專利名稱：基于區(qū)域標(biāo)記與灰度統(tǒng)計的sar圖像目標(biāo)檢測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種SAR圖像目標(biāo)檢測方法，具體是一種基于區(qū)域標(biāo)記與灰度統(tǒng)計的SAR圖像目標(biāo)檢測方法，可用于SAR圖像處理及計算機視覺領(lǐng)域的目標(biāo)檢測。
背景技術(shù)：
目標(biāo)檢測的主要任務(wù)是確定出感興趣的目標(biāo)位置，實現(xiàn)目標(biāo)與背景的分離。目標(biāo)檢測的方法可劃分為單幀圖像目標(biāo)檢測和多幀序列圖像目標(biāo)檢測兩大類。目前的目標(biāo)檢測方法一般都局限于一定的應(yīng)用環(huán)境，而且目標(biāo)檢測方法的有效性依賴于目標(biāo)特性、背景特性以及應(yīng)用環(huán)境等先驗知識，檢測結(jié)果的好壞取決于目標(biāo)及 背景的鑒別能力。SAR圖像目標(biāo)檢測是SAR圖像目標(biāo)識別的基礎(chǔ)。由于SAR圖像不同于光學(xué)圖像，首先SAR圖像不能很好地描述目標(biāo)的輪廓和細(xì)節(jié)；其次SAR目標(biāo)對方位角特別敏感。因此，對不同的目標(biāo)及不同照射方位下所形成的SAR圖像，其背景散射強度與目標(biāo)散射強度各不相同。所以，如何從SAR圖像中提取目標(biāo)的有效信息一直是SAR圖像解譯的難點。近期劉芳、宋建梅提出一種基于Primal Sketch模型的SAR圖像目標(biāo)檢測方法。它首先運用Primal Sketch模型得到原SAR圖像的Primal Sketch圖，然后利用人工目標(biāo)的規(guī)整性特征在Primal Sketch圖上提取可能存在人工目標(biāo)的區(qū)域，再結(jié)合這些區(qū)域的規(guī)整度等特征進(jìn)行后處理，最終得到人工目標(biāo)的檢測結(jié)果。該目標(biāo)檢測方法突破了一般的目標(biāo)檢測方法對于先驗信息的依賴，可以在沒有目標(biāo)類型、目標(biāo)特性及背景特性等先驗信息的情況下實現(xiàn)對橋梁、港口和建筑物等多種類型的人工目標(biāo)的統(tǒng)一檢測，檢測方法具有較強的通用性。上述方法雖然能夠很好地擺脫對于圖像先驗信息的依賴，僅利用SAR圖像的結(jié)構(gòu)信息較徹底地、快速檢測到圖像中疑似人工目標(biāo)區(qū)域，但由于該檢測方法利用的圖像特征較為單一，檢測到的目標(biāo)區(qū)域集合中包含較多的虛警目標(biāo)，而在后處理中剔除虛警目標(biāo)時，該檢測方法采用的仍然僅是規(guī)整度、規(guī)整比率等反應(yīng)圖像結(jié)構(gòu)信息的手段和方法，不能有效剔除虛警目標(biāo)區(qū)域；且在定位人工目標(biāo)潛在區(qū)域時，該方法只是簡單地通過得到的規(guī)整線段集合中線段的坐標(biāo)來確定最終的區(qū)域范圍，導(dǎo)致提取的目標(biāo)區(qū)域內(nèi)包含了較多的自然目標(biāo)信息，其主要存在以下缺陷I)目標(biāo)檢測的結(jié)果虛警率較高，檢測到的人工目標(biāo)潛在區(qū)域集合中含有較多的森林、田野等自然目標(biāo)區(qū)域，不利于圖像的后續(xù)處理，如準(zhǔn)確的人工目標(biāo)識別；2)沒有進(jìn)行目標(biāo)區(qū)域內(nèi)人工目標(biāo)的定位，檢測到的目標(biāo)區(qū)域內(nèi)含有很大比例的森林、田野、水域等自然目標(biāo)信息；人工目標(biāo)定位的不準(zhǔn)確，不利于實際應(yīng)用，如目標(biāo)的精確搜索等應(yīng)用。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于區(qū)域標(biāo)記與灰度統(tǒng)計的SAR圖像目標(biāo)檢測方法，以減小人工目標(biāo)檢測結(jié)果的虛警率，并結(jié)合SAR人工目標(biāo)的灰度信息對人工目標(biāo)進(jìn)行更為準(zhǔn)確的定位。本發(fā)明的技術(shù)方案是首先利用Primal Sketch模型得到表示原SAR圖像結(jié)構(gòu)信息的Primal Sketch圖，依據(jù)人工目標(biāo)的規(guī)整性特征在Primal Sketch圖上提取可能存在人工目標(biāo)的區(qū)域，對應(yīng)地在原SAR圖像上提取人工目標(biāo)潛在區(qū)域。然后本發(fā)明在所提取的人工目標(biāo)潛在區(qū)域的基礎(chǔ)上，利用SAR圖像灰度信息，SAR人工目標(biāo)區(qū)域的像素呈明暗相間分布的特征和SAR人工目標(biāo)的灰度特征，結(jié)合OTSU圖像閾值化算法，剔除虛警目標(biāo)區(qū)域，并通過對目標(biāo)區(qū)域內(nèi)的人工目標(biāo)進(jìn)行定位，得到定位較準(zhǔn)確的人工目標(biāo)區(qū)域。具體步驟包括如下
(I)對輸入SAR圖像運用Primal Sketch模型得到其Primal Sketch圖，即用以表示原SAR圖像結(jié)構(gòu)信息的線段集合S，對線段集合S中的每一條線段都定義其規(guī)整度與規(guī)整比率屬性，再利用SAR人工目標(biāo)的規(guī)整性特征，在Primal Sketch圖上提取可能存在人工目標(biāo)(規(guī)整度不為O)的m個區(qū)域標(biāo)記Tk，k= l，2，...，m，m是人工目標(biāo)區(qū)域劃分的個數(shù)，這里，使用的方法雖然可以較徹底地、快速找到圖像中疑似人工目標(biāo)區(qū)域，但是這些目標(biāo)區(qū)域集合中還存在大量森林、田野等自然目標(biāo)區(qū)域，而在含有人工目標(biāo)的目標(biāo)區(qū)域內(nèi)還含有大量的非人工目標(biāo)信息。(2)根據(jù)在Primal Sketch圖上提取的區(qū)域標(biāo)記Tk, k = 1,2,…,m,提取原SAR圖像上對應(yīng)的人工目標(biāo)潛在區(qū)域Rk，k = 1，2，. . .，m。(3)利用SAR人工目標(biāo)區(qū)域的像素呈明暗相間分布的特征，結(jié)合原SAR圖像的OTSU圖像閾值化算法結(jié)果，對閾值化后的圖像進(jìn)行劃窗，對每一幅劃窗內(nèi)明暗像素占總像素數(shù)目的比值進(jìn)行直方圖統(tǒng)計，忽略直方圖兩端的極端情況，取直方圖的峰值點對應(yīng)的比值作為剔除虛警目標(biāo)的閾值T。(4)對人工目標(biāo)潛在區(qū)域Rk，k = 1，2，· · ·，m，統(tǒng)計區(qū)域Rk內(nèi)明暗像素點的數(shù)目占區(qū)域Rk的總像素數(shù)目的比值，如果該比值小于給定的閾值T，則認(rèn)為該區(qū)域為虛警目標(biāo)區(qū)域而予以剔除，由保留下來的區(qū)域得到虛警率較低的區(qū)域集合Gk，k = 1，2，. . .，n，η < m，本發(fā)明不再單純依賴于SAR圖像的結(jié)構(gòu)信息，而是又利用了原SAR圖像的灰度信息，能有效地剔除目標(biāo)區(qū)域集合中的虛警目標(biāo)區(qū)域，大大降低了檢測結(jié)果的虛警率。(5)利用SAR人工目標(biāo)的灰度特征，結(jié)合OTSU圖像閾值化算法，對區(qū)域集合Gk，k=1,2, , η內(nèi)的人工目標(biāo)進(jìn)行定位,并標(biāo)記已確認(rèn)的人工目標(biāo)區(qū)域,得到最終的人工目標(biāo)檢測結(jié)果G' k, k = 1,2, . . . , η。原目標(biāo)區(qū)域內(nèi)含有大量的自然目標(biāo)信息,在原SAR圖像的Primal Sketch圖中無法區(qū)分提取區(qū)域中的人工目標(biāo)，考慮到SAR人工目標(biāo)的灰度特征，本發(fā)明利用了原SAR圖像的灰度信息，實現(xiàn)了目標(biāo)區(qū)域內(nèi)人工目標(biāo)的較為準(zhǔn)確的定位，得到了定位較準(zhǔn)確的新的人工目標(biāo)區(qū)域。已有技術(shù)利用Primal Sketch模型提取的原SAR圖像的結(jié)構(gòu)信息,能夠不依賴于目標(biāo)形狀、目標(biāo)特性及背景特性等先驗信息，成功檢測到橋梁、港口和建筑物等多種人工目標(biāo)。但是它還存在高虛警率、目標(biāo)定位不準(zhǔn)確的問題。本發(fā)明利用這一點，使用原SAR圖像的結(jié)構(gòu)信息得到虛警率較高、對人工目標(biāo)定位不夠準(zhǔn)確的人工目標(biāo)潛在區(qū)域，這些區(qū)域較徹底地包含了原SAR圖像中的所有人工目標(biāo)，而且不依賴先驗信息，在此基礎(chǔ)上，本發(fā)明又充分利用了原SAR圖像灰度信息和SAR人工目標(biāo)區(qū)域的像素呈明暗相間分布的特征，結(jié)合OTSU圖像閾值化算法，有效地剔除了虛警目標(biāo)區(qū)域，降低了人工目標(biāo)檢測結(jié)果的虛警率；實現(xiàn)了目標(biāo)區(qū)域內(nèi)人工目標(biāo)的較為準(zhǔn)確的定位，解決了虛警率較高，得到的目標(biāo)區(qū)域內(nèi)人工目標(biāo)難以準(zhǔn)確定位的SAR圖像目標(biāo)檢測技術(shù)問題。本發(fā)明的實現(xiàn)還在于其中步驟(3)所述的確定用于剔除虛警目標(biāo)區(qū)域的閾值T，按照如下步驟進(jìn)行(3a)對原SAR圖像運用OTSU圖像閾值化算法，得到閾值化后的圖像Y，其中在運用OTSU圖像閾值化算 法時，選取分割的類別數(shù)為3，即將原圖像分割成具有低像素值、中間像素值和高像素值的3類像素，分割原SAR圖像的最佳閾值Ic1*和k2*由下式得到
[0018
權(quán)利要求
1.一種基于區(qū)域標(biāo)記與灰度統(tǒng)計的SAR圖像目標(biāo)檢測方法,首先利用Primal Sketch模型得到表示原SAR圖像結(jié)構(gòu)信息的Primal Sketch圖，依據(jù)人工目標(biāo)的規(guī)整性特征在Primal Sketch圖上提取可能存在人工目標(biāo)的區(qū)域，對應(yīng)地在原SAR圖像上提取人工目標(biāo)潛在區(qū)域，其特征在于然后基于所提取的人工目標(biāo)潛在區(qū)域，利用SAR圖像灰度信息，結(jié)合OTSU圖像閾值化算法，剔除虛警目標(biāo)區(qū)域，并對目標(biāo)區(qū)域內(nèi)的人工目標(biāo)進(jìn)行定位，并標(biāo)記已確認(rèn)的人工目標(biāo)區(qū)域；包括如下步驟 (1)對輸入SAR圖像運用PrimalSketch模型得到其Primal Sketch圖，即用以表示原SAR圖像結(jié)構(gòu)信息的線段集合S，對線段集合S中的每一條線段都定義其規(guī)整度與規(guī)整比率屬性，再利用SAR人工目標(biāo)的規(guī)整性特征，在Primal Sketch圖上提取可能存在人工目標(biāo)的m個區(qū)域標(biāo)記Tk, k = 1,2, ... ,m, m是人工目標(biāo)區(qū)域劃分的個數(shù)； (2)根據(jù)在PrimalSketch圖上提取的區(qū)域標(biāo)記Tk, k = 1,2, , m,提取原SAR圖像上對應(yīng)的人工目標(biāo)潛在區(qū)域Rk，k = 1,2, ... ,m； (3)利用SAR人工目標(biāo)區(qū)域的像素呈明暗相間分布的特征，結(jié)合原SAR圖像的OTSU圖像閾值化算法結(jié)果，對OTSU閾值化后的圖像進(jìn)行劃窗，對每一幅劃窗內(nèi)明暗像素占總像素數(shù)目的比值進(jìn)行直方圖統(tǒng)計，忽略直方圖兩端的極端情況，取直方圖的峰值點對應(yīng)的比值作為剔除虛警目標(biāo)的閾值T ; (4)對人工目標(biāo)潛在區(qū)域Rk，k= 1，2，. . .，m，統(tǒng)計區(qū)域Rk內(nèi)明暗像素點的數(shù)目占區(qū)域Rk的總像素數(shù)目的比值，如果該比值小于剔除虛警目標(biāo)的閾值T，則認(rèn)為該區(qū)域為虛警目標(biāo)區(qū)域而予以剔除，由保留下來的區(qū)域得到虛警率較低的人工目標(biāo)區(qū)域集合Gk，k= 1，2，...，η, n ^ m ； (5)利用SAR人工目標(biāo)的灰度特征，結(jié)合OTSU圖像閾值化算法，對區(qū)域集合Gk，k= 1，2，...，n內(nèi)的人工目標(biāo)進(jìn)行定位，并標(biāo)記已確認(rèn)的人工目標(biāo)區(qū)域，得到最終的人工目標(biāo)檢測結(jié)果 G' k, k = I, 2, · · · , η。
2.根據(jù)權(quán)利要求I所述的SAR圖像目標(biāo)檢測方法，其中步驟(3)所述的確定用于剔除虛警目標(biāo)區(qū)域的閾值Τ，按照如下步驟進(jìn)行 (2a)對原SAR圖像運用OTSU圖像閾值化算法，得到閾值化后的圖像Y，其中在運用OTSU圖像閾值化算法時，選取分割的類別數(shù)為3，即將原圖像分割成具有低像素值、中間像素值和高像素值的3類像素，分割原SAR圖像的最佳閾值V和k/由下式得到
3.根據(jù)權(quán)利要求I所述的SAR圖像目標(biāo)檢測方法，其中步驟(5)所述的對人工目標(biāo)潛在區(qū)域集合Gk，k = 1，2，. . .，η內(nèi)的人工目標(biāo)進(jìn)行定位，是按照如下步驟進(jìn)行 (3a)對人工目標(biāo)潛在區(qū)域Gk，k= 1，2，· · ·，n，在區(qū)域Gk上運用OTSU圖像閾值化算法，得到閾值化后的區(qū)域圖像t k，其中在運用OTSU圖像閾值化算法時，選取分割的類別數(shù)為3，即將原圖像分割成具有低像素值、中間像素值和高像素值的3類像素，假設(shè)分割區(qū)域的最佳閾值為h和t2, O < h < t2 < L ; (3b)將閾值化圖像Y' k中像素值大于t2的像素置為白色，小于t2的像素置為黑色，得到ニ值區(qū)域圖像Y" k； (3c)對ニ值圖像Y" k運用區(qū)域生長算法得到一系列的高亮連通區(qū)域，在運用區(qū)域生長算法時，選取ニ值圖像Y" k內(nèi)的白色像素點為種子，以ー個較小的值，如O. 01作為生長閾值，如果某個高亮連通區(qū)域的像素總數(shù)目小于閾值T，，則將該高亮連通區(qū)域從區(qū)域Gk中副除出去； (3d)對每個區(qū)域Gk，k= l，2，...，n重復(fù)(3a)到(3c)的過程，即定位人工目標(biāo)，得到最終的人工目標(biāo)檢測結(jié)果G' k，k= 1，2，...，n，并在原SAR圖像上標(biāo)注。
全文摘要
本發(fā)明公開了一種基于區(qū)域標(biāo)記與灰度統(tǒng)計的SAR圖像目標(biāo)檢測方法。利用Primal Sketch模型提取的原SAR圖像的結(jié)構(gòu)信息，在不依賴于目標(biāo)形狀、目標(biāo)特性及背景特性等先驗信息的情況下成功檢測到較徹底地包含了原SAR圖像中的所有人工目標(biāo)的人工目標(biāo)潛在區(qū)域，又充分利用了原SAR圖像灰度信息和SAR人工目標(biāo)區(qū)域的像素呈明暗相間分布的特征，結(jié)合OTSU圖像閾值化算法，有效地剔除了虛警目標(biāo)區(qū)域，降低了人工目標(biāo)檢測結(jié)果的虛警率；實現(xiàn)了目標(biāo)區(qū)域內(nèi)人工目標(biāo)較為準(zhǔn)確的定位，解決了虛警率高，目標(biāo)區(qū)域內(nèi)人工目標(biāo)難以準(zhǔn)確定位的SAR圖像目標(biāo)檢測技術(shù)問題，處理速度快。可用于SAR圖像處理及計算機視覺領(lǐng)域的目標(biāo)檢測。
文檔編號G06K9/46GK102622598SQ20121001161
公開日2012年8月1日 申請日期2012年1月13日 優(yōu)先權(quán)日2012年1月13日
發(fā)明者侯彪, 劉芳, 單雁冰, 尚榮華, 戚玉濤, 焦李成, 王爽, 袁嘉林, 郝紅俠, 馬文萍 申請人:西安電子科技大學(xué)