[发明专利]复杂背景SAR图像中的舰船目标检测与鉴别方法

权利要求书

1.一种复杂背景SAR图像中的舰船目标检测与鉴别方法，其特征在于，具体步骤如下：

(1)首先采用精细海陆分割算法，对SAR图像做精细海陆分割；

(2)然后采用舰船目标高效检测算法，对舰船目标进行检测；

(3)最后采用近岸目标虚警鉴别算法，对近岸目标进行虚警鉴别；

所述的精细海陆分割算法，包括：基于广义Gamma分布的SAR图像杂波分布统计模型的建模与参数估计，依次进行数据库辅助的海陆分割和像素级精细分割；

(公式一)是广义Gamma分布的一种形式，其中Γ(·)表示Gamma函数，β,λ,ν＞0，分布表示广义Gamma分布的尺度参数，形状参数和能量参数；

所述的舰船目标高效检测算法，包括：大尺度CFAR和小尺度迭代CFAR；

所述的近岸目标虚警鉴别算法，包括：依次进行基于最大似然的虚警鉴别和利用极化信息的虚警鉴别；

所述的基于广义Gamma分布的SAR图像杂波统计分布模型的建模和参数估计的流程为，首先估计SAR图像杂波的Gamm分布，然后根据Gamma分布的参数作为初始值，利用数值的方法反复迭代逐步逼近求解广义Gamma分布参数的全局最优解或可以达到的最好的局部最优解；

所述的数据库辅助的海陆分割的流程为，利用待检测SAR图像的经纬度信息读取该经纬度区域对应的数据库中的海陆分割掩膜，将该掩膜变换为与SAR图像相同的尺寸；

所述的像素级精细分割的流程为，估计出海陆掩膜中海洋部分对应SAR图像的海洋杂波的统计分布，判断海陆分割数据库精度误差范围内的像素的海陆属性；

所述的大尺度CFAR的流程为，栅格化原始SAR图像，估计每个栅格内的SAR图像杂波统计分布，对二维阈值曲面进行平滑滤波和尺寸变化；

所述的小尺度迭代CFAR的流程为，估计连通区域附件的背景杂波的统计分布，剔除连通区域对杂波统计估计的影响；

所述的基于最大似然的虚警鉴别的流程为，估计出远海舰船的统计分布模型，估计出近岸陆地的统计分布模型，计算近岸目标属于远海舰船的似然概率，计算近岸目标属于近岸陆地的似然概率；

基于极化信息的虚警鉴别的流程为，计算经过最大似然虚警鉴别后的表征舰船目标的二值图像的每个连通目标区域极化散射机制，然后判断目标区域的极化散射属性。

2.根据权利要求1所述的复杂背景SAR图像中的舰船目标检测与鉴别方法，其特征在于，所述的基于广义Gamma分布的SAR图像杂波分布统计模型的建模与参数估计，具体步骤为：

(1a)在SAR图像的海洋区域选取一块大小合适的区域作为估计海洋杂波统计分布的样本数据，记该区域内海洋杂波像素的样本个数为N；

(1b)用最大似然估计出(公式一)中广义Gamma分布的参数β、λ和ν，具体方法是用数值迭代方法求解(公式二)方程组中的广义Gamma分布的参数β、λ和v

(公式二)中的ψ(·)表示Gamma函数的导数，定义式见(公式三)；

将利用数值方法求解得到的参数β、λ和v代入(公式二)广义Gamma分布的概率密度函数中，即得到SAR图像海洋杂波的广义Gamma分布统计模型；

(1c)对(公式一)进行积分得到广义Gamma分布的累计分布函数：

(1d)(公式二)是非线性方程组，采用数值迭代的方法进求解。

3.根据权利要求2所述的复杂背景SAR图像中的舰船目标检测与鉴别方法，其特征在于，所述的数据库辅助的海陆分割，具体步骤为：

(2a)读取出待检测SAR图像的经纬度，具体包括该图像左上角的经纬度、该图像右上角的经纬度、该图像左下角的经纬度、该图像右下角的经纬度；

(2b)利用这4个点的经纬度在全球海陆数据库中读取出该区域海陆掩膜；

(2c)利用最近邻插值将步骤(2b)中读取出的海陆掩膜插值为尺寸与SAR图像尺寸相同的图像；

(2d)在步骤(2c)的海陆掩膜图像上，陆地部分向海洋部分膨胀，膨胀半径不小于数据库中海陆掩膜的分辨率，去掉海洋部分中由于分辨率误差而可以存在的陆地像素点；然后估计出此时海陆掩膜中海洋部分对应SAR图像的海洋杂波的广义Gamma分布，记为c_G(x；β，λ，v)。