[發明專利]基于低秩字典學習及稀疏表示的極化SAR艦船檢測方法

有效

• 申請號: 201410181747.1
• 申請日: 2014-04-30
• 公開（公告）號: CN103954934A
• 公開（公告）日: 2014-07-30
• 發明（設計）人: 王英華;齊會嬌;劉宏偉;文偉;丁軍
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G01S7/02
• 分類號: G01S7/02
• 代理公司: 西安睿通知識產權代理事務所(特殊普通合伙) 61218
• 代理人: 惠文軒

技術領域

本發明屬于雷達自動目標檢測領域，涉及一種基于低秩字典學習及稀疏表示的極化SAR艦船檢測方法，該方法適用于極化SAR圖像中的艦船目標檢測。

背景技術

合成孔徑雷達(Synthetic?Aperture?Radar，SAR)具有全天時、全天候工作的能力等特點，目前已經成為了一種重要的高分辨遙測手段。SAR圖像很重要的一項應用就是艦船檢測。近年來，基于全極化SAR數據的艦船檢測引起了廣泛的關注，其原因是極化SAR數據使得基于散射機制的檢測成為了可能。

早期的極化SAR目標檢測方法通常依賴于散射強度，例如，基于極化白化濾波器(PWF)的目標檢測方法。在低信雜比情況下，基于散射強度的檢測方法的檢測性能可能會下降。近年來，有學者提出了一些基于極化信息而非散射強度的方法，例如，部分目標檢測器(PTD)。使用PTD檢測器來檢測海雜波背景下的艦船目標時，海雜波可以用一個特征向量來描述，然后通過檢測不屬于雜波類的像素來實現目標的檢測。然而，當雜波具有變化的散射機制時，僅用一個特征向量來描述雜波不夠靈活。

為了更好地描述雜波，一種方法是使用子空間方法。有學者提出了基于稀疏表示的高光譜圖像目標檢測方法，他們假設目標和雜波位于不同的子空間，每個子空間由相應類別樣本構成的字典描述。使用目標和雜波的聯合字典對測試樣本進行稀疏表示，進而得到檢測結果。當沒有受噪聲污染的目標或雜波樣本的確位于一個子空間時，由每一類的訓練樣本構成的字典應該是低秩的。然而，當訓練樣本被噪聲污染時，字典的低秩性可能會被破壞。

發明內容

針對上述現有技術的不足，本發明的目的在于提供一種基于低秩字典學習及稀疏表示的極化SAR艦船檢測方法，該方法基于散射機制而不是散射強度，因此在低信雜比情況下，本發明的方法的檢測效果比一些現有的方法有所提高。

本發明的技術思路是：

訓練階段，用一些雜波樣本像素來訓練，對每個訓練樣本像素用一個由極化協方差矩陣產生的特征向量來描述該像素的散射機制，然后利用訓練樣本像素的特征向量進行低秩字典的學習進而得到一個字典，該字典的原子張成雜波子空間。每一個訓練樣本像素可以表示成字典原子的稀疏線性組合，再加上一個噪聲項。本發明中利用學到的低秩字典來描述海雜波，這比用單一的特征向量描述雜波更靈活。

測試階段，利用訓練階段得到的低秩字典對測試樣本的每一個像素的特征向量進行稀疏表示，利用稀疏表示系數，定義一個檢測統計量，該統計量主要依賴于極化信息而不是散射強度。得到測試圖像對應的檢測統計量圖像后，對該檢測統計量圖像施加一個全局門限，得到最終的檢測結果。

為了達到上述目的，本發明采用以下技術方案予以實現。

一種基于低秩字典學習及稀疏表示的極化SAR艦船檢測方法，其特征在于，包括以下步驟：

步驟1，提取海雜波樣本作為訓練雜波樣本，由雜波樣本的像素構造訓練數據矩陣Z；

步驟2，利用訓練數據矩陣Z進行訓練，通過學習得到低秩字典D；

步驟3，基于學習得到的低秩字典D，對測試樣本的所有像素的特征向量進行稀疏表示，根據求解的稀疏表示系數定義一個依賴于散射機制的檢測統計量，并設定一個檢測統計量門限，對測試樣本的所有像素的檢測統計量進行門限檢測，獲得最終顯示檢測結果的二值圖像。

上述的技術方案的特點和進一步改進在于：

(1)步驟1的具體子步驟為：

(1.1)提取海雜波樣本作為訓練雜波樣本，將訓練雜波樣本的N個像素的特征向量組成訓練數據矩陣Z，其表達式為：Z＝[z₁?...?z_i?...?z_N]；

其中，N為訓練雜波樣本中選取的像素的個數，且N＞9，特征向量z_i表示訓練雜波樣本的第i個像素的特征向量i＝1,2...N，則訓練數據矩陣Z的大小為9×N；

(1.2)對訓練雜波樣本的第i個像素，根據其極化散射矩陣Sⁱ，得到極化散射向量svⁱ，進而得到協方差矩陣Cⁱ。根據協方差矩陣Cⁱ得到該像素的特征向量z_i，具體表達式如下：