[发明专利]基于部件自适应选择与判别模型的SAR图像目标检测方法

说明书

本发明涉及一种基于部件自适应选择与判别模型的SAR图像目标检测方法。本发明采用多尺度部件模型对SAR图像进行建模，充分考虑了其结构信息，且部件的自适应选择使得检测到的子部件与其实际尺寸更加符合，更具有实际意义。此外，惩罚因子的引入对模型做了进一步优化，而最终采用的SANMS方法对重复包围框的滤除，也极大地降低了虚警率。本发明在检测方法中考虑了目标结构，可以更加精确地检测到子部件。

技术领域

本发明属于图像处理技术领域，特别涉及一种基于部件自适应选择与判别模型的SAR图像目标检测方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)采集的图像具有全天时、全天候的特性，能够克服各种气候，不受光照云雾的影响。与光学图像相比，它具有丰富的散射信息和极化信息。针对SAR图像特点的目标检测算法也有一定的发展，主要的方法有三大类：1)基于散射中心模型的目标检测算法；2)基于统计特征的目标检测算法；3)引入经典光学图像目标检测算法的方法。基于散射中心建模的目标检测算法，首先通过建模得到模型参数，从而得到目标区域里散射中心的强度、位置、结构等信息，然后利用这些信息设置阈值，就能检测到想要的目标。基于统计特征的目标检测算法，最有代表性的就是恒虚警率(CFAR)检测算法。基于CFAR的方法大体分为四步：1)背景杂波强度的估计；2)统计分布模型的选取；3)统计分布模型参数的估计；4)计算检测阈值，获取检测结果。引入光学图像目标检测算法的方法，其主体框架与经典目标检测算法相同，先进行候选切片的提取，然后对切片进行特征提取，最后利用所提取的特征对切片进行分类识别，得到检测结果。

鉴于基于散射中心模型的目标检测算法对建模精度要求比较高，而基于统计分布的CFAR方法一般是根据SAR图像目标和背景分布的差异来选取检测阈值，将目标作为背景区域中的异常点来检测，并没有考虑到目标的统计分布特征。在引入经典光学图像目标检测算法的方法中，提取候选切片的方法有最佳熵自动门限法(KSW算法)，基于马尔科夫条件随机场(MRF)的方法等；候选切片提取的特征有：统计特征，针对性的手工特征，多特征等；而常用的分类器就是支持向量机(SVM)，有些简单的识别任务也会采用特征匹配器。

由于SAR图像的散射机理，会导致目标在图像中呈现为或明或暗的散射点，因此许多传统SAR图像目标检测算法，会把目标分割成许多小块。但高分辨率SAR图像提供了丰富的散射和极化信息，从中可以判断出目标是否存在以及目标的形状和组成部分的信息。简而言之，如何在高分辨率SAR图像中最大程度克服其散射性就成为了一个非常严峻的问题。

发明内容

本发明的目的在于针对高分辨率SAR图像目标检测问题，引入了部件结构信息来克服散射性，并为了让部件具有实际意义，更好地约束目标，提出了基于部件自适应选择和判别模型的SAR图像目标检测方法。

本发明的技术方案为一种基于部件自适应选择和判别模型的SAR图像目标检测方法，包括以下步骤：

步骤1，准备SAR图像训练数据集，并对训练数据集进行预处理，包括以下子步骤，

步骤1.1，对训练数据集中的SAR图像进行裁剪，并采用矩形包围框分别对整体目标及各个子部件进行标注，标注信息包括包围框对应的类别及不同包围框的左上和右下两个角点在图像中的x，y坐标；

步骤1.2，将训练数据集中的图像进行正负样本分类，包含目标的为正样本，其他的为负样本；

步骤2，获得整体模型用于检测得分，所述整体模型包括用于检测整体目标信息的根模型和用于检测子部件的细节信息的部件模型，同时利用步骤1中不同包围框标注信息和正负样本对整体模型进行训练，获得模型参数，包括以下子步骤，

步骤2.1，构建初始根模型和部件模型；

步骤2.2，采用统计学方法获得部件模型中各子部件的锚点位置和标准尺寸，所述锚点位置是指标注的子部件相对于目标的位置；