一种基于极化目标分解的支持向量机舰船目标检测方法

摘要

本发明提供一种基于极化目标分解的SVM舰船目标检测方法。本发明技术方案的基本原理主要是从目标的极化散射机理出发，提取目标的特征向量，再结合SVM进行舰船目标检测。技术方案包括：步骤一：特征向量的选取；步骤二：训练SVM分类器；步骤三：进行分类。本发明通过目标的后向散射信息提取特征向量可以很好的实现舰船目标检测，并且在抑制虚警和提高检测率方面有突出的表现。

说明书

技术领域

本发明属于SAR(syntheticapertureradar，合成孔径雷达)技术领域，涉及 一种基于极化目标分解的SVM(supportvectormachine,支持向量机)舰船目标 检测方法。

背景技术

极化SAR与单通道的SAR相比，其图像包涵了更丰富的目标后向散射信息。 现今，极化SAR舰船目标检测方法已经开发出了许多种。然而现有的方法存在 一个重要问题：对多种原因引起的虚警的抑制不够好。这在极大程度上限制了 极化SAR舰船目标检测方法的发展。

目前基于SVM的SAR图像的舰船目标检测方法，主要是利用图像的多极 化灰度信息提取特征向量，但是存在检测结果虚警率高的问题，本发明提出的 新方法能够有效的降低虚警率，提高检测率。

发明内容

本发明提供了一种基于极化目标分解的SVM舰船目标检测方法。该方法通 过目标的后向散射信息提取特征向量可以很好的实现舰船目标检测，并且在抑 制虚警和提高检测率方面有突出的表现。

本发明技术方案的基本原理：主要是从目标的极化散射机理出发，提取目 标的特征向量，再结合SVM进行舰船目标检测。

本发明的技术方案：

步骤一：特征向量的选取：

设已知极化SAR观测数据，观测数据的共极化分量S_HH(i,j),S_VV(i,j)和交叉极 化分量S_HV(i,j),其中i,j表示像素点坐标。

利用下式计算体散射分量P_v(i,j)：

P_v(i,j)＝4|<|2S_HV(i,j)|²>|

其中，<·>表示计算邻域平均，邻域的大小根据实际情况确定，3*3或5*5均 可。

利用下述步骤计算表面散射分量P_s(i,j)和二面角散射分量P_d(i,j)：

首先计算中间量x₁₁(i,j)和x₂₂(i,j)：

x₁₁(i,j)＝<|S_HH(i,j)+S_VV(i,j)|²>-2<|2S_HV(i,j)|²>

x₂₂(i,j)＝<|S_HH(i,j)-S_VV(i,j)|²>-<|2S_HV(i,j)|²>

如果x₁₁(i,j)＞x₂₂(i,j),则令：

α(i,j)＝0,β(i,j)＝<(S_HH(i,j)+S_VV(i,j))(S_HH(i,j)-S_VV(i,j))^*>/x₁₁(i,j)

P_s(i,j)＝|x₁₁(i,j)+|<(S_HH(i,j)+S_VV(i,j))(S_HH(i,j)-S_VV(i,j))^*>|²/x₁₁(i,j)|

P_d(i,j)＝|x₂₂(i,j)-|<(S_HH(i,j)+S_VV(i,j))(S_HH(i,j)-S_VV(i,j))^*>|²/x₁₁(i,j)|

否则令：

β(i,j)＝0,α(i,j)＝<(S_HH(i,j)+S_VV(i,j))(S_HH(i,j)-S_VV(i,j))^*>/x₂₂(i,j)

P_d(i,j)＝|x₂₂(i,j)+|<(S_HH(i,j)+S_VV)(S_HH(i,j)-S_VV(i,j))^*>|²/x₁₁(i,j)|

P_s(i,j)＝|x₁₁(i,j)-|<(S_HH(i,j)+S_VV(i,j))(S_HH(i,j)-S_VV(i,j))^*>|²/x₁₁(i,j)|

利用下式计算混合散射分量P_sd(i,j)：

P_sd(i,j)＝P_s(i,j)·P_d(i,j)

则，形成的特征向量P(i,j)＝[S_HH(i,j),P_sd(i,j),P_v(i,j)]。

步骤二：训练SVM分类器：

利用已知舰船目标和非舰船目标的极化SAR观测数据，根据步骤一提 供的方法提取特征向量，进行训练得到所需的SVM分类器。

步骤三：进行分类

将极化SAR图像中待检测区域的特征向量P(i,j)输入到已经训练好的 SVM分类器中，得到分类结果。

本发明的有益效果是：

1、通过目标的后向散射信息也可以很好地实现舰船目标的检测；

2、算法在抑制虚警和提高检测效率上有突出的表现。

附图说明

图1是基于极化目标分解的SVM舰船目标检测的具体流程图；

图2是东京湾海域C波段实测数据；

图3是本发明和反射对称性的舰船目标检测算法的结果对比图，(a)是 P_fa＝1×10^-6时反射对称检测算法的结果图；(b)是本发明的检测结果图；(c)是两种 检测方法的检测结果统计表。

具体实施方式

下面结合实验对本发明提供的基于极化目标分解的SVM舰船目标检测方法 进行详细说明。

图1是基于极化目标分解的SVM舰船目标检测的具体流程图。该流程图包 括训练过程和检测过程。训练过程输入的是样本极化SAR数据，即已知舰船目 标和非舰船目标的极化SAR观测数据，训练样本的真实情况已有目视解译法或 者其他方法获得。利用本发明得到的步骤一计算训练样本的三个特征分量 S_HH(i,j),P_sd(i,j),P_v(i,j)，得到特征向量P(i,j)。将训练样本的特征向量和对应标签 (即有目标和无目标两种标签)输入到SVM进行训练，得到所需的SVM分类 器，在MATLAB2010中调用svmtrain函数，即可实现，得到SVM分类器。检 测过程输入待测极化SAR数据，利用训练过程得到的SVM，即可得到待测数据 是否为舰船目标。将标签值等于1的像素的灰度值设为255，即是舰船目标。将 标签值等于0的像素的灰度值设为0，即是非舰船目标。在MATLAB2010中调 用svmclassify函数(Group＝svmclassify(SVMStruct,Sample)，即可实现。

图2是本发明选取的东京湾C波段实测数据，其中矩形框内的圆圈内所标 示的两个区域a和b的切片像素得到的样本标签对SVM进行训练。

图3是本发明与反射对称性的舰船目标检测算法的结果对比图。

实验中R_d(detectionrate,检测率)和FoM(FiguresofMerit，品质因数)的定义 如下：

R_d＝N_d/N_t

$FoM=\frac{N_d}{N_t+N_{fa}}$

上两式中，N_d表示算法检测到的目标数量，N_t表示真实的目标数量，N_fa表 示虚警数量。

由图3可以看出：当利用反射对称性的舰船目标检测方法对图2中C波段 东京湾数据所取区域进行检测时，P_fa＝1×10^-6的情况下检测结果如图3(a)所示， 其中矩形框内的区域代表检测目标，椭圆框内的区域代表虚警。可以看出，9个 目标被完全检测出来，但虚警数量较多，且目标的结构信息比较模糊，特别是 左起第五个目标的十字模糊体现的很严重；当利用本发明对同样的数据进行检 测时，结果如图3(b)所示。9个真实目标同样被完全检测出来，虚警数量只有1 个，且目标的结构信息较为明确，两种方法的具体比较见图3(c)，从图中可以看 出，本发明的品质因数FoM高于反射对称性的舰船目标检测算法。