[发明专利]在特征域内对极化SAR目标的检测方法

摘要

本发明公开了一种在特征域内对极化SAR目标的检测方法，主要解决现有检测方法在低信杂比条件下检测效果较差的问题。其实现步骤包括特征提取、训练和测试：在特征提取步骤中主要是提取杂波训练样本和测试数据的极化特征，对特征进行尺度归一化和中心化；在训练步骤中主要是对训练样本在特征域内进行主分量分析，得到训练的投影矩阵；在测试步骤中主要是用训练得到的投影矩阵对测试数据在特征域内进行重构，根据重构误差得到检测量，通过对检测量的判定实现对目标的检测。仿真结果表明，本发明与现有技术相比提高了低信杂比条件下极化SAR目标的检测性能。

主权项

1.一种在特征域内对极化SAR目标的检测方法，包括：A．特征提取步骤：（A1）从杂波的训练样本集中选择N个杂波训练样本，N≥100，提取每个训练样本的M个极化特征，组成一个M维列向量F_k＝[V_k1,V_k2,V_k3,V_k4,V_k5,V_k6]^T，k＝1,2,...,N，其中[]^T代表转置，V_k1代表用极化分解方法得到的特征组成的向量，V_k2代表用PTD方法得到的相干幅度特征，V_k3代表用广义对比度增强方法得到的特征组成的向量，V_k4代表由“极化通道间能量的比”特征组成的向量，V_k5代表由“Euler参数”特征组成的向量，V_k6代表由“极化相干程度”特征组成的向量；（A2）以N个M维列向量F_k，k＝1,2,...,N，组成一个M×N的训练数据特征矩阵X_M×N＝[F₁,F₂,...,F_N]；（A3）将测试图像中的N₁个像素点作为测试样本，用与步骤（A1）相同的方法提取每个测试样本的M个极化特征，组成一个M维列向量；以N₁个M维列向量组成一个M×N₁的测试数据特征矩阵（A4）对训练数据特征矩阵X_M×N的第i行元素x_i＝X(i,:)，i＝1,2,...,M，进行最大值归一化，得到训练数据的归一化后的第i个特征其中i_max是训练样本和测试样本的第i个特征的最大值；（A5）对训练数据的归一化后的特征x'_i进行中心化，得到训练数据的中心化后的第i个特征其中代表训练数据的归一化后特征x'_i的平均值，i＝1,2,...,M；（A6）对测试数据特征矩阵的第i行元素y_i＝Y(i,:)，i＝1,2,...,M进行最大值归一化，得到测试数据的归一化后的第i个特征其中i_max是训练样本和测试样本的第i个特征的最大值；（A7）对测试数据的归一化后的第i个特征y'_i进行中心化，得到测试数据的中心化后的第i个特征其中代表测试数据的归一化后特征y'_i的平均值，i＝1,2,...,M；B．训练步骤：（B1）以步骤（A5）中得到的每个中心化后的特征x''_i为行，组成新的训练样本特征矩阵X'_M×N，计算该新的训练样本特征矩阵的协方差矩阵Q，并对该协方差矩阵Q进行特征值分解；（B2）将步骤（B1）得到的特征值从大到小排列，取前P个较大特征值对应的特征向量组成训练的投影矩阵PC；C.测试步骤：（C1）以步骤（A7）中得到的每个中心化后的特征y''_i为行，组成新的测试数据特征矩阵用步骤（B2）中训练得到的投影矩阵PC对每个测试样本，即中的每一列进行重构，得到重构后的特征矩阵其中(·)^T代表矩阵转置；（C2）计算重构误差矩阵，其中(*).²代表对矩阵*中的每个元素进行平方运算；对重构误差矩阵e的每一列求和得到每个测试样本的重构误差，组成一个N₁维的行向量E，将E重新排列为原始测试图像的大小，得到重构误差图Ι，对该重构误差图Ι取自然对数，得到检测量Γ=ln(Ι)；（C3）设定阈值T，min(Γ)≤T≤max(Γ)，其中min(Γ)是检测量Γ的最小值，max(Γ)是检测量Γ的最大值，根据阈值T进行判定：若Γ＞T，则判定为目标，否则判定为杂波，测试过程结束。