基于散射点和K中心一类分类器的SAR目标鉴别方法技术

本发明专利技术公开了基于散射点和K中心一类分类器的SAR目标鉴别方法，主要解决了现有技术未从雷达成像的本质揭示目标和杂波虚警的区别，鉴别总正确率低的缺点。其技术方案是：1)对SAR图像进行恒虚警检测，提取切片；2)从提取的切片中选取包含真实目标的切片构成训练样本；3)依散射点模型从训练样本中提取散射点矩阵，并进行幅度2-范数归一；4)对训练样本散射点矩阵进行K中心聚类，得到簇中心；5)计算K中心一类分类器的鉴别门限Thr；6)计算测试样本和簇中心的最小双向Hausdorff距离；7)根据该距离判断测试样本是否为目标。本发明专利技术降低了杂波虚警的虚警率，有效提高了鉴别总正确率，适用于SAR图像中车辆等具有显著强散射点分布特征的人造目标的鉴别。

【技术实现步骤摘要】
基于散射点和K中心一类分类器的SAR目标鉴别方法
本专利技术属于雷达
，涉及目标的检测与鉴别方法，可用于SAR图像中车辆等具有显著的强散射点分布特征的人造目标的鉴别。
技术介绍
雷达成像技术是在上世纪50年代发展起来的，在之后的60年里突飞猛进的发展，目前，已经在军事、农林、地质、海洋、灾害、测绘等诸多方面得到广泛的应用。合成孔径雷达SAR具有全天候、全天时、分辨率高以及穿透力强等特点，成为目前对地观测和军事侦察的重要手段。SAR图像解译是当前SAR应用的前沿课题，同时也是近几年来对地观测技术应用的一个热门领域，具有重要的研究意义和广泛的应用前景。美国林肯实验室提出了SAR图像自动目标识别的三级处理流程图并被广泛使用。该流程包含三个基本阶段：检测、鉴别、分类。目标鉴别属于目标检测和目标识别的中间阶段，是对检测阶段得到的潜在目标区域进一步区分目标和杂波，去除杂波虚警，减小目标识别阶段的计算代价。自林肯实验室提出SAR图像目标鉴别的概念后，研究者们在鉴别特征提取、鉴别器设计、性能分析、硬件实现上做了大量的研究。鉴别首先需要解决的问题是特征提取，提取的应该是能够揭示目标和杂波虚警的本质差异，使得目标和杂波虚警在特征空间上可以分离的特征。传统的SAR图像鉴别特征，如标准偏差、分形维数、加权填充比等从纹理方面揭示目标和杂波虚警的差异；如目标直径、归一化转动惯量、峰值CFAR、均值CFAR等从尺寸方面揭示目标和杂波虚警的差异；揭示目标像素集合的空间分布特征，如空间分布、拐点特征、加速度特征等从目标像素集合的空间分布方面揭示目标和杂波虚警的差异。这些特性对目标和杂波虚警的分离是有用的，但是这些特征没有从雷达相干成像的本质揭示目标和杂波虚警的区别，其鉴别总正确率较低。另外，部分传统SAR图像鉴别特征的提取，需要先对样本进行恒虚警检测，而恒虚警检测的好坏直接影响特征的可分性。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出一种基于散射点和K中心一类分类器的SAR目标鉴别方法，提高目标鉴别正确率。实现本专利技术目的的技术方案是：从雷达相干成像的本质出发，提出散射点特征，利用该特征描述目标与杂波虚警的区别；根据不同样本中提取散射点个数的不同，引入双向Hausdorff距离计算点数不同的两个点集间的距离，并用K中心一类分类器对样本进行鉴别。其具体步骤包括如下：(1)训练步骤：(1a)对SAR图像I进行恒虚警检测，得到二值图像C，对该二值图像进行聚类，得到疑似目标区域，以疑似目标区域的重心为几何中心，截取m×n的切片xi，i＝1,...,N，N是从SAR图像I中提取切片的总个数；(1b)从切片{x1,x2,...,xi,...,xN}中选取包含真实目标的切片{y1,y2,...,yj,...,yQ}构成训练样本集，其中j＝1,...,Q，Q≤N，Q是训练样本个数；(1c)估计训练样本yj的信号能量比，以此为门限从训练样本yj中提取散射点矩阵Aj，并对散射点矩阵Aj的幅度进行2-范数归一，2-范数归一后的散射点矩阵记为A'j；(1d)根据预先给定的中心个数K，K≤Q，用K中心一类分类器，将训练样本对应的散射点集{A'1,A'2,...,A'j,...,A'Q}聚为K簇，同时保存这K簇的中心t＝1,...,K；(1e)根据预先给定的拒判率P和K簇的中心计算K中心一类分类器的门限Thr，其中0≤P＜1；(2)测试步骤：(2a)估计测试切片z的信号能量比，并依此为门限提取散射点矩阵B，对散射点矩阵B的幅度进行2-范数归一，2-范数归一后的散射点矩阵记为B'；(2b)计算测试样本的散射点矩阵B'与步骤(1e)得到的K簇的中心之间的最小双向Hausdorff距离dB；(2c)将测试样本的散射点矩阵B'与K簇的中心之间的最小双向Hausdorff距离dB与步骤(1e)得到的K中心一类分类器的判决门限Thr进行比较，如果dB≤Thr，则测试样本z为目标，否则，测试样本z为杂波虚警。本专利技术从雷达成像的本质出发提取散射点特征，更好的揭示了目标和杂波虚警的区别。与现有技术相比，能够有效的提高总正确率，同时降低了杂波虚警的虚警率。附图说明图1是本专利技术的实现流程图；图2是本专利技术中的恒虚警检测子流程图；图3是本专利技术中的空心滑窗示意图；图4是本专利技术实验使用的SAR图像；图5是用本专利技术和传统方法对图4进行鉴别的结果对比图。具体实施方式以下结合附图对本专利技术技术方案及效果作进一步详细表述。参照图1，本专利技术的实现包括训练阶段和测试阶段，详细步骤如下：一、训练阶段步骤1，对SAR图像I进行恒虚警检测，得到二值图像C。参照图2，本步骤的具体实现如下：(1b)给定杂波区宽度Nr，虚警概率Pfa；(1c)选择双参数恒虚警检测器作为恒虚警检测器，根据高斯杂波统计模型和虚警概率Pfa计算出检测阈值T1＝Φ-1(1-Pfa)，其中Φ-1(·)表示标准正态分布的反函数；(1d)对SAR图像I中像素的幅度进行如下变化：b＝10*log10(a2)其中a表示图像I中某一像素的幅度，b表示图像I中某一像素的幅度变化后的幅度，变化后的图像用I1表示；(1e)选取I1(i1,j1)单元作为待检测单元，以待检测单元I1(i1,j1)为中心，按照图3所示选取警戒区和杂波区Ωc，用Nc表示杂波区域像素的个数，其中(i1,j1)表示待检测单元的坐标；(1f)估计杂波区的均值方差其中cw是杂波区域第w个单元的的幅度；(1g)用矩阵C标记图像I中对应位置是否是目标像素，设待检测单元I1(i1,j1)处的幅度为t，若则I1(i1,j1)是目标像素，矩阵C中对应位置标记为1，否则，I1(i1,j1)是非目标像素，矩阵C中对应位置标记为0；(1h)对变化后图像I1中的所有像素重复(1e)—(1g)，得到二值图像C。步骤2，对二值图像C进行聚类，并进行切片提取。(2a)对二值图像C进行区域合并，若C中任意两个区域重心的距离小于目标的最大长度l的一半，则合并区域，否则保留区域，区域合并后的二值图像记为C1；(2b)以C1中某一区域的重心为中心，在I中对应位置截取m×n的切片xi，遍历C1中的所有区域，得到N个切片，其中i＝1,...,N。步骤3，从切片{x1,x2,...,xi,...,xN}中选取包含真实目标的切片{y1,y2,...,yj,...,yQ}构成训练样本集，其中j＝1,...,Q，Q≤N，Q是训练样本个数。步骤4，估计训练样本yj的信号能量比，以此为门限从训练样本yj中提取散射点矩阵Aj。(4a)对切片yj进行恒虚警检测，得到切片yj的二值图像yjb，yjb中被置为1的为目标像素yjt，置为0的为非目标像素yjc；(4b)计算切片yj的信号能量比，其中⊙表示矩阵的Hadamard积，vec(·)表示将矩阵向量化；(4c)对切片yj做2维快速逆傅立叶变换并向量化得到原始信号ξ＝vec（ifft2(yj)），初始化信号残差r＝ξ，其中ifft2(·)表示对信号进行2维快速逆傅立叶变换；(4d)根据切片yj的大小m×n，以及雷达的距离分辨率和方位分辨率ρr、ρa，假设距离维对应的单元个数为m，方位维对应的单元个数为n，则散射点的位置坐标范围为X＝[0:ρa:nρa]，Y＝[0:ρr本文档来自技高网...

【技术保护点】
一种基于散射点和K中心一类分类器的SAR目标鉴别方法，包括：(1)训练步骤：(1a)对SAR图像I进行恒虚警检测，得到二值图像C，对该二值图像进行聚类，得到疑似目标区域，以疑似目标区域的重心为几何中心，截取m×n的切片xi，i＝1,...,N，N是从SAR图像I中提取切片的总个数；(1b)从切片{x1,x2,...,xi,...,xN}中选取包含真实目标的切片{y1,y2,...,yj,...,yQ}构成训练样本集，其中j＝1,...,Q，Q≤N，Q是训练样本个数；(1c)估计训练样本yj的信号能量比，以此为门限从训练样本yj中提取散射点矩阵Aj，并对散射点矩阵Aj的幅度进行2‑范数归一，2‑范数归一后的散射点矩阵记为A'j；(1d)根据预先给定的中心个数K，K≤Q，用K中心一类分类器，将训练样本对应的散射点集{A'1,A'2,...,A'j,...,A'Q}聚为K簇，同时保存这K簇的中心{Ac1,Ac2,...,Act,...,AcK},t=1,...,K;]]>(1e)根据预先给定的拒判率P和K簇的中心计算K中心一类分类器的门限Thr，其中0≤P＜1；(2)测试步骤：(2a)估计测试切片z的信号能量比，并依此为门限提取散射点矩阵B，对散射点矩阵B的幅度进行2‑范数归一，2‑范数归一后的散射点矩阵记为B'；(2b)计算测试样本的散射点矩阵B'与步骤(1e)得到的K簇的中心之间的最小双向Hausdorff距离dB；(2c)将测试样本的散射点矩阵B'与K簇的中心之间的最小双向Hausdorff距离dB与步骤(1e)得到的K中心一类分类器的判决门限Thr进行比较，如果dB≤Thr，则测试样本z为目标，否则，测试样本z为杂波虚警。...

【技术特征摘要】
1.一种基于散射点和K中心一类分类器的SAR目标鉴别方法，包括：(1)训练步骤：(1a)对SAR图像I进行恒虚警检测，得到二值图像C，对该二值图像进行聚类，得到疑似目标区域，以疑似目标区域的重心为几何中心，截取m×n的切片xi，i＝1,...,N，N是从SAR图像I中提取切片的总个数；(1b)从切片{x1,x2,...,xi,...,xN}中选取包含真实目标的切片{y1,y2,...,yj,...,yQ}构成训练样本集，其中j＝1,...,Q，Q≤N，Q是训练样本个数；(1c)估计训练样本yj的信号能量比，以此为门限从训练样本yj中提取散射点矩阵Aj，并对散射点矩阵Aj的幅度进行2-范数归一，2-范数归一后的散射点矩阵记为A'j；(1d)根据预先给定的中心个数K，K≤Q，用K中心一类分类器，将训练样本对应的散射点集{A'1,A'2,...,A'j,...,A'Q}聚为K簇，同时保存这K簇的中心(1e)根据预先给定的拒判率P和K簇的中心计算K中心一类分类器的门限Thr，其中0≤P＜1；(2)测试步骤：(2a)估计测试切片z的信号能量比，并依此为门限提取散射点矩阵B，对散射点矩阵B的幅度进行2-范数归一，2-范数归一后的散射点矩阵记为B'；(2b)计算测试样本的散射点矩阵B'与步骤(1e)得到的K簇的中心之间的最小双向Hausdorff距离dB；(2c)将测试样本的散射点矩阵B'与K簇的中心之间的最小双向Hausdorff距离dB与步骤(1e)得到的K中心一类分类器的判决门限Thr进行比较，如果dB≤Thr，则测试样本z为目标，否则，测试样本z为杂波虚警。2.根据权利要求1所述的基于散射点和K中心一类分类器的SAR目标鉴别方法，其中步骤(1a)所述的对SAR图像I进行恒虚警检测，按如下步骤进行：(1a1)假设目标的最大长度为l，雷达的距离分辨率和方位分辨率分别为ρr、ρa，则目标在SAR图像中的最大长度lr和最大宽度la分别为：和选取警戒窗长度(1a2)给定杂波区宽度Nr，虚警概率Pfa；(1a3)选择双参数恒虚警检测器作为恒虚警检测器，根据高斯杂波统计模型和虚警概率Pfa计算出检测阈值T1＝Φ-1(1-Pfa)，其中Φ-1(·)表示标准正态分布的反函数；(1a4)对SAR图像I中像素的幅度进行如下变化：b＝10*log10(a2)其中a表示图像I中某一像素的幅度，b表示图像I中某一像素的幅度变化后的幅度，变化后的图像用I1表示；(1a5)选取I1(i1,j1)单元作为待检测单元，以待检测单元I1(i1,j1)为中心，以L为边长构成警戒区，在警戒区四周分别拓展Nr个像素，拓展的这些像素构成杂波区Ωc，用Nc表示杂波区域像素的个数，其中(i1,j1)表示待检测单元的坐标；(1a6)估计杂波区的均值方差其中cw是杂波区域第w个单元的的幅度；(1a7)用矩阵C标记图像I中对应位置是否是目标像素，设待检测单元I1(i1,j1)处的幅度为t，若则I1(i1,j1)是目标像素，矩阵C中对应位置标记为1，否则，I1(i1,j1)是非目标像素，矩阵C中对应位置标记为0；(1a8)对变化后图像I1中的所有像素重复(1a5)—(1a7)，得到二值图像C。3.根据权利要求1所述的基于散射点和K中心一类分类器的SAR目标鉴别方法，其中步骤(1a)所述的对二值图像C进行聚类，是对二值图像C进行区域合并，若C中任意两个区域重心的距离小于目标的最大长度l的一半，则合并区域，否则保留区域，区域合并后的二值图像记为疑似目标区域C1。4.根据权利要求1所述的基于散射点和K中心一类分类器的SAR目标鉴别方法，其中所述步骤(1c)中从训练样本yj中提取散射点矩阵Aj，按如下步骤进行：(1c1)对切片yj进行恒虚警检测，得到切片yj的二值图像yjb，yjb中被置为1的为目标像素yjt，置为0的为非目标像素yjc；(1c2)计算切片yj的信号能量比，其中表示矩阵的Hadamard积，vec(·)表示将矩阵向量化；(1c3)对切片yj做2维快速...

【专利技术属性】
技术研发人员：杜兰，李汀立，李波，张维，王鹏辉，王英华，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61