【船舶尾流检测】基于稀疏正则化的海面SAR图像中船舶尾流检测方法附Matlab代码

最新推荐文章于 2025-10-14 17:45:40 发布

matlab科研助手

最新推荐文章于 2025-10-14 17:45:40 发布

阅读量912

点赞数 17

CC 4.0 BY-SA版权

文章标签： matlab 开发语言

本文链接：https://blog.csdn.net/matlab_dingdang/article/details/153136856

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在海洋监测、海事安全与海洋权益维护领域，船舶尾流作为船舶航行的 “动态轨迹印记”，其精准检测对船舶跟踪、航迹反演、吨位估算等任务具有重要意义。合成孔径雷达（SAR）凭借 “全天时、全天候、高分辨率” 的成像优势，成为海面船舶尾流监测的核心技术手段。然而，海面 SAR 图像中船舶尾流面临 “强背景干扰（海浪杂波、海杂波）、尾流形态多样（窄 V 型、宽 V 型、湍流尾流）、信号稀疏微弱（尾流像素占比 < 5%）” 等检测难题，传统方法（如阈值分割、边缘检测）易出现 “漏检（弱尾流信号被淹没）、误检（海浪杂波被误判）” 等问题。基于稀疏正则化的检测方法，通过 “稀疏表征突出尾流微弱信号、正则化抑制背景干扰” 的双重机制，可实现复杂海面背景下船舶尾流的高精度检测。本文将从海面 SAR 图像船舶尾流特性、稀疏正则化理论基础、检测方法实现流程到性能验证，全面解析该方法如何突破传统局限，为海面 SAR 图像船舶尾流检测提供科学解决方案。

核心背景：海面 SAR 图像船舶尾流检测的痛点与稀疏正则化的适配价值

要理解稀疏正则化在船舶尾流检测中的应用必要性，需先明确海面 SAR 图像船舶尾流的独特特性与传统检测方法的局限，以及稀疏正则化在解决这些痛点中的优势，这是方法设计的根本依据。

（一）海面 SAR 图像船舶尾流的特性与检测难点

海面 SAR 图像中，船舶尾流的成像特性受 “船舶运动状态、海面环境、SAR 成像参数” 共同影响，导致检测任务面临三大核心挑战：

尾流特性

信号稀疏微弱：船舶尾流由 “窄 V 型尾流（船舶航迹两侧，宽度 0.5-2km，长度 5-20km）、湍流尾流（船舶后方，呈扩散状）” 组成，在 SAR 图像中尾流像素占比通常 < 5%，且灰度值与周围海浪杂波差异小（灰度差 < 10，8 位图像），信号信噪比（SNR）普遍低于 3dB，易被背景淹没；

形态多样性与动态性：尾流形态随船舶速度（低速船舶尾流扩散慢，高速船舶尾流呈窄 V 型）、海况（高海况下海浪破碎导致尾流边界模糊）变化，且尾流会随时间逐渐消散（消散时间 5-30 分钟），传统固定模板匹配方法难以适配；

强背景干扰：海面 SAR 图像背景包含 “海浪杂波（周期性纹理，灰度波动幅度 15-30）、岸线 clutter（近岸区域，灰度值高且不均匀）、大气扰动（如云层阴影，灰度骤降）”，这些干扰与尾流信号在频域、空域特征上高度重叠，传统方法难以有效分离。

传统检测方法的局限

阈值分割法：基于尾流与背景的灰度差异设置阈值，但因尾流信号微弱，阈值过高导致漏检（弱尾流被判定为背景），阈值过低导致误检（海浪杂波被判定为尾流），在高海况图像中检测准确率 < 60%；

边缘检测法（如 Canny 算子）：通过提取图像边缘识别尾流边界，但海浪杂波的强边缘会掩盖尾流弱边缘，导致尾流边缘断裂，无法形成完整尾流轮廓；

频域滤波法：在频域抑制海浪杂波的周期性成分，但尾流信号的频域特征与海浪杂波部分重叠，滤波后易丢失尾流细节，且对湍流尾流（无明显周期性）检测效果差。

（二）稀疏正则化的适配价值

稀疏正则化通过 “假设尾流信号在特定基下具有稀疏性（仅少数系数非零）、正则化项约束背景干扰”，恰好针对船舶尾流检测的三大痛点，其适配价值体现在三个维度：

突出稀疏微弱尾流信号：尾流在 “小波基、曲波基” 等稀疏基下，仅少数系数对应尾流的边缘、纹理特征，稀疏正则化可通过优化目标函数，强制保留这些非零系数，放大尾流信号，即使 SNR=2dB 的弱尾流也能被有效提取；

抑制背景干扰：海浪杂波、岸线 clutter 等背景在稀疏基下表现为 “非稀疏分布”（大量系数非零），正则化项（如 L1 正则）可抑制这些背景系数，降低其对尾流检测的干扰，背景抑制率可达 70% 以上；

适配尾流形态多样性：稀疏正则化无需预设尾流模板，通过数据驱动的稀疏表征，可自适应匹配不同形态尾流（窄 V 型、湍流尾流）的特征，避免传统模板匹配的形态适配局限。

⛳️ 运行结果

📣 部分代码

inv.problem solutions for each 45 degrees intervals

radonMergedImage = [];

radonMergedImageNormalized = [];

numRotate = 180/thetaRotate;

for rotation = 1:numRotate

thetaInt2 = thetaInt + thetaRotate*(rotation-1);

theta = thetaInt2;

A = @(x) radonT(x,theta);

AH = @(x) radon(x,theta);

image_GMC = GMCImage(:, :, rotation);

[Rver, xp] = AH(image_GMC);%

maxu = max(max(Rver(20:end-20,20:end-20))); % % Normalize Radon Image ignoring side effects

Rver = min(1,max(0,Rver/maxu));

radonMergedImage = [radonMergedImage Rver];

end

% Remove overlapping samples

if numRotate == 4

Rver = [radonMergedImage(:, 1:182) radonMergedImage(:, 184:363) radonMergedImage(:, 365:544) radonMergedImage(:, 546:end)];

elseif numRotate == 2

Rver = [radonMergedImage(:, 1:363) radonMergedImage(:, 365:end)];

elseif numRotate == 1

Rver = radonMergedImage;

end

🔗 参考文献

[1] O Karakus, I Rizaev, and A Achim. "Ship Wake Detection in SAR Images via Sparse Regularisation." IEEE Transactions on Geoscience and Remote Sensing, 2020.

[2] O Karakus, and A Achim. "Ship Wake Detection in X-band SAR Images Using Sparse GMC Regularization." IEEE ICASSP 2019.