[发明专利]一种基于超像素和随机森林的SAR图像舰船目标检测方法

说明书

本发明涉及高分辨SAR图像的检测技术领域，具体为一种基于超像素和随机森林的舰船目标检测方法。本发明融合了超像素分割与随机森林无监督聚类，将图像分块后进行聚类，准确检测出稀有舰船目标的同时，又较好地保留了船只的轮廓形状信息。较传统的CFAR舰船目标检测方法，本发明避开了杂波建模、参数估计、滑窗等耗时费力的操作。

技术领域

本发明涉及高分辨SAR图像的检测技术领域，特别涉及一种船只形状信息低受损的检测方法：基于超像素和随机森林的SAR图像舰船目标检测。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)能全天时、全天候对地球进行实时监测。不同的地物目标有不同的散射特性，SAR图像能提供这种具有区分性的特征进行场景解译。高分辨SAR图像包含有更多的结构和形状信息和弱散射体，传统的检测方法很难检测出来。

船舶检测作为一种重要的海事应用，得到了广泛的研究。恒虚警率检测(CFAR)是最传统的SAR图像舰船检测技术。它基于假设检验，依据背景的分布，获得自适应阈值，从而把虚警率维持在预设的水平上。其性能取决于滑动窗口结构的设计、杂波统计模型的分布和模型参数估计。但是随着模型的复杂度增加，参数估计成为一个棘手的问题。某些模型的概率密度函数甚至没有封闭的表达式，因此传统的参数估计方法，如最大似然估计(ML)，将不再适用。避免杂波建模和参数估计等难题是目标检测的一个新思路。

把图像分块进行处理成为一种趋势。如果能给按照图像的边缘纹理进行切割，那么目标的轮廓信息就能被很好地保留，对于检测来说意义重大。随机森林是一种经典的集成学习模型，常常用来监督分类。但是分类需要大量的训练数据，而且在大多情况下，很难获得足够的数据用于训练。在无监督聚类的情况下，则不需要考虑数据量的问题，也不会出现过拟合现象。

发明内容

针对上述存在问题，避免检测方法受杂波建模和参数估计的影响，本发明提出了一种基于超像素和随机森林的SAR图像舰船目标检测方法，以实现准确检测舰船目标并保留其轮廓的目的。

本发明由以下步骤实现，其检测流程算法见附图1。

步骤1、设原图有N个像素，生成的超像素数目为k。对图像的像素进行采样，采样步长为初始化聚类中心其中为像素在CIE-Lab空间的颜色值，为像素坐标。

步骤2、将聚类中心移动到3×3邻域内的最小梯度位置。

步骤3、对每一个像素i，设置标签l(i)＝1，距离度量d(i)＝∞。

步骤4、对于C_k的2S×2S邻域里的每一个像素i，计算C_k和i之间的距离D；判断D是否小于d(i)。如果小于d(i)，就令d(i)＝D,l(i)＝k。计算D的公式为：

m用来调整d_xy的权值，一般为1-20，在算法中设置为10。

步骤5、更新聚类中心，计算残差E

步骤6、对每一个聚类中心，重复步骤4和步骤5，直到E小于阈值。

步骤7、经过前六个步骤，得到SAR图像的超像素分割集合S＝{s₁,s₂,...,s_N}。假设某一个像素区域为s_i，计算s_i在水平方向(0°)和垂直方向(90°)的灰度共生矩阵和

步骤8、分别计算步骤7所得到的和的角二阶矩和熵。其中，角二阶矩熵最终得到s_i的纹理特征