[发明专利]基于融合多层级模糊聚类软决策结果的SAR目标检测方法

说明书

本发明公开了一种基于融合多层级模糊聚类软决策结果的SAR目标检测方法，利用层级间超像素分割大小的不同，在多个层级自适应获得超像素的特征，实现SAR图像特征的全面提取，然后通过模糊聚类获得多个层级的软决策目标检测结果，最终进行层级间软决策目标检测结果的融合，使得SAR目标检测性能更加优秀。该方法可克服现有SAR目标检测方法CFAR方法对背景杂波统计模型的依赖性，以及基于超像素的方法对超像素大小的敏感性，得到精准度较高的目标检测结果。

技术领域

本发明属于图像处理技术领域，涉及目标检测方法，特别涉及一种基于融合多层级模糊聚类软决策结果的SAR目标检测方法，该方法可作为进一步的精确识别以及目标跟踪等的基础。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动式的微波成像传感器，相对于红外、光学等被动成像传感器，它几乎不受气候条件的影响，可以全天时、全天候的进行工作，被广泛应用于民用和军事领域。在民用和军事领域中，海面舰船目标检测是SAR的一个重要应用。在民用领域中，舰船目标检测能够为繁忙海域船舶航行、船舶进出港管理、渔业监测、船舶溢油污染探测等活动提供信息支持；在军用领域中，舰船目标检测能够实现对港口及海面目标的定位与识别，在平时维持领海秩序，在战时料敌制胜。

在进行舰船目标检测时，由于舰船和周围海面微波散射特性的差异，舰船的后向散射强于海面，在SAR图像中表现为舰船像素与周围海面像素之间存在强度差，因此可通过设定适当的强度阈值对舰船目标进行检测。目前，广泛采用的恒虚警率(ConstantFalseAlarmRate，CFAR)方法就是在一定区域内比较像素强度和阈值的大小实现舰船目标检测。

然而，CFAR目标检测方法容易受杂波统计模型的影响，且算法中虚警概率的恒定直接受杂波统计模型的影响，因此，CFAR方法进行目标检测时，需要对不同的环境建立不同的杂波统计模型，工作量大，鲁棒性差。同时，现有的一些基于超像素的舰船目标检测方法的研究中，超像素大小的选择对最终的目标检测结果有很强的影响，超像素大小的选择至关重要。

发明内容

针对现有技术中存在的CFAR方法对精准建立杂波统计模型的依赖性以及基于超像素的目标检测算法对超像素大小的敏感性的技术问题，为了得到更加优秀的目标检测性能，本发明的目的在于，提供一种基于融合多层级模糊聚类软决策结果的SAR目标检测方法。

为实现上述任务，本发明采用以下技术方案：

一种基于融合多层级模糊聚类软决策结果的SAR目标检测方法，包括以下步骤：

步骤1，利用SAR成像方法获取需进行目标检测的图像；

步骤2，利用简单线性迭代聚类算法进行超像素分割，得到L个超像素及超像素包含的像素信息；

步骤3，计算自适应的距离参数d，遍历L个超像素，将正在遍历的超像素定义为测试超像素，将测试超像素距离为d的超像素定义为对比超像素；然后计算测试超像素和每个对比超像素之间的Wasserstein距离，并取所有Wasserstein距离的中位数作为测试超像素的特征，遍历完成得到L个超像素特征；

步骤4，以L个超像素特征为样本数据对超像素进行类别为2的模糊C均值聚类，得到超像素概率矩阵U_2×L；

步骤5，利用超像素概率矩阵U_2×L，将超像素概率矩阵U_2×L确定地分为超像素目标概率行向量U_1×L和超像素杂波概率行向量U′_1×L；

步骤6，利用超像素包含的像素信息以及超像素杂波概率行向量U′_1×L，得到当前层的像素杂波概率矩阵Q；