[发明专利]改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法

权利要求书

1.一种改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法，其特征在于，包括以下步骤：

S1：对检测图像和参考图像进行预处理；

S2：求出基于改进杂波分布模型的图像分割差值法的检验量图像和检测阈值；

基于改进杂波分布模型的图像分割差值法是一种像素级的变化检测方法，通过对不同时相的图像的同一点进行相减得到差值检验量图像，然后对差值检验量图像进行分割，并对分割后的图像非目标区域的概率密度分布进行估计，并设定一定的虚警概率值，在概率密度分布中得到对应的检测阈值，大于该检测阈值，则视为变化检测点，由此得到第一个子算法的检验量图像和检测阈值；

S3：求出一维Edgeworth法和广义Laguerre多项式法的检验量图像和检测阈值；

一维Edgeworth法中，先以观测区域的每一个像素点为中心，基于Edgeworth展开式对其邻域内的像素灰度值概率密度函数进行基于高斯概率密度分布模型的估计，在此基础上基于K-L散度理论对多时相图像间各点的概率密度函数差异大小进行分析，从而得到关于概率密度差异的检验量图像；广义Laguerre多项式法则以广义Laguerre多项式为基础，对其邻域内的像素灰度值概率密度函数进行基于伽马概率密度分布模型的估计，再通过K-L散度得到检验量图像；然后，对检验量图像进行图像灰度值统计，发现统计量的曲线在左侧出现骤降的趋势，采用骤降曲线中的拐点作为检验阈值；在检测时采用最小二乘法对密度曲线进行拟合，并取拟合曲线中竖轴等于0的横轴值近似为检测阈值，得到两个子算法的检验量图像和检测阈值；

S4：将三个检验量图像和检测阈值都输入到LE-SVDD分类器中进行训练，并对测试样本进行目标与非目标判别，即为最终变化检测结果；

SVDD分类器首先将变化区域和无变化区域的变化区域检测量记为目标类样本和外点样本，而后利用预先提取的目标类样本构成的训练样本集对SVDD进行训练，以期在核特征空间构建一个包含所有训练样本的最小超球体，并以此超球体为基础对观测场景中的变化检测量进行分类；LE-SVDD在SVDD的基础上，设定三个子算法检验量图像中一点都大于对应检验量图像的检测阈值和标准差为训练样本，三个子算法中存在一个或两个检验量图像对应点大于检测阈值和标准差为测试类样本，将训练样本输入到LE-SVDD分类器中进行训练，并对测试样本进行目标与非目标判别，即为最终变化检测结果。

2.根据权利要求1所述的改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法，其特征在于，所述步骤S1的过程包括：

对检测图像和参考图像进行预处理，进行双方向的相对辐射校正处理，去除图像中由于系统响应、天气条件非目标变化因素引起的图像灰度值变化。

3.根据权利要求2所述的改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法，其特征在于，所述步骤S1的具体过程是：

对于观测区域的每一个像素点，都采用的像素邻域计算参考图像和检测图像间该点的相关系数值，当相关系数大于0.5时，则将该点设为无变化点，对于检测图像和参考图像中整个图像中的无变化点，分别设为和；采用最小二乘法进行双方向线性估计，获得对应的线性系数、、和；用线性系数为无变化点分配权值进行加权最小二乘估计，得到对应的线性系数、、和后继续进行分配权值，直到线性系数稳定下来，即为、、和，此时：

，

式中，与分别为不变点和的均值；

对于检测图像的所有点，采用线性变换进行变换，得到校正后的检测图像。