基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法

技术领域

本发明属于雷达数据处理技术领域，具体涉及一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法。

背景技术

为了对海面目标进行检测，通常使用雷达向海面目标发射电磁波照射，通过对接收到的包含有目标信息的回波数据进行一系列的处理，最终可以得到目标的相关参数，包括距离、径向速度等等。随着检测精度的提高，回波数据中检测到的目标不再是仅由一个或少数几个点组成的点目标，而是由多个原始点迹数据组成，同时目标发生分裂和扩展的情况也越来越多。在目标跟踪过程中，为了保证航迹文件信息的准确性与可靠性，高精度的点迹凝聚算法至关重要。

点迹凝聚是雷达目标检测中判断某一点迹块是否为目标并且估计出此点迹块的质心作为目标位置的过程。雷达点迹凝聚是雷达数据处理技术领域中的重要部分，是数据处理的重点内容之一。

一种现有技术中，采用DBSCAN((Density-Based Spatial Clustering ofApplications with Noise)凝聚算法实现海面目标的点迹凝聚。但是该算法需要对样本集中的每个对象进行是否为核心对象的计算，每当选取一个样本对象，需要计算此对象至其它对象的距离，并对Eps-邻域中包含的对象数是否满足给定的阈值MinPts进行判断，得到该对象的所属类别。因此DBSCAN算法的总体时间复杂度较高，无法满足雷达图像处理的实时性要求。并且，该算法通过聚类的点迹确定目标的点迹凝聚位置，忽略了目标整体区域的其他像素值，因此，点迹凝聚的精确度并不高。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法、装置、电子设备及存储介质。本发明要解决的技术问题通过以下技术方案实现：

第一方面，本发明实施例提供了一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法，所述方法包括：

获取针对海面区域利用雷达采集得到的回波图像；所述回波图像包括至少一个海面目标；

对所述回波图像进行二值化和形态学的预处理，得到处理后图像；

针对所述处理后图像创建对应的KD树；

基于DBSCAN算法，利用所述KD树对所述处理后图像进行邻域搜索，得到包括各海面目标的聚类结果的目标聚类图像；

针对所述目标聚类图像中的每个海面目标，对该海面目标的聚类结果表征的像素范围内的像素点进行区域生长，得到该海面目标的区域像素点；

针对每个海面目标，对该海面目标的所述区域像素点进行点迹凝聚，得到该海面目标的点迹凝聚结果。

在本发明的一个实施例中，所述对所述回波图像进行二值化和形态学的预处理，得到处理后图像，包括：

利用恒虚警技术对所述回波图像进行处理，获得二值图像；其中，所述二值图像中背景部分的像素值为0，目标部分的像素值为1；

对所述二值图像利用预设大小的矩形结构元素依次进行膨胀操作和腐蚀操作，得到处理后图像。

在本发明的一个实施例中，所述针对所述处理后图像创建对应的KD树，包括：

步骤一，获取所述处理后图像对应的像素点坐标集合；

步骤二，计算所述像素点坐标集合在两个维度(x,y)上的数据方差，获取最大方差值；

步骤三，选取所述最大方差值所在维度为分割维Split-dim；

步骤四，在Split-dim维对所述像素点坐标集合进行排序，选取中间的像素点作为超平面的分割点x

步骤五，所述像素点坐标集合的剩余点中，第Split-dim维小于等于x

步骤六，对所述左子树和所述右子树重复执行步骤二至五，直到只包含一个像素点；

步骤七，得到生成的KD树。

在本发明的一个实施例中，所述基于DBSCAN算法，利用所述KD树对所述处理后图像进行邻域搜索，得到包括各海面目标的聚类结果的目标聚类图像，包括：

步骤1：从所述处理后图像中任意一像素点p开始，通过所述KD树搜索Eps-邻域半径内的子样本集合N

步骤2：如果所述像素点p满足|N

步骤3：遍历所述像素点p邻域中所有像素点q，如果一像素点q为未处理状态且满足|N

步骤4：重复步骤1至3，直到所述处理后图像中所有像素点均被标记为已处理状态，则结束聚类，得到包括各海面目标的聚类结果的目标聚类图像。

在本发明的一个实施例中，所述针对所述目标聚类图像中的每个海面目标，对该海面目标的聚类结果表征的像素范围内的像素点进行区域生长，得到该海面目标的区域像素点，包括：

针对所述目标聚类图像中的每个海面目标，利用对应的所述聚类结果确定该海面目标的边缘像素点；

将该海面目标的每个边缘像素点作为种子点，遍历该种子点的预设邻域内的像素点，查找到像素值为1的像素点归入该海面目标的区域像素点集合；

反复迭代直至所述区域像素点集合中任意像素点的预设领域内，像素值为1的像素点均已归入所述区域像素点集合中；

将确定的所述区域像素点集合中的所有像素点作为该海面目标的区域像素点。

在本发明的一个实施例中，所述预设邻域包括：

8邻域或24邻域。

在本发明的一个实施例中，所述针对每个海面目标，对该海面目标的所述区域像素点进行点迹凝聚，得到该海面目标的点迹凝聚结果，包括：

针对每个海面目标，对该海面目标的所述区域像素点利用质心法进行点迹凝聚处理，获得该海面目标的点迹凝聚位置的坐标；

确定所述点迹凝聚位置对应的幅值为所述回波图像中各个点迹对应的幅值中的最大值；

将获得的所述点迹凝聚位置的坐标和幅值作为该海面目标的点迹凝聚结果。

第二方面，本发明实施例提供了一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚装置，所述装置包括：

图像获取模块，用于获取针对海面区域利用雷达采集得到的回波图像；所述回波图像包括至少一个海面目标；

图像预处理模块，用于对所述回波图像进行二值化和形态学的预处理，得到处理后图像；

KD树创建模块，用于针对所述处理后图像创建对应的KD树；

目标聚类模块，用于基于DBSCAN算法，利用所述KD树对所述处理后图像进行邻域搜索，得到包括各海面目标的聚类结果的目标聚类图像；

区域生长模块，用于针对所述目标聚类图像中的每个海面目标，对该海面目标的聚类结果表征的像素范围内的像素点进行区域生长，得到该海面目标的区域像素点；

点迹凝聚模块，用于针对每个海面目标，对该海面目标的所述区域像素点进行点迹凝聚，得到该海面目标的点迹凝聚结果。

第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器，其中，

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现本发明实施例所提供的基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法的步骤。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例所提供的基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法的步骤。

本发明实施例将KD树用于DBSCAN算法，提出一种计算效率更高的基于KD树空间搜索的DBSCAN算法，替代了DBSCAN算法的Eps-邻域搜索路径，在邻域查询过程中，只需遍历KD树中有限数量的路径，从而减少了海面目标点迹的聚类时间，极大地提高了点迹凝聚效率，能够满足雷达系统处理的实时性要求，为后续海面目标跟踪、航迹处理等操作预留了时间。并且本发明实施例将该基于KD树空间搜索的DBSCAN算法与区域生长相结合得到一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法。该方法得到海面目标包含的所有像素点之后再做点迹凝聚处理，因此得到的点迹凝聚结果的精确度更高。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1为本发明实施例提供的一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法的流程示意图；

图2为本发明实施例提供的DP-CFAR处理前后对比图；

图3为本发明实施例所提供的二值图像和处理后图像；

图4为现有技术中Eps-邻域、核心点、噪点的示意图；

图5为现有技术中直接密度可达、密度可达和密度相连的示意图；

图6为本发明实施例提供的构建KD树的流程框架示意图；

图7为现有技术中区域生长算法示意图；

图8(a)为本发明实施例中截取的海面雷达原始的回波图像；图8(b)为本发明实施例中DP-CFAR处理后的结果；图8(c)为本发明实施例中使用矩形结构元素膨胀腐蚀后的结果；

图9为本发明实施例提供的一处理后图像；

图10(a)为针对图9采用现有DBSCAN算法在(1.5,5)参数下得到的聚类结果；图10(b)为针对图9采用现有DBSCAN算法在(3.5,35)参数下得到的聚类结果；

图11为本发明实施例提供的另一处理后图像；

图12为本发明实施例提供的基于KD树空间搜索的DBSCAN算法在不同(Eps,MinPts)下的聚类效果；

图13为本发明实施例提供的基于KD-树空间搜索的DBSCAN算法在两种参数不同数据量时与传统DBSCAN算法运行时间的对比折线图；

图14(a)为本发明实施例提供的区域生长后图像；图(b)为本发明实施例提供的点迹凝聚结果；

图15为本发明实施例提供的一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚装置的结构示意图；

图16为本发明实施例提供的一种电子设备的结构示意图。

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。基于本发明中的实施例，本领域普通技术人员在没有做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。

为了降低原DBSCAN聚类算法的时间复杂度，满足雷达图像处理的实时性要求，以及为了提高海面目标的点迹凝聚精度，本发明实施例提供了一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法、装置、电子设备及存储介质。

需要说明的是，本发明实施例所提供的一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法的执行主体可以为一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚装置，该装置可以运行于电子设备中。其中，该电子设备可以为一服务器或终端设备等，比如可以为一图像处理设备等，当然并不局限于此。

第一方面，本发明实施例提供了一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法，请参见图1。图1为本发明实施例提供的一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法的流程示意图，可以包括S1～S6：

S1，获取针对海面区域利用雷达采集得到的回波图像。

本发明实施例中，可以采用各种形式的雷达采集海面目标的回波图像。比如，可以采用Navico Halo脉冲压缩雷达，采集得到大小为M×N的回波图像。其中，M和N分别表示距离单元和方位单元的数量。具体的，回波图像是以回波数据的形式体现的，在本发明实施例的具体实例中，回波图像中距离单元数为2048，脉冲数为4096，形成的是2048×4096的数据矩阵。本领域技术人员可以理解的是，回波图像中包含海面目标的大量点迹。且采集到的回波图像包括至少一个海面目标。海面目标可以包括船只、灯塔、浮标，以及小型岛屿等。

S2，对回波图像进行二值化和形态学的预处理，得到处理后图像。

本领域技术人员可以理解的是，雷达原始回波数据主要由目标点迹、分裂点迹和虚假点迹组成。杂波、干扰等不期望物体所产生的点迹，称为虚假点迹。在复杂的探测环境下，一个目标的点迹并不在同一连通域中，而是出现了分裂现象，这些点迹被称为分裂点迹。为了滤除非目标点迹等，提高图像质量，需要对回波图像进行预处理。

可选的一种实施方式中，S2可以包括S21和S22：

S21，利用恒虚警技术对回波图像进行处理，获得二值图像。

雷达原始回波数据中包含的大量虚假点迹不仅会影响目标信息的提取，而且会降低目标检测与点迹处理的精度。而恒虚警技术可以根据实测数据的不同，自适应地设置检测门限对目标回波中的杂波干扰进行滤除，能够最大限度地减少虚假点迹带来的影响，提高目标的检测概率。

本发明实施例采用的恒虚警技术可以包括：1)均值类恒虚警，包括CA-CFAR(单元平均恒虚警)、GO-CFAR(最大选择恒虚警)、SO-CFAR(最小选择恒虚警)；2)有序统计类恒虚警：OS-CFAR；3)双参数恒虚警：DP-CFAR，等等。关于各种恒虚警技术请参见相关现有技术，在此不做赘述。

优选的实施方式中，本发明实施例选用DP-CFAR对回波图像进行处理。回波图像经DP-CFAR处理后，信号强度被二值量化处理，过检测门限的被测单元记为‘1’，否则记为‘0’，形成了方位距离维的二值图像。二值图像中背景部分的像素值为0，目标部分的像素值为1。二值图像的长为原始回波数据的距离单元数，宽为原始回波数据的脉冲个数。请参见图2，图2为本发明实施例提供的DP-CFAR处理前后对比图。其中图2(a)为回波图像；图2(b)为DP-CFAR处理后的二值图像。由图2(a)可看出，回波图像作为原始的海面雷达图像，由能量较低的背景区和能量较高的目标和噪声构成，图像构成相对简单。船只、浮标等孤立目标形状成椭圆形，背景区域占面积较大。同时也可以看到目标所受干扰严重，呈现出若隐若现的状态。由图2(b)可看出，DP-CFAR处理后，部分能量较强的海杂波、噪声等干扰，恒虚警并未将其滤除，图像中仍包含大量虚假点迹，但是相比于目标，其包含像素点较少。

S22，对二值图像利用预设大小的矩形结构元素依次进行膨胀操作和腐蚀操作，得到处理后图像。

形态学后处理技术通过对图像中的分裂点迹进行合并，可以减少点迹分裂现象对后续目标检测带来的不利影响。数学形态学(Mathematical Morphology)是基于集合论建立起来的，广泛应用于模式识别等领域。当图像中包含大量孤立噪点，或者目标中有细小空洞时，形态学后处理技术能够很好地解决上述图像问题，改善图像质量。形态学后处理的基础是膨胀和腐蚀运算，以下进行概要介绍。

(1)二值形态学膨胀

膨胀会“粗化”二值图像中的物体。

A表示一幅图像，B表示结构元素，

(2)二值形态学腐蚀

腐蚀“缩小”或“细化”了二值图像中的物体。AΘB表示A被B腐蚀，即：

或者：

其中A表示一幅图像，B为结构元素。腐蚀操作可以消除目标边界点，实现边界向内收缩，从而去除像素点个数较少、结构较小的目标。腐蚀后图像较原图像所占像素点更少，其图像中的像素点是原图像的一个子集。腐蚀可以消除图像中的小目标，增大其补集。对于像素点个数较少的噪声或者海杂波等干扰，通过腐蚀可以将其滤除，为后续图像处理提供较好的图像质量。腐蚀算法的基本思想是：结构元素在二值图像的平移过程中，当结构元素各位置像素点能够被二值图像对应像素点完全覆盖时，那么仅将原点“+”所对应的二值图像的像素点置为“1”。

本发明实施例中，对DP-CFAR检测后的二值图像进行处理。为了最大限度地减少点迹分裂对后续目标检测带来的影响，通过对目标点迹在距离维和方位维的分裂情况进行分析，并根据分裂特点，选取不同预设大小的结构元素分别进行多次仿真实验。结果显示预设大小为4×3的矩形结构元素效果最好。因此，本发明实施例优选使用4×3的矩形结构元素。针对图2(b)中局部的二值图像进行先膨胀后腐蚀操作后，得到的结果如图3所示。图3为本发明实施例所提供的二值图像和处理后图像。其中图3(a)为图2(b)中局部的二值图像，其中圆圈部分为示例的一个目标；图3(b)为针对图3(a)利用4×3的矩形结构元素进行先膨胀后腐蚀操作后得到的处理后图像。从图3(b)可以看到，目标的原始形状没有发生大的变化，同时点迹分裂问题也得到了改善，图像中的部分噪点也被滤除，目标点清晰易识别。通过该步骤的处理，可以最大限度地减少点迹分裂对目标检测带来的影响，为后续处理提供较好的图像基础。

S3，针对所述处理后图像创建对应的KD树。

为了便于理解本发明实施例的方案，首先对DBSCAN算法和KD树的相关概念进行简介。

(一)DBSCAN

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种在具有噪声的数据集中，基于密度对数据集进行划分的空间聚类算法。该算法思想是：对于簇中的每个对象，Eps-邻域中的对象个数必须大于等于某个给定的阈值MinPts。下面给出DBSCAN算法的相关概念。

①Eps-邻域(Eps-neighborhood)：对于一个样本集D，从中选择任意对象p，以p为核心点，Eps作半径的球形区域，即满足：

N

其中，

②核心点(corepoint)与边界点(borderpoint)：对于样本对象p，若满足：

|N

则称样本点p为核心点。如果p仍满足公式(5)，但却不属于核心点，则p被称为边界点。

③噪点(noise point)：对于样本对象p，如果它既不是边界点，也不是核心点，那么p为噪点。

Eps-邻域、核心点、噪点的概念如图4所示，图4为现有技术中Eps-邻域、核心点、噪点的示意图。

④直接密度可达(directly density-reachable)：对于样本集中的任意样本对象p、q，如果p∈N

|N

则称从q到p直接密度可达。

⑤密度可达(density-reachable)：给定样本集D，如果存在一系列样本点p

⑥密度相连(density-connected)：对于样本集合D，o∈D,p∈D,q∈D，如果p和q均由样本点o密度可达，则称对象p和q是密度相连的。密度相连是对称的。图5(a)、(b)、(c)为现有技术中直接密度可达、密度可达和密度相连的示意图。

现有的DBSCAN凝聚算法的执行步骤可以包括：

1.获取样本集D，设置参数(Eps，MinPts)，从样本集D中任选一个未被处理的对象p；

2：计算对象p的距离矩阵，找到p的子样本集N

3：如果p满足|N

4：将所有密度相连的核心点归为一类；

5：重复执行步骤2至4，直到样本集D中的所有对象都被标记为“已处理”状态，则聚类完成。

现有的DBSCAN凝聚算法，输入参数Eps和MinPts需人为指定。该算法对这两个参数有较强的依赖性，若参数选取不当，那么聚类效果也将大打折扣。参数Eps和MinPts具有全局性。参数的全局性导致该算法无法适应密度不均匀的多密度数据集聚类。对于密度差异较大的簇的样本集，使用同样的邻域半径Eps与邻域阈值MinPts作为算法执行的基本参数远达不到最好的聚类效果。若Eps选择过大，很可能会导致两个类簇融合为一个类簇；若Eps选择过小，又会导致类簇的丢失。并且，现有的DBSCAN凝聚算法时间复杂度较高。算法需要对样本集中的每个对象进行是否为核心对象的计算，每当选取一个样本对象，需要计算此对象至其它对象的距离，并对Eps-邻域中包含的对象数是否满足给定的阈值MinPts进行判断，得到该对象的所属类别。传统DBSCAN算法采用穷举搜索，依次计算样本对象和样本集合中所有对象的距离，这种方法称为蛮力算法，在样本量少、样本特征少的时候适用，时间复杂度为O(n

(二)KD树

KD树(K-Dimension Tree)广泛应用于高维空间的数据查询和索引(范围搜索和最近邻搜索)。KD树每个结点对应于多维空间的一个超矩形。设D维空间中，在k维度对数据集进行划分，h∈[k

H＝{|x∈R

被超平面H划分后的两个子空间R

R

假设x表示样本集中的任意一个D维样本点，R-Range表示包含样本点的结点所对应的数据空间。垂直于Split-dim且通过样本点x的分割超平面，将数据空间划分成两个更小的子空间。Split-dim为k时，如果R-Range中某个样本点第k维的数据小于x[k]，则该数据点就被划分到左子空间中去，反之，则划分到右子空间中。R

表1 KD树每个结点的数据结构

以上对本发明实施例涉及的DBSCAN凝聚算法和KD树的相关概念进行了简介，关于两者更具体的内容请参见相关现有技术。

为了创建KD树，本发明实施例在方差最大维度对数据集进行划分，因为在该维度对样本点进行分割可以获得较好的分辨率及平衡性。当划分维度被选定后，为了节省建树时间，直接将划分特征对应维的中点作为分割点，实践证明该方式可以取得很好的性能。

本发明实施例的KD树的构造规则可以包括：

(1)每一层的分割维度相同，随着树深度的增加，循环的选取Split-dim作为分割超平面的法向量。根结点选取x轴，根结点的孩子选取y轴，根结点的孙子选取x轴，依次循环下去。

(2)每次均为分割维的中位数对应的数据点作为超平面的分割点，分割点作为父结点，左右两侧均为划分的左右子树。

可选的一种实施方式中，S3的针对所述处理后图像创建对应的KD树，可以包括以下步骤：

步骤一，获取所述处理后图像对应的像素点坐标集合；该像素点坐标集合可以为Data-Set；

步骤二，计算所述像素点坐标集合在两个维度(x,y)上的数据方差，获取最大方差值；

步骤三，选取所述最大方差值所在维度为分割维Split-dim；

步骤四，在Split-dim维对所述像素点坐标集合进行排序，选取中间的像素点作为超平面的分割点x

步骤五，所述像素点坐标集合Data-Set的剩余点中，第Split-dim维小于等于x

步骤六，对所述左子树和所述右子树重复执行步骤二至五，直到只包含一个像素点；

步骤七，得到生成的KD树。

具体过程可以结合图6理解，图6为本发明实施例提供的构建KD树的流程框架示意图。

对于k维数据来说，建立KD树的时间复杂度为O(k*nlogn)，因此本发明实施例提出的方法的时间复杂度为O(nlogn)，n为处理后图像中包含的像素点个数。

S4，基于DBSCAN算法，利用所述KD树对所述处理后图像进行邻域搜索，得到包括各海面目标的聚类结果的目标聚类图像。

S3对处理后的海面雷达回波图像构建KD树，本步骤将KD树用于DBSCAN算法。在进行Eps-邻域查询过程中，只搜索有限数量的路径，对处理后图像做聚类处理，在包含海杂波干扰的处理后图像中检测出有效船只等目标。

根据雷达特定环境，本发明实施例对海面目标的聚类策略进行如下调整：对核心点和边界点不做区分，除噪点之外，聚类后目标包含的所有像素点都参与点迹凝聚计算。假设处理图像为D。

则可选的一种实施方式中，S4可以包括以下步骤：

步骤1：从所述处理后图像D中任意一像素点p开始，通过所述KD树搜索Eps-邻域半径内的子样本集合N

步骤2：如果所述像素点p满足|N

步骤3：遍历所述像素点p邻域中所有像素点q，如果一像素点q为未处理状态且满足|N

步骤4：重复步骤1至3，直到所述处理后图像中所有像素点均被标记为已处理状态，则结束聚类，得到包括各海面目标的聚类结果的目标聚类图像。

如果处理后图像中的像素点均为已处理状态，说明各个海面目标的聚类均已完成，则可以结束处理后图像的目标聚类过程，得到目标聚类图像，其中含有各个海面目标的聚类结果，可以理解的是聚类结果含有海面目标的多个像素点。

S5，针对所述目标聚类图像中的每个海面目标，对该海面目标的聚类结果表征的像素范围内的像素点进行区域生长，得到该海面目标的区域像素点。

通过S4步骤，目标聚类图像中的杂波、噪声等通过设定的阈值已被滤除。为了提高凝聚精度，本发明实施例使用区域生长法得到海面目标包含的所有像素点后再进行点迹凝聚处理。

区域生长法(Region Growing)是一种经典的图像分割算法，其基本思想是：根据样本集中各像素点的“相似性”将其合并在一起构成区域。首先需找出一个种子点，然后根据某种生长准则，对物体进行“生长”。下面结合图7对区域生长算法进行介绍。图7为现有技术中区域生长算法示意图。

图7(a)为原始图像。5为种子点，现在对其进行区域生长。以种子点为中心，检查它的4邻域，如果所检查的像素点与种子点的灰度值之差的绝对值小于等于某个门限值T，则将该像素点与种子点进行合并生长成为新的种子，然后向周围继续生长。

图7(b)为T＝1时区域生长的结果。种子点周围灰度值为4、5、6的像素点都被生长进来，而灰度值为0、1、7的像素点由于超出了门限范围，无法与种子点所在区域进行合并。虽然图像右上角的5也可以成为种子点，但由于7不满足生长要求，不能成为新的种子点，因此5位于合并区域之外。

图7(c)为T＝3时区域生长的结果。可以看到图像整个右边都生长成为一个区域。

图7(d)为T＝6时区域生长的结果。此时整幅图像都被生长为一个区域。由此可见，门限值的选取是很重要的，不同的门限值会得到不同的生长结果。

可选的一种实施方式中，S5可以包括：

S51，针对所述目标聚类图像中的每个海面目标，利用对应的所述聚类结果确定该海面目标的边缘像素点。

具体的，可以利用现有的其余像素点边缘检测的方法确定一海面目标对应的聚类结果中多个像素点中的边缘像素点。比如一种可选的实施方式中，可以通过比较聚类结果中各像素点的坐标值实现，等等。

确定的多个边缘像素点可以近似理解为海面目标的外围轮廓点。

S52，将该海面目标的每个边缘像素点作为种子点，遍历该种子点的预设邻域内的像素点，查找到像素值为1的像素点归入该海面目标的区域像素点集合。

S53，反复迭代直至所述区域像素点集合中任意像素点的预设领域内，像素值为1的像素点均已归入所述区域像素点集合中。

S54，将确定的所述区域像素点集合中的所有像素点作为该海面目标的区域像素点。

以下针对目标聚类图像区域生长的具体处理过程进行详细说明，可以包括以下步骤：

步骤一：按照预定扫描顺序逐像素扫描目标聚类图像，针对遇到的每个海面目标，将针对该海面目标遇到的第一个值为1且为未处理状态的边缘像素点，作为该海面目标的区域生长的种子点。

预定扫描顺序可以包括从上至下、从左至右；或者从下至上、从左至右；或者从左至右、从上至下等等，在此，对本发明实施例的预定扫描顺序不做限制。

步骤二：以该种子点为中心点，搜索其预设邻域内的像素点，如果像素点值为1，则将该像素点与中心点合并。

其中，预设邻域可以包括4邻域、8邻域、24邻域等。优选的实施方式中，预设邻域可以包括8邻域或24邻域。

步骤三：遍历该海面目标的所有边缘像素点，重复执行步骤二，直到该海面目标的所有边缘像素点生长完成。

步骤四：以新合并的像素点为种子点，执行步骤二，直到再没有其他像素点可被包含进来为止，同时将该海面目标所有像素点标记确定为已处理状态。

步骤五：判断目标聚类图像中的像素点是否均为已处理状态，如果是，则区域生长结束，如果否，则转至步骤一。

当目标聚类图像中的像素点均为已处理状态，表明所有海面目标均已完成区域生长。可以针对每个海面目标，得到包含边缘像素点在内的多个像素点作为该海面目标的区域像素点。即可以得到每个海面目标完整的像素点。

S6，针对每个海面目标，对该海面目标的所述区域像素点进行点迹凝聚，得到该海面目标的点迹凝聚结果。

可选的一种实施方式中，S6可以包括S61～S63：

S61，针对每个海面目标，对该海面目标的所述区域像素点利用质心法进行点迹凝聚处理，获得该海面目标的点迹凝聚位置的坐标。

区域像素点是一海面目标范围内的所有像素点。对区域像素点利用质心法可以获得一个坐标，用该坐标表示区域像素点的点迹凝聚位置。

所谓质心，就是指其横坐标、纵坐标分别为N个点的横坐标平均值、纵坐标平均值的点。即：假定N个点的坐标分别(x1,y1)，(x2,y2)，…，(xN,yN)则质心的坐标为((x1+x2+…+xN)/N,(y1+y2+…+yN)/N)。

S62，确定所述点迹凝聚位置对应的幅值为所述回波图像中各个点迹对应的幅值中的最大值。

S63，将获得的所述点迹凝聚位置的坐标和幅值作为该海面目标的点迹凝聚结果。

以下对本实施例的实验结果进行说明。本实施例的实测数据来自Navico Halo脉冲压缩雷达采样得到的海面的原始回波图像，其为大小为2048×4096的数据矩阵，对原始回波图像进行截取，选取海面船只目标分布密集区域(距离向(1000个距离单元)、方位向(1000个脉冲数))，通过基于KD树的DBSCAN聚类算法快速检测出河海面的船只目标，再对其进行区域生长和点迹凝聚处理。

(一)预处理部分

请参见图8，图8(a)为本发明实施例中截取的海面雷达原始的回波图像，可以看到，海面上的船只目标灰度高且形状呈椭圆形，深色背景区域灰度低且面积较大。由于目标所受干扰严重，呈现出若隐若现的状态。请参见图8(b)，图8(b)为本发明实施例中DP-CFAR处理后的结果，经DP-CFAR处理后得到距离维与方位维构成的二值图像，可以看到，图像中的部分噪声、海杂波等干扰仍未被滤除。部分船只目标在距离向分裂明显，同时方位向也有分裂点迹产生。请参见图8(c)，图8(c)为本发明实施例中使用矩形结构元素膨胀腐蚀后的结果。其中使用4×3矩形结构。可以看到目标的点迹分裂得到了改善，同时目标的形状没有发生大的变化，图像中的部分噪点被滤除，目标点清晰易识别。

(二)基于KD树空间搜索的DBSCAN算法

本发明实施例采用仿真雷达数据验证算法效果。图9为本发明实施例提供的一处理后图像，通过对图像中海面目标的像素点进行分析，选取Eps＝2.5，MinPts＝15对图像做聚类处理。图10(a)为针对图9采用现有DBSCAN算法在(1.5,5)参数下得到的聚类结果；图10(b)为针对图9采用现有DBSCAN算法在(3.5,35)参数下得到的聚类结果。

由图10可看出，(1,5.5)、(3.5,35)两个参数下均得到错误的聚类结果。图10(a)中，由于参数设置过小，导致像素点个数较多的噪声、干扰等被聚成一类，误判成目标。图10(b)中，由于参数设置过大，在聚类过程中，像素点个数较少的目标被滤除。

利用本发明实施例提出的基于KD树空间搜索的DBSCAN算法对图11进行聚类，图11为本发明实施例提供的另一处理后图像；实现对海面船只目标的检测。通过大量对比实验发现，不同的Eps-邻域和密度阈值MinPts会直接影响目标检测结果。针对图11，选择常用的几种(Eps,MinPts)参数，分别为(1.5,5)、(1.5,8)、(2.5,15)、(2.5,20)、(3.5,30)、(3.5,35)进行实验，效果如图12所示。图12为本发明实施例提供的基于KD树空间搜索的DBSCAN算法在不同(Eps,MinPts)下的聚类效果。其中(A)～(F)图分别对应(1.5,5)、(1.5,8)、(2.5,15)、(2.5,20)、(3.5,30)、(3.5,35)。

分别在不同(Eps,MinPts)下，对检测到的船只数目(Target_Num)、船只目标包含的最多像素点个数(Max)、最少像素点个数(Min)以及噪点个数(Noise_Num)这四个参数进行统计分析。结果如表2所示。

表2不同(Eps,MinPts)下船只目标检测实验参数

通过对上表分析可得：

(1)若Eps减小，则Target_Num增大，Min减小，Max基本不变，Noise_Num减小。这说明Eps-领域半径越小，船只目标识别的分辨率就越低，容易将像素点较少的噪声、海杂波等干扰误判成目标。

(2)当Eps固定不变时，随着MinPts的增大，Target_Num减小，Min增大，Max基本不变。这说明MinPts值越大，像素点个数较少的噪声、海杂波等干扰很难被聚集成簇，因此在聚类过程中这些非目标点被滤除，从而获得最接近真实船只目标个数的检测结果。

(3)根据先验知识，(3.5,35)参数下，图像中共41个船只目标，达到最接近真实目标个数的检测结果。由此可见，在使用DBSCAN算法进行目标检测之前，可以先对图像中目标所包含的像素点个数进行统计，如果雷达检测到的是小目标，那么在聚类时可以适当减小Eps-邻域和MinPts的取值，相反，如果检测到的是大目标，则应对这两个参数适当增大。同时，也应该对噪声、海杂波等干扰所包含的像素点个数进行分析。在聚类之前，根据图像中的目标特点，合理地调整Eps和MinPts，可以在较短时间内完成目标检测，达到事半功倍的效果。

本发明实施例将KD树用于DBSCAN算法，替代了DBSCAN算法的邻域搜索法则。在查找Eps-邻域的过程中，新算法仅遍历KD树中有限个搜索路径，极大地提高了图像中船只目标的检测效率。本章基于处理后图像(图像数据量为7935个像素点，大小为1000 1000的数据矩阵)，对新算法在不同的(Eps,MinPts)参数下分别进行10次运行时间实验，并与传统DBSCAN算法进行对比。为了进行区分，下面将传统DBSCAN算法用A表示，本发明实施例所提出的基于KD树的DBSCAN算法用B表示。对比结果请参见表3和表4。

表3不同(Eps,MinPts)下两种算法运行时间对比

表4不同(Eps,MinPts)下两种算法效率分析

由表3和表4可知，当数据量为7935时，本发明实施例的方法在(1.5,5)、(2.5,20)、(3.5,35)三个参数下，运行时间分别比传统DBSCAN算法减少了93.2％、91.8％和91.1％，运算效率提高了近10倍，极大地提高了目标检测效率。

为了对算法效率进一步分析验证，下面选取1000、5000、10000、15000和20000的海面雷达回波图像数据量，分别在参数(1.5,5)和(3.5,35)下进行5次运行时间实验并统计分析。

表5(1.5,5)参数下不同数据量时两种算法运行时间对比

表6(3.5,35)参数下不同数据量时两种算法运行时间对比

表7(1.5,5)、(3.5,35)两种算法运行时间对比

表8(1.5,5)、(3.5,35)两种算法效率分析

由表7和表8可知，当数据量为1000时，两种算法运行时间差别并不大。但随着数据量的增加，本发明实施例所提出的新算法所用时间迅速减少，当数据量达到20000时，在(1.5,5)，(3.5,35)两个参数下，新算法运行时间是传统DBSCAN算法的37.45倍、25.18倍。图13的(a)(b)两图分别是两参数下不同数据量时两种算法运行时间对比折线图。其中，本发明实施例的方法简称为KD-DBSCAN。可以看到，数据量越大时间对比越明显，验证了本发明实施例所提出的基于KD树空间搜索的DBSCAN算法更适用于大数据量的优越性。

本发明实施例所提供的方案中，通过将KD树用于DBSCAN算法，用空间搜索算法更高效地进行Eps-邻域检测。对于一个数据集的n个点来说，KD树最糟糕情况下的复杂度是(log)On，如果对“小”区域进行查询，只需遍历KD树中有限个搜索路径。由于在Eps-邻域查询过程中，只与整个数据空间的一小部分数据进行比较，所以单一区域查询的运行时间复杂度是O(log n)。对于海面雷达回波图像中的n个像素点，最多只需一次Eps-邻域查询，因此，本发明实施例方法的时间复杂度为O(nlog n)。

(三)区域生长+点迹凝聚

参见图14，其中(a)为本发明实施例提供的区域生长后图像；在区域生长过程中，无论是遍历种子点的8邻域还是24邻域，或者其它相邻方向的像素点，均能得到图14(a)所示的区域生长结果。图14(b)为本发明实施例提供的点迹凝聚结果。本发明实施例利用区域生长，能够得到海面目标包含的所有像素点，因此相比于之前聚类得到的像素点，海面目标对应的像素点的数量得到增加，因此可以得到更加精确的目标点迹凝聚位置。

本发明实施例将KD树用于DBSCAN算法，提出一种计算效率更高的基于KD树空间搜索的DBSCAN算法，替代了DBSCAN算法的Eps-邻域搜索路径，在邻域查询过程中，只需遍历KD树中有限数量的路径，从而减少了海面目标点迹的聚类时间，极大地提高了点迹凝聚效率，能够满足雷达系统处理的实时性要求，为后续海面目标跟踪、航迹处理等操作预留了时间。并且本发明实施例将该基于KD树空间搜索的DBSCAN算法与区域生长相结合得到一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法。该方法得到海面目标包含的所有像素点之后再做点迹凝聚处理，因此得到的点迹凝聚结果的精确度更高。

第二方面，本发明实施例还提供了一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚装置，如图15所示，图15为本发明实施例提供的一种基于KD树搜索和区域生长的海面目标雷达点迹凝聚装置的结构示意图。

图像获取模块1501，用于获取针对海面区域利用雷达采集得到的回波图像；所述回波图像包括至少一个海面目标；

图像预处理模块1502，用于对所述回波图像进行二值化和形态学的预处理，得到处理后图像；

KD树创建模块1503，用于针对所述处理后图像创建对应的KD树；

目标聚类模块1504，用于基于DBSCAN算法，利用所述KD树对所述处理后图像进行邻域搜索，得到包括各海面目标的聚类结果的目标聚类图像；

区域生长模块1505，用于针对所述目标聚类图像中的每个海面目标，对该海面目标的聚类结果表征的像素范围内的像素点进行区域生长，得到该海面目标的区域像素点；

点迹凝聚模块1506，用于针对每个海面目标，对该海面目标的所述区域像素点进行点迹凝聚，得到该海面目标的点迹凝聚结果。

可选的，所述图像预处理模块1502，具体用于：

利用恒虚警技术对所述回波图像进行处理，获得二值图像；其中，所述二值图像中背景部分的像素值为0，目标部分的像素值为1；

对所述二值图像利用预设大小的矩形结构元素依次进行膨胀操作和腐蚀操作，得到处理后图像。

可选的，所述KD树创建模块1503，具体用于：

步骤一，获取所述处理后图像对应的像素点坐标集合；

步骤二，计算所述像素点坐标集合在两个维度(x,y)上的数据方差，获取最大方差值；

步骤三，选取所述最大方差值所在维度为分割维Split-dim；

步骤四，在Split-dim维对所述像素点坐标集合进行排序，选取中间的像素点作为超平面的分割点x

步骤五，所述像素点坐标集合的剩余点中，第Split-dim维小于等于x

步骤六，对所述左子树和所述右子树重复执行步骤二至五，直到只包含一个像素点；

步骤七，得到生成的KD树。

可选的，所述目标聚类模块1504，具体用于：

步骤1：从所述处理后图像中任意一像素点p开始，通过所述KD树搜索Eps-邻域半径内的子样本集合N

步骤2：如果所述像素点p满足|N

步骤3：遍历所述像素点p邻域中所有像素点q，如果一像素点q为未处理状态且满足|N

步骤4：重复步骤1至3，直到所述处理后图像中所有像素点均被标记为已处理状态，则结束聚类，得到包括各海面目标的聚类结果的目标聚类图像。

可选的，所述区域生长模块1505，具体用于：

针对所述目标聚类图像中的每个海面目标，利用对应的所述聚类结果确定该海面目标的边缘像素点；

将该海面目标的每个边缘像素点作为种子点，遍历该种子点的预设邻域内的像素点，查找到像素值为1的像素点归入该海面目标的区域像素点集合；

反复迭代直至所述区域像素点集合中任意像素点的预设领域内，像素值为1的像素点均已归入所述区域像素点集合中；

将确定的所述区域像素点集合中的所有像素点作为该海面目标的区域像素点。

可选的，所述预设邻域包括：

8邻域或24邻域。

可选的，所述点迹凝聚模块1506，具体用于：

针对每个海面目标，对该海面目标的所述区域像素点利用质心法进行点迹凝聚处理，获得该海面目标的点迹凝聚位置的坐标；

确定所述点迹凝聚位置对应的幅值为所述回波图像中各个点迹对应的幅值中的最大值；

将获得的所述点迹凝聚位置的坐标和幅值作为该海面目标的点迹凝聚结果。

关于各个模块的详细处理过程请参见第一方面的方法步骤，在此不再赘述。

第三方面，本发明实施例还提供了一种电子设备，如图16所示，图16为本发明实施例提供的一种电子设备的结构示意图。

包括处理器1601、通信接口1602、存储器1603和通信总线1604，其中，处理器1601，通信接口1602，存储器1603通过通信总线1604完成相互间的通信，

存储器1603，用于存放计算机程序；

处理器1601，用于执行存储器1603上所存放的程序时，实现如第一方面的基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法的步骤。

该电子设备可以为：台式计算机、便携式计算机、智能移动终端、服务器等。在此不作限定，任何可以实现本发明的电子设备，均属于本发明的保护范围。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

第四方面，相应于第一方面所提供的基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现本发明实施例所提供的基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法的步骤。

对于装置/电子设备/存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

需要说明的是，本发明实施例的装置、电子设备及存储介质分别是应用上述基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法的装置、电子设备及存储介质，则上述基于KD树搜索和区域生长的海面目标雷达点迹凝聚方法的所有实施例均适用于该装置、电子设备及存储介质，且均能达到相同或相似的有益效果。

本领域技术人员应明白，本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式，这里将它们都统称为“模块”或“系统”。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机程序存储/分布在合适的介质中，与其它硬件一起提供或作为硬件的一部分，也可以采用其他分布形式，如通过Internet或其它有线或无线电信系统。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。在本说明书的描述中，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何的一个或多个实施例或示例中以合适的方式结合。此外，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进行接合和组合。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。