[发明专利]一种基于部件模型的高分辨SAR图像目标检测方法

摘要

本发明属于雷达遥感或图像处理技术，即用图像处理技术分析雷达观测信息，具体涉及一种基于部件模型的高分辨SAR图像目标检测方法。本发明通过对原始SAR图像数据每一像素点进行特征压缩和筛选，提取低级别特征兴趣点，从兴趣点局部信息生成目标部件初始单元，对初始单元特征进行计算，并通过图割方法生成目标部件组合模型，利用目标部件模型的描述实现高分辨SAR图像目标检测。本发明充分有效利用了高分辨SAR图像中目标的分布特性，检测得到的目标部件模型比较完整，能更好地保留目标的整体信息，对于噪声具有较强的鲁棒性，算法稳定性较高，检测结果精确，并且能够有效提高图像检测的自适应能力。

主权项

一种基于部件模型的高分辨SAR图像目标检测方法，包括以下步骤：步骤1、根据原始SAR图像，获得粗糙图像：步骤1‑1：根据原始SAR图像中单个像素点的强度值，计算SAR图像直方图，并通过直方图映射将SAR图像动态范围压缩；通过直方图计算得到像素强度值的概率：H(i)＝|I(x,y)＝＝i|,i∈[0,255]其中|*|为计数运算，I(x,y)代表图像在(x,y)处的强度值；利用直方图映射修改图像像素强度值：首先将直方图像素区间等分为L个区间，分别计算每一区间的概率H(l),l∈[1,L]，再将[0,255]的图像动态范围按概率H(l)映射到[0,L‑1]，并将图像中的像素强度值设为对应的序号；S(l)＝[e_l‑1,e_l‑1+256×H(l)),l∈[1,L]I(x,y)＝l if I(x,y)∈S(l)S(l),e_l分别是强度区间及其右端点的值，其中e₀＝0，当像素的值被设定为其强度值所属的序号；步骤1‑2：对步骤1‑1中得到的图像进行空间平滑，抑制相干斑噪声，获得粗糙图像；采用滤波的方法得到粗糙图像：I_c＝F(n)*In为滤波器尺寸，F(n)采用均值滤波器或高斯核滤波器，经滤波器和输入图像进行卷积运算后得到粗糙图像I_c；步骤2、将步骤1所得粗糙图像I_c分割为不同连通区域，对连通区域进行深度优先搜索的同时进行邻近点极大值标记，搜索感兴趣的像素点作为生成目标部件模型的初始单元；步骤2‑1：通过阈值化处理得到图像连通区域，遍历连通区域内像素点，并标记其邻近极大值像素，经过深度优先搜索确定感兴趣的像素点及其空间信息；对步骤1得到的粗糙图像进行全局阈值分割，设定压缩后动态范围中具有最大范围的区间序号为阈值th₁，当图像像素值低于门限时其值设为0，否则减去门限值；th＝argmaxS(l)l∈[1,L]$I_c(x,y)=\left\{\begin{array}{cc}{I}_c(x,y)-{\mathrm{th}}_1& I_c(x,y)\&gt;{\mathrm{th}}_1\\ 0& otherwise\end{array}\right.$分割后的图像包含了多个连通区域，对每个连通区域进行深度优先搜索，搜索路径由当前像素的邻近极大值确定；p_i(k)＝max(N_i(k‑1))c_i＝dfs(p_i)其中p_i(k)为搜索路径中第k个像素点，N_i(k‑1)为前一个路径点的邻域像素点的集合，确定集合中极大值的位置为下一搜索路径位置；每一次深度优先搜索到达连通区域内的某一极大值c_i时终止，并将其作为感兴趣像素点，然后进行下一次搜索；步骤2‑2、当连通区域内所有像素点被遍历之后，通过计算每个感兴趣像素点到搜索路径起点的直线距离得到平均半径：$d=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}Euclid\left(p_i\right(1),c_i)$其中N为到达感兴趣像素点的所有路径的数量，d表示了感兴趣点的空间尺度；以感兴趣点为中心，空间尺度为边长的矩形设为图像中潜在目标部件的初始单元；步骤3、根据步骤2所得目标部件初始单元，在原始高分辨SAR图像中提取对应的区域，计算区域的特性，对比邻近区域特性，生成目标部件模型；步骤3‑1、按得到的感兴趣点和空间尺度在原始SAR图像中提取局部区域，并提取各区域的特性描述；首先提取区域内边缘特性，利用由不同方向模板构成的边缘算子集合进行边缘检测，根据不同方向的边缘检测响应的大小对感兴趣点的空间结构特性进行描述；如果边缘算子本身具有方向性，则直接基于方向和位置进行描述；如果边缘算子不具有方向性，则需将区域均匀划分为八个方向，每个方向跨度为45°，以图像空间水平向右为0°方向，然后求得各个方向的边缘响应和位置，计算描述子结果，最后进行阈值化得到二值边缘描述；e_i＝R*f_if_i为不同方向的边缘检测模板，e_i为区域R每个像素的边缘响应强度，对其每一个点的响应值和位置的倒数进行乘累加得到区域在某一方向的边缘强度E_i，并计算主要边缘两侧的均值比v_i；E_i＝<e_i,1/r_i>v_i＝max(m_in/m_out,m_out/m_in)此处1/r_i为边缘像素点到感兴趣点的距离的倒数，<*>为向量内积运算，m_in,m_out分别代表边缘两侧区域像素值的均值；边缘特性结果t_i为前两项的乘积：t_i＝E_i×v_i采用固定门限值th₂对其进行阈值化后为：$t_i=\left\{\begin{array}{cc}1& t_i\&GreaterEqual;{\mathrm{th}}_2\\ 0& t_i\&lt;{\mathrm{th}}_2\end{array}\right.$其次提取区域外观特性，通过统计方法计算局部区域内的平均强度、方差以及对比度特性，并结合本身的空间尺度特性进行描述；步骤3‑2、对比邻近初始单元的特性，按设定规则进行组合，生成目标部件：构建空间节点图G＝(V,E)，V为以感兴趣像素点为中心的初始单元，E为初始单元之间的相似性，利用图割Graph Cuts理论对构建的节点图进行分割，将G划分为多个子节点图，每个子节点图间不存在相连接的边界，以每个子节点图为目标部件；其中相似性分别对边缘特性和外观特性进行计算：对于边缘特性，首先确定感兴趣像素点连线的方向如果满足弱边缘条件：即当节点V₁在方向或节点V₂在方向的二值边缘特性为0，认为满足边缘匹配，否则其相似度为‑inf，即负无穷；对于外观特性，直接取两者数值比大于一的值，并对三个参量进行加权求和作为相似性度量，利用Graph Cuts算法进行分割，其最优化函数如下：$cut=\underset{G}{\mathrm{argmax}}{S}_E-\frac{A_G}{{\mathrm{\&Sigma;l}}_G}-\frac{{\mathrm{\&Sigma;d}}_G}{N_G}$其中S_E为每个划分后的子节点图内部相连边界的相似度的总和，G代表子节点图，其与其他子节点图间的边界被设为‑inf；A_G,N_G分别为子节点图在原始图像中所占的面积和节点数目，l_G,d_G分别为子节点图在原始图像中节点连线的长度和未连接节点的距离；A_G/∑l_G为面积与连线长度之和的比值，代表分割后子节点图在原始图像中形状的紧致度；∑d_G/N_G为未连接节点的距离之和与节点数目的比值，代表分割后子节点图的密度；在紧致度和密度的约束下，选择使得节点间的相似程度最大化的子节点图，分割结果即为所求的目标部件组合；步骤4、利用步骤3所得分割的子图作为目标部件模型，对部件模型进行聚类，最后得到的类别包括目标和杂波，筛选出杂波模型，则目标的检测结果得以保留。