[發(fā)明專利]改進的低頻UWB SAR葉簇隱蔽目標融合變化檢測方法

有效

• 申請?zhí)枺?/td>: 202110407968.6
• 申請日: 2021-04-15
• 公開（公告）號: CN113159157B
• 公開（公告）日: 2023-07-25
• 發(fā)明（設計）人: 謝洪途;陳凱鵬;王國倩
• 申請（專利權）人: 中山大學
• 主分類號: G06V10/80
• 分類號: G06V10/80;G06V10/26;G06V10/774
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 劉俊

1.一種改進的低頻UWB?SAR葉簇隱蔽目標融合變化檢測方法，其特征在于，包括以下步驟：

S1：對檢測圖像和參考圖像進行預處理；

S2：求出基于改進雜波分布模型的圖像分割差值法的檢驗量圖像和檢測閾值；

基于改進雜波分布模型的圖像分割差值法是一種像素級的變化檢測方法，通過對不同時相的圖像的同一點進行相減得到差值檢驗量圖像，然后對差值檢驗量圖像進行分割，并對分割后的圖像非目標區(qū)域的概率密度分布進行估計，并設定一定的虛警概率值，在概率密度分布中得到對應的檢測閾值，大于該檢測閾值，則視為變化檢測點，由此得到第一個子算法的檢驗量圖像和檢測閾值；

S3：求出一維Edgeworth法和廣義Laguerre多項式法的檢驗量圖像和檢測閾值；

一維Edgeworth法中，先以觀測區(qū)域的每一個像素點為中心，基于Edgeworth展開式對其鄰域內的像素灰度值概率密度函數進行基于高斯概率密度分布模型的估計，在此基礎上基于K-L散度理論對多時相圖像間各點的概率密度函數差異大小進行分析，從而得到關于概率密度差異的檢驗量圖像；廣義Laguerre多項式法則以廣義Laguerre多項式為基礎，對其鄰域內的像素灰度值概率密度函數進行基于伽馬概率密度分布模型的估計，再通過K-L散度得到檢驗量圖像；然后，對檢驗量圖像進行圖像灰度值統(tǒng)計，發(fā)現統(tǒng)計量的曲線在左側出現驟降的趨勢，采用驟降曲線中的拐點作為檢驗閾值；在檢測時采用最小二乘法對密度曲線進行擬合，并取擬合曲線中豎軸等于0的橫軸值近似為檢測閾值，得到兩個子算法的檢驗量圖像和檢測閾值；

S4：將三個檢驗量圖像和檢測閾值都輸入到LE-SVDD分類器中進行訓練，并對測試樣本進行目標與非目標判別，即為最終變化檢測結果；

SVDD分類器首先將變化區(qū)域和無變化區(qū)域的變化區(qū)域檢測量記為目標類樣本和外點樣本，而后利用預先提取的目標類樣本構成的訓練樣本集對SVDD進行訓練，以期在核特征空間構建一個包含所有訓練樣本的最小超球體，并以此超球體為基礎對觀測場景中的變化檢測量進行分類；LE-SVDD在SVDD的基礎上，設定三個子算法檢驗量圖像中一點都大于對應檢驗量圖像的檢測閾值和標準差為訓練樣本，三個子算法中存在一個或兩個檢驗量圖像對應點大于檢測閾值和標準差為測試類樣本，將訓練樣本輸入到LE-SVDD分類器中進行訓練，并對測試樣本進行目標與非目標判別，即為最終變化檢測結果。

2.根據權利要求1所述的改進的低頻UWB?SAR葉簇隱蔽目標融合變化檢測方法，其特征在于，所述步驟S1的過程包括：

對檢測圖像和參考圖像進行預處理，進行雙方向的相對輻射校正處理，去除圖像中由于系統(tǒng)響應、天氣條件非目標變化因素引起的圖像灰度值變化。

3.根據權利要求2所述的改進的低頻UWB?SAR葉簇隱蔽目標融合變化檢測方法，其特征在于，所述步驟S1的具體過程是：

對于觀測區(qū)域的每一個像素點，都采用的像素鄰域計算參考圖像和檢測圖像間該點的相關系數值，當相關系數大于0.5時，則將該點設為無變化點，對于檢測圖像和參考圖像中整個圖像中的無變化點，分別設為和；采用最小二乘法進行雙方向線性估計，獲得對應的線性系數、、和；用線性系數為無變化點分配權值進行加權最小二乘估計，得到對應的線性系數、、和后繼續(xù)進行分配權值，直到線性系數穩(wěn)定下來，即為、、和，此時：

，

式中，與分別為不變點和的均值；

對于檢測圖像的所有點，采用線性變換進行變換，得到校正后的檢測圖像。