一種基于部件模型的高分辨sar圖像目標(biāo)檢測方法
【專利摘要】本發(fā)明屬于雷達(dá)遙感或圖像處理技術(shù)，即用圖像處理技術(shù)分析雷達(dá)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(biāo)檢測方法。本發(fā)明通過對原始SAR圖像數(shù)據(jù)每一像素點(diǎn)進(jìn)行特征壓縮和篩選，提取低級別特征興趣點(diǎn)，從興趣點(diǎn)局部信息生成目標(biāo)部件初始單元，對初始單元特征進(jìn)行計(jì)算，并通過圖割方法生成目標(biāo)部件組合模型，利用目標(biāo)部件模型的描述實(shí)現(xiàn)高分辨SAR圖像目標(biāo)檢測。本發(fā)明充分有效利用了高分辨SAR圖像中目標(biāo)的分布特性，檢測得到的目標(biāo)部件模型比較完整，能更好地保留目標(biāo)的整體信息，對于噪聲具有較強(qiáng)的魯棒性，算法穩(wěn)定性較高，檢測結(jié)果精確，并且能夠有效提高圖像檢測的自適應(yīng)能力。
【專利說明】
一種基于部件模型的高分辨SAR圖像目標(biāo)檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于雷達(dá)遙感或圖像處理技術(shù)，即用圖像處理技術(shù)分析雷達(dá)觀測信息，具 體涉及動(dòng)態(tài)部件模型在合成孔徑雷達(dá)(SAR)圖像目標(biāo)檢測中的應(yīng)用。
【背景技術(shù)】
[0002] 傳統(tǒng)的SAR圖像目標(biāo)檢測算法難以應(yīng)用于高分辨SAR圖像，隨著高分辨率SAR圖像 的廣泛應(yīng)用，設(shè)計(jì)精確的目標(biāo)檢測算法對解決當(dāng)前雷達(dá)面臨的各種威脅以及提高雷達(dá)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(biāo)表現(xiàn)出分布式特征，目標(biāo)由空間 上多個(gè)散射中心構(gòu)成。隨著高分辨SAR成像技術(shù)的日趨進(jìn)步，對高分辨率SAR圖像進(jìn)行目標(biāo) 檢測的算法研究已經(jīng)成為近年的熱點(diǎn)?；趩我幌袼剡M(jìn)行目標(biāo)檢測的方法不能利用空間信 息，難以實(shí)現(xiàn)高準(zhǔn)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(biāo)進(jìn)行檢測(或分類)時(shí)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(xù)的邊緣，也無法獲得有效的結(jié)構(gòu)信息，同一物體往往被分割開或判斷為 不同的目標(biāo)。雖然可以通過圖像預(yù)處理（相干斑抑制）及后處理來改善檢測結(jié)果，但是并不 能從根本上解決上述問題。基于上下文和統(tǒng)計(jì)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(tǒng)計(jì)模型，而且上下文條件復(fù)雜多變，要進(jìn)行準(zhǔn)確的搜索需要大量計(jì)算。
[0003] 部件模型被用于對具有多個(gè)可分離部分的目標(biāo)進(jìn)行建模，具有很高的特征級別。 部件模型指將目標(biāo)分為固定數(shù)目或任意數(shù)目的區(qū)域的組合，各區(qū)域滿足不同的功能性或特 定屬性，而各區(qū)域在空間上具有一定結(jié)構(gòu)關(guān)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(fù)雜的分布式目標(biāo)模型進(jìn)行檢測已成為目前的研究重點(diǎn)。不同于將SAR圖 像中的特征或區(qū)域直接融合，部件模型將目標(biāo)分割為不同的組合部件，以及部件間的關(guān)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(jìn)行目標(biāo)檢測的關(guān)鍵點(diǎn)是部件的提取和組合。因此，針對SAR圖像分布式目標(biāo)檢測問題，需 要解決的難點(diǎn)在于將分布式目標(biāo)部件從背景雜波中區(qū)分開來。高分辨率SAR圖像中目標(biāo)由 多個(gè)散射中心構(gòu)成，在圖像坐標(biāo)空間中跨越多個(gè)像素點(diǎn)，每一個(gè)散射中心的起伏特性決定 了目標(biāo)在SAR圖像中的形狀和特點(diǎn)。目標(biāo)信息提取的出發(fā)點(diǎn)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(yán)重的起伏，可以利用噪聲的概率模型進(jìn)行非精確檢測，過量提 取感興趣點(diǎn)。通過感興趣點(diǎn)的屬性和局部上下文信息提取散射中心及其區(qū)域，經(jīng)局部信息 篩選改進(jìn)目標(biāo)散射中心信息。另一個(gè)待解決的難點(diǎn)在于將保留下來的局部信息按一定準(zhǔn)則 進(jìn)行組合，構(gòu)建成目標(biāo)模型，目前尚無針對SAR圖像進(jìn)行這些準(zhǔn)則的研究。 P.F.Felezenszwalb等人直接對圖像進(jìn)行訓(xùn)練得到目標(biāo)部件模型的概率組合準(zhǔn)則，然后通 過匹配的方法自頂向下進(jìn)行檢測，因此這種方法提取的模型來源于真實(shí)圖像，對目標(biāo)信息 利用充分，但是其缺點(diǎn)也非常明顯，由于目標(biāo)模型匹配需要進(jìn)行多次圖像空間搜索，存在大 量重復(fù)計(jì)算，特別是隨著數(shù)據(jù)量的增大，這個(gè)缺點(diǎn)將變得更為明顯。R.Mottaghi等提出學(xué)習(xí) 部件模型的混合方法，實(shí)現(xiàn)了部件模型的動(dòng)態(tài)特性，提高了算法設(shè)計(jì)的靈活性，但是其準(zhǔn)則 針對光學(xué)圖像進(jìn)行優(yōu)化，而不適用于處理SAR圖像。

【發(fā)明內(nèi)容】

[0004] 針對上述存在問題或不足，本發(fā)明提供了 一種基于部件模型的高分辨SAR圖像目 標(biāo)檢測方法。其目的是提高高分辨率SAR圖像檢測的準(zhǔn)確性，該方法的基本思路是對SAR圖 像進(jìn)行低級別特征的尺度壓縮，對粗糙圖像進(jìn)行感興趣點(diǎn)提取，根據(jù)感興趣點(diǎn)的空間臨近 關(guān)系將特征點(diǎn)合并為區(qū)域，以區(qū)域?yàn)槟繕?biāo)部件基本單元，提取區(qū)域?qū)傩裕槍AR圖像目標(biāo) 的準(zhǔn)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(qū)域生成特征，對特征進(jìn)行 判別以實(shí)現(xiàn)目標(biāo)檢測。
[0005] 該基于部件模型的高分辨SAR圖像目標(biāo)檢測方法，如圖1所示，包括以下步驟：
[0006] 步驟1:根據(jù)原始SAR圖像，獲得粗糙圖像：
[0007] 步驟1-1:根據(jù)原始SAR圖像中單個(gè)像素點(diǎn)的強(qiáng)度值，計(jì)算SAR圖像直方圖，并通過 直方圖映射將SAR圖像動(dòng)態(tài)范圍壓縮。
[0008] 高分辨SAR圖像受相干斑點(diǎn)噪聲影響，動(dòng)態(tài)范圍大，圖像起伏明顯，不同類型地物 強(qiáng)度具有明顯差異，通過直方圖計(jì)算得到像素強(qiáng)度值的概率分布情況。
[0009] H(i) = |l(x，y) = = i|，ie[0,255]
[0010] 其中I* I為計(jì)數(shù)運(yùn)算，I(x，y)代表圖像在(x，y)處的強(qiáng)度值。利用直方圖映射修改 圖像像素強(qiáng)度值。首先將直方圖像素區(qū)間等分為L個(gè)區(qū)間，分別計(jì)算每一區(qū)間的概率H(l)，l ￡[1丄]，再將[0,255]的圖像動(dòng)態(tài)范圍按概率!1(1)映射到[0丄-1]，并將圖像中的像素強(qiáng)度 值設(shè)為對應(yīng)的序號。
[0011] S(l) = [ei-i,ei-i+256XH(l)),le[l,L]
[0012] I(x,y) = l if I(x,y)eS(l)
[0013] S(l)，ei分別是強(qiáng)度區(qū)間及其右端點(diǎn)的值，其中eo = 0,當(dāng)像素的值被設(shè)定為其強(qiáng)度 值所屬的序號。SAR圖像的動(dòng)態(tài)范圍根據(jù)像素強(qiáng)度及其概率被壓縮到[0，L-1]。
[0014] 步驟1-2:對步驟1-1中得到的圖像進(jìn)行空間平滑，抑制相干斑噪聲，獲得粗糙圖 像。
[0015] 采用濾波的方法得到粗糙圖像：
[0016] Ic = F(n)*I
[0017] η為濾波器尺寸，F(xiàn)(n)采用均值濾波器或高斯核濾波器，經(jīng)濾波器和輸入圖像進(jìn)行 卷積運(yùn)算后得到粗糙圖像I。。
[0018] 步驟2:將步驟1所得粗糙圖像I。分割為不同連通區(qū)域，對連通區(qū)域進(jìn)行深度優(yōu)先 搜索的同時(shí)進(jìn)行鄰近點(diǎn)極大值標(biāo)記，搜索感興趣的像素點(diǎn)作為生成目標(biāo)部件模型的初始單 J L· 〇
[0019] 步驟2-1:通過閾值化處理得到圖像連通區(qū)域，遍歷連通區(qū)域內(nèi)像素點(diǎn)，并標(biāo)記其 鄰近極大值像素，經(jīng)過深度優(yōu)先搜索確定感興趣的像素點(diǎn)及其空間信息。
[0020] 對步驟1得到的粗糙圖像進(jìn)行全局閾值分割。設(shè)定壓縮后動(dòng)態(tài)范圍中具有最大范 圍的區(qū)間序號為閾值thh當(dāng)圖像像素值低于門限時(shí)其值設(shè)為0,否則減去門限值。
[0021] th = argmaxS(l)l e [1，L]
[0022]
[0023] 分割后的圖像包含了多個(gè)連通區(qū)域，對每個(gè)連通區(qū)域進(jìn)行深度優(yōu)先搜索，搜索路 徑由當(dāng)前像素的鄰近極大值確定。
[0024] pi(k) =max(Ni(k-l))
[0025] ci = dfs(pi)
[0026] 其中Pl(k)為搜索路徑中第k個(gè)像素點(diǎn)，Mk-1)為前一個(gè)路徑點(diǎn)的鄰域像素點(diǎn)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(yōu)先搜索到達(dá)連通區(qū)域內(nèi) 的某一極大值 Cl時(shí)終止，并將其作為感興趣像素點(diǎn)，然后進(jìn)行下一次搜索。
[0027] 步驟2-2:當(dāng)連通區(qū)域內(nèi)所有像素點(diǎn)被遍歷之后，通過計(jì)算每個(gè)感興趣像素點(diǎn)到搜 索路徑起點(diǎn)的直線距離得到平均半徑。
[0028]
[0029] 其中N為到達(dá)感興趣像素點(diǎn)的所有路徑的數(shù)量，d表示了感興趣點(diǎn)的空間尺度。以 感興趣點(diǎn)為中心，空間尺度為邊長的矩形設(shè)為圖像中潛在目標(biāo)部件的初始單元。
[0030] 步驟3:根據(jù)步驟2所得目標(biāo)部件初始單元，在原始高分辨SAR圖像中提取對應(yīng)的區(qū) 域。計(jì)算區(qū)域的特性，對比鄰近區(qū)域特性，生成目標(biāo)部件模型。
[0031] 步驟3-1:按得到的感興趣點(diǎn)和空間尺度在原始SAR圖像中提取局部區(qū)域。提取各 區(qū)域的特性描述。首先提取區(qū)域內(nèi)邊緣特性，利用由不同方向模板構(gòu)成的邊緣算子集合進(jìn) 行邊緣檢測，根據(jù)不同方向的邊緣檢測響應(yīng)的大小對感興趣點(diǎn)的空間結(jié)構(gòu)特性進(jìn)行描述。 如果邊緣算子本身具有方向性，如Sobel算子，則直接基于方向和位置進(jìn)行描述，如果算子 不具有方向性，如Laplacian算子，則需將區(qū)域均勻劃分為八個(gè)方向，每個(gè)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(gè)方向的邊緣響應(yīng)和位置，計(jì)算描述子結(jié)果，最 后進(jìn)行閾值化得到二值邊緣描述。
[0032] 以Sobel算子為例：
[0033] ei = R*fi
[0034] h為不同方向的Sobel模板，ei為區(qū)域R每個(gè)像素的邊緣響應(yīng)強(qiáng)度，對其中每一個(gè)點(diǎn) 的響應(yīng)值和位置的倒數(shù)進(jìn)行乘累加得到區(qū)域在某一方向的邊緣強(qiáng)度 El，并計(jì)算主要邊緣兩 側(cè)的均值比Vi。
[0035] Ei = <ei, 1/π>
[0036] Vi - max (Illin/niout，Illout/niin)
[0037] 此處1/ri為邊緣像素點(diǎn)到感興趣點(diǎn)的距離的倒數(shù)，〈*>為向量內(nèi)積運(yùn)算，min，nbu^ 別代表邊緣兩側(cè)區(qū)域像素值的均值。目標(biāo)邊緣越強(qiáng)，對應(yīng)的計(jì)算值越大，目標(biāo)和背景對比度 越高，其邊緣側(cè)的均值比值越明顯，于是邊緣特性結(jié)果^為前兩項(xiàng)的乘積：
[0038] ti = Ei X Vi
[0039] 采用固定門限值th2對其進(jìn)行閾值化后為：
[0040]
[0041]其次提取區(qū)域外觀特性，通過統(tǒng)計(jì)方法計(jì)算局部區(qū)域內(nèi)的平均強(qiáng)度、方差等特性， 并結(jié)合本身的空間尺度特性進(jìn)行描述。
[0042]步驟3-2:對比鄰近初始單元的特性，按設(shè)定規(guī)則進(jìn)行組合，生成目標(biāo)部件。
[0043] 構(gòu)建空間節(jié)點(diǎn)圖G= (V，E)，V以感興趣像素點(diǎn)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(gòu)建的節(jié)點(diǎn)圖進(jìn)行分割，將G劃分為多個(gè)子節(jié)點(diǎn) 圖，每個(gè)子節(jié)點(diǎn)圖間不存在相連接的邊界，以每個(gè)子節(jié)點(diǎn)圖為目標(biāo)部件;其中相似性分別對 邊緣特性和外觀特性進(jìn)行計(jì)算：
[0044] 對于邊緣特性，首先確定感興趣像素點(diǎn)連線的方向少，再確定每個(gè)初始單元在方向 資上的邊緣特性，如果滿足弱邊緣條件：
[0045] 彐(0 v ? G ) :=: 0
[0046] 即當(dāng)節(jié)點(diǎn)方向或節(jié)點(diǎn)V2在-史方向的二值邊緣特性為0,認(rèn)為滿足邊緣匹配， 否則其相似度為-inf，即負(fù)無窮；
[0047]對于外觀特性，直接取兩者數(shù)值比大于一的值，并對三個(gè)參量進(jìn)行加權(quán)求和作為 相似性度量。利用Graph Cuts算法進(jìn)行分割，其最優(yōu)化函數(shù)如下：
[0048]
[0049] 其中SE為每個(gè)劃分后的子節(jié)點(diǎn)圖內(nèi)部相連邊界的相似度的總和，G代表子節(jié)點(diǎn)圖， 其與其他子節(jié)點(diǎn)圖間的邊界被設(shè)為-inf上，他分別為子節(jié)點(diǎn)圖在原始圖像中所占的面積和 節(jié)點(diǎn)數(shù)目，l G，dG分別為子節(jié)點(diǎn)圖在原始圖像中節(jié)點(diǎn)連線的長度和未連接節(jié)點(diǎn)的距離;Ag/Σ lc為面積與連線長度之和的比值，代表分割后子節(jié)點(diǎn)圖在原始圖像中形狀的緊致度；Edc/ Ng為未連接節(jié)點(diǎn)的距離之和與節(jié)點(diǎn)數(shù)目的比值，代表分割后子節(jié)點(diǎn)圖的密度;在緊致度和 密度的約束下，選擇使得節(jié)點(diǎn)間的相似程度最大化的子節(jié)點(diǎn)圖，分割結(jié)果即為所求的目標(biāo) 部件組合。在進(jìn)行最優(yōu)化運(yùn)算中，由于圖中節(jié)點(diǎn)數(shù)一般較少，且其相似度受邊緣特性的嚴(yán)格 限制，可直接對所有節(jié)點(diǎn)進(jìn)行遍歷，判斷其是否被分割為目標(biāo)部件模型。
[0050] 步驟4:利用步驟3所得分割的子圖作為目標(biāo)部件模型，對部件模型進(jìn)行聚類，最后 得到的類別包括目標(biāo)和雜波，篩選出雜波模型，則目標(biāo)的檢測結(jié)果得以保留。
[0051] 以節(jié)點(diǎn)圖作為目標(biāo)部件模型，保留了SAR圖像中目標(biāo)的空間信息，而雜波不具有空 間結(jié)構(gòu)信息，以目標(biāo)部件模型的節(jié)點(diǎn)數(shù)、節(jié)點(diǎn)間連接數(shù)以及節(jié)點(diǎn)圖在原始圖像中的空間范 圍作為特征，進(jìn)行特征空間聚類。面積較小的雜波具有較少節(jié)點(diǎn)數(shù)，或者具有較少的連接 數(shù)，而對于面積較大的雜波如城區(qū)則又具有較大的空間范圍，其連接密度較低。基于此推 測，雜波的部件模型檢測結(jié)果處于特征空間的邊緣，而目標(biāo)部件模型在特征空間中則較為 集中，對特征空間進(jìn)行簡單劃分，以保留目標(biāo)，篩除虛警。
[0052] 本發(fā)明的核心在于在高分辨SAR圖像的目標(biāo)部件模型提取。通過對原始SAR圖像數(shù) 據(jù)每一像素點(diǎn)的強(qiáng)度值和空間關(guān)系進(jìn)行分析，將低級別特征轉(zhuǎn)換到目標(biāo)部件模型描述，達(dá) 到充分利用SAR圖像中分布式目標(biāo)的空間特性的目的，能夠?qū)崿F(xiàn)高分辨SAR圖像中目標(biāo)的精 確檢測。與此同時(shí)，在模型提取過程中采用了選擇搜索Selective Search方法，能夠有效提 高構(gòu)建模型和檢測的速度。與基于像素的檢測方法相比，利用部件模型的SAR圖像目標(biāo)檢測 方法得到的目標(biāo)信息更加完整，而不是孤立的像素點(diǎn)，能更好地保持目標(biāo)的空間特性，對于 噪聲具有較強(qiáng)的魯棒性。與基于超像素檢測的方法相比，利用部件模型的SAR圖像目標(biāo)檢測 方法更加靈活，引入的冗余信息較少，不會造成過多的誤差。而圖割Graph Cuts方法的采用 避免了經(jīng)驗(yàn)性閾值的設(shè)定，通過代價(jià)最優(yōu)化方法實(shí)現(xiàn)目標(biāo)部件的分割，使得空間上有一定 關(guān)聯(lián)的分布式目標(biāo)信息得到恢復(fù)，即使目標(biāo)信息不完整以及邊緣模糊等情況下，目標(biāo)部件 模型仍得到一定規(guī)律性結(jié)果，揭示了進(jìn)行目標(biāo)檢測的可能性，同時(shí)使得算法穩(wěn)定性較高。由 此說明本發(fā)明的優(yōu)點(diǎn)比較突出，適用于高分辨SAR圖像的目標(biāo)檢測處理。
[0053]綜上所述，本發(fā)明實(shí)現(xiàn)了高分辨SAR圖像中目標(biāo)的精確檢測;有效提高了構(gòu)建模型 和檢測的速度;穩(wěn)定性較高。與基于像素檢測的方法相比，利用部件模型的SAR圖像目標(biāo)檢 測方法得到的目標(biāo)信息更加完整，而不是孤立的像素點(diǎn)，能更好地保持目標(biāo)的特性，對于噪 聲具有較強(qiáng)的魯棒性。與基于超像素檢測的方法相比，利用部件模型的SAR圖像目標(biāo)檢測方 法更加靈活，引入的冗余信息較少，不會造成過多的誤差。
【附圖說明】
[0054]圖1為本發(fā)明基于部件模型的SAR圖像目標(biāo)檢測方法的流程圖；
[0055] 圖2為本發(fā)明【具體實(shí)施方式】中的測試SAR圖像及其結(jié)果圖。
【具體實(shí)施方式】
[0056] 下面結(jié)合附圖與實(shí)施例對本發(fā)明做進(jìn)一步的說明。
[0057]如圖2(a)所示，實(shí)驗(yàn)數(shù)據(jù)是美國MSTAR數(shù)據(jù)庫提供的X波段地面場景SAR圖像數(shù)據(jù)， 該圖像包含復(fù)雜的地物信息和豐富的目標(biāo)類型。該圖像主要由三大類地物組成：目標(biāo)、草地 和樹林。對該圖像按照本發(fā)明技術(shù)方案步驟1進(jìn)行處理，得到粗糙SAR圖像，其中大部分目標(biāo) 細(xì)節(jié)得到了保留，而背景區(qū)域起伏得到平滑。經(jīng)過興趣點(diǎn)檢測和提取后，目標(biāo)表現(xiàn)為多個(gè)離 散分布的區(qū)域或強(qiáng)散射點(diǎn)，而樹林則保留了大面積無規(guī)律分布的強(qiáng)散射區(qū)域，草地區(qū)保留 了散布的小面積亮點(diǎn)。因此通過部件模型提取，目標(biāo)由多個(gè)節(jié)點(diǎn)緊密連接組成，樹林的分布 更疏散，而草地區(qū)域的興趣點(diǎn)基本沒有關(guān)聯(lián)性，因此也不具有分布特性。
[0058]采用本發(fā)明的方法，可得到該圖像的檢測結(jié)果，如圖2(b)所示。該圖像由于主要目 標(biāo)類別為車輛，因此目標(biāo)部件模型主要受空間關(guān)系限制，可以看到最終檢測到的目標(biāo)部件 模型具有緊密的位置關(guān)系。將檢測結(jié)果與實(shí)際地物比較，本發(fā)明很好地檢測出了目標(biāo)，排除 了樹林和草地中的虛警，與實(shí)際情況一致，檢測得到的目標(biāo)較為準(zhǔn)確完整。這說明了本方法 具有較為細(xì)致的區(qū)分能力。
【主權(quán)項(xiàng)】
1. 一種基于部件模型的高分辨SAR圖像目標(biāo)檢測方法，包括w下步驟： 步驟1、根據(jù)原始SAR圖像，獲得粗糖圖像： 步驟1-1:根據(jù)原始SAR圖像中單個(gè)像素點(diǎn)的強(qiáng)度值，計(jì)算SAR圖像直方圖，并通過直方 圖映射將SAR圖像動(dòng)態(tài)范圍壓縮； 通過直方圖計(jì)算得到像素強(qiáng)度值的概率： H(i)=|l(x,y) = = i| ,ie[〇,255] 其中1*1為計(jì)數(shù)運(yùn)算，I(x，y)代表圖像在(x，y)處的強(qiáng)度值； 利用直方圖映射修改圖像像素強(qiáng)度值:首先將直方圖像素區(qū)間等分為L個(gè)區(qū)間，分別計(jì) 算每一區(qū)間的概率H( 1)，1 e [ 1，L]，再將[0，255]的圖像動(dòng)態(tài)范圍按概率H( 1)映射到[0，L- 1 ]，并將圖像中的像素強(qiáng)度值設(shè)為對應(yīng)的序號； S(l) = [ei-i，ei-i 巧 56XH(l))，le[l，L] I(x,y) = l if I(x,y)es(l) S(l)，ei分別是強(qiáng)度區(qū)間及其右端點(diǎn)的值，其中eo = 0,當(dāng)像素的值被設(shè)定為其強(qiáng)度值所 屬的序號； 步驟1-2:對步驟1-1中得到的圖像進(jìn)行空間平滑，抑制相干斑噪聲，獲得粗糖圖像； 采用濾波的方法得到粗糖圖像： Ic = F(n)*I η為濾波器尺寸，F(xiàn)(n)采用均值濾波器或高斯核濾波器，經(jīng)濾波器和輸入圖像進(jìn)行卷積 運(yùn)算后得到粗糖圖像Ic; 步驟2、將步驟1所得粗糖圖像I。分割為不同連通區(qū)域，對連通區(qū)域進(jìn)行深度優(yōu)先捜索的 同時(shí)進(jìn)行鄰近點(diǎn)極大值標(biāo)記，捜索感興趣的像素點(diǎn)作為生成目標(biāo)部件模型的初始單元； 步驟2-1:通過闊值化處理得到圖像連通區(qū)域，遍歷連通區(qū)域內(nèi)像素點(diǎn)，并標(biāo)記其鄰近 極大值像素，經(jīng)過深度優(yōu)先捜索確定感興趣的像素點(diǎn)及其空間信息； 對步驟1得到的粗糖圖像進(jìn)行全局闊值分割，設(shè)定壓縮后動(dòng)態(tài)范圍中具有最大范圍的 區(qū)間序號為闊值thi，當(dāng)圖像像素值低于口限時(shí)其值設(shè)為0,否則減去口限值； th = argmaxS(l)l E [1，L]分割后的圖像包含了多個(gè)連通區(qū)域，對每個(gè)連通區(qū)域進(jìn)行深度優(yōu)先捜索，捜索路徑由 當(dāng)前像素的鄰近極大值確定； Pi(k)=max(Ni(；k-l)) ci = dfs(pi) 其中Pi (k)為捜索路徑中第k個(gè)像素點(diǎn)，Ni化-1)為前一個(gè)路徑點(diǎn)的鄰域像素點(diǎn)的集合， 確定集合中極大值的位置為下一捜索路徑位置； 每一次深度優(yōu)先捜索到達(dá)連通區(qū)域內(nèi)的某一極大值Cl時(shí)終止，并將其作為感興趣像素 點(diǎn)，然后進(jìn)行下一次捜索； 步驟2-2、當(dāng)連通區(qū)域內(nèi)所有像素點(diǎn)被遍歷之后，通過計(jì)算每個(gè)感興趣像素點(diǎn)到捜索路 徑起點(diǎn)的直線距離得到平均半徑：其中N為到達(dá)感興趣像素點(diǎn)的所有路徑的數(shù)量，d表示了感興趣點(diǎn)的空間尺度；W感興 趣點(diǎn)為中屯、，空間尺度為邊長的矩形設(shè)為圖像中潛在目標(biāo)部件的初始單元； 步驟3、根據(jù)步驟2所得目標(biāo)部件初始單元，在原始高分辨SAR圖像中提取對應(yīng)的區(qū)域， 計(jì)算區(qū)域的特性，對比鄰近區(qū)域特性，生成目標(biāo)部件模型； 步驟3-1、按得到的感興趣點(diǎn)和空間尺度在原始SAR圖像中提取局部區(qū)域，并提取各區(qū) 域的特性描述； 首先提取區(qū)域內(nèi)邊緣特性，利用由不同方向模板構(gòu)成的邊緣算子集合進(jìn)行邊緣檢測， 根據(jù)不同方向的邊緣檢測響應(yīng)的大小對感興趣點(diǎn)的空間結(jié)構(gòu)特性進(jìn)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(jìn)行描述;如果邊緣算子不具有方向性，則需將區(qū) 域均勻劃分為八個(gè)方向，每個(gè)方向跨度為45°，W圖像空間水平向右為0°方向，然后求得各 個(gè)方向的邊緣響應(yīng)和位置，計(jì)算描述子結(jié)果，最后進(jìn)行闊值化得到二值邊緣描述； Θ? =民本fi fi為不同方向的邊緣檢測模板，ei為區(qū)域R每個(gè)像素的邊緣響應(yīng)強(qiáng)度，對其每一個(gè)點(diǎn)的 響應(yīng)值和位置的倒數(shù)進(jìn)行乘累加得到區(qū)域在某一方向的邊緣強(qiáng)度Ei，并計(jì)算主要邊緣兩側(cè) 的均值比VI; Ei 二〈ei,l/ri〉 Vi=max (min/m〇ut, m〇ut/min) 此處IM為邊緣像素點(diǎn)到感興趣點(diǎn)的距離的倒數(shù)，<*〉為向量內(nèi)積運(yùn)算，min，m〇ut分別代 表邊緣兩側(cè)區(qū)域像素值的均值;邊緣特性結(jié)果ti為前兩項(xiàng)的乘積： ti = Ei X Vi 采用固定口限值th2對其進(jìn)行闊值化后為：其次提取區(qū)域外觀特性，通過統(tǒng)計(jì)方法計(jì)算局部區(qū)域內(nèi)的平均強(qiáng)度、方差W及對比度 特性，并結(jié)合本身的空間尺度特性進(jìn)行描述； 步驟3-2、對比鄰近初始單元的特性，按設(shè)定規(guī)則進(jìn)行組合，生成目標(biāo)部件： 構(gòu)建空間節(jié)點(diǎn)圖G=(V，E)，V為W感興趣像素點(diǎn)為中屯、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(gòu)建的節(jié)點(diǎn)圖進(jìn)行分割，將G劃分為多個(gè)子節(jié)點(diǎn)圖， 每個(gè)子節(jié)點(diǎn)圖間不存在相連接的邊界，W每個(gè)子節(jié)點(diǎn)圖為目標(biāo)部件;其中相似性分別對邊 緣特性和外觀特性進(jìn)行計(jì)算： 對于邊緣特性，首先確定感興趣像素點(diǎn)連線的方向巧，如果滿足弱邊緣條件： ，時(shí)= 口化)=0 即當(dāng)節(jié)點(diǎn)￥1在^六方向或節(jié)點(diǎn)V2在-巧方向的二值邊緣特性為0,認(rèn)為滿足邊緣匹配，否則 其相似度為-inf,即負(fù)無窮； 對于外觀特性，直接取兩者數(shù)值比大于一的值，并對Ξ個(gè)參量進(jìn)行加權(quán)求和作為相似 性度量，利用Graph化ts算法進(jìn)行分割，其最優(yōu)化函數(shù)如下：其中Se為每個(gè)劃分后的子節(jié)點(diǎn)圖內(nèi)部相連邊界的相似度的總和，G代表子節(jié)點(diǎn)圖，其與 其他子節(jié)點(diǎn)圖間的邊界被設(shè)為-inf ;Ag，Ng分別為子節(jié)點(diǎn)圖在原始圖像中所占的面積和節(jié)點(diǎn) 數(shù)目，lG，dG分別為子節(jié)點(diǎn)圖在原始圖像中節(jié)點(diǎn)連線的長度和未連接節(jié)點(diǎn)的距離;Ag/E1g為 面積與連線長度之和的比值，代表分割后子節(jié)點(diǎn)圖在原始圖像中形狀的緊致度；EcIg/Ng為 未連接節(jié)點(diǎn)的距離之和與節(jié)點(diǎn)數(shù)目的比值，代表分割后子節(jié)點(diǎn)圖的密度;在緊致度和密度 的約束下，選擇使得節(jié)點(diǎn)間的相似程度最大化的子節(jié)點(diǎn)圖，分割結(jié)果即為所求的目標(biāo)部件 組合； 步驟4、利用步驟3所得分割的子圖作為目標(biāo)部件模型，對部件模型進(jìn)行聚類，最后得到 的類別包括目標(biāo)和雜波，篩選出雜波模型，則目標(biāo)的檢測結(jié)果得W保留。2. 如權(quán)利要求1所述基于部件模型的高分辨SAR圖像目標(biāo)檢測方法，其特征在于:所述 步驟1中采用基于圖像直方圖映射灰度壓縮方法得到SAR圖像粗糖圖像。3. 如權(quán)利要求1所述基于部件模型的高分辨SAR圖像目標(biāo)檢測方法，其特征在于:所述 步驟2中采用結(jié)合最大值標(biāo)記和深度優(yōu)先捜索的方法得到SAR粗糖圖像中感興趣點(diǎn)。4. 如權(quán)利要求1所述基于部件模型的高分辨SAR圖像目標(biāo)檢測方法，其特征在于:所述 步驟3中采用邊緣信息作為目標(biāo)空間分布特性描述，進(jìn)行兩兩比較確定匹配關(guān)系。5. 如權(quán)利要求1所述基于部件模型的高分辨SAR圖像目標(biāo)檢測方法，其特征在于:所述 步驟3中采用Sobel邊緣算子進(jìn)行邊緣檢測。
【文檔編號】G06T7/00GK105976376SQ201610300551
【公開日】2016年9月28日
【申請日】2016年5月9日
【發(fā)明人】曹宗杰, 楊海溢, 崔宗勇, 皮亦鳴, 閔銳, 李晉
【申請人】電子科技大學(xué)