基于KpN模型的海上舰船目标检测方法与流程

本发明属于sar(syntheticapertureradar，合成孔径雷达)技术领域，涉及一种基于kpn模型的海上舰船目标检测方法。

背景技术：

海上舰船目标检测是sar应用的一个重要领域。在军事情报监视、非法移民监管和大范围海洋交通监管等领域有着广泛的应用。cfar(constantfalsealarmrate，恒虚警率)检测是目前最常用的海上舰船目标检测方法。cfar检测的核心在于海杂波建模，目前常用的海杂波模型主要为k分布模型和g⁰分布模型，但是这两种模型并没有考虑到通道噪声的影响。kpn(kplusnoise，k加噪声)模型在k分布模型的基础上加入了通道噪声的影响，能够更加精确地拟合海杂波(参考文献：k.d.wardandr.j.a.tough,“radardetectionperformanceinseaclutteranddiscretespikes,”radar,2002,pp.253-257)。但是现有方法对于kpn模型参数的估计精度还不够高，这在一定程度上限制了kpn模型在海上舰船目标检测上的作用。

技术实现要素：

本发明提供一种基于kpn模型的海上舰船目标检测方法。该方法对sar图像采用kpn分布进行统计建模并利用对数累积量实现对kpn模型的参数估计，实现了对海上舰船目标的检测。

本发明的技术方案是：

对得到的sar图像采用kpn分布进行统计建模并利用sar图像的对数累积量对kpn模型的参数进行估计，根据kpn模型参数的估计值计算cfar(constantfalsealarmrate，恒虚警率)检测阈值，利用cfar检测实现对于海上舰船目标的检测。其中，利用下式求解得到kpn模型中形状参数v的估计值尺度参数b的估计值以及噪声功率pn的估计值

其中ψ()为psi函数，ψ(,)为polygamma函数，n为等效视数，参数a,b,c,d的具体表达式如下式所示：

并且，cfar检测阈值t的具体计算公式如下：

其中是kpn模型的概率密度函数；pfa表示虚警率，通常根据实际需要人为设定。

本发明的有益效果是：

1.相比于现有方法，利用对数累积量进行kpn参数估计，能够实现对于kpn模型中形状参数、尺度参数以及噪声功率更加精确的估计，增强了对海上舰船目标的检测性能。

2.采用本发明提出的利用对数累积量进行kpn参数估计方法不需要设置额外的参数或条件，简洁易行。

附图说明

图1为本发明流程图；

图2为本发明的实验数据；

图3为本发明实验结果图；

图4、图5、图6是进行理论验证的结果。

具体实施方式

图1为本发明流程图，具体实施步骤如下：

对得到的sar图像采用kpn分布进行统计建模并利用对数累积量对kpn模型的参数进行估计：即首先认为sar图像符合kpn模型分布，再估计kpn模型的参数，可以包括下面两步：

第一步，根据原始sar图像，计算图像对数累积量，其计算方法如公式一所示：

其中表示一阶图像对数累积量，表示二阶图像对数累积量，表示三阶图像对数累积量，m表示图像中的像素点总个数，xi为图像中第i个像素点的灰度值，i∈[1,m]。

第二步，通过对公式二进行数值求解得到kpn模型中形状参数v的估计值尺度参数b的估计值以及噪声功率pn的估计值其具体表达式如下。

其中ψ()为psi函数，ψ(,)为polygamma函数，n为等效视数，参数a,b,c,d的具体表达式如公式三所示：

根据kpn模型参数的估计值计算cfar检测阈值，利用cfar检测实现对于海上舰船目标的检测，即实现下面的第三步：

第三步，利用第二步中得到的形状参数的估计值尺度参数的估计值以及噪声功率的估计值计算cfar检测阈值t。cfar检测阈值t的具体计算公式如下：

其中是kpn模型的概率密度函数；pfa表示虚警率，通常根据实际需要人为设定。

对原始sar图像进行检测，当检测像素点的灰度值大于等于t时，判定为舰船目标像素。否则，判定为背景像素，实现对于海上舰船目标的检测。

本发明的实验数据为原始sar图像。图2为原始的sar图像，其中横坐标表示方位向，纵坐标表示距离向，图像中的白色像素点为需要检测的舰船目标。图3为利用本发明进行海上舰船目标检测结果图，图3的横坐标表示方位向，纵坐标表示距离向，图中白色矩形框表示检测到的舰船目标。对比图2与图3可以看出，所有的13个海上舰船目标都被较好的检测到了，而且没有虚警，这验证了本发明方法的有效性。

为进一步验证对数累积量对于kpn模型参数估计的有效性，利用matlab生成服从kpn模型的随机数。图4，图5，图6为发明中对kpn模型参数估计的结果与另外两种kpn模型参数估计方法的实验结果对比图。其中，图4为三种方法对于形状参数v的估计结果对比图，图5为三种方法对于噪声参数pn的估计结果对比图，图6为三种方法对于尺度参数b的估计结果对比图，图4，图5，图6的横坐标都表示实验次数，纵坐标都表示估计的均方误差，带圆圈的曲线对应的home参数估计法，带米字的曲线对应的是zlog(z)参数估计方法，带正方形的曲线对应的是本发明的参数估计方法。通过观察可以发现，本发明方法估计的均方误差要小于其余两种方法，这说明本发明方法估计的精确度更高。

图4实验中本发明利用的kpn模型的概率密度函数如公式五所示：

利用公式五，可以得到kpn模型的mellin变换φz(s)表达式如下：

其中w,()表示的是whittaker函数。

根据公式六可以进一步得到kpn模型的第二个第二类型特征函数ξz(s)的表达式如下：

其中u()表示的是tricomi函数。

通过公式七可以得到kpn模型的理论对数累积量的表达式如下：

其中表示i阶理论对数累积量，将公式一与公式八进行联立，可以得到如公式二的估计表达式。此外，还可以利用kpn模型其他形式的概率密度函数进行本发明的计算，不影响本发明的实际效果。