[发明专利]基于特征融合稀疏表示模型的SAR图像车辆检测方法

说明书

本发明公开了一种基于特征融合稀疏表示模型的合成孔径雷达(Synthetic Aperture Radar,SAR)图像车辆检测方法，目的是针对现有的SAR图像车辆检测方法在复杂场景中的不足之处，以提高SAR图像车辆检测的准确性。该方法首先基于训练目标数据的相关字典集，对每个测试目标所提取的一系列特征进行稀疏重构，生成一系列残差。然后将残差归一化并组成单个残差序列。基于所收集的所有特征的残差序列集合，依据线性融合策略来确定目标类别的最佳估计，依此获取测试目标的检测结果。本发明充分利用了基于特征融合稀疏表示模型的良好分辨能力，且考虑了图像中场景复杂度的变化，有效地提高了SAR图像车辆的检测率，准确度更高。

技术领域

本发明属于图像处理技术领域，更具体的涉及一种基于特征融合稀疏表示模型的合成孔径雷达(Synthetic Aperture Radar,SAR)图像车辆检测方法。

背景技术

车辆检测在合成孔径雷达图像处理中是一个具有挑战性的任务。通常，车辆检测包括两个阶段：疑似区域提取和目标分类。现有技术中已经存在许多方法能够处理SAR图像中目标检测问题，其中，代表性的有基于模板匹配的方法和基于模型设计的方法。前者依赖于目标图像或者特征向量与模板在数据上的匹配度，而后者则取决于训练样本和测试样本之间模型的统计关系。通过评估最大化后验概率参数类别，则目标可以被确定。显然，如果统计关系较差，则容易导致检测失败。

基于特征模型的方法，如：支持向量机、贝叶斯形态显著性模型、多尺度区域特征模型等，基于精细设计的特征，这些方法可以提高目标的检测准确率，但是这些方法在复杂场景中，如：强度差异较小，严重的斑噪环境和强度分布不均匀区域，鲁棒性不高。在这种情况下，目标的特征不能被有效地提取，导致目标特征的表示能力弱化。此外，由于在SAR图像中灰度的对比度不高和电磁波多重反射的影响，在处理复杂特征类型的目标时，这些检测方法并不能获取较好的结果。因此，需要设计新型的目标检测模型，以适应场景特征的复杂性。

发明内容

本发明目的是针对现有的SAR图像车辆检测方法，在面向复杂场景时的性能不足之处，以提高SAR图像车辆检测的准确性，提出了一种基于特征融合稀疏表示模型的SAR图像车辆检测方法。

本发明的基本思路是：首先基于训练目标数据的相关字典集，对每个测试目标所提取的一系列特征进行稀疏重构，生成一系列残差。然后将残差归一化并组成单个残差序列。基于所收集的所有特征的残差序列集合，依据线性融合策略来确定测试目标类别的最佳估计，依此获取该测试目标的检测结果。

本发明的目的是通过以下技术方案来实现的：

基于特征融合稀疏表示模型的SAR图像车辆检测方法，包括以下具体步骤：

步骤1，预处理，即用非局部均值方法对SAR图像进行滤波，再进行图像阈值分割；

步骤2，灰度增强，即使用线性变换方法调整低灰度值。经过拉伸后，[0,αμ_x]内的灰度值被映射为[0,βμ_y]，以使这些灰度值在整个灰度空间中占据更大的范围。然后，再对原始图像中的高灰度值进行均衡化处理，这意味着相应的灰度范围从[αμ_x,X]变化到[βμ_y,Y]。

其中，μ_x和μ_y分别是图像调整前后的灰度平均值。X和Y均表示图像灰度空间的最大值。这里，参数α和β用于控制调整前后灰度在空间分布中的平衡，可以通过经验来确定。其中，参数α的值为2到4，参数β的值为0.5到1.0。

步骤3，区域合并，对步骤2中得到的灰度增强后的SAR图像做如下处理：

步骤3-1，首先用形态学闭操作算法去除图中的孤立区域，同时增加每个目

标的连通性。