本發明屬于sar(syntheticapertureradar，合成孔徑雷達)技術領域，涉及一種利用合成孔徑雷達對艦船目標進行檢測的方法。

背景技術：

艦船目標檢測是sar應用的一個重要領域。在軍事情報監視、非法移民監管和大范圍海洋交通監管等領域有著廣泛的應用。近年來，基于gp–pnf(geometricalperturbation–polarimetricnotchfilter，幾何擾動的極化陷波濾波器)被應用到了極化sar艦船檢測問題研究上來，并取得了不錯的檢測效果(參考文獻：a.marinoandi.hajnsek,“statisticaltestsforashipdetectorbasedonthepolarimetricnotchfilter,”ieeetrans.geosci,remotesens.,vol.53,no.8,pp.4578–4595,aug.2015)。但是gp–pnf需要根據目標船只預先人為的設置參數，這使得gp–pnf無法實現完全的自適應檢測(參考文獻：a.marino,m.sugimoto,k.ouchi,andi.hajnsek,“validatinganotchfilterfordetectionoftargetsatseawithalos-palsardata:tokyobay,”ieeej.sel.topicsappl.earthobserv.remotesens.,vol.7,no.12,pp.4907–4918,dec.2014)，這在一定程度上限制了gp–pnf的使用效率。

技術實現要素：

本發明提供一種利用snf(simplifiednotchfilter，簡化陷波濾波器)對艦船目標進行檢測的方法。該方法不需要人為的預先設置參數，可以實現艦船目標的自適應檢測。

本發明的技術方案是：

首先利用極化sar獲得目標所在區域的全極化數據，利用全極化數據計算散射矢量，然后利用散射矢量構建特征部分散射矢量，再利用特征部分散射矢量計算snf圖像，最后對snf圖像采用cfar(constantfalsealarmrate，恒虛警率)檢測實現對于艦船目標的檢測。其中，snf圖像的第i行第j列元素γ0(i,j)為：

其中，tsea是sar圖像的特征部分散射矢量，*表示取共軛操作，||表示取模操作,t表示轉置操作。

本發明的有益效果是：

與現有的技術相比，本發明不需要人為預先設定參數值，可以實現完全的自適應艦船目標檢測，因此本發明簡潔易行、計算速度快。

附圖說明

圖1為本發明流程圖；

圖2為本發明實驗數據；

圖3，圖4，圖5和圖6為本發明實驗結果對比圖。

具體實施方式

圖1為本發明流程圖，具體實施步驟如下：

第一步，

對得到的極化sar圖像(圖像大小為n×m)計算每一點對應的散射矢量ki,j(i＝1,...,nj＝1,...,m)，其具體計算方法如公式一所示：

其中ki,j,l(l＝1,2,3)表示散射矢量ki,j的第l個分量，shh(i,j)表示極化sar圖像第i行第j列元素對應的水平散射分量，shv(i,j)表示極化sar圖像第i行第j列元素對應的交叉散射分量，svv(i,j)表示極化sar圖像第i行第j列元素對應的垂直散射分量，t表示轉置操作。

第二步，

采用3×3的滑動窗計算極化sar圖像中每一點的特征部分散射矢量ti,j：

其中每個點對應的特征部分散射矢量ti,j都包括6個分量。表示極化sar圖像第i行第j列個元素的第x個散射分量和第y個散射分量之間的相位，exp()表示指數函數，*表示取共軛操作，||表示取模操作，<>0在這里表示對以第i行第j列元素為中心的3×3的矩形區域作空間平均。

第三步，

計算整幅極化sar圖像的特征部分散射矢量tsea：

其中特征部分散射矢量tsea包括6個分量，<>在這里表示對整幅圖像取空間平均。

第四步，

計算極化sar圖像中每個像素點所對應的snf圖像的像素點，其具體計算公式如下：

其中γ0(i,j)表示極化sar圖像第i行第j列元素所對應的snf，

第五步，

估計snf圖像統計分布的尺度參數α，視數n和參數λ，其具體估計方法如公式五所示。

其中ψ()表示psi函數，ψ(,)表示polygamma函數，m表示cfar檢測背景窗中的像素總個數，xi表示背景窗中第i個像素的灰度值。

第六步，

根據第五步中得到的形狀參數估計視數參數估計以及參數λ的估計值計算cfar檢測閾值檢測閾值的具體計算方法如公式六所示。

其中pfa表示虛警率，n表示視數，pt表示艦船目標的功率，μ表示艦船目標功率的均值，b(,)表示beta函數，2f1(,；；)表示高斯超幾何函數。

對snf圖像進行檢測，當檢測像素點的灰度值大于等于時，判定為艦船目標像素，否則，判定為背景像素，實現對于海上艦船目標的檢測。

從技術方案上可以看到，整套艦船目標檢測流程在給定虛警率pfa的前提下，不需要額外人為給定任何參數，可以實現完全的自適應檢測。

圖2為本發明實驗數據，是利用alos-palsar平臺得到的極化sar圖像，其中橫坐標表示方位向，縱坐標表示距離向，圖中用白色矩形框標示的是需要檢測的艦船目標，其中包括兩個艦船目標。

圖3，圖4為本發明實驗結果對比圖。圖3表示的是利用本發明得到的艦船目標檢測結果圖，圖4表示的是利用rsm(reflectionsymmetrymetric，反射對稱度量)得到的艦船目標檢測結果圖，圖3，圖4中白色像素點即為檢測到的艦船目標像素點。圖5和圖6分別是圖3和圖4的局部放大圖，即圖2中的左上角艦船目標所對應區域的放大圖。四幅圖的橫坐標都表示方位向，縱坐標都表示距離向。通過觀察圖5和圖6可以發現，兩種方法都成功檢測到了艦船目標，但是相比于rsm，本發明方法可以獲得更加完整的艦船目標，保留更多的艦船目標特征，有利于后續的艦船目標鑒別操作。

以上所述僅是本發明的優選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發明的保護范圍。

現有的gp–pnf方法，其gp–pnf圖像的像素計算公式如公式七所示：

其中γ表示gp–pnf，redr為縮比參數，這一參數的取值將會影響gp–pnf的cfar檢測性能，通常需要人為選取。而本發明提出的snf圖像的cfar檢測性能不受redr的約束，這使得snf能夠自適應的實現艦船目標檢測。

snf圖像的cfar檢測性能不受redr約束的證明過程如下：

首先給出gp–pnf的概率密度函數，其表達式如公式八所示：

利用公式八，可以進一步得到關于cfar檢測閾值tγ的表達式如下：

采用變量替換可以將公式九改寫為：

繼續采用變量替換t＝λredrx，可以將公式十寫成如下形式：

由于γ與pt滿足如下等式關系：

所以γ是關于pt嚴格單調遞增的。而且對于每一個γ∈(0,1)，tγ都對應著一個最小值并且二者滿足如下關系：

根據公式十三，可以得到如下等式：

將公式十四代入公式十一中，可以得到：

從公式十五中可以看到，虛警率pfa只與有關，而與redr無關，這也就從理論上證明了本發明提出的snf的cfar檢測性能不受redr的約束。