CN103413296B - 在特征域内对极化sar目标的检测方法 - Google Patents
在特征域内对极化sar目标的检测方法 Download PDFInfo
- Publication number
- CN103413296B CN103413296B CN201310297953.4A CN201310297953A CN103413296B CN 103413296 B CN103413296 B CN 103413296B CN 201310297953 A CN201310297953 A CN 201310297953A CN 103413296 B CN103413296 B CN 103413296B
- Authority
- CN
- China
- Prior art keywords
- represent
- polarization
- polarization channel
- feature
- degree
- 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.)
- Expired - Fee Related
Links
Abstract
本发明公开了一种在特征域内对极化SAR目标的检测方法,主要解决现有检测方法在低信杂比条件下检测效果较差的问题。其实现步骤包括特征提取、训练和测试:在特征提取步骤中主要是提取杂波训练样本和测试数据的极化特征,对特征进行尺度归一化和中心化;在训练步骤中主要是对训练样本在特征域内进行主分量分析,得到训练的投影矩阵;在测试步骤中主要是用训练得到的投影矩阵对测试数据在特征域内进行重构,根据重构误差得到检测量,通过对检测量的判定实现对目标的检测。仿真结果表明,本发明与现有技术相比提高了低信杂比条件下极化SAR目标的检测性能。
Description
技术领域
本发明属于目标检测技术领域,特别是一种在特征域内对极化SAR目标的检测方法。
背景技术
合成孔径雷达SAR以全天时、全天候和强穿透力的优点在目标检测领域确定了其不可替代的地位。而极化合成孔径雷达PolSAR的出现使得SAR有了质的飞跃。PolSAR获取的数据中包含了目标的更多信息,对于目标的检测有着重要的意义。
国际和国内诸多学者对PolSAR目标检测都进行了很多有意义的研究,并且取得了不错的成果。现有的一些方法如极化白化滤波器、对比度增强等,主要都是基于能量信息的,随着背景复杂度的提高和信杂比的降低,目标的能量甚至有可能低于杂波的能量,这时,用主要基于能量的方法对目标进行检测的结果不理想。英国学者ArmandoMarino在他的文章DetectingDepolarizedTargetsUsingaNewGeometricalPerturbationFilter中提出的PTD的方法是一种基于目标散射机制的检测方法。该PTD方法是由极化协方差矩阵C构造的向量作为待测数据的特征向量。已知要检测的目标的特征向量为 对其进行旋转变换G得到 即要检测的目标能量全部位于特征向量的第一分量上。对tT进行轻微扰动,得到伪目标的特征向量tP=[a,b,c,d,e,f]T,其中取b=c=|d|=|e|=|f|。对待测数据的特征向量也进行旋转变换G,得到定义加权矩阵A=diag(t1,t2,t3,t4,t5,t6),计算特征向量tT和tP的归一化加权内积η为
其中,P=diag(P1,P2,P3,P4,P5,P6),定义PC=P2+P3+P4+P5+P6,PT=P1。对归一化加权内积η进行化简,得到:
对η进行阈值检测,若η大于阈值,则判为目标,否则判为杂波。
这种方法的检测性能虽比其他方法有了较大提高,但在低于0db的信杂比条件下,该方法的检测性能仍需进一步改善。
发明内容
本发明的目的在于针对上述已有技术的不足,提供一种在特征域内对极化SAR目标的检测方法,进一步提高在低于0db的信杂比条件下的检测性能。
实现本发明目的技术思路是:通过提取大量极化特征,在特征域内对训练样本进行主分量分析PCA,得到训练的投影矩阵;用该投影矩阵在特征域内对测试样本进行重构,根据重构误差得到检测量,通过对检测量的判定实现对目标的检测,从而提高低信杂比条件下的检测性能。具体实现步骤包括:
A.特征提取步骤:
(A1)从杂波的训练样本集中选择N个杂波训练样本,N≥100,提取每个训练样本的M个极化特征,组成一个M维列向量Fk=[Vk1,Vk2,Vk3,Vk4,Vk5,Vk6]T,k=1,2,...,N,其中[]T代表转置,Vk1代表用极化分解方法得到的特征组成的向量,Vk2代表用PTD方法得到的相干幅度特征,Vk3代表用广义对比度增强方法得到的特征组成的向量,Vk4代表由“极化通道间能量的比”特征组成的向量,Vk5代表由“Euler参数”特征组成的向量,Vk6代表由“极化相干程度”特征组成的向量;
(A2)以N个M维列向量Fk,k=1,2,...,N,组成一个M×N的训练数据特征矩阵XM×N=[F1,F2,...,FN];
(A3)将测试图像中的N1个像素点作为测试样本,用与步骤(A1)相同的方法提取每个测试样本的M个极化特征,组成一个M维列向量;以N1个M维列向量组成一个M×N1的测试数据特征矩阵;
(A4)对训练数据特征矩阵XM×N的第i行元素xi=X(i,:),i=1,2,...,M,进行最大值归一化,得到训练数据的归一化后的第i个特征其中imax是训练样本和测试样本的第i个特征的最大值;
(A5)对训练数据的归一化后的特征x'i进行中心化,得到训练数据的中心化后的第i个特征其中代表训练数据的归一化后特征x'i的平均值,i=1,2,...,M;
(A6)对测试数据特征矩阵的第i行元素yi=Y(i,:),i=1,2,...,M进行最大值归一化,得到测试数据的归一化后的第i个特征其中imax是训练样本和测试样本的第i个特征的最大值;
(A7)对测试数据的归一化后的第i个特征y'i进行中心化,得到测试数据的中心化后的第i个特征其中代表测试数据的归一化后特征y'i的平均值,i=1,2,...,M;
B.训练步骤:
(B1)以步骤(A5)中得到的每个中心化后的特征x''i为行,组成新的训练样本特征矩阵X'M×N,计算该新的训练样本特征矩阵的协方差矩阵Q,并对该协方差矩阵Q进行特征值分解;
(B2)将步骤(B1)得到的特征值从大到小排列,取前P个较大特征值对应的特征向量组成训练的投影矩阵PC;
C.测试步骤:
(C1)以步骤(A7)中得到的每个中心化后的特征y''i为行,组成新的测试数据特征矩阵,用步骤(B2)中训练得到的投影矩阵PC对每个测试样本,即中的每一列进行重构,得到重构后的特征矩阵其中(·)T代表矩阵转置;
(C2)计算重构误差矩阵其中(*).2代表对矩阵*中的每个元素进行平方运算;对重构误差矩阵e的每一列求和得到每个测试样本的重构误差,组成一个N1维的行向量E,将E重新排列为原始测试图像的大小,得到重构误差图Ι,对该重构误差图Ι取自然对数,得到检测量Γ=ln(Ι);
(C3)设定阈值T,min(Γ)≤T≤max(Γ),其中min(Γ)是检测量Γ的最小值,max(Γ)是检测量Γ的最大值,根据阈值T进行判定:若Γ>T,则判定为目标,否则判定为杂波,测试过程结束。
本发明与现有技术相比具有以下优点:
传统的检测方法都是在原始数据域进行的,而本发明通过提取大量极化特征,在特征域内训练投影矩阵,用该投影矩阵在特征域内对测试样本进行重构,根据重构误差得到检测量,并通过对检测量的判定实现对目标的检测,因而可增强低信杂比条件下目标和杂波的对比度,提高了检测性能。
附图说明
图1是本发明的实现流程图;
图2是本发明与PTD方法的检测性能比较图。
具体实施方式
参照图1,本发明的检测方法包括特征提取、训练、测试三个阶段,具体步骤如下:
步骤1,选择杂波训练样本,并提取每个训练样本的极化特征。
从杂波的训练样本集中选择N=961个杂波训练样本,提取每个训练样本的M=46个极化特征,组成一个M维列向量Fk=[Vk1,Vk2,Vk3,Vk4,Vk5,Vk6]T,k=1,2,...,N,
其中,[]T代表转置,
Vk1代表用极化分解方法得到的特征组成的向量,表示如下:
Vk1=[H,α,A,αM,Ps,Pd,Pv,Pa,Pb,Pc,θ,Psp,Pdθ,Phθ,dt,dd,ddi,dc,dn,dq],
其中,H表示散射熵,α表示平均散射角,A表示各向异性度,αM表示主导散射角,Ps表示来自一阶Bragg散射体的单次散射分量的能量,Pd表示来自二面体的二次散射分量的能量,Pv表示来自方向随机的一组偶极子的体散射分量的能量,Pa表示单次散射分量的能量,Pb表示来自0°二面角的二次散射分量的能量,Pc表示来自45°二面角的体散射分量的能量,θ表示极化旋转角,Psp表示球散射体分量的能量,Pdθ表示极化旋转角为θ的二面角分量的能量,Phθ表示极化旋转角为θ的螺旋体分量的能量,dt表示与三面角散射体的相关程度,dd表示与二面角散射体的相关程度,ddi表示与偶极子散射体的相关程度,dc表示与圆柱散射体的相关程度,dn表示与窄二面角散射体的相关程度,dq表示与1/4波散射体的相关程度;
Vk2代表用PTD方法得到的相干幅度特征;
Vk3代表用广义对比度增强方法得到的特征组成的向量,表示如下:
Vk3=[r1,r2],
其中,r1代表与平面散射体的相似度,r2代表与二面角散射体的相似度;
Vk4代表由“极化通道间能量的比”特征组成的向量,表示如下:
Vk4=[rhh-hv,rhh-vv,rhv-vv,rll-lr,rll-rr,rlr-rr],
其中,rhh-hv代表极化通道hh和极化通道hv的能量比,rhh-vv代表极化通道hh和极化通道vv的能量比,rhv-vv代表极化通道hv和极化通道vv的能量比,rll-lr代表极化通道ll和极化通道lr的能量比,rll-rr代表极化通道ll和极化通道rr的能量比,rlr-rr代表极化通道lr和极化通道rr的能量比;
Vk5代表由“Euler参数”特征组成的向量,表示如下:
其中,m为目标幅度,表示目标的最大RCS;为目标方向角,表示目标相对于雷达视线的角度;τ为椭圆率角,表示目标的对称性;v为目标跳跃角,表示目标回波的跳动次数;γ为目标特征角,表示目标呈线状或球状的程度;
Vk6代表由“极化相干程度”特征组成的向量,表示如下:
Vk6=[ahh-hv,ahh-vv,ahv-vv,all-lr,all-rr,alr-rr,phh-hv,phh-vv,phv-vv,pll-lr,pll-rr,plr-rr],
其中,ahh-hv代表极化通道hh和极化通道hv间极化相干程度的幅度,ahh-vv代表极化通道hh和极化通道vv间极化相干程度的幅度,ahv-vv代表极化通道hv和极化通道vv间极化相干程度的幅度,all-lr代表极化通道ll和极化通道lr间极化相干程度的幅度,all-rr代表极化通道ll和极化通道rr间极化相干程度的幅度,alr-rr代表极化通道lr和极化通道rr间极化相干程度的幅度,phh-hv代表极化通道hh和极化通道hv间极化相干程度的相位,phh-vv代表极化通道hh和极化通道vv间极化相干程度的相位,phv-vv代表极化通道hv和极化通道vv间极化相干程度的相位,pll-lr代表极化通道ll和极化通道lr间极化相干程度的相位,pll-rr代表极化通道ll和极化通道rr间极化相干程度的相位,plr-rr代表极化通道lr和极化通道rr间极化相干程度的相位。
步骤2,组成训练数据特征矩阵。
以N个M维列向量Fk,k=1,2,...,N,组成一个M×N的训练数据特征矩阵XM×N=[F1,F2,...,FN]。
步骤3,提取每个测试样本的极化特征,组成测试数据特征矩阵。
将测试图像中的N1个像素点作为测试样本,用与步骤1相同的方法提取每个测试样本的M=46个极化特征,组成一个M维列向量;以N1个M维列向量组成一个M×N1的测试数据特征矩阵
步骤4,对训练样本的每个特征进行尺度归一化。
由于不同特征的量化值的差异很大,对于不同特征的同一个量化值可能代表着不同的含义,而且主分量分析PCA对特征的取值很敏感,因此必须对特征进行尺度归一化。
尺度归一化可采用多种方法,例如:最大值归一化方法,均值-标准差方法和最小值-最大值方法,本实施例选择最大值归一化方法。该方法是将训练数据特征矩阵XM×N的每一行元素xi=X(i,:),i=1,2,...,M进行最大值归一化,得到训练数据的归一化后的第i个特征其中imax是训练样本和测试样本的第i个特征的最大值。
由于训练样本和测试样本的尺度必须一致,所以最大值归一化用的是训练样本和测试样本的特征的最大值。
步骤5,对训练数据归一化后的每个特征进行中心化。
由于主分量分析PCA仅适用于输入数据为零均值的情况,因此必须对输入数据进行中心化。
根据训练数据的归一化后的特征x'i,i=1,2,...,M,得到训练数据的归一化后特征x'i的平均值其中x'i,j,j=1,2,...,N是x'i中的元素;
根据该平均值得到训练数据的中心化后的第i个特征i=1,2,...,M。
步骤6,对测试数据的每个特征进行尺度归一化。
对测试数据特征矩阵的第i行元素yi=Y(i,:),i=1,2,...,M进行最大值归一化,得到测试数据的归一化后的第i个特征其中imax是训练样本和测试样本的第i个特征的最大值。
步骤7,对测试数据归一化后的每个特征中心化。
根据测试数据的归一化后的特征y'i,i=1,2,...,M,得到测试数据的归一化后特征y'i的平均值其中y'i,c,c=1,2,...,N1是y'i中的元素;
根据该平均值得到测试数据的中心化后的第i个特征i=1,2,...,M。
通过以上步骤1至步骤7完成本发明的特征提取。
步骤8,得到新的训练样本特征矩阵,并对其协方差矩阵进行特征值分解。
以步骤5中得到的每个中心化后的特征x''i为行,组成新的训练样本特征矩阵X'M×N,计算该新的训练样本特征矩阵的协方差矩阵Q:
其中,(·)T代表矩阵转置;
对该协方差矩阵Q进行特征值分解:Q=UΛ(U)T,其中,Λ=diag(λ1,λ2,...,λM)为对角形式的特征值矩阵,λi,i=1,2,...,M是协方差矩阵Q的特征值,diag(·)代表对角矩阵,U=[p1,p2,...,pM]为特征向量矩阵,pi,i=1,2,...,M为对应于特征值λi的特征向量。
步骤9,训练投影矩阵。
将步骤8中得到的特征值从大到小排列,取前P个较大特征值对应的特征向量组成训练的投影矩阵PC。
在本实施例中,P的取值为9。
通过步骤8至步骤9完成本发明的训练阶段。
步骤10,对测试数据进行重构。
以步骤7中得到的每个中心化后的特征y''i为行,组成新的测试数据特征矩阵用步骤9中训练得到的投影矩阵PC对每个测试样本,即中的每一列进行重构,得到重构后的特征矩阵其中(·)T代表矩阵转置。
步骤11,计算重构误差,得到检测量。
根据新的测试数据特征矩阵和重构后的特征矩阵R,得到重构误差矩阵:其中(*).2代表对矩阵*中的每个元素进行平方运算;
对重构误差矩阵e的每一列求和得到每个测试样本的重构误差,组成一个N1维的行向量E;
将行向量E重新排列为原始测试图像的大小,得到重构误差图Ι,对该重构误差图Ι取自然对数,得到检测量Γ=ln(Ι)。
之所以对重构误差图Ι取自然对数,是为了进一步增强重构误差图Ι中目标和杂波的对比度,便于检测。
步骤12,设定阈值,进行检测,评估检测性能。
投影矩阵PC是用杂波的训练样本训练得到的,提取出的是杂波的主分量,当用投影矩阵PC对测试数据进行重构时,测试数据中杂波样本的重构误差比较小,目标样本的重构误差比较大。因此可以设定阈值T,min(Γ)≤T≤max(Γ),其中min(Γ)是检测量Γ的最小值,max(Γ)是检测量Γ的最大值,根据阈值T对重构误差Ι得到的检测量Γ进行判定:若Γ>T,则判定为目标,否则判定为杂波。
在本实施例中,为了评估本发明的检测性能,把得到的检测量Γ中的每个值Γc,c=1,2...,N1分别作为阈值T=Γc进行判定,得到每个阈值T的检测结果;通过计算这些检测结果的检测概率和虚警概率,得到受试者工作特征曲线ROC;通过对ROC曲线进行近似积分,得到ROC曲线的面积AUC,以该ROC曲线的面积AUC作为检测性能的评估标准,AUC越大检测性能越好。
通过步骤10至步骤12完成本发明的测试阶段。
本发明的效果可以通过以下仿真实验说明:
所用实测数据的信杂比为23dB,根据实测数据分别仿真了信杂比为5db、0db、-5db、-10db、-20db、-30db的测试数据。
用本发明的方法对以上不同信杂比下的测试数据进行检测,分别计算出不同信杂比下的ROC曲线面积。
表1给出了现有PTD方法和本发明的在不同信杂比下的ROC曲线面积。
表1PTD方法与本发明的ROC曲线面积
从表1中可以看出:信杂比较高时,PTD方法和本发明的检测性能相差不多,但随着信杂比的降低,PTD方法的AUC出现明显的下降,而本发明的AUC仍然保持较高值,说明本发明在低信杂比条件下仍然能取得较好的检测性能。
以表1中的信杂比为横坐标,ROC曲线的面积AUC为纵坐标,作出本发明与PTD方法的检测性能比较图,如图2。
从图2中可以直观地看出:与现有PTD方法相比,本发明在低信杂比条件下能取得更好的检测性能。
Claims (7)
1.一种在特征域内对极化SAR目标的检测方法,包括:
A.特征提取步骤:
(A1)从杂波的训练样本集中选择N个杂波训练样本,N≥100,提取每个训练样本的M个极化特征,组成一个M维列向量Fk=[Vk1,Vk2,Vk3,Vk4,Vk5,Vk6]T,k=1,2,...,N,其中[]T代表转置,Vk1代表用极化分解方法得到的特征组成的向量,Vk2代表用PTD方法得到的相干幅度特征,Vk3代表用广义对比度增强方法得到的特征组成的向量,Vk4代表由“极化通道间能量的比”特征组成的向量,Vk5代表由“Euler参数”特征组成的向量,Vk6代表由“极化相干程度”特征组成的向量;
(A2)以N个M维列向量Fk,k=1,2,...,N,组成一个M×N的训练数据特征矩阵XM×N=[F1,F2,...,FN];
(A3)将测试图像中的N1个像素点作为测试样本,用与步骤(A1)相同的方法提取每个测试样本的M个极化特征,组成一个M维列向量;以N1个M维列向量组成一个M×N1的测试数据特征矩阵
(A4)对训练数据特征矩阵XM×N的第i行元素xi=X(i,:),i=1,2,...,M,进行最大值归一化,得到训练数据的归一化后的第i个特征其中imax是训练样本和测试样本的第i个特征的最大值;
(A5)对训练数据的归一化后的特征x′i进行中心化,得到训练数据的中心化后的第i个特征其中代表训练数据的归一化后特征x′i的平均值,i=1,2,...,M;
(A6)对测试数据特征矩阵的第i行元素yi=Y(i,:),i=1,2,...,M进行最大值归一化,得到测试数据的归一化后的第i个特征其中imax是训练样本和测试样本的第i个特征的最大值;
(A7)对测试数据的归一化后的第i个特征y′i进行中心化,得到测试数据的中心化后的第i个特征其中代表测试数据的归一化后特征y′i的平均值,i=1,2,...,M;
B.训练步骤:
(B1)以步骤(A5)中得到的每个中心化后的特征x″i为行,组成新的训练样本特征矩阵X'M×N,计算该新的训练样本特征矩阵的协方差矩阵Q,并对该协方差矩阵Q进行特征值分解;
(B2)将步骤(B1)得到的特征值从大到小排列,取前P个较大特征值对应的特征向量组成训练的投影矩阵PC;
C.测试步骤:
(C1)以步骤(A7)中得到的每个中心化后的特征y″i为行,组成新的测试数据特征矩阵用步骤(B2)中训练得到的投影矩阵PC对每个测试样本,即中的每一列进行重构,得到重构后的特征矩阵其中(·)T代表矩阵转置;
(C2)计算重构误差矩阵其中(*).2代表对矩阵*中的每个元素进行平方运算;对重构误差矩阵e的每一列求和得到每个测试样本的重构误差,组成一个N1维的行向量E,将E重新排列为原始测试图像的大小,得到重构误差图Ι,对该重构误差图Ι取自然对数,得到检测量Γ=ln(Ι);
(C3)设定阈值T,min(Γ)≤T≤max(Γ),其中min(Γ)是检测量Γ的最小值,max(Γ)是检测量Γ的最大值,根据阈值T进行判定:若Γ>T,则判定为目标,否则判定为杂波,测试过程结束。
2.根据权利要求1所述的在特征域内对极化SAR目标的检测方法,其中所述步骤(A1)中用极化分解方法得到的特征组成的向量Vk1,表示如下:
Vk1=[H,α,A,αM,Ps,Pd,Pv,Pa,Pb,Pc,θ,Psp,Pdθ,Phθ,dt,dd,ddi,dc,dn,dq]
其中,H表示散射熵,α表示平均散射角,A表示各向异性度,αM表示主导散射角,Ps表示来自一阶Bragg散射体的单次散射分量的能量,Pd表示来自二面体的二次散射分量的能量,Pv表示来自方向随机的一组偶极子的体散射分量的能量,Pa表示单次散射分量的能量,Pb表示来自0°二面角的二次散射分量的能量,Pc表示来自45°二面角的体散射分量的能量,θ表示极化旋转角,Psp表示球散射体分量的能量,Pdθ表示极化旋转角为θ的二面角分量的能量,Phθ表示极化旋转角为θ的螺旋体分量的能量,dt表示与三面角散射体的相关程度,dd表示与二面角散射体的相关程度,ddi表示与偶极子散射体的相关程度,dc表示与圆柱散射体的相关程度,dn表示与窄二面角散射体的相关程度,dq表示与1/4波散射体的相关程度。
3.根据权利要求1所述的在特征域内对极化SAR目标的检测方法,其中所述步骤(A1)中用广义对比度增强方法得到的特征组成的向量Vk3,表示如下:
Vk3=[r1,r2]
其中,r1代表与平面散射体的相似度,r2代表与二面角散射体的相似度。
4.根据权利要求1所述的在特征域内对极化SAR目标的检测方法,其中所述步骤(A1)中由“极化通道间能量的比”特征组成的向量Vk4,表示如下:
Vk4=[rhh-hv,rhh-vv,rhv-vv,rll-lr,rll-rr,rlr-rr]
其中,rhh-hv代表极化通道hh和极化通道hv的能量比,rhh-vv代表极化通道hh和极化通道vv的能量比,rhv-vv代表极化通道hv和极化通道vv的能量比,rll-lr代表极化通道ll和极化通道lr的能量比,rll-rr代表极化通道ll和极化通道rr的能量比,rlr-rr代表极化通道lr和极化通道rr的能量比。
5.根据权利要求1所述的在特征域内对极化SAR目标的检测方法,其中所述步骤(A1)中由“Euler参数”特征组成的向量Vk5,表示如下:
其中,m为目标幅度,表示目标的最大雷达散射截面RCS;为目标方向角,表示目标相对于雷达视线的角度;τ为椭圆率角,表示目标的对称性;v为目标跳跃角,表示目标回波的跳动次数;γ为目标特征角,表示目标呈线状或球状的程度。
6.根据权利要求1所述的在特征域内对极化SAR目标的检测方法,其中所述步骤(A1)中由“极化相干程度”特征组成的向量Vk6,表示如下:
Vk6=[ahh-hv,ahh-vv,ahv-vv,all-lr,all-rr,alr-rr,phh-hv,phh-vv,phv-vv,pll-lr,pll-rr,plr-rr]
其中,ahh-hv代表极化通道hh和极化通道hv间极化相干程度的幅度,ahh-vv代表极化通道hh和极化通道vv间极化相干程度的幅度,ahv-vv代表极化通道hv和极化通道vv间极化相干程度的幅度,all-lr代表极化通道ll和极化通道lr间极化相干程度的幅度,all-rr代表极化通道ll和极化通道rr间极化相干程度的幅度,alr-rr代表极化通道lr和极化通道rr间极化相干程度的幅度,phh-hv代表极化通道hh和极化通道hv间极化相干程度的相位,phh-vv代表极化通道hh和极化通道vv间极化相干程度的相位,phv-vv代表极化通道hv和极化通道vv间极化相干程度的相位,pll-lr代表极化通道ll和极化通道lr间极化相干程度的相位,pll-rr代表极化通道ll和极化通道rr间极化相干程度的相位,plr-rr代表极化通道lr和极化通道rr间极化相干程度的相位。
7.根据权利要求1所述的在特征域内对极化SAR目标的检测方法,其中所述步骤(B1)中计算该新的训练样本特征矩阵的协方差矩阵Q,按如下公式计算:
其中,N代表训练样本的个数,X'M×N代表新的训练样本特征矩阵,(·)T代表矩阵转置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310297953.4A CN103413296B (zh) | 2013-07-13 | 2013-07-13 | 在特征域内对极化sar目标的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310297953.4A CN103413296B (zh) | 2013-07-13 | 2013-07-13 | 在特征域内对极化sar目标的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103413296A CN103413296A (zh) | 2013-11-27 |
CN103413296B true CN103413296B (zh) | 2016-02-10 |
Family
ID=49606301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310297953.4A Expired - Fee Related CN103413296B (zh) | 2013-07-13 | 2013-07-13 | 在特征域内对极化sar目标的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103413296B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104020450B (zh) * | 2014-03-26 | 2019-01-08 | 北京跟踪与通信技术研究所 | 一种基于邻波相关和相位分层的雷达回波重构方法 |
CN104318572B (zh) * | 2014-10-31 | 2017-11-21 | 中南大学 | 基于极化方向角补偿的polsar图像海上目标检测方法 |
CN106501804A (zh) * | 2016-11-25 | 2017-03-15 | 中国石油大学(华东) | 一种利用全极化sar回波数据解析海面风浪谱的方法 |
CN109358330B (zh) * | 2018-11-06 | 2020-04-21 | 电子科技大学 | 一种双基前视sar线性时间同步误差估计方法 |
CN110456347B (zh) * | 2019-08-20 | 2021-08-10 | 深圳市易简空间技术有限公司 | 地形测量方法、装置、计算机设备和存储介质 |
CN110703221A (zh) * | 2019-10-16 | 2020-01-17 | 艾索信息股份有限公司 | 基于极化特征的城市低空小目标分类识别系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526995A (zh) * | 2009-01-19 | 2009-09-09 | 西安电子科技大学 | 基于对角子类判决分析的合成孔径雷达目标识别方法 |
US7734097B1 (en) * | 2006-08-01 | 2010-06-08 | Mitsubishi Electric Research Laboratories, Inc. | Detecting objects in images with covariance matrices |
-
2013
- 2013-07-13 CN CN201310297953.4A patent/CN103413296B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7734097B1 (en) * | 2006-08-01 | 2010-06-08 | Mitsubishi Electric Research Laboratories, Inc. | Detecting objects in images with covariance matrices |
CN101526995A (zh) * | 2009-01-19 | 2009-09-09 | 西安电子科技大学 | 基于对角子类判决分析的合成孔径雷达目标识别方法 |
Non-Patent Citations (2)
Title |
---|
Target detection based on L- and C-band PolSAR data;Bin Zou等;《Geoscience and Remote Sensing Symposium》;20110729;第397-400页 * |
基于极化不变量特征的雷达目标识别技术;王福友 等;《雷达科学与技术》;20130430;第11卷(第2期);第165-172页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103413296A (zh) | 2013-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103413296B (zh) | 在特征域内对极化sar目标的检测方法 | |
CN103353595B (zh) | 基于阵列内插压缩感知的米波雷达测高方法 | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN104251989B (zh) | 基于压缩空间谱的单基地mimo雷达目标波达方向估计方法 | |
CN103824084A (zh) | 基于sdit和svm的极化sar图像分类方法 | |
CN105807267A (zh) | 一种mimo雷达扩展目标的检测方法 | |
CN103744076B (zh) | 基于非凸优化的mimo雷达动目标检测方法 | |
CN103426175B (zh) | 基于特征值度量谱聚类的极化sar图像分割方法 | |
CN102628935B (zh) | 一种全极化海杂波仿真方法 | |
CN104933290B (zh) | 双l型拉伸正交电偶对阵列的多参数联合估计四元数方法 | |
CN103969634B (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 | |
CN103983958A (zh) | 基于多测量矢量稀疏表示的mimo雷达连续目标角度估计方法 | |
CN103824088A (zh) | 基于多信息联合动态稀疏表示的sar目标变体识别方法 | |
CN103605121B (zh) | 基于快速稀疏贝叶斯学习算法的宽带雷达数据融合方法 | |
CN103616661A (zh) | 一种稳健的远场窄带信号源个数估计方法 | |
CN109597046A (zh) | 基于一维卷积神经网络的米波雷达doa估计方法 | |
CN103839077B (zh) | 一种基于超像素特征的低秩表示的极化sar图像分类方法 | |
CN109143195A (zh) | 一种基于全kl散度的雷达目标检测方法 | |
CN105160353A (zh) | 基于多特征集的极化sar数据地物分类方法 | |
CN109254272A (zh) | 一种共点式极化mimo雷达的两维角度估计方法 | |
CN105204007A (zh) | 无辅助数据的距离扩展目标极化自适应检测方法 | |
CN103218623B (zh) | 基于自适应近邻保持鉴别投影的雷达目标特征提取方法 | |
CN105158749A (zh) | 高频雷达海杂波幅度统计分布检验方法 | |
CN104376539A (zh) | 一种极化sar目标散射成分的分解方法和装置 | |
CN104182768A (zh) | 逆合成孔径雷达图像的质量分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190627 Address after: 710100 Xi'an Institute of Electronic Engineering, Fengqi East Road, Chang'an District, Xi'an City, Shaanxi Province Patentee after: Xi'an Eletronic Engineering Institute Address before: No. 2 Taibai Road, Xi'an, Shaanxi Province, Shaanxi Patentee before: Xidian University |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160210 Termination date: 20190713 |