CN112734812B

CN112734812B - 确定散射体数量的方法、装置、电子设备及存储介质

Info

Publication number: CN112734812B
Application number: CN202011552635.4A
Authority: CN
Inventors: 刘慧�; 庞蕾; 孙卫红; 黎芳
Original assignee: Beijing University of Civil Engineering and Architecture
Current assignee: Beijing University of Civil Engineering and Architecture
Priority date: 2020-12-24
Filing date: 2020-12-24
Publication date: 2023-07-11
Anticipated expiration: 2040-12-24
Also published as: CN112734812A

Abstract

本发明提供一种确定散射体数量的方法、装置、电子设备及存储介质。该方法包括：获取SAR图像；对SAR图像进行配准，得到配准参数；基于所述配准参数得到成像参数；基于所述成像参数且利用高斯随机信号检测方法来确定散射体的数量。本发明基于BF算法的成像质量结果确定层析SAR成像参数，再利用高斯随机信号检测方法初步检测出散射体个数，然后利用贪婪算法的正则化思想，再次确定散射体个数。该方法简化了广义极大似然方法，将参数估计和散射体估计过程分开进行，实现层析SAR成像参数和散射体数量的精确估计。

Description

确定散射体数量的方法、装置、电子设备及存储介质

技术领域

本发明涉及三维成像领域，尤其涉及一种确定散射体数量的方法、装置、电子设备及存储介质。

背景技术

层析SAR成像技术已经被成功用于城市建筑或基础设施的三维成像。层析SAR成像的方法有很多种，主流技术是压缩感知法。而压缩感知方法又可以分为好多种，比如L1范数法，贪婪算法等。

L1范数法：要获得精确的层析SAR成像结果，L1范数法首先需要估计出落入同一距离-方位分辨单元内的散射体数量，也就是需要提前明确信号的稀疏度。

贪婪算法：贪婪算法虽然不需要知道稀疏度，但本质上是利用傅里叶基重建时域信号，因此，重建的时域信号将会出现时域混叠和高旁瓣现象。

许多文献转而开展了多散射体数量检测方法的研究。但是上述方法要么只专注层析成像方法的研究，要么只专注多散射体数量检测方法的研究。

采用广义似然比测试法进行散射体数目的估计是一种方法。广义似然比测试法能够进行层析成像参数的估计而实现层析成像和多散射体数量决策，但是需要采用迭代的方法进行，每一次迭代决策过程中，都要先估计参数，再计算广义极大似然比，运算过程复杂。

综上，提供一种运算过程相对简单、且能够将散射体估计和层析SAR成像相结合的方法显得尤为必要。

发明内容

针对现有技术中的问题，本发明实施例提供一种确定散射体数量的方法、装置、电子设备及存储介质，用以解决现有技术中的运算过程复杂，未能将散射体估计和层析SAR成像相结合的缺陷，实现运算过程相对简单、且能够将散射体估计和层析SAR成像相结合的效果。

具体地，本发明实施例提供了以下技术方案：

第一方面，本发明实施例提供了一种确定散射体数量的方法，包括：

获取SAR图像；

对SAR图像进行配准，得到配准参数；

基于所述配准参数得到成像参数；

基于所述成像参数且利用高斯随机信号检测方法来确定散射体的数量。

进一步地，所述基于所述成像参数且利用高斯随机信号检测方法来确定散射体的数量包括：

将所获取的SAR图像乘以所述成像参数的共轭转置矩阵，得到高斯随机信号；

利用高斯随机信号检测方法从所述高斯随机信号中检测出幅值最大的K 个目标数据，其中，所得到的K值为初步确定的散射体的数量。

进一步地，所述基于所述成像参数且利用高斯随机信号检测方法来确定散射体的数量还包括：

利用正则化选择方法，进一步确定散射体的数量。

进一步地，所述利用高斯随机信号检测方法从所述高斯随机信号中检测出幅值最大的K个目标数据包括：

统计所述高斯随机信号，得到与所述高斯随机信号相对应的概率幅值函数；

基于所述概率幅值函数确定幅度分割阈值；

基于所述幅度分割阈值分割出幅值大于或等于所述幅值分割阈值的数据。

利用聚类方法，将幅值大于或等于所述幅度分割阈值的数据进行聚类，通过聚类而形成至少一个群，所形成的群的数量为初步确定的散射体的数量，

进一步地，所述聚类方法包括DBSCAN方法或差分方法。

其中，所述群中包括幅值信息和散射体在斜距垂向的位置信息。

进一步地，所述利用正则化选择方法，进一步确定散射体的数量包括：

利用正则化选择方法，舍弃不满足预定条件的群，留下的群的数量为最终确定的散射体的数量。

进一步地，所述利用正则化选择方法，舍弃不满足预定条件的群包括：

确定每个群中的幅度的最大值；

将至少一个所述最大值进行降序排列，构成候选集p；

若群中的数据的幅度的最大值小于候选集p中的最大的幅值的n倍时，舍弃所述群，其中，n大于0且小于1。

进一步地，所述n的取值范围为0.8-0.9。

进一步地，所述基于所述配准参数得到成像参数包括：

基于所述配准参数得到M个初步成像参数；

从M个所述成像参数中选出最终的成像参数

所述成像参数

满足如下：

其中，m＝1，2…M，σ²为高斯白噪声的功率。

进一步地，所述方法还包括：

基于所述成像参数进行层析SAR成像。

第二方面，本发明提供一种确定散射体数量的装置，包括：

获取单元，用于获取SAR图像；

配准单元，用于对SAR图像进行配准，得到配准参数；

成像参数计算单元，用于基于所述配准参数得到成像参数；

确定散射体数量单元，用于基于所述成像参数且利用高斯随机信号检测方法来确定散射体的数量。

第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述确定散射体数量的方法的步骤。

第四方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上所述确定散射体数量的方法的步骤。

本发明提供的确定散射体数量的方法，首先基于BF算法的成像质量结果就确定层析SAR成像参数，再利用高斯随机信号检测方法初步检测出散射体个数，然后利用贪婪算法的正则化思想，再次确定散射体个数。该方法简化了广义极大似然方法，将参数估计和散射体估计过程分开进行，实现层析 SAR成像参数和散射体数量的精确估计。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的确定散射体数量的方法的流程图；

图2为本发明一实施例提供的统计出的高斯随机信号的幅值概率函数分布示意图，其中示出了对幅度进行阈值分割的置信度P的范围；

图3为本发明一实施例提供的正则化选择流程图；

图4A和图4B为本发明一实施例提供的斜距垂向的幅度值统计结果示意图；

图5A和5B为本发明一实施例提供的斜距垂向阈值分割后的结果示意图；

图6A和6B为本发明一实施例提供的斜距垂向正则化选择后的结果的示意图；

图7是本发明一实施例提供的有关基线参数的示意图；

图8为本发明一实施例提供的确定散射体数量的装置的结构示意图；以及

图9为本发明一实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

现有的关于层析SAR成像的方法中，要么只专注层析成像方法的研究，要么只专注多散射体数量检测方法的研究。

因此，改进的确定散射体数量的方法将带来运算过程相对简单、将参数估计和散射点估计过程分开进行、简化广义极大似然方法以及既能够进行散射体估计，又能进行层析SAR成像的有益效果。为此，本发明提供了一种确定散射体数量的方法、装置、电子设备及介质，下面将通过具体实施例对本发明提供的内容进行详细解释和说明。

图1示出了本发明实施例提供的确定散射体数量的方法的流程图。如图1所示，本发明实施例提供的确定散射体数量的方法包括如下步骤：

步骤110：获取SAR图像；

步骤120：对SAR图像进行配准，得到配准参数；

步骤130：基于所述配准参数得到成像参数；

步骤140：基于所述成像参数且利用高斯随机信号检测方法来确定散射体的数量。

在步骤110中，通过多次航过采集目标的原始SAR数据，得到SAR 图像，或采用别人已经成好像的二维图像，或所述图像是通过购买得到的。

在步骤120中，对采集到的SAR图像进行配准，得到配准参数。当然，本领域技术人员可知晓，在进行层析SAR三维成像时，还可以对采集到的原始SAR数据进行二维高分辨成像和相位补偿等其它预处理操作，预处理操作后得到可以进行层析SAR成像的观测数据集。

在步骤130中，基于配准参数得到多个成像参数Φ₁，Φ₂，…Φ_M。从多个成像参数中确定出最优的成像参数。在一个示例中，所述成像参数是三维成像参数。

在步骤140中，基于最优的成像参数且利用高斯随机信号检测方法来确定散射体的数量。

其中，在一个示例中，基于所述最优的成像参数确定散射体的数量的具体步骤如下：

步骤1，统计Φ^Hg的幅度分布情况，利用阈值分割方法分割出Φ^Hg 中幅度较大的数据，其中，g为多次观测构成的向量。

步骤2，利用差分群聚类的方法，将幅度较大的数据进行聚类，聚类的群数即为初步确定的散射点的个数。

步骤3，采用正则化选择过程，舍弃不满足条件的群，最终留下的群数即为散射点的个数，同时，每个群的最大值作为该散射点的重构值。

在上述示例中，本发明的高斯随机信号检测方法包括阈值分割和群聚类。

在上述实施例中，通过配准参数得到成像参数，并通过成像参数来确定斜距垂向上的散射体的数量，具体地，采用高斯随机信号检测方法和正则化选择方法来确定散射体的数量，上述方法得到的成像参数不仅可以用来进行层析SAR成像，还可以用来确定散射体的数量，将层析SAR成像和散射体数量的精确估计相结合，整个方法的运算过程简单，计算效率高且计算的结果准确。

基于上述实施例，在本发明另一实施例提供的确定散射体数量的方法中，所述基于所述成像参数且利用高斯随机信号检测方法来确定散射体的数量包括：

目前的层析SAR的数学模型可以简单的写为：

g＝Φγ+n (1)

上式中，g为多次观测构成的向量，γ是斜距垂向上的稀疏信号，n是噪声， Φ是由多次观测位置形成的基线参数构成的矩阵，具体为

上式中，N表示观测次数，L表示稀疏信号的长度，Δ_S表示斜距垂向上的采样间隔，f_i为:

上式中,b_i为第i次观测位置和参考位置形成的基线，α_i为第i个基线和水平方向的夹角，叫做基线倾角，θ为参考影像的视角，r为参考卫星到地面的距离，λ为波长。根据上述两个等式可知，矩阵Φ是由感知矩阵Ψ和傅里叶基F_L构成，F_L是由一维离散傅里叶变换构成的L×L的正交基字典矩阵。感知矩阵 Ψ只是决定正交基字典矩阵中哪些行被选中来形成矩阵Φ，因此当采用压缩感知算法对(1)式所示的数学模型进行信号重建时，最重要的问题是获得准确的 Φ。

基于广义极大似然比(GLRT)思想估计的斜距垂向上的稀疏信号γ和高斯白噪声的功率σ²结果为：

上式中，Ω_j表示稀疏数为j时，即斜距垂向上有j个点目标时选择的正交基字典矩阵F_L的行索引号的集合。

其中，从上式可知，在计算斜距垂向上的稀疏信号时，需进行求逆运算，另外，广义极大似然比方法求稀疏度时，采用迭代的方法进行，每一次迭代决策过程中，都要先估计参数，再计算广义极大似然比，上述两个方面使得现有的广义极大似然比方法的计算量很大，运算过程复杂。

本发明采用将如下方法来计算斜距垂向上的稀疏信号：

对层析SAR数学模型两边同时乘以Φ^H，有

Φ^Hg＝Φ^HΦγ+Φ^Hn (5)

式子(4)中，将Φ^Hn写成Φ^Hn＝Φ^HΦn_s，则有

Φ^Hg＝Φ^HΦγ+Φ^HΦn_s (6)

将n_s看作斜距垂向重建信号的噪声，有

Φ^Hg＝Φ^HΦ(γ+n_s) (7)

又因为，Φ^HΦ是Hermit矩阵，用H表示Φ^HΦ，即

H＝Φ^HΦ (8) 根据(2)式和(8)式，有

式子(7)的右边可以看作斜距垂向上的点目标序列s_in(l)＝γ(l)+n_s(l)(对 γ+n_s用序列表示法表示)和一个长度为2L-1的FIR滤波器h(l)卷积的结果。h(l) 表示如下:

FIR滤波器h(l)使得斜距垂向信号在时域展宽，变为

所以，求稀疏度K的问题变为从时域信号

中检测出最大的K 个目标的问题。

在上述实施例中，通过将对层析SAR数学模型两边同时乘以Φ^H，使得层析SAR数学模型的左边成为高斯随机信号，这样就使得求稀疏度K的问题转变为求高斯随机信号中的最大的K个目标的问题，从而使得求解稀疏度K 的过程变得简单、高效。

基于上述任一实施例，在本发明另一实施例提供的确定散射体数量的方法中，所述基于所述成像参数且利用高斯随机信号检测方法来确定散射体的数量还包括：

利用正则化选择方法，进一步确定散射体的数量。

通过高斯随机信号检测方法来初步确定稀疏度，在高斯随机信号检测的基础上利用正则化选择方法，进一步确定散射体的数量。

具体地，从通过高斯随机信号检测方法检测出的符合预定条件的数据的基础上，利用正则化选择方法，从所述数据中舍弃部分数据，保留符合条件的数据，通过保留下的数据来进一步确定散射体的数量。

在上述实施例中，通过高斯随机信号检测方法和正则化选择方法相结合来确定最终的散射体的数量，使得能够得到更加准确地散射体的数量。

基于上述任一实施例，图2、图4A和图4B示出了本发明另一实施例提供的统计出的高斯随机信号的幅值概率函数分布示意图(μ为幅度均值，σ 为幅度标准差)，其中图2还示出了对幅度进行阈值分割的置信度P的范围。在本发明另一实施例提供的确定散射体数量的方法中，所述利用高斯随机信号检测方法从所述高斯随机信号中检测出幅值最大的K个目标数据包括：

基于概率幅值函数确定幅度分割阈值；

基于所述幅度分割阈值分割出幅值大于或等于所述幅值阈值的数据。

具体地，通过对高斯随机信号Φ^Hg进行统计，得到与高斯随机信号相对应的概率和幅值的正态分布的函数。

阈值分割的理论基础：

根据垂直基线长度，可以知道，距离垂向上的分辨率为

在斜距垂向上，总共可以重建的分辨单元数为

设稀疏度为K，则斜距垂向上目标的概率为

通常情况下，

对高斯随机信号进行阈值分割包括确定分割阈值的步骤。具体确定分割阈值的方法如下：

基于上面的公式，在实际操作中，并不知道稀疏度K，在一个示例中，可以根据经验值，对幅度进行阈值分割，即，根据经验来设置阈值。

在一个示例中，采用P为10％作为经验值，在幅度统计分布中，采用区间 [μ+σ，μ+2σ]中一个特定值作为阈值进行分割。在一个示例中，取值T为 μ+1.5σ。

通过上面的操作，求稀疏度K的问题变为从高斯随机信号s_out中检测出幅值分布在置信度为P的范围的目标信号的个数。

对高斯随机信号进行阈值分割包括检测出目标信号的步骤。具体的检测出目标信号的方法如下：

从高斯随机信号s_out中检测出幅值分布在置信度为P的范围的目标信号。

其中，图5A和图5B示出了斜距垂向阈值分割后的结果示意图。

在上述实施例中，经过上面的步骤，利用高斯信号检测防范，可以过滤掉一些相对来说无用的数据，得到幅度较大的数据，为更准确地确定散射体的数量奠定了基础，并且提高了后续计算的准确度，节省了计算量，提供了运算效率。

基于上述任一实施例，在本发明另一实施例提供的确定散射体数量的方法中，所述利用高斯随机信号检测方法从所述高斯随机信号中检测出幅值最大的K个目标数据包括：

利用聚类方法，将幅值大于或等于所述幅值阈值的数据进行聚类，通过聚类而形成至少一个群，所形成的群的数量为初步确定的散射体的数量。

聚类是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程，本发明是形成至少一个群。

在一个示例中，聚类方法包括DBSCAN方法和差分方法。

通过差分法确定散射体的数量的方法的一个示例如下：

上一个实施进行阈值分割后，s_out的较大的幅度值被保留在序列中，较小的被用零替换。将此时的输出序列记为

中的非零元素的序列号构成候选集合J，即为散射点在斜距垂向上的位置集合，设该集合中有D个元素，也就是

中的非零元素个数为D。用J(1:D-1)表示集合J的前D-1个元素，则

C_J＝J(1：D-1)-J(2：D) (15)

式(15)表示非零元素序列号的差分结果，如果C_J(j)≠-1，则说明J(j) 为两个群的分界点，所以，如果C_J有K₀-1个元素不等于-1，

中就有K₀个群，并且，每个群的起始位置可以通过K₀和集合J确定。

在一个示例中，形成的群中包含幅值和位置信息。

在上述实施例中，通过确定数据的群数，即得到稀疏度(也即散射体的数量)的初步估计值。

基于上述任一实施例，图3为本发明一实施例提供的正则化选择流程图，如图3所示，在本发明另一实施例提供的确定散射体数量的方法中，所述利用正则化选择方法，进一步确定散射体的数量包括：

基于上面的实施例得到K₀和集合J，可以得出每个群的幅度的最大值。利用正则化选择过程，进一步确定稀疏度。

在上述实施例中，上述的正则化选择能够在稀疏度不确定的情况下，按照正则化原则挑选出满足需求的散射点，不需要知道准确的稀疏数，因此该算法实现了快速有效的选择过程。

基于上述任一实施例，在本发明另一实施例提供的确定散射体数量的方法中，所述利用正则化选择方法，舍弃不满足预定条件的群包括：

确定每个群中的幅度的最大值；

将至少一个所述最大值进行降序排列，构成候选集p；

若群中的幅度的最大值小于候选集p中的最大的幅值的n倍时，舍弃所述群，其中，n大于0且小于1。

在一个示例中，正则化选择的步骤如下：

设上一实施例所确定的群数(即初步估计的稀疏度值)为K₀；

将K₀个群中各个群的幅度的最大值进行降序排列，构成候选集p，如果

p(j)≥0.9p(1) (16)

则保留p(j)所对应的列元素，否则丢掉对应的列元素。

其中，图6A和图6B示出了斜距垂向正则化选择后的结果的示意图。

基于上述任一实施例，在本发明另一实施例提供的确定散射体数量的方法中，所述n的取值介于0.8和0.9之间。

基于上述任一实施例，图7是本发明一实施例提供的有关基线参数的示意图，在本发明另一实施例提供的确定散射体数量的方法中，所述基于所述配准参数得到成像参数包括：

基于所述配准参数得到M个初步成像参数；

从M个所述成像参数中选出最终的成像参数

所述成像参数

满足如下：

其中，m＝1，2…M，σ²为高斯白噪声的功率。

如图7所示，(x,y,z)分别表示地距方向、卫星飞行方向、高度向。s表示斜距垂向。设P为地面上的点，s₀表示参考影像的成像位置，s_i表示第i个影像的成像位置，r为参考影像成像位置到地面点P的距离，θ为参考影像的视角。r_i为第i个影像成像位置到地面点P的距离，θ_i为第i个影像的视角。b_i为第i个影像的成像位置和参考影像成像位置之间的距离，也就是基线b_i，α_i为第i个影像的基线倾角。

计算初步成像参数的具体方法如下：

两个影像根据信号的相关性配准之后，也就是将两个影像中所对应的地面点P配准，如图7所示，根据点P和参考影响的成像位置、以及第i个影像的成像位置构成的三角形，可以求得基线b_i和基线倾角α_i。

由于两个影像已经配准，因此从两个影像的二维成像参数文件中可以获得图中的参数r₀、θ₀、r_i、θ_i。根据如下公式来计算基线b_i和基线倾角α_i：

当基线长度b_i和基线倾角α_i确定之后，根据上面的公式(2)和(3)就可以确定初步成像参数。

为了准确地估计出多个初步成像参数中的最优的成像参数，根据如下两个公式来计算最优成像参数：

其中，g为多次观测构成的向量，H代表共轭转置矩阵，即，Φ^H为Φ 的共轭转置矩阵，γ_m上面的三角标代表估计值，即，

代表γ_m的估计值，本发明中的其他部分出现的三角标也同理。

具体地，通过将上面两个公式结合，得出最优成像参数，所得到的最优成像参数满足如下条件：

上述公式(19)等同于如下公式：

其中，m＝1，2…M，σ²为高斯白噪声的功率，γ为斜距垂向上的稀疏信号。

在上述实施例中，基于上述公式，通过配准参数得到成像参数，所计算出的的成像参数更加准确。

基于上述任一实施例，在本发明另一实施例提供的确定散射体数量的方法中，所述方法还包括：

基于所述成像参数进行层析SAR成像。

在上述实施例中，基于BF算法的成像质量结果确定层析SAR成像参数并根据所得到的配准参数得到的层析SAR成像参数进行层析SAR成像，使得成像质量更佳。

下面对本发明提供的确定散射体数量装置进行描述，下文描述的确定散射体数量装置与上文描述的确定散射体数量的方法可相互对应参照。

图8示例了一种确定散射体数量装置实体结构示意图，如图7所示，该电子设备可以包括：

获取单元810，用于获取SAR图像；

配准单元820，用于对SAR图像进行配准，得到配准参数；

成像参数计算单元830，用于基于所述配准参数得到成像参数；

确定散射体数量单元840，用于基于所述成像参数且利用高斯随机信号检测方法来确定散射体的数量。

图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器 930中的逻辑指令，以执行确定散射体数量的方法，该方法包括：

获取SAR图像；

对SAR图像进行配准，得到配准参数；

基于所述配准参数得到成像参数；

可以理解的是，所述计算机程序可以执行的细化功能和扩展功能可参照上面实施例的描述。

基于相同的发明构思，本发明又一实施例提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述确定散射体数量的方法的全部步骤。

基于相同的发明构思，本发明又一实施例提供了一种计算机程序产品，所计算机程序产品包括有计算机程序，该计算机程序被处理器执行时实现上述实现上述确定散射体数量的方法的全部步骤。

此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的安全防御方法。

此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含” 或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

此外，在本发明中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种确定散射体数量的方法，其特征在于，包括：

获取SAR图像；

对SAR图像进行配准，得到配准参数；

基于所述配准参数得到成像参数；

基于所述成像参数且利用高斯随机信号检测方法来确定散射体的数量；

所述基于所述成像参数且利用高斯随机信号检测方法来确定散射体的数量，包括：

利用高斯随机信号检测方法从所述高斯随机信号中检测出幅值最大的K个目标数据，其中，所得到的K值为初步确定的散射体的数量。

2.根据权利要求1所述的确定散射体数量的方法，其特征在于，所述基于所述成像参数且利用高斯随机信号检测方法来确定散射体的数量还包括：

利用正则化选择方法，进一步确定散射体的数量。

3.根据权利要求2所述的确定散射体数量的方法，其特征在于，所述利用高斯随机信号检测方法从所述高斯随机信号中检测出幅值最大的K个目标数据包括：

基于所述概率幅值函数确定幅度分割阈值；

基于所述幅度分割阈值分割出幅值大于或等于所述幅度分割阈值的数据。

4.根据权利要求3所述的确定散射体数量的方法，其特征在于，所述利用高斯随机信号检测方法从所述高斯随机信号中检测出幅值最大的K个目标数据还包括：

5.根据权利要求4所述的确定散射体数量的方法，其特征在于，所述聚类方法包括DBSCAN方法或差分方法。

6.根据权利要求4所述的确定散射体数量的方法，其特征在于，所述利用正则化选择方法，进一步确定散射体的数量包括：

7.根据权利要求6所述的确定散射体数量的方法，其特征在于，所述利用正则化选择方法，舍弃不满足预定条件的群包括：

确定每个群中的幅度的最大值；

将至少一个所述最大值进行降序排列，构成候选集p；

若群中的幅度的最大值小于候选集p中的最大的幅值的n倍时，舍弃所述群，其中，n的取值范围为0.8-0.9。

8.根据权利要求1所述的确定散射体数量的方法，其特征在于，所述基于所述配准参数得到成像参数包括：

基于所述配准参数得到M个初步成像参数；

从M个所述成像参数中选出最终的成像参数

所述成像参数

满足如下：

其中，m＝1，2…M，σ²为高斯白噪声的功率。

9.根据权利要求1所述的确定散射体数量的方法，其特征在于，所述方法还包括：

基于所述成像参数进行层析SAR成像。

10.一种确定散射体数量的装置，其特征在于，包括：

获取单元，用于获取SAR图像；

配准单元，用于对SAR图像进行配准，得到配准参数；

成像参数计算单元，用于基于所述配准参数得到成像参数；

确定散射体数量单元，用于基于所述成像参数且利用高斯随机信号检测方法来确定散射体的数量；

其中，所述基于所述成像参数且利用高斯随机信号检测方法来确定散射体的数量，包括：

11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-9任一项所述确定散射体数量的方法的步骤。

12.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-9任一项所述确定散射体数量的方法的步骤。