[发明专利]基于h/q分解和贝叶斯迭代分类相结合的机场跑道检测方法

说明书

技术领域

本发明属于极化SAR图像目标检测领域，特别是涉及一种基于h/q分解和贝叶斯迭代分类相结合的机场跑道检测方法。

技术背景

机场作为重要的军用和民用设施，对其进行自动检测在军事侦察、飞机导航和紧急救援等多个领域都有重要的价值。跑道作为机场的典型特征，可通过检测跑道定位机场。现有的跑道检测算法大部分是针对红外、可见光遥感图像以及合成孔径雷达(SAR)图像，而涉及全极化SAR图像的机场跑道检测方法很少。但全极化SAR图像比单极化SAR图像含有更为丰富的地物信息，能够更好的表征地物的极化散射特性。因此在全极化SAR图像中，将地物的极化散射特性充分应用到目标检测中具有十分重要的意义。

现有的针对单极化或多极化SAR图像的机场跑道检测方法可归结为两种：第一种方法是直接从图像中提取代表跑道的直线特征，但缺点是对图像分辨率要求高且计算量大；第二种方法是提取疑似跑道的ROI(RegionofInterest，感兴趣区域)，然后对ROI进行判别，最后确定跑道区域，该方法的优点是计算量相对较少，对图像细节要求较低，但是ROI提取严重依赖前期分割或分类效果的好坏。又由于单极化SAR或者多极化SAR图像跑道检测存在以下问题：(1)SAR图像中存在固有相干斑，导致跑道边缘模糊，从而使利用第一种方法检测跑道难以奏效；(2)复杂场景下存在多种与跑道散射特性相似的地物，例如河流、水塘、道路、桥梁、裸地等。因此，如何选取合适的分割或分类方法进行ROI提取具有重要的研究意义。

目前，涉及利用全极化SAR图像进行机场跑道检测的方法有复旦大学潘诚提出的首先用CV模型分割图像，再对图像进行形态学等图像处理，最后得到机场ROI，但该方法仅利用极化特性进行图像增强，没有充分利用机场跑道的极化信息来进行ROI提取，且检测结果对噪声敏感。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于h/q分解和贝叶斯迭代分类相结合的机场跑道检测方法。

为了达到上述目的，本发明提供的基于h/q分解和贝叶斯迭代分类相结合的机场跑道检测方法包括按顺序进行的下列步骤：

1)利用h/q分解对原图像中每个像素点进行分类，计算出每一类像素点的平均极化相干矩阵并作为初始样本模板；

2)利用上述初始样本模板和贝叶斯迭代分类方法对原图像重新分类，得到分类结果图；

3)根据跑道类地物的极化散射特性和弱回波特性，从上述分类结果图中提取出符合该特征的像素点，得到只含有跑道类像素点的二值图；

4)根据民用机场跑道的尺寸标准和图像分辨率，对步骤3)中得到的二值图进行形态学处理以去除孤立的小区域，得到疑似跑道区域；

5)利用跑道的结构特征，对上述疑似跑道区域进一步判别，最终确定跑道区域。

在步骤1)中，所述的利用h/q分解对原图像中每个像素点进行分类，计算出每一类像素点的平均极化相干矩阵并作为初始样本模板的方法是：利用图像中所有像素点的极化相干矩阵计算出各像素点的散射随机性h和平均散射机制q的数值，并根据h/q平面区域划分图将上述所有像素点划分到相应的类别中，然后计算出每一类像素点的平均极化相干矩阵并作为初始样本模板。

在步骤2)中，所述的利用上述初始样本模板和贝叶斯迭代分类方法对原图像重新分类，得到分类结果图的方法是：首先根据贝叶斯分类器是建立在最小类间误差准则下，且极化相干矩阵服从复Wishart分布的特点，得到适合极化SAR图像分类的贝叶斯分类器；然后利用贝叶斯分类器和步骤1)中得到的初始样本模板将原图像中所有像素点重新分类，并进行类别标记，计算出每一类像素点的平均极化相干矩阵并作为样本模板，同时得到类别标号图；再次进行分类后，更新样本模板和类别标号图；最后比较最近相邻的两次类别标号图，计算像素点类别标号变化的个数，若满足迭代终止条件，即像素点类别变化个数小于一定的阈值或迭代次数达到一定的次数，则输出最终分类结果图，若不满足，继续进行贝叶斯分类。

在步骤3)中，所述的根据跑道类地物的极化散射特性和弱回波特性，从上述分类结果图中提取出符合该特征的像素点，得到只含有跑道类像素点的二值图的方法是：首先根据跑道类地物的两个特性，即散射机制类型是中、低熵表面散射和跑道表面光滑、回波很弱，从步骤2)的分类结果图中提取出满足这两种特性的像素点，并置为“1”，其余像素点置为“0”，为非跑道类，得到只含有跑道类像素点的二值图。