[发明专利]基于散射点和K中心一类分类器的SAR目标鉴别方法

说明书

本发明公开了基于散射点和K中心一类分类器的SAR目标鉴别方法，主要解决了现有技术未从雷达成像的本质揭示目标和杂波虚警的区别，鉴别总正确率低的缺点。其技术方案是：1)对SAR图像进行恒虚警检测，提取切片；2)从提取的切片中选取包含真实目标的切片构成训练样本；3)依散射点模型从训练样本中提取散射点矩阵，并进行幅度2‑范数归一；4)对训练样本散射点矩阵进行K中心聚类，得到簇中心；5)计算K中心一类分类器的鉴别门限Thr；6)计算测试样本和簇中心的最小双向Hausdorff距离；7)根据该距离判断测试样本是否为目标。本发明降低了杂波虚警的虚警率，有效提高了鉴别总正确率，适用于SAR图像中车辆等具有显著强散射点分布特征的人造目标的鉴别。

技术领域

本发明属于雷达技术领域，涉及目标的检测与鉴别方法，可用于SAR图像中车辆等具有显著的强散射点分布特征的人造目标的鉴别。

背景技术

雷达成像技术是在上世纪50年代发展起来的，在之后的60年里突飞猛进的发展，目前，已经在军事、农林、地质、海洋、灾害、测绘等诸多方面得到广泛的应用。合成孔径雷达SAR具有全天候、全天时、分辨率高以及穿透力强等特点，成为目前对地观测和军事侦察的重要手段。

SAR图像解译是当前SAR应用的前沿课题，同时也是近几年来对地观测技术应用的一个热门领域，具有重要的研究意义和广泛的应用前景。美国林肯实验室提出了SAR图像自动目标识别的三级处理流程图并被广泛使用。该流程包含三个基本阶段：检测、鉴别、分类。目标鉴别属于目标检测和目标识别的中间阶段，是对检测阶段得到的潜在目标区域进一步区分目标和杂波，去除杂波虚警，减小目标识别阶段的计算代价。自林肯实验室提出SAR图像目标鉴别的概念后，研究者们在鉴别特征提取、鉴别器设计、性能分析、硬件实现上做了大量的研究。

鉴别首先需要解决的问题是特征提取，提取的应该是能够揭示目标和杂波虚警的本质差异，使得目标和杂波虚警在特征空间上可以分离的特征。传统的SAR图像鉴别特征，如标准偏差、分形维数、加权填充比等从纹理方面揭示目标和杂波虚警的差异；如目标直径、归一化转动惯量、峰值CFAR、均值CFAR等从尺寸方面揭示目标和杂波虚警的差异；揭示目标像素集合的空间分布特征，如空间分布、拐点特征、加速度特征等从目标像素集合的空间分布方面揭示目标和杂波虚警的差异。这些特性对目标和杂波虚警的分离是有用的，但是这些特征没有从雷达相干成像的本质揭示目标和杂波虚警的区别，其鉴别总正确率较低。另外，部分传统SAR图像鉴别特征的提取，需要先对样本进行恒虚警检测，而恒虚警检测的好坏直接影响特征的可分性。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于散射点和K中心一类分类器的SAR目标鉴别方法，提高目标鉴别正确率。

实现本发明目的的技术方案是：从雷达相干成像的本质出发，提出散射点特征，利用该特征描述目标与杂波虚警的区别；根据不同样本中提取散射点个数的不同，引入双向Hausdorff距离计算点数不同的两个点集间的距离，并用K中心一类分类器对样本进行鉴别。其具体步骤包括如下：

(1)训练步骤：

(1a)对SAR图像I进行恒虚警检测，得到二值图像C，对该二值图像进行聚类，得到疑似目标区域，以疑似目标区域的重心为几何中心，截取m×n的切片x_i，i＝1,...,N，N是从SAR图像I中提取切片的总个数；

(1b)从切片{x₁,x₂,...,x_i,...,x_N}中选取包含真实目标的切片{y₁,y₂,...,y_j,...,y_Q}构成训练样本集，其中j＝1,...,Q，Q≤N，Q是训练样本个数；