I′的直方图求得直方图最大值处对应的灰度值T，若低分辨图像I′中的像素点的灰度值小于3*T，则将其所对应的标签置为0，反之为1；

(3)计算低分辨标签图L中的每一个连通区域的面积S′_ξ,ξ＝1,2,...,M，M为低分辨标签图L中所有连通区域的个数；记舰船目标训练样本I_t的面积为Q，若S′_ξ>5*Q，则认为低分辨标签图中的第ξ个连通区域对应于低分辨图像I′中的陆地部分，并将第ξ个连通区域内所有像素点的标签置为0；

(4)用对数正态分布拟合低分辨图像I′的杂波的灰度直方图，设定虚警率p_f＝0.01％，用CFAR方法对低分辨图像I′中所有标签为1的像素点做检测，若检测结果为背景，则将该点对应的标签置为0，反之为1；

(5)对低分辨标签图L中所有标签为1的像素点，求其八邻域的像素点的灰度值之和，记为G,G∈[0,8]，若G＝0，则将低分辨标签图L中该点对应的标签置为0，反之为1；

(6)初始化一个原高分辨SAR图像I的像素点所对应的高分辨标签图H，将所有的像素点的灰度值均初始化为0；将低分辨标签图L中所有值为1的点映射为高分辨标签图H中的一个边长为k的正方形区域，将正方形区域内的像素点置为1，由此得到下采样图像中的检测结果对应于高分辨SAR图像I中的潜在目标区域，即区域合并过程，其中k∈(0.25w,0.8w)，且k取整为一个奇数；

(7)计算高分辨标签图H中所有连通区域的面积S_λ,λ＝1,2,...,N，以及连通区域的几何中心C_λ,λ＝1,2,...,N，N为高分辨标签图H中所有连通区域的个数，记S₀为高分辨标签图H中几何中心落在目标样本的矩形区域内的连通区域的面积，若S_λ＝k²或S_λ>1.5*S₀，则将高分辨标签图H中第λ个连通区域内的所有标签值置为0，反之为1；

(8)重新计算高分辨标签图H中所有连通区域的几何中心C′_i,i＝1,2,...,q，在保持几何中心C′_i不变的同时将连通区域的大小全部调整为V*V，其中q为高分辨标签图H中的连通区域个数，V为最后输出的舰船目标切片的大小，V∈(2w,4w)，且为一个奇数；取出所有连通区域所对应的高分辨SAR图像I中的正方形区域，构成q个潜在目标切片U_i,i＝1,2,...,q；从高分辨图像I中所有标签为0的区域中，取出n个大小为V*V的背景区域切片I_b,b＝1,2,...,n，构成背景训练样本；

(9)对q个潜在目标区域切片和n个背景区域切片分别提取总体标准差σ、连通区域个数θ和强散射点灰度直方图h三个特征，得到q个潜在目标切片的特征向量f_i和n个背景区域切片的特征向量g_j，其中i＝1,2,...,q，j＝1,2,...,n；

(10)根据舰船目标训练样本I_t的几何中心，保持几何中心不变，将其大小调整为V*V；再提取舰船目标训练样本I_t的总体标准差σ、连通区域个数θ和强散射点灰度直方图h三个特征向量，将这三个向量排成一个列向量构成舰船目标训练样本I_t的特征向量D_t，用D_t作为目标字典；

(11)用所有的背景区域切片的特征向量g_j,j＝1,2,...,n构成背景字典D_b＝[g₁,g₂,...,g_n]，分别在目标字典D_t和背景字典D_b下，用稀疏表示分类器对每一个潜在目标切片的特征向量f_i,i＝1,2,...,q进行分类，确定出第i个潜在目标切片为目标或背景。

2.根据权利要求1所述的舰船检测方法，其中步骤(1)所述的根据训练样本I_t确定滑动窗的大小w和保护区域的宽度p，按如下公式确定：

w＝0.5r，且取整为一个奇数，r为用矩形框选取的训练样本I_t的最大边长；

p＝0.5(w-1)-1。

3.根据权利要求1所述的舰船检测方法，其中步骤(3)、步骤(7)和步骤(8)中所述的连通区域，其定义如下：

若高分辨标签图H或低分辨标签图L中两个像素点的标签都为1，并且互为彼此的八邻域像素点，则这两个点是连通的，所有这些连通的点所构成的区域称为一个连通区域。

4.根据权利要求1所述的舰船检测方法，步骤(7)中所述的连通区域的面积S_λ,λ＝1,2,...,N，是指属于连通区域S_λ的所有像素点的个数。

5.根据权利要求1所述的舰船检测方法，步骤(9)中所述的对q个潜在目标区域切片和n个背景区域切片分别提取总体标准差σ、连通区域个数θ和强散射点灰度直方图h三个特征，按如下步骤进行：

9a)通过如下公式计算总体标准差σ：

σ＝[σ₁,σ₂,...,σ_y,...,σ_U]，其中σ_y为切片的第y列的标准差，即总体标准差σ是切片每一列的标准差排列在一起所构成的向量，y＝1,2,...,U,U为切片的列数；

9b)根据每一个像素点的标签，求出切片的所有连通区域，统计连通区域的个数，即得到连通区域个数θ；

9c)根据切片中每一个像素点的标签，统计所有标签为1的像素点的灰度直方图，即得到强散射点灰度直方图特征向量h；

9d)将总体标准差σ、连通区域个数θ和强散射点灰度直方图h排成一个列向量，即构成切片的特征向量。

6.根据权利要求1所述的舰船检测方法，步骤(11)中所述的用稀疏表示分类器对每一个潜在目标切片的特征向量f_i,i＝1,2,...,q进行分类，按如下步骤进行：

11a)分别将目标字典D_t和背景字典D_b的每一列归一化，并且将每一个潜在目标切片的特征向量f_i,i＝1,2,...,q分别在上述两个字典下进行稀疏表示，用正交匹配追踪OMP算法求解如下优化问题，即得到稀疏表示系数：

其中||x||₁表示向量x的1范数，表示第i个潜在目标切片的特征向量在目标字典D_t下的表示系数，表示第i个潜在目标切片的特征向量在背景字典D_b下的表示系数；

11b)利用潜在目标切片的特征向量f_i,i＝1,2,...,q在目标字典D_t下的表示系数求得第i个潜在目标切片的特征向量f_i用目标字典D_t的恢复误差δ_i,t：

其中，是2范数的平方；

11c)利用潜在目标切片的特征向量f_i,i＝1,2,...,q在D_b下的表示系数求得第i个潜在目标切片的特征向量f_i用背景字典D_b的恢复误差δ_i,b：

11d)设定稀疏表示分类器的判定阈值η∈(0,2)，根据第i个潜在目标切片的特征向量f_i分别用目标字典和背景字典的恢复误差的比值δ_i,t/δ_i,b与所述η的大小，做如下判定：

若δ_i,t/δ_i,b≥η，则第i个潜在目标切片属于背景，在高分辨标签图H中将第i个连通区域所包含的所有像素点的标签值置0；

若δ_i,t/δ_i,b<η，则第i个潜在目标切片属于舰船，在高分辨标签图H中将第i个连通区域所包含的所有像素点的标签值置1；

高分辨标签图H中的每一个连通区域即对应于检测得到的高分辨SAR图像I中的一个舰船目标所在的区域。