CN101251595B - 基于非抽样Contourlet变换的SAR图像目标方位角估计方法 - Google Patents

Abstract

一种基于非抽样Contourlet变换的SAR图像目标方位角估计方法，属于SAR图像目标方位角估计方法。该方法包括利用非抽样Contourlet变换对原图像做三级尺度八个方向分解，得到三个尺度下八个方向的子带系数；在各个方向通过公式进行多尺度相关运算，以在不同的方向上突出人造目标；将得到的八个方向的多尺度相关系数通过公式构成方向特征图：对方向特征图进行阈值分割，通过公式实现目标方位角估计。该方法能提高SAR图像的自动目标识别的实时性。

Description

基于非抽样Contourlet变换的SAR图像目标方位角估计方法

技术领域

本发明涉及一种合成孔径雷达(Synthetic Aperture Radar，SAR)图像目标的特征提取方法，特别涉及一种目标方位角估计的方法。

背景技术

合成孔径雷达具有全天时、全天候、远距离对地表观察的能力，在军事侦察和战场感知中发挥出越来越大的作用，SAR图像的自动目标识别受到了人们的高度关注。但SAR目标对成像角度特别敏感，不同的目标及不同照射方位角下所形成的SAR图像，其背景散射强度与目标散射强度各不相同，如何从SAR图像中提取目标的方位角信息，以进一步实现对目标的态势估计是SAR图像应用急待解决的问题之一。

目前对SAR图像目标方位角估计的研究工作开展的较多。Principe等根据信息论观点，提出了基于“最大互信息”的估计方法，如文献1：Principe J C，Xu D，Fisher J W，Pose estimation in SAR using an information theoretic criterion，SPIE，1998中公开的技术，算法将估计归结为求取方位角参数最大似然估计的问题，算法需要通过学习训练构造估计器，实现较为复杂；Meth利用“近距离边界”估计方位角，如文献2：Voicu L，Patton R，Harley R M，Multi-criterion vehicle poseestimation for SAR ATR，SPIE，1999公开的技术，但是SAR目标的边界不明显，很难正确提取，影响了该算法的精度；计科峰等提出了一种基于线性回归的SAR目标方位角检测算法，如文献3：计科峰，匡纲要，郁文贤，基于线性回归的SAR目标方位角估计方法，现代雷达，2004中公开的技术；徐牧等提出了基于Hough变换与目标主轴提取的SAR图像目标方位角估计方法，如文献4：基于Hough变换与目标主轴提取的SAR图像目标方位角估计方法，电子与信息学报，2007中公开的技术，但后两种算法计算量大，很难满足SAR图像自动目标识别实时性的要求。

发明内容

本发明基于非抽样Contourlet变换对二维图像信号良好的多尺度、多方向分析能力，利用SAR图像目标像素区域在非抽样Contourlet变换域不同尺度、不同方向子带系数的分布特征，提出一种在非抽样Contourlet变换域内通过系数多尺度后在方向特征图上估计目标方位角的方法，从而提高自动目标识别的实时性。

一种基于非抽样Contourlet变换的SAR图像目标方位角估计方法，其特征在于：

(a)、首先利用非抽样Contourlet变换对原始图像做三层尺度八个方向非抽样Contourlet变换分解，将图像从灰度域变换到非抽样Contourlet变换系数域，得到三个尺度下八个方向的子带系数；

(b)、在各个方向，通过公式：

$D^i=\left|D_j^i\right|\×\left|D_{j+1}^i\right|\×\left|D_{j+2}^i\right|$

进行多尺度相关运算，以在不同的方向上突出人造目标，其中D_j ⁱ、D_j+1 ⁱ、D_j+2 ⁱ分别表示同一空间位置上方向为i，尺度为j、j+1、j+2的非抽样Contourlet变换高频子带系数；

(c)、将得到的八个方向的多尺度相关系数，通过公式：

$r=E_{\max }/(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{E}_i-E_{\max })*(n-1)$

构造方向特征图，其中E_max＝max(E₁，E₂……E_n)，n＝8，E_i表示像素点方向通道i上的系数相关值，取其对应空间位置上以其为中心的9×9窗口内系数相关值的均值；

(d)、对上述(c)中的方向特征图进行阈值分割，当像素点有明显的方向特征时，通过公式：

               d＝arg max(E_i)，i＝1、2、3、…、8

实现目标方位角估计。本发明能提高SAR图像的自动目标识别的实时性。

与现有技术相比本发明的有益效果是：

1)算法主要由非抽样Contourlet变换(Nonsubsampled Contourlet Transform，NSCT)分解、多尺度相关、方向特征计算组成，主要含NSCT、乘法器、乘法累加器等运算单元组成，故算法极易硬件实现，因此能提高目标自动识别系统的实时性。

2)由于方向滤波器具有灵活的方向分解数目，能从全局上把握目标像素区域的方向信息。

3)算法同时对多个目标进行方向的识别，这样能很快判断出目标整体的方向信息，便于对目标群进行运动方向的态势分析。

附图说明

图1NSCT结构原理及实现示意图，其中图(a)为流程图，图(b)为图(a)对应的频域划分示意图

图2实测SAR图像及参考点示意图

图3NSCT理想的频域分割图

图4图2中各参考点在NSCT域不同通道的系数分布图，其中图(a)为目标点1，图(b)为目标点2，图(c)为目标点3

图5各参考点能量相关值在不同方向通道上的分布图

图6像素点方向特征图，其中图(a)为不同方向直线原图，图(b)为图(a)使用NSCT得到的方向特征图

图7目标方位角估计算法流程图

图8(a)、图9(a)、图10(a)、图11(a)为实测SAR图像

图8(b)、图9(b)、图10(b)、图11(b)为目标方位角估计结果示意图

图11(c)为图11(b)中各灰度对应的方向值

具体实施方式

首先简要介绍NSCT，NSCT是一种新的对二维信号的多尺度几何分析方法，其基函数是在二维连续空间中定义的多方向基，具有良好的空域和频域局部性及良好的非线性逼近性能，在每一尺度上基函数的方向数目都可以是2的任意整数次幂，并且每个基函数的纵横比可以任意选择，较只有有限方向分析能力的小波变换而言能更加有效地追踪图像内在的几何结构。其实现流程及对信号的频域分割如图1所示，NSCT通过非采样塔式结构实现多尺度分析，通过非抽样方向滤波器组实现多方向性分析，具有完全的移不变、多尺度和多方向展开，对图像中的边缘、轮廓等细节能给出良好的表示。

以图2所示的含不同方向船舰目标的海洋实测SAR图像来分析SAR图像目标的目标区域像素点在NSCT域内的分布规律，实验中NSCT使用最大平坦(maxflat)滤波器实现多尺度分解，使用pkva滤波器实现多方向分解。为了观察同方向下不同尺度间目标像素点在NSCT域内系数的尺度相关性，同时考虑到算法的计算量，使用三尺度分解，各尺度方向分解数均为八，分解所对应的理想频谱分割图如图3所示，其中各数字代表像素点在时域上的方向信息。对图2进行NSCT分解，受相干斑噪声的影响，各子带的NSCT系数是随机变化的，无明显的规律性特征，各像素点对应的系数值用以该像素点为中心、大小为9×9的窗口内像素点的均值代替，该窗口的尺寸由有效描述物体方向性的尺寸来决定。图4为经NSCT分解后各参考点在不同通道上的能量分布。

图4中每个图对应的三条曲线分别表示NSCT分解的三个尺度，长虚线、短虚线、实线分别表示高频、次高频、中频通道，横坐标表示各尺度下对应的八个方向通道，由于低频子带没有进行方向分解，图像NSCT分解的最低频能量没有给出。从图中可以看出，目标区域像素点有很强的方向性，同尺度不同方向通道均存在明显的极大值点，并且不同尺度上极大值所在的方向通道均接近目标的实际方位向对应的方向通道，这使得不同尺度上的目标点的系数分布曲线形状相似，尺度间有很强的相关性，在某个方向通道上有明显的极大值。为了利用目标点系数值在尺度间不同的传播特性，定义如下的相关系数：

$D^i=\left|D_j^i\right|\×\left|D_{j+1}^i\right|\×\left|D_{j+2}^i\right|---\left(1\right)$

其中D_j ⁱ、D_j+1 ⁱ、D_j+2 ⁱ分别表示同一空间位置上方向为i，尺度为j、j+1、j+2的NSCT高频子带系数，式(1)对同一空间位置同方向不同尺度的高频子带系数进行相关运算(通过不同尺度系数之积来完成相关运算)，当各尺度的方向数为n时，最终将得到n个方向的系数相关图。从式(1)知，Dⁱ对信号多尺度表示的大系数的作用相当于几个串联的“逻辑与”器件，只有信号每个尺度的系数均为大数值时，最后的多尺度相关值才较大。图2中各参考点系数进行三尺度相关运算后，取以其为中心的9×9的窗口内像素点的系数相关值的均值为其对应的系数值，得到如图5的系数分布图。

由图5可知，对各方向上的不同尺度的高频子带系数进行三层的相关运算能在不同方向上突出人造目标，本发明主要针对SAR图像中的有明显方向特征的人造目标，如坦克、舰船等在SAR图像上表现为有一定方向的像素区域，相关运算使得目标点在同一方向上的系数得到增强，方向性特征得到进一步的强化。由此看出，由于NSCT使用的方向滤波器组有良好的方向选择性，能从全局上把握图像中各像素点的方向信息，目标在其方位向对应的方向通道有最大的系数值，尺度间的相关进一步增强了目标的方向性，为了定量的描述各个像素点的方向性特征，定义如下的方向性特征因子：

$r=E_{\max }/(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{E}_i-E_{\max })*(n-1)$ (其中E_max＝max(E₁，E₂……E_n))     (2)

E_i表示像素点方向通道i上的系数相关值，n＝8，定义公式(3)求出像素点具体的方向：

$d=\underset{i=\mathrm{1,2},...n}{\arg \max \left(E_i\right)}---\left(3\right)$

由于目标点的方向性较明显，因此目标点的r值较大，结合公式(2)与公式(3)，当某像素点方向性特征因子r较大时，用公式(3)求出该像素点所属的方向通道d从而估计出该像素点可能的方位向大致范围，当该像素点为目标点时，该方向范围即为目标点的方位向范围。

图6所示为八个不同方向直线图中各像素点的方向特征图。图(a)经三尺度八方向NSCT分解后，在各方向上进行多尺度相关运算，各像素点的系数值为以其为中心的5×5窗口内的各像素点的平均值，通过式(2)计算不同空间位置上各像素点的方向性特征因子，取方向特征因子值大于3的像素点利用式(3)估算其方向，图6(b)为最终的方向特征图，图中不同的灰度值代表不同的方向特征，各灰度代表的时域方向以数字形式标出。由图6(b)可看出，各像素点的方向能被准确判断，且图像的滤波操作使直线周围的一些像素点也具有了明显的方向特征。

基于NSCT的SAR图像目标方位角估计算法流程图如图7所示。首先利用NSCT对原始SAR图像做三级尺度八个方向的分解，以将图像从灰度域变到NSCT系数域，得到三个尺度下八个方向的子带系数。在各个方向通过式(1)进行多尺度相关运算以在不同的方向上突出人造目标。将得到的八个方向的多尺度相关系数通过式(2)构造方向特征图。目标像素点的方向性较强，对方向特征图进行阈值分割，当空间某位置的方向特征因子大于某一给定的阈值时说明该点具有很好的方向性，否则认为该像素点无明显的方向特征，当像素点有明显方向特征时可通过式(3)可实现目标方位角估计。本发明通过大量实测的SAR图像进行实验得到一般方向特征因子取2～3为宜。

本发明提出的SAR图像目标方位角估计方法在实测的SAR图像上进行了理论验证，理论分析和计算结果证明了本发明的有效性。

图8、图9、图10、图11对四幅不同的SAR图像进行目标方位角估计，其中图(a)表示各实测SAR图像原图，四幅图尺寸分别为320×131、200×200、256×256、399×344，图(b)为本发明算法的目标方位角估计结果，NSCT尺度分解选择maxflat滤波器进行三级分解，选择pkva方向滤波器实现各尺度图像的八方向分解，各像素点的系数值取以其为中心的9×9窗口的均值，图(b)中不同的灰度表示各像素的方位角估计结果，在目标像素旁以数字形式给出最终结果。

本发明利用方向滤波器良好的方向选择性，将同一目标分布到不同的方向空间内，在目标方位角对应的方向通道内该目标的系数值最大。因此通过找方向通道上系数极大值并计算与其他通道系数均值的比值评估其方向性的相对明显程度，进而估计到具有明显方向特征像素点的方位角范围。理论分析与实验结果表明，基于NSCT的SAR图像目标方位角估计算法是快速而有效的。

Claims (1)

1.一种基于非抽样Contourlet变换的SAR图像目标方位角估计方法，其特征在于：

(a)、首先利用基于非抽样Contourlet变换对原始图像做三层尺度八个方向非抽样Contourlet变换分解，将图像从灰度域变换到非抽样Contourlet变换系数域，得到三个尺度下八个方向的子带系数；

(b)、在各个方向，通过公式：

$D^i=\left|D_j^i\right|\×\left|D_{j+1}^i\right|\×\left|D_{j+2}^i\right|$

进行多尺度相关运算，以在不同的方向上突出人造目标，其中D_j ⁱ、D_j+1 ⁱ、D_j+2 ⁱ分别表示同一空间位置上方向为i，尺度为j、j+1、j+2的非抽样Contourlet变换高频子带系数；

(c)、将得到的八个方向的多尺度相关系数，通过公式：

$r=E_{\max }/(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{E}_i-E_{\max })*(n-1)$

构造方向特征图，其中E_max＝max(E₁，E₂……E_n)，n＝8，E_i表示像素点方向通道i上的系数相关值，取其对应空间位置上以其为中心的9×9窗口内系数相关值的均值；

(d)、对上述(c)中的方向特征图进行阈值分割，当像素点有明显的方向特征时，通过公式：

                   d＝arg max(E_i)，i＝1、2、3、…、8

实现目标方位角估计。

Images