CN115032601A - 一种基于空时联合滤波技术抑制图像序列中海杂波的航海雷达目标检测算法 - Google Patents

Abstract

本发明公开了一种基于空时联合滤波技术抑制图像序列中海杂波的航海雷达目标检测算法，该方法首先对选定区域原始雷达图像序列进行海杂波抑制，选取原始雷达图像序列中需要抑制海杂波的区域，利用三维傅里叶变换(3D‑FFT)获得三维频率波数域图像谱，选择一种基于色散关系的空时联合滤波器滤除海杂波能量，对滤波后的图像序列的三维频率波数域图像谱进行三维傅里叶逆变换(3D‑IFFT)，获得抑制海杂波后的图像序列；再对抑制海杂波后的图像序列进行目标点检测。本发明目的在于解决航海雷达图像中强海杂波信号对目标检测的影响，抑制雷达图像中的强海杂波信号，提高图像的信噪比，进而提高强海杂波情况下的目标检测概率。

Description

一种基于空时联合滤波技术抑制图像序列中海杂波的航海雷 达目标检测算法

技术领域

本发明属于海洋环境条件下海洋遥感技术领域，具体涉及一种基于空时联合滤波技术抑制图像序列中海杂波的航海雷达目标检测算法。

背景技术

在复杂的海杂波背景下有效地检测微弱目标一直是航海雷达面临的一项挑战。在海杂波较强的环境下，目标回波往往淹没在杂波中难以检测。因此，在检测器检测图像中的目标点之前，需要对目标点周围的海杂波点强度进行抑制[1-3]。此类方法是一种海杂波抑制下的目标检测方法，该类方法第一步通过海杂波在时空域、时频域、距离多普勒域等不同维度下的特征，建立海杂波模型并设计合适的滤波器来抑制图像中的海杂波。第二步使用检测器对抑制海杂波后的图像进行目标点提取。见参考文献[1-3]([1]李文静,李卓林,袁振涛.基于稀疏重构的海杂波抑制和目标提取算法[J/OL].系统工程与电子技术:1-12[2021-11-18].[2]陈小龙,关键,董云龙,赵志坚.稀疏域海杂波抑制与微动目标检测方法[J].电子学报,2016,44(04):860-867.[3]罗倩.基于稀疏表示的杂波建模和微弱运动目标探测[J].现代雷达,2016,38(02):43-46+83.)。

海杂波可以定义为雷达发射的电磁波照射在海表面形成的后向散射回波。海杂波的特性十分复杂，其振幅的变化是一个随机过程，在时间上表现为非平稳，在空间上表现为非均匀。海杂波主要由张力波和重力波组成，这两种波会受海表面的风速、流速、温度、湿度等环境因素剧烈影响，不同环境下的海杂波的特征也会产生明显变化，使得建立海杂波模型并抑制海杂波变得困难。

目前，海杂波抑制下的目标检测算法主要分为时域对消法、子空间分解法、神经网络检测法和时频分析四大类[4]。时域对消法主要包括动目标显示(MTI)[5]、动目标检测(MTD)[6]、自适应动目标检测(AMTI)[7]、空时自适应处理(STAP)[8]和根循环迭代抵消法[9]等。子空间分解法主要包括使用特征值分解(EVD)[10]、奇异值分解(SVD)[11]等分解法抑制海杂波并检测目标。神经网络检测方法主要采取了卷积神经网络[12]和浅层神经网络。浅层神经网络其中包括基于径向基函数神经网络(RBFNN)[13]、小波神经网络(WNN)[14]等。时频分析法分为时域分析与时频域分析，时频域分析利用海杂波和目标具有的不同时频特性在时频域抑制海杂波并检测目标，主要包括短时傅里叶变换(STFT)[15]、分数阶傅立叶(FRFT)[16]、稀疏傅里叶(SFT)[17]等方法。时域分析主要为经验模态分解(EMD)[18]，是一种基于时域的局部特征分析方法，它可以处理时域信号幅度序列，根据信号回波幅度的变化来抑制海杂波并检测目标。

见参考文献[4-18]([4]梁壮,温利武,丁金闪.改进型SVD-FRFT海杂波抑制方法[J].西安电子科技大学学报,2021,48(02):55-63.[5]Aljohani,M.,Monte,L.L.,Wicks,M.,&Mrebit,A..(2020).Radar imaging using pseudo-coherent marine radartechnology.IET Radar Sonar Navigation.[6]缪惠峰,李品,侯义东.基于多参数约束的MTD滤波器迭代优化设计[J].现代雷达,2021,43(03):25-29.[7]HuiJuan,et al."SignalProcessing and Target Fu sion Detection via Dual Platform Radar CooperativeIllumination."Sensors(Basel,Switzerland)19.24(2019).[8]张欢欢,高志奇,黄平平,徐伟.基于知识辅助的网格失配下SR-STAP字典校正方法[J].信号处理,2021,37(07):1235-1242.[9]Root,Benjamin T.."HF-ove r-the-horizon radar ship detection withshort dwells using clutter cancelation."Radio Science 33.4(1998):1095-1111.[10]Zhao,W.,Z.Chen,and M.Jin."Subband Maximum Eigenvalue Detection for RadarMoving Target in Sea Clutter."IEEE Geoscience an d Remote Sensing LettersPP.99(2020):1-5.[11]时艳玲,王磊,李君豪.基于投影空间下奇异值分解的海面小目标CFAR检测[J/OL].系统工程与电子技术:1-10[2021-11-16].[12]苏宁远,陈小龙,关键,牟效乾,刘宁波.基于卷积神经网络的海上微动目标检测与分类方法[J].雷达学报,2018,7(05):565-574.[13]Shang,S.,et al.Sea Clutter Suppression Method of HFSWR Basedon RBF Neural Network Model Optimized by Improved GWO Algorithm[J].Computational Intelligence and Neuroscience,2020,2020(3):1-10.[14]Yan,S.,etal."A New Image Restoration Algorithm Based on Mathematical Morphology andWavelet N eural Network."(2012).[15]陈小龙,关键,于晓涵,何友.基于短时稀疏时频分布的雷达目标微动特征提取及检测方法[J].电子与信息学报,2017,39(05):1017-1023.[16]Q.Wang,Z.Che n,Q.Zhou and X.Wu,"Mitigation of Radio FrequencyInterference in HFSWR Using Fra ctional Fourier Transform Based FilteringAlgorithms,"in IEEE Geoscience and Re mote Sensing Letters,vol.18,no.2,pp.261-265,Feb.2021[17]Zhang,H.,et al."Perform ance Evaluation and ParameterOptimization of Sparse Fourier Transform."Signal Processing 179(2021):107823.[18]Lv,M.；Zhou,C.Study on Sea Clutter Suppression Met hods Based on aRealistic Radar Dataset.Remote Sens.2019,11,2721.)。

上面提及的时域对消法、子空间分解法仅适用于回波中具有相位信息的相参雷达；神经网络检测方法适用于长时间积累脉冲的相参雷达；时频域分析法适用于具有线性调频信号且能够长时间积累脉冲的相参雷达。但是，绝大多数航海雷达是单脉冲体制下的慢速旋转型非相参雷达，回波数据中只有幅度与位置信息，缺少相位信息。并且，工作模式为扫描模式，与凝视模式不同，扫描模式为了兼顾扫描效率，通常在一个距离单元上短时间内积累的脉冲数很少，属于短时积累雷达。而且一个距离像的连续两帧的时间间隔在2.5s左右，时间分辨率较低。因此，除了时域分析法的EMD，其他方法都不适用于航海雷达。但是，航海雷达时间分辨率低的特性会导致数据采样率低，进而造成EMD方法在对速度较快的目标点检测时，检测性能会下降。

由于航海雷达具有成本低、易操作，并且能够全天候工作，而且作用距离远等特点，从而成为引导船舶安全航行的重要电子设备之一，是各类船舶必备的设备。航海雷达主要用于探测舰船周围各类对航行安全造成影响的物体，如船只、航标、浮冰以及海岛等，是航海人员进行避碰、导航、定位、观测和搜救的重要仪器[17]。在船舶安全航行中发挥着不可替代的重要作用。其中，对海面上未知浮动小目标的实时监测也是航海雷达各种功能中最重要的任务。与此同时，航海雷达在检测时也面临了一系列问题。在严重的海杂波干扰中探测小目标是极其困难的，由于其固有的非相干性和慢速旋转模式，迫切地需要研究只利用幅度信息来抑制海杂波和目标检测的技术。见参考文献[17]([17]仲广玺,杜磊,倪冰,沙飞宇.一种双体制全固态航海雷达系统设计[J].电子技术,2021,50(10):290-291.)。

发明内容

本发明的目的在于提供一种基于空时联合滤波技术抑制图像序列中海杂波的航海雷达目标检测算法。

本发明的目的通过如下技术方案来实现：

一种基于空时联合滤波技术抑制图像序列中海杂波的航海雷达目标检测算法，步骤如下：

步骤一：对选定区域原始雷达图像序列进行海杂波抑制

选取原始雷达图像序列中需要抑制海杂波的区域，利用三维傅里叶变换(3D-FFT)获得三维频率波数域图像谱；选择一种基于色散关系的空时联合滤波器滤除海杂波能量，对滤波后的图像序列的三维频率波数域图像谱进行三维傅里叶逆变换(3D-IFFT)，获得抑制海杂波后的图像序列；

步骤二：对抑制海杂波后的图像序列进行目标点检测。

进一步地，所述步骤一中对选定区域原始雷达图像序列进行海杂波抑制，步骤如下：

步骤1.1：利用选定的去同频算法对连续的m幅原始雷达图像序列进行同频干扰抑制处理；

步骤1.2：选取步骤1.1中得到的原始雷达图像序列中需要抑制海杂波的区域，按照选定的插值算法将选定区域内的点的回波强度插值到直角坐标系下的网格中，该网格的中心点在极坐标系下的角度为θ，径向距离为ρ，大小为x×y；得到回波强度序列η(x,y,t)，其中x为水平方向上的点数，y为垂直方向上的点数，t为时间序列上的图像幅数；

步骤1.3：对步骤1.2中得到的图像序列η(x,y,t)进行三维傅里叶变换，得到三维频率波数域图像谱I(k_x,k_y,ω)；

其中L_x和L_y分别为图像序列在空间域中水平方向和垂直方向的尺度，T为图像序列在时间域的尺度；k_x和k_y分别为图像谱在波数域中水平方向和垂直方向的波数分量，ω为图像谱在频率域中的频率；

步骤1.4：选定一种基于色散关系的频率域与波数域联合滤波器对步骤1.3中的三维频率波数图像谱I(k_x,k_y,ω)滤波，得到滤除海杂波能量后的三维频率波数图像谱E(k_x,k_y,ω)；

其中K_p为滤波器的频带上边界，K_n为滤波器的频带下边界；

步骤1.5：对步骤1.4中得到的滤除海杂波能量后的三维频率波数图像谱进行三维傅里叶逆变换，得到抑制海杂波信号后的雷达图像序列η_m(x,y,t)；

其中x和y分别为空间域中水平方向和垂直方向上的点数，t为时间域上的图像幅数。

进一步地，所述步骤二中对抑制海杂波后的图像序列进行目标点检测：采用一种检测器对步骤1.5中得到的抑制海杂波后的图像序列进行目标点检测。

本发明的有益效果在于：

本发明一种基于空时联合滤波技术抑制图像序列中海杂波的航海雷达目标检测算法，第一步通过使用时域与空域联合的滤波器来滤除海杂波能量，以达到时空域中的海杂波抑制效果，第二步使用检测器进行目标点检测。本发明只需要利用雷达的回波幅度信息，不需要利用回波的多普勒信息或长时间积累脉冲信息，适用于所有航海雷达。能够有效地抑制强海杂波信号，从而增强图像的信噪比，进而提高强海杂波情况下的目标检测概率。

附图说明

图1是本发明的单幅原始雷达图像；

图2是本发明所选定区域插值后的单幅雷达图像；

图3是本发明的三维频率波数域图像谱沿|K|方向的二维横截面；

图4是本发明的滤除海杂波后的三维频率波数域图像谱沿|K|方向的二维横截面；

图5是本发明的抑制海杂波后的单幅雷达图像；

图6是本发明的单幅雷达图像目标检测结果；

图7是本发明的实施流程图。

具体实施方式

下面结合附图对本发明做进一步描述。

根据图7，本发明一种基于空时联合滤波技术抑制图像序列中海杂波的航海雷达目标检测算法的具体步骤为：步骤一：对选定区域原始雷达图像序列进行海杂波抑制；步骤二：对抑制海杂波后的图像序列进行目标点检测。

本发明实施例所用的航海雷达为X波段导航雷达，工作于短脉冲模式，回波数据数字化后以极坐标形式按线存储，两条相邻存储线间的时间间隔小于1ms，雷达天线扫描一周的时间约2.5s，一幅雷达图像的总线数为2048条，每根线上有2048个像元点，其方位向分辨率约为0.1°，径向分辨率约为2.5m。

航海雷达的主要技术参数如表一所示：

表一航海雷达的技术参数

结合附图1-7，本发明具体实验步骤为：

实施例1：

步骤一：对选定区域原始雷达图像序列进行海杂波抑制，包括以下步骤：

步骤1.1：获得连续的32幅原始雷达图像序列，附图1为单幅原始雷达图像。利用空间域相关法对雷达图像进行同频干扰抑制处理，具体方法为：在距离雷达天线较近的区域，将每一像元点的回波强度值以该点左右两条相邻存储线上，与其径向距离相同的两个非噪声点回波强度的中值代替。在距离雷达天线较远的区域，将每一像元点的回波强度值以该点3×3邻域窗口内7个非噪声点回波强度的中值代替。

步骤1.2：选取步骤1.1中得到的原始雷达图像序列中需要抑制海杂波的区域，按照最近点插值算法将选定区域内的点的回波强度插值到直角坐标系下的网格中，该网格的中心点在极坐标系下的角度为36°，径向距离为2000m，大小为128×128。得到回波强度序列η，η的维度为128×128×32。其中128为水平方向和垂直方向上的点数，32为时间序列上的幅数。附图2为选定区域插值后的单幅雷达图像。

步骤1.3：对步骤1.2中得到的图像序列η进行三维傅里叶变换，得到三维频率波数域图像谱I(k_x,k_y,ω)，附图3为三维频率波数域图像谱沿|K|方向的二维横截面

其中L_x和L_y分别为图像序列在空间域中水平方向和垂直方向的尺度为960m，T为图像序列在时间域的尺度为80s；k_x和k_y分别为图像谱在波数域中水平方向和垂直方向的波数分量，ω为图像谱在频率域中的频率，I(k_x,k_y,ω)的维度为128×128×32。

步骤1.4：将直角坐标系下的三维频率波数图像谱I(k_x,k_y,ω)转化为极坐标系下的三维波数频率域图像谱I(|K|,θ₁,ω)

I(|K|,θ₁,ω)＝I(k_x,k_y,ω)·β

其中|K|为波数模，θ₁为图像谱角度，β为直角坐标系转极坐标系的转化矩阵。

步骤1.5：对I(|K|,θ₁,ω)按波数角度进行积分得到二维波数模频率域下的图像谱I(|K|,ω)

其中|K|为波数模；θ₁为能量谱角度，ω为图像谱在频率域中的频率。

步骤1.6：计算二维能量谱I(|K|,ω)中最大谱值为8518.5，获取谱值大于8092.6的所有点的波数模值，再将得到的波数模值算数平均，最终得到0.0456。

步骤1.7：对三维频率波数图像谱I(k_x,k_y,ω)滤波。附图4为滤除海杂波后的三维频率波数域图像谱沿|K|方向的二维横截面

其中K_p为滤波器的频带上边界，K_n为滤波器的频带下边界，ω为能量谱在频率域中的频率，Δω为频率分辨率0.0785，g为9.8m/s²，ΔK为波数模分辨率0.0065，U_max为3m/s。

步骤1.8：对得到的滤除海杂波能量后的三维频率波数图像谱进行三维傅里叶逆变换，得到抑制海杂波信号后的雷达图像序列η_m(x,y,t)

其中L_x和L_y分别为图像序列在空间域中水平方向和垂直方向的尺度为960m，T为图像序列在时间域的尺度为80s；k_x和k_y分别为图像谱在波数域中水平方向和垂直方向的波数分量，ω为图像谱在频率域中的频率，η_m(x,y,t)的维度为128×128×32。

步骤二：对抑制海杂波后的图像序列进行目标点检测

采用WL-CFAR检测器对抑制海杂波后的图像序列中的最后一幅图像进行目标点检测。在抑制了海杂波的32幅雷达图像序列中去除第一幅图像，并在最后一幅图像后增加一幅新的图像时，对更新后的雷达图像序列中最新的一幅图像进行目标点检测。附图6为单幅雷达图像目标检测结果。

应用本发明提出的一种基于空时联合滤波技术抑制图像序列中海杂波的航海雷达目标检测算法对实验船在2017年东海海域航行过程中获取的大量雷达数据及相关时间段的海况信息进行实验分析。本次实验选取2017年10月20日、22日和23日的数据，这些数据包括了小海况(1.03m)、中海况(1.87m)、高海况(2.84m)三种海况数据。分别使用本文方法和EMD方法对原始雷达图像进行海杂波抑制和目标检测对比实验，来验证本发明的性能。

使用信噪比和检测概率对比两种方法的性能，信噪比和检测概率计算方式如下：

其中s和x分别为所有目标点回波强度总和和所有杂波点回波强度的总和。<·>为取平均值。s(n)和x(n)分别为本方法中选取的范围内中目标点的回波强度总和和海杂波点的回波强度的总和。

其中N_t为目标点总数，N_dt为检测到的目标点总数。

对比结果如表二、表三、表四、表五、表六、表七所示：

表二低海况下两种方法对图像信噪比提升效果

表三中海况下两种方法对图像信噪比提升效果

表四高海况下两种方法对图像信噪比提升效果

表五低海况下的两种检测器检测结果

表六中海况下的两种检测器检测结果

表七高海况下的两种检测器检测结果

实施例2：

步骤一：所有步骤与实施例1中步骤一的所有步骤完全相同。

步骤二：对抑制海杂波后的图像序列进行目标点检测，包括以下步骤：

采用SVM检测器对抑制海杂波后的图像序列中的最后一幅图像进行目标点检测。在抑制了海杂波的32幅雷达图像序列中去除第一幅图像，并在最后一幅图像后增加一幅新的图像时，对更新后的雷达图像序列中最新的一幅图像进行目标点检测。

实施例3：

步骤一：所有步骤与实施例1中步骤一的所有步骤完全相同。

步骤二：对抑制海杂波后的图像序列进行目标点检测，包括以下步骤：

采用神经网络检测器对抑制海杂波后的图像序列中的最后一幅图像进行目标点检测。在抑制了海杂波的32幅雷达图像序列中去除第一幅图像，并在最后一幅图像后增加一幅新的图像时，对更新后的雷达图像序列中最新的一幅图像进行目标点检测。

实验结果表明，使用本发明提出的算法能够有效地抑制强海杂波信号，从而增强图像的信噪比，进而提高强海杂波情况下的目标检测概率。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于空时联合滤波技术抑制图像序列中海杂波的航海雷达目标检测算法，其特征在于：

步骤一：对选定区域原始雷达图像序列进行海杂波抑制

选取原始雷达图像序列中需要抑制海杂波的区域，利用三维傅里叶变换(3D-FFT)获得三维频率波数域图像谱；选择一种基于色散关系的空时联合滤波器滤除海杂波能量，对滤波后的图像序列的三维频率波数域图像谱进行三维傅里叶逆变换(3D-IFFT)，获得抑制海杂波后的图像序列；

步骤二：对抑制海杂波后的图像序列进行目标点检测。

2.根据权利要求1所述的一种基于空时联合滤波技术抑制图像序列中海杂波的航海雷达目标检测算法，其特征在于：所述步骤一中对选定区域原始雷达图像序列进行海杂波抑制，步骤如下：

步骤1.1：利用选定的去同频算法对连续的m幅原始雷达图像序列进行同频干扰抑制处理；

步骤1.2：选取步骤1.1中得到的原始雷达图像序列中需要抑制海杂波的区域，按照选定的插值算法将选定区域内的点的回波强度插值到直角坐标系下的网格中，该网格的中心点在极坐标系下的角度为θ，径向距离为ρ，大小为x×y；得到回波强度序列η(x,y,t)，其中x为水平方向上的点数，y为垂直方向上的点数，t为时间序列上的图像幅数；

步骤1.3：对步骤1.2中得到的图像序列η(x,y,t)进行三维傅里叶变换，得到三维频率波数域图像谱I(k_x,k_y,ω)；

其中L_x和L_y分别为图像序列在空间域中水平方向和垂直方向的尺度，T为图像序列在时间域的尺度；k_x和k_y分别为图像谱在波数域中水平方向和垂直方向的波数分量，ω为图像谱在频率域中的频率；

步骤1.4：选定一种基于色散关系的频率域与波数域联合滤波器对步骤1.3中的三维频率波数图像谱I(k_x,k_y,ω)滤波，得到滤除海杂波能量后的三维频率波数图像谱E(k_x,k_y,ω)；

其中K_p为滤波器的频带上边界，K_n为滤波器的频带下边界；

步骤1.5：对步骤1.4中得到的滤除海杂波能量后的三维频率波数图像谱进行三维傅里叶逆变换，得到抑制海杂波信号后的雷达图像序列η_m(x,y,t)；

其中x和y分别为空间域中水平方向和垂直方向上的点数，t为时间域上的图像幅数。

3.根据权利要求1或2所述的一种基于空时联合滤波技术抑制图像序列中海杂波的航海雷达目标检测算法，其特征在于：所述步骤二中对抑制海杂波后的图像序列进行目标点检测：

采用一种检测器对步骤1.5中得到的抑制海杂波后的图像序列进行目标点检测。

Images