一種高分辨率SAR圖像目標檢測方法技術

本發明專利技術實施例公開一種高分辨率SAR圖像目標檢測方法，應用于圖像處理技術領域，主要解決現有以解決現有的SAR圖像目標檢測方法的檢測虛警較高及定位不準確的缺陷。該方法包括：對原始SAR圖像進行重疊分塊，獲得多個子圖像；提取訓練樣本的特征對分類器進行訓練，用訓練后的分類器對多個所述子圖像進行目錄分類；獲得目錄類別為包含目標的子圖像的像素的加權稀有性特征，對所述包含目標的子圖像進行閾值分割，對分割后的二值圖像進行形態學處理，獲得目錄類別為包含目標的子圖像的感興趣區域ROI對所述ROI進行修正，獲得目標檢測結果。本發明專利技術應用于目標類型多的高分辨SAR圖像目標檢測。

【技術實現步驟摘要】

本專利技術屬于圖像處理
，涉及一種高分辨率SAR圖像目標檢測方法。可用于高分辨SAR圖像、計算機視覺及智能控制領域中的目標檢測與識別。
技術介紹
合成孔徑雷達(SAR)圖像目標檢測是利用目標的灰度、紋理、形狀、邊緣和方向等信息在SAR圖像中確定其位置，將目標與背景分離的圖像處理技術。SAR圖像目標檢測是進一步目標識別的前提，是目前智能控制和計算機視覺領域研究的熱點問題。由于SAR成像的特殊性，使得SAR圖像與光學圖像有很大的不同，例如SAR圖像包含更多的冗余信息，存在斑點噪聲，SAR目標對方位角十分敏感等。所以，如何從SAR圖像中準確檢測出目標一直是SAR圖像解譯的難點。隨著SAR圖像分辨率不斷提高，目標信息呈現爆炸性增長，目標檢測的難點主要有：(1)圖像場景越來越復雜，需處理的數據量越來越大；(2)目標由原來單通道單極化中低分辨率圖像上的點目標，變為具有豐富細節特征和散射特征的面目標，目標特征的種類和不穩定性增加；(3)圖像包含的冗余信息增多，如果對圖像所有像素進行處理，運算速度會受到影響。基于恒虛警的CFAR方法是經典的SAR圖像目標檢測方法。該方法是在圖像全局或局部背景已知的條件下，估計背景的雜波分布參數，自適應地選取檢測的閾值，然后利用固定大小的滑動窗口遍歷圖像，判斷像素是否屬于目標。當圖像細節信息不明顯，背景較均勻時，該方法能夠在沒有目標類型、目標特性及背景特性等先驗信息的情況下實現對目標的檢測，并且能夠取得較好的檢測結果。CFAR方法雖然能夠在簡單利用圖像幅度信息的情況下較準確的檢測出目標，但是對于高分辨SAR圖像來說，細節信息非常豐富，此情況下CFAR主要存在以下缺陷：(1)目標檢測虛警較高，不適于細節信息豐富的高分辨SAR圖像。CFAR方法簡單的利用圖像的幅度信息進行目標檢測，當背景像素的灰度值與目標的灰度值接近時會被錯判為目標，導致檢測結果出現較高的虛警。同時，檢測結果易受噪聲的影響，不利于圖像的后續處理，如目標識別。(2)檢測出的是圖像中所有的疑似目標區域，對于真實的目標定位不準確。
技術實現思路
本專利技術實施例提供一種高分辨率SAR圖像目標檢測方法，以解決現有的SAR圖像目標檢測方法的檢測虛警較高及定位不準確的缺陷。本專利技術的第一方面提供一種高分辨SAR圖像目標檢測方法，包括：對輸入的原始SAR圖像進行重疊分塊，獲得多個子圖像；提取訓練樣本的特征對分類器進行訓練，用訓練后的分類器對多個所述子圖像進行目錄分類；獲得目錄類別為包含目標的子圖像的像素的加權稀有性特征，對所述包含目標的子圖像進行閾值分割，對分割后的二值圖像進行形態學處理，獲得目錄類別為包含目標的子圖像的感興趣區域ROI；對所述ROI進行修正，獲得目標檢測結果。根據第一方面，在第一種可能的實現方式中，所述對輸入的原始SAR圖像進行重疊分塊包括：按照公式1對原始SAR圖像進行重疊分塊；其中，m,n分別為原始SAR圖像的長和寬，分塊的尺寸為x×x，p％為重疊率，得到的子圖像記為Si,i＝1,2,...,N，N為獲得多個子圖像的數目。根據第一方面，在第二種可能的實現方式中，所述提取訓練樣本的特征對分類器進行訓練，用訓練后的分類器對多個所述子圖像進行目錄分類，包括：確定目錄類別數，其中由先驗信息可以得到SAR圖像中包含的目標類型數為M，每一種目標類型對應兩種目錄類別，即包含此目標和不包含此目標，所以，總的目錄類別共有2M個，每個目錄類別記為Cq,q∈2M，其中C1,C2,...,CM為包含目標的目錄類別標號；分別針對所述2M個目錄類別隨機選取訓練樣本并提取特征向量；提取所述子圖像的特征向量，對所述子圖像進行目錄分類。根據第一方面的第二種可能的實現方式，在第三種可能的實現方式中，所述分別針對所述2M個目錄類別隨機選取訓練樣本并提取特征向量，包括：對每個訓練樣本提取韋伯局部描述特征WLD作為特征向量，記為并對分類器進行訓練；相應的，所述提取所述子圖像的特征向量，對所述子圖像進行目錄分類，包括：提取所述子圖像的WLD特征，利用訓練好的分類器對所述子圖像進行目錄分類。根據第一方面，在第四種可能的實現方式中，所述對所述包含目標的子圖像進行閾值分割，包括：對所述包含目標的子圖像進行閾值分割，設定閾值為Thu，按下式對圖像進行分割，分割后的圖像記為BW，如公式2： BW = 1 , U k ≥ Th u 0 , U k ≥ Th u - - - ( 2 ) ]]>公式2中，Uk為第k個像素的加權稀有值。根據第一方面，在第五種可能的實現方式中，所述加權稀有性特征，包括：計算第k個像素點的空間分布權值，記為ωk，k＝msub*nsub，ωk計算如公式3： ω k = ( I k - I 0 ) 2 + ( I k - I 0 本文檔來自技高網...

【技術保護點】
一種高分辨率SAR圖像目標檢測方法，其特征在于，包括：對輸入的原始SAR圖像進行重疊分塊，獲得多個子圖像；提取訓練樣本的特征對分類器進行訓練，用訓練后的分類器對多個所述子圖像進行目錄分類；獲得目錄類別為包含目標的子圖像的像素的加權稀有性特征，對所述包含目標的子圖像進行閾值分割，對分割后的二值圖像進行形態學處理，獲得目錄類別為包含目標的子圖像的感興趣區域ROI；對所述ROI進行修正，獲得目標檢測結果。

【技術特征摘要】
1.一種高分辨率SAR圖像目標檢測方法，其特征在于，包括：
對輸入的原始SAR圖像進行重疊分塊，獲得多個子圖像；
提取訓練樣本的特征對分類器進行訓練，用訓練后的分類器對多
個所述子圖像進行目錄分類；
獲得目錄類別為包含目標的子圖像的像素的加權稀有性特征，對
所述包含目標的子圖像進行閾值分割，對分割后的二值圖像進行形態
學處理，獲得目錄類別為包含目標的子圖像的感興趣區域ROI；
對所述ROI進行修正，獲得目標檢測結果。
2.根據權利要求1所述的方法，其特征在于，所述對輸入的原始
SAR圖像進行重疊分塊包括：
按照公式1對原始SAR圖像進行重疊分塊；
其中，m,n分別為原始SAR圖像的長和寬，分塊的尺寸為x×x，p％
為重疊率，得到的子圖像記為Si,i＝1,2,...,N，N為獲得多個子圖像的數目。
3.根據權利要求1所述的方法，其特征在于，所述提取訓練樣本
的特征對分類器進行訓練，用訓練后的分類器對多個所述子圖像進行
目錄分類，包括：
確定目錄類別數，其中由先驗信息得到SAR圖像中包含的目標類
型數為M，每一種目標類型對應兩種目錄類別，即包含此目標和不包
含此目標，所以，總的目錄類別共有2M個，每個目錄類別記為Cq,q∈2M，
其中C1,C2,...,CM為包含目標的目錄類別標號；
分別針對所述2M個目錄類別隨機選取訓練樣本并提取特征向量；
提取所述子圖像的特征向量，對所述子圖像進行目錄分類。
4.根據權利要求3所述的方法，其特征在于，所述分別針對所述
2M個目錄類別隨機選取訓練樣本并提取特征向量，包括：
對每個訓練樣本提取韋伯局部描述特征WLD作為特征向量，記為
并對分類器進行訓練；
相應的，所述提取所述子圖像的特征向量，對所述子圖像進行目
錄分類，包括：
提取所述子圖像的WLD特征，利用訓練好的分類器對所述子圖像
進行目錄分類。
5.根據權利要求1所述的方法，其特征在于，所述對所述包含目
標的子圖像進行閾值分割，包括：
對所述包含目標的子圖像進行閾值分割，設定閾值為Thu，按下式
對圖像進行分割，分割后的圖像記為BW，如公式2：
BW = 1 , U k ≥ Th u 0 , U k ≥ Th u - - - ( 2 ) ]]>公式2中，Uk為第k個像素的加權稀有值。
6.根據權利要求1所述的方法，其特征在于，所述加權稀有性特
征，包括：
計算第k個像素點的空間分布權值，記為ωk，k＝msub*nsub，ωk計算
如公式3：
ω k = ( I k - I 0 ) 2 + ( I k - I 0 ) 2 + Σ j = 1 mun ...

【專利技術屬性】
技術研發人員：曹宗杰，皮亦鳴，張強，李晉，范錄宏，楊曉波，徐政五，
申請(專利權)人：電子科技大學，
類型：發明
國別省市：四川;51