CN111157962A - 一种oth雷达图像粗糙度的干扰抑制自适应优化方法 - Google Patents

Abstract

本发明公开了一种OTH雷达图像粗糙度的干扰抑制自适应优化方法，基于图像处理，实现OTH雷达的干扰自适应最优抑制，具体包括以下步骤：S1：将OTH雷达的回波信号进行矩阵形式排列，并通过常规雷达信号处理方法生成RDS图；S2：将S1中的RDS图转化为灰度图像；S3：基于S2中的灰度图像，计算干扰噪声区域的粗糙度值；S4：结合固定相似度约束下设计滤波器的干扰抑制方法，对噪声区域的粗糙度值进行处理，通过优化滤波器的参数，输出干扰自适应最优抑制。

Description

一种OTH雷达图像粗糙度的干扰抑制自适应优化方法

技术领域

本发明涉及雷达图像处理领域，尤其涉及一种OTH雷达图像粗糙度的干扰抑制自适应优化方法。

背景技术

OTH雷达工作在高频段，利用电离层反射高频电磁波进行海态探测和目标检测，具有覆盖范围大、探测距离远、可反隐形飞机等优点，一般，OTH雷达采用动目标检测技术，信号检测通常在距离-多普勒谱图(Range-Doppler Spectrum，RDS)图中进行，但是其性能容易受到由其它设备发射的同频段射频干扰(radio frequency interference,RFI)的影响，RFI被雷达接收并经信号处理后，会在RDS 图上表现出不同形态，影响目标检测甚至是海杂波谱探测，干扰抑制一直受到高频雷达研究的关注，学者们也提出了基于不同原理的干扰抑制方法，但是，由于 OTH雷达中干扰和杂波特性均为未知，传统干扰抑制方法都不能从理论上证明某方法最优，也难以提出明确的优化方向。

目前，基于RDS图的研究发现，从传统信号数据特征上难以评判RDS图的优劣，而在RDS图中各信号的形态特征有明显不同，海杂波区域是不规则边缘的带状区域；窄带干扰表现为平行于距离维的高亮直线；宽带干扰表现为遍布全图的条纹状；目标信号呈现高亮点状区域；噪声区域形态呈平缓状，随着干扰抑制不充分或过度抑制时，RDS图形态也会变化，尽管此类变化从传统的信号处理角度来说难以表征和量化，但是从图像的角度却可以直观判断其优劣，而纹理是图像的一个重要特征，可用于分析许多类型的图像，其中Tamura纹理侧重对图像全局特征的提取，其粗糙度是最基本的纹理特征，可以直观反映人眼对图像粗糙程度的感知。

发明内容

针对上述现有技术的不足，本专利申请所要解决的技术问题是：如何提供一种方便快捷、快速实现最优抑制的OTH雷达图像粗糙度的干扰抑制自适应优化方法。

为了实现上述目的，本发明采用了如下技术方案：

一种OTH雷达图像粗糙度的干扰抑制自适应优化方法，基于图像处理，实现OTH雷达的干扰自适应最优抑制，具体包括以下步骤：

S1：将OTH雷达的回波信号进行矩阵形式排列，并通过常规雷达信号处理方法生成RDS图；

S2：将S1中的RDS图转化为灰度图像；

S3：基于S2中的灰度图像，计算干扰噪声区域的粗糙度值；

S4：结合固定相似度约束下设计滤波器的干扰抑制方法，对噪声区域的粗糙度值进行处理，通过优化滤波器的参数，输出干扰自适应最优抑制。

优选的，S1的具体实施步骤包括：

A1：将雷达回波信号排列为矩阵X_R∈C^L×P，其中L为OTH雷达接收的均匀阵列中的振元个数，P为一个想干处理间隔内的采样点个数；

A2：采用L维权向量a对X_R进行波束形成，输出为时域数据x_R＝a·X_R；

A3：对时域数据x_R进行脉冲压缩和多普勒处理，即可得到RDS矩阵

其中，M为一个相干处理间隔内的积累周期数，N为单周期内的采样点数；

A4：将RDS矩阵Z的值按照幅度dB值显示，即可得到RDS图。

优选的，步骤S2中将RDS图转化为灰度图像采用对数函数的灰度变换算法，公式为：

G(m,n)＝255·log{max[|Z(m,n)|,|Z|_max×10^-80/20]/|Z|_max×10^-80/20}；

其中，|Z|_max表示RDS矩阵中的最大模值，255为灰度级，80为动态范围。

优选的，步骤S3中的粗糙度值计算步骤包括：

B1：计算灰度图像G中大小为2^k×2^k个像素活动窗口像素的平均强度值，采用的公式为

其中，k＝1,…，K控制活动窗口大小，一般K值在2至6之间，G(m,n)为像素点(m,n)的灰度值；

B2：计算每个像素点在水平互不重叠窗口之间的平均强度差E_k,h(x,y)和垂直方向上互不重叠的窗口之间的平均强度差E_k,v(x,y)，采用公式为：

E_k,h(x,y)＝|A_k(x+2^k-1,y)-A_k(x-2^k-1,y)|

E_k,v(x,y)＝|A_k(x,y+2^k-1)-A_k(x,y-2^k-1)|；

B3：取每个像素的最佳尺寸

其中k_best是使E_k,h(x,y)和 E_k,v(x,y)中较大者达到最大的k值；

B4:计算粗糙度值：

优选的，输出干扰自适应最优抑制的过程为：

C1：设计滤波器并进行抑制干扰，并根据似度约束下滤波器干扰抑制方法和粗糙度值计算公式，令相似度参数ε初始值为1，即ε₀＝1，计算初始粗糙度值F₀，令ε的优化步长为Δε＝0.01、阈值比率η＝0.01，j为迭代次数，初始值为0，其中，ε取值范围为(0,1]；

C2：令j＝j+1，ε_j＝ε_j-1-Δε，计算粗糙度差值ΔF＝F_j-1-F_j；

C3：判断，ΔF/F_j-1<η，取得最优抑制，转至步4，否则，转至步C2；

C4：输出ε_opt对应最优滤波器的干扰抑制结果，其中若ΔF<0，ε_opt＝ε_j-1，否则，ε_opt＝ε_j。

有益效果

(1)本发明从图像角度，引入Tamura纹理粗糙度作为图像质量评判的指标，进而用于判断OTH雷达中干扰影响程度和干扰抑制效果，相对比传统数值方法，该指标创新性的有效反映了雷达回波信号中干扰程度。

(2)针对传统干扰抑制方法无法从理论上证明是否实现最优，以及难以提出明确的优化方向，本发明采用粗糙度作为干扰抑制优化的参考标准，改进干扰抑制算法，使其能够迭代优化算法参数，达到干扰抑制自适应优化效果，实现干扰最优抑制。

附图说明：

图1为本发明OTH雷达图像粗糙度的干扰抑制自适应优化方法的流程图；

图2为本发明中不同干扰抑制结果的RDS灰度图。

图3为仿真RDS灰度图。

图4为本发明中粗糙度随滤波器参数的变化趋势图。

图5为干扰最优抑制输出结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1：

参照图1，一种OTH雷达图像粗糙度的干扰抑制自适应优化方法，基于图像处理，实现OTH雷达的干扰自适应最优抑制，具体包括以下步骤：

S1：将OTH雷达的回波信号进行矩阵形式排列，并通过常规雷达信号处理方法生成RDS图；

S2：将S1中的RDS图转化为灰度图像；

S3：基于S2中的灰度图像，计算干扰噪声区域的粗糙度值；

S4：结合固定相似度约束下设计滤波器的干扰抑制方法，对噪声区域的粗糙度值进行处理，通过优化滤波器的参数，输出干扰自适应最优抑制。

优选的，S1的具体实施步骤包括：

A1：将雷达回波信号排列为矩阵X_R∈C^L×P，其中L为OTH雷达接收的均匀阵列中的振元个数，P为一个想干处理间隔内的采样点个数；

A2：采用L维权向量a对X_R进行波束形成，输出为时域数据x_R＝a·X_R；

A3：对时域数据x_R进行脉冲压缩和多普勒处理，即可得到RDS矩阵

其中，M为一个相干处理间隔内的积累周期数，N为单周期内的采样点数；

A4：将RDS矩阵Z的值按照幅度dB值显示，即可得到RDS图。

优选的，步骤S2中将RDS图转化为灰度图像采用对数函数的灰度变换算法，公式为：

G(m,n)＝255·log{max[|Z(m,n)|,|Z|_max×10^-80/20]/|Z|_max×10^-80/20}；

其中，|Z|_max表示RDS矩阵中的最大模值，255为灰度级，80为动态范围。

优选的，步骤S3中的粗糙度值计算步骤包括：

B1：计算灰度图像G中大小为2^k×2^k个像素活动窗口像素的平均强度值，采用的公式为

其中，k＝1,…，K控制活动窗口大小，一般K值在2至6之间，G(m,n)为像素点(m,n)的灰度值；

B2：计算每个像素点在水平互不重叠窗口之间的平均强度差E_k,h(x,y)和垂直方向上互不重叠的窗口之间的平均强度差E_k,v(x,y)，采用公式为：

E_k,h(x,y)＝|A_k(x+2^k-1,y)-A_k(x-2^k-1,y)|

E_k,v(x,y)＝|A_k(x,y+2^k-1)-A_k(x,y-2^k-1)|；

B3：取每个像素的最佳尺寸

其中k_best是使E_k,h(x,y)和 E_k,v(x,y)中较大者达到最大的k值；

B4:计算粗糙度值：

优选的，输出干扰自适应最优抑制的过程为：

C1：设计滤波器并进行抑制干扰，并根据似度约束下滤波器干扰抑制方法和粗糙度值计算公式，令相似度参数ε初始值为1，即ε₀＝1，计算初始粗糙度值 F₀，令ε的优化步长为Δε＝0.01、阈值比率η＝0.01，j为迭代次数，初始值为0，其中，ε取值范围为(0,1]；

C2：令j＝j+1，ε_j＝ε_j-1-Δε，计算粗糙度差值ΔF＝F_j-1-F_j；

C3：判断，ΔF/F_j-1<η，取得最优抑制，转至步4，否则，转至步C2；

C4：输出ε_opt对应最优滤波器的干扰抑制结果，其中若ΔF<0，ε_opt＝ε_j-1，否则，ε_opt＝ε_j

有益效果

(1)本发明从图像角度，引入Tamura纹理粗糙度作为图像质量评判的指标，进而用于判断OTH雷达中干扰影响程度和干扰抑制效果，相对比传统数值方法，该指标创新性的有效反映了雷达回波信号中干扰程度。

(2)针对传统干扰抑制方法无法从理论上证明是否实现最优，以及难以提出明确的优化方向，本发明采用粗糙度作为干扰抑制优化的参考标准，改进干扰抑制算法，使其能够迭代优化算法参数，达到干扰抑制自适应优化效果，实现干扰最优抑制。

实施例2：

参考图2，仿真雷达发射线性调频连续波，波形参数为带宽20kHz，采样频率50kHz，波形周期10ms，相干积累周期数512。模拟射频干扰，与目标回波及海杂波相加为雷达接收数据，采用脉冲压缩和快速傅里叶变换做多普勒处理，再进行灰度转换，得到RDS灰度图，图2是不同干扰情况的RDS灰度图及求出来的粗糙度值，可以观察到，当RDS图中无干扰时，噪声区域的幅度分布较均匀，目标可观察，粗糙度最低；当RDS图中含宽带射频干扰时，目标难以观察，粗糙度最高；经滤波器设计抑制干扰后，当干扰未完全抑制或过度抑制时，可见噪声区域纹理较粗糙，目标被掩盖，粗糙度值较高；当干扰完全被抑制时，噪声区域幅度分布较均匀，目标可被观察，粗糙度值较低。

参考图3-图5，图3是仿真含宽带射频干扰雷达信号生成的RDS灰度图，图中可以看到图像纹理粗糙，噪声区域的纹理特性不均匀，计算其噪声区域粗糙度为F0＝8.58。然后采用步骤四中的自适应干扰抑制算法，设置粗糙度计算参数K＝4，相似度初始值ε₀＝1，优化步长Δε＝0.01，对干扰抑制进行自适应优化，图4中圆形状虚线给出了自适应算法的迭代过程，当迭代次数j由0增加到5时，ε由1 减小到0.95，粗糙度在逐步减小，对应干扰抑制效果也在优化；当j＝6即ε＝0.94 时，粗糙度增大，说明进入过度抑制阶段。因此迭代终止，最优抑制停在ε＝0.95，此时粗糙度值为6.89，输出最优抑制结果为图5，该图的粗糙度基本等于无干扰时粗糙度，最优抑制结果与无干扰时RDS图像非常接近，图4中其它相似度ε值对应粗糙度的变化趋势是先减后增，表明粗糙度确实存在最小值且容易寻找。同时，改变K值为3和5，粗糙度与相似度的对应关系保持不变。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种OTH雷达图像粗糙度的干扰抑制自适应优化方法，其特征在于：基于图像处理，实现OTH雷达的干扰自适应最优抑制，具体包括以下步骤：

S1：将OTH雷达的回波信号进行矩阵形式排列，并通过常规雷达信号处理方法生成RDS图；

S2：将S1中的RDS图转化为灰度图像；

S3：基于S2中的灰度图像，计算干扰噪声区域的粗糙度值；

S4：结合固定相似度约束下设计滤波器的干扰抑制方法，对噪声区域的粗糙度值进行处理，通过优化滤波器的参数，输出干扰自适应最优抑制。

2.根据权利要求1所述的一种OTH雷达图像粗糙度的干扰抑制自适应优化方法，其特征在于，S1的具体实施步骤包括：

A1：将雷达回波信号排列为矩阵X_R∈C^L×P，其中L为OTH雷达接收的均匀阵列中的振元个数，P为一个想干处理间隔内的采样点个数；

A2：采用L维权向量a对X_R进行波束形成，输出为时域数据x_R＝a·X_R；

A3：对时域数据x_R进行脉冲压缩和多普勒处理，即可得到RDS矩阵

其中，M为一个相干处理间隔内的积累周期数，N为单周期内的采样点数；

A4：将RDS矩阵Z的值按照幅度dB值显示，即可得到RDS图。

3.根据权利要求2所述的一种OTH雷达图像粗糙度的干扰抑制自适应优化方法，其特征在于，步骤S2中将RDS图转化为灰度图像采用对数函数的灰度变换算法，公式为：

G(m,n)＝255·log{max[|Z(m,n)|,|Z|_max×10^-80/20]/|Z|_max×10^-80/20}；

其中，|Z|_max表示RDS矩阵中的最大模值，255为灰度级，80为动态范围。

4.根据权利要求3所述的一种OTH雷达图像粗糙度的干扰抑制自适应优化方法，其特征在于，步骤S3中的粗糙度值计算步骤包括：

B1：计算灰度图像G中大小为2^k×2^k个像素活动窗口像素的平均强度值，采用的公式为

其中，k＝1,…，K控制活动窗口大小，一般K值在2至6之间，G(m,n)为像素点(m,n)的灰度值；

B2：计算每个像素点在水平互不重叠窗口之间的平均强度差E_k,h(x,y)和垂直方向上互不重叠的窗口之间的平均强度差E_k,v(x,y)，采用公式为：

E_k,h(x,y)＝|A_k(x+2^k-1,y)-A_k(x-2^k-1,y)|

E_k,v(x,y)＝|A_k(x,y+2^k-1)-A_k(x,y-2^k-1)|；

B3：取每个像素的最佳尺寸

其中k_best是使E_k,h(x,y)和E_k,_v(x,y)中较大者达到最大的k值；

B4:计算粗糙度值：

5.根据权利要求4所述的一种OTH雷达图像粗糙度的干扰抑制自适应优化方法，其特征在于，输出干扰自适应最优抑制的过程为：

C1：设计滤波器并进行抑制干扰，并根据似度约束下滤波器干扰抑制方法和粗糙度值计算公式，令相似度参数ε初始值为1，即ε₀＝1，计算初始粗糙度值F₀，令ε的优化步长为Δε＝0.01、阈值比率η＝0.01，j为迭代次数，初始值为0，其中，ε取值范围为(0,1]；

C2：令j＝j+1，ε_j＝ε_j-1-Δε，计算粗糙度差值ΔF＝F_j-1-F_j；

C3：判断，ΔF/F_j-1<η，取得最优抑制，转至步4，否则，转至步C2；

C4：输出ε_opt对应最优滤波器的干扰抑制结果，其中若ΔF<0，ε_opt＝ε_j-1，否则，ε_opt＝ε_j。

Images