【技术实现步骤摘要】
本专利技术涉及雷达信号处理，特别涉及一种基于距离-多普勒图(rang e-doppler，rd)纹理特征的天波雷达瞬态干扰分类方法。
技术介绍
1、天波超视距雷达(over-the-horizon radar，othr)具有不受限于地球曲率，增大探测距离，反隐身能力等优势。因此，包括我国在内的世界各国都对天波雷达展开了各种广泛的研究和探索。但是，天波雷达应用的高频段部分存在很多噪声与干扰，使雷达工作性能受到严重影响。
2、瞬态干扰可能来自流星余迹回波、闪电及人为脉冲等。它具有不可被预测的特性，其存在会提高雷达的原噪声基底，甚至有时会掩盖真实目标信号，严重降低了雷达目标信噪比和检测能力，为后续信号的处理带来了困难。特别是线性调频信号在瞬态干扰中非常典型，这是因为线性调频信号具有扫频、调频的特征，雷达本身无论是在任何频段工作都会有被其干扰的可能性，并且它对噪底的影响明显。
3、因此，对瞬态干扰的识别与抑制在国防、工程等等各方面的应用都有重大的现实意义和迫切需求。
4、对于瞬态干扰的抑制，首先需要分类识别出瞬态干扰的种类。目前而言，对于瞬态干扰的研究还主要集中在抑制方面，提出的瞬态干扰处理方法主要有：空域处理，时域处理和空时自适应处理等。针对瞬态干扰的分类研究还较少，现有技术【邢孟道,保铮,强勇.天波超视距雷达瞬态干扰抑制[j].电子学报,2002(6):823-826】主要依靠直接设定的一个阈值，将超出阈值的干扰部分挖去之后再进行信号的复原从而达成干扰抑制的目的；现有技术【甄红飞.天波超视距雷达瞬
5、现有技术【罗忠涛,夏杭,卢琨等.超视距雷达中距离-多普勒图的瞬态干扰自动识别方法[j].电子学报,2021,49(07):1279-1285】利用仿真模拟的rd图提取局部二值模式特征(local binary pattern，lbp)之后输入分类器，将干扰检测问题转化为了图像分类问题达成干扰检测目的。
6、但上述现有技术存在以下缺陷：计算量大、判断时间慢、兼容性和适用性差。
技术实现思路
1、本专利技术针对现有技术的缺陷，提供了一种基于rd图纹理特征的天波雷达瞬态干扰分类方法。引入了图像处理的手段，将信号处理方面的问题转化为图像领域的识别分类问题，利用不同种类的瞬态干扰在rd图上存在差异化的表现，从而提取图像的纹理特征，结合支撑向量机(support vector machines,svm)进行完成干扰的检测分类。
2、为了实现以上专利技术目的，本专利技术采取的技术方案如下：
3、一种基于rd图纹理特征的天波雷达瞬态干扰分类方法，包括以下步骤：
4、s1：对雷达获得的rd图进行图像处理，包括：强干扰剔除、灰度增强和尺寸变换，设计并制作出线性分类器进行训练的图片训练集，图片训练集包括：无干扰、单脉冲线性调频信号瞬态干扰、多周期性线性调频信号瞬态干扰三类；
5、s2：对获得的图片训练集分别提取两类纹理特征，分别为方向梯度直方图(histogram of oriented gradient，hog)特征与灰度共生矩阵(gray level concurrencematrix，glcm)特征；
6、s3：利用线性分类器进行训练；
7、s4：设计瞬态干扰多分类器融合判断算法，完成对输入文件的分类；
8、进一步地，所述步骤s1具体为：
9、s11：强干扰剔除：先根据已经获取的rd图的整个图像的强度制定门限，将矩阵中超出门限值的行列直接删除，门限的计算方法如下式所示：
10、threshold＝median(pic)+m
11、式中，m的值需要根据整体图像的情况进行选择，pic代表输入的图片，median表示取图像强度的中值，threshold代表所算出的门限：
12、s12：灰度增强：对s11步骤后获得的图像使用直方图均衡的方式增强对比度；
13、s13：尺寸变换：根据s12中得到的图像大小灵活地选择需要划分的图像个数，保证划分后图像大小相同即可。
14、进一步地，所述步骤s2具体为：
15、s21：对s1得到的图片训练集提取hog特征，形成特征向量a；
16、s22：对s1步骤后得到的图片训练集提取glcm特征，形成特征向量b；
17、s23：将特征向量a和特征向量b融合后形成提取后的特征。
18、进一步地，s2中方向梯度直方图是将一幅图像划分成若干个单元，计算一个单元中每个像素点对应的梯度并构成方向梯度直方图，方向梯度直方图具体的值由梯度的大小和方向同时决定，将每一个单元得到的直方图结合起来。在更大的块区域内将所包含的单元的直方图串联起来，对梯度强度进行对比度归一化。具体梯度的计算如下式所示。
19、gx(x，y)＝i(x+1，y)-i(x-1，y)
20、gy(x，y)＝i(x，y+1)-i(x，y-1)
21、
22、
23、式中，gx(x，y)和gy(x，y)：分别表示水平和垂直方向上的梯度，gx(x，y)是像素点(x+1，y)和像素点(x-1，y)之间的差值，而gy(x，y)是像素点(x，y+1)和像素点(x，y-1)之间的差值。
24、g(x，y)：表示像素点(x，y)处的梯度幅值。
25、θ(x，y)：表示像素点(x，y)处的梯度方向。
26、进一步地，s2中glcm的生成流程如下：
27、1)判断图像中最大与最小灰度级lmax，lmin，则图像中任意一组点对(i，k)的取值范围在(lmin，lmin)与(lmax，lmax)之间；
28、2)根据具体距离d与角度θ要求，对整张图像统计每一种点对(i，j)出现的次数，排列成矩阵；
29、3)对(i，j)出现的次数进行归一化得到概率p(i，j)，形成glcm矩阵。
30、4)基于获得的glcm矩阵构建了四种统计量作为特征，分别是对比度、相关性、能量、同质性，并计算对应统计量的均值与标准差作为特征。
31、进本文档来自技高网...
【技术保护点】
1.一种基于RD图纹理特征的天波雷达瞬态干扰分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的天波雷达瞬态干扰分类方法，其特征在于：所述步骤S1具体为：
3.根据权利要求2所述的天波雷达瞬态干扰分类方法，其特征在于：所述步骤S2具体为：
4.根据权利要求3所述的天波雷达瞬态干扰分类方法，其特征在于：S2中方向梯度直方图是将一幅图像划分成若干个单元，计算一个单元中每个像素点对应的梯度并构成方向梯度直方图，方向梯度直方图具体的值由梯度的大小和方向同时决定，将每一个单元得到的直方图结合起来；在更大的块区域内将所包含的单元的直方图串联起来，对梯度强度进行对比度归一化；具体梯度的计算如下式所示；
5.根据权利要求3所述的天波雷达瞬态干扰分类方法，其特征在于：S2中GLCM的生成流程如下：
6.根据权利要求3所述的天波雷达瞬态干扰分类方法，其特征在于：所述步骤S3具体为：
7.根据权利要求6所述的天波雷达瞬态干扰分类方法，其特征在于：所述步骤S4具体为：
8.根据权利要求1、6、7其中一项所述的天
...【技术特征摘要】
1.一种基于rd图纹理特征的天波雷达瞬态干扰分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的天波雷达瞬态干扰分类方法，其特征在于：所述步骤s1具体为：
3.根据权利要求2所述的天波雷达瞬态干扰分类方法，其特征在于：所述步骤s2具体为：
4.根据权利要求3所述的天波雷达瞬态干扰分类方法，其特征在于：s2中方向梯度直方图是将一幅图像划分成若干个单元，计算一个单元中每个像素点对应的梯度并构成方向梯度直方图，方向梯度直方图具体的值由梯度的大小和方向同时决定，将每一个单元得到的直方图结合...
【专利技术属性】
技术研发人员：刘思琪，耿钧，郭依佳，董海宇，胡王浩，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。