CN105913074A - 基于幅度与径向速度联合的sar图像动目标聚类方法 - Google Patents

基于幅度与径向速度联合的sar图像动目标聚类方法 Download PDF

Info

Publication number
CN105913074A
CN105913074A CN201610206346.6A CN201610206346A CN105913074A CN 105913074 A CN105913074 A CN 105913074A CN 201610206346 A CN201610206346 A CN 201610206346A CN 105913074 A CN105913074 A CN 105913074A
Authority
CN
China
Prior art keywords
pixel
represent
characteristic vector
target
class
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.)
Granted
Application number
CN201610206346.6A
Other languages
English (en)
Other versions
CN105913074B (zh
Inventor
杨志伟
田敏
金术玲
许华健
廖桂生
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN201610206346.6A priority Critical patent/CN105913074B/zh
Publication of CN105913074A publication Critical patent/CN105913074A/zh
Application granted granted Critical
Publication of CN105913074B publication Critical patent/CN105913074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于目标幅度与径向速度联合的SAR图像动目标聚类方法。其技术方案是:1.对自适应杂波抑制后的SAR图像数据进行单元恒虚警率检测;2.估计SAR图像数据中过单元恒虚警率检测门限的所有像素点径向速度,将每个像素点在SAR图像上的坐标位置信息和该像素点的径向速度估计信息共同张成一组特征向量;3.对各个像素点张成的特征矢量运用均值偏移算法实现目标径向速度一致性检测,根据检测结果对像素点进行模态合并与类间合并;4.分类输出聚类后的目标像素群。本发明降低了在低擦地角情况下,地面扩展运动目标周围的噪点,提高了目标聚类精度,可用于在远程监视模式下对地面扩展运动目标的识别与检测。

Description

基于幅度与径向速度联合的SAR图像动目标聚类方法
技术领域
本发明属于运动平台雷达技术领域,特别涉及一种合成孔径雷达SAR图像动目标聚类方法,可用于在远程监视模式下对地面扩展运动目标的识别与检测。
背景技术
在机载雷达远程监视模式下,随着SAR分辨率的提高,目标呈现明显扩展特性,精确获取目标的尺寸信息有助于目标的识别与检测。目标的尺寸信息需要通过聚类或分割来获取,目前,合成孔径雷达地面运动目标检测SAR-GMTI方法中的很多目标聚类方法是对多通道SAR图像数据进行幅度门限、相位门限或幅相联合门限检测后得出的二维散点图,运用聚类领域常用的k均值聚类、模糊C均值聚类等算法进行图像意义上散点聚类,这样处理容易将目标周围的诸多噪点与真实目标聚为一类,很大程度上影响目标的真实尺寸。
Dr.P.K.Sanyal等人在文献《Using Shaped Phase-thresholds for Detecting Moving Targetsin Multiple-Channel SAR》(IEEE,2008)中首先选取尺寸较小的固定矩形窗,对SAR图像中过幅度门限与相位门限的潜在目标像素点进行滑窗处理,计算进入窗内的潜在目标像素点的中心位置,当窗内像素点的中心与滑动窗的中心重合时停止窗的滑动,重复该过程直到全部过门限像素点均聚好类,移除类中为单点或者较小像素群的类,然后选取尺寸较大的固定矩形窗,将剩余类按上述过程重新聚类,完成类间合并且重新计算潜在目标的中心。该方法利用了扩展目标像素点位置相邻的先验信息,使得目标聚类相比传统的图像聚类更为准确,但是仍然会将真实目标周围的杂波点或噪点与目标聚为一类,影响目标真实尺寸信息。
Liu Baochang等人在文献《An Improvement in Multichannel SAR-GMTI Detection inHeterogeneous Environments》(IEEE Transaction on Geoscience and Rmote Sensing,2015,53(2))中提到的目标聚类方法是从杂波抑制后的SAR图像中选取幅度最大点作为聚类中心,选取与目标经验尺寸相当的固定矩形窗作为聚类窗对SAR图像数据进行平滑,将落入该聚类窗内的像素点聚为一类,移除已聚好类的像素点,在余下的像素点中继续选择幅度最大点作为聚类中心,重复上述过程直至所有像素点都已聚类完全。该方法将目标的经验尺寸信息作为先验信息,仅仅是简单运用目标的位置信息与目标的部分幅度信息进行聚类,导致目标聚类精度不高。
对于远程SAR监视模式下的地面扩展运动目标聚类,目前缺乏较好的聚类方法。
发明内容
本发明的目的在于提出一种基于幅度与径向速度联合的SAR图像动目标聚类方法,以降低在低擦地角情况下,地面扩展运动目标周围的噪点,进而提高目标聚类精度。
实现本发明的主要思路是:首先,对自适应杂波抑制后的SAR图像数据进行单元恒虚警率CA-CFAR检测,然后,估计SAR图像数据中过单元恒虚警率CA-CFAR检测门限的所有像素点径向速度,将每个像素点在SAR图像上的坐标位置信息和该像素点的径向速度估计信息共同张成一组特征向量,接着,对各个像素点张成的特征矢量运用均值偏移meanshift算法实现目标径向速度一致性检测,根据检测结果对像素点进行模态合并与类间合并,最后,分类输出聚类后的目标像素群。
为实现上述目的,本发明的技术方案包括以下步骤:
(1)利用SAR图像数据中每个像素点的幅度信息,对自适应杂波抑制后的SAR图像数据进行幅度恒虚警率CFAR检测,并将过检测门限的像素点用1表示,不过检测门限的像素点用0表示,得到一幅与SAR图像各个像素点位置一一对应的0、1二值图像;
(2)估计SAR图像中过CFAR检测门限的像素点径向速度,并对过CFAR检测门限的像素点径向速度进行取指数变换,得到新速度矢量(vri,vmi);
(3)根据SAR图像分辨率,计算过CFAR检测门限的像素点在步骤(1)中二值图像上的位置信息(xi,yi),并用新速度矢量(vri,vmi)和该位置信息(xi,yi)共同张成一组特征矢量Vi=(xi,yi,vri,vmi)T,每个过CFAR检测门限的像素点分别对应一个特征矢量,其中i=1,2,3…N,N表示过CFAR检测门限的像素点个数,()T表示向量转置;
(4)对N个特征矢量进行筛选,并构造特征矢量收敛值;
(4a)根据目标经验尺寸,在N个特征矢量Vi中筛选出满足目标要求的K个特征矢量,K≤N;
(4b)对K个特征矢量运用均值漂移meanshift算法进行目标径向速度一致性检测,得到K个特征矢量收敛值,K个特征矢量收敛值各自与K个像素点对应;
(5)对K个像素点实现模态合并与类间合并;
(5a)对K个像素点求干涉相位均方误差并对取指数变为:
其中,exp(*)表示指数运算,表示的实部,表示的虚部,j表示复数虚部标示符,有j2=-1成立;
(5b)根据定义为:
其中,c1,c2表示两个可调系数,有c1>0,c2>0,分别表示高斯核函数的径向速度信息实部带宽和径向速度信息虚部带宽;
(5c)定义高斯核函数在方位向、距离向的带宽分别为根据先验信息估计待检测目标的尺寸并求取待检测目标在SAR图像中所占据的像素个数,将分别设置为待检测目标在方位向、距离向所占据的像素个数;
(5d)把作为模态合并门限,在K个像素点中,对任意两个像素点的特征矢量收敛值进行相似性判断,并将过模态合并门限的两个像素点合并为一类,得到H个像素类,记作C1,C2…CH
(5e)对H个像素类进行类间合并,得到合并后的Q个目标像素群并分别输出,即得到各个潜在目标,其中Q≤H。
本发明与现有技术相比,具有以下优点:
第一,本发明相比于传统仅依靠像素点的幅度与位置信息进行目标聚类的算法,将幅度、位置与扩展目标径向速度信息联合应用,提高了扩展目标的聚类精度,有效的消减了将扩展目标周围的噪点归为目标所在像素群的问题。
第二、本发明利用了扩展运动目标径向速度一致性信息,有效将幅度较高但无径向速度的杂波像素群与目标像素群区分开,进一步降低了目标检测虚警。
第三、本发明利用了扩展运动目标径向速度一致性信息,可将径向速度不同的密集目标区分开;另外,对于由于目标能量不均所导致过CFAR检测门限后目标像素群断裂的情况,运用本发明方法可以将断裂的目标像素点重新聚为一类,提高目标的聚类精度。
附图说明
下面结合附图和具体实施方式对本发明做进一步详细说明。
图1是本发明的实现流程图;
图2是SAR图像数据经过杂波抑制后的单元平均恒虚警率CA-CFAR检测结果;
图3是用传统的kmeans算法聚类后,对4个仿真目标的输出结果;
图4是用本发明的方法聚类后,对4个仿真目标的输出结果。
具体实施方式
本发明是一种基于幅度与径向速度联合的SAR图像动目标聚类方法,动目标聚类是动目标识别与检测的一个重要部分,动目标聚类只关心单元平均恒虚警率CA-CFAR检测后属于动目标的像素点信息,但是在SAR图像经过单元平均恒虚警率CA-CFAR检测后的散点图中,不仅包括目标像素群,还包括强杂波像素群以及扩展运动目标周围的噪点;在低擦地角的情况下,仅仅是简单运用目标的位置信息与目标的部分幅度信息对散点图进行聚类,不仅难以有效地将目标像素群与杂波像素群区分开,而且会将扩展运动目标周围的噪点归为目标像素群,另外,对于能量不均匀的目标像素群会出现断裂现象,导致目标聚类精度不高。本发明针对上述问题,运用目标幅度与径向速度信息对SAR图像经过单元平均恒虚警率CA-CFAR检测后的散点图进行聚类,不仅可以将目标像素群与噪点、杂波像素群区分开,而且可以将断裂的目标像素群重新聚为一类,有效提高聚类精度。
参照图1,对本发明的实施步骤如下:
步骤1,对自适应杂波抑制后的SAR图像数据进行恒虚警率CFAR检测,得到一幅二值图像。
本实例对SAR图像数据进行像素配准与通道均衡后得到的3个通道成像数据S1,S2,S3为例,对3个通道成像数据利用自适应相位中心偏置天线技术ADPCA进行杂波抑制,得到一幅杂波抑制后的SAR图像,记作Ssup;对杂波抑制后的SAR图像Ssup利用单元平均恒虚警率CA-CFAR进行幅度检测,将过单元平均恒虚警率CA-CFAR检测门限的像素点标记为1,未过单元平均恒虚警率CA-CFAR检测门限的像素点标记为0,进而得到一幅与SAR图像像素点一一对应的0、1二值图像Sbina
步骤2,估计过单元平均恒虚警率CA-CFAR检测门限的各个像素点的径向速度并计算各个像素点在SAR图像上的位置信息,由径向速度和该像素点的位置信息构成特征矢量。
(2a)利用自适应匹配滤波AMF方法估计步骤1中的SAR图像数据过单元平均恒虚警率CA-CFAR检测门限的像素点径向速度,以步骤1中SAR图像数据过单元平均恒虚警率CA-CFAR检测门限的第i个像素点为例,求第i个像素点的径向速度vi
v i = arg m a x v r | w H x s , i | 2 w H R c n w , v r ∈ [ - v r m a x , v r m a x ] ,
其中,表示线性约束最小均方误差准则下的最优权矢量,vr表示进行搜索的径向速度,as(vr)表示由阵列结构和待搜索径向速度vr确定的空域导向矢量,(*)-1表示矩阵求逆,Rcn表示杂波加噪声协方差矩阵,vrmax表示雷达工作的最大不模糊速度,vrmax=λ·PRF/2,PRF表示雷达的脉冲重复频率,λ表示雷达工作波长,xs,i表示过单元平均恒虚警率CA-CFAR检测门限的第i个像素点对应的多通道数据,H表示矩阵共轭转置,表示满足条件的径向速度vr,i=1,2,…N,N表示过单元平均恒虚警率CA-CFAR检测门限的像素数。
(2b)将步骤(2a)中得到的过单元平均恒虚警率CA-CFAR检测门限的第i个像素点径向速度vi经过下式进行取指数变换,得到新速度矢量(vri,vmi):
exp ( j 4 π d λ V · v i ) = vr i + j × vm i ,
其中,vri,vmi分别表示对径向速度vi取指数变换后的实部和虚部,λ表示雷达工作波长,j表示复数虚部标志符,有j2=-1成立,V表示雷达平台的运动速度,d表示相邻通道间基线的长度,exp(*)表示指数运算,i=1,2,…N,N表示过单元平均恒虚警率CA-CFAR检测门限的像素数;
(2c)建立与步骤1中SAR图像数据一一对应的场景暂态参考坐标系,即以方位向为x轴,以距离向为y轴,以载机在地表的投影点为坐标原点,根据雷达参数确定SAR图像的方位向、距离向分辨单元,按照分辨单元求出过单元平均恒虚警率CA-CFAR检测门限的像素点坐标位置(xi,yi),由(xi,yi)和步骤(2b)求出的新速度矢量为(vri,vmi)共同形成特征矢量Vi=(xi,yi,vri,vmi),i=1,2,…N,N表示骤1中SAR图像数据过单元平均恒虚警率CA-CFAR检测门限的像素点数目,i表示这N个像素点中的第i个像素点。
步骤3,根据目标的经验尺寸,对过单元平均恒虚警率CA-CFAR检测门限的像素点进行筛选。
(3a)对N个像素点的特征矢量Vi=(xi,yi,vri,vmi)T,i=1,2,…N进行归一化处理,得到归一化特征矢量其中,分别表示特征矢量Vi=(xi,yi,vri,vmi)T中各个元素进行归一化后的值,N表示过单元平均恒虚警率CA-CFAR检测门限的像素点数,i表示N个像素点中的第i个像素点;
(3b)根据待检测目标的先验信息,确定待检测目标在SAR图像中所占据的像素点个数,给出待检测目标的尺寸范围:
方位向所占像素范围为:
距离向所占像素范围为:
其中,表示步骤1中的SAR图像数据过单元平均恒虚警率CA-CFAR检测门限的第i个像素点方位向归一化坐标,表示步骤1中的SAR图像数据过单元平均恒虚警率CA-CFAR检测门限的第i个像素点距离向归一化坐标,ax表示待检测目标在SAR图像中方位向所占据像素点的归一化后尺寸,ry表示待检测目标在SAR图像中距离向所占据像素点的归一化后尺寸;
(3c)在步骤(3a)得到的N个归一化特征矢量中,选出满足步骤(3b)中条件的归一化特征矢量,并找出满足条件的归一化特征矢量在SAR图像数据中对应的像素点,得到K个满足条件的归一化特征矢量以及K个归一化特征矢量在SAR图像数据中对应的K个像素点,n=1,2…,K。
步骤4,计算K个归一化特征矢量的均值漂移矢量
(4a)定义高斯核函数的方位向带宽为定义高斯核函数的距离向带宽为 分别设置为待检测目标在SAR图像中方位向占据的像素数、距离向占据的像素数;
(4b)定义高斯核函数的径向速度信息实部带宽为定义高斯核函数的径向速度信息虚部带宽为的值根据像素点的干涉相位误差而变化,其照如下步骤设定:
(4b1)在SAR图像数据中,过单元平均恒虚警率CA-CFAR检测门限的像素点的干涉相位误差为:
其中,表示目标的真实干涉相位,表示目标受扰动后的干涉相位,即实际干涉相位,γ表示SAR图像数据中过单元平均恒虚警率CA-CFAR检测门限的像素点对应的两通道SAR图像复相干系数,E表示求期望,|γ|表示对γ求模值,Li表示对数积分函数;
(4b2)对干涉相位误差按照下式取指数变换:
其中,exp表示以e为底的指数,表示的实部,表示的虚部,j表示复数虚部标示符,有j2=-1成立;
(4b3)把径向速度信息实部带宽径向速度信息虚部带宽分别设置为:
其中,c1,c2分别表示两个可调系数,且c1>0,c2>0,分别表示步骤(4b2)中的实部和虚部;
(4c)在传统计算均值漂移矢量的公式中,用高斯核函数代替并取将均值漂移矢量公式变为:
m h ( V ·· n ) = Σ j = 1 K | H g | - 1 / 2 e - ( | H g | - 1 / 2 | | V ·· j - V ·· n | | 2 ) V ·· j Σ j = 1 K | H g | - 1 / 2 e - ( | H g | - 1 / 2 | | V ·· j - V ·· n | | 2 ) ,
其中,diag表示对角阵,分别为高斯核函数的方位向带宽、距离向坐带宽、径向速度信息实部带宽和径向速度信息虚部的带宽,表示在这K个满足目标经验尺寸条件的像素点中,第j个像素点的归一化特征矢量,表示第n个满足条件的归一化特征矢量,j=1,2,3,…K,n=1,2,3…K,j≠n,K表示步骤3中筛选出来满足目标经验尺寸条件的像素点总数,|Hg|表示求矩阵Hg的行列式,|| ||2表示2范数运算;
利用变形后的均值漂移矢量公式,计算出K个归一化特征矢量的均值漂移矢量
步骤5,对步骤4得到的K个归一化特征矢量的均值漂移矢量运用meanshift算法实现目标径向速度一致性检测,得到K个特征矢量收敛值。
(5a)给定收敛阈值Thresh,对第i个像素点的归一化特征矢量进行Meanshift迭代运算:
(5a1)根据步骤4计算归一化特征矢量对应的均值漂移矢量
(5a2)如果则将归一化特征矢量的特征矢量收敛值取为结束循环,否则,将赋值给步骤(5a1)中的归一化特征矢量继续执行步骤(5a1),其中,表示在这K个满足目标经验尺寸条件的像素点中,第i个像素点的归一化的特征矢量,K表示步骤(3c)中筛选出来满足目标经验尺寸的像素点的总数目,mh()表示均值漂移矢量,|| ||表示求向量范数运算;
(5b)对筛选出的K个像素点进行步骤(5a)中的meanshift迭代运算,得到K个特征矢量收敛值其中,分别表示归一化特征矢量经过meanshift迭代运算后四个元素对应的收敛值。
步骤6,对K个像素点进行模态合并。
(6a)在K个满足目标经验尺寸条件的像素点中,判断第s个像素点的特征矢量收敛值与第i个像素点的特征矢量收敛值是否满足下式:
| | x ~ s - x ~ i | | ≤ m 1 σ 2 x | | y ~ s - y ~ i | | ≤ m 2 σ 2 y | | v ~ r s - v ~ r i | | ≤ m 3 σ 2 r e | | v ~ m s - v ~ m i | | ≤ m 4 σ 2 i m ,
若满足,则将第s个像素点与第i个像素点聚为一类;若不满足,则不聚为一类,其中m1,m2,m3,m4分别表示四个调节系数,且m1>0,m2>0,m3>0,m4>0,分别表示第i个像素点的特征矢量收敛值中的四个元素,分别表示第s个像素点的特征矢量收敛值中的四个元素,s=1,2,3…K,i=1,2,3…K,i≠s,K表示步骤(3c)中筛选出来满足目标经验尺寸的像素点总数目,|| ||表示向量范数运算,分别表示高斯核函数的径向速度信息实部带宽和径向速度信息虚部带宽,分别表示高斯核函数的方位向带宽和距离向带宽;
(6b)对K个像素点中任意两个像素点进行步骤(6a)的聚类,最终得到H个像素类。
步骤7,对H个像素类进行类间合并。
(7a)假设H个像素类中第p类包含D个像素点,求取D个像素点的特征矢量均值和方差作为第p个像素类的特征矢量均值和方差,并求取其他H-1个像素类的特征矢量均值和方差,其中,分别表示D个特征矢量(xi,yi,vri,vmi)T i=1,2,…D中四个元素各自的均值,分别表示D个特征矢量(xi,yi,vri,vmi)T中四个元素各自的方差;
(7b)判断H个像素类中第q类与第p类的特征矢量均值和方差是否满足下式:
| | V ‾ p - V ‾ q | | = | σ V ‾ p | + | σ V ‾ q |
如果满足,则将第p类包含的像素点和第q类包含的像素点合并为同一类,记作新像素类Opq,并在H个像素类中剔除第p类和第q类,添加新像素类Opq;否则,不合并,其中p=1,2,3…H,q=1,2,3…H,p≠q,|| ||表示向量范数运算,||表示向量求模值运算;
(7c)对H个像素类中任意两个像素类进行步骤(7b)的类间合并,得到Q个目标像素群。
步骤8,将Q个目标像素群分别输出,即得到各潜在目标。
本发明的效果可以通过以下仿真实验进一步说明:
1.仿真条件
实验基于一发多收三通道SAR成像系统,模拟远程低擦地角情况下的高分辨场景成像,以通道1为参考通道,通道的间隔为1m,载频为10GHz,脉冲重复频率为400Hz,雷达平台速度为200m/s,下视角为76°,仿真场景到雷达平台的最小斜距为20810m,场景动目标在方位向和距离向上的分辨率都为1m,二维脉压前的输入信噪比SNR为-5dB,输入杂噪比CNR为-5dB,在仿真场景中仿真了四个慢速动目标,仿真目标全是矩形目标,但是各个目标的尺寸和目标相对于雷达平台的偏向角不同,如表1所示:
表1
2.仿真内容与结果
仿真1,对雷达三通道SAR图像数据进行自适应DPCA处理,给定单元平均恒虚警率CA-CFAR检测门限为7dB,对自适应DPCA处理后的结果进行单元平均恒虚警率CA-CFAR检测,检测后的结果如图2。
经过统计,图2中共有3294个像素点,虽然从图2可以看出四个仿真目标的大致形状,但是目标周围存在很多噪点和强杂波点,影响目标的识别与检测;实验结果说明,对于低擦地角高分辨场景中的动目标,如果仅仅利用幅度信息进行检测,不能有效分离目标像素和非目标像素,也不能有效得到目标的尺寸,因此需要对单元平均恒虚警率CA-CFAR检测的结果做进一步处理。
仿真2,在单元平均恒虚警率CA-CFAR检测结果的基础上,分别使用kmeans均值算法和本发明的方法进行聚类对比,统计两种聚类方法的分类结果,并分别输出四个仿真目标对应的像素群;
用kmeans算法聚类后,对4个仿真目标的输出结果如图3,
用本发明的方法聚类后,对4个仿真目标的输出结果如图4。
从图3可见,用kmeans均值算法聚类后,四个仿真目标所属类别分别为:83和29、32、42、62,目标1被分成83和29两个类,出现像素群断裂现象,而且目标周围的噪点也被聚为目标像素群,严重影响了目标的尺寸信息;
从图4可见,使用本发明的方法聚类后,四个仿真目标像素群所属类别分别为:612、223、345、222,避免了目标1像素群断裂的问题,而且目标周围的噪点极少被归类为目标像素群。
统计聚类结果得到:使用kmeans均值算法聚类后,将图2中的3294个像素点分为100类,而用本发明的方法聚类后,将图2中的3294个像素点分为1429类。
使用本发明聚类后的类数远远超过使用kmeans均值算法聚类后的类数,因为本发明的方法可以将位置相近但是不具备径向速度一致性的像素点分离开,而kmeans均值算法只利用像素点的空间信息,不能区分开位置相近但径向速度不一致的像素点;
实验结果说明,本发明的方法可以将位置相近但径向速度不一致的像素点区分开,降低目标周围得噪点对目标聚类的影响,而且避免了目标像素群断裂的问题,使得目标聚类更为准确,从而降低扩展运动目标检测的虚警率。
综上,对于完成单元平均恒虚警率CA-CFAR检测后的散点图进行聚类,针对目前方法聚类精度不高的问题,本法明利用潜在目标的幅度信息、空间信息与径向速度一致性信息进行聚类,大大提高了对地面扩展运动目标的聚类精度,从而降低了地面动目标检测的虚警率。

Claims (8)

1.一种基于幅度与径向速度联合的SAR图像动目标聚类方法,包括:
(1)利用SAR图像数据中每个像素点的幅度信息,对杂波抑制后的SAR图像数据进行幅度恒虚警率CFAR检测,并将过检测门限的像素点用1表示,不过检测门限的像素点用0表示,得到一幅与SAR图像各个像素点位置一一对应的0、1二值图像;
(2)估计SAR图像中过CFAR检测门限的像素点径向速度,并对过CFAR检测门限的像素点径向速度进行取指数变换,得到新速度矢量(vri,vmi);
(3)根据SAR图像分辨率,计算过CFAR检测门限的像素点在步骤(1)中二值图像上的位置信息(xi,yi),并用新速度矢量(vri,vmi)和该位置信息(xi,yi)共同张成一组特征矢量Vi=(xi,yi,vri,vmi),每个过CFAR检测门限的像素点分别对应一个特征矢量,其中i=1,2,3…N,N表示过CFAR检测门限的像素点个数;
(4)对N个特征矢量进行筛选,并计算特征矢量收敛值;
(4a)根据目标经验尺寸,在N个特征矢量Vi中筛选出满足目标要求的K个特征矢量,K≤N;
(4b)对K个特征矢量运用均值漂移meanshift算法进行目标径向速度一致性检测,得到K个特征矢量收敛值,K个特征矢量收敛值各自与K个像素点对应;
(5)对K个像素点实现模态合并与类间合并;
(5a)对K个像素点求干涉相位均方误差并对取指数变为:
其中,exp()表示指数运算,表示的实部,表示的虚部,j表示复数虚部标示符,有j2=-1成立;
(5b)根据定义为:
其中,c1,c2表示两个可调系数,有c1>0,c2>0,分别表示高斯核函数的径向速度信息实部带宽和径向速度信息虚部带宽;
(5c)定义高斯核函数在方位向、距离向的带宽分别为根据先验信息估计待检测目标的尺寸并求取待检测目标在SAR图像中所占据的像素个数,将分别设置为待检测目标在方位向、距离向所占据的像素个数;
(5d)把作为模态合并门限,在K个像素点中,对任意两个像素点的特征矢量收敛值进行相似性判断,并将过模态合并门限的两个像素点合并为一类,得到H个像素类,记作C1,C2…CH
(5e)对H个像素类进行类间合并,得到合并后的Q个目标像素群并分别输出,即得到各个潜在目标,其中Q≤H。
2.根据权利要求1所述的方法,其中步骤(2)中估计SAR图像中过CFAR检测门限的像素点径向速度vi,通过下式进行:
v i = arg m a x v r | w H x s , i | 2 w H R c n w , v r ∈ [ - v r m a x , v r m a x ] ,
其中,表示线性约束最小均方误差准则下的最优权矢量,vr表示进行搜索的径向速度,as(vr)表示由阵列结构和待搜索径向速度vr确定的空域导向矢量,()-1表示矩阵求逆,Rcn表示杂波加噪声协方差矩阵,vr max表示雷达工作的最大不模糊速度,xs,i表示过CFAR检测门限的第i个像素点对应的多通道数据,WH表示矩阵W的共轭转置矩阵,表示满足条件的径向速度vr,i=1,2,…N,N表示过CFAR检测门限的像素数。
3.根据权利要求1所述的方法,其中步骤(2)中把过CFAR检测门限的像素点径向速度vi经过取指数变换得到新速度矢量(vri,vmi),通过下式进行:
exp ( j 4 π d λ V · v i ) = vr i + j × vm i ,
其中,vri,vmi分别表示实部和虚部,λ表示雷达工作波长,j表示复数虚部标志符,有j2=-1成立,V表示雷达平台的运动速度,d表示相邻通道间基线的长度,exp表示以e为底的指数运算,i=1,2,…N,N表示过CFAR检测门限的像素数。
4.根据权利要求1所述的方法,其中步骤(4a)中根据目标经验尺寸,在N个特征矢量Vi中筛选出满足目标要求的K个特征矢量,按照如下步骤进行:
(4a1)对特征矢量Vi=(xi,yi,vri,vmi)进行归一化,得到归一化特征矢量其中,分别表示第i个像素点方位向归一化后坐标和距离向归一化后坐标,分别表示第i个像素点的径向速度信息实部和虚部归一化后值;
(4a2)根据待检测目标的先验信息,确定待检测目标的像素点范围:
确定方位向所占像素点范围为:
[ m a x ( 0 , x ·· i - a x ) , m i n ( x ·· i + a x , 1 ) ]
确定距离向所占像素点范围为:
[ m a x ( 0 , y ·· i - r y ) , m i n ( y ·· i + r y , 1 ) ]
其中,ax和ry分别表示目标方位向尺寸和距离向尺寸作归一化后的值;
(4a3)在N个归一化特征矢量中,选取满足条件的归一化特征矢量,得到K个满足条件的归一化特征矢量
5.根据权利要求1所述的方法,其中骤(4b)中对K个归一化特征矢量运用均值漂移meanshift算法进行目标径向速度一致性检测,得到K个特征矢量收敛值,按照如下步骤进行:
(4b1)归一化特征矢量的均值漂移矢量为:
m h ( V ·· n ) = Σ j = 1 K | H g | - 1 / 2 e - ( | H g | - 1 / 2 | | V ·· j - V ·· n | | 2 ) V ·· j Σ j = 1 K | H g | - 1 / 2 e - ( | H g | - 1 / 2 | | V ·· j - V ·· n | | 2 ) ,
其中,diag表示对角阵,分别表示高斯核函数的方位向带宽、距离向带宽、径向速度信息实部带宽和径向速度信息虚部带宽,表示第j个满足条件的归一化特征矢量,表示第n个满足条件的归一化特征矢量,j=1,2,3,…K,n=1,2,3…K,j≠n,K表示满足目标经验尺寸条件的归一化特征矢量数,||表示矩阵行列式,||||2表示向量范数运算;
(4b2)给定收敛阈值Thresh,对归一化特征矢量作Meanshift迭代:
(4b2a)根据步骤(4b1)计算特征矢量的均值漂移矢量
(4b2b)如果则将归一化特征矢量的特征矢量收敛值取为结束循环,否则,将的值赋给步骤(4b2a)中的特征矢量继续执行步骤(4b2a);
(4b3)对K个归一化特征矢量进行步骤(4b2)中的meanshift迭代运算,得到K个特征矢量收敛值其中,分别表示归一化特征矢量中四个元素对应的收敛值。
6.根据权利要求1所述的方法,其中步骤(5a)中计算K个像素点求干涉相位均方误差按照下式进行:
其中,表示目标的真实干涉相位,表示目标受扰动后的实际干涉相位,γ表示K个像素点对应的两通道SAR图像复相干系数,E表示求期望,Li()表示对数积分函数,arcsin()表示反正弦运算,||表示复数求模运算。
7.根据权利要求1所述的方法,其中步骤(5d)中对K个像素点进行模态合并,按如下步骤进行:
(5d1)判断第s个像素点的特征矢量收敛值与第i个像素点的特征矢量收敛值是否满足下式:
| | x ~ s - x ~ i | | ≤ m 1 σ 2 x | | y ~ s - y ~ i | | ≤ m 2 σ 2 y | | v ~ r s - v ~ r i | | ≤ m 3 σ 2 r e | | v ~ m s - v ~ m i | | ≤ m 4 σ 2 i m ,
若满足,则将第s个像素点与第i个像素点聚为一类;若不满足,则不聚为一类,其中m1,m2,m3,m4分别表示四个调节系数,且m1>0,m2>0,m3>0,m4>0,表示第i个像素点的特征矢量收敛值,表示第s个像素点的特征矢量收敛值,s=1,2,3…K,i=1,2,3…K,i≠s,K表示满足目标经验尺寸的归一化特征向量数,||||表示向量范数运算,分别表示高斯核函数的径向速度信息实部带宽、径向速度信息虚部带宽,分别表示高斯核函数的方位向带宽、距离向带宽;
(5d2)对K个像素点中任意两个像素点进行步骤(5d1)的聚类,得到H个像素类。
8.根据权利要求1所述的方法,其中步骤(5e)中对H个像素类进行类间合并,按照如下步骤进行:
(5e1)假设H个像素类中第p类包含D个像素点,求取D个像素点对应的D个特征矢量的均值和方差作为第p个像素类的特征矢量均值和方差,并求取其他H-1个像素类对应的特征矢量均值和方差,其中,分别表示D个特征矢量(xi,yi,vri,vmi)中四个元素各自的均值,分别表示D个特征矢量(xi,yi,vri,vmi)中四个元素各自的方差,i=1,2,…D;
(5e2)判断H个像素类中第q类与第p类的特征矢量均值和方差是否满足下式:
| | V ‾ p - V ‾ q | | ≤ | σ V ‾ p | + | σ V ‾ q |
如果满足,则将第p类包含的像素点和第q类包含的像素点合并为同一类,记作新像素类Opq,并在H个像素类中剔除第p类和第q类,添加新像素类Opq;否则,不合并,其中p=1,2,3…H,q=1,2,3…H,p≠q,||||表示向量范数运算,||表示向量求模值运算;
(5e3)对H个像素类中任意两个像素类进行步骤(5e2)的类间合并,得到Q个目标像素群。
CN201610206346.6A 2016-04-05 2016-04-05 基于幅度与径向速度联合的sar图像动目标聚类方法 Active CN105913074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610206346.6A CN105913074B (zh) 2016-04-05 2016-04-05 基于幅度与径向速度联合的sar图像动目标聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610206346.6A CN105913074B (zh) 2016-04-05 2016-04-05 基于幅度与径向速度联合的sar图像动目标聚类方法

Publications (2)

Publication Number Publication Date
CN105913074A true CN105913074A (zh) 2016-08-31
CN105913074B CN105913074B (zh) 2019-01-11

Family

ID=56745536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610206346.6A Active CN105913074B (zh) 2016-04-05 2016-04-05 基于幅度与径向速度联合的sar图像动目标聚类方法

Country Status (1)

Country Link
CN (1) CN105913074B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107765245A (zh) * 2017-10-24 2018-03-06 中国科学院电子学研究所 基于机载sar立体像对计算地面点三维位置的方法
CN107909595A (zh) * 2017-10-13 2018-04-13 西安电子科技大学 基于幅度与能量聚集度乘积的海陆杂波场景分割方法
CN108802725A (zh) * 2017-04-27 2018-11-13 南京理工大学 一种浅层穿透雷达合成孔径成像方法
CN111104945A (zh) * 2019-12-17 2020-05-05 上海博泰悦臻电子设备制造有限公司 物体识别方法及相关产品
CN112099018A (zh) * 2020-09-11 2020-12-18 杭州瑞利海洋装备有限公司 基于径向速度和区域能量联合的运动目标检测方法及装置
CN113569735A (zh) * 2021-07-28 2021-10-29 中国人民解放军空军预警学院 复数坐标注意力模块及复输入特征图处理方法及系统
CN113589251A (zh) * 2021-07-29 2021-11-02 上海无线电设备研究所 一种Mean-Shift回波聚类后的单元平均恒虚警检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002029617A1 (en) * 2000-09-30 2002-04-11 Intel Corporation (A Corporation Of Delaware) Method, apparatus, and system for building a compact model for large vocabulary continuous speech recognition (lvcsr) system
CN101509975A (zh) * 2009-02-11 2009-08-19 北京航空航天大学 一种基于双子孔径不同重叠度的运动目标检测方法
CN101609152A (zh) * 2009-07-17 2009-12-23 重庆大学 一种基于单通道合成孔径雷达(sar)子图像对消的运动目标检测方法
WO2011162589A1 (en) * 2010-06-22 2011-12-29 Mimos Berhad Method and apparatus for adaptive data clustering

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002029617A1 (en) * 2000-09-30 2002-04-11 Intel Corporation (A Corporation Of Delaware) Method, apparatus, and system for building a compact model for large vocabulary continuous speech recognition (lvcsr) system
CN101509975A (zh) * 2009-02-11 2009-08-19 北京航空航天大学 一种基于双子孔径不同重叠度的运动目标检测方法
CN101609152A (zh) * 2009-07-17 2009-12-23 重庆大学 一种基于单通道合成孔径雷达(sar)子图像对消的运动目标检测方法
WO2011162589A1 (en) * 2010-06-22 2011-12-29 Mimos Berhad Method and apparatus for adaptive data clustering

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108802725A (zh) * 2017-04-27 2018-11-13 南京理工大学 一种浅层穿透雷达合成孔径成像方法
CN107909595A (zh) * 2017-10-13 2018-04-13 西安电子科技大学 基于幅度与能量聚集度乘积的海陆杂波场景分割方法
CN107765245A (zh) * 2017-10-24 2018-03-06 中国科学院电子学研究所 基于机载sar立体像对计算地面点三维位置的方法
CN107765245B (zh) * 2017-10-24 2020-01-21 中国科学院电子学研究所 基于机载sar立体像对计算地面点三维位置的方法
CN111104945A (zh) * 2019-12-17 2020-05-05 上海博泰悦臻电子设备制造有限公司 物体识别方法及相关产品
CN112099018A (zh) * 2020-09-11 2020-12-18 杭州瑞利海洋装备有限公司 基于径向速度和区域能量联合的运动目标检测方法及装置
CN112099018B (zh) * 2020-09-11 2024-05-28 杭州瑞利海洋装备有限公司 基于径向速度和区域能量联合的运动目标检测方法及装置
CN113569735A (zh) * 2021-07-28 2021-10-29 中国人民解放军空军预警学院 复数坐标注意力模块及复输入特征图处理方法及系统
CN113569735B (zh) * 2021-07-28 2023-04-07 中国人民解放军空军预警学院 基于复数坐标注意力模块的复输入特征图处理方法及系统
CN113589251A (zh) * 2021-07-29 2021-11-02 上海无线电设备研究所 一种Mean-Shift回波聚类后的单元平均恒虚警检测方法
CN113589251B (zh) * 2021-07-29 2024-01-05 上海无线电设备研究所 一种Mean-Shift回波聚类后的单元平均恒虚警检测方法

Also Published As

Publication number Publication date
CN105913074B (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN105913074A (zh) 基于幅度与径向速度联合的sar图像动目标聚类方法
CN102508219B (zh) 风廓线雷达湍流目标检测方法
US6307500B1 (en) Method of moment estimation and feature extraction for devices which measure spectra as a function of range or time
CN104931934B (zh) 一种基于pam聚类分析的雷达点迹凝聚方法
CN106468770B (zh) K分布杂波加噪声下的近最优雷达目标检测方法
US5940523A (en) Method of moment estimation and feature extraction for devices which measure spectra as a function of range or time
CN104851097B (zh) 基于目标形状与阴影辅助的多通道sar‑gmti方法
Cornman et al. A fuzzy logic method for improved moment estimation from Doppler spectra
CN103439697B (zh) 基于动态规划的目标检测方法
CN109583293A (zh) 星载sar图像中的飞机目标检测与鉴别方法
CN104714225B (zh) 一种基于广义似然比的动态规划检测前跟踪方法
CN108256436A (zh) 一种基于联合分类的雷达hrrp目标识别方法
CA2603315A1 (en) A classification system for radar and sonar applications
CN105427314A (zh) 基于贝叶斯显著性的sar图像目标检测方法
CN105510896B (zh) 一种集中式多雷达数据处理的加权最近邻域数据关联方法
CN112990313B (zh) 高光谱图像异常检测方法、装置、计算机设备及存储介质
CN105044686B (zh) 一种雷达密集假目标干扰抑制方法
CN104834942A (zh) 基于掩膜分类的遥感影像变化检测方法及系统
CN111401168B (zh) 一种无人机的多层雷达特征提取与选择方法
CN101482969B (zh) 基于同质点计算的sar图像去斑方法
CN111142085B (zh) 一种基于航迹特征提取的外辐射源雷达目标分类识别方法
CN105445731B (zh) 一种基于高精度测速的雷达全自动跟踪方法
CN103258324A (zh) 基于可控核回归和超像素分割的遥感图像变化检测方法
CN109100696A (zh) 基于点状杂波图的慢速运动目标消除方法
CN105223561A (zh) 基于空间分布的雷达地面目标鉴别器设计方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant