基于空時混沌的光學海雜波抑制方法
【技術領域】
[0001] 本發(fā)明涉及的是一種圖像處理技術領域的新方法，是艦載光電成像探測與跟蹤海 上目標的一項核心技術，在各類軍、民用系統(tǒng)中均有廣泛的應用。
【背景技術】
[0002] 艦載光電成像探測與跟蹤系統(tǒng)較雷達系統(tǒng)具有被動隱蔽、抗干擾性強、跟蹤精度 高等優(yōu)點，是跟蹤遠距離艦船目標和掠海攻擊導彈的重要手段。光電圖像的信噪比和對比 度等信息會隨著海雜波在時間和空間上動態(tài)而變化。當海面雜波或魚鱗光較強時，光電圖 像中有大量的浪峰灰度強度接近甚至大于目標，嚴重制約了海面弱小目標的可檢測性，因 此從時間和空間上抑制海雜波是檢測海面弱小目標的關鍵技術。
[0003] 海雜波的研究主要有基于統(tǒng)計理論和混沌理論的兩種分析方法。基于統(tǒng)計理論的 海雜波分析方法將海雜波作為一種完全隨機信號，通過概率統(tǒng)計分布模型描述海雜波，如 對數正態(tài)（Logarithmic-Normal，Log-Normal)分布，Weibull分布和K分布等海雜波建模 分析。然而海雜波往往具有時間或空間上不斷變化，具有較強的非平穩(wěn)特性，海雜波的這一 時變特性使得將海雜波視為隨機過程的統(tǒng)計分析方法難以充分描述出海雜波內在的物理 本質?？沼驗V波也是抑制海雜波的主要手段，如小波分析和灰度形態(tài)學等濾波器，依據目標 信號為圖像的高頻成分，抑制空域相關性強和低頻的海雜波，而很難區(qū)分魚鱗光等圖像高 頻成分。
[0004] Haykin等針對IPIX(IntelligentPixelProeessing)相參雷達進行研究，發(fā)現了 海雜波具有較強的混沌性。光電圖像海雜波與雷達波相似，也具有較強的混沌性。專利研究 光電圖像海雜波的混沌動力學模型，分析海雜波時間和空間數據序列分別在延遲狀態(tài)空間 的相關性，從空時混沌性聯(lián)合預測和抑制海雜波，提升海雜波背景下弱小目標的檢測性能。

【發(fā)明內容】
：
[0005] 混沌，從嚴格意義上來講，是一個時間的理論。由于海雜波的回波信號是來源于移 動的海面，所以空間效應是不能忽略的。"當一個混沌動態(tài)系統(tǒng)有多個自由度時，需同時考 慮時空混沌性。Cross較早地提出時空混沌的定義：時空混沌是指需要更多相互獨立的元 素來描述系統(tǒng)特征，這不僅包括時域的元素還包括來自空域的元素。"簡單地說，時空混 沌就是指序列在時間上是混沌，而在空域上是不規(guī)則分布的序列。海雜波在時域上是混沌 的，因此只需分析海雜波空間混沌參數。本發(fā)明的目的在于提高對海雜波動態(tài)的研究，提 供一種基于空時混沌的光學圖像海雜波抑制方法。本發(fā)明通過從光電圖像中分別提取空域 和時域海雜波的混沌參數，分別通過神經網絡預測后線性擬合得到預測值，以此預測海雜 波圖像，并將海雜波預測值和實際值進行雜波對消。
[0006] 為實現這一目的，本發(fā)明采用的技術方案是：
[0007] -種基于空時混沌的光學圖像海雜波抑制方法，所述抑制方法包括如下步驟：
[0008] 1、選取海雜波光電圖像序列同一位置處的圖像強度組成一個海雜波時間強度數 據序列，同時選取海雜波光學圖像中沿海浪運動方向的一列圖像強度組成海雜波空間序 列；
[0009] 2、計算海雜波時、空數據序列的延遲時間、嵌入維數和最大Lyapunov指數；
[0010] 3、重構海雜波時、空數據序列的相空間；
[0011] 4、利用RBF神經網絡分別預測海雜波在空域和時域的灰度值；
[0012] 5、利用兩個預測值和一個實際值擬合出耦合參數；
[0013] 6、調解耦合參數，空時域聯(lián)合預測，使其預測效果達到最優(yōu)化；
[0014] 7、將海雜波預測值和海雜波實際值進行雜波對消。
[0015] 具體地，所述海雜波時間強度數據序列是由圖像序列同一位置處的圖像塊最大灰 度值與最小灰度值之差構成的，圖像塊大小為9X9像素。
[0016] 所述海雜波空間強度數據序列是由圖像序列選取中沿海浪運動方向的一列圖 像強度組成海雜波空間序列，海浪運動方向是截取波浪紋理圖像并生成時棧圖像，通過 Radon變換（拉東變換，是將數字圖像矩陣在某一指定角度射線方向上做投影變換）實現波 向的有效檢測，定義圖像P(x，y)在角度為0的Radon變換，Radon變化定義為：
[0019] 以角度0為變量的Radon變換做出一幅Radon變換域內的投影圖像，其橫軸為角 度9，縱軸為X'，Radon變換的投影線積分的強度Re(x')就是Radon變換域內的投影圖 像亮度。
[0020] 所述海雜空間波數據序列的自相關函數定義為：
[0022] 式中，x(t，i)是海雜波的圖像灰度；t是圖像幀數；而i則表示圖像空間位置；N表
[0023] 所述海雜波空間數據序列的關聯(lián)維D2定義為：
[0025] 其中C(r)是對數據序列{x(t,i),i= 1，2, 3,…，N}的重構相空間y(t,j)計算關 聯(lián)積分，其定義為：
[0027] 式中，II?II是Euclidean范數；H為Heaviside階躍函數。
[0028] 所述海雜波數據序列的相空間嵌入維m是指滿足m^D2的值。
[0029] 所述海雜波空間強度數據序列的Rosenstein小數據量方法得到的最大Lyapunov 指數定義為：
[0031] 式中，c^a，i)表示的是軌道上第j個點和它的最鄰近點之間經過第i個離散步長 后的距離；At為樣本周期；P為平均周期。在重構相空間后，尋找給定軌道上每個點的最鄰 近點y(t，j'），并計算它們之間的距離，即
[0032] dj(t, 0) =min| |y(t,j)-y(t,j') | j-j' | >P.
[0033] 所述海雜波空間強度數據序列的相空間重構是指對空間強度數據序列 {x(t,i),i= 1，2, 3,…，N}取不同的延遲來構造一個m維相空間y(t,j)，SP:y(t,j)= {x(t,i),x(n,i+I), ???,x[n,i+ (m-1)x]}j= 0, 1，2, ???，N-(m_l)t式中，y(t，j)表示 重構相空間的相點，對海雜波的時間強度數據序列，其重構的相空間軌跡與空間相空間重 構方式是相似，以及時間相空間的延遲時間Tt和嵌入維數^的取值不盡相同，因此不再重 復敘述。
[0034] 所述徑向基函數RBF神經網絡的基函數定義為：
[0035]
[0036] 訓練徑向基函數神經網絡基函數的中心值、方差以及隱含層到輸出層的權值，f就 是經過神經網絡訓練后需要逼近的函數。
[0037] 進一步，綜合利用海雜波在空間與時間上的混沌特性，對海雜波圖像相鄰時刻，相 鄰空間的像素度進行預測，預測函數可以表示為：
[0038] x(t,/) =(I-s)xt(t,i)+sxs(t,i)
[0039] i表示距離，t表示時間，運用空間相關系數來估計空間耦合系數e，xt(t，i)表示 時間序列預測函數，xs(t,i)表示空間序列預測函數。
[0040] 進一步，對上述海雜波預測值和海雜波實際值進行雜波對消是指兩者的絕對差 值，即
[0042] 可見，本發(fā)明是利用光學圖像海雜波具有的混沌特性，采用了空域和時域結合預 測的算法抑制海雜波，克服了現有時域混沌機理預測的不準確性，為提高海雜波背景下的 小弱目標檢測能力提供了新的解決思路。
【附圖說明】：
[0043] 圖I(a)和圖I(b)是選取的海浪圖像；
[0044] 圖2是基于空時混沌的光學圖像海雜波抑制方法的原理框圖；
[0045] 圖3 (a)是選定點所在時間的維度嵌入維數，圖3 (b)是選定點所在空間維度的嵌 入維數；
[0046] 圖4是RBF神經網絡的結構圖；
[0047] 圖5是擬合耦合參數的原理圖；
[0048] 圖6是空時聯(lián)合預測的預測結果；
[0049] 圖7是預測點雜波對消后的結果。
【具體實施方式】：
[0050] 本實施例在以本發(fā)明技術方案為前提下進行實施，給出了詳細的實施方式和具體 的操作過程，但本發(fā)明的保護范圍不限于下述的實施例，下面結合附圖對本發(fā)明的具體實 施例做詳細說明：
[0051] 本發(fā)明提出一種基于空時混沌的光學海雜波抑制方法包括以下步驟：選取海雜波 光學圖像中同一位置處的圖像強度組成海雜波時間序列，選取海雜波光學圖像中沿海浪運 動方向的一列圖像強度組成海雜波空間序列；分別驗證海雜波在時域和空域的混沌性，具 體方法包括計算數據序列的延遲時間、關聯(lián)維數和最大Lyapunov指數；分別對時域和空域 的數據序列進行訓練徑向基函數（RadiusBasicFunction,RBF)的神經網絡預測；用兩個 預測值和實際值進行線性擬合，得到一個耦合系數；采用最小二乘支持向量機-耦合映象 格子（LeastSquaresSportVectorMachine-CoupledMap