1.基于局部密度聚类的雷达目标散射中心区域分割方法，其特征在于包括以下步骤：步骤1：对SAR雷达图像进行Frost滤波，实现图像全局噪声抑制；

步骤2：基于水平集方法LSM进行图像分割，初步获取疑似目标ROI区域；

步骤3：采用面积滤波，保留最大连通域去除干扰目标，得到目标ROI区域；

步骤4：利用局部密度聚类LDC算法检测散射中心并进行区域分割；

所述步骤1具体如下：

设SAR雷达图像是一个平稳过程且斑点噪声是乘性噪声，其数学模型为：S(i,j)＝S0(i,j)·N0(i,j)；

式中，S(i,j)为观测到的图像；S0(i,j)为不含噪声的图像；N0(i,j)表示斑点噪声；

在滤波窗口Skl大小为(2N+1)×(2N+1)时，Frost滤波结果为：Dkl是窗口内像素(k,l)与(i,j)的欧式距离：Ui,j代表滤波窗口Skl内所有像素灰度值的均值：Vi,j代表滤波窗口Skl内所有像素灰度值的方差：其中，(2N+1)为滤波窗口的长度或宽度，ρ为微调因子；k,l，i,j分别表示图像像素的索引；

所述步骤2中，水平集方法LSM具体如下：

图像被分为目标区域和背景区域两类分片光滑的同质区域；设图像F(x,y)∈Ω，待处理区域Ω内部的闭合轮廓曲线C将Ω分为目标区域Ωin和背景区域Ωout两部分，目标区域Ωin和背景区域Ωout的平均灰度值分别为μin和μout，则能量函数为：其中，x,y为图像像素的索引；α,β>0，γ≥0分别为加权系数；LC为闭合轮廓曲线C的长度；能量函数前两项为保真项，当闭合轮廓曲线C收敛于目标边界时，及实现目标与背景的分离，能够得到这两项的最小值；第三项为正则约束项，确保演化曲线平滑。

2.根据权利要求1所述基于局部密度聚类的雷达目标散射中心区域分割方法，其特征在于：所述步骤3中，利用灰度阈值L对灰度图像T1进行二值化，得到二值化图像T2计算公式如下：其中，T1(i,j)表示图像T1的像素值；T2(i,j)表示图像T2的像素值；i,j表示图像像素的索引；max(T1(i,j))表示T1(i,j)的最大值，min(T1(i,j))表示T1(i,j)的最大值；

连通区域是由具有相同像素值的相邻像素组成像素集合，连通域提取是在二值化图像中寻找连通区域，并赋予每个连通域唯一的标识，然后根据需求保留需要的连通域，其余部分置零。

3.根据权利要求1所述基于局部密度聚类的雷达目标散射中心区域分割方法，其特征在于：所述步骤4包括如下步骤：步骤4.1：首先，计算每个点的三个参数：局部密度ρ、距离σ和梯度对于第i个数据点pi的局部密度ρi定义为：

对于第i个数据点pi的距离σi定义为：

对于第i个数据点pi的梯度 定义为：

其中，dc表示截止距离，dij表示第i个数据点pi和第j个数据点pj之间的欧式距离，Ij表示数据点pj处的强度；

步骤4.2：计算完三个参数后，将距离σ与密度ρ之间的关系绘制成图，称为决策图，决策图能够直观反映距离σ与密度ρ之间的关系，具有较高密度ρ和较大距离σ的数据点是聚类中心，因此根据决策图能够确定聚类中心的位置和数量；

步骤4.3：然后，根据密度ρ和梯度 能够将非聚类中心点划分到距离该点最近的聚类中心中，从而确定单个散射中心Ck的区域；

其中： 表示散射中心区域Ck中的第j个点；ρj表示第j的数据点pj的密度； 是散射中心区域Ck的平均密度； 表示第j的数据点pj的梯度；nk是散射中心区域Ck中数据点的总数；

是LDC算法的超参数。