CN112836638B - 高海况sar船只检测方法及应用 - Google Patents
高海况sar船只检测方法及应用 Download PDFInfo
- Publication number
- CN112836638B CN112836638B CN202110147244.2A CN202110147244A CN112836638B CN 112836638 B CN112836638 B CN 112836638B CN 202110147244 A CN202110147244 A CN 202110147244A CN 112836638 B CN112836638 B CN 112836638B
- Authority
- CN
- China
- Prior art keywords
- polarization
- sub
- ship
- sar
- coherence
- 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
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于SAR船只监测技术领域,公开了一种高海况SAR船只检测方法、系统及应用,包括:根据SAR成像时船只和海洋特性,将SAR在极化‑时‑频维度上分解为若干的子图,结合极化相干最优思想进行船只检测,构建极化‑时‑频相干最优检测参量PTFO,在此基础上结合CFAR方法完成船只检测。在算法应用时,选用全极化RADARSAT‑2影像,利用有AIS匹配的全极化SAR数据,选取船只定量分析PTFO参数的船海对比对增强能力,并确定合适的时频分解个数为3;本发明通过极化SAR可以提供更丰富的目标信息,有助于目标检测,利用3景高海况全极化SAR数据进行船只检测测试,检测的品质因数达到0.95。
Description
技术领域
本发明属于SAR船只监测技术领域,尤其涉及一种高海况SAR船只检测方法、系统及应用。
背景技术
目前,海上船只目标的监测对于海上交通管制、航运安全、渔业监测、海上执法、打击非法偷渡等起到重要的作用。星载合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种重要的主动探测手段,具有穿透云雾、不受光照影响,全天时、全天候的对地观测能力,在船只等海洋目标监测中得到了广泛的应用。
过去几十年,已开展了大量的SAR船只监测工作。学者们针对于单极化SAR数据的船只目标检测,发展了许多经典的方法,其中,应用最普遍的是基于海杂波分布模型的CFAR方法,如:K分布,瑞利分布,高斯分布,G0分布,对数正态分布,广义伽马分布和alpha稳态分布等;在标准CFAR的基础上,另外还有一些改进方法,有学者相继发展了OS-CFAR,CA-CFAR,快速自适应CFAR检测方法等算法。CFAR方法的关键在于需要建立SAR海杂波统计分布模型。目前用于模拟海杂波的概率密度模型很多,对于不同分辨率、入射角、极化方式、或者海况等条件,每一种模型均有各自的适用性。为提高海上舰船目标的检测性能,研究者们不再局限于单一的CFAR算法,而是将CFAR检测方法与其他检测方法结合,发展新的检测算法。例如,Leng等提出了同时考虑像素的强度和空间分布的双边CFAR方法,可以减小海杂波和SAR图像模糊带来的影响。此外,Schwegmann等提出将CA-CFAR中的标量阈值转化成多样化阈值(threshold manifold)以用于不同背景环境,结合船只分布图,进行模拟退火处理以选择合适的阈值,从而进行舰船目标检测。随着SAR图像分辨率不断提高,舰船由低分辨率SAR图像中的点目标扩展为面目标,新的检测算法相继提出,如Tello等提出了基于小波变换及其扩展的方法,Ouchi等提出基于子视图相关的方法等。
多极化SAR数据能够提供更多的目标散射信息。基于极化SAR数据的舰船检测方法也得到了较多研究,主要基于极化散射特性分析。第一、利用极化目标分解方法区分舰船与海杂波;第二、利用极化特征参数构建增强船海对比度的检测量。基于极化目标分解将极化SAR的观测矩阵分解成几个简单的代表特定散射机制的矩阵的加权和。例如,Ringrose等利用Cameron分解分析了船只的主导散射机制用于船只检测;Touzi将改进的Cameron分解用于船只特征描述和检测。Wang等利用Cloude分解提取极化相干矩阵的最小特征值,并利用该特征值的局部均匀性进行船只检测;Sugimoto等将Yamaguchi分解理论和CFAR方法结合用于舰船检测。另一种思路是将极化参数进行数学运算得到船海对比度较高的检测量,将检测量与CFAR方法相结合可以实现舰船的有效检测。典型的方法包括极化总功率(Span)检测器,功率最大化合成(Power Maximization Synthesis,PMS)检测器以及极化白化滤波(PWF)检测器。此外,Yang等结合相似参数与能量项构造目标函数,利用GOPCE最优化问题求解得到一个使船海对比度增强的检测量后进行CFAR检测;Touzi等利用雷达后向散射特征,构建了极化度最优参数DoP,并使用RADARSAT-2全极化数据验证了该方法对于不稳定的船只目标具有很好的增强效果。Velotto等将TS-X数据的HV和VH通道进行组合,得到一幅消除方位模糊的HVfree图,然后利用广义K分布CFAR实现舰船目标检测;Wang等为了消除方位模糊,取HV通道与VH通道乘积的实部作为舰船检测量进行检测。总之,目前关于海上船只目标SAR检测方面,已经发展了非常多的方法,但是针对于高海况或者高海况条件的目标检测还缺少非常可靠的方法。
针对于普通的船只检测问题,研究已经相对成熟。但是对于高海况条件下的目标检测则相对较少,目前的主要研究有:分析并构建新的杂波分布模型来提高复杂海况下的杂波拟合精度,进而提高CFAR方法的目标检测的能力,Gao针对非均匀海杂波CFAR检测,提出了极化notch滤波器进行目标检测方法。也有学者采用极化参数融合构建新的船海对比度高的检测量。此外,还有根据SAR成像特性,从时频分解角度来进行目标检测的研究等。其中,Souyris等提出了两子视厄米特内积(Two Looks Internal Hermitian Product,2L-IHP)的船只目标检测算法,并引入极化干涉相干最优提出了Pol-IHP船只检测算法,将该方法推广到全极化SAR数据
通过上述分析,现有技术存在的问题及缺陷为:目前关于海上船只目标SAR检测方面,针对于高海况或者高海况条件的目标检测还缺少非常可靠的方法。
解决以上问题及缺陷的难度为:高海况条件下,海洋背景及目标对比度不突出、信噪比较低,目标的雷达回波强度较低,与噪声难以区分的目标,反映到图像上就是船只目标的灰度(或后向散射系数)与海洋背景灰度(或后向散射系数)区分度较低,比如在高海况等复杂海况条件下的船只目标或是受到陆地杂波影响的近岸船只,背景亮度较强而杂,船海对比度低。
对于单极化SAR数据,采用海杂波背景建模CFAR方法进行高海况船只检测时,有两个关键环节,一是构建杂波背景概率密度函数模型,构建的模型对于杂波背景的拟合精度越高,越有利于检测。二是选择合适的CFAR阈值,能够控制好目标的虚警与漏检概率。然而,高风速条件下或海浪、锋面、涡旋等海洋自然环境现象的存在时,海况复杂,对于不同的高海况情况,不易构建适用范围广泛的杂波模型,很难实现对高海况背景的精确拟合,进而较难解算出合适的分割阈值,目标检测精度无法保证。此外,人工进行虚警率的设定,费时费力,无法满足不同条件的复杂海况的目标检测。
利用多极化数据进行高海况船只目标检测时,通过构建具有较高船海对比度的检测器是提高目标检测能力的关键。高海况下存在方位向模糊、海尖峰等高亮干扰的影响,检测过程中,因为将海洋背景强杂波检测为目标,造成虚警,或者检测不到对比度太弱的目标,发生漏检。因此,构造的检测器不仅需要考虑到增加船只与海洋之间的对比度,然需要考虑到对于高海况中高亮度海杂波的抑制。解决以上问题及缺陷的意义为:理论意义:SAR图像目标检测存在困难。高海况下船海对比度较低,且存在方位向模糊、海尖峰等高亮干扰的影响,常常会发生大量虚警或漏检。对于高海况下的船只检测问题,星载SAR方位向上的合成孔径时间较长,而距离向上雷达也有较大的带宽。对SAR数据进行二维方向上的分解后,得到了一系列的子孔径(时域分解)以及子频带(频域分解)图像。不同的子孔径数据反映了目标在不同方位角下的角度特性,船只作为硬目标,在不同的子孔径中运动变化慢,散射稳定,子孔径间的存在相干性,海面主要以布拉格散射为主,海洋动态变化快,在不同的子孔径中,散射特征变化差异较大,往往存在去相干的效应。同样,对于距离向上分解得到的子频带图像也具备类似的性质。与极化相干最优结合,通过子视或子频相干可以提取出散射较为稳定的船只目标,同时抑制动态变化的海杂波。从而提高船只目标的检测能力,较好的解决高海况下的船只检测问题。
现实意义:高海况或复杂海况下的目标检测非常重要,对于民用的货船、渔船等,在发生紧急事故时,较难定位进行救援,通过高海况船只检测算法能够有效定位出目标,就渔船监测以及海上渔船搜救等工作而言,具有很重要的实际意义;其次,很多军事船只都借助于高海况的海洋气象条件进行隐蔽活动,此方面通过本发明的方法,可以实现对非我方合作船只的有效鉴别,保护领海安全。
发明内容
针对现有技术存在的问题,本发明提供了一种高海况SAR船只检测方法、及应用。
本发明是这样实现的,一种高海况SAR船只检测方法,所述高海况SAR船只检测方法包括以下步骤:
步骤一,根据SAR成像时船只和海洋的特性,将极化SAR图像在方位和距离向上各分解出N个子图像,构成类干涉对,利用极化相干最优思想,构建极化-时-频相干最优参量PTFO,结合CA-CFAR方法进行船只检测。
步骤二,利用RADARSAT-2全极化SAR影像,通过AIS与SAR数据匹配选取出典型船只样本,定量分析不同分解个数N下PTFO参数的船海对比对增强能力,并确定合适的时频分解个数N为3。
步骤三,利用3景高海况全极化SAR数据进行船只检测测试,将检测方法与经典的SAR船只检测方法算法进行对比,验证本发明方法的性能。
进一步,步骤一中,所述子图像间的相干性的表示公式如下:
其中,γherm称为厄米特内积IHP,该参数可以同时保留目标的强度信息和相位信息。子孔径分解建立的是方位向上的IHP,距离向的IHP也类似。
将单极化的孔径相干技术拓展到多极化SAR,由极化基础理论可知,单站极化测量的矢量可表示为:
进一步,假设对原极化SAR图像在方位向上分解为N个子孔径极化图像,按照单站极化测量的矢量公式构建两个目标极化散射矢量分别对应于第i个和第j个子孔径图:
通过引入两个归一化复矢量将IHP的标量形式扩展为矢量形式,/>可以认为是两种归一化的散射机制。μi,μj表示了将两个散射矢量/>在投影到了归一化矢量/>上的系数。
仿照子图像间的相干性的表示公式,将方位向的极化厄尔米特内积定义为:
两子孔径间的准相干矩阵定义为:
其中,[Ωij]类似于本发明熟知的相干矩阵T,是一个3×3复矩阵,包含了各子孔径图像的极化信息,其同时也包含了两个子孔径图之间的干涉相位信息关系。第i和j个子孔径各自自身的相干矩阵可表示如下:
从所述两子孔径间的准相干矩阵公式和所述第i和j个子孔径各自自身的相干矩阵公式中可以看出,[Ωii],[Ωjj]是标准的厄米尔特矩阵,而[Ωij]并非标准的厄尔米特矩阵。
进一步,各个子孔径图像由于存在时间差异,可以看作是极化干涉对,可通过极化干涉技术中的相干最优求稳定散射体。极化相干最优是一个求极大值的问题,就是在全部极化状态空间中,寻求一种最优的极化状态,在该极化状态组合下,两图像间的干涉相干性最优。从数学上理解为,需求厄尔米特矩阵的最大特征值和特征向量。
从方位向的极化厄尔米特内积公式中可以看出,依赖于/>的选择,干涉极化相干最优的目的就是在/>满足一定条件的前提下,使得/>的值达到最大。/>的最大值可表示为:
由此可知,对于求解的极值,只需要求出[Ωij]·[Ωij]*T和[Ωij]*T·[Ωij]的共同最大特征值即可。至此,就完成了一对子孔径极化SAR的相干最优,得到了其最优参量同样,可以求出其他不同子孔径组合的相干最优参量,距离向上的相干最优求解过程也类似,用/>表示。
进一步,不同子图像间的极化相干最优所得结果可能会有海洋杂波较高的情况,为了进一步抑制海杂波的影响,得到具有高船海对比度的检测量,在求出两个方向上的不同孔径或频带之间的极化相干最优参量的几何平均数后再相加,构造得到极化相干最优参量检测器其公式如下:
其中,是在极化-时-频中域的相干性最优结果,对于散射稳定的目标,具有很好的保持性。N为子孔径个数,M为子频带个数,取N=M。将构建得极化相干最优参量检测器/>称为PTFO-N,表示经过N视子孔径和子频带分解后,通过极化干涉相干最优的方法取得的相干最优参量。从极化相干最优参量检测器的公式可见,PTFO参数受子孔径分解的个数N的影响。
理论上,基于时频分解的极化SAR相干最优参量PTFO能够抑制海洋的杂波,提高船海对比度,提取出散射特征稳定的目标,有利于提升舰船检测的性能。将检测器PTFO与CFAR结合,进行船只检测。本发明中,为了简单计算,得到PTFO后,利用CA-CFAR方法进行船只检测,其中,取值可设定为t=5。
进一步,所述极化相干最优参量PTFO作为相干性最优结果,应该具有旋转不变性,令i=1,j=2,且已知的最大值为[Ωij]·[Ωij]*T的最大特征值。
定义根据两子孔径间的准相干矩阵公式,Ω12为/>与/>的厄尔米特内积,/>与/>来自于两个不同的子孔径图像,其表示的散射特征与极化状态有关,若将与/>分别绕雷达视线旋转θ1和θ2的角度,有:
其中,
已知,则/>于是有:
当来自不同子孔径的两个目标矢量与/>分别绕雷达视线旋转θ1和θ2的角度,有:
对原始的两个目标矢量绕雷达视线进行旋转,相当于只对Ω进行了一个θ1角度的旋转,其特征值不发生变化,因此,具有旋转不变性。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的高海况SAR船只检测方法。
本发明的另一目的在于提供一种实施所述的高海况SAR船只检测方法的高海况SAR船只检测系统,所述高海况SAR船只检测系统包括:
极化-时-频相干最优参量构建模块,用于根据SAR成像时船只和海洋的特性,将极化SAR图像在距离向、方位向上进行子图像分解,得到一系列类极化干涉对,利用相干最优算法进行船海对比度增强,构建出极化-时-频相干最优参量PTFO;
时频分解个数确定模块,对于不同的极化SAR数据,选用AIS数据进行数据匹配,选取船只定量分析PTFO参数的船海对比对增强能力,并确定合适的时频分解个数;
检测方法对比模块,用于利用高海况全极化SAR数据进行船只检测测试,将检测方法与经典的SAR船只检测方法算法进行对比,生成检测结果图像、曲线等。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明将极化SAR数据在距离方位向两维度上展开,进一步深入挖掘极化-时-频三域联合下的船只检测潜力,通过分析不同视数分解组合下的船海对比度提升能力、海杂波抑制能力,构建出了一个具有很高的船海对比度的检测器PTFO,并在此技术上,发展出一种基于时-频-极化相干最优的高海况船只检测方法。该检测器充分利用了极化SAR成像中船只与海洋的散射差异,并通过时-频-极化相干最优方法放大了船海之间的差异,抑制了海杂波的干扰,显著提高了船只目标的可检测性。此外,本发明所提的检测器PTFO具有旋转变特性,不论雷达视向与目标的几何位置如何,总能得到通过相干得到最优的检测量。
本发明针对高海况下SAR船只目标检测问题,根据SAR成像时船只散射较为稳定且相干性强,而海洋的散射不稳定,去相干效果较强的特性,结合极化相干最优思想进行船只检测,构建了极化-时-频相干最优参量PTFO,然后采用CFAR方法用于探测SAR图像中散射稳定的船只目标。最优参量PTFO首先需要确定合适的时频分解个数,选用全极化RADARSAT-2影像,通过AIS匹配选取的船只目标定量分析了PTFO参数的船海对比对增强能力,并确定了合适的时频分解个数为3。并且,在3景高风速条件下的全极化SAR数据选取的测试样本上,PTFO参量的船海对比度比HH和HV通道分别平均提升约22dB、19dB。最后将本文方法与经典的SAR船只检测方法算法进行了对比,本发明提供的方法对十字旁瓣、目标散焦等高亮杂波干扰的具有抑制作用,极化SAR可以提供更丰富的目标信息,有助于目标检测,检测的品质因数达到0.95,提高了10%以上,验证了该方法在高海况下海况船只检测中的有效性。
附图说明
图1是本发明实施例提供的基于时频分解的极化SAR相干最优检测方法流程图。
图2(a)是本发明实施例提供的2014年02月09日的RADARSAT-2数据PauliRGB影像。
图2(b)是本发明实施例提供的2015年12月26日的RADARSAT-2数据PauliRGB影像。
图2(c)是本发明实施例提供的2015年01月01日的RADARSAT-2数据PauliRGB影像。
图3是本发明实施例提供的RADARSAT-2影像风场反演结果图。
图4(a)是本发明实施例提供的极化参数HH-σ0性能测试评估示意图。
图4(b)是本发明实施例提供的极化参数量HV-σ0性能测试评估示意图。
图4(c)是本发明实施例提供的极化参数HH-IHP性能测试评估示意图。
图4(d)是本发明实施例提供的极化相干最优参量PTFO-2性能测试评估示意图。
图4(e)是本发明实施例提供的极化相干最优参量PTFO-3性能测试评估示意图。
图4(f)是本发明实施例提供的极化相干最优参量PTFO-4性能测试评估示意图。
图5是本发明实施例提供的1#~4#区域PTFO、HH-IHP、HH、HV图像示意图。
图6(a)是本发明实施例提供的区域1#RGB图。
图6(b)是本发明实施例提供的1#区域PTFO检测结果示意图。
图6(c)是本发明实施例提供的1#区域HH-IHP检测结果示意图。
图6(d)是本发明实施例提供的1#区域Span检测结果示意图。
图6(e)是本发明实施例提供的1#区域HV-WBL检测结果示意图。
图6(f)是本发明实施例提供的1#区域HV-G0检测结果。
图6(g)是本发明实施例提供的1#区域HV-K检测结果示意图。
图6(h)是本发明实施例提供的1#区域HV-GFD检测结果示意图。
图6(i)是本发明实施例提供的1#区域HH-WBL检测结果示意图。
图6(j)是本发明实施例提供的1#区域HH-G0检测结果。
图6(k)是本发明实施例提供的1#区域HH-K检测结果示意图。
图6(l)是本发明实施例提供的1#区域HH-GFD检测结果示意图。
图7(a)是本发明实施例提供的区域2#RGB图。
图7(b)是本发明实施例提供的2#区域PTFO检测结果示意图。
图7(c)是本发明实施例提供的2#区域HH-IHP检测结果示意图。
图7(d)是本发明实施例提供的2#区域Span检测结果示意图。
图7(e)是本发明实施例提供的2#区域HV-WBL检测结果示意图。
图7(f)是本发明实施例提供的2#区域HV-G0检测结果。
图7(g)是本发明实施例提供的2#区域HV-K检测结果示意图。
图7(h)是本发明实施例提供的2#区域HV-GFD检测结果示意图。
图7(i)是本发明实施例提供的2#区域HH-WBL检测结果示意图。
图7(j)是本发明实施例提供的2#区域HH-G0检测结果。
图7(k)是本发明实施例提供的2#区域HH-GFD检测结果示意图。
图7(l)是本发明实施例提供的2#区域HH-K检测结果示意图。
图8(a)是本发明实施例提供的区域3#RGB图。
图8(b)是本发明实施例提供的3#区域PTFO检测结果示意图。
图8(c)是本发明实施例提供的3#区域HH-IHP检测结果示意图。
图8(d)是本发明实施例提供的3#区域Span检测结果示意图。
图8(e)是本发明实施例提供的3#区域HV-WBL检测结果示意图。
图8(f)是本发明实施例提供的3#区域HV-G0检测结果。
图8(g)是本发明实施例提供的3#区域HV-K检测结果示意图。
图8(h)是本发明实施例提供的3#区域HV-GFD检测结果示意图。
图8(i)是本发明实施例提供的3#区域HH-WBL检测结果示意图。
图8(j)是本发明实施例提供的3#区域HH-G0检测结果。
图8(k)是本发明实施例提供的3#区域HH-GFD检测结果示意图。
图8(l)是本发明实施例提供的3#区域HH-K检测结果示意图。
图9(a)是本发明实施例提供的区域4#RGB图。
图9(b)是本发明实施例提供的4#区域PTFO检测结果示意图。
图9(c)是本发明实施例提供的4#区域HH-IHP检测结果示意图。
图9(d)是本发明实施例提供的4#区域Span检测结果示意图。
图9(e)是本发明实施例提供的4#区域HV-WBL检测结果示意图。
图9(f)是本发明实施例提供的4#区域HV-G0检测结果。
图9(g)是本发明实施例提供的4#区域HV-K检测结果示意图。
图9(h)是本发明实施例提供的4#区域HV-GFD检测结果示意图。
图9(i)是本发明实施例提供的4#区域HH-WBL检测结果示意图。
图9(j)是本发明实施例提供的4#区域HH-G0检测结果。
图9(k)是本发明实施例提供的4#区域HH-GFD检测结果示意图。
图9(l)是本发明实施例提供的4#区域HH-K检测结果示意图。
图10是本发明实施例提供的1#~4#区域实验结果综合统计示意图。
图11是本发明实施例提供的高海况SAR船只检测方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种高海况SAR船只检测方法、系统及应用,下面结合附图对本发明作详细的描述。
如图11所示,本发明实施例提供的高海况SAR船只检测方法包括以下步骤:
根据SAR成像时船只和海洋的特性,将SAR在极化-时-频维度上分解为若干的子图,结合极化相干最优思想进行船只检测,构建极化-时-频相干最优参量PTFO,并利用CFAR方法进行目标检测;
选用全极化RADARSAT-2影像,利用有AIS匹配的全极化SAR数据,选取船只定量分析PTFO参数的船海对比对增强能力,并确定合适的时频分解个数为3;
利用3景高海况全极化SAR数据进行船只检测测试,将检测方法与经典的SAR船只检测方法算法进行对比。
下面结合实施例对本发明的技术方案作进一步的描述。
本发明针对于高海况船只检测问题,发展了基于的极化-时-频分解相干最优船只检测方法,并证实了方法的有效性。本发明首先构建了极化-时-频最优参量PTFO,并证明了该参数具有旋转不变形。其次,利用有AIS匹配的全极化SAR数据,选取了5艘船只定量分析了PTFO参数的船海对比对增强能力,并确定了合适的时频分解个数为3。最后,利用3景高海况全极化SAR数据进行船只检测测试,在选取的四个子图测试数据上,PTFO参量的船海对比度比原始极化通道HH和HV分别平均提升约22dB、19dB。与基于海洋背景杂波建模(K分布、广义伽马分布、G0分布)的CFAR方法以及基于Span的CFAR方法进行了对比,本发明方法对十字旁瓣、目标散焦等高亮杂波干扰的具有抑制作用,检测的品质因数达到0.95,能够同时较好的控制虚警与漏检。
实施例1:基于极化-时-频相干最优的SAR船只检测器的构建与特性证明
(1)、极化-时-频相干最优参量检测器FTPO的构建
合成孔径雷达从不同位置、不同视角对目标进行观测,成像时在距离向上采用脉冲压缩技术,在方位向上采用合成孔径技术,从而形成二维的高分辨率。SAR图像中的每个像素点都是由一定范围的方位向观察角度的综合作用结果,由于雷达脉冲具有一定的带宽,SAR图像中每个像素点可以理解为目标对不同电磁波频率的响应叠加。通常得到的单视复数据SAR图像,方位向上不同角度的观测对应于不同的时刻,在方位向上的分解可以认为是时域分解。而距离向上由于具有较大带宽,在距离向上的分解则可认为是频域分解,如果将极化数据在距离方位向上展开,则可分析极化-时-频三维度下的目标检测问题。
对SAR数据进行二维方向上的时频分解后,得到了一系列的子孔径(sub-aperture)以及子频带(sub-spectral)图像,不同的子孔径数据反映了目标在不同方位角下的角度特性,不同的子频带图像则可以反映目标的不同的频率响应特性。将这两类子图像分开进行处理。以子孔径为例,对于船只而言,其结构复杂,散射机制多样,不同子孔径间的散射特征可能会有差别,但船只作为硬目标,在不同的子孔径中都会有一定的散射强度,子孔径间的存在相干性,海面主要以布拉格散射为主,海洋动态变化快,在不同的子孔径中,散射特征变化差异较大,往往存在去相干的效应。可以利用这个性质来提取散射较为稳定的船只目标。子图像间的相干性可以用(1)式表示:
其中,γherm称为厄米特内积(Internal Hermitian Product,IHP),该参数可以同时保留目标的强度信息和相位信息。子孔径分解建立的是方位向上的IHP,距离向的IHP也类似。
极化SAR可以提供更丰富的目标信息,有助于目标检测。将单极化的孔径相干技术拓展到多极化SAR,由极化基础理论可知,单站极化测量的矢量可表示为:
假设对原极化SAR图像在方位向上分解为N个子孔径极化图像,按照公式2,可以构建两个目标极化散射矢量分别对应于第i个和第j个子孔径图。
按照文献中的方法,通过引入两个归一化复矢量将IHP的标量形式扩展为矢量形式,/>可以认为是两种归一化的散射机制。μi,μj表示了将两个散射矢量在投影到了归一化矢量/> 上的系数。
仿照公式(1),本发明将方位向的极化厄尔米特内积定义为:
两子孔径间的准相干矩阵定义为:
其中,[Ωij]类似于本发明熟知的相干矩阵T,是一个3×3复矩阵,包含了各子孔径图像的极化信息,其同时也包含了两个子孔径图之间的干涉相位信息关系。第i和j个子孔径各自自身的相干矩阵可表示如下:
从公式(6)和(7)可以看出,[Ωii],[Ωjj]是标准的厄米尔特矩阵,而[Ωij]并非标准的厄尔米特矩阵。
各个子孔径图像由于存在时间差异,可以看作是极化干涉对,可通过极化干涉技术中的相干最优求稳定散射体。极化相干最优是一个求极大值的问题,就是在全部极化状态空间中,寻求一种最优的极化状态,在该极化状态组合下,两图像间的干涉相干性最优。从数学上理解为,需求厄尔米特矩阵的最大特征值和特征向量。
从公式(5)中可以看出,依赖于/>的选择,干涉极化相干最优的目的就是在/>满足一定条件的前提下,使得/>的值达到最大。根据现有文献,/>的最大值可表示为:
由此本发明可以知道,对于求解的极值,只需要求出[Ωij]·[Ωij]*T和[Ωij]*T·[Ωij]的共同最大特征值即可。至此,就完成了一对子孔径极化SAR的相干最优,得到了其最优参量/>同样,可以求出其他不同子孔径组合的相干最优参量,距离向上的相干最优求解过程也类似,可以用/>表示。
不同子图像间的极化相干最优所得结果可能会有海洋杂波较高的情况,为了进一步抑制海杂波的影响,得到具有高船海对比度的检测量,在求出两个方向上的不同孔径或频带之间的极化相干最优参量的几何平均数后再相加,构造得到极化相干最优参量检测器其公式如下:
其中,是在极化-时-频中域的相干性最优结果,对于散射稳定的目标,具有很好的保持性。N为子孔径个数,M为子频带个数,一般地取N=M。通过方位向子孔径和距离的非相干加和,在一定程度上可以保证图像的分辨率。为了表示的方便,后续将本发明构建得极化相干最优参量检测器/>称为PTFO-N(Polarmetric-Time-Frequency OptimalN-sublook),表示经过N视子孔径和子频带分解后,通过极化干涉相干最优的方法取得的相干最优参量。从9式可见,PTFO参数受子孔径分解的个数N的影响。
综上,基于时频分解的极化SAR相干最优参量PTFO能够抑制海洋的杂波,提高船海对比度,提取出散射特征稳定的目标,有利于提升舰船检测的性能。将检测器PTFO与CFAR结合,进行船只检测。本发明中,为了简单计算,得到PTFO后,利用CA-CFAR方法进行船只检测,其中,取值可设定为t=5。具体技术流程如图1所示。
(2)、极化-时-频相干最优参量PTFO的旋转不变特性证明
以子孔径为例,不同的子孔径数据反映了目标在不同方位角下的角度特性,船只作为硬目标,在不同的子孔径中运动变化慢,散射较为稳定,子孔径间的存在相干性,海面主要以布拉格散射为主,海洋动态变化快,在不同的子孔径中,散射特征变化差异较大,往往存在去相干的效应。通过子视相干可以提取散射较为稳定的船只目标。对于星载SAR而言,方位向上的合成孔径时间较长,而距离向上雷达也有较大的带宽,本发明在此基础上,将极化SAR数据在距离方位向两维度上展开,进一步深入挖掘极化-时-频三域联合下的船只检测潜力,通过分析不同视数分解组合下的船海对比度提升能力、海杂波抑制能力,发展出一种基于时-频-极化相干最有的高海况船只检测方法。本发明提供的方法能够保证再利用极化数据时,船只目标与杂波之间的信噪比始终保持最大化,有利于高海况下的目标检测。
具体原理:极化相干最优参量PTFO作为相干性最优结果,应该具有旋转不变性,下面通过推导予以证明。为了简化表述,此处令i=1,j=2。上文中已知的最大值为[Ωij]·[Ωij]*T的最大特征值。
定义根据公式(6),Ω12为/>与/>的厄尔米特内积,/>与/>来自于两个不同的子孔径图像,其表示的散射特征与极化状态有关,若将/>与/>分别绕雷达视线旋转θ1和θ2的角度,有:
其中,
已知,则/>于是有:
当来自不同子孔径的两个目标矢量与/>分别绕雷达视线旋转θ1和θ2的角度,有:
根据(14),对原始的两个目标矢量绕雷达视线进行旋转,相当于只对Ω进行了一个θ1角度的旋转,其特征值不发生变化,因此,具有旋转不变性。
不管雷达电磁波以何种入射角度照射目标,经过本专利所提方法,始终能够保证目标与杂波的信杂比的最大化,这对于高海况下的目标检测是非常有优势的,能够有效克服强杂波的干扰,提高目标的检测效果。
实施例2:极化-时-频相干最优参量PTFO的参数设置分析证明
(1)、测试数据
选取了4景不同波束模式的全极化RADARSAT-2影像进行方法验证。具体信息如表1所示。其中,2015-11-21影像中有较多船只,且有AIS信息匹配,可用于验证检测器PTFO对船海对比度的增强性能及海杂波的抑制能力。其余三景为高海况的SAR数据,用于验证本发明方法对高海况下的船只检测能力。
三景RADARSAT-2数据PauliRGB影像如图2所示。
表1 SAR数据信息表
本发明利用CMOD5反演SAR海面风速,结合Beaufort波浪风级海况表,确定研究区域的海况。经统计,2-4三景影像平均风速均在10m/s以上,在影像中可观察到明显的海浪条纹。经查询当地历史气象数据,当日陆地上的最高风速也到达12m/s以上,以2014年2月9日为例,图2给出了风速反演的结果,海况达到了5-6级,属于强浪或巨浪,对船只检测会造成一定的困难。
(2)、参数设置分析
本节评估了极化相干最优参量检测器PTFO对船海对比度的放大性能。利用2015-11-21的RADARSAT-2 8m分辨率全极化SAR,分别计算了HH极化通道的两视子孔径相干厄尔米特内积(HH-IHP)、二视分解极化相干最优参量(PTFO-2)、三视分解极化相干最优参量(PTFO-3)、四视分解极化相干最优参量(PTFO-4)以及HH和HV极化通道后向散射系数(HH-σ0、HV-σ0)等6种极化特征。用于比较分析船只和海洋在各特征中的优劣,同时也分析极化相干最优参量PTFO随着分频数N的变化趋势。
图3给出了上述6种极化特征参数的切片图,大小为1400×1000。从图中可以直观的看出船只和海面在各个极化特征的差异。海洋的HH极化后向散射较强,船只在图像中所占像素较少,船海对比度较小;HV极化通道中,船只散射较强,且存在较多十字旁瓣和散焦的情况,而左侧靠近雷达的海域反射较强,且存在一部分陆地杂波;HH-IHP是对HH通道的子视分解相干结果,从图中可看出,船只目标相比HH后向散射图像强一些,但海洋的散射并没有得到很好的抑制;极化相干最优参量PTFO-2、PTFO-3、PTFO-4中,船只的散射都较强,海洋背景则随着视数的增加呈现出降低的趋势。
为了定量描述,比较各极化参量的船海对比度的放大性能,通过与AIS匹配,选取了5艘船只,统计了5个船只在各极化特征参量中的船海对比度(单位:dB),如表2所示。从表中可以看出,对于所有目标,HV极化的船海对比度比HH极化高10dB以上。对HH图像经过子视分解相干处理后,船海对比度基本下降了0.5~1个dB,只有目标4增加了约0.9dB,可见,对于船只这种散射复杂的目标,采用单极化子视相干对于船海对比度的提升作用不大。PTFO比HH-IHP的船海对比度提升较大,也说明了利用多极化信息可以有效的提升船海对比度。极化相干最优参量PTFO-2的船海对比度基本相比于HH有了较大提升,与HV后向散射强度相比,整体船海对比度有了一定的提升,如目标1、2、4、5的船海对比度分别增加了3.7dB、4dB、2.6dB、4dB,而目标3则没有提升,基本与HV通道的船海对比度持平,可能是由船只目标本身类型、结构等属性影响所致。PTFO-3中各船只的船海对比度相比于PTFO-2高了将近1-2dB,PTFO-4则基本与PTFO-2相等。从表3目标总体的船海对比度均值可以看出,6个极化参量的船海对比度依次为PTFO-3>PTFO-2>PTFO-4>HV>HH>HH-IHP。可见,就船海对比度增强上,采用三视分解的极化相干最优参量PTFO-3的性能最好。
另外,利用等效视数来衡量海洋杂波,等效视数越大,海洋背景的相干斑噪声被抑制的越好。本发明选取了一块纯海洋区域,统计不同特征量的等效视数,结果如表3,对于原始SLC数据的HH、VV极化通道等效视数约为1,HH-IHP的等效视数为1.56,等效视数增大,杂波得到抑制。PTFO-2、PTFO-3、PTFO-4的SMR值依次为0.98、1.93、2.49,说明时频分解的个数越多,对噪声的抑制越好,但时频分解的个数太大会导致分辨率较低严重,且耗时较长。所以综合考虑,选用PTFO-3较为合适。
表2 RADARSAT数据5个船只目标的信息
表3 RADARSAT数据5个船只目标的船海对比度(dB)
表4 RADARSAT数据几种方法的MSR系数
总之,从上述分析中可知,综合考虑船海对比度增强性能、背景杂波抑制性能和计算时间,极化相干最优参数PTFO选择3视分解最为合理,后续船只检测测试中,将该参量确定为PTFO-3,为表达简便,下文仍用PTFO表示该参量。
(3)、船海对比度增强能力分析
在三景高海况影像中提取4个切片命名为1#~4#,用于检测分析。各切片大小分为400×400,400×550,1800×1600,350×400,分别求出各区域的PTFO、HH-IHP、HH、HV四个特征如图4所示,图中1-4行分别对应于1#~4#,1-4列分别对应于各参量。以区域1为例,从图中可以直观的看出来,PTFO具有很好的船海对比度。
表5给出了四个子区域中四种极化参量的船海对比度(单位:dB),从表中可见,相比于HH-IHP、HV、HH,PTFO信杂比有大幅提升,如4#的PTFO比HV提升了15.87dB,将更有利于目标检测。
表5 1#-4#子图像各特征的船海对比度统计
实例3、船只检测性能测试
通过将本发明方法与基于K分布、广义伽马分布、G0分布模型的CFAR检测算法、基于HH-IHP(HH极化子孔径相干)和Span的CA-CFAR算法进行对比。对于HV和HH两个极化通道图像,利用基于海杂波分布模型的检测方法进行船只检测,为了保证船只目标检测中尽量不产生虚警,将虚警率设置为0.0001。结合AIS所提供的信息和目视解译方法对SAR影像进行分析,确定了各区域中船只目标的个数以及船只属性。各方法的检测结果如图5至8,其中红色圆圈代表虚警,绿色三角代表漏检。
(1)区域1#的船只目标检测试验
区域1#位于英吉利海峡附近,从RGB图中可清晰的看出海面的波浪条纹。该区域中包含2个船只目标,图5给出了该区域中的船只目标检测结果。其中,基于PTFO方法,船只目标全部被检测出来,并且对船只的十字旁瓣和散焦有很好的抑制作用。基于HH-IHP和Span的CA-CFAR方法也能正确检测到两个目标,但目标2断裂,可能引入虚警。从基于分布模型的CFAR检测方法的结果来看,两个船只目标均被检测出来。对HV极化,基于分布模型的CFAR算法都对船只目标1的十字旁瓣没有抑制,引入了2-3个虚警目标;对HH极化,基于分布模型的CFAR算法的检测结果都较好,但目标1存在断裂而引入虚警的情况。由此可见,本发明方法对高海况和目标散焦等有好的抑制作用,具有较好的检测能力。
(2)区域2#的船只目标检测试验
区域2中共有4艘船只,可以看出该区域的船只具有较强的散焦和十字旁瓣。图6给出了该区域的检测结果,可以看出,本发明的方法能够将目标全部检测出来,且对于散焦有很好的抑制效果。对于HV极化,基于各分布模型的检测结果中都含有2个以上的虚警目标,这些虚警目标一部分是由船只散焦造成,一部分则由较强的海杂波引起。而HH极化中,除了基于G0和WBL分布能正确检测外,其他两种分布的CFAR将杂波检测为了目标。
(3)区域3#的船只目标检测试验
区域3中共有9艘船只,该区域为1800×1600,所以船只相对显示较小,船只6、8具有较强的散焦,船只9有十字旁瓣。图7给出了该区域的检测结果。可以看出,本发明的方法和基于HH-IHP的方法除目标4漏检外,其余船只都正确检测,且对散焦和十字旁瓣的抑制作用较好。由于船只4长度较小,子孔径分解后,目标有效像元减少,导致目标4漏检。对于HV极化,基于G0和广义伽马分布的检测结果中都含有2个虚警目标,一个是由海杂波造成,一个是由船只散焦造成,基于K分布和WBL分布的检测结果中含有4个虚警目标,包含了十字旁瓣引入的虚警。对于HH极化,所有基于分布模型的CFAR方法都存在3个漏检目标漏检。
(4)区域4#的船只目标检测试验
区域4中共有9艘船只。图8给出了该区域的检测结果。从检测结果图中可以看出,本发明的方法能够将目标全部检测出来,且无虚警目标。基于HH-IHP的方法存在一个目标漏检,目标8也被分裂为3个目标。基于Span的方法则由于目标2分裂引入一个虚警。对于HV极化,基于G0和广义伽马分布的检测结果中漏检了3和7两个较小的目标,且基于G0的方法,造成目标1的断裂虚警,而基于K分布的方法由目标5的散焦干扰而引入了1个虚警。对于HH极化,基于分布模型的CFAR方法漏检了目标3,并且目标2和5的散焦部分产生了虚警目标,目标8则由于太长而发生断裂,分为了两个目标。
综上,对四个区域的统计如图9所示,本发明所发展的船只检测方法,能够保证产生较少的虚警,品质因数较高。而基于分布模型的CFAR方法,对于HV极化通道,虽然正确检测结果较好,但是也存在很多的虚警目标,品质因数下降。而针对于HH极化通道,基于分布模型的CFAR方法虚警目标相比HV通道少,但是由于HH极化通道海杂波较强,船海对比度比HV通道低,所以漏检目标较多,品质因数较低。所以,本发明发展的船只检测方法能够同时保持较好的检测率和虚警率,在高海况下目标检测中优势明显。
4、结果
本发明针对于高海况船只检测问题,发展了基于的极化-时-频分解相干最优船只检测方法,并证实了方法的有效性。本发明首先构建了极化-时-频最优参量PTFO,并证明了该参数具有旋转不变形。其次,利用有AIS匹配的全极化SAR数据,选取了5艘船只定量分析了PTFO参数的船海对比对增强能力,并确定了合适的时频分解个数为3。最后,利用3景高海况全极化SAR数据进行船只检测测试,在选取的四个子图测试数据上,PTFO参量的船海对比度比原始极化通道HH和HV分别平均提升约22dB、19dB。与基于海洋背景杂波建模(K分布、广义伽马分布、G0分布)的CFAR方法以及基于Span的CFAR方法进行了对比,本发明提供的方法对十字旁瓣、目标散焦等高亮杂波干扰的具有抑制作用,检测的品质因数达到0.95,能够同时较好的控制虚警与漏检。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种高海况SAR船只检测方法,其特征在于,所述高海况SAR船只检测方法包括:
合成孔径雷达成像时在方位向上采用合成孔径技术,在距离向上采用脉冲压缩技术,从而形成二维的高分辨率,单视复数据SAR图像,方位向上不同角度的观测对应于不同的时刻,在方位向上的分解认为是时域分解,而距离向上由于具有较大频率带宽,在距离向上的分解则认为是频域分解,将极化数据在方位向和距离向两个维度上展开,实现极化-时-频三维度下的目标检测;
根据SAR成像时船只和海洋的特性,将SAR在极化-时-频维度上分解为若干的子图,结合极化相干最优思想进行船只检测,构建极化-时-频相干最优参量PTFO,并利用CFAR方法进行高海况下的目标检测;
选用全极化RADARSAT-2影像,利用有AIS匹配的全极化SAR数据,选取船只定量分析PTFO参数的船海对比度增强能力,并确定合适的时频分解个数为3;
利用3景高海况全极化SAR数据进行船只检测测试;
极化-时-频相干最优参量PTFO的求解及参数确定;
对SAR数据进行二维方向上的时频分解后,得到了一系列的子孔径以及子频带图像,子图像间的相干性的表示公式如下:
其中,γherm称为厄尔米特内积IHP,s1和s2分别表示两个子图像,该参数同时保留目标的强度信息和相位信息;子孔径或时间维度分解建立的是方位向上的IHP,子频带或频率维度建立的是距离向上的IHP;
将单极化的孔径相干技术拓展到多极化SAR,由极化基础理论可知,单站极化测量的矢量表示为:
其中,表示单站极化矢量,SHH、Svv、SHV分别表示HH、VV、HV三个极化通道的图像,T表示矩阵转置;
首先,进行方位向上子孔径图像的处理,对原极化SAR图像在方位向上分解为N个子孔径极化图像,第i个和第j个子孔径图像用下标i和j表示;按照单站极化测量的矢量公式构建两个目标极化散射矢量分别对应于第i个和第j个子图:
通过引入两个归一化复矢量将IHP的标量形式扩展为矢量形式,/> 是两种归一化的散射机制;μi,μj表示了将两个散射矢量/> 在投影到了归一化矢量/>上的系数:
仿照子图像间的相干性的表示公式,将方位向的极化厄尔米特内积定义为:
上标azi表示方位向,表示方位向子孔径图像之间的极化厄尔米特内积,两子孔径图像i和j之间的准相干矩阵定义为:
其中,[Ωij]类似于相干矩阵,是一个3×3复矩阵,包含了各子孔径图像的极化信息,其同时也包含了两个子孔径图之间的干涉相位信息关系;第i和j个子孔径各自自身的相干矩阵表示如下:
从两子孔径间的准相干矩阵公式和所述第i和j个子孔径各自自身的相干矩阵公式中看出,[Ωii],[Ωjj]是标准的厄尔米特矩阵,而[Ωij]并非标准的厄尔米特矩阵;
各个子孔径图像通过极化干涉技术中的相干最优求稳定散射体;极化相干最优是一个求极大值的问题,在全部极化状态空间中,寻求一种最优的极化状态,在该极化状态组合下,两图像间的干涉相干性最优;从数学上理解为,需求厄尔米特矩阵的最大特征值和特征向量;
从方位向的极化厄尔米特内积公式中看出,依赖于/>的选择,干涉极化相干最优的目的就是在/>满足一定条件的前提下,使得/>的值达到最大;/>的最大值表示为:
由此可知,对于求解的极值,只需要求出[Ωij]·[Ωij]*T和[Ωij]*T·[Ωij]的共同最大特征值即可;至此,就完成了一对子孔径极化SAR的相干最优,得到了其最优参量进而得到多个子孔径图像两两之间的相干最优参量;
在方位向分解的基础上,进一步,考虑到距离向理解为目标对不同电磁波频率的响应叠加,认为距离向是频域分解,然后,求解距离向上的子频带图像间的相干最优参量,距离向上的子频带图像间的相干最优求解过程与方位向上的求解过程类似,结果用表示,上标rag表示距离向;
进一步,为了抑制海杂波的影响,得到具有高船海对比度的检测量,在求出两个方向上的不同孔径或频带之间的极化相干最优参量的几何平均数后再相加,构造得到极化相干最优参量检测器其公式如下:
其中,是在极化-时-频中域的相干性最优结果,N表示子孔径图像个数,M表示子频带图像个数,取N=M;将构建的极化相干最优参量检测器/>称为PTFO-N,表示方位向和距离向都经过N视分解后取得的相干最优参量,简称为PTFO;从PTFO表达式可见,PTFO最优参量受子图分解的个数N的影响;
得到PTFO后,利用CA-CFAR方法进行船只检测,其中,取值为t=5。
2.如权利要求1所述的高海况SAR船只检测方法,其特征在于,极化相干最优参量PTFO作为相干性最优结果,具有旋转不变性,令i=1,j=2,且已知的最大值为[Ωij]·[Ωij]*T的最大特征值;
定义根据两子孔径间的准相干矩阵公式,Ω12为/>与/>的厄尔米特内积,/>与/>来自于两个不同的子孔径图像,其表示的散射特征与极化状态有关,若将/>与分别绕雷达视线旋转θ1和θ2的角度,有:
其中,R(θ1)和R(θ2)分别表示旋转矩阵
已知,则/>于是有:
当来自不同子孔径的两个目标矢量与/>分别绕雷达视线旋转θ1和θ2的角度,有:
对原始的两个目标矢量绕雷达视线进行旋转,相当于只对Ω进行了一个θ1角度的旋转,其特征值不发生变化,因此,具有旋转不变性。
3.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现权利要求1~2任意一项所述的高海况SAR船只检测方法。
4.一种实施权利要求1~2任意一项所述的高海况SAR船只检测方法的高海况SAR船只检测系统,其特征在于,所述高海况SAR船只检测系统包括:
极化-时-频相干最优参量构建模块,用于根据SAR成像时船只和海洋的特性,将极化SAR图像在距离向、方位向上进行子图像分解,得到一系列类极化干涉对,利用相干最优算法进行船海对比度增强,构建出极化-时-频相干最优参量PTFO;
时频分解个数确定模块,对于不同的极化SAR数据,选用AIS数据进行数据匹配,选取船只定量分析PTFO参数的船海对比度增强能力,并确定合适的时频分解个数;
检测方法对比模块,用于利用高海况全极化SAR数据进行船只检测测试,将检测方法与经典的SAR船只检测方法算法进行对比,生成检测结果图像、曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110147244.2A CN112836638B (zh) | 2021-02-03 | 2021-02-03 | 高海况sar船只检测方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110147244.2A CN112836638B (zh) | 2021-02-03 | 2021-02-03 | 高海况sar船只检测方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836638A CN112836638A (zh) | 2021-05-25 |
CN112836638B true CN112836638B (zh) | 2023-08-01 |
Family
ID=75931636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110147244.2A Active CN112836638B (zh) | 2021-02-03 | 2021-02-03 | 高海况sar船只检测方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836638B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463224B (zh) * | 2022-04-14 | 2022-06-24 | 广东海洋大学 | 一种基于sar技术的海洋目标图像修复识别方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8125370B1 (en) * | 2007-04-16 | 2012-02-28 | The United States Of America As Represented By The Secretary Of The Navy | Polarimetric synthetic aperture radar signature detector |
CN105403885A (zh) * | 2015-10-27 | 2016-03-16 | 中国测绘科学研究院 | 一种基于广义多子视相干的极化sar海面船只目标检测方法 |
CN109375189A (zh) * | 2018-12-25 | 2019-02-22 | 杭州世平信息科技有限公司 | 基于交叉散射模型的极化雷达遥感图像城区目标分解方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8422738B1 (en) * | 2008-08-25 | 2013-04-16 | The United States Of America As Represented By The Secretary Of The Navy | Adaptive automated synthetic aperture radar vessel detection method with false alarm mitigation |
CN107145874B (zh) * | 2017-05-13 | 2021-06-04 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN111458711B (zh) * | 2020-04-24 | 2022-03-04 | 北京卫星信息工程研究所 | 星载双波段sar系统和舰船目标的探测方法 |
-
2021
- 2021-02-03 CN CN202110147244.2A patent/CN112836638B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8125370B1 (en) * | 2007-04-16 | 2012-02-28 | The United States Of America As Represented By The Secretary Of The Navy | Polarimetric synthetic aperture radar signature detector |
CN105403885A (zh) * | 2015-10-27 | 2016-03-16 | 中国测绘科学研究院 | 一种基于广义多子视相干的极化sar海面船只目标检测方法 |
CN109375189A (zh) * | 2018-12-25 | 2019-02-22 | 杭州世平信息科技有限公司 | 基于交叉散射模型的极化雷达遥感图像城区目标分解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112836638A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Collins et al. | On the reconstruction of quad-pol SAR data from compact polarimetry data for ocean target detection | |
Liu et al. | Wave height estimation from shipborne X-band nautical radar images | |
Rosenberg et al. | Application of the K+ Rayleigh distribution to high grazing angle sea-clutter | |
Fialkowski et al. | Methods for identifying and controlling sonar clutter | |
Ghanbari et al. | Contextual classification of sea-ice types using compact polarimetric SAR data | |
Gao et al. | Ship detection using compact polarimetric SAR based on the notch filter | |
Iervolino et al. | NovaSAR-S and maritime surveillance | |
Chernyshov et al. | Rapid wavelet-based bathymetry inversion method for nearshore X-band radars | |
CN104318572A (zh) | 基于极化方向角补偿的polsar图像海上目标检测方法 | |
CN112836638B (zh) | 高海况sar船只检测方法及应用 | |
Mian et al. | Multivariate change detection on high resolution monovariate SAR image using linear time-frequency analysis | |
CN112215832B (zh) | Sar尾迹图像质量评估及自适应探测参数调整方法 | |
Zhao et al. | Detecting moving targets in active sonar echograph of harbor environment using high-order time lacunarity | |
Makhoul et al. | Exploiting polarimetric TerraSAR-X data for sea clutter characterization | |
Crisp et al. | Comparison of ship detectors for polarimetric SAR imagery | |
Greidanus | Sub-aperture behavior of SAR signatures of ships | |
Ouchi et al. | Interlook cross-correlation function of speckle in SAR images of sea surface processed with partially overlapped subapertures | |
Sun et al. | A wave texture difference method for rainfall detection using X-band marine radar | |
Yin et al. | An improved generalized optimization of polarimetric contrast enhancement and its application to ship detection | |
Avolio et al. | A Near Real Time CFAR Approach for Ship Detection on Sar Data Based on a Generalised-K Distributed Clutter Estimation | |
Hu et al. | SAR Azimuth ambiguities removal for ship detection using time-frequency techniques | |
Li et al. | A Robust Man-Made Target Detection Method Based on Relative Spectral Stationarity for High-Resolution SAR Images | |
Himi et al. | Statistical Comparison of Melting Iceberg Backscatter Embedded in Sea Ice and Open Water Using RADARSAT-2 Images of the Newfoundland Sea | |
Ouchi et al. | Improvement of ship detection accuracy by SAR multi-look cross-correlation technique using adaptive CFAR | |
Wang et al. | Seafloor terrain detection from acoustic images utilizing the fast two-dimensional CMLD-CFAR |
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 |