一種基于極化目標(biāo)分解的支持向量機(jī)艦船目標(biāo)檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于SAR(syntheticapertureradar,合成孔徑雷達(dá))技術(shù)領(lǐng)域,涉及一種 基于極化目標(biāo)分解的SVM(supportvectormachine,支持向量機(jī))艦船目標(biāo)檢測方法。
【背景技術(shù)】
[0002] 極化SAR與單通道的SAR相比,其圖像包涵了更豐富的目標(biāo)后向散射信息?,F(xiàn)今, 極化SAR艦船目標(biāo)檢測方法已經(jīng)開發(fā)出了許多種。然而現(xiàn)有的方法存在一個(gè)重要問題:對 多種原因引起的虛警的抑制不夠好。這在極大程度上限制了極化SAR艦船目標(biāo)檢測方法的 發(fā)展。
[0003] 目前基于SVM的SAR圖像的艦船目標(biāo)檢測方法,主要是利用圖像的多極化灰度信 息提取特征向量,但是存在檢測結(jié)果虛警率高的問題,本發(fā)明提出的新方法能夠有效的降 低虛警率,提高檢測率。
【發(fā)明內(nèi)容】
[0004] 本發(fā)明提供了一種基于極化目標(biāo)分解的SVM艦船目標(biāo)檢測方法。該方法通過目標(biāo) 的后向散射信息提取特征向量可以很好的實(shí)現(xiàn)艦船目標(biāo)檢測,并且在抑制虛警和提高檢測 率方面有突出的表現(xiàn)。
[0005] 本發(fā)明技術(shù)方案的基本原理:主要是從目標(biāo)的極化散射機(jī)理出發(fā),提取目標(biāo)的特 征向量,再結(jié)合SVM進(jìn)行艦船目標(biāo)檢測。
[0006] 本發(fā)明的技術(shù)方案:
[0007] 步驟一:特征向量的選取:
[0008] 設(shè)已知極化SAR觀測數(shù)據(jù),觀測數(shù)據(jù)的共極化分量SHH(i,j),Svv(i,j)和交叉極化 分量SHV(i,j),其中i,j表示像素點(diǎn)坐標(biāo)。
[0009] 利用下式計(jì)算體散射分量Pv (i,j):
[0010] Pv(i,j) = 4|<|2SHV(i,j) |2>
[0011] 其中,〈?>表示計(jì)算鄰域平均,鄰域的大小根據(jù)實(shí)際情況確定,3*3或5*5均可。
[0012] 利用下述步驟計(jì)算表面散射分量Ps(i,j)和二面角散射分量Pd(i,j):
[0013] 首先計(jì)算中間量xn(i,j)和x22(i,j):
[0014]xn (i, j) = <IShh (i,j) +Svv (i,j) 12>-2<I2Shv (i,j) 12>
[0015]x22 (i, j) = <IShh (i,j) -Svv (i,j) 12>-<I2Shv (i,j) 12>
[0016]如果xn(i,j) >x22(i, j),則令:
[0017]a(i, j) = 〇, 0 (i,j) =〈(SHH(i,j)+Svv(i,j)) (SHH(i,j)_Svv(i,j))*>/xn(i,j)
[0018]Ps(i,j) = |xn(i,j) + |〈(SHH(i,j)+Svv(i,j)) (SHH(i,j)-Svv(i,j))*>|2/xn(i,j)I
[0019]Pd(i,j) = |x22(i,j)-|〈(SHH(i,j)+Svv(i,j)) (SHH(i,j)-Svv(i,j))*>|2/xn(i,j)I
[0020] 否則令:
[0021] (i,j) = 0,a(i,j) = < (SHH(i,j)+Svv(i,j)) (SHH(i,j)-Svv(i,j))*>/x22(i,j)
[0022] Pd(i,j) = |x22(i,j) + |〈(SHH(i,j)+Svv) (SHH(i,j)-Svv(i,j))*>|2/xn(i,j)I
[0023] Ps(i,j) = |xn(i,j)-|〈(SHH(i,j)+Svv(i,j)) (SHH(i,j)-svv(i,j))*>|2/xn(i,j)I
[0024] 利用下式計(jì)算混合散射分量Psd(i,j):
[0025] Psd (i,j) =Ps(i,j) *Pd(i,j)
[0026] 貝lj,形成的特征向量P(i,j) = [SHH(i,j),Psd(i,j),Pv(i,j)]。
[0027] 步驟二:訓(xùn)練SVM分類器:
[0028] 利用已知艦船目標(biāo)和非艦船目標(biāo)的極化SAR觀測數(shù)據(jù),根據(jù)步驟一提供的方法提 取特征向量,進(jìn)行訓(xùn)練得到所需的SVM分類器。
[0029] 步驟三:進(jìn)行分類
[0030] 將極化SAR圖像中待檢測區(qū)域的特征向量P(i,j)輸入到已經(jīng)訓(xùn)練好的SVM分類 器中,得到分類結(jié)果。
[0031] 本發(fā)明的有益效果是:
[0032] 1、通過目標(biāo)的后向散射信息也可以很好地實(shí)現(xiàn)艦船目標(biāo)的檢測;
[0033]2、算法在抑制虛警和提高檢測效率上有突出的表現(xiàn)。
【附圖說明】
[0034] 圖1是基于極化目標(biāo)分解的SVM艦船目標(biāo)檢測的具體流程圖;
[0035] 圖2是東京灣海域C波段實(shí)測數(shù)據(jù);
[0036] 圖3是本發(fā)明和反射對稱性的艦船目標(biāo)檢測算法的結(jié)果對比圖,(a)是Pfa= IX10 6時(shí)反射對稱檢測算法的結(jié)果圖;(b)是本發(fā)明的檢測結(jié)果圖;(C)是兩種檢測方法的 檢測結(jié)果統(tǒng)計(jì)表。
【具體實(shí)施方式】
[0037] 下面結(jié)合實(shí)驗(yàn)對本發(fā)明提供的基于極化目標(biāo)分解的SVM艦船目標(biāo)檢測方法進(jìn)行 詳細(xì)說明。
[0038] 圖1是基于極化目標(biāo)分解的SVM艦船目標(biāo)檢測的具體流程圖。該流程圖包括訓(xùn) 練過程和檢測過程。訓(xùn)練過程輸入的是樣本極化SAR數(shù)據(jù),即已知艦船目標(biāo)和非艦船目標(biāo) 的極化SAR觀測數(shù)據(jù),訓(xùn)練樣本的真實(shí)情況已有目視解譯法或者其他方法獲得。利用本發(fā) 明得到的步驟一計(jì)算訓(xùn)練樣本的三個(gè)特征分量SHH(i,j),Psd(i,j),Pv(i,j),得到特征向量 P(i,j)。將訓(xùn)練樣本的特征向量和對應(yīng)標(biāo)簽(即有目標(biāo)和無目標(biāo)兩種標(biāo)簽)輸入到SVM進(jìn) 行訓(xùn)練,得到所需的SVM分類器,在MATLAB2010中調(diào)用svmtrain函數(shù),即可實(shí)現(xiàn),得到SVM 分類器。檢測過程輸入待測極化SAR數(shù)據(jù),利用訓(xùn)練過程得到的SVM,即可得到待測數(shù)據(jù)是 否為艦船目標(biāo)。將標(biāo)簽值等于1的像素的灰度值設(shè)為255,即是艦船目標(biāo)。將標(biāo)簽值等于0 的像素的灰度值設(shè)為〇,即是非艦船目標(biāo)。在MATLAB2010中調(diào)用svmclassify函數(shù)(Group =svmclassify(SVMStruct,Sample),即可實(shí)現(xiàn)。
[0039] 圖2是本發(fā)明選取的東京灣C波段實(shí)測數(shù)據(jù),其中矩形框內(nèi)的圓圈內(nèi)所標(biāo)示的兩 個(gè)區(qū)域a和b的切片像素得到的樣本標(biāo)簽對SVM進(jìn)行訓(xùn)練。
[0040]圖3是本發(fā)明與反射對稱性的艦船目標(biāo)檢測算法的結(jié)果對比圖。
[0041] 實(shí)驗(yàn)中Rd(detectionrate,檢測率)和FoM(FiguresofMerit,品質(zhì)因數(shù))的定 義如下:
[0044] 上兩式中,義表示算法檢測到的目標(biāo)數(shù)量,N,表示真實(shí)的目標(biāo)數(shù)量,N,3表示虛警 數(shù)量。
[0045] 由圖3可以看出:當(dāng)利用反射對稱性的艦船目標(biāo)檢測方法對圖2中C波段東京灣 數(shù)據(jù)所取區(qū)域進(jìn)行檢測時(shí),Pfa= 1X10 6的情況下檢測結(jié)果如圖3(a)所示,其中矩形框內(nèi) 的區(qū)域代表檢測目標(biāo),橢圓框內(nèi)的區(qū)域代表虛警??梢钥闯?,9個(gè)目標(biāo)被完全檢測出來,但 虛警數(shù)量較多,且目標(biāo)的結(jié)構(gòu)信息比較模糊,特別是左起第五個(gè)目標(biāo)的十字模糊體現(xiàn)的很 嚴(yán)重;當(dāng)利用本發(fā)明對同樣的數(shù)據(jù)進(jìn)行檢測時(shí),結(jié)果如圖3(b)所示。9個(gè)真實(shí)目標(biāo)同樣被 完全檢測出來,虛警數(shù)量只有1個(gè),且目標(biāo)的結(jié)構(gòu)信息較為明確,兩種方法的具體比較見圖 3 (c),從圖中可以看出,本發(fā)明的品質(zhì)因數(shù)FoM高于反射對稱性的艦船目標(biāo)檢測算法。
【主權(quán)項(xiàng)】
1. 一種基于極化目標(biāo)分解的支持向量機(jī)艦船目標(biāo)檢測方法,其特征在于,包括下述步 驟: 步驟一:特征向量的選取: 設(shè)已知極化SAR觀測數(shù)據(jù)的共極化分量Shh (i,j),Svv (i,j)和交叉極化分量Shv (i,j), 其中i,j表示像素點(diǎn)坐標(biāo),SAR指合成孔徑雷達(dá); 利用下式計(jì)算體散射分量Pv(i,j): Pv(i, j) = 4|<|2SHV(i, j) |2> 其中,〈?>表示計(jì)算鄰域平均,鄰域的大小根據(jù)實(shí)際情況確定; 利用下述步驟計(jì)算表面散射分量Ps(i,j)和二面角散射分量Pd(i,j): 首先計(jì)算中間量xn (i, j)和x22(i, j): X11(i, j) = < IShh (i, j) +Svv (i, j) 12>-2< I 2Shv (i, j) 12> x22 (i, j) =〈 IShh (i, j) -Svv (i, j) 12>-〈 I 2SHV (i, j) 12> 如果 xn (i, j) > x22 (i, j),則令: a (i, j) = 〇, P (i, j) = < (SHH(i, j)+Svv(i, j)) (SHH(i, j)-Svv(i, j))*>/xn(i, j) Ps(i, j) = |xn(i, j) + |〈(SHH(i, j)+Svv(i, j)) (SHH(i, j)-Svv(i, j))*>|2/xn(i, j) Pd(i, J') = |x22(i, j)-|<(SHH(i, j)+Svv(i, j)) (SHH(i, j)-Svv(i, j))*> IVx11 (i, j) 否則令: 0 (i, j) = 〇, a (i, j) = <(SHH(i, j)+Svv(i, j)) (SHH(i, j)-Svv(i, j))*>/x22(i, j) Pd(i, J') = |x22(i, j)+<| (SHH (i, j)+Svv) (SHH (i, j)-Svv(i, j))*> IVx11 (i, j) Ps(i, j) = |xn(i, j)-|〈(SHH(i, j)+Svv(i, j)) (SHH(i, j)-Svv(i, j))*>|2/xn(i, j) 利用下式計(jì)算混合散射分量Psd(i,j): Psd(i, j) = Ps (i, j) ? Pd(i, j) 則形成的特征向量 P(i,j) = [SHH(i,j),Psd(i,j),Pv(i,j)]; 步驟二:訓(xùn)練SVM分類器: 利用已知艦船目標(biāo)和非艦船目標(biāo)的極化SAR觀測數(shù)據(jù),根據(jù)步驟一提供的方法提取特 征向量,進(jìn)行訓(xùn)練得到所需的支持向量機(jī)分類器; 步驟三:進(jìn)行分類: 將極化SAR圖像中待檢測區(qū)域的特征向量P(i, j)輸入到已經(jīng)訓(xùn)練好的支持向量機(jī)分 類器中,得到分類結(jié)果。
【專利摘要】本發(fā)明提供一種基于極化目標(biāo)分解的SVM艦船目標(biāo)檢測方法。本發(fā)明技術(shù)方案的基本原理主要是從目標(biāo)的極化散射機(jī)理出發(fā),提取目標(biāo)的特征向量,再結(jié)合SVM進(jìn)行艦船目標(biāo)檢測。技術(shù)方案包括:步驟一:特征向量的選?。徊襟E二:訓(xùn)練SVM分類器;步驟三:進(jìn)行分類。本發(fā)明通過目標(biāo)的后向散射信息提取特征向量可以很好的實(shí)現(xiàn)艦船目標(biāo)檢測,并且在抑制虛警和提高檢測率方面有突出的表現(xiàn)。
【IPC分類】G06K9/62, G06K9/00
【公開號】CN105069432
【申請?zhí)枴緾N201510484492
【發(fā)明人】高貴, 王肖洋, 周石琳, 歐陽克威
【申請人】中國人民解放軍國防科學(xué)技術(shù)大學(xué)
【公開日】2015年11月18日
【申請日】2015年8月10日