CN109543589A - 基于初相-多普勒不变距离和knn的海陆场景分割方法 - Google Patents

基于初相-多普勒不变距离和knn的海陆场景分割方法 Download PDF

Info

Publication number
CN109543589A
CN109543589A CN201811366633.9A CN201811366633A CN109543589A CN 109543589 A CN109543589 A CN 109543589A CN 201811366633 A CN201811366633 A CN 201811366633A CN 109543589 A CN109543589 A CN 109543589A
Authority
CN
China
Prior art keywords
distance
wave position
clutter
resolution cell
position resolution
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
CN201811366633.9A
Other languages
English (en)
Other versions
CN109543589B (zh
Inventor
水鹏朗
降晓冉
梁寒
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 CN201811366633.9A priority Critical patent/CN109543589B/zh
Publication of CN109543589A publication Critical patent/CN109543589A/zh
Application granted granted Critical
Publication of CN109543589B publication Critical patent/CN109543589B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于初相‑多普勒不变距离和KNN的海陆场景分割方法，其步骤是：将获取回波序列转化为全息杂波图像；建立距离‑波位坐标系；从全息杂波图像中选取海杂波与地杂波标签；选取距离‑波位分辩单元；计算每个所选距离‑波位分辩单元与所有标签的初相‑多普勒不变距离；利用K最近邻KNN方法确定每个所选距离‑波位分辨单元的所属类别进而得到二值图像；对二值图像进行形态学滤波，得到最终结果。本发明计算每个距离‑波位分辨单元与每一个标签的初相‑多普勒不变距离，结合K最近邻KNN方法得到海陆噪声场景分割图像。

Description

基于初相-多普勒不变距离和KNN的海陆场景分割方法
技术领域
本发明属于信号与信息处理技术领域，更进一步涉及雷达信号处理技术领域中的一种基于初相-多普勒不变距离和K最近邻KNN(k-Nearest Neighbor)的海陆场景分割方法。本发明可用于对岸基和机载雷达获取的回波数据实现探测场景的海洋区域和陆地-岛礁区域分割。
背景技术
海杂波背景下的目标检测技术是雷达应用技术中一个至关重要的研究方向，在军事和民用领域得到普遍应用。在进行海杂波背景下的目标检测之前，必须对海陆杂波场景分割进行预处理。通过海陆杂波场景分割将地杂波和岛礁回波从雷达杂波中分离出去，在目标检测的过程中将地杂波和岛礁回波排除，减少了地杂波和岛礁回波对海杂波背景下的目标检测的影响。海陆杂波场景分割结果的质量好坏将直接影响海杂波背景下的目标检测性能。
雷达杂波场景的分割包括了将雷达数据转化成灰度图像和灰度图像分割两部分。海杂波的能量相对比较分散而地杂波的强度要比海杂波的强度强很多且比较集中。雷达对海扫描探测时，接收机接收到的海杂波会随着海面环境、雷达工作频率、天线视角等多方面因素的变化表现出显著的非平稳、非高斯特性，其峰值也会随着时间不断地发生变化，这种海陆杂波场景分割往往是高计算代价的，难以满足实时海陆杂波场景分割的要求。
艾国红，万寿红，岳丽华在其发表的论文“基于多特征动态融合模型的海陆分割算法”([J].电子技术.2011,3:52-5)中公开了一种以多特征动态融合模型为基础的海陆图像分割方法。该方法对海陆图像的特征进行提取和融合得到综合特征图，然后对综合特征图像进行阈值分割和映射及边缘处理。该方法存在的不足之处是，对海陆图像的特征进行提取和融合得到综合特征图时，综合特征图中只包括纹理特征和灰度特征，当图像较为复杂时，即海面灰度值与陆地灰度值相近时，就很难从纹理特征和灰度特征中区分海面区域和陆地区域。
北京航空航天大学在其申请的专利文献“一种基于小波变换和最大类间方差法OTSU阈值的SAR图像海陆分割方法”(专利申请号201210536981.2，授权公告号CN102968798 B)中提出了一种基于小波变换和最大类间方差法OTSU阈值的SAR图像海陆分割方法。该方法利用小波变换的噪声平滑特性抑制SAR图像中的斑噪，进而采用一种非监督、最优化阈值的最大类间方差法OTSU阈值方法粗略分割出陆地区域，并基于小波变换的多尺度分析特性，将各尺度下的检测结果进行合并，最后通过自动化的后续处理和边缘跟踪得到最终的SAR图像海陆分割结果。该方法存在的不足之处是，对最大类间方差法OTSU阈值方法的算法实现时，阈值设置方面需要较多的人工干预，算法的鲁棒性有限，且该方法对噪声仍比较敏感，导致该方法的鲁棒性较差，图像分割结果不均匀。
发明内容
本发明的目的是针对上述已有技术的不足，提出一种基于初相-多普勒不变距离和K最近邻KNN(k-Nearest Neighbor)的海陆场景分割方法。以实现运动相参体制平台下，海陆杂波场景的快速、实时分割，提高分割的质量。
实现本发明目的的基本思路是：首先，将雷达接收含有海陆杂波场景的回波序列转化为全息杂波图像，建立一个距离-波位坐标系，根据全息杂波图像，选取海杂波与地杂波的标签；然后，选取所有距离-波位分辩单元，计算每个距离-波位分辨单元与所有标签数据的初相-多普勒不变距离；最后，利用K最近邻KNN(k-Nearest Neighbor)方法确定每个所选距离-波位分辨单元的所属类别进而得到二值图像，采用3*7结构元素对二值图像进行形态学滤波，得到最终的海陆杂波场景分割图像。
为了实现上述目的，本发明的具体实现步骤如下：
(1)获取回波序列：
雷达接收含有海陆杂波场景的脉冲-距离-波位三维回波序列，三维回波序列中包含M×N个距离-波位分辨单元，其中，M表示三维回波序列中距离维的维数，N表示三维回波序列中波位维的维数；
(2)将脉冲维压缩：
(2a)将三维的回波序列中每个距离-波位分辨单元中脉冲序列的绝对值，作为该距离-波位分辨单元中脉冲序列的幅度值；
(2b)对每个距离-波位分辨单元中的所有脉冲序列的幅度值求和后取平均，将该平均值作为每个距离-波位分辨单元的幅度值；
(2c)将所有距离-波位分辨单元的幅度值组成大小为P×Q的全息杂波图像，其中，P表示距离-波位分辨单元的距离总数，其取值与三维回波序列中距离维的维数M相等，Q表示距离-波位分辨单元的波位总数，其取值与三维回波序列中波位维的维数N相等；
(3)建立距离-波位坐标系：
以全息杂波图像的距离方向为纵轴，波位方向为横轴，建立一个距离-波位坐标系；
(4)对海杂波与地杂波标注标签：
利用海杂波与地杂波标注方法，分别对每个海杂波和每个地杂波标注唯一的标签；
(5)选取距离-波位分辩单元：
从M×N个距离-波位分辨单元中任选一个未选取过的距离-波位分辨单元；
(6)计算所选距离-波位分辨单元与每一个标签的初相-多普勒不变距离：
(6a)从标签集合中任选一个未选取过的标签；
(6b)利用初相差计算公式，计算所选距离-波位分辨单元的脉冲序列与所选标签的脉冲序列的初相差；
(6c)按照下式，计算所选距离-波位分辨单元的脉冲序列与所选标签的脉冲序列的初相-多普勒不变距离；
其中，d表示所选距离-波位分辨单元的脉冲序列与所选标签的脉冲序列的初相-多普勒不变距离，min{·}表示取最小值操作，ψ表示调整多普勒偏移的因子，该因子的大小是对[-π,π]通过21点过采样得到的数值，||·||2表示二范数操作，X表示所选距离-波位分辨单元的脉冲序列，exp表示以自然数e为底的指数操作，j表示虚数单位符号，表示所选距离-波位分辨单元的脉冲序列X与所选标签的脉冲序列Y的初相差，Y表示所选标签的脉冲序列，⊙表示阿玛达Hadamard乘积操作，P(ψ)表示导向矢量；
(6d)判断是否选取完标签集合中的所有标签，若是，则执行步骤(7)；否则，执行步骤(6a)；
(7)确定所选距离-波位分辨单元的所属类别：
(7a)将所有初相-多普勒不变距离的值按照升序进行排序；
(7b)利用K最近邻KNN方法，得到排序后的初相-多普勒不变距离所对应的计算顺序号的海杂波投票数与地杂波投票数；
(7c)当海杂波的投票数大于地杂波的投票数时，判定所选的距离-波位分辨单元为海杂波；否则，判定所选的距离-波位分辩单元为地杂波；
(8)判断是否选取完M×N个距离-波位分辨单元中所有的距离-波位分辨单元，若是，则执行步骤(9)；否则，执行步骤(5)；
(9)产生二值图像：
将所有判定为海杂波的距离-波位分辨单元标记为0，将所有判定为地杂波的距离-波位分辨单元标记为1，组成一张二值图像；
(10)产生海陆杂波场景分割图像：
对二值图像进行形态学滤波，得到海陆杂波场景分割图像。
本发明与现有技术相比具有以下优点：
第一，由于本发明在海陆杂波场景图像分割的过程中，计算每个距离-波位分辨单元与每一个标签的初相-多普勒不变距离，消除了初相与多普勒偏移对场景分割的影响，克服了现有技术当图像较为复杂时，即海面灰度值与陆地灰度值相近时，就很难从纹理特征和灰度特征中区分海面区域和陆地区域的不足，使得本发明提高了海陆杂波场景图像的分割精度。
第二，由于本发明在海陆杂波场景图像分割的过程中，利用K最近邻KNN方法确定距离-波位分辨单元的所属类别，得到海陆场景分割图像，该方法理论成熟，思想简单，对数据没有假设，准确度高，对异常点不敏感，克服了现有的阈值分割技术中对阈值选择的依赖，鲁棒性差的不足，使得本发明可以快速、准确的得到海陆场景二元分割结果。
第三，由于本发明在海陆杂波场景分割的过程中，采用了形态学滤波对阈值分割后的二值图像进行处理，保证了分割结果中陆地区域和海洋区域的连通性，克服了现有技术海陆杂波场景分割散乱的不足，使得本发明提高了海陆杂波场景分割的质量。
附图说明
图1为本发明的流程图；
图2为本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
参照附图1对本发明的具体步骤做进一步的详细描述。
步骤1，获取回波序列。
雷达接收含有海陆杂波场景的脉冲-距离-波位三维回波序列，三维回波序列中包含M×N个距离-波位分辨单元，其中，M表示三维回波序列中距离维的维数，N表示三维回波序列中波位维的维数。
步骤2，将脉冲维压缩。
将三维的回波序列中每个距离-波位分辨单元中脉冲序列的绝对值，作为该距离-波位分辨单元中脉冲序列的幅度值。
对每个距离-波位分辨单元中的所有脉冲序列的幅度值求和后取平均，将该平均值作为每个距离-波位分辨单元的幅度值。
将所有距离-波位分辨单元的幅度值组成大小为P×Q的全息杂波图像，其中，P表示距离-波位分辨单元的距离总数，其取值与三维回波序列中距离维的维数M相等，Q表示距离-波位分辨单元的波位总数，其取值与三维回波序列中波位维的维数N相等。
步骤3，建立距离-波位坐标系。
以全息杂波图像的距离方向为纵轴，波位方向为横轴，建立一个距离-波位坐标系。
步骤4，对海杂波与地杂波标注标签。
利用海杂波与地杂波标注方法，分别对每个海杂波和每个地杂波标注唯一的标签。
所述的海杂波与地杂波标注方法的步骤如下：
第1步，从全息杂波图像中分别选取数量相等的多个海杂波与地杂波。
第2步，对所选的每个海杂波与地杂波的坐标所对应的距离-波位分辨单元作为海杂波与地杂波的标签。
第3步，将海杂波与地杂波的标签合并为标签集合，其中，该集合中前半部分为海杂波标签，后半部分为地杂波标签。
步骤5，选取距离-波位分辩单元。
从M×N个距离-波位分辨单元中任选一个未选取过的距离-波位分辨单元。
步骤6，计算所选距离-波位分辨单元与每一个标签的初相-多普勒不变距离。
(6.1)从标签集合中任选一个未选取过的标签。
(6.2)利用初相差计算公式，计算所选距离-波位分辨单元的脉冲序列与所选标签的脉冲序列的初相差。
所述的初相差计算公式如下：
其中，表示所选距离-波位分辨单元的脉冲序列与所选标签的脉冲序列的初相差，arctan(·)表示反正切操作，Im(·)表示虚部符号，Y表示所选标签的脉冲序列，X表示所选距离-波位分辨单元的脉冲序列，H表示转置操作，Re(·)表示实部符号。
其中初相差计算公式是由下述步骤得到的。
第1步，将公式展开如下：
其中，min{·}表示取最小值操作，||·||2表示二范数操作，exp表示以自然数e为底的指数操作，j表示虚数单位符号。
第2步，令YHX＝a+j*b，其中a＝Re(YHX)，b＝Im(YHX)，由欧拉公式得其中cos(·)表示余弦操作，sin(·)表示正弦操作。
第3步，对求导，令其导数为零，求得的极大值点即为初相差的公式如下：
将a＝Re(YHX)，b＝Im(YHX)带入上式得到初相差计算公式如下：
(6.3)按照下式，计算所选距离-波位分辨单元的脉冲序列与所选标签的脉冲序列的初相-多普勒不变距离。
其中，d表示所选距离-波位分辨单元的脉冲序列与所选标签的脉冲序列的初相-多普勒不变距离，ψ表示调整多普勒偏移的因子，该因子的大小是对[-π,π]，通过21点过采样得到的数值，⊙表示阿玛达Hadamard乘积操作，P(ψ)表示导向矢量。
所述的导向矢量的表达式如下：
其中，P(ψ)表示导向矢量，L表示回波序列的脉冲数，表示开平方根操作。
(6.4)判断是否选取完标签集合中所有标签，若是，则执行步骤7；否则，执行本步骤的(6.1)。
步骤7，确定所选距离-波位分辨单元的所属类别。
将所有初相-多普勒不变距离的值按照升序进行排序。
利用K最近邻KNN方法，得到排序后的初相-多普勒不变距离所对应的计算顺序号的海杂波投票数与地杂波投票数。
所述的K最近邻KNN方法的步骤如下：
第1步，依据初相-多普勒不变距离的排序，依次选取一个与其对应的计算顺序号。
第2步，判断所选取的顺序号是否小于等于标签总数的一半，若是，将海杂波的投票数加1后执行本步骤的第三步；否则，将地杂波的投票数加1后执行本步骤的第三步。
第3步，判断所选取顺序号的总数是否等于标签总数目，若是，执行第四步，否则，执行本步骤的第一步。
第4步，得到排序后的初相-多普勒不变距离所对应的计算顺序号的海杂波投票数与地杂波投票数。
当海杂波的投票数大于地杂波的投票数时，判定所选的距离-波位分辨单元为海杂波；否则，判定所选的距离-波位分辩单元为地杂波。
步骤8，判断是否选取完M×N个距离-波位分辨单元中所有的距离-波位分辨单元，若是，则执行步骤9；否则，执行步骤5。
步骤9，产生二值图像。
将所有判定为海杂波的距离-波位分辨单元标记为0，将所有判定为地杂波的距离-波位分辨单元标记为1，组成一张二值图像。
步骤10，产生海陆杂波场景分割图像。
对二值图像进行形态学滤波，得到海陆杂波场景分割图像。
所述的形态学滤波是指，采用3*7结构元素对二值图像进行开操作和闭操作，滤除二值图像中的孤立团，填充连片区域中的孔洞，将陆地和海洋两场景区域划分开来，得到最终的海陆杂波场景分割图像。
本发明的效果可通过以下仿真进一步说明：
1.仿真条件：
本发明的仿真实验是在计算机配置为core i7 3.40GHZ，内存8G，WINDOWS 10系统和计算机软件配置为Matlab R2017a环境下进行的。
2.仿真内容：
本发明仿真实验分别使用本发明与两种现有技术(相位线性度方法、标准模糊C均值方法)对雷达接收的含有海陆场景的距离波位脉冲三维回波序列进行仿真。
图2为本发明仿真实验图，其中，图2(a)为采用本发明仿真实验所使用的三维回波序列原始图。该图为采用机载雷达实时接收的含有海陆场景的距离波位脉冲三维回波序列，计算三维回波序列幅度转化得到的原始图像。其中横轴为波位维，纵轴为距离维，图2(a)中的高亮区域表示地杂波区域，灰暗区域表示海杂波区域。
图2(b)为使用现有技术的相位线性度方法，对三维回波序列进行仿真后的结果图。该图为采用相位线性度方法，计算三维回波序列中所有距离波位点的相位线性度，将相位线性度值矩阵转化为灰度图像，利用最大类间方差法对灰度图像进行阈值处理，得到二值灰度图像，采用11*7结构元素对二值灰度图像进行形态学滤波，得到的海陆二元分割图像。图2(b)中白色区域表示地杂波区域，黑色区域表示海杂波区域。
图2(c)为使用现有技术的标准模糊C均值方法，对三维回波序列进行仿真后的结果图。该图为采用标准模糊C均值方法，计算由回波序列转化的图像中的聚类中心和隶属度矩阵，通过最小化加权聚类目标函数来产生最佳的C区间，得到的海陆场景粗分割图像，采用3*3结构元素对初分割图像进行形态学滤波得到最终的海陆噪声场景分割图像。图2(c)中白色区域表示地杂波区域，黑色区域表示海杂波区域。
图2(d)为使用本发明的方法对三维回波序列进行仿真后的结果图。该图为使用本发明方法，将雷达接收含有海陆杂波场景的回波序列转化为全息杂波图像，建立一个距离-波位坐标系，根据全息杂波图像，选取海杂波与地杂波的标签，选取所有的距离-波位分辨单元，计算每个距离-波位分辨单元处与所有标签数据的初相-多普勒不变距离，利用K最近邻KNN(k-Nearest Neighbor)方法确定每个所选距离-波位分辨单元的所属类别进而得到二值图像，采用3*7结构元素对二值图像进行形态学滤波，得到的海陆杂波场景分割图像。图2(d)中白色区域表示地杂波区域，黑色区域表示海杂波区域。
3.仿真结果分析：
从图2(b)中可见，采用现有技术的相位线性度的海陆分割杂波场景分割方法得到的结果图中白色区域与图2(a)原始图像相比面积小，且边缘不清晰，结果欠分割，分割质量较差。从图2(d)中可见，采用本发明的方法得到的分割结果图，与图2(a)原始图像相比，没有误分割，能够较好的分割海面灰度值与陆地灰度值相近的地杂波区域、海杂波区域，获得准确的分割结果。
从图2(c)中可见，采用现有技术的FCM聚类的图像分割方法，虽然分割结果中出现了黑色区域、白色区域，但是与图2(a)原始图像相比，在图2(c)中边缘不清晰，分割结果差。从图2(d)中可见，采用本发明的方法得到的分割结果图中有黑色区域、白色区域，与图2(a)原始图像相比，没有误分割，能够较好的分割密度分布不均衡的地杂波区域、海杂波区域获得准确的分割结果。

Claims (6)

1.一种基于初相-多普勒不变距离和K最近邻KNN的海陆场景分割方法，其特征在于，计算每个距离-波位分辨单元与每一个标签的初相-多普勒不变距离初相-多普勒不变距离，利用K最近邻KNN方法确定距离-波位分辨单元的所属类别，该方法的具体步骤包括如下：
(1)获取回波序列：
雷达接收含有海陆杂波场景的脉冲-距离-波位三维回波序列，三维回波序列中包含M×N个距离-波位分辨单元，其中，M表示三维回波序列中距离维的维数，N表示三维回波序列中波位维的维数；
(2)将脉冲维压缩：
(2a)将三维的回波序列中每个距离-波位分辨单元中脉冲序列的绝对值，作为该距离-波位分辨单元中脉冲序列的幅度值；
(2b)对每个距离-波位分辨单元中的所有脉冲序列的幅度值求和后取平均，将该平均值作为每个距离-波位分辨单元的幅度值；
(2c)将所有距离-波位分辨单元的幅度值组成大小为P×Q的全息杂波图像，其中，P表示距离-波位分辨单元的距离总数，其取值与三维回波序列中距离维的维数M相等，Q表示距离-波位分辨单元的波位总数，其取值与三维回波序列中波位维的维数N相等；
(3)建立距离-波位坐标系：
以全息杂波图像的距离方向为纵轴，波位方向为横轴，建立一个距离-波位坐标系；
(4)对海杂波与地杂波标注标签：
利用海杂波与地杂波标注方法，分别对每个海杂波和每个地杂波标注唯一的标签；
(5)选取距离-波位分辩单元：
从M×N个距离-波位分辨单元中任选一个未选取过的距离-波位分辨单元；
(6)计算所选距离-波位分辨单元与每一个标签的初相-多普勒不变距离：
(6a)从标签集合中任选一个未选取过的标签；
(6b)利用初相差计算公式，计算所选距离-波位分辨单元的脉冲序列与所选标签的脉冲序列的初相差；
(6c)按照下式，计算所选距离-波位分辨单元的脉冲序列与所选标签的脉冲序列的初相-多普勒不变距离；
其中，d表示所选距离-波位分辨单元的脉冲序列与所选标签的脉冲序列的初相-多普勒不变距离，min{·}表示取最小值操作，ψ表示调整多普勒偏移的因子，该因子的大小是对[-π,π]通过21点过采样得到的数值，||·||2表示二范数操作，X表示所选距离-波位分辨单元的脉冲序列，exp表示以自然数e为底的指数操作，j表示虚数单位符号，表示所选距离-波位分辨单元的脉冲序列X与所选标签的脉冲序列Y的初相差，Y表示所选标签的脉冲序列，⊙表示阿玛达Hadamard乘积操作，P(ψ)表示导向矢量；
(6d)判断是否选取完标签集合中的所有标签，若是，则执行步骤(7)；否则，执行步骤(6a)；
(7)确定所选距离-波位分辨单元的所属类别：
(7a)将所有初相-多普勒不变距离的值按照升序进行排序；
(7b)利用K最近邻KNN方法，得到排序后的初相-多普勒不变距离所对应的计算顺序号的海杂波投票数与地杂波投票数；
(7c)当海杂波的投票数大于地杂波的投票数时，判定所选的距离-波位分辨单元为海杂波；否则，判定所选的距离-波位分辩单元为地杂波；
(8)判断是否选取完M×N个距离-波位分辨单元中所有的距离-波位分辨单元，若是，则执行步骤(9)；否则，执行步骤(5)；
(9)产生二值图像：
将所有判定为海杂波的距离-波位分辨单元标记为0，将所有判定为地杂波的距离-波位分辨单元标记为1，组成一张二值图像；
(10)产生海陆杂波场景分割图像：
对二值图像进行形态学滤波，得到海陆杂波场景分割图像。
2.根据权利要求1所述的基于初相-多普勒不变距离和K最近邻KNN的海陆场景分割方法，其特征在于：步骤(4)中所述的海杂波与地杂波标注方法的步骤如下：
第一步，从全息杂波图像中分别选取数量相等的多个海杂波与地杂波；
第二步，对所选的每个海杂波与地杂波的坐标所对应的距离-波位分辨单元作为海杂波与地杂波的标签；
第三步，将海杂波与地杂波的标签合并为标签集合，其中，该集合中前半部分为海杂波标签，后半部分为地杂波标签。
3.根据权利要求1所述的基于初相-多普勒不变距离和K最近邻KNN的海陆场景分割方法，其特征在于：步骤(6b)中所述的初相差计算公式如下：
其中，表示所选距离-波位分辨单元的脉冲序列与所选标签的脉冲序列的初相差，arctan(·)表示反正切操作，Im(·)表示虚部符号，Y表示所选标签的脉冲序列，X表示所选距离-波位分辨单元的脉冲序列，H表示转置操作，Re(·)表示实部符号。
4.根据权利要求1所述的基于初相-多普勒不变距离和K最近邻KNN的海陆场景分割方法，其特征在于：步骤(6c)中所述的导向矢量的表达式如下：
其中，P(ψ)表示导向矢量，L表示回波序列的脉冲数，表示开平方根操作。
5.根据权利要求1所述的基于初相-多普勒不变距离和K最近邻KNN的海陆场景分割方法，其特征在于：步骤(7b)中所述的K最近邻KNN方法的步骤如下：
第一步，依据初相-多普勒不变距离的排序，依次选取一个与其对应的计算顺序号；
第二步，判断所选取的顺序号是否小于等于标签总数的一半，若是，将海杂波的投票数加1后执行第三步；否则，将地杂波的投票数加1后执行第三步；
第三步，判断所选取顺序号的总数是否等于标签总数，若是，执行第四步，否则，执行第一步；
第四步，得到排序后的初相-多普勒不变距离所对应的计算顺序号的海杂波投票数与地杂波投票数。
6.根据权利要求1所述的基于初相-多普勒不变距离和K最近邻KNN的海陆场景分割方法，其特征在于：步骤(10)中所述的形态学滤波是指，采用3*7结构元素对二值图像进行开操作和闭操作，滤除二值图像中的孤立团，填充连片区域中的孔洞，将陆地和海洋两场景区域划分开来，得到最终的海陆杂波场景分割图像。
CN201811366633.9A 2018-11-16 2018-11-16 基于初相-多普勒不变距离和knn的海陆场景分割方法 Active CN109543589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811366633.9A CN109543589B (zh) 2018-11-16 2018-11-16 基于初相-多普勒不变距离和knn的海陆场景分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811366633.9A CN109543589B (zh) 2018-11-16 2018-11-16 基于初相-多普勒不变距离和knn的海陆场景分割方法

Publications (2)

Publication Number Publication Date
CN109543589A true CN109543589A (zh) 2019-03-29
CN109543589B CN109543589B (zh) 2021-02-02

Family

ID=65848194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811366633.9A Active CN109543589B (zh) 2018-11-16 2018-11-16 基于初相-多普勒不变距离和knn的海陆场景分割方法

Country Status (1)

Country Link
CN (1) CN109543589B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110543868A (zh) * 2019-09-09 2019-12-06 福建省趋普物联科技有限公司 一种基于人脸识别和头肩检测的监控方法及系统
CN111353988A (zh) * 2020-03-03 2020-06-30 成都大成均图科技有限公司 Knn动态自适应的双图卷积图像分割方法和系统
CN112327265A (zh) * 2020-10-23 2021-02-05 北京理工大学 一种基于语义分割网络的分治检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610130A (zh) * 2017-08-21 2018-01-19 西安电子科技大学 基于幅度与相位线性度之比的海陆杂波场景分割方法
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
US9953535B1 (en) * 2016-06-27 2018-04-24 Amazon Technologies, Inc. Annotated virtual track to inform autonomous vehicle control

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9953535B1 (en) * 2016-06-27 2018-04-24 Amazon Technologies, Inc. Annotated virtual track to inform autonomous vehicle control
CN107610130A (zh) * 2017-08-21 2018-01-19 西安电子科技大学 基于幅度与相位线性度之比的海陆杂波场景分割方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WU K: "" Sea-land segmentation in SAR images based on multifeature fused boundary clustering"", 《TARGET AND BACKGROUND SIGNATURES》 *
张毅飞: ""基于均值漂移的遥感图像海陆边界分割算法"", 《光学技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110543868A (zh) * 2019-09-09 2019-12-06 福建省趋普物联科技有限公司 一种基于人脸识别和头肩检测的监控方法及系统
CN111353988A (zh) * 2020-03-03 2020-06-30 成都大成均图科技有限公司 Knn动态自适应的双图卷积图像分割方法和系统
CN112327265A (zh) * 2020-10-23 2021-02-05 北京理工大学 一种基于语义分割网络的分治检测方法

Also Published As

Publication number Publication date
CN109543589B (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN110244271B (zh) 基于多重同步压缩变换的雷达辐射源分选识别方法及装置
Borge et al. Analysis of directional wave fields using X-band navigation radar
Hu et al. Detection of low observable targets within sea clutter by structure function based multifractal analysis
CN106990404B (zh) 一种利用导航x波段雷达反演海面波高的自动定标算法
CN110031843B (zh) 基于roi区域的sar图像目标定位方法、系统、装置
Cornman et al. A fuzzy logic method for improved moment estimation from Doppler spectra
CN109543589A (zh) 基于初相-多普勒不变距离和knn的海陆场景分割方法
EP0888560B1 (en) Improved method of moment estimation and feature extraction for devices which measure spectra as a function of range or time
CN111541511B (zh) 复杂电磁环境下基于目标检测的通信干扰信号识别方法
CN108168564A (zh) 一种基于lhd灰色关联度的航迹关联方法
Liu et al. Comparison of algorithms for wind parameters extraction from shipborne X-band marine radar images
CN103268496B (zh) Sar图像目标识别方法
CN103065136A (zh) 一种基于视觉注意机制的sar图像协同目标识别方法
CN105427301B (zh) 基于直流分量比测度的海陆杂波场景分割方法
CN105427342A (zh) 一种水下小目标声呐图像目标检测跟踪方法和系统
CN110221266A (zh) 一种基于支持向量机的航海雷达目标快速检测方法
Wu et al. Target detection in clutter/interference regions based on deep feature fusion for HFSWR
CN105158749A (zh) 高频雷达海杂波幅度统计分布检验方法
CN105261028A (zh) 基于能量聚集度测度的海陆杂波场景分割方法
Du et al. Hrrp clutter rejection via one-class classifier with hausdorff distance
CN107909595A (zh) 基于幅度与能量聚集度乘积的海陆杂波场景分割方法
Arivazhagan et al. Optimal Gabor sub-band-based spectral kurtosis and Teager Kaiser energy for maritime target detection in SAR images
CN105844644A (zh) 基于形态学中值导数的海陆杂波场景分割方法
CN107610130A (zh) 基于幅度与相位线性度之比的海陆杂波场景分割方法
CN113673355B (zh) 一种海浪波谱仪回波波形分类方法

Legal Events

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