一種基于部件模型的高分辨SAR圖像目標檢測方法技術

本發明專利技術屬于雷達遙感或圖像處理技術，即用圖像處理技術分析雷達觀測信息，具體涉及一種基于部件模型的高分辨SAR圖像目標檢測方法。本發明專利技術通過對原始SAR圖像數據每一像素點進行特征壓縮和篩選，提取低級別特征興趣點，從興趣點局部信息生成目標部件初始單元，對初始單元特征進行計算，并通過圖割方法生成目標部件組合模型，利用目標部件模型的描述實現高分辨SAR圖像目標檢測。本發明專利技術充分有效利用了高分辨SAR圖像中目標的分布特性，檢測得到的目標部件模型比較完整，能更好地保留目標的整體信息，對于噪聲具有較強的魯棒性，算法穩定性較高，檢測結果精確，并且能夠有效提高圖像檢測的自適應能力。

【技術實現步驟摘要】

本專利技術屬于雷達遙感或圖像處理技術，即用圖像處理技術分析雷達觀測信息，具體涉及動態部件模型在合成孔徑雷達(SAR)圖像目標檢測中的應用。
技術介紹
傳統的SAR圖像目標檢測算法難以應用于高分辨SAR圖像，隨著高分辨率SAR圖像的廣泛應用，設計精確的目標檢測算法對解決當前雷達面臨的各種威脅以及提高雷達的信號探測能力具有十分重要的意義。高分辨率SAR圖像中目標表現出分布式特征，目標由空間上多個散射中心構成。隨著高分辨SAR成像技術的日趨進步，對高分辨率SAR圖像進行目標檢測的算法研究已經成為近年的熱點。基于單一像素進行目標檢測的方法不能利用空間信息，難以實現高準確率的檢測。基于局域的邊緣檢測方法和基于像素的聚類方法對高分辨SAR圖像中的目標進行檢測(或分類)時極易受到相干斑噪聲的影響，缺乏靈活性和魯棒性，往往不能形成連續的邊緣，也無法獲得有效的結構信息，同一物體往往被分割開或判斷為不同的目標。雖然可以通過圖像預處理(相干斑抑制)及后處理來改善檢測結果，但是并不能從根本上解決上述問題。基于上下文和統計信息的檢測方法雖然能減小噪聲的影響，但是建立需要精確的統計模型，而且上下文條件復雜多變，要進行準確的搜索需要大量計算。部件模型被用于對具有多個可分離部分的目標進行建模，具有很高的特征級別。部件模型指將目標分為固定數目或任意數目的區域的組合，各區域滿足不同的功能性或特定屬性，而各區域在空間上具有一定結構關系的信息組合體。隨著高分辨率SAR圖像信息量的快速增長，利用復雜的分布式目標模型進行檢測已成為目前的研究重點。不同于將SAR圖像中的特征或區域直接融合，部件模型將目標分割為不同的組合部件，以及部件間的關系描述，常見的方法有基于概率的部件模型、基于上下文的模型和混合模型等。利用部件模型進行目標檢測的關鍵點是部件的提取和組合。因此，針對SAR圖像分布式目標檢測問題，需要解決的難點在于將分布式目標部件從背景雜波中區分開來。高分辨率SAR圖像中目標由多個散射中心構成，在圖像坐標空間中跨越多個像素點，每一個散射中心的起伏特性決定了目標在SAR圖像中的形狀和特點。目標信息提取的出發點是屬性散射中心的提取，高分辨SAR圖像的相干斑噪聲引起嚴重的起伏，可以利用噪聲的概率模型進行非精確檢測，過量提取感興趣點。通過感興趣點的屬性和局部上下文信息提取散射中心及其區域，經局部信息篩選改進目標散射中心信息。另一個待解決的難點在于將保留下來的局部信息按一定準則進行組合，構建成目標模型，目前尚無針對SAR圖像進行這些準則的研究。P.F.Felezenszwalb等人直接對圖像進行訓練得到目標部件模型的概率組合準則，然后通過匹配的方法自頂向下進行檢測，因此這種方法提取的模型來源于真實圖像，對目標信息利用充分，但是其缺點也非常明顯，由于目標模型匹配需要進行多次圖像空間搜索，存在大量重復計算，特別是隨著數據量的增大，這個缺點將變得更為明顯。R.Mottaghi等提出學習部件模型的混合方法，實現了部件模型的動態特性，提高了算法設計的靈活性，但是其準則針對光學圖像進行優化，而不適用于處理SAR圖像。
技術實現思路
針對上述存在問題或不足，本專利技術提供了一種基于部件模型的高分辨SAR圖像目標檢測方法。其目的是提高高分辨率SAR圖像檢測的準確性，該方法的基本思路是對SAR圖像進行低級別特征的尺度壓縮，對粗糙圖像進行感興趣點提取，根據感興趣點的空間臨近關系將特征點合并為區域，以區域為目標部件基本單元，提取區域屬性，針對SAR圖像目標的準則生成部件模型，利用最終的部件模型及其在原圖像上的區域生成特征，對特征進行判別以實現目標檢測。該基于部件模型的高分辨SAR圖像目標檢測方法，如圖1所示，包括以下步驟：步驟1：根據原始SAR圖像，獲得粗糙圖像：步驟1-1：根據原始SAR圖像中單個像素點的強度值，計算SAR圖像直方圖，并通過直方圖映射將SAR圖像動態范圍壓縮。高分辨SAR圖像受相干斑點噪聲影響，動態范圍大，圖像起伏明顯，不同類型地物強度具有明顯差異，通過直方圖計算得到像素強度值的概率分布情況。H(i)＝|I(x,y)＝＝i|,i∈[0,255]其中|*|為計數運算，I(x,y)代表圖像在(x,y)處的強度值。利用直方圖映射修改圖像像素強度值。首先將直方圖像素區間等分為L個區間，分別計算每一區間的概率H(l),l∈[1,L]，再將[0,255]的圖像動態范圍按概率H(l)映射到[0,L-1]，并將圖像中的像素強度值設為對應的序號。S(l)＝[el-1,el-1+256×H(l)),l∈[1,L]I(x,y)＝l if I(x,y)∈S(l)S(l),el分別是強度區間及其右端點的值，其中e0＝0，當像素的值被設定為其強度值所屬的序號。SAR圖像的動態范圍根據像素強度及其概率被壓縮到[0,L-1]。步驟1-2：對步驟1-1中得到的圖像進行空間平滑，抑制相干斑噪聲，獲得粗糙圖像。采用濾波的方法得到粗糙圖像：Ic＝F(n)*In為濾波器尺寸，F(n)采用均值濾波器或高斯核濾波器，經濾波器和輸入圖像進行卷積運算后得到粗糙圖像Ic。步驟2：將步驟1所得粗糙圖像Ic分割為不同連通區域，對連通區域進行深度優先搜索的同時進行鄰近點極大值標記，搜索感興趣的像素點作為生成目標部件模型的初始單元。步驟2-1：通過閾值化處理得到圖像連通區域，遍歷連通區域內像素點，并標記其鄰近極大值像素，經過深度優先搜索確定感興趣的像素點及其空間信息。對步驟1得到的粗糙圖像進行全局閾值分割。設定壓縮后動態范圍中具有最大范圍的區間序號為閾值th1，當圖像像素值低于門限時其值設為0，否則減去門限值。th＝argmaxS(l)l∈[1,L] I c ( x , y ) = I c ( x , y ) - th 1 I c ( x , y ) > th 本文檔來自技高網...

【技術保護點】
一種基于部件模型的高分辨SAR圖像目標檢測方法，包括以下步驟：步驟1、根據原始SAR圖像，獲得粗糙圖像：步驟1?1：根據原始SAR圖像中單個像素點的強度值，計算SAR圖像直方圖，并通過直方圖映射將SAR圖像動態范圍壓縮；通過直方圖計算得到像素強度值的概率：H(i)＝|I(x,y)＝＝i|,i∈[0,255]其中|*|為計數運算，I(x,y)代表圖像在(x,y)處的強度值；利用直方圖映射修改圖像像素強度值：首先將直方圖像素區間等分為L個區間，分別計算每一區間的概率H(l),l∈[1,L]，再將[0,255]的圖像動態范圍按概率H(l)映射到[0,L?1]，并將圖像中的像素強度值設為對應的序號；S(l)＝[el?1,el?1+256×H(l)),l∈[1,L]I(x,y)＝l?if?I(x,y)∈S(l)S(l),el分別是強度區間及其右端點的值，其中e0＝0，當像素的值被設定為其強度值所屬的序號；步驟1?2：對步驟1?1中得到的圖像進行空間平滑，抑制相干斑噪聲，獲得粗糙圖像；采用濾波的方法得到粗糙圖像：Ic＝F(n)*In為濾波器尺寸，F(n)采用均值濾波器或高斯核濾波器，經濾波器和輸入圖像進行卷積運算后得到粗糙圖像Ic；步驟2、將步驟1所得粗糙圖像Ic分割為不同連通區域，對連通區域進行深度優先搜索的同時進行鄰近點極大值標記，搜索感興趣的像素點作為生成目標部件模型的初始單元；步驟2?1：通過閾值化處理得到圖像連通區域，遍歷連通區域內像素點，并標記其鄰近極大值像素，經過深度優先搜索確定感興趣的像素點及其空間信息；對步驟1得到的粗糙圖像進行全局閾值分割，設定壓縮后動態范圍中具有最大范圍的區間序號為閾值th1，當圖像像素值低于門限時其值設為0，否則減去門限值；th＝argmaxS(l)l∈[1,L]Ic(x,y)=Ic(x,y)-th1Ic(x,y)>th10otherwise]]>分割后的圖像包含了多個連通區域，對每個連通區域進行深度優先搜索，搜索路徑由當前像素的鄰近極大值確定；pi(k)＝max(Ni(k?1))ci＝dfs(pi)其中pi(k)為搜索路徑中第k個像素點，Ni(k?1)為前一個路徑點的鄰域像素點的集合，確定集合中極大值的位置為下一搜索路徑位置；每一次深度優先搜索到達連通區域內的某一極大值ci時終止，并將其作為感興趣像素點，然后進行下一次搜索；步驟2?2、當連通區域內所有像素點被遍歷之后，通過計算每個感興趣像素點到搜索路徑起點的直線距離得到平均半徑：d=1NΣi=1NEuclid(pi(1),ci)]]>其中N為到達感興趣像素點的所有路徑的數量，d表示了感興趣點的空間尺度；以感興趣點為中心，空間尺度為邊長的矩形設為圖像中潛在目標部件的初始單元；步驟3、根據步驟2所得目標部件初始單元，在原始高分辨SAR圖像中提取對應的區域，計算區域的特性，對比鄰近區域特性，生成目標部件模型；步驟3?1、按得到的感興趣點和空間尺度在原始SAR圖像中提取局部區域，并提取各區域的特性描述；首先提取區域內邊緣特性，利用由不同方向模板構成的邊緣算子集合進行邊緣檢測，根據不同方向的邊緣檢測響應的大小對感興趣點的空間結構特性進行描述；如果邊緣算子本身具有方向性，則直接基于方向和位置進行描述；如果邊緣算子不具有方向性，則需將區域均勻劃分為八個方向，每個方向跨度為45°，以圖像空間水平向右為0°方向，然后求得各個方向的邊緣響應和位置，計算描述子結果，最后進行閾值化得到二值邊緣描述；ei＝R*fifi為不同方向的邊緣檢測模板，ei為區域R每個像素的邊緣響應強度，對其每一個點的響應值和位置的倒數進行乘累加得到區域在某一方向的邊緣強度Ei，并計算主要邊緣兩側的均值比vi；Ei＝<ei,1/ri>vi＝max(min/mout,mout/min)此處1/ri為邊緣像素點到感興趣點的距離的倒數，<*>為向量內積運算，min,mout分別代表邊緣兩側區域像素值的均值；邊緣特性結果ti為前兩項的乘積：ti＝Ei×vi采用固定門限值th2對其進行閾值化后為：ti=1ti≥th20ti<th2]]>其次提取區域外觀特性，通過統計方法計算局部區域內的平均強度、方差以及對比度特性，并結合本身的空間尺度特性進行描述；步驟3?2、對比鄰近初始單元的特性，按設定規則進行組合，生成目標部件：構建空間節點圖G＝(V,E)，V為以感興趣像素點為中心的初始單元，E為初始單元之間的相似性，利用圖割Graph?Cuts理論對構建的節點圖進行分割，將G劃分為多個子節點圖，每個子節點圖間不存在相連接的邊界，以每個子節點圖為目標部件；其中相似性分別對邊緣特性和外觀特性進行計算：對于邊緣特性，首先確定感興趣像素點連線的方向如果...

【技術特征摘要】
1.一種基于部件模型的高分辨SAR圖像目標檢測方法，包括以下步驟：步驟1、根據原始SAR圖像，獲得粗糙圖像：步驟1-1：根據原始SAR圖像中單個像素點的強度值，計算SAR圖像直方圖，并通過直方圖映射將SAR圖像動態范圍壓縮；通過直方圖計算得到像素強度值的概率：H(i)＝|I(x,y)＝＝i|,i∈[0,255]其中|*|為計數運算，I(x,y)代表圖像在(x,y)處的強度值；利用直方圖映射修改圖像像素強度值：首先將直方圖像素區間等分為L個區間，分別計算每一區間的概率H(l),l∈[1,L]，再將[0,255]的圖像動態范圍按概率H(l)映射到[0,L-1]，并將圖像中的像素強度值設為對應的序號；S(l)＝[el-1,el-1+256×H(l)),l∈[1,L]I(x,y)＝l if I(x,y)∈S(l)S(l),el分別是強度區間及其右端點的值，其中e0＝0，當像素的值被設定為其強度值所屬的序號；步驟1-2：對步驟1-1中得到的圖像進行空間平滑，抑制相干斑噪聲，獲得粗糙圖像；采用濾波的方法得到粗糙圖像：Ic＝F(n)*In為濾波器尺寸，F(n)采用均值濾波器或高斯核濾波器，經濾波器和輸入圖像進行卷積運算后得到粗糙圖像Ic；步驟2、將步驟1所得粗糙圖像Ic分割為不同連通區域，對連通區域進行深度優先搜索的同時進行鄰近點極大值標記，搜索感興趣的像素點作為生成目標部件模型的初始單元；步驟2-1：通過閾值化處理得到圖像連通區域，遍歷連通區域內像素點，并標記其鄰近極大值像素，經過深度優先搜索確定感興趣的像素點及其空間信息；對步驟1得到的粗糙圖像進行全局閾值分割，設定壓縮后動態范圍中具有最大范圍的區間序號為閾值th1，當圖像像素值低于門限時其值設為0，否則減去門限值；th＝argmaxS(l)l∈[1,L] I c ( x , y ) = I c ( x , y ) - th 1 I c ( x , y ) > th 1 0 o t h e r w i s e ]]>分割后的圖像包含了多個連通區域，對每個連通區域進行深度優先搜索，搜索路徑由當前像素的鄰近極大值確定；pi(k)＝max(Ni(k-1))ci＝dfs(pi)其中pi(k)為搜索路徑中第k個像素點，Ni(k-1)為前一個路徑點的鄰域像素點的集合，確定集合中極大值的位置為下一搜索路徑位置；每一次深度優先搜索到達連通區域內的某一極大值ci時終止，并將其作為感興趣像素點，然后進行下一次搜索；步驟2-2、當連通區域內所有像素點被遍歷之后，通過計算每個感興趣像素點到搜索路徑起點的直線距離得到平均半徑： d = 1 N Σ i = 1 N E u c l i d ( p i ( 1 ) , c i ) ]]>其中N為到達感興趣像素點的所有路徑的數量，d表示了感興趣點的空間尺度；以感興趣點為中心，空間尺度為邊長的矩形設為圖像中潛在目標部件的初始單元；步驟3、根據步驟2所得目標部件初始單元，在原始高分辨SAR圖像中提取對應的區域，計算區域的特性，對比鄰近...

【專利技術屬性】
技術研發人員：曹宗杰，楊海溢，崔宗勇，皮亦鳴，閔銳，李晉，
申請(專利權)人：電子科技大學，
類型：發明
國別省市：四川;51