[发明专利]复杂背景SAR图像中的舰船目标检测与鉴别方法

说明书

本发明属于雷达图像处理技术领域，具体为一种复杂背景SAR图像中的舰船目标检测与鉴别方法。本发明的主要步骤为：(1)精细海陆分割；（2）舰船目标高效检测，包括大尺度CFAR和小尺度迭代CFAR，其中利用到了基于广义Gamma分布的合成孔径雷达图像杂波统计分布模型；（3）近岸目标虚警鉴别,包括基于最大似然的虚警鉴别算法和基于极化信息的虚警鉴别算法。本发明能够高效、准确地检测出近岸、港口等复杂背景中的舰船目标；能够利用基于最大似然和基于极化信息的虚警鉴别算法鉴别虚警目标，提高舰船目标检测准确率。本发明提出的舰船检测算法适用于任意的SAR图像背景，鲁棒性高，实时性好，具有推广应用前景。

发明领域

本发明属于雷达图像处理技术领域，具体涉及一种复杂背景SAR图像中的舰船目标检测与鉴别方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天候、全天时的对地观测能力，SAR在海洋监测方面得到了广泛的应用，并发挥了巨大的社会、经济和军事效益。近年来大量的多极化和全极化卫星成功发射，可以有效的获取地面目标的极化信息，进而可以通过极化信息识别不同的散射机制和散射体。

恒虚警率(Constant False Alarm Rate,CFAR)舰船检测技术是最常用的SAR图像目标检测之一，CFAR采用逐像素的滑窗进行目标检测，算法的时间复杂度非常高，几乎不能应用于宽幅SAR图像检测和有较高实时性的需求应用场景。CFAR舰船检测利用局部区域的像素进行杂波分布的统计建模，没有考虑SAR图像的全局信息，无法应用于复杂环境下的舰船检测。在实际的SAR图像中，检测的背景环境非常复杂，不仅有纯海洋环境，还有岛屿、陆地等，特别是在靠近陆地的海洋区域还有人造的港口码头、海岸堤坝、岩礁、海上养殖物等，它们不仅具有较高的后向散射系数而且具有复杂的几何形态，很难与舰船目标进行区分。

近年来，神经网络和深度学习的方法被应用到SAR图像舰船检测中并取得了一些成果，这种方法首先需要大量带标签的SAR舰船图片训练神经网络，在很多情况下，要得到大量训练数据集是不实际的。

复杂环境下SAR图像中的舰船目标检测的首要任务就是实现高精度的海陆分割，然后在水域中进行舰船目标检测，这样不仅可以大大降低运算量，也可以解决陆地对舰船检测的干扰。目前常用的海陆分割算法主要是基于强度阈值、灰度直方图分布、梯度场、边缘信息的海陆分割算法，如，大津阈值分割(Otsu)、马尔科夫随机场(Markov RandomFields)图像分割算法。这些图像分割算法都是首先应用于光学图像分割中，然后被引入到SAR图像分割，在一些特定的情况下可以取得很好的海陆分割效果。但是受SAR图像相干斑噪声影响、陆地分布影响、陆地明暗的影响明显，很难适应各种各样复杂的海陆状况。

目前在SAR图像舰船检测中主要用到的虚警鉴别技术是基于舰船的面积、形状、长宽比等信息，类似这种虚警鉴别技术主要存在两方面的问题：1)受到舰船旁瓣泄漏、相干斑噪声、舰船尾迹、图像分辨率等的影响很难准确测得舰船的面积、形状和长宽比；2)在近岸海域往往有许多人造的虚警目标，它们的后向散射系数较大强度较强，形状也大都是“长方形”，很难用这种方法区分其与舰船目标。

发明内容

本发明的目的在于提出一种能够高效、准确地检测和鉴别复杂背景SAR图像中舰船目标的方法。

本发明提出的复杂背景SAR图像中的舰船目标检测与鉴别方法，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。