CN115661672A - 基于GMM的PolSAR图像CFAR检测方法及系统 - Google Patents

Abstract

本发明提出了一种基于GMM的PolSAR图像CFAR检测方法，采用检测器对待检测区域PolSAR图像进行处理，得到强度图，对所述强度图设定保护窗口和杂波检测窗口；对所述杂波检测窗口中的数据进行分析，并采用直方图计算大概概率密度分布PDF；对所述大概概率密度分布PDF进行莫莱小波Morlet变换，得到小波域二维绝对值图像，计算高斯混合模型的成分数；基于高斯混合模型和所述成分数，计算拟合杂波统计分布；基于所述拟合杂波统计分布，通过二分法，计算检测门限；将待测像素点与所述检测门限进行比较，以排除杂波。能够在节约内存的基础上有效拟合各PolSAR检测器的输出，获取准确的CFAR检测门限，为后期PolSAR图像的判读和解译奠定基础。

Description

基于GMM的PolSAR图像CFAR检测方法及系统

技术领域

本发明涉及雷达技术领域，具体涉及一种基于GMM的PolSAR图像CFAR检测方法及系统。

背景技术

我国是一个海洋大国，对海上信息的有效获取与精确感知在军事和民用上都至关重要。极化合成孔径雷达PolSAR将全极化获取能力和全天时全天候遥感能力完美融合，目前已广泛应用在军事侦察、地形测绘、环境与自然灾害监视、海面舰船目标检测等领域。它能够广域、实时地获取高分辨全极化图像，相比传统的合成孔径雷达能够更完整地保留目标电磁散射特性。当前，针对PolSAR图像设计的检测器种类繁多，但是输入的PolSAR图像经过各种检测器后得到的不是0-1二值图像，而是各检测器基于不同机理计算出的各像素点强度值，在实际系统中，高准确度、高效率的极化SAR图像目标检测算法是极其重要的，其效果好坏直接影响到该海区情况掌握的能力。传统的固定门限检测方法会带来大量的虚警、漏警情况，其抗干扰能力极弱，需要进行恒虚警CFAR处理才能够进行下一步的分析和判读，CFAR设计主要是为了提供相比传统门限检测而言可以自动适应环境影响的检测阈值，并且使自动检测过程在均匀背景中具有恒定的虚警概率。

PolSAR图像CFAR处理的主要过程就是分析降维处理后图像像素强度的统计分布，判断杂波模型，形成杂波功率水平估计，再与标称因子相乘得到检测门限，最后将待测像素点与检测门限比较，即可判定该像素点属于目标还是杂波。

目前在PolSAR图像CFAR检测领域，对于具有正定滤波矩阵的检测器，如最优极化检测器OPD，极化白化滤波器PWF，极化匹配滤波器PMF，极化凹口滤波器PNF，反射对称检测器RS等，普遍使用Gamma分布来拟合检测器输出值。在此基础上，又发展出广义Gamma分布来提升PolSAR检测器统计建模的鲁棒性。然而，在高分辨情况下OPD的滤波矩阵会出现非正定情况，近年来提出的对角加载滤波器DLD，基于线性判别分析LDA的联合极化检测器JPD，以及极化统一框架中基于口袋感知机的极化检测器PPLA，它们的滤波矩阵也不恒为正定矩阵。在这种情况下，基于Gamma分布、广义Gamma分布，对数正态分布的统计建模方式已不再适用，并且大量的实验数据表明，在实测数据中PNF的输出与广义Gamma模型匹配度效果较差。

发明内容

为解决上述技术问题，本发明提出了一种基于GMM的PolSAR图像CFAR检测方法，包括以下步骤：

步骤S1：采用检测器对目标PolSAR图像进行处理，得到强度图，对所述强度图设定保护窗口和杂波检测窗口；

步骤S2：对所述杂波检测窗口中的数据进行分析，并采用直方图计算大概概率密度分布PDF；

步骤S3：对所述大概概率密度分布PDF进行莫莱小波Morlet变换，得到小波域二维绝对值图像，计算高斯混合模型的成分数；

步骤S4：基于高斯混合模型和所述成分数，计算拟合杂波统计分布；

步骤S5：基于所述拟合杂波统计分布，通过二分法，计算检测门限；

步骤S6：将待测像素点与所述检测门限进行比较，以排除杂波。

优选地，步骤S2中计算大概概率密度分布PDF的公式为：

式中，Z表示检测器输出强度，f表示区间内出现数据的频率，d表示区间长度。

优选地，步骤S3中对所述大概概率密度分布PDF进行莫莱小波Morlet变换的公式为：

；

式中，CWT（a，b）表示小波函数，a表示尺度因子，b表示平移因子，

表示 Morlet函数经过尺度因子a的伸缩和平移因子b的平移。

优选地，步骤S3中计算高斯混合模型的成分数的方法为：分析所述小波域二维绝对值图像，求取峰值，并将所述峰值由大到小进行排序，计算一阶差分图，当所述一阶差分图的峰值达到设定的阈值并趋于稳定时，得到成分数。

优选地，步骤S4中计算拟合杂波统计分布的公式为：

式中，

表示高斯函数，M表示成分数，N（z|θ_m）表示一个高斯分布成分，

表示各成分的参数向量，

表示各项参数，μ_m和σ_m分别 是各成分的均值与方差，ω_m表示每个成分的权重。

优选地，步骤S5中，计算检测门限的方法包括以下步骤：

步骤S51：设定虚警率P_fa；

步骤S52：基于所述虚警率P_fa，通过以下公式计算检测门限T；

式中，erfc表示误差函数。

本发明还提出了一种基于GMM的PolSAR图像CFAR检测系统，所述系统包括窗口设定模块、杂波分析模块、小波变换模块、高斯混合模块、检测门限计算模块和目标像素检测模块；

所述窗口设定模块，用于设定保护窗口和杂波检测窗口；

所述杂波分析模块，用于对所述杂波检测窗口中的数据进行分析，并采用直方图计算大概概率密度分布PDF，输入所述小波变换模块；

所述小波变换模块，用于对所述大概概率密度分布PDF进行莫莱小波Morlet变换，得到小波域二维绝对值图像，并计算高斯混合模型的成分数，输入所述高斯混合模块；

所述高斯混合模块，通过高斯混合模型和所述成分数，计算拟合杂波统计分布，输入所述检测门限计算模块；

所述检测门限计算模块；基于所述拟合杂波统计分布，通过二分法，计算检测门限，输入所述目标像素检测模块；

所述目标像素检测模块，用于将待测像素点与所述检测门限进行比较，以判断所述待测像素点是否为目标像素。

优选地，所述小波变换模块进行莫莱小波Morlet变换的公式为：

式中，CWT（a,b）表示小波函数，a表示尺度因子，b表示平移因子，

表示 Morlet函数经过尺度因子a的伸缩和平移因子b的平移。

优选地，所述小波变换模块计算高斯混合模型的成分数的方法为：分析所述小波域二维绝对值图像，求取峰值，并将所述峰值由大到小进行排序，计算一阶差分图，当所述一阶差分图的峰值达到设定的阈值并趋于稳定时，得到成分数。

优选地，所述检测门限计算模块计算检测门限的方法为：设定虚警率，基于所述虚警率，通过以下公式计算检测门限T：

式中，P_fa表示虚警率，p（z）表示拟合杂波统计分布，M表示成分数，N（z|θ_m）表示一个高斯分布成分，μ_m和σ_m分别是各成分的均值与方差，ω_m表示每个成分的权重，z表示检测器输出强度。

与现有技术相比，本发明的有益效果在于：

将PolSAR图像检测输出的统计模型进行统一，对任意分辨率、任意检测器都能够实现快速鲁棒的PolSAR图像CFAR检测，能够在节约内存的基础上有效拟合各PolSAR检测器的输出，自适应的获取准确的CFAR检测门限，并通过将目标像素与检测门限进行对比，以排除杂波，为后期PolSAR图像的判读和解译奠定基础。

附图说明

图1为本发明方法流程图；

图2为保护窗口和杂波检测窗口的示意图；

图3为待检测区域PolSAR图像；

图4为图3的小波域二维绝对值图像；

图5为图4的峰值排序图；

图6为图5的一阶差分图；

图7为本发明实施例的拟合结果图；

图8为CFAR性能检测结果图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步的详细描述。

本发明提出的一种基于GMM的PolSAR图像CFAR检测方法的流程图如图1所示，包括以下步骤：

步骤S1：采用检测器对目标PolSAR图像进行处理，得到强度图，对强度图设定保护窗口和杂波检测窗口；

具体地，保护窗口和杂波检测窗口的示意图如图2所示，如图3为待检测区域PolSAR图像。

其中滑窗、保护窗口和杂波检测窗口，为本领域技术人员常规技术手段，在此不做过多赘述。

步骤S2：对杂波检测窗口中的数据进行分析，并采用直方图计算大概概率密度分布PDF；

具体地，算大概概率密度分布PDF的公式为：

式中，Z表示检测器输出强度，f表示区间内出现数据的频率，d表示区间长度。

步骤S3：对大概概率密度分布PDF进行莫莱小波Morlet变换，得到小波域二维绝对值图像，计算高斯混合模型的成分数；

由于采用高斯混合模型对检测器进行拟合，需要确定模型的成分数，成分数过少会导致拟合效果不佳，成分数过多会提升不必要的计算复杂度，造成硬件资源的浪费；为了获取合适的成分数，本发明实施例采用莫莱小波Morlet变换进行处理。

具体地，采用以下公式对PDF函数进行Morlet小波变换，得到如图4所示的小波域二维绝对值图像：

式中，CWT（a,b）表示小波函数，a表示尺度因子，b表示平移因子，

表示 Morlet函数经过尺度因子a的伸缩和平移因子b的平移。

之后，分析小波域二维绝对值图像，求取峰值，并将峰值由大到小进行排序，排序结果如图5所示，之后计算一阶差分图如图6所示，当一阶差分图的峰值达到设定的阈值并趋于稳定时，得到成分数，图中可以看出，在第12个峰值的地方，峰值达到稳定，因此，本发明实施例中成分数为12。

步骤S4：基于高斯混合模型和成分数，计算拟合杂波统计分布；

具体地，采用以下公式计算拟合杂波统计分布，拟合结果如图7所示，图中GMM表示本发明实施例所采用的高斯混合模型：

式中，

表示高斯函数，M表示成分数，N（z|θ_m）表示一个高斯分布成分，

表示各成分的参数向量，

表示各项参数，μ_m和σ_m分别 是各成分的均值与方差，ω_m表示每个成分的权重。

步骤S5：基于拟合杂波统计分布，通过二分法，计算检测门限；

具体地，计算检测门限的方法包括以下步骤：

步骤S51：设定虚警率P_fa；

步骤S52：基于虚警率P_fa，通过以下公式计算检测门限T；

式中，erfc表示误差函数。

步骤S6：将待测像素点与所述检测门限进行比较，以排除杂波。

本发明实施例的CFAR性能检测结果如图8所示，可以看出，本发明所检测的结果和真实数据分布非常吻合，证明了本发明方法的有效性。

为了更好的说明本发明所提方法的有效性，本发明实施例采用不同的检测器处理PolSAR图像，将杂波和目标分离，利用上述方法对杂波进行拟合，得到KL距离如表1所示：

KL距离表明拟合效果，其值越小，说明拟合越好，从表1中可以看出，通过上述方法对不同检测器进行拟合的结果，均性能表现良好。

本发明还提出了一种基于GMM的PolSAR图像CFAR检测系统，系统包括窗口设定模块、杂波分析模块、小波变换模块、高斯混合模块、检测门限计算模块和目标像素检测模块；

窗口设定模块，用于设定保护窗口和杂波检测窗口；

杂波分析模块，用于对杂波检测窗口中的数据进行分析，并采用直方图计算大概概率密度分布PDF，输入小波变换模块；

小波变换模块，用于对大概概率密度分布PDF进行莫莱小波Morlet变换，得到小波域二维绝对值图像，并计算高斯混合模型的成分数，输入高斯混合模块；

高斯混合模块，通过高斯混合模型和成分数，计算拟合杂波统计分布，输入检测门限计算模块；

检测门限计算模块；基于拟合杂波统计分布，通过二分法，计算检测门限，输入目标像素检测模块；

目标像素检测模块，用于将待测像素点与检测门限进行比较，以判断待测像素点是否为目标像素。

小波变换模块进行莫莱小波Morlet变换的公式为：

式中，a表示尺度因子，b表示平移因子，

表示Morlet函数经过尺度因子 a的伸缩和平移因子b的平移。

小波变换模块计算高斯混合模型的成分数的方法为：分析小波域二维绝对值图像，求取峰值，并将峰值由大到小进行排序，计算一阶差分图，当一阶差分图的峰值达到设定的阈值并趋于稳定时，得到成分数。

检测门限计算模块计算检测门限的方法为：设定虚警率，基于虚警率，通过以下公式计算检测门限T：

式中，P_fa表示虚警率，p（z）表示拟合杂波统计分布，M表示成分数，N（z|θ_m）表示一个高斯分布成分，μ_m和σ_m分别是各成分的均值与方差，ω_m表示每个成分的权重，z表示检测器输出强度。

本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用于限制本发明，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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于GMM的PolSAR图像CFAR检测方法，其特征在于：包括以下步骤：

步骤S1：采用检测器对待检测区域PolSAR图像进行处理，得到强度图，对所述强度图设定保护窗口和杂波检测窗口；

步骤S2：对所述杂波检测窗口中的数据进行分析，并采用直方图计算大概概率密度分布PDF；

步骤S3：对所述大概概率密度分布PDF进行莫莱小波Morlet变换，得到小波域二维绝对值图像，计算高斯混合模型的成分数；

步骤S4：基于高斯混合模型和所述成分数，计算拟合杂波统计分布；

步骤S5：基于所述拟合杂波统计分布，通过二分法，计算检测门限；

步骤S6：将待测像素点与所述检测门限进行比较，以排除杂波。

2.根据权利要求1所述的一种基于GMM的PolSAR图像CFAR检测方法，其特征在于：步骤S2中计算大概概率密度分布PDF的公式为：

式中，Z表示检测器输出强度，f表示区间内出现数据的频率，d表示区间长度。

3.根据权利要求2所述的一种基于GMM的PolSAR图像CFAR检测方法，其特征在于：步骤S3中对所述大概概率密度分布PDF进行莫莱小波Morlet变换的公式为：

；

式中，CWT（a,b）表示小波函数，a表示尺度因子，b表示平移因子，

表示Morlet 函数经过尺度因子a的伸缩和平移因子b的平移。

4.根据权利要求1所述的一种基于GMM的PolSAR图像CFAR检测方法，其特征在于：步骤S3中计算高斯混合模型的成分数的方法为：分析所述小波域二维绝对值图像，求取峰值，并将所述峰值由大到小进行排序，计算一阶差分图，当所述一阶差分图的峰值达到设定的阈值并趋于稳定时，得到成分数。

5.根据权利要求1所述的一种基于GMM的PolSAR图像CFAR检测方法，其特征在于：步骤S4中计算拟合杂波统计分布的公式为：

式中，

表示高斯函数，M表示成分数，N（z|θ_m）表示一个高斯分布成分，

表示各成分的参数向量，

表示各项参数，μ_m和σ_m分别是 各成分的均值与方差，ω_m表示每个成分的权重。

6.根据权利要求5所述的一种基于GMM的PolSAR图像CFAR检测方法，其特征在于：步骤S5中，计算检测门限的方法包括以下步骤：

步骤S51：设定虚警率P_fa；

步骤S52：基于所述虚警率P_fa，通过以下公式计算检测门限T；

式中，erfc表示误差函数。

7.一种基于GMM的PolSAR图像CFAR检测系统，其特征在于：所述系统包括窗口设定模块、杂波分析模块、小波变换模块、高斯混合模块、检测门限计算模块和目标像素检测模块；

所述窗口设定模块，用于设定保护窗口和杂波检测窗口；

所述杂波分析模块，用于对所述杂波检测窗口中的数据进行分析，并采用直方图计算大概概率密度分布PDF，输入所述小波变换模块；

所述小波变换模块，用于对所述大概概率密度分布PDF进行莫莱小波Morlet变换，得到小波域二维绝对值图像，并计算高斯混合模型的成分数，输入所述高斯混合模块；

所述高斯混合模块，通过高斯混合模型和所述成分数，计算拟合杂波统计分布，输入所述检测门限计算模块；

所述检测门限计算模块；基于所述拟合杂波统计分布，通过二分法，计算检测门限，输入所述目标像素检测模块；

所述目标像素检测模块，用于将待测像素点与所述检测门限进行比较，以判断所述待测像素点是否为目标像素。

8.根据权利要求7所述的一种基于GMM的PolSAR图像CFAR检测系统，其特征在于：所述小波变换模块进行莫莱小波Morlet变换的公式为：

式中，CWT（a,b）表示小波函数，a表示尺度因子，b表示平移因子，表示Morlet函数经过尺度因子a的伸缩和平移因子b的平移。

9.根据权利要求8所述的一种基于GMM的PolSAR图像CFAR检测系统，其特征在于：所述小波变换模块计算高斯混合模型的成分数的方法为：分析所述小波域二维绝对值图像，求取峰值，并将所述峰值由大到小进行排序，计算一阶差分图，当所述一阶差分图的峰值达到设定的阈值并趋于稳定时，得到成分数。

10.根据权利要求7所述的一种基于GMM的PolSAR图像CFAR检测系统，其特征在于：所述检测门限计算模块计算检测门限的方法为：设定虚警率，基于所述虚警率，通过以下公式计算检测门限T：

式中，P_fa表示虚警率，p（z）表示拟合杂波统计分布，M表示成分数，N（z|θ_m）表示一个高斯分布成分，μ_m和σ_m分别是各成分的均值与方差，ω_m表示每个成分的权重，z表示检测器输出强度。

Images