太阳城集团

  • / 12
  • 下载费用:30 金币  

一种基于RPCA技术的SAR图像舰船目标检测方法.pdf

摘要
申请专利号:

太阳城集团CN201611174329.5

申请日:

2016.12.19

公开号:

CN106778870A

公开日:

2017.05.31

当前法律状态:

实审

有效性:

审中

法律详情: 实质审查的生效IPC(主分类):G06K 9/62申请日:20161219|||公开
IPC分类号: G06K9/62; G06K9/40; G06K9/34; G06K9/00 主分类号: G06K9/62
申请人: 中国电子科技集团公司第二十研究所
发明人: 赵磊
地址: 710068 陕西省西安市雁塔区光华路1号
优先权: 2015.12.22 CN 2015109698013
专利代理机构: 西北工业大学专利中心 61204 代理人: 顾潮琪
PDF完整版下载: PDF下载
法律状态
申请(专利)号:

CN201611174329.5

授权太阳城集团号:

|||

法律状态太阳城集团日:

太阳城集团2017.06.23|||2017.05.31

法律状态类型:

太阳城集团实质审查的生效|||公开

摘要

太阳城集团本发明提供了一种基于RPCA技术的SAR图像舰船目标检测方法,首先针对SAR图像相干斑噪声模型,利用对数变换将相干斑乘性噪声转化为加性噪声,接着计算背景散射信号的相干与非相干接收信号功率比值,将SAR图像转化为相应的RF图像,然后利用RPCA技术将RF图像分解为低秩矩阵部分和稀疏矩阵部分,去除RF图像中由噪声形成的稀疏矩阵部分,最后利用结合空域太阳城集团的改进型MRF对低秩矩阵所形成的相对理想的RF图像进行二值分割,通过归一化RCS特征识别出舰船目标。本发明可以有效抑制斑点噪声,并且保留了图像边缘细节。

权利要求书

1.一种基于RPCA技术的SAR图像舰船目标检测方法,其特征在于包括下述步骤:
(1)针对SAR图像相干斑噪声模型,利用对数变换将相干斑乘性噪声转化为加性噪声I
=log(I0),其中,为原始SAR图像,M和N分别表示图像行数和列数;
(2)计算背景散射信号的相干与非相干接收信号功率比值,将SAR图像转化为相应的RF
图像其中,表示第k个像素块中3×3的局部窗区域的相干功率,表
示第k个100×100像素块区域的非相干功率;
(3)利用RPCA技术将RF图像分解为低秩矩阵部分和稀疏矩阵部分,具体步骤如下:
a1)将RF图像D=L+E分为实部和虚部矩阵,分别记为DR和DI,其中为低秩矩阵,
为稀疏矩阵;
a2)用APG算法分别求解由DR和DI所形成的两个对偶问题,在低秩矩阵和稀疏矩阵分离
后可以获得低秩矩阵的两个实数矩阵,记为LR和LI;
a3)将实数矩阵LR和LI重新组合为复数低秩矩阵Y=LR+i*LI;
(4)利用MRF对低秩矩阵部分形成的图像进行二值分割,通过归一化RCS特征识别出舰
船目标,具体步骤如下:
b1)对每一像素点s,取特征场中像素点s处的能量函数U1(Ys/Xs)最小值作为此像素点s
的标记,Ys为s的特征场,Xs为s的标记场,遍历整个图像得到初始的标记场X0;U1(Ys|Xs)=
exp(-P(Ys|Xs)),P(Ys/Xs)表示像素点s处的似然函数,
<mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>Y</mi> <mi>s</mi> </msub> <mo>|</mo> <msub> <mi>X</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msqrt> <mrow> <mn>2</mn> <msup> <mi>&pi;&sigma;</mi> <mn>2</mn> </msup> </mrow> </msqrt> <msub> <mi>y</mi> <mi>s</mi> </msub> </mrow> </mfrac> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <msup> <mrow> <mo>(</mo> <mi>l</mi> <mi>n</mi> <mo>(</mo> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>)</mo> <mo>-</mo> <msub> <mi>&mu;</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msubsup> <mi>&sigma;</mi> <mi>s</mi> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>
其中μξ和δξ分别为每类的对数均值和对数均方差,分类值取为ξ∈{0,1};
b2)当迭代次数k=0时,由当前分割得到第k次模型参数估计值θk,对图像上每个像素点
s,计算第k次全局能量的最大值对应的标记场
中像素点s的第k次能量函数,遍历整个图像得到相应的标记场Xk;U2(Xs)=∑c∈CVC(xs,xn),n
为s的二阶邻域系统N(i,j)中一个像素,N(i,j)={(±1,0),(0,±1),(1,±1),(-1,±1)},
c表示8邻域系统中的二元基团,C表示图像中所有基团的集合,VC(xs,xn)表示与基团相关的
新势能函数,
<mrow> <msub> <mi>V</mi> <mi>C</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mo>-</mo> <mi>&beta;</mi> <mo>,</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>=</mo> <msub> <mi>x</mi> <mi>n</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mfrac> <msubsup> <mi>&delta;</mi> <mi>s</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <msubsup> <mi>&delta;</mi> <mi>s</mi> <mn>2</mn> </msubsup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>-</mo> <msub> <mi>y</mi> <mi>n</mi> </msub> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <msub> <mi>d</mi> <mrow> <mi>s</mi> <mi>n</mi> </mrow> </msub> <mo>)</mo> </mrow> </mfrac> <mi>&beta;</mi> <mo>,</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>&NotEqual;</mo> <msub> <mi>x</mi> <mi>n</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中为xs处的标准差,β为惩罚因子,设为1,ys和yn分别为标记场xs和xn处的强度,dsn
为标记场中xs和xn间距离;
b3)判断是否收敛,具体如下:
c1)如果变化量Δ≥Uk(Xs,Ys)-Uk-1(Xs,Ys)认为全局能量变化很小,标记场Xk为最后的
分割结果,式中Δ为设定的常数;
c2)否则,转到步骤b2),k值加1,更新图像模型参数得到θk+1,参数向量
对于特征场Y为对数正态分布模型,最大似然法估计出的模型参数表
达式为:
<mrow> <msubsup> <mi>&mu;</mi> <mi>m</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </msubsup> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <munder> <mo>&Sigma;</mo> <mrow> <mi>s</mi> <mo>,</mo> <msub> <mi>X</mi> <mi>s</mi> </msub> <mo>=</mo> <mi>m</mi> </mrow> </munder> <mi>l</mi> <mi>n</mi> <mrow> <mo>(</mo> <msubsup> <mi>y</mi> <mi>s</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </msubsup> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>&delta;</mi> <mi>m</mi> <mrow> <mn>2</mn> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </msubsup> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <munder> <mo>&Sigma;</mo> <mrow> <mi>s</mi> <mo>,</mo> <msub> <mi>X</mi> <mi>s</mi> </msub> <mo>=</mo> <mi>m</mi> </mrow> </munder> <msup> <mrow> <mo>(</mo> <mi>l</mi> <mi>n</mi> <mo>(</mo> <msubsup> <mi>y</mi> <mi>s</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </msubsup> <mo>)</mo> <mo>-</mo> <msubsup> <mi>&mu;</mi> <mi>m</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
其中m为状态标记,取值{0,1};
b4)将RF图像分割出的二值图像中每个目标像素值与参考归一化RCS值进行比较,如果
大于参考值,则识别为舰船目标。

说明书

一种基于RPCA技术的SAR图像舰船目标检测方法

技术领域

本发明属于雷达目标检测领域,涉及一种SAR图像舰船目标检测方法。

背景技术

合成孔径雷达(SAR)应用到海洋目标检测和监视领域越来越受到重视,一方面可
以用于民用渔业管理、海洋污染监控等领域,另一方面可以通过从SAR图像提取舰船重要信
息,对确保海上主动权和成功进行军事行动起到了重要作用。SAR图像中相干斑噪声主要由
散射体表面反射的电磁波相干叠加造成的,直接影响SAR图像处理效果;舰船目标和海洋海
浪的运动都会引起方位向模糊,这些效应都给舰船目标检测带来了一定困难,但也可以从
中提取出舰船目标运动状况太阳城集团。随着SAR图像分辨率越来越高,乘积模型在相干斑模型的
基础上发展出来,更能够准确描述不同SAR图像。由于许多空域自适应滤波算法只考虑了像
素点的强度太阳城集团及其邻域像素的空间关系,滤波效果不如意。如果能够有效利用SAR对舰船
成像的物理机理来提取舰船目标特征太阳城集团,那么对舰船目标检测将更加有效。

发明内容

为了克服现有技术的不足,本发明提供一种基于RPCA技术的SAR图像舰船目标检
测方法,可以有效抑制斑点噪声,并且保留了图像边缘细节。本发明针对SAR图像相干斑噪
声模型,利用对数变换将相干斑乘性噪声转化为加性噪声,接着计算背景散射信号的相干
与非相干接收信号功率比值,将SAR图像转化为相应的RF图像,然后利用RPCA技术将RF图像
分解为低秩矩阵部分和稀疏矩阵部分,最后利用MRF对低秩矩阵部分形成的图像进行二值
分割,通过归一化RCS特征识别出舰船目标。

本发明解决其技术问题所采用的技术方案包括以下步骤:

(1)针对SAR图像相干斑噪声模型,利用对数变换将相干斑乘性噪声转化为加性噪
声I=log(I0),其中,为原始SAR图像,M和N分别表示图像行数和列数;

(2)计算背景散射信号的相干与非相干接收信号功率比值,将SAR图像转化为相应
的RF图像其中,表示第k个像素块中3×3的局部窗区域的相干功率,
表示第k个100×100像素块区域的非相干功率;

(3)利用RPCA技术将RF图像分解为低秩矩阵部分和稀疏矩阵部分,具体步骤如下:

a1)将RF图像D=L+E分为实部和虚部矩阵,分别记为DR和DI,其中为低秩
矩阵,为稀疏矩阵;

a2)用APG算法分别求解由DR和DI所形成的两个对偶问题,在低秩矩阵和稀疏矩阵
分离后可以获得低秩矩阵的两个实数矩阵,记为LR和LI;

a3)将实数矩阵LR和LI重新组合为复数低秩矩阵Y=LR+i*LI;

(4)利用MRF对低秩矩阵部分形成的图像进行二值分割,通过归一化RCS特征识别
出舰船目标,具体步骤如下:

b1)对每一像素点s,取特征场中像素点s处的能量函数U1(Ys/Xs)最小值作为此像
素点s的标记,Ys为s的特征场,Xs为s的标记场,遍历整个图像得到初始的标记场X0;U1(Ys|
Xs)=exp(-P(Ys|Xs)),P(Ys/Xs)表示像素点s处的似然函数,


其中μξ和δξ分别为每类的对数均值和对数均方差,分类值取为ξ∈{0,1};

b2)当迭代次数k=0时,由当前分割得到第k次模型参数估计值θk,对图像上每个
像素点s,计算第k次全局能量的最大值对应的
标记场中像素点s的第k次能量函数,遍历整个图像得到相应的标记场Xk;U2(Xs)=∑c∈CVC
(xs,xn),n为s的二阶邻域系统N(i,j)中一个像素,N(i,j)={(±1,0),(0,±1),(1,±1),(-
1,±1)},c表示8邻域系统中的二元基团,C表示图像中所有基团的集合,VC(xs,xn)表示与基
团相关的新势能函数,


其中为xs处的标准差,β为惩罚因子,设为1,ys和yn分别为标记场xs和xn处的强
度,dsn为标记场中xs和xn间距离;

b3)判断是否收敛,具体如下:

c1)如果变化量Δ≥Uk(Xs,Ys)-Uk-1(Xs,Ys)认为全局能量变化很小,标记场Xk为最
后的分割结果,式中Δ为设定的常数;

c2)否则,转到步骤b2),k值加1,更新图像模型参数得到θk+1,参数向量
对于特征场Y为对数正态分布模型,最大似然法估计出的模型参数表
达式为:



其中m为状态标记,取值{0,1};

b4)将RF图像分割出的二值图像中每个目标像素值与参考归一化RCS值进行比较,
如果大于参考值,则识别为舰船目标。

本发明的有益效果是:

(1)本发明采用对数变换将SAR图像相干斑噪声变为加性高斯噪声,使得更加满足
RPCA技术中稀疏矩阵要求高斯模型这一假设,去噪效果进一步提高;

(2)本发明根据SAR对舰船成像的物理机理,基于RF因子更加有效描述SAR图像中
舰船目标特征,所以从RF图像中提取舰船目标特征更加有效;

(3)本发明基于改进型MRF模型对RF图像去噪后的低秩矩阵部分进行处理,充分利
用了图像特征太阳城集团和空间距离太阳城集团,性能优于传统MRF模型。

附图说明

图1为本发明基于RPCA技术的SAR图像舰船目标检测方法的流程图;

图2为本发明基于RPCA技术的SAR图像舰船目标检测方法的具体处理框图。

具体实施方式

下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施
例。

本发明提供的一种基于RPCA技术的SAR图像舰船目标检测方法实现步骤如下:首
先针对SAR图像相干斑噪声模型,利用对数变换将相干斑乘性噪声转化为加性噪声,使得更
加符合本方法模型,接着计算背景散射信号的相干与非相干接收信号功率比值,将SAR图像
转化为相应的RF图像,然后利用RPCA技术将RF图像分解为低秩矩阵部分和稀疏矩阵部分,
去除RF图像中由噪声形成的稀疏矩阵部分,最后利用结合空域太阳城集团的改进型MRF对低秩矩
阵所形成的相对理想的RF图像进行二值分割,通过归一化RCS特征识别出舰船目标。具体包
括以下步骤:

步骤(1)、针对SAR图像相干斑噪声模型,利用对数变换将相干斑乘性噪声转化为
加性噪声;

步骤(2)、计算背景散射信号的相干与非相干接收信号功率比值,将SAR图像转化
为相应的RF图像;

步骤(3)、利用RPCA技术将RF图像分解为低秩矩阵部分和稀疏矩阵部分;

步骤(4)、利用MRF对低秩矩阵部分形成的图像进行二值分割,通过归一化RCS特征
识别出舰船目标。

所述步骤(1)中的针对SAR图像相干斑噪声模型,利用对数变换将相干斑乘性噪声
转化为加性噪声的表达式为:

I=log(I0)

其中为原始SAR图像,M和N分别表示图像行数和列数。

这时,SAR图像相干斑乘性噪声模型转化为加性噪声,使得更加符合本方法模型。

所述步骤(2)中的计算背景散射信号的相干与非相干接收信号功率比值,将SAR图
像转化为相应的RF图像的表达式为:


其中表示第k个像素块中3×3的局部窗区域的相干功率,表示第k个100×100
像素块区域的非相干功率。

这样由RF公式计算每个像素块的相干与非相干功率比后形成的特征图像,即RF图
像。

所述步骤(3)中的利用RPCA技术将RF图像分解为低秩矩阵部分和稀疏矩阵部分的
步骤为:

a1)、将RF图像D=L+E分为实部和虚部矩阵,分别记为DR和DI,其中为低秩
矩阵,为稀疏矩阵;

a2)、用APG算法分别求解由DR和DI所形成的两个对偶问题,在低秩矩阵和稀疏矩阵
分离后可以获得低秩矩阵的两个实数矩阵,记为LR和LI;

a3)、将实数矩阵LR和LI重新组合为复数低秩矩阵Y=LR+i*LI。

所述步骤(4)中的利用MRF对低秩矩阵部分形成的图像进行二值分割,通过归一化
RCS特征识别出舰船目标的步骤为:

b1)、对每一像素点s,取U1(Ys/Xs)最小值作为此像素点s的标记,遍历整个图像得
到初始的标记场X0;

b2)、当迭代次数k=0时,由当前分割得到第k次模型参数估计值θk,对图像上每个
像素点s,计算第k次全局能量的最大值对应的遍历整
个图像得到相应的标记场Xk;

b3)、判断是否收敛。若精度达到了要求值或者标记场X不再变化,则退出。具体如
下:

c1)如果变化量Δ≥Uk(Xs,Ys)-Uk-1(Xs,Ys)认为全局能量变化很小,标记场Xk为最
后的分割结果,式中Δ为任意小的常数0.001;

c2)否则转到步骤b2)继续迭代,取k=k+1,更新图像模型参数得到θk+1,直至满足
步骤c1)。其中参数向量为对于特征场Y为对数正态分布模型,最大似
然法估计出的模型参数表达式为:



其中m为状态标记,取值{0,1}。

b4)、从RF图像分割出的二值图像中存在一些虚警目标,将每个目标像素值与参考
归一化RCS值进行比较,如果大于参考值,则识别为舰船目标。这里的参考归一化RCS值则根
据海面仿真得到的归一化RCS值形成的字典来设置,海面仿真时需要考虑雷达特征和中级
风速情况,其中雷达特征包括频率、极化和入射角。

其中步骤b1)中的U1(Ys|Xs)表示特征场中像素点s处的能量函数,其表达式如下:

U1(Ys|Xs)=exp(-P(Ys|Xs))

其中P(Ys/Xs)表示像素点s处的似然函数,其表达式如下:


其中μξ和δξ分别为每类的对数均值和对数均方差,这里的分类值取为ξ∈{0,1}。

其中步骤b2)中的U2(Xs)表示标记场中对应像素点s处的能量函数,其表达式如下:

U2(Xs)=∑c∈CVC(xs,xn)

其中s为RF图像的当前像素点(i,j),n为s的二阶邻域系统N(i,j)中一个像素,这
里N(i,j)={(±1,0),(0,±1),(1,±1),(-1,±1)},c表示8邻域系统中的二元基团,C表示
图像中所有基团的集合,VC(xs,xn)表示与基团相关的新势能函数,其表达式如下:


其中为xs处的标准差,β为惩罚因子,一般设为1,ys和yn分别为标记场xs和xn处的
强度,dsn为标记场中xs和xn间距离。

本发明实施例的实施流程如图1所示,具体包含以下4个步骤:

1、针对SAR图像相干斑噪声模型,利用对数变换将相干斑乘性噪声转化为加性噪
声的实施步骤如下:

将原始SAR图像其中M和N分别表示图像行数和列数。一般SAR图像相干
斑噪声模型认为是乘性噪声模型,对其进行对数变换后的图像记作对数变换运算
的表达式为:

I=log(I0) (1)

这样,SAR图像相干斑乘性噪声模型转化为加性噪声,使得更加符合本方法模型。

2、计算背景散射信号的相干与非相干接收信号功率比值,将SAR图像转化为相应
的RF图像的实施步骤如下:

从电磁观点来讲,单极化SAR图像中舰船目标被认为是由强相关的背景散射信号
所描述的主要散射点。通过研究超分辨率电磁场的产生过程,例如斑点噪声,考虑将这一重
要特征用来进行舰船目标检测。因此引入了一个重要参数来描述SAR图像舰船目标特征,叫
做莱斯因子(RF),利用其对舰船目标作为主要散射点具有敏感性这一期望。RF表示背景散
射信号的相干与非相干接收信号功率比。为了提高太阳城集团处理效率,将SAR图像分为100×100
像素块,对于每个块,应用3×3的局部窗来计算此区域的相干功率,而非相干功率是由100
×100像素块来计算的。对于第k个像素块,RF的计算公式可以表示为:


其中表示3×3的局部窗区域的相干功率,表示100×100像素块区域的非相干
功率。

这样由RF公式计算每个像素块的相干与非相干功率比后形成的特征图像,即RF图
像。

实际处理中,局部窗的维数主要根据不减小图像分辨率和更好检测小舰船目标来
最小化选取,而像素块的维数则根据能获得一个稳定的参考背景水平来设置。

3、利用RPCA技术将RF图像分解为低秩矩阵部分和稀疏矩阵部分的实施步骤如下:

a1)、将RF图像D=L+E分为实部和虚部矩阵,分别记为DR和DI,其中为低秩
矩阵,为稀疏矩阵;

a2)、用APG算法分别求解由DR和DI所形成的两个对偶问题,在低秩矩阵和稀疏矩阵
分离后可以获得低秩矩阵的两个实数矩阵,记为LR和LI;

a3)、将实数矩阵LR和LI重新组合为复数低秩矩阵Y=LR+i*LI。

4、利用MRF对低秩矩阵部分形成的图像进行二值分割,通过归一化RCS特征识别出
舰船目标的实施步骤如下:

MRF分割图像就是求后验概率最大或能量函数最小的标记场,这里选取能量函数
最小来描述MAP准则。由于RF图像服从对数正态分布,即像素点s处的似然函数P(Ys/Xs)为对
数正态分布,μξ和δξ分别为每类的对数均值和对数均方差,这里的分类值取为ξ∈{0,1}。


其中Ys为s的特征场,Xs为s的标记场,ys和xs分别为像素点s处的特征值和标记值。

特征场中像素点s处的能量函数U1(Ys|Xs)可表示如下:

U1(Ys|Xs)=exp(-P(Ys|Xs)) (4)

假设s为RF图像的当前像素点(i,j),n为s的二阶邻域系统N(i,j)中一个像素,这
里N(i,j)={(±1,0),(0,±1),(1,±1),(-1,±1)},c表示8邻域系统中的二元基团,C表示
图像中所有基团的集合。则标记场中能量函数U2(X)的表达式为:

U2(Xs)=∑c∈CVC(xs,xn) (5)

其中与基团相关的新势能函数为:


其中为xs处的标准差,β为惩罚因子,一般设为1,ys和yn分别为标记场xs和xn处的
强度,dsn为标记场中xs和xn间距离。

在特征场Y中,xs和xn处特征值相差越大,说明图像中这两点之间有明显的变化,要
么是边缘,或者是强烈的斑点噪声。无论是上述的何种情况,都对其进行惩罚,两者的能量
越大,惩罚也就越大,分为同类的概率就越小。在标记场X中,两像素xs和xn间距离dsn越大,
也可看出它们之间的能量越大,被分入一类的可能性就越小。因此,引入了图像邻域中各个
像素的特征差值以及像素之间的距离因子来定义新的势能函数,较传统的MRF势能函数有
极大地优势。因为新的势能函数更加充分的利用SAR图像中空域的太阳城集团,把特征场的特征信
息和标记场的距离太阳城集团都结合,从而可以得到了更好的分割效果。

下面给出MRF对低秩矩阵部分形成的图像进行二值分割,并通过归一化RCS特征识
别出舰船目标算法的处理步骤如下:

b1)、对每一像素点s,取U1(Ys/Xs)最小值作为此像素点s的标记,遍历整个图像得
到初始的标记场X0;

b2)、当迭代次数k=0时,由当前分割得到第k次模型参数估计值θk,对图像上每个
像素点s,计算第k次全局能量的最大值对应的遍历整
个图像得到相应的标记场Xk;

b3)、判断是否收敛。若精度达到了要求值或者标记场X不再变化,则退出。具体如
下:

c1)如果变化量Δ≥Uk(Xs,Ys)-Uk-1(Xs,Ys)认为全局能量变化很小,标记场Xk为最
后的分割结果,式中Δ为任意小的常数0.001;

c2)否则转到步骤b2)继续迭代,取k=k+1,更新图像模型参数得到θk+1,直至满足
步骤c1)。其中参数向量为对于特征场Y为对数正态分布模型,最大似然
法估计出的模型参数表达式为:



其中m为状态标记,取值{0,1}。

b4)、从RF图像分割出的二值图像中存在一些虚警目标,将每个目标像素值与参考
归一化RCS值进行比较,如果大于参考值,则识别为舰船目标。这里的参考归一化RCS值则根
据海面仿真得到的归一化RCS值形成的字典来设置,海面仿真时需要考虑雷达特征和中级
风速情况,其中雷达特征包括频率、极化和入射角。

本发明未详细阐述部分属于本领域技术人员的公知技术。

关 键 词:
一种 基于 RPCA 技术 SAR 图像 舰船 目标 检测 方法
  专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
太阳城集团本文
本文标题:一种基于RPCA技术的SAR图像舰船目标检测方法.pdf
链接地址:http://zh228.com/p-6019712.html
太阳城集团我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备17046363号-1 
 


收起
展开
葡京赌场|welcome document.write ('');