基于超像素散射機制的極化sar圖像艦船目標檢測方法
【專利摘要】本發(fā)明公開了一種基于超像素散射機制分布特征的極化SAR圖像艦船目標檢測方法，實現(xiàn)步驟為：應用SLIC迭代聚類算法，得到不同尺度下的超像素分割結(jié)果；進行超像素散射機制分布特征的定義；分別提取雜波訓練圖像與測試圖像中每一個超像素的散射機制分布特征矢量；進行雜波訓練圖像過完備字典的構(gòu)造；對測試圖像進行對應字典下的散射特征稀疏重構(gòu)，得到檢測統(tǒng)計量圖像；通過對檢測統(tǒng)計量圖像施加一個合適的檢測閾值，得到最終檢測結(jié)果的二值圖像。本發(fā)明解決了呈現(xiàn)分布式特征的艦船目標的檢測問題，在超像素級的水平上進行艦船目標的檢測，有效地利用了散射機制的區(qū)域性分布特征，在不同信雜比下具有更高的穩(wěn)健性。
【專利說明】基于超像素散射機制的極化SAR圖像艦船目標檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于雷達目標檢測【技術(shù)領(lǐng)域】，主要涉及極化SAR圖像艦船目標檢測方法， 具體是一種基于超像素散射機制分布特征的極化SAR圖像艦船目標檢測方法，為后續(xù)的艦 船目標鑒別、識別與分類提供重要的有用信息。

【背景技術(shù)】
[0002] 合成孔徑雷達（Synthetic Aperture Radar, SAR)利用微波遙感技術(shù)，不受氣候和 晝夜影響，具有全天候、全天時的工作能力，并具有多頻段、多極化、視角可變和穿透性等特 點。目前，SAR已廣泛應用于軍事偵察、地質(zhì)普查、地形測繪和制圖、災情預報、海洋應用以 及科學研究等領(lǐng)域，具有廣闊的研究和應用前景。極化SAR因能獲取完整極化信息的顯著 優(yōu)勢而迅速成為SAR發(fā)展的重要方向之一?；跇O化SAR圖像的艦船目標檢測是極化SAR 的一個重要的應用領(lǐng)域。
[0003] 現(xiàn)有的極化SAR艦船目標檢測方法主要可分為兩類，第一類方法完全或部分依賴 于雷達回波的強度信息，例如功率檢測器、極化白化濾波以及新近提出的基于反射對稱特 性的極化目標檢測器，其中，功率檢測器僅利用了雷達回波的強度信息，該檢測算法對于高 信雜比下的目標檢測效果較好，而對于低信雜比下的散射強度較弱的目標漏檢概率較大， 對于散射強度較大的雜波點會產(chǎn)生較大的虛警率；極化白化濾波檢測器也依賴于雷達回波 的強度信息，當信雜比降低時，對于散射強度較大的雜波點也會產(chǎn)生較大的虛警率。這些方 法在檢測時都對圖像中的每一個像素點分別孤立進行判斷，沒有利用目標或雜波區(qū)域像素 點集合整體所體現(xiàn)出來的目標與雜波的差異性，因此在目標區(qū)域容易產(chǎn)生孤立的漏警像素 點，而在雜波區(qū)域容易產(chǎn)生孤立的虛警像素點。為了改進該問題，就需要尋求一種更多考慮 目標的區(qū)域性特征的檢測算法。
[0004] 第二類方法僅利用了雷達回波的極化散射機理信息，并不依賴于雷達回波的散 射強度，例如學者A. Marino等提出的partial-target detector (PTD)。當圖像的信雜比 (Signal-to-Clutter Ratio, SCR)降低時，基于散射強度的檢測方法效果可能會變差，而依 賴于散射機制的檢測算法對于不同信雜比下的極化SAR數(shù)據(jù)會具有更穩(wěn)健的檢測效果，這 主要歸功于雷達回波的極化信息對探測區(qū)域內(nèi)目標的物理結(jié)構(gòu)信息的一定表征能力。但是 當檢測算法對圖像中的每一個像素點孤立進行判斷時，由于某些目標像素點的散射機理與 某些雜波的散射機理類似，這樣基于單個像素點的散射機理就會將目標上的這些像素點漏 檢，或者將雜波中的這些像素點檢測為虛警。因此，一些擴展目標的檢測不能僅僅依賴于對 單個像素點散射機理信息的檢測，而要更多的考慮散射機制的區(qū)域分布特征。
[0005] 綜上所述，隨著極化SAR圖像分辨率的不斷提升，已有的一些極化SAR艦船目標檢 測算法對呈現(xiàn)區(qū)域性特征分布的擴展目標的檢測具有較大的局限性，這就迫切需要尋求一 種基于區(qū)域分布特征信息進行極化SAR艦船目標檢測的方法。本發(fā)明方法就是在這樣的研 究背景下提出的。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明方法針對已有極化SAR目標檢測方法的不足，提供了一種基于超像素散射 機制的極化SAR圖像艦船目標檢測方法。該方法僅利用了極化雷達回波的散射機制信息， 與回波強度值無關(guān)，保證了該檢測方法在不同信雜比下的良好的檢測性能。此外，相比于像 素級的極化SAR目標檢測算法，本發(fā)明方法利用了高分辨SAR圖像中擴展目標的區(qū)域散射 機制分布特征，使得檢測性能得到提升。
[0007] 本發(fā)明是這樣實現(xiàn)的：
[0008] 一、技術(shù)思路
[0009] 本發(fā)明根據(jù)SAR圖像中目標與雜波的散射機制在經(jīng)典的H/ a平面中的不同分布 特點，首先將簡單線性迭代聚類（Simple Linear Iterative Clustering, SLIC)方法應用 于極化SAR數(shù)據(jù)，對給定的極化SAR圖像進行多尺度超像素分割；然后，提取每一個超像素 區(qū)域的散射機制分布特征，進而使用訓練圖像所對應的超像素區(qū)域散射機制分布特征對測 試圖像的特征進行重構(gòu)；最后，基于重構(gòu)誤差構(gòu)造出不依賴于散射強度的檢測統(tǒng)計量，得到 檢測統(tǒng)計量圖像。通過對檢測統(tǒng)計量圖像使用一個合適的門限值，就可以得到最終的檢測 結(jié)果。
[0010] 二、技術(shù)方案
[0011] 本發(fā)明是一種基于超像素散射機制的極化SAR圖像艦船目標檢測方法，其特征在 于檢測過程包括有如下步驟：
[0012] 步驟1，多尺度極化SAR圖像超像素生成：利用SLIC算法的局部迭代聚類流程，對 全極化SAR測試圖像與雜波訓練圖像分別進行超像素分割，在收斂準則下分別獲得測試圖 像與雜波訓練圖像的多尺度超像素分割結(jié)果，分割過程包括如下步驟：
[0013] la)對極化雷達獲取的包含艦船目標的全極化SAR測試圖像與雜波訓練圖像進 行預設(shè)尺度下的超像素分割，分別進行測試圖像與雜波訓練圖像初始聚類中心的獲取與移 動；
[0014] Ib)分別將測試圖像與雜波訓練圖像中每一個像素點進行所屬聚類中心的歸類；
[0015] 1C)分別剔除測試圖像與雜波訓練圖像中不包含任何像素點的聚類中心；
[0016] Id)更新測試圖像與雜波訓練圖像的超像素聚類中心，通過改變分割尺度，在收斂 準則下分別獲得測試圖像與雜波訓練圖像的多尺度超像素分割結(jié)果。
[0017] 步驟2,超像素散射機制分布特征定義：首先將全極化SAR測試圖像與雜波訓練圖 像中每一個像素點對應的相干矩陣矢量化，獲得每個像素點的散射機制特征矢量，然后將 每個超像素內(nèi)所有像素點的散射機制特征矢量的平均矢量作為對應超像素的平均散射機 制特征矢量，將每個超像素的協(xié)方差矩陣的矢量化結(jié)果作為表征超像素散射機制的協(xié)方差 特征矢量。
[0018] 步驟3,超像素散射機制分布特征提取：針對測試圖像與雜波訓練圖像的多尺度 超像素分割結(jié)果，分別提取測試圖像與雜波訓練圖像中每一個超像素的平均散射機制特征 矢量與協(xié)方差特征矢量，獲得不同分割尺度下的每一個超像素散射機制分布特征矢量。
[0019] 步驟4,雜波訓練圖像過完備字典構(gòu)造：根據(jù)雜波訓練圖像在每一個分割尺度下 的超像素分割結(jié)果提取的兩種散射機制分布特征矢量，構(gòu)造兩個過完備字典D 1, D2，其中，字 典的每一列由訓練圖像中每一個超像素對應的散射機制分布特征矢量的歸一化特征矢量 構(gòu)成。
[0020] 步驟5,檢測統(tǒng)計量定義：將測試圖像中同一分割尺度下的超像素散射特征矢量 表示為對應字典中列向量的稀疏線性組合，根據(jù)稀疏表示殘差構(gòu)造每個超像素的檢測統(tǒng)計 量，接著將超像素檢測統(tǒng)計量轉(zhuǎn)換成像素級的檢測統(tǒng)計量；對于測試圖像中的每個像素點， 計算其在不同分割尺度下對應檢測統(tǒng)計量的平均值，然后對兩種超像素散射機制分布特征 像素級的平均檢測統(tǒng)計量再次求平均，獲取測試圖像的檢測統(tǒng)計量，得到測試圖像的檢測 統(tǒng)計量圖像r 。
[0021] 步驟6,對測試圖像的檢測統(tǒng)計量圖像r施加一個設(shè)定檢測率下對應的檢測閾 值Th,將檢測統(tǒng)計量圖像r中像素值大于檢測閾值的像素點設(shè)為目標點，像素值低于檢 測閾值的像素點設(shè)為雜波點，獲得測試圖像艦船目標檢測結(jié)果的二值化圖像I。
[0022] 本發(fā)明的實現(xiàn)還在于：步驟1所述的初始聚類中心的獲取與移動，按如下步驟進 行：
[0023] Ial)在全極化SAR測試圖像與雜波訓練圖像平面上以預先設(shè)定的超像素尺寸S的 大小為步長進行均勻取樣，可獲取初始的聚類中心，依次編號為1，2,…，V，其中，S可由 預估的艦船尺寸進行設(shè)置，K s'為初始聚類中心的總數(shù)目，也等于所分割的超像素的總數(shù) 目，計算公式為：
[0024] Ks'= floor (M/S) *fIoor (N/S)，
[0025] 其中，fl〇〇r( ?)表示向零取整函數(shù)，M與N分別為極化SAR圖像的行數(shù)與列數(shù)；
[0026] la2)將聚類中心坐標標記矩陣記為P。，維數(shù)為2XKS'，其中，P。的第i列記錄 第i個聚類中心的位置坐標，即Ge' J ;記所有聚類中心的相干矩陣為T。，維數(shù)為 3X3XKS'，其中，T。的第i個3X3維的矩陣等于坐標（X' J處的相干矩陣，即 !；(:，：，;〇 =1(:,:,1' J，矩陣T表示極化SAR圖像中所有像素點的相干矩陣，維 數(shù)為3X3XMXN ;將聚類中心編號矩陣記為L。，維數(shù)為MXN，將其賦值為全0矩陣；
[0027] la3)為防止聚類中心落在圖像邊緣像素和噪聲像素點上，將全極化SAR測試圖像 與雜波訓練圖像中的每一個超像素聚類中心移動到其所在的3X3鄰域內(nèi)具有最小邊緣強 度的像素點上，首先定義單個像素點的水平和垂直邊緣強度分別為：
[0028]

【權(quán)利要求】
1. 一種基于超像素散射機制的極化SAR圖像艦船目標檢測方法，其特征在于檢測過程 包括有如下步驟： 步驟1，多尺度極化SAR圖像超像素生成：利用SLIC算法的局部迭代聚類流程，對全極 化SAR測試圖像與雜波訓練圖像分別進行超像素分割，在收斂準則下分別獲得測試圖像與 雜波訓練圖像的多尺度超像素分割結(jié)果，分割過程包括如下步驟： la) 對極化雷達獲取的包含艦船目標的全極化SAR測試圖像與雜波訓練圖像進行預設(shè) 尺度下的超像素分割，分別進行測試圖像與雜波訓練圖像初始聚類中心的獲取與移動； lb) 分別將測試圖像與雜波訓練圖像中每一個像素點進行所屬聚類中心的歸類； lc) 分別剔除測試圖像與雜波訓練圖像中不包含任何像素點的聚類中心； ld) 更新測試圖像與雜波訓練圖像的超像素聚類中心，通過改變分割尺度，在收斂準則 下分別獲得測試圖像與雜波訓練圖像的多尺度超像素分割結(jié)果； 步驟2,超像素散射機制分布特征定義：首先將全極化SAR測試圖像與雜波訓練圖像中 每一個像素點對應的相干矩陣矢量化，獲得每個像素點的散射機制特征矢量，然后將每個 超像素內(nèi)所有像素點的散射機制特征矢量的平均矢量作為對應超像素的平均散射機制特 征矢量，將每個超像素的協(xié)方差矩陣的矢量化結(jié)果作為表征超像素散射機制的協(xié)方差特征 矢量； 步驟3,超像素散射機制分布特征提?。横槍y試圖像與雜波訓練圖像的多尺度超像 素分割結(jié)果，分別提取測試圖像與雜波訓練圖像中每一個超像素的平均散射機制特征矢量 與協(xié)方差特征矢量，獲得不同分割尺度下的每一個超像素散射機制分布特征矢量； 步驟4,雜波訓練圖像過完備字典構(gòu)造：根據(jù)雜波訓練圖像在每一個分割尺度下的 超像素分割結(jié)果提取的平均散射機制特征矢量與協(xié)方差特征矢量，構(gòu)造兩個過完備字典 D1, D2，其中，字典的每一列由訓練圖像中每一個超像素對應的散射機制分布特征矢量的歸 一化特征矢量構(gòu)成； 步驟5,檢測統(tǒng)計量定義：將測試圖像中同一分割尺度下的超像素散射特征矢量表示 為對應字典中列向量的稀疏線性組合，根據(jù)稀疏表示殘差構(gòu)造每個超像素的檢測統(tǒng)計量， 接著將超像素檢測統(tǒng)計量轉(zhuǎn)換成像素級的檢測統(tǒng)計量；對于測試圖像中的每個像素點，計 算其在不同分割尺度下對應檢測統(tǒng)計量的平均值，然后對兩種超像素散射機制分布特征像 素級的平均檢測統(tǒng)計量再次求平均，獲取測試圖像中每一個像素點的檢測統(tǒng)計量，得到測 試圖像的檢測統(tǒng)計量圖像Γ ; 步驟6,對測試圖像的檢測統(tǒng)計量圖像Γ施加一個設(shè)定檢測率下對應的檢測閾值Th, 將檢測統(tǒng)計量圖像Γ中像素值大于檢測閾值的像素點設(shè)為目標點，像素值低于檢測閾值 的像素點設(shè)為雜波點，獲得測試圖像艦船目標檢測結(jié)果的二值化圖像I。
2. 根據(jù)權(quán)利要求1所述的基于超像素散射機制的極化SAR圖像艦船目標檢測方法，其 特征在于步驟1所述的初始聚類中心的獲取與移動，按如下步驟進行： Ial)在全極化SAR測試圖像與雜波訓練圖像平面上以預先設(shè)定的超像素尺寸S的大 小為步長進行均勻取樣，獲取初始的聚類中心，依次編號為1，2, ···，!(' s，其中，S由預估的 艦船尺寸進行設(shè)置，K' s為初始聚類中心的總數(shù)目，也等于所分割的超像素的總數(shù)目，K' s 的計算公式為： Kis = floor(M/S)*floor(N/S), 其中，floor ( ·)表示向零取整函數(shù)，M與N分別為極化SAR圖像的行數(shù)與列數(shù)； la2)將全極化SAR圖像超像素聚類中心的坐標標記矩陣記為P。,維數(shù)為2ΧΙΓ s,其 中，P。的第i列記錄第i個聚類中心的位置坐標，即（X' & ^ J ;記所有聚類中心的相干 矩陣為T。，維數(shù)為3Χ3ΧΓ s，其中，T。的第i個3X3維的矩陣等于坐標（X' J處 的相干矩陣，S卩??；（:，：，i)=T(:，：，x' J，矩陣T表示極化SAR圖像中所有像素點 的相干矩陣，維數(shù)為3X3XMXN ;將聚類中心編號矩陣記為L。，維數(shù)為MXN，將其賦值為全 〇矩陣； la3)將全極化SAR測試圖像與雜波訓練圖像中的每一個超像素聚類中心移動到其所 在的3X3鄰域內(nèi)具有最小邊緣強度的像素點上，首先定義單個像素點的水平和垂直邊緣 強度分別為：
其中，XUP，Lght分別表示坐標位置為（X，y)的像素點在其3X 3鄰域內(nèi)的上 下左右邊緣三個像素點對應相干矩陣的和矩陣，I · I表示取矩陣的行列式運算，單個像素 點最終的邊緣強度可表示為：E = max ([Eh Ev]); la4)分別遍歷整幅全極化SAR測試圖像與雜波訓練圖像中的所有超像素的聚類中心： 設(shè)第i個超像素聚類中心的坐標為（X' μ，太J，其中，KiSK' s，計算該聚類中心 3X3鄰域內(nèi)所有像素點的邊緣強度，將具有最小邊緣強度的像素點作為新的聚類中心，編 號為 i，坐標記為（xci, yci)，完成賦值工作：T。（:，：，i) = T (:，：，xci, yci)，P。（:，i) = [xci，yj T, Ljxci, yj = i,其中，[· ]τ表示向量轉(zhuǎn)置操作。
3.根據(jù)權(quán)利要求1所述的基于超像素散射機制的極化SAR圖像艦船目標檢測方法，其 特征在于步驟1所述的對極化SAR圖像中像素點所屬聚類中心的分類，按如下步驟進行： Ibl)定義坐標位置為（x，y)的像素點Px，y到某一坐標為（Xc^yJ的聚類中心P ei的度 量距離為：
其中，dQ表示像素點Px，y到聚類中心Pei的Wishart距離，計算公式為： dn=H\Va\) + tr(V-XY), 式中，Vcd, Txy分別表示聚類中心Pcd與像素點Px，y的相干矩陣，tr( ·)表示矩陣求跡運 算；m表示控制超像素緊致度的權(quán)重參數(shù)，S為超像素的尺寸，dxy為表征像素點Px，y與聚類 中心P . ^問郃忻耜麼的歐氐陽離·丟彳大忒* .
Ib2)定義標記圖像L' x，y: L' x'y= {1' x'y|l<x<M，l<y<N，l<l' x'y<K' s}， 其中，每一像素點的值Γ x，y表示全極化SAR圖像中對應位置像素點所屬聚類中心的 類別編號，限定該像素點屬于該類別編號對應的聚類中心，標記圖像L' x，y的初始值為全0 矩陣； Ib3)分別遍歷整幅全極化SAR測試圖像與雜波訓練圖像，對于坐標位置為（x，y)的像 素點P"，分別計算該像素點與其2SX2S鄰域內(nèi)包含的所有聚類中心的度量距離，將最小 度量距離對應的聚類中心的編號值i賦給標記圖像中坐標位置為（x，y)的像素值1'
4. 根據(jù)權(quán)利要求1所述的基于超像素散射機制的極化SAR圖像艦船目標檢測方法，其 特征在于步驟1所述的對極化SAR圖像中相關(guān)聚類中心的剔除，按如下步驟進行： Icl)計算標記圖像L' x，y中具有同一個標記值的像素數(shù)目，將像素數(shù)目為O的標記值 所對應的聚類中心剔除，獲得一組新的聚類中心，此時聚類中心的總數(shù)目記為Ks，更新聚類 中心相干矩陣T。，聚類中心坐標標記矩陣P。，聚類中心編號標記矩陣L。； lc2)重新遍歷整幅SAR圖像，對每個像素點，依據(jù)最小度量距離原則，將其劃歸到該像 素點的2SX2S鄰域內(nèi)與該像素點度量距離最小的聚類中心所在類別中，得到更新后的標 記圖像，記為 Lx，y = {lx，y I lx，y 彡 Ks}。
5. 根據(jù)權(quán)利要求1所述的基于超像素散射機制的極化SAR圖像艦船目標檢測方法，其 特征在于步驟1所述的對超像素聚類中心的更新，按如下步驟進行： Idl)對于第i個超像素 SPi,將更新后的類別編號標記圖Lx，y中取值為i的所有像素點 的行位置坐標取出，構(gòu)成一個行坐標向量，記為Ri,同時將Lx，y中取值為i的所有像素點的 列位置坐標取出，構(gòu)成一個列坐標向量，記為C i,將類別編號標記圖Lx，y中取值為i的像素 點的總數(shù)目記為N i，將各聚類中心相干矩陣T。，坐標標記矩陣P。，類別編號標記矩陣L。分別 初始化為零矩陣； ld2)依據(jù)SLIC算法的局部迭代機制，分別更新極化SAR測試圖像與雜波訓練圖像的聚 類中心，各屬性矩陣的更新方式分別為：
其中，（Ri (j)，Ci (j))為標記圖Lx，y中取值為i的第j個像素點的位置坐標，聚類中心 位置坐標更新方式為：
聚類中心編號矩陣更新為：。
6. 根據(jù)權(quán)利要求1所述的基于超像素散射機制的極化SAR圖像艦船目標檢測方法，其 特征在于步驟2所述的相干矩陣的矢量化以及對超像素散射機制分布特征矢量的定義如 下所示： 2a)將全極化SAR圖像中像素點Px，y對應的相干矩陣Txy矢量化，結(jié)果矢量記為：
稱其為散射機制特征矢量，其中，I I · I I2表示L2范數(shù)，vec(·)表示對矩 陣進行矢量化運算，計算公式為：
其中，表示矩陣Txy的第u行第V列位置處的元素 ，Re ( ·)，Im( ·)分別表示提取復 數(shù)的實部與虛部操作，（·）τ表示對向量進行轉(zhuǎn)置運算； 2b)定義第i個超像素平均散射機制特征矢量：
其中，Ni為第i個超像素 SPi所包含像素總數(shù)目，在分割尺度S下，可以得到Ks個超像 素，對每一個超像素按照上述公式提取平均散射機制特征矢量； 2c)定義第i個超像素的散射機制協(xié)方差特征矢量： Z2 = V^iCsp ), 其中，為超像素 SPi中所有像素點對應的散射機制特征矢量的協(xié)方差矩陣，具體計 算公式為：
vec (·)運算與對Txy的矢量化操作類似，只不過為實矩陣，不包括取虛部操作，也 即去除vec(·)中包含虛部的項。
7.根據(jù)權(quán)利要求1所述的基于超像素散射機制的極化SAR圖像艦船目標檢測方法，其 特征在于步驟5所述的將測試圖像中超像素散射特征矢量表示為對應字典中列向量的稀 疏線性組合以及最終檢測統(tǒng)計量的構(gòu)造按如下步驟進行： 5a)將測試圖像中每一個超像素的散射特征矢量表示為同一分割尺度下對應字典中列 向量的稀疏線性組合，形式為： flk - Dkαk+ rI k， 其中，fTk為第k種超像素散射機制分布特征矢量，ke {1，2} ; Iik為稀疏表示殘差；CIk 為稀疏表示系數(shù)，通過使用正交匹配追蹤算法（OMP)求解以下問題得到：
式中，I I · I Itl SLci范數(shù)，表示向量中非零元素的個數(shù)，Sk表示第k種超像素散射機制 分布特征矢量稀疏表示的稀疏度； 5b)基于測試圖像中每個超像素散射特征矢量的稀疏表示殘差，構(gòu)造每個超像素的檢 測統(tǒng)計量，具體計算方式為： A Tk - I fTk-Dk α k I I 2/ I I flk I I 2? 其中，Λ Tk表示第k種超像素散射特征矢量對應的檢測統(tǒng)計量，Il · Il2表示L2范數(shù)， 將超像素檢測統(tǒng)計量轉(zhuǎn)換成像素級的檢測統(tǒng)計量：記超像素 SPi的第k個散射機制分布特 征對應的檢測統(tǒng)計量為ATk，像素點Pxy對應的檢測統(tǒng)計量記為A tk，則： λtk = Aft, if Px，ye SPi, 對所有超像素中的每一個像素點進行同樣的賦值操作，即可完成超像素檢測統(tǒng)計量到 像素級檢測統(tǒng)計量的轉(zhuǎn)換。 5c)在不同分割尺度S1下，分別計算每個像素點的兩種散射機制分布特征對應的平均 檢測統(tǒng)計量為：
其中，N1為分割尺度的總個數(shù)，S1表示第1種分割尺度，I < I < N1, 4表示某一像素 點在第1種分割尺度下第k個散射機制分布特征對應的檢測統(tǒng)計量；對兩種超像素散射機 制分布特征像素級的平均檢測統(tǒng)計量再次求平均，獲取最終的檢測統(tǒng)計量，計算公式為： Λ =(為 I + D/2， 得到測試圖像的檢測統(tǒng)計量圖像r 。
【文檔編號】G06K9/62GK104376330SQ201410662259
【公開日】2015年2月25日 申請日期:2014年11月19日 優(yōu)先權(quán)日:2014年11月19日
【發(fā)明者】王英華, 何敬魯, 劉宏偉, 糾博, 陳渤 申請人:西安電子科技大學