基于多特征自动分割的多通道近海岸模糊杂波抑制方法技术

本发明专利技术提出一种基于多特征自动分割的近海岸模糊杂波位置确定与抑制方法，主要解决现有技术在方位多通道SAR体制下对近海岸模糊杂波位置确定与抑制准确性差的问题。其方案是：首先建立多视干涉有限混合杂波模型；然后结合杂波模型利用期望最大化算法实现SAR图像自动分割，并利用马尔科夫随机场平滑技术剔除孤立错分点；最后根据获得的模糊杂波位置和训练样本构造杂波协方差矩阵实现方位模糊杂波抑制。本发明专利技术在不依赖于精确的系统参数和方位模糊源位置信息的前提下，能够获得精确的方位模糊位置信息和良好的杂波抑制性能，可应用于近海岸区域慢速动目标的检测。

Multi channel near coastal fuzzy clutter suppression method based on multi feature automatic segmentation

The invention proposes a location and suppression method for near shore fuzzy clutter based on automatic segmentation of multiple features, which mainly solves the problem of poor location and suppression accuracy of near shore fuzzy clutters under the existing multi-channel SAR system. The solution is: firstly, multi view interference finite mixture clutter model; then combining the clutter model maximization algorithm to achieve automatic segmentation of SAR images based on expectations, and use Markov random field point smoothing techniques to eliminate the isolated fault; according to the fuzzy clutter position and constructing training samples of clutter covariance matrix to achieve range ambiguous clutter suppression. The invention can obtain accurate azimuth fuzzy position information and good clutter suppression performance without relying on accurate system parameters and Location Fuzzy source location information, and can be applied to detect slow moving targets in coastal areas.

【技术实现步骤摘要】
基于多特征自动分割的多通道近海岸模糊杂波抑制方法
本专利技术属于雷达
，涉及近海岸模糊杂波的抑制，可应用于近海岸区域慢速动目标的检测。
技术介绍
对于近海岸区域而言，临近强陆地杂波的方位模糊分量或者“鬼影”是明显可见的，并且成为运动目标或舰船检测的主要干扰源。因此，抑制方位模糊成为了近海岸区域运动目标或舰船检测的首要任务。根据通道自由度划分，方位模糊抑制方法可以分为单通道和多通道方法。无论是单通道方法还是多通道方法，在后处理技术当中大部分的方位模糊抑制方法的前提在于方位模糊位置的确定。其中：单通道方法方位模糊位置的确定严重依赖于参数的精确程度，而且在某些特殊情况下还可能会失效。多通道图像域模糊杂波抑制方法要求精确获得模糊杂波训练样本，否则杂波抑制性能受限。束宇翔,何嘉懿,廖桂生等人在多通道SAR近岸水面区域模糊杂波抑制方法(电子与信息学报,2014,36(5):1030-1035.)一文中提出利用SAR图像的干涉相位特征和幅度特征联合进行模糊杂波位置确定，根据幅度和相位直方图选取对应的分割门限进行处理，该方法由于要求干涉相位和幅度直方图具有明显可区分的多峰特性，且对应的门限参数需要人工选择，因而适用性受到了制约。
技术实现思路
本专利技术的目的在于，针对上述现有技术的不足，在方位多通道SAR体制下，提出一种基于多特征自动分割的近海岸模糊杂波抑制方法，以避免人工选择过程，利用杂波的多特征对杂波进行自动分类，扩大其适用性。本专利技术的技术思路是：利用双通道SAR图像的多视干涉幅度和相位特征，采用期望最大化EM算法实现SAR图像自动分割；根据马尔科夫随机场MRF平滑技术剔除孤立错分点，并从分割结果中获得模糊杂波位置；利用获得的模糊杂波样本构造模糊杂波协方差矩阵进行模糊杂波抑制。其实现步骤包括如下：本专利技术的技术方案包括如下步骤：(1)获取沿航迹多视SAR图像的干涉幅度η、干涉相位ψ和干涉复图像；(2)获得沿航迹多视SAR图像的归一化干涉幅度和干涉相位的联合概率密度函数：其中，P表示杂波类数，αp表示第p类杂波所占的比例，表示参数为Θp＝{np,ρp,θp,σp,1,σp,2}的第p类杂波的归一化干涉幅度和干涉相位联合概率密度函数，n表示多视数，ρ表示两个通道输出间的实相干系数，θ表示杂波多视干涉相位均值，和分别表示第1通道和第2通道的功率，Ψ为干涉相位随机变量，ε为归一化幅度随机变量。(3)对SAR干涉复图像进行降采样处理，得到降采样后的干涉复图像；(4)利用最大期望算法EM对降采样后的干涉复图像进行杂波分类，得到不同参数特征的杂波集合；(5)利用杂波有限混合模型和步骤(5)获得的不同参数特征的杂波集合构造皮尔逊卡方拟合检测统计量χ2；(6)对统计量χ2进行检测：若检测统计量χ2满足则结束分类过程，执行步骤(7)，否则，继续对分类结果进行分类，其中表示卡方分布χ2(Ac-1)的上α分位点，1-α表示置性水平，Ac表示样本总体所有可能取值组成的全体所划分成的互不相交子集的个数；(7)用MRF方法对分类结果进行平滑，得到平滑后的杂波分类结果；(8)根据SAR图像分类结果可以进一步获得模糊杂波的位置，记模糊杂波的位置集合为Ωamb。由此可以获取模糊杂波多通道的训练样本数据集合其中x(i,j)＝[x1(i,j),...,xM(i,j)]T表示SAR图像像素点(i,j)处的通道数为M的方位多通道数据，xm(i,j)表示第m个方位通道SAR图像像素点(i,j)处的复数值，其中m＝1,...,M，上标T表示矩阵转置操作；(9)利用平滑之后的杂波分类结果构造杂波抑制矢量：为模糊杂波的训练数据估计模糊杂波样本协方差矩阵，为径向速度为vr的目标方位多通道矢量，di是第i个通道与参考通道间的等效相位中心间距，va为雷达平台的恒定速度，λ为波长；(10)将杂波抑制矢量wamb加权于方位多通道数据即wamb乘以后可以获得模糊杂波抑制后的SAR图像的像素点y(i,j):本专利技术与现有技术相比具有以下优点：第一，本专利技术利用EM等算法自动对杂波进行分类，可以将近海岸处各类杂波分类完好，相比于现有技术，不会将陆地与海岸杂波错分为模糊杂波。第二，本专利技术在不依赖于精确的雷达系统参数和方位模糊源位置信息的前提下，相比于现有技术，可以获得精确的方位模糊位置和良好的杂波抑制性能。附图说明图1为本专利技术使用的场景图；图2为本专利技术的实现流程图；图3为用本专利技术仿真过程中的星载SAR数据幅度图；图4为用本专利技术仿真过程中的星载SAR数据干涉相位图；图5为用本专利技术对SAR图像杂波自动分类结果图；图6为用本专利技术对模糊杂波位置的检测结果图；图7为用本专利技术对方位模糊杂波的抑制结果图。具体实施方式下面结合附图对本专利技术做更清楚、更完整的描述。参照图1，本专利技术使用的场景有M个通道，第m个通道的位置坐标为(-dm,0)，其中dm为第m个通道与第一个通道之间的距离，m＝2,...,M，杂波点的位置为(X0,R0)。参照图2，本专利技术的实施步骤如下：步骤1，获取沿航迹多视SAR图像的干涉幅度η、干涉相位ψ和干涉复图像。(1a)获取干涉复图像：先获得多视SAR干涉复图像中像素点(i,j)处的复数值In(i,j)为：其中，z1(k)和z2(k)分别表示在以像素点(i,j)为中心一个空域多视窗内，单视SAR复图像通道1和通道2的第k个独立像素点复数值，n表示多视数，即独立样本个数，上标“*”表示复共轭操作；再利用各像素点的复数值In(i,j)求得干涉复图像；(1b)获取干涉幅度η和干涉相位ψ：(1b1)获得n视样本协方差矩阵：令第k个单视样本矢量为z(k)＝[z1(k),z2(k)]T，则n视样本协方差矩阵为：其中，上标H表示矩阵复共轭转置操作，T表示矩阵转置操作，*表示共轭操作；(1b2)将(1b1)中的次对角元素作为多视干涉复数值：令In(i,j)＝ηexp(jψ)，则得到多视干涉幅度η和干涉相位ψ如下：ψ＝angle{In(i,j)}，其中angle{·}表示取辐角操作。步骤2，获得沿航迹多视SAR图像的归一化干涉幅度和干涉相位的联合概率密度函数gε,Ψ(η,ψ)。(2a)获取样本协方差矩阵期望R为：其中，Z＝[z(1),...,z(n)]，和分别表示第1通道和第2通道的功率，ρ表示这两个通道输出间的实相干系数，θ表示杂波多视干涉相位均值；(2b)根据(2a)所得结果，获得随机变量干涉相位Ψ＝ψ和归一化幅度ε＝η/(σ1σ2)的联合概率密度，为：其中，Γ(·)表示伽马函数，Kn-1(·)表示n-1阶修正的贝塞尔函数，参数集合Θ＝{n,ρ,θ,σ1,σ2}，该集合中的参数通过文献C.H.Gierull.StatisticalanalysisofmultilookSARinterferogramsforCFARdetectionofgroundmovingtargets[J]的方法估计得出；(2c)利用(2b)所得结果，获得沿航迹多视SAR图像的,T类杂波的归一化干涉幅度和归一化干涉相位的联合概率密度函数：其中，P表示杂波类数，αp表示第p类杂波所占的比例，表示参数为Θp＝{np,ρp,θp,σp,1,σp,2}的第p类杂波的归一化干涉幅度和归一化干涉相位联合概率密度函数。步骤3，对SA本文档来自技高网...

【技术保护点】
基于多特征自动分割的多通道近海岸模糊杂波抑制方法，其特征在于，包括：(1)获取沿航迹多视SAR图像的干涉幅度η、干涉相位ψ和干涉复图像；(2)获得沿航迹多视SAR图像的归一化干涉幅度和干涉相位的联合概率密度函数：

【技术特征摘要】
1.基于多特征自动分割的多通道近海岸模糊杂波抑制方法，其特征在于，包括：(1)获取沿航迹多视SAR图像的干涉幅度η、干涉相位ψ和干涉复图像；(2)获得沿航迹多视SAR图像的归一化干涉幅度和干涉相位的联合概率密度函数：其中，P表示杂波类数，αp表示第p类杂波所占的比例，表示参数为Θp＝{np,ρp,θp,σp,1,σp,2}的第p类杂波的归一化干涉幅度和干涉相位联合概率密度函数，n表示多视数，ρ表示两个通道输出间的实相干系数，θ表示杂波多视干涉相位均值，和分别表示第1通道和第2通道的功率，Ψ为干涉相位随机变量，ε为归一化幅度随机变量。(3)对SAR干涉复图像进行降采样处理，得到降采样后的干涉复图像；(4)利用最大期望算法EM对降采样后的干涉复图像进行杂波分类，得到不同参数特征的杂波集合；(5)利用杂波有限混合模型和步骤(4)获得的不同参数特征的杂波集合构造皮尔逊卡方拟合检测统计量χ2；(6)对统计量χ2进行检测：若检测统计量χ2满足则结束分类过程，执行步骤(7)，否则，继续对分类结果进行分类，其中表示卡方分布χ2(Ac-1)的上α分位点，1-α表示置性水平，Ac表示样本总体所有可能取值组成的全体所划分成的互不相交子集的个数；(7)用MRF方法对分类结果进行平滑，得到平滑后的杂波分类结果；(8)根据杂波分类结果获得模糊杂波的位置，记模糊杂波的位置集合为Ωamb。由此可以获取模糊杂波多通道的训练样本数据集合其中x(i,j)＝[x1(i,j),...,xM(i,j)]T表示SAR图像像素点(i,j)处的通道数为M的方位多通道数据，xm(i,j)表示第m个方位通道SAR图像像素点(i,j)处的复数值，其中m＝1,...,M，上标T表示矩阵转置操作；(9)利用平滑之后的杂波分类结果构造杂波抑制矢量：表示利用模糊杂波的训练数据集合估计的模糊杂波样本协方差矩阵，其中，L表示模糊杂波的训练数据集合的元素个数，上标H表示矩阵复共轭转置操作，(·)-1为矩阵求逆操作，表示径向速度为vr的目标方位多通道导向矢量，dm是第m个方位通道与参考通道间的等效相位中心间距，m＝2,...,M，va为雷达平台的恒定速度，λ为波长；(10)将杂波抑制矢量wamb加权于SAR图像上像素点(i,j)处的方位多通道数据x(i,j)，即wamb乘以x(i,j)后可以获得模糊杂波抑制后的SAR图像像素点(i,j)处的复数值y(i,j):2.根据权利要求1中所述的方法，其特征在于步骤(1)中获取沿航迹多视SAR图像的干涉幅度η、干涉相位ψ和干涉复图像，按如下步骤进行：(1a)获取干涉复图像：先获得多视SAR干涉复图像中像素点(i,j)处的复数值In(i,j)为：其中，z1(k)和z2(k)分别表示在以像素点(i,j)为中心一个空域多视窗内，单视SAR复图像通道1和通道2的第k个独立像素点复数值，n表示多视数，即独立样本个数，上标“*”表示复共轭操作；再利用各像素点的复数值In(i,j)求得干涉复图像；(1b)获取干涉幅度η和干涉相位ψ：(1b1)获得n视样本协方差矩阵：令第k个单视样本矢量为z(k)＝[z1(k),z2(k)]T，则n视样本协方差矩阵为：其中，上标H表示矩阵复共轭转置操作，T表示矩阵转置操作，*表示共轭操作；(1b2)将(1b1)中的次对角元素作为多视干涉复数值：令In(i,j)＝ηexp(jψ)，则得到多视干涉幅度η和干涉相位ψ如下：ψ＝angle{In(i,j)}，其中angle{·}表示取辐角操作。3.根据权利要求1中所述的方法，其特征在于步骤(2)中获得沿航迹多视SAR图像的归一化干涉幅度和干涉相位的联合概率密度函数，按如下步骤进行：(2a)获取样本协方差矩阵期望R为：

【专利技术属性】
技术研发人员：杨志伟，何鹏远，许华健，孙永岩，
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