CN112147591A - 一种极化雷达海面舰船检测方法及装置 - Google Patents

Abstract

本发明涉及一种极化雷达海面舰船检测方法及装置，其包括：对输入数据进行预处理，并对海面舰船目标进行粗检测，得到疑似舰船目标的预检测结果；基于预检测结果，与目标典型极化特征的分布情况相结合，利用广义相对最优极化对极化雷达数据进一步检测；将检测结果进行去除虚警处理，得到最终检测结果并输出。本发明结合了极化白化滤波器和广义相对最优极化检测器的优点，充分利用了目标自身的极化特征与海杂波散射矩阵满足的统计分布特征，提高了极化雷达舰船检测系统的检测能力。

Description

一种极化雷达海面舰船检测方法及装置

技术领域

本发明涉及一种海面舰船检测领域，特别是关于一种极化雷达海面舰船检测方法及装置。

背景技术

雷达是一种主动式探测系统，通过发射电磁波并接收目标回波而完成对目标的观测。雷达具有不受天气、云雾、光照等环境因素影响的特点，能够全天时、全天候的持续工作，同时还能探测隐藏目标。极化雷达相比于传统单通道雷达，其发射并接收两种不同极化方式的电磁波，观测数据为多通道数据，可以获取目标对不同极化方式电磁波的雷达散射截面积(RCS)，从而获取更为丰富的目标散射特性，有助于复杂场景中的目标信息获取。

近年来，利用极化雷达技术进行海面舰船目标检测已经成为雷达遥感领域的重要应用。在民用领域，利用雷达技术对海面舰船目标进行监测有利于加强对海运交通和海洋渔业活动的管理，有助于有效打击非法捕捞和走私，并实时监测海面情况。当观测到海量的极化雷达海洋数据时，为及时有效地发现和提取目标信息，需要开展针对海面舰船的自动检测算法及检测系统方面的研究。

目前绝大多数极化雷达海面舰船目标检测系统使用如下两种框架：

1、基于海杂波模型的检测框架。在基于海杂波模型的检测框架中，系统主要关注海杂波信号的统计模型，并且该方法通常用到较少的极化信息。在中低海况下，海面杂波信号强度弱，其统计模型较为简单，而舰船目标回波信号强，可通过建立海杂波统计模型，并用恒虚警检测方法获得阈值，对图像进行阈值分割，从而得到待检测的舰船目标。进一步利用形态学处理方法，并利用对舰船大小、极化散射特性等特征的先验知识，可对检测结果进行去虚警处理，从而得到舰船检测结果。

2、基于舰船目标极化特征的检测框架。在基于舰船目标极化特征的检测框架中，检测系统关注目标的散射特性，尤其是目标的极化特征。由于舰船目标为人造目标，其电磁散射特性与自然形成的海面有较大差别，通过综合考虑目标后向散射功率、散射特性(如一次散射、二次散射、体散射)等特征，可得到舰船检测结果。

但是上述两种框架都存在相应的局限性：现有海杂波模型通常只能对中低海况下的海面进行建模，在高海况下海杂波分布复杂，难于建立良好的海杂波模型，并且高海况下杂波分布的随机性大，海面上会以较高的频率出现回波强度较高的分辨单元，因此此类方法通常难以在高海况下同时得到较高的检测概率和较低的虚警概率。而基于舰船目标极化特征的监测框架，其目标的极化特征会随着船只类型、传感器类型、场景条件等各种因素变化，因此难以设计出能适用于所有情况的检测系统，并且为得到有效区别于海杂波特征的目标特征，通常还需要监督的进行特征学习，而监督学习所需的数据获取也是其局限性。

发明内容

针对上述问题，本发明的目的是提供一种极化雷达海面舰船检测方法及装置，其能有效提高舰船检测准确度。

为实现上述目的，本发明采取以下技术方案，在第一实施例中提供一种极化雷达海面舰船检测方法，其包括：对输入数据进行预处理，并对海面舰船目标进行粗检测，得到疑似舰船目标的预检测结果；基于预检测结果，与目标典型极化特征的分布情况相结合，利用广义相对最优极化对极化雷达数据进一步检测；将检测结果进行去除虚警处理，得到最终检测结果并输出。

进一步，所述输入数据为待检测的极化雷达图像，为多通道图像；所述预处理方法为：采用Boxcar滤波器对输入数据图像的相干斑进行滤波。

进一步，所述Boxcar滤波器对极化相干矩阵的各个元素分别进行滤波，对于对角线的元素为实数，则其生成的图像直接进行滤波；非对角线元素是复数，则实部虚部分别进行窗口滤波；每个通道的滤波方法与单通道雷达图像的滤波方法一致。

进一步，采用极化白化滤波器对极化雷达数据中的舰船目标进行粗检测；

对于单视情况，极化白化滤波器的最小化相干斑的解为：

式中，上标*表示复共扼；S_hh，S_vv为同相极化分量；S_hv为交叉极化分量；E表示求期望；Re表示实部；

对多视情况，令Y为极化协方差矩阵的观测量，A为一个q×q的正定Hermite矩阵，q为Y的维数，构造像素强度如下：

z＝Tr(AY)

Tr(.)表示求矩阵的迹；

得到多视时的极化白化滤波器的解为：

式中，y_ij，i,j＝1,2,3是协方差矩阵的各个分量。

进一步，所述目标典型特征包括Freeman分解得到的一次散射功率、二次散射功率与体散射功率，以及目标分别与面散射、二次散射的极化相似性参数。

进一步，采用以下两种与特定散射矩阵的相似性参数：

(1)与平面目标的相似性：

(2)与二面角目标的相似性：

进一步，采用广义相对最优极化检测器对极化雷达数据进一步检测，广义相对最优极化检测器的设置方法如下：

(1)构造舰船平均Kennaugh矩阵

并从一块海面获得海域的平均Kennaugh矩阵

进而得到给定函数

设TA和TB代表两种目标，并设

和

为TA和TB的Kennaugh矩阵的平均值，需要得到使TA和TB功率对比度最大的最优极化状态g＝(1,g₁,g₂,g₃)^T和h＝(1,h₁,h₂,h₃)^T；

得到最优极化状态g_m和h_m,m＝1,2,3；

(2)建立一个包含接收功率和散射机制的最优函数：

其中，f＝(r₁，r₂，r₃，P_S，P_D，P_V)表示采用的目标特征组成的特征矢量，f_i表示特征矢量f的第i个分量，r₁和r₂分别表示极化散射矩阵分别与面散射和二次散射的相似性参数；r₃＝H表示极化熵；P_S表示一次散射功率，P_D表示二次散射功率，P_V表示体散射功率；

(3)求解最优函数，得到最优问题中的x＝(x₁，x₂，x₃，x₄，x₅，x₆)^T和y＝(y₁₁，…，y₁₆，y₂₂，…，y₂₆，…，y₆₆)^T，计算所有像素对应的GP，舰船在由GP组成的新图像中被检出。

进一步，所述去虚警处理采用的方法为：在得到广义相对最优极化检测器的检测结果之后，利用自适应的最大类间方差法进行去虚警处理，得到最终检测结果。

进一步，所述最大类间方差法为：假设存在阈值T将图像所有像素分为小于T的背景和大于T的前景，则这两类像素各自的均值分别为μ₁、μ₂，图像全局均值为μ_G；同时像素被分为背景和舰船的概率分别为ω₁、ω₂，最大类间方差法的阈值T满足使背景像素和前景像素之间的方差最大：

其中，

表示实数集；通过遍历可能的阈值取值，得到最佳的阈值，进而将图像划分为前景和背景。

在第二实施例中提供一种极化雷达海面舰船检测装置，其包括预处理检测模块、广义相对最优极化模块和去除虚警模块；所述预处理检测模块对输入数据进行预处理，并对海面舰船目标进行粗检测，得到疑似舰船目标的预检测结果；所述广义相对最优极化模块基于预检测结果，与目标典型极化特征的分布情况相结合，利用广义相对最优极化对极化雷达数据进一步检测；所述去除虚警模块将检测结果进行去除虚警处理，得到最终检测结果并输出。

本发明由于采取以上技术方案，其具有以下优点：1、本发明利用广义相对最优极化提取目标极化特征，并结合极化白化滤波器方法的预检测结果及目标典型极化特征的分布情况，从而提高舰船检测系统的检测性能。2、本发明结合了极化白化滤波器和广义相对最优极化检测器的优点，充分利用了目标自身的极化特征与海杂波散射矩阵满足的统计分布特征，提高了极化雷达舰船检测系统的检测能力。

附图说明

图1是本发明的整体流程示意图。

图2是本发明的极化雷达数据的图例。

图3是极化白化滤波器的处理结果示意图。

图4是GOPCE计算出的GP值的对应黑白强度图像。

图5是舰船最终检测结果示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

本发明的第一实施方式中提供一种极化雷达海面舰船检测方法，如图1所示，包括以下步骤：

1)对输入数据进行预处理，并对海面舰船目标进行粗检测，得到疑似舰船目标的预检测结果；

2)基于预检测结果，与目标典型极化特征的分布情况相结合，利用广义相对最优极化(GOPCE)对极化雷达数据进一步检测；

3)将检测结果进行去除虚警处理，从而得到最终检测结果并输出。

上述步骤1)中，输入数据为待检测的极化雷达图像。极化雷达图像中的每个像素点为3×3的相干矩阵；一个极化雷达数据的图例如图2所示。

预处理方法如下：

预处理是对输入数据图像的相干斑进行滤波，在本实施例中选用的滤波器为Boxcar滤波器。Boxcar滤波是一种在滑动窗口内取平均像素值的滤波方法。对于单通道的图像，滤波后的像素值与滑动窗口内的像素值的关系如下：

其中，M,N为滤波器窗口的尺寸，其中M表示滤波器窗口的高，N表示滤波器窗口的宽，均以像素点的个数为单位进行度量，i,j分别为图像滤波区域所对应的行号和列号，

表示滤波后图像第i行、第j列的相干矩阵，Y_i,j表示滤波前图像第i行、第j列的相干矩阵。

本实施例中的极化雷达数据为多通道图像，此时Boxcar滤波器对极化相干矩阵的各个元素分别进行滤波，对于对角线的元素，由于是实数，所以对于对角线元素生成的图像可以直接进行滤波，非对角线元素由于是复数，则实部虚部分别进行窗口滤波，由于矩阵是共轭对称的，所以共需要对3+3×2＝9个通道的图像进行滤波。每个通道的滤波方法与单通道雷达图像的滤波方法一致。

其中，窗口参数W,N是影响Boxcar滤波的关键参数。W,N越大平滑程度越大，但可能损失更多的细节。一般窗口大小取5～11之间，优选的，取M＝N＝5。

上述步骤1)中，采用极化白化滤波器(PWF)对极化雷达数据中的舰船目标进行粗检测，得到疑似舰船目标的预监测结果。

极化白化滤波器的处理方法如下：

极化雷达的极化散射矩阵有四个分量。一般地，对互易介质而言两个交叉极化分量是相等的，于是可将其简化表示为如下的矢量形式：

v＝(S_hh S_hv S_vv)^T

式中，上标T表示转置，v为极化特征矢量,在无场景表面后向散射系数的纹理调制时，常被认为是服从多元复高斯分布，其概率密度函数为：

式中，C＝E(vv^H)为极化特征矢量v的协方差矩阵；E表示求期望；上标H表示共扼转置；q是极化特征矢量的维数，q＝3；|C|表示协方差矩阵C的行列式。

上式表明每个极化通道的观测量被认为是零均值的，即E(v)＝0。当假设交叉极化分量S_hv和同相极化分量S_hh，S_vv之间无耦合(S_i′j′S_ij表示以j′极化方式发射电磁波并以i′极化方式进行接收的情况下，雷达观测得到的后向散射系数，其中i′、j′分别为h或v，h，v分别表示水平、垂直极化方式),而同相极化分量之间存在耦合时,协方差矩阵具有如下形式：

式中

上标*表示复共扼。

对多视极化雷达数据,其多视协方差矩阵定义为：

其中N为视数。

对一个均匀场景，多视协方差矩阵V被认为服从多元复Wishart分布，其概率密度函数(后简称PDF)为：

式中，Tr(.)表示求矩阵的迹，G(N,q)＝π^q(q-1)/2Γ(N)…Γ(N-q+1)，Γ(·)表示Gamma函数。

上述过程是建立在均匀场景的假设下，而实际场景大都是非均匀的,这时在雷达测量中有两个因素：需要考虑一个是随机分布场景所散射的相干波的多径干扰造成的相干斑噪声；另一个是纹理特性,即非均匀场景的空间起伏性。

无论单视还是多视情况，在相干雷达图像中，相干斑通常被认为是一种乘性噪声。一种常用的单视时的极化相干模型假定：极化雷达的观测矢量y是一个Gamma分布的纹理标量因子t与一个代表相干斑服从多元复高斯分布的复矢量v的乘积,并且认为两者是相互独立的，其数学表达式如下：

在这个模型中,假设了纹理参数t等同的影响各个极化通道。根据这一乘性相干斑模型可知，极化雷达的单视观测矢量y服从条件复高斯分布,其PDF如下：

对多视情况，其协方差矩阵的观测量为：

式中，t_i，v_i分别表示第i个单视样本数据的纹理变量和极化相干斑噪声特征矢量。一般情况，纹理变量有着比相干斑噪声特征矢量更高的空间相关性，或者说纹理变量的空间变化比极化相干斑噪声的空间变化要慢得多,因此可认为用于多视平均的纹理变量是近似相等的，从而有：

Y＝t·V

这里，V是多视极化相干斑噪声协方差矩阵的观测量。因此，可推得Y服从条件复Wishart分布，其PDF为：

通常相干斑是采用图像的标准差s与其均值m之比s/m来度量的。极化白化滤波器的指导思想就是使s/m达到最小。

设y表示单视极化特征矢量的观测量，A为一个q×q的正定Hermite矩阵，q＝3为y的维数。因此，构造像素强度为：

z＝y^HAy

经推导可求得：

A＝C^-1

因此最终得到最小化相干斑的解为

其中，Re表示实部；此为本实施例中所使用的单视极化白化滤波器的解。

对多视情况，令Y为极化协方差矩阵的观测量。又设A为一个q×q的正定Hermite矩阵，q为Y的维数。构造像素强度如下：

z＝Tr(AY)

用类似单视极化白化滤波器的推导方法可得到多视时的极化白化滤波器的解如下：

式中，y_ij，i,j＝1,2,3是矩阵的各个分量。从这里可看到极化白化滤波器求解得到一个强度图像,也即span强度图像；因此极化白化滤波的相干斑抑制最优，仅仅是针对span强度图像而言。

极化白化滤波器的处理结果示例如图3所示。

优选的，上述各步骤中，采用的目标典型特征包括Freeman分解得到的一次散射功率、二次散射功率与体散射功率，以及目标分别与面散射、二次散射的极化相似性参数。

目标的相似性参数可根据如下所述的方法定义和计算。如果ψ是定向角，则通过一个旋转变换可以将散射矩阵去定向，即：

其中ψ表示定向角，S表示原始的散射矩阵，S⁰表示经过去定向处理的散射矩阵，

表示经过去定向处理后的散射矩阵中的元素，其中i，j分别为H或V，H表示水平极化，V表示垂直极化。J(ψ)与J(-ψ)分别表示旋转角度为ψ和-ψ的2×2旋转矩阵。

对应的Pauli散射矢量为

则两个散射矩阵S₁，S₂的相似性参数r定义为：

作为特征提取算法，采用以下两种与特定散射矩阵的相似性参数：

(1)与平面目标的相似性：

(2)与二面角目标的相似性：

优选的，上述各步骤中，采用广义相对最优极化检测器对极化雷达数据进一步检测，广义相对最优极化检测器的设置方法如下：

(1)构造舰船平均Kennaugh矩阵

并从一块海面获得海域的平均Kennaugh矩阵

进而得到给定函数

得到相比于舰船的接收功率海面接收功率变小。其中，P表示在发射极化状态g_m和接受极化状态h_m的雷达接收功率，上述发射极化状态g_m和接受极化状态h_m均已电磁波的Stokes矢量形式表示。[K]表示平均的Kennaugh矩阵，极化雷达图像中每个像素点的Kennaugh矩阵为4×4实对称矩阵，为相干矩阵的等价形式。

其中，舰船与海面的平均Kennaugh矩阵

和

的具体构造过程为，利用极化白化滤波器的预检测结果，将其中预检测置信度较高的舰船像素与海面像素的Kennaugh矩阵分别平均得到。

设TA和TB代表两种目标，并设

和

为TA和TB的Kennaugh矩阵的平均值。对传统的相对最优极化问题，需要得到使TA和TB功率对比度最大的最优极化状态g＝(1,g₁,g₂,g₃)^T和h＝(1,h₁,h₂,h₃)^T(T代表矩阵转置，其中g和h分别表示最优发射极化状态与最优接收极化状态的Stokes矢量)。

使用迭代算法，可以得到最优极化状态g_m和h_m,m＝1,2,3。

(2)建立一个包含接收功率和散射机制的最优函数。设函数形式如下：

其中，f＝(r₁，r₂，r₃，P_S，P_D，P_V)表示采用的目标特征组成的特征矢量，f_i表示特征矢量f的第i个分量，r₁和r₂分别表示极化散射矩阵分别与面散射和二次散射的相似性参数。r₃＝H表示极化熵。P_S表示一次散射功率，P_D表示二次散射功率，P_V表示体散射功率。在上式中，“平方”保证GP是正的。

(3)求解最优函数，得到最优问题中的x＝(x₁，x₂，x₃，x₄，x₅，x₆)^T和y＝(y₁₁，…，y₁₆，y₂₂，…，y₂₆，…，y₆₆)^T。

式中，使用的方差函数是针对海面区域进行计算的。得到x,y，可以计算所有像素对应的GP，舰船在由GP组成的新图像中易被检出，在示例数据图像中，本发明中的GOPCE计算出的GP值的对应黑白强度图像如图4所示。

优选的，上述各步骤中，去虚警处理采用的方法为：在得到广义相对最优极化检测器的检测结果之后，利用自适应的最大类间方差法进行去虚警处理，得到最终检测结果。

其中，最大类间方差法为：

假设存在阈值T将图像所有像素分为背景(小于T)和前景(即舰船，大于T)，则这两类像素各自的均值分别为μ₁、μ₂，图像全局均值为μ_G。同时像素被分为背景和舰船的概率分别为ω₁、w₂。最大类间方差法的阈值T满足使背景像素和前景像素之间的方差最大，其表达式为：

其中，

表示实数集。通过遍历可能的阈值取值，可得到最佳的阈值，进而将图像划分为前景和背景。

本发明的第二实施方式中提供一种极化雷达海面舰船检测装置，其包括预处理检测模块、广义相对最优极化模块和去除虚警模块；

预处理检测模块对输入数据进行预处理，并对海面舰船目标进行粗检测，得到疑似舰船目标的预检测结果；

广义相对最优极化模块基于预检测结果，与目标典型极化特征的分布情况相结合，利用广义相对最优极化对极化雷达数据进一步检测；

去除虚警模块将检测结果进行去除虚警处理，得到最终检测结果并输出。

综上，本发明在使用时，对广义相对最优极化的GP值进行最大类间方差法阈值分割。并将得到的阈值T设定为理论结果的0.8倍，提高舰船目标的检测率，使其对小目标、弱目标的检测性能提高，但仍需进一步去除虚警处理。由于舰船目标能够以极大概率同时在极化特征图和GOPCE结果图中标记为前景，虚警则由随机噪声导致，因而极大概率只出现在其中一个特征图中，因此通过将几种特征图取交集，可消除大部分虚警目标，即得到去除虚警的检测结果。去除虚警后再将检测结果进行腐蚀与膨胀处理，进一步消除掉不符合船只大小的虚警，即可得到船只最终检测结果，如图5所示。

本发明结合PWF与GOPCE方法的优势，利用统计模型将两种方法的结果进行融合，能够显著提高极化雷达海面舰船目标检测能力，对海洋舰船目标的监测和海洋资源的开发与保护有重要的意义。

上述各实施例仅用于说明本发明，各个步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (10)

1.一种极化雷达海面舰船检测方法，其特征在于，包括：

对输入数据进行预处理，并对海面舰船目标进行粗检测，得到疑似舰船目标的预检测结果；

基于预检测结果，与目标典型极化特征的分布情况相结合，利用广义相对最优极化对极化雷达数据进一步检测；

将检测结果进行去除虚警处理，得到最终检测结果并输出。

2.如权利要求1所述检测方法，其特征在于，所述输入数据为待检测的极化雷达图像，为多通道图像；所述预处理方法为：

采用Boxcar滤波器对输入数据图像的相干斑进行滤波。

3.如权利要求2所述检测方法，其特征在于，所述Boxcar滤波器对极化相干矩阵的各个元素分别进行滤波，对于对角线的元素为实数，则其生成的图像直接进行滤波；非对角线元素是复数，则实部虚部分别进行窗口滤波；每个通道的滤波方法与单通道雷达图像的滤波方法一致。

4.如权利要求1所述检测方法，其特征在于，采用极化白化滤波器对极化雷达数据中的舰船目标进行粗检测；

对于单视情况，极化白化滤波器的最小化相干斑的解为：

式中，上标*表示复共扼；S_hh，S_vv为同相极化分量；S_hv为交叉极化分量；E表示求期望；Re表示实部；

对多视情况，令Y为极化协方差矩阵的观测量，A为一个q×q的正定Hermite矩阵，q为Y的维数，构造像素强度如下：

z＝Tr(AY)

Tr(.)表示求矩阵的迹；

得到多视时的极化白化滤波器的解为：

式中，y_ij，i,j＝1,2,3是协方差矩阵的各个分量。

5.如权利要求1所述检测方法，其特征在于，所述目标典型特征包括Freeman分解得到的一次散射功率、二次散射功率与体散射功率，以及目标分别与面散射、二次散射的极化相似性参数。

6.如权利要求5所述检测方法，其特征在于，采用以下两种与特定散射矩阵的相似性参数：

(1)与平面目标的相似性：

(2)与二面角目标的相似性：

7.如权利要求6所述检测方法，其特征在于，采用广义相对最优极化检测器对极化雷达数据进一步检测，广义相对最优极化检测器的设置方法如下：

(1)构造舰船平均Kennaugh矩阵

并从一块海面获得海域的平均Kennaugh矩阵

进而得到给定函数

设TA和TB代表两种目标，并设

和

为TA和TB的Kennaugh矩阵的平均值，需要得到使TA和TB功率对比度最大的最优极化状态g＝(1,g₁,g₂,g₃)^T和h＝(1,h₁,h₂,h₃)^T；

得到最优极化状态g_m和h_m,m＝1,2,3；

(2)建立一个包含接收功率和散射机制的最优函数：

其中，f＝(r₁，r₂，r₃，P_S，P_D，P_V)表示采用的目标特征组成的特征矢量，f_i表示特征矢量f的第i个分量，r₁和r₂分别表示极化散射矩阵分别与面散射和二次散射的相似性参数；r₃＝H表示极化熵；P_S表示一次散射功率，P_D表示二次散射功率，P_V表示体散射功率；

(3)求解最优函数，得到最优问题中的x＝(x₁，x₂，x₃，x₄，x₅，x₆)^T和y＝(y₁₁，…，y₁₆，y₂₂，…，y₂₆，…，y₆₆)^T，计算所有像素对应的GP，舰船在由GP组成的新图像中被检出。

8.如权利要求1所述检测方法，其特征在于，所述去虚警处理采用的方法为：在得到广义相对最优极化检测器的检测结果之后，利用自适应的最大类间方差法进行去虚警处理，得到最终检测结果。

9.如权利要求1所述检测方法，其特征在于，所述最大类间方差法为：

假设存在阈值T将图像所有像素分为小于T的背景和大于T的前景，则这两类像素各自的均值分别为μ₁、μ₂，图像全局均值为μ_G；同时像素被分为背景和舰船的概率分别为w₁、w₂，最大类间方差法的阈值T满足使背景像素和前景像素之间的方差最大：

其中，

表示实数集；通过遍历可能的阈值取值，得到最佳的阈值，进而将图像划分为前景和背景。

10.一种极化雷达海面舰船检测装置，其特征在于，包括：预处理检测模块、广义相对最优极化模块和去除虚警模块；

所述预处理检测模块对输入数据进行预处理，并对海面舰船目标进行粗检测，得到疑似舰船目标的预检测结果；

所述广义相对最优极化模块基于预检测结果，与目标典型极化特征的分布情况相结合，利用广义相对最优极化对极化雷达数据进一步检测；

所述去除虚警模块将检测结果进行去除虚警处理，得到最终检测结果并输出。

Images