Radar echo image sea wave texture detection method based on correlation analysis
附图说明 图1是有海浪纹理的雷达海杂波图像； 图2是缺失海浪纹理的雷达海杂波图像； 图3是无海浪纹理的雷达海杂波图像； 图4是有海浪纹理的雷达灰度图像； 图5是缺失海浪纹理的雷达灰度图像； 图6是无海浪纹理的雷达灰度图像； 图7是本发明实施方式流程图。 技术领域 本发明属于海洋遥感技术领域，涉及一种基于雷达海面回波图像的海浪纹理识别方法，特别是一种基于相关性分析的雷达回波图像海浪纹理检测方法。 具体实施方式 下面结合说明书附图和实施例对本发明做进一步说明。 本发明具体可以分为以下几步，第一步，在雷达海表面回波图像中选取海浪参数反演区域并转化到笛卡尔坐标下得到I(x，y)。第二步，基于自适应逐层校对算法，进行海浪纹理的灰度异常自适应检测。第三步，基于改进均值相关系数算法，进行雷达回波图像的方位向上的均值相关系数计算。第四步，将均值相关系数R与海浪纹理特性判断阈值C3进行比较，判定选取区域是否有海浪纹理特性。 下面结合具体参数给出实施例。 本发明实施用例所用的航海雷达为X波段航海雷达，工作于短脉冲模式，脉冲重复频率为1300Hz，回波数据数字化后以极坐标形式按线存储，两条相邻存储线间的时间间隔小于1ms，雷达天线扫描一周的时间约2.5s，一幅雷达图像的总线数大约为3300条，每根线上有600个像素点，其方位向分辨率约为0.1°，距离向分辨率约为7.5m。实验使用的航海雷达原始图像主要来自辽宁大连七六零所实验平台2022年10月观测数据。 结合图7，本发明具体实施步骤为： 第一步，在雷达海表面回波图像中选取海浪参数反演区域并转化到笛卡尔坐标下得到灰度图像I(x，y)，I(x，y)的大小为256*256。笛卡尔框所选的海浪监测区域为180度方位、750m到2670m径向距离的海域。含有海浪纹理图像为100张(如图1所示)，无海浪纹理图像(含缺失海浪纹理图像)为100张(如图2和图3所示)，共200张笛卡尔坐标灰度图像。 第二步，基于自适应逐层校对算法，进行海浪纹理的灰度异常自适应检测。 步骤2.1设置滑动窗L1，大小256*1，利用滑动窗将灰度图像I(x，y)无重叠地分割成N个子集，其中N＝256，并计算各子集内像素点的平均灰度值。例 步骤2.2计算灰度图像I(x，y)所有像素点的平均灰度值A2＝90.0053； 步骤2.3计算校对检测阈值 步骤2.4判断各子集都成立，进行步骤2.5； 步骤2.5在各个子集中寻找该子集内的最大灰度值B1(i)和最小灰度值B2(i)。例B1(1)＝191，B2(1)＝20； 步骤2.6求解波动检测阈值 步骤2.7判断各子集B1(i)-B2(i)＞C2＝都成立，进行第三步。 第三步，基于改进均值相关系数算法，对步骤二检测通过的灰度图像I(x，y)进行方位向上的均值相关系数计算。 步骤3.1设置滑动窗L2，大小为64*10，利用滑动窗L2将灰度图像I(x，y)逐层分割成K个子集，K＝246； 步骤3.2对各子集内的行向量进行相关系数的求解，例 步骤3.3各子集相同位置的相关系数求解平均值， 步骤3.4根据雷达图像空间上具有相关性的特点，选取作为判断均值相关系数用于海浪纹理特性的检验。 步骤四：将判断均值相关系数R1与海浪纹理特性判断阈值C3进行比较，判定选取区域是否有海浪纹理特性。 步骤4.1确定纹理判定阈值C3，将1/e赋值于C3，即C3＝1/e； 步骤4.2判断R1＞C3成立，判断该雷达海表面回波图像具有海浪纹理。 经过此方法可有效筛选出98张如图4所示有海浪纹理的图像，筛选掉99张如图5所示缺失海浪纹理的图像和图6所示无海浪纹理的图像。 实验结果表明，基于自适应相关系数识别航海雷达图像中海浪纹理特征方法识别具有海浪纹理特征的图像准确率高，满足识别具有海浪纹理特征图像的要求。 背景技术 海浪信息的观测和实时预报对于各种近岸和远海活动至关重要，如船舶航行、近岸工程、海洋资源开发。由于导航雷达图像分辨率高且能够反映海表面在空间和时间上的变化，逐渐发展成为一种测量波高的遥感手段。目前，基于雷达海面回波图像的海浪参数测量方法大多数是通过提取图像中的海浪纹理特征来进行反演，然而海上目标物、同频信号干扰以及恶劣的天气条件会对雷达海表面成像产生严重的干扰，导致雷达海面回波图像的海浪纹理特征降低，严重时影响海浪参数反演的准确性和可靠性。因此，进行雷达海面回波图像的海浪纹理特性检测，对提高海浪参数反演的可靠性具有重要意义。 由于海浪在空间上具有相关性，因此，通过计算海浪相关系数来判断雷达海面回波图像是否具有海浪纹理特性是常用的方法。但是，如果仅通过设置相关系数阈值的方法来进行海浪纹理特征筛选，低海况下由于海浪纹理特征不明显，会造成雷达海面回波图像的误判和误删，导致筛选准确性降低。因此，需要发展一种基于自适应相关检测的海浪纹理特征识别方法，用于雷达海表面图像的海浪纹理特征筛选，以确保海浪参数反演的可靠性和准确性。 发明内容 针对以上情况，本发明要解决的技术问题是提供一种基于自适应相关检测的雷达图像检验海浪纹理特征识别方法。 本发明的技术方案如下： 一种基于相关性分析的雷达回波图像海浪纹理检测方法，步骤如下： 步骤一：在雷达海表面回波图像中选取海浪参数反演区域并转化到笛卡尔坐标下得到灰度图像I(x，y)，I(x，y)的大小为n*n。 步骤二：基于自适应逐层校对算法，进行海浪纹理的灰度异常自适应检测。 自适应逐层校对算法的具体实现包括： 步骤2.1设置滑动窗L1，大小m*1，利用滑动窗L1将灰度图像I(x，y)无重叠地分割成N个子集，并计算每个子集内所有像素点的平均灰度值 (子集内所有像素点的灰度值)， i＝1，2，3，......，N。 步骤2.2计算灰度图像I(x，y)所有像素点的平均灰度值A2，计算公式为： A2＝average(灰度图像I(x，y)所有像素点的灰度值)； 步骤2.3设置校对检测阈值C1； 步骤2.4判断各子集是否都成立，若成立则进行步骤2.5，若不成立则判断该雷达海表面回波图像灰度异常，检测结束。 步骤2.5在各个子集中寻找该子集内的最大灰度值B1(i)和最小灰度值B2(i)，B1(i)、B2(i)的计算公式为： B1(i)＝max(子集内所有像素点的灰度值) B2(i)＝min(子集内所有像素点的灰度值))， i＝1，2，3，......，N。 步骤2.6设置波动检测阈值C2； 步骤2.7判断各子集B1(i)-B2(i)＞C2是否成立，若成立则进行步骤三，若不成立则判断该雷达海表面回波图像无海浪纹理特征，检测结束。 步骤三：基于改进均值相关系数算法，对步骤二检测通过的灰度图像I(x，y)进行方位向上的均值相关系数计算。 改进均值相关系数算法的具体实现包括： 步骤3.1求解滑动窗L2，大小为p*q，利用滑动窗L2将灰度图像I(x，y)逐层分割成K个子集，K的计算公式为： K＝m-p； 步骤3.2对各子集内的行向量进行相关系数的求解，计算公式为： k＝1、2、3，......，K； j＝1，2、3，......，p； 其中，X为第k个子集内第一行的行向量，Y为第k个子集内第j行的行向量，每个子集最终能求出p个相关系数。 步骤3.3各子集相同位置的相关系数求解平均值，求解计算公式为： 步骤3.4根据雷达图像空间上具有相关性的特点，选取特定位置上的均值相关系数R作为判断均值相关系数用于海浪纹理特性的检验。 步骤四：将判断均值相关系数R与海浪纹理特性判断阈值C3进行比较，判定选取区域是否有海浪纹理特性。 步骤4.1确定纹理判定阈值C3，将1/e赋值于C3，即C3＝1/e； 步骤4.2判断R＞C3是否成立，若成立则判断该雷达海表面回波图像具有海浪纹理，若不成立则判断该雷达海表面回波图像不具有海浪纹理。 本发明的有益效果，针对现有技术存在的理论局限性、低海况海浪纹理不明显以及采集卡故障造成的海浪纹理缺失，通过对相关系数检验海浪纹理特征的研究，本发明公开了一种基于相关系数检验海浪纹理的改进方法。本方法考虑了造成海浪纹理缺失的原因，针对具体现象，设计了一种新的滑窗遍历方法来计算相关系数，并最终进行均值求解，能够有效地识别海浪纹理特征。该方法适用于工作原理是单脉冲体制的X波段航海雷达。本发明使用X波段航海雷达进行实验，实验结果表明本方法能够有效地筛选具备海浪纹理特征的图像。与现有技术相比，利用本发明所提出的雷达图像识别海浪纹理的方法，其优点在于： (1)通过对相关系数检验海浪纹理特征的改进，本方法能够有效地避免单独计算相关系数可能造成的偶然误差，使计算结果更具有信服力，提高了筛选具有海浪纹理特征图像的准确性； (2)能够较为准确的筛选掉因采集卡发生故障导致漏采回波信号造成的海浪纹理特征缺失和低海况下海浪纹理不明显的图像； (3)算法整体逻辑简单易懂，容易实现，程序响应快，能够满足工程实用性。 The invention relates to the technical field of remote sensing, in particular to a radar echo image sea wave texture detection method based on correlation analysis. The method comprises the following steps: selecting a sea wave parameter inversion area in a radar sea surface echo image and converting the sea wave parameter inversion area into Cartesian coordinates; based on a self-adaptive layer-by-layer proofreading algorithm, gray anomaly self-adaptive detection of the sea wave texture is carried out; based on an improved mean correlation coefficient algorithm, calculating a mean correlation coefficient in the azimuth direction of the radar echo image; and comparing the mean correlation coefficient with a sea wave texture characteristic judgment threshold, and judging whether the selected region has sea wave texture characteristics or not. Experiments prove that the method can effectively screen out the images containing the sea wave textures for exploration experiments. 1.一种基于相关性分析的雷达回波图像海浪纹理检测方法，其特征在于，步骤如下： 步骤一：在雷达海表面回波图像中选取海浪参数反演区域并转化到笛卡尔坐标下得到灰度图像I(x,y)，I(x,y)的大小为n*n； 步骤二：基于自适应逐层校对算法，进行海浪纹理的灰度异常自适应检测； 自适应逐层校对算法的具体实现包括： 步骤2.1设置滑动窗L1，大小m*1，利用滑动窗将灰度图像I(x,y)无重叠地分割成N个子集，并计算子集内像素点的平均灰度值 (子集内所有像素点的灰度值)， i＝1，2，3，……，N； 步骤2.2计算灰度图像I(x,y)所有像素点的平均灰度值A2，计算公式为： A2＝average(灰度图像I(x,y)所有像素点的灰度值)； 步骤2.3设置校对检测阈值C1； 步骤2.4判断各子集是否都成立，若成立则进行步骤2.5，若不成立则判断该雷达海表面回波图像灰度异常，检测结束； 步骤2.5在各个子集中寻找该子集内的最大灰度值B1(i)和最小灰度值B2(i)，B1(i)、B2(i)的计算公式为： B1(i)＝max(子集内所有像素点的灰度值) B2(i)＝min(子集内所有像素点的灰度值))， i＝1，2，3，……，N； 步骤2.6设置波动检测阈值C2； 步骤2.7判断各子集B1(i)-B2(i)＞C2是否成立，若成立则进行步骤三，若不成立则判断该雷达海表面回波图像无海浪纹理特征，检测结束； 步骤三：基于改进均值相关系数算法，对步骤二检测通过的灰度图像I(x,y)进行方位向上的均值相关系数计算； 改进均值相关系数算法的具体实现包括： 步骤3.1求解滑动窗L2，大小为p*q，利用滑动窗L2将灰度图像I(x,y)逐层分割成K个子集，K的计算公式为： K＝m-p； 步骤3.2对各子集内的行向量进行相关系数的求解，计算公式为： k＝1、2、3，……，K； j＝1，2、3，……，p； 其中，X为第k个子集内第一行的行向量，Y为第k个子集内第j行的行向量，每个子集最终能求出p个相关系数； 步骤3.3各子集相同位置的相关系数求解平均值，求解计算公式为： 步骤3.4根据雷达图像空间上具有相关性的特点，选取特定位置上的均值相关系数R作为判断均值相关系数用于海浪纹理特性的检验； 步骤四：将判断均值相关系数R与海浪纹理特性判断阈值C3进行比较，判定选取区域是否有海浪纹理特性； 步骤4.1确定纹理判定阈值C3，将1/e赋值于C3，即C3＝1/e； 步骤4.2判断R＞C3是否成立，若成立则判断该雷达海表面回波图像具有海浪纹理，若不成立则判断该雷达海表面回波图像不具有海浪纹理。