CN105069752B - 基于空时混沌的光学海杂波抑制方法 - Google Patents
基于空时混沌的光学海杂波抑制方法 Download PDFInfo
- Publication number
- CN105069752B CN105069752B CN201510434211.0A CN201510434211A CN105069752B CN 105069752 B CN105069752 B CN 105069752B CN 201510434211 A CN201510434211 A CN 201510434211A CN 105069752 B CN105069752 B CN 105069752B
- Authority
- CN
- China
- Prior art keywords
- mrow
- sea clutter
- msub
- image
- msup
- 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
Landscapes
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于空时混沌的光学海杂波抑制方法，包括以下步骤：选取海杂波光学图像中同一位置处的图像强度组成海杂波时间序列，选取海杂波光学图像中沿海浪运动方向的一列图像强度组成海杂波空间序列；分别验证海杂波在时域和空域的混沌性，具体方法包括计算数据序列的延迟时间、关联维数和最大Lyapunov指数；分别对时域和空域的数据序列进行训练径向基函数的神经网络预测；用两个预测值和实际值进行线性拟合，得到一个耦合系数；采用最小二乘支持向量机‑耦合映象格子算法，构造预测函数，得到预测值；海杂波预测值与实际值进行杂波对消。本发明采用了空域和时域结合预测的算法抑制海杂波，克服了现有时域混沌机理预测的不准确性。
Description
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，是舰载光电成像探测与跟踪海上目标的一项核心技术，在各类军、民用系统中均有广泛的应用。
背景技术
舰载光电成像探测与跟踪系统较雷达系统具有被动隐蔽、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。光电图像的信噪比和对比度等信息会随着海杂波在时间和空间上动态而变化。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，严重制约了海面弱小目标的可检测性，因此从时间和空间上抑制海杂波是检测海面弱小目标的关键技术。
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信号，通过概率统计分布模型描述海杂波，如对数正态(Logarithmic-Normal，Log-Normal)分布，Weibull分布和K分布等海杂波建模分析。然而海杂波往往具有时间或空间上不断变化，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。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，抑制空域相关性强和低频的海杂波，而很难区分鱼鳞光等图像高频成分。
Haykin等针对IPIX(Intelligent Pixel Proeessing)相参雷达进行研究，发现了海杂波具有较强的混沌性。光电图像海杂波与雷达波相似，也具有较强的混沌性。专利研究光电图像海杂波的混沌动力学模型，分析海杂波时间和空间数据序列分别在延迟状态空间的相关性，从空时混沌性联合预测和抑制海杂波，提升海杂波背景下弱小目标的检测性能。
发明内容：
混沌，从严格意义上来讲，是一个时间的理论。由于海杂波的回波信号是来源于移动的海面，所以空间效应是不能忽略的。"当一个混沌动态系统有多个自由度时,需同时考虑时空混沌性。Cross较早地提出时空混沌的定义:时空混沌是指需要更多相互独立的元素来描述系统特征,这不仅包括时域的元素还包括来自空域的元素。"简单地说，时空混沌就是指序列在时间上是混沌，而在空域上是不规则分布的序列。海杂波在时域上是混沌的,因此只需分析海杂波空间混沌参数。本发明的目的在于提高对海杂波动态的研究，提供一种基于空时混沌的光学图像海杂波抑制方法。本发明通过从光电图像中分别提取空域和时域海杂波的混沌参数，分别通过神经网络预测后线性拟合得到预测值，以此预测海杂波图像，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：
一种基于空时混沌的光学图像海杂波抑制方法，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，同时选取海杂波光学图像中沿海浪运动方向的一列图像强度组成海杂波空间序列；
2、计算海杂波时、空数据序列的延迟时间、嵌入维数和最大Lyapunov指数；
3、重构海杂波时、空数据序列的相空间；
4、利用RBF神经网络分别预测海杂波在空域和时域的灰度值；
5、利用两个预测值和一个实际值拟合出耦合参数；
6、调解耦合参数，空时域联合预测，使其预测效果达到最优化；
7、将海杂波预测值和海杂波实际值进行杂波对消。
具体地，所述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最大灰度值与最小灰度值之差构成的，图像块大小为9×9像素。
所述海杂波空间强度数据序列是由图像序列选取中沿海浪运动方向的一列图像强度组成海杂波空间序列，海浪运动方向是截取波浪纹理图像并生成时栈图像,通过Radon变换(拉东变换，是将数字图像矩阵在某一指定角度射线方向上做投影变换)实现波向的有效检测，定义图像P(x,y)在角度为θ的Radon变换，Radon变化定义为：
以角度θ为变量的Radon变换做出一幅Radon变换域内的投影图像，其横轴为角度θ，纵轴为x′，Radon变换的投影线积分的强度Rθ(x′)就是Radon变换域内的投影图像亮度。
所述海杂空间波数据序列的自相关函数定义为：
式中，x(t,i)是海杂波的图像灰度；t是图像帧数；而i则表示图像空间位置；N表示数据序列的长度；相空间延迟是τ自相关函数下降到初始值的时对应的i值。
所述海杂波空间数据序列的关联维D2定义为：
其中C(r)是对数据序列{x(t,i),i＝1,2,3,…,N}的重构相空间y(t,j)计算关联积分，其定义为：
式中，||·||是Euclidean范数；H为Heaviside阶跃函数。
所述海杂波数据序列的相空间嵌入维m是指满足m≥D2的值。
所述海杂波空间强度数据序列的Rosenstein小数据量方法得到的最大Lyapunov指数定义为：
式中，dj(t,i)表示的是轨道上第j个点和它的最邻近点之间经过第i个离散步长后的距离；Δt为样本周期；P为平均周期。在重构相空间后，寻找给定轨道上每个点的最邻近点y(t,j')，并计算它们之间的距离，即
dj(t,0)＝min||y(t,j)-y(t,j')|| |j-j'|＞P.
所述海杂波空间强度数据序列的相空间重构是指对空间强度数据序列{x(t,i),i＝1,2,3,…,N}取不同的延迟来构造一个m维相空间y(t,j)，即：y(t,j)＝{x(t,i),x(n,i+τ),…,x[n,i+(m-1)τ]} j＝0,1,2,…,N-(m-1)τ式中，y(t,j)表示重构相空间的相点，对海杂波的时间强度数据序列，其重构的相空间轨迹与空间相空间重构方式是相似，以及时间相空间的延迟时间τt和嵌入维数mt的取值不尽相同，因此不再重复叙述。
所述径向基函数RBF神经网络的基函数定义为：
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，f就是经过神经网络训练后需要逼近的函数。
进一步，综合利用海杂波在空间与时间上的混沌特性，对海杂波图像相邻时刻，相邻空间的像素度进行预测，预测函数可以表示为：
i表示距离，t表示时间，运用空间相关系数来估计空间耦合系数ε，xt(t,i)表示时间序列预测函数，xs(t,i)表示空间序列预测函数。
进一步，对上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
可见，本发明是利用光学图像海杂波具有的混沌特性，采用了空域和时域结合预测的算法抑制海杂波，克服了现有时域混沌机理预测的不准确性，为提高海杂波背景下的小弱目标检测能力提供了新的解决思路。
附图说明：
图1(a)和图1(b)是选取的海浪图像；
图2是基于空时混沌的光学图像海杂波抑制方法的原理框图；
图3(a)是选定点所在时间的维度嵌入维数，图3(b)是选定点所在空间维度的嵌入维数；
图4是RBF神经网络的结构图；
图5是拟合耦合参数的原理图；
图6是空时联合预测的预测结果；
图7是预测点杂波对消后的结果。
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：
本发明提出一种基于空时混沌的光学海杂波抑制方法包括以下步骤：选取海杂波光学图像中同一位置处的图像强度组成海杂波时间序列，选取海杂波光学图像中沿海浪运动方向的一列图像强度组成海杂波空间序列；分别验证海杂波在时域和空域的混沌性，具体方法包括计算数据序列的延迟时间、关联维数和最大Lyapunov指数；分别对时域和空域的数据序列进行训练径向基函数(Radius Basic Function,RBF)的神经网络预测；用两个预测值和实际值进行线性拟合，得到一个耦合系数；采用最小二乘支持向量机-耦合映象格子(Least Squares Sport Vector Machine-Coupled Map Lattices,LSSVM-CML)算法，构造预测函数，得到预测值；海杂波预测值与实际值进行杂波对消。
如图1(a)和图1(b)所示，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234×306像素，选取海面部分作为样本，大小为140×306，预测点的数目都为50，具体实施本发明方法包括以下步骤：
1、任意选取该海杂波图像中的同一个位置，得到它的灰度值序列作为时间强度序列；选取与上面同一位置所在的海波方向的灰度序列作为空间强度数据序列。
2、对所取的海杂波时间和空间序列，计算各自的的自相关函数、延迟时间、关联维数、嵌入维数、最大Lyapunov指数和相空间重构。
对时间和空间序列的延迟时间进行计算分别为4和6；最大Lyapunov指数都为正数；关联维数进行计算分析可知嵌入维m的增大，嵌入维m大于11后一直稳定在5～6之间，实际计算中统一取6，斜率(关联维D2)逐渐达到一个饱和值，表明光电图像海杂波的关联维是有限的，而在实际选取中会选择一个符合统计规律比较稳定的值，如图3(a)、图3(b)所示分别显示了时域和空域的关联维。
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4所示,时域训练样本500预测样本50，空域训练样本90预测样本50。具体内容包括：
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，即分别以y(t,i)＝{x(t,i),x(t,i+τ),...,x[t,i+(m-1)τ]}、yt(t,i)＝{x(t,i),x(t+τt,i),...,x[t+(mt-1)τt,i]}作为输入向量，以x(t,i+1)和x(t+1,i)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。
4、综合利用海杂波在空间和时间的混沌特性，构造线性预测函数，通过神经网络训练得到合适的耦合参数ε，输入为空时域预测是灰度值，输出为真实值，调整耦合参数的数值，使预测误差达到最小，其原理如图5所示。
5、计算预测函数得到的预测值，得到海杂波图像相邻时刻、相邻空间的像素灰度值预测，如图6。比较预测值和实际值之间的绝对差值实现杂波对消，采用的杂波对消方法,如果神经网络经过训练确实获得了海杂波的内在动力学特性，并且预测具有一定的精度，那么其预测误差error(t+(mt-1)τt+1,i+(m-1)τ+1)将会很小。为了衡量预测效果的好坏，这里采用平均绝对误差来说明，其定义为：图7是两者之间的差值。由图可知，预测误差一直很小，该区域的平均绝对误差MAD为0.0106。说明产生海杂波的内在非线性系统参数不随时间和空间变化或变化缓慢，表明本方法实现海杂波抑制具有一定的实用性。
Claims (8)
1.基于空时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)选取海杂波光学图像中沿海浪运动方向的一列图像强度组成海杂波空间强度数据序列；
3)计算海杂波时、空强度数据序列的自相关函数和延迟时间；
4)计算海杂波时、空强度数据序列的关联维数和嵌入维数；
5)计算海杂波时、空强度数据序列的最大Lyapunov指数；
6)重构海杂波时、空强度数据序列的相空间；
7)利用RBF神经网络分别预测海杂波在空域和时域的灰度值；
8)运用时域数据序列相空间重构与空域数据序列相空间重构的相关关系来估计空间耦合系数；
9)构造时域与空域相结合的空时混沌预测函数：
综合利用海杂波在空间与时间上的混沌特性，对海杂波图像相邻时刻，相邻空间的像素度进行预测，预测函数可以表示为：
<mrow>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>x</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&epsiv;x</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
i表示距离，t表示时间，运用空间相关系数来估计空间耦合系数ε，xt(t,i)表示时间序列预测函数，xs(t,i)表示空间序列预测函数；
10)将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
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>e</mi>
<mi>r</mi>
<mi>r</mi>
<mi>o</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<msub>
<mi>m</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
<msub>
<mi>&tau;</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
<mo>+</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mi>&tau;</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mo>|</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&lsqb;</mo>
<mi>t</mi>
<mo>+</mo>
<msub>
<mi>m</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
<msub>
<mi>&tau;</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
<mo>+</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mi>&tau;</mi>
<mo>+</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
<mo>-</mo>
<mi>x</mi>
<mo>&lsqb;</mo>
<mi>t</mi>
<mo>+</mo>
<msub>
<mi>m</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
<msub>
<mi>&tau;</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
<mo>+</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mi>&tau;</mi>
<mo>+</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
<mo>|</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>.</mo>
</mrow>
2.根据权利要求1所述的基于空时混沌的光电图像海杂波抑制方法，其特征在于：
1)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最大灰度值与最小灰度值之差构成的，图像块大小为9×9像素；
2)所述的海杂波空间强度数据序列是由图像序列选取中沿海浪运动方向的一列图像强度组成海杂波空间序列，海浪运动方向是截取波浪纹理图像并生成时栈图像,通过拉东Radon变换实现波向的有效检测，定义图像P(x,y)在角度为θ的Radon变换，Radon变化定义为：
<mrow>
<msub>
<mi>R</mi>
<mi>&theta;</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>-</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>,</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>+</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>dy</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>x</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>y</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
以角度θ为变量的Radon变换做出一幅Radon变换域内的投影图像，其横轴为角度θ，纵轴为x′，Radon变换的投影线积分的强度Rθ(x′)就是Radon变换域内的投影图像亮度。
3.根据权利要求1所述的基于空时混沌的光电图像海杂波抑制方法，其特征在于：所述的海杂波空间强度数据序列的自相关函数定义为：
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>x</mi>
<mi>x</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>+</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
</mrow>
式中，x(k,i)是海杂波的图像灰度；k是图像帧数；而i则表示图像空间位置；N表示数据序列的长度；相空间延迟是τ自相关函数下降到初始值的时对应的i值。
4.根据权利要求1所述的基于空时混沌的光电图像海杂波抑制方法，其特征在于：所述的海杂波空间强度数据序列的关联维为D2，定义为：
<mrow>
<msub>
<mi>D</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<munder>
<mi>lim</mi>
<mrow>
<mi>r</mi>
<mo>&RightArrow;</mo>
<mn>0</mn>
</mrow>
</munder>
<mfrac>
<mrow>
<mi>ln</mi>
<mi> </mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>ln</mi>
<mi> </mi>
<mi>r</mi>
</mrow>
</mfrac>
</mrow>
其中C(r)是对数据序列{x(t,i),i＝1,2,3,…,N}的重构相空间y(t,j)计算关联积分，其定义为：
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
<mo>&NotEqual;</mo>
<mi>j</mi>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>H</mi>
<mi>r</mi>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>|</mo>
</mrow>
式中，||·||是Euclidean范数；H为Heaviside阶跃函数。
5.根据权利要求4所述的基于空时混沌的光电图像海杂波抑制方法，其特征在于：所述海杂波空间强度数据序列的相空间嵌入维数为m，并且满足m≥D2的值。
6.根据权利要求1所述的基于空时混沌的光电图像海杂波抑制方法，其特征在于：所述的海杂波空间强度数据序列的最大Lyapunov指数是通过Rosenstein小数据量方法得到，最大Lyapunov指数定义为：
<mrow>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo><</mo>
<mi>ln</mi>
<mi> </mi>
<msub>
<mi>d</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
</mrow>
式中，dj(t,i)表示的是轨道上第j个点和它的最邻近点之间经过第i个离散步长后的距离；Δt为样本周期；P为平均周，在重构相空间后，寻找给定轨道上每个点的最邻近点y(t,j')，并计算它们之间的距离，即
dj(t,0)＝min||y(t,j)-y(t,j')|| |j-j'|＞P。
7.根据权利要求1所述的基于空时混沌的光电图像海杂波抑制方法，其特征在于：所述的海杂波空间强度数据序列的相空间重构是指对空间强度数据序列{x(t,i),i＝1,2,3,…,N}取不同的延迟来构造一个m维相空间y(t,j)，即：
y(t,j)＝{x(t,i),x(n,i+τ),…,x[n,i+(m-1)τ]}
j＝0,1,2,…,N-(m-1)τ
式中，y(t,j)表示重构相空间的相点，对海杂波的时间强度数据序列，其重构的相空间轨迹与空间相空间重构方式相似，时间相空间的延迟时间τt和嵌入维数mt的取值不相同。
8.根据权利要求1所述的基于空时混沌的光电图像海杂波抑制方法，其特征在于：所述的RBF神经网络的基函数定义为：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
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，f就是经过神经网络训练后需要逼近的函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510434211.0A CN105069752B (zh) | 2015-07-22 | 2015-07-22 | 基于空时混沌的光学海杂波抑制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510434211.0A CN105069752B (zh) | 2015-07-22 | 2015-07-22 | 基于空时混沌的光学海杂波抑制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105069752A CN105069752A (zh) | 2015-11-18 |
| CN105069752B true CN105069752B (zh) | 2018-05-15 |
Family
ID=54499110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510434211.0A Active CN105069752B (zh) | 2015-07-22 | 2015-07-22 | 基于空时混沌的光学海杂波抑制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105069752B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107092005B (zh) * | 2017-06-16 | 2020-05-15 | 中国电子科技集团公司第二十九研究所 | 一种时空联合的阵列处理方法及装置 |
| CN108387880B (zh) * | 2018-01-17 | 2020-06-09 | 西安大衡天成信息科技有限公司 | 一种基于多尺度有向Lyapunov指数的海杂波背景下弱小目标检测方法 |
| CN108881075B (zh) * | 2018-06-05 | 2021-02-23 | 浙江树人学院 | 一种冲击噪声环境中基于稳健自适应滤波的信道估计方法 |
| CN109215078A (zh) * | 2018-07-16 | 2019-01-15 | 哈尔滨工程大学 | 一种基于红外成像的海浪浪向确定方法 |
| CN109270501B (zh) * | 2018-10-29 | 2020-08-11 | 安徽四创电子股份有限公司 | 一种用于全固态vts雷达的海杂波抑制方法 |
| CN110865352B (zh) * | 2019-12-05 | 2021-03-30 | 中国船舶重工集团公司第七二四研究所 | 一种基于纹理相关性的块自适应海杂波抑制方法 |
| CN112668507A (zh) * | 2020-12-31 | 2021-04-16 | 南京信息工程大学 | 基于混合神经网络与注意力机制的海杂波预测方法及系统 |
| 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2017647A1 (en) * | 2007-07-19 | 2009-01-21 | Consiglio Nazionale delle Ricerche | Method for processing data sensed by a synthetic aperture radar (SAR) and related remote sensing system |
| CN102779336A (zh) * | 2012-07-09 | 2012-11-14 | 重庆大学 | 基于混沌的光电图像海杂波抑制方法 |
| CN104614717A (zh) * | 2015-01-28 | 2015-05-13 | 南京信息工程大学 | 一种海杂波背景下的小目标分形检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009051900A2 (en) * | 2007-10-17 | 2009-04-23 | Exxonmobil Upstream Research Company | Method to adapt a template dataset to a target dataset by using curvelet representations |
-
2015
- 2015-07-22 CN CN201510434211.0A patent/CN105069752B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2017647A1 (en) * | 2007-07-19 | 2009-01-21 | Consiglio Nazionale delle Ricerche | Method for processing data sensed by a synthetic aperture radar (SAR) and related remote sensing system |
| CN102779336A (zh) * | 2012-07-09 | 2012-11-14 | 重庆大学 | 基于混沌的光电图像海杂波抑制方法 |
| CN104614717A (zh) * | 2015-01-28 | 2015-05-13 | 南京信息工程大学 | 一种海杂波背景下的小目标分形检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Lyapunov指数的算法改进与加权预测;梁勇 等;《声学技术》;20061030;第25卷(第5期);第1节 * |
| Signal Detection Using the Radial Basis Function Coupled Map Lattic;Henry Leung 等;《IEEE TRANSACTIONS ON NEURAL NETWORKS》;20000930;第11卷(第5期);第3节 * |
| 一种基于分水岭和Radon变换的波向检测方法;张锁平 等;《电子测量与仪器学报》;20081015;第22卷(第5期);第2.2，2.3节 * |
| 基于混沌神经网络的海上目标图像的海杂波抑制方法;李正周 等;《光电子.激光》;20140315;第25卷(第3期);第3-5节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105069752A (zh) | 2015-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105069752B (zh) | 基于空时混沌的光学海杂波抑制方法 | |
| CN101303764B (zh) | 基于非下采样轮廓波的多传感器图像自适应融合方法 | |
| CN111814875B (zh) | 基于样式生成对抗网络的红外图像中舰船样本扩充方法 | |
| CN106126896B (zh) | 基于经验模态分解和深度学习的混合模型风速预测方法及系统 | |
| CN106981080A (zh) | 基于红外图像和雷达数据的夜间无人车场景深度估计方法 | |
| CN110188733A (zh) | 基于3d区域卷积神经网络的时序行为检测方法及系统 | |
| CN106154259B (zh) | 一种随机集理论下的多传感器自适应管控方法 | |
| CN106683118A (zh) | 一种基于分层模型的无人机目标跟踪方法 | |
| CN110084181B (zh) | 一种基于稀疏MobileNetV2网络的遥感图像舰船目标检测方法 | |
| CN114241307B (zh) | 基于自注意力网络的合成孔径雷达飞机目标识别方法 | |
| CN114724012B (zh) | 基于时空跨尺度注意力融合热带不稳定波预警方法及装置 | |
| CN113870422A (zh) | 一种基于金字塔Transformer的点云重建方法、装置、设备及介质 | |
| Liao et al. | Short‐term wind speed multistep combined forecasting model based on two‐stage decomposition and LSTM | |
| CN104268869A (zh) | 一种基于粒子群算法的多级分辨率遥感影像自动配准方法 | |
| CN102542296A (zh) | 一种采用基于多变量灰色模型的二维经验模态分解提取图像特征的方法 | |
| CN107274360A (zh) | 一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法 | |
| CN106845343A (zh) | 一种光学遥感图像海上平台自动检测方法 | |
| CN114462486A (zh) | 图像处理模型的训练方法、图像处理方法及相关装置 | |
| CN102779336A (zh) | 基于混沌的光电图像海杂波抑制方法 | |
| Shen et al. | Sea surface wind retrieval from synthetic aperture radar data by deep convolutional neural networks | |
| CN117152691A (zh) | 一种基于改进yolov7的红外船舶目标检测方法 | |
| CN116017280A (zh) | 一种目标免携带设备的快速室内路径跟踪方法 | |
| Gong et al. | Restoration algorithm of blurred UAV aerial image based on generative adversarial network | |
| CN113421281A (zh) | 一种基于分割理论的行人微动部位分离方法 | |
| CN106296740A (zh) | 一种基于低秩稀疏表达的目标精细轮廓跟踪方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Zhengzhou Inventor after: Cao Dong Inventor after: Liu Linyan Inventor after: Cheng Bei Inventor after: Shao Wanxing Inventor after: Li Jianing Inventor after: Hou Qian Inventor after: Jin Gang Inventor before: Li Zhengzhou Inventor before: Yang Lijiao Inventor before: Li Jianing Inventor before: Hou Qian Inventor before: Cheng Bei |
|
| COR | Change of bibliographic data | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20170104 Address after: 400030 Shapingba District, Sha Sha Street, No. 174, Chongqing Applicant after: Chongqing Univ Applicant after: 63821 people's Liberation Army Address before: 400030 Shapingba District, Sha Sha Street, No. 174, Chongqing Applicant before: Chongqing Univ |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |