(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210504120.X (22)申请日 2022.05.10 (71)申请人 北京科技大 学 地址 100083 北京市海淀区学院路3 0号 申请人 清华大学 (72)发明人 殷君君　曾顶　杨健　 (74)专利代理 机构 北京市广友专利事务所有限 责任公司 1 1237 专利代理师 张仲波 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/80(2022.01) G06V 10/28(2022.01) G06V 10/36(2022.01) G06V 10/764(2022.01) (54)发明名称 一种基于极化特征融合的弱散射目标检测 方法 (57)摘要 本发明公开了一种基于极化特征融合的弱 散射目标检测方法， 包括： 采用Lee滤波和通道合 成技术， 得到滤波之后的Span图像； 在滤波之后 的Span图像上人工选 择目标和背景的样本区域； 利用所选择的目标和背景区域进行最优极化对 比增强， 得到对比增强图像； 利用四成分分解方 法对滤波图像进行极化信息提取， 选取四成分分 解中效果较好的散射分量矩阵； 构造特征集合， 利用最小类内距离、 最大类间距离准则和所有样 本区域计算最佳投影面； 将整个特征集合投影到 最佳投影面上， 得到特征融合后的图像； 对特征 融合后的图像进行恒虚警率检测， 完成目标检测 任务。 本发明有利于对弱散射目标进行精准识 别。 权利要求书3页 说明书10页 附图8页 CN 114998606 A 2022.09.02 CN 114998606 A 1.一种基于极化特 征融合的弱散射目标检测方法， 其特 征在于， 包括： 从极化合成孔径雷达图像中依次提取每 个像素对应的S矩阵； 将提取到的S矩阵转换为相干矩阵T； 采用Lee滤波对T进行滤波处理， 得到滤波后的矩阵T ′； 并采用通道合成技术对T ′矩阵 的主对角线通道信息进行通道合成， 得到滤波之后的Span图像； 在滤波之后的Span图像上 人工选择目标和背景的样本区域； 利用所选择的目标和背景区域， 以原始图像的T矩阵为数据， 对图像进行最优极化对比 增强， 得到对比增强图像； 利用四成分分解方法对矩阵T ′进行极化信息提取， 得到Ps、 Pd、 Pv、 Pc矩阵； Ps、 Pd、 Pv、 Pc分 别代表原图像对应的表面散射分量矩阵、 偶次散射分量矩阵、 体散射分量矩阵、 螺旋体散射 分量矩阵， 根据目标背景区分程度、 目标边缘保持程度、 目标内部噪声大小， 选取四成分分 解中效果较好的散射分量矩阵； 构造特征集合， 利用最小类内距离、 最大类间距离准则和所有样本区域计算最佳投影 面； 将整个特 征集合投影到最佳投影面上， 得到特 征融合后的图像； 对特征融合之后的图像进行恒虚警率检测， 并且根据得到的二值图像中目标的形态学 特点， 画出目标的最小外 接矩形， 完成目标检测任务。 2.如权利要求1所述的基于极化特征融合的弱 散射目标检测方法， 其特征在于， 在完成 目标检测任务之后， 所述弱散射目标检测方法还 包括： 对所述基于极化特征融合的弱 散射目标检测方法进行性 能评价， 得到所述弱 散射目标 检测方法的检测性能评估曲线。 3.如权利要求2所述的基于极化特征融合的弱 散射目标检测方法， 其特征在于， 在对所 述基于极化特征融合的弱 散射目标检测方法进行性 能评价时， 虚警率的取值范围为[ 10‑8, 1]， 为增加检测性能评估曲线样本点， 步长 选为4*10‑8。 4.如权利要求1所述的基于极化特征融合的弱散射目标检测方法， 其特征在于， S矩阵 为： 其中， 所述S矩阵满足互易对称定律： Shv＝Svh， Shh表示水平方式发射、 水平方式接收的 极化通道数据， Shv表示水平方式发射、 垂直方式接收的极化通道数据， Svh表示垂直方式发 射、 水平方式接收的极化 通道数据， Svv表示垂直方式发射、 垂直方式接收的极化 通道数据。 5.如权利要求4所述的基于极化特征融合的弱 散射目标检测方法， 其特征在于， 所述将 提取到的S矩阵转换为相干矩阵T， 包括： 通过Paul i基进行共 轭相乘， 将S矩阵转换为相干矩阵T； 所述相干矩阵Τ为： 权　利　要　求　书 1/3 页 2 CN 114998606 A 2其中， k表示Paul i基， 上标H表 示共轭转置， *表示复共 轭， <·>表示求均值。 6.如权利要求1所述的基于极化特征融合的弱 散射目标检测方法， 其特征在于， 所述采 用Lee滤波对T进行滤波处理， 包括： 确定窗口大小， 所述窗口大小为5 *5， 对窗口内的像素点进行如下 数学计算： 其中， 代表滤波之后的图像数据， I代表图像像素强度信息， E(I)表示窗口内像素强度 平均值， b的计算公式如下： 其中， 是斑点噪声的方差， 其 值等于等效视数的倒数。 7.如权利要求1所述的基于极化特征融合的弱 散射目标检测方法， 其特征在于， 所述选 取四成分 分解中效果较好的散射分量矩阵为选取Pv散射分量矩阵。 8.如权利要求1所述的基于极化特征融合的弱 散射目标检测方法， 其特征在于， 所述构 造特征集合， 利用最小类内距离、 最大类间距离准则和所有样本区域计算最佳 投影面， 将整 个特征集合投影到最佳投影面上， 得到特 征融合后的图像， 包括： 构造输入特征数据特征通道， 并将其命名为 input， input构造方式如下： input(:,:,1)＝ imoutOPC E input(:,:,2)＝ imoutSpan Lee input(:,:,3)＝ outputPv 在input数据中抽取样本作为算法输入， 计算出所选样本区域各通道的像素点平均像 素强度向量mi； 其中， 所述样本为被选择的目标和背景区域； 计算输入样本数据各个通道的类内协方差矩阵Si， 然后将两类的类内距离求和得到总 类内协方差矩阵Sw： Sw＝S1+S2 根据mi和Sw计算最佳投影 方向向量wx， 得到w的方向， wx的方向和 相同， 故wx权　利　要　求　书 2/3 页 3 CN 114998606 A 3