CN102129559A - 基于Primal Sketch算法的SAR图像目标检测方法 - Google Patents

Abstract

本发明公开了一种基于Primal Sketch算法的SAR图像目标检测方法，主要解决现有目标检测方法无法实现对不同类型的人工目标进行检测的缺点。其实现过程为：(1)对原SAR图像运用Primal Sketch算法得到表示图像结构信息的线段集合；(2)定义并计算线段集合中所有线段的规整度和规整比率；(3)确定用于区域生长的种子线段集合；(4)以种子线段为基准进行区域生长，得到包含人工目标和自然目标的候选目标区域集合；(5)根据候选目标区域内线段的特征筛选得到最终的人工目标，即桥梁、港口和建筑物。本发明与现有技术相比具有检测方法通用性强，可以实现对不同类型的人工目标进行检测，且检测结果准确，虚警率低的优点，适用于目标类型多，目标大小不一致情况下的SAR图像目标检测。

Description

基于Primal Sketch算法的SAR图像目标检测方法

技术领域

本发明属于图像处理技术领域，涉及一种SAR图像目标检测方法，可用于SAR图像处理、计算机视觉及智能控制等领域中的目标识别与跟踪。

背景技术

目标检测的主要任务是确定出感兴趣的目标位置，实现目标与背景的分离。在目标尺寸较小时，目标检测的难点主要有：(1)目标无形状、尺寸和纹理等信息，可利用的信息量少；(2)低SNR时，目标极易被噪声淹没；(3)如果利用图像序列的目标轨迹信息积累，需存储量大，运算速度受限。

SAR图像目标检测特指利用灰度、边缘、纹理、区域形状和方向等特征，确定出图像中感兴趣的目标位置，将目标与背景相分离的图像处理技术。SAR图像目标检测是进一步实现目标识别和跟踪的前提，是计算机视觉和智能控制等领域的热点研究课题。由于SAR成像的特殊性，与光学图像相比，SAR遥感成像系统所生成的二维图像具有很多不同的特点，如具有非直观性和图像信息的冗余性等。因此SAR图像的处理、分析和图像信息的解译，某些方面可以继承光学图像的处理方法，某些方面也会有很大的不同。

目前可用于SAR图像目标检测的方法主要有：基于恒虚警率的CFAR方法、基于贝叶斯准则的MAP方法、基于神经网络的检测方法、基于矩特征的区域融合方法、基于复信号的检测方法、基于马尔可夫随机场的检测方法、基于形态学的检测方法、基于子波域隐马尔可夫模型的检测方法及基于上下文关系的检测方法等。这些SAR图像目标检测方法的缺陷主要有：

(1)目标检测过程的计算量较大，检测结果的虚警率较大，且目标检测的结果对噪声较为敏感；

(2)对SAR图像的先验信息如目标的类型、目标的尺寸和背景杂波的统计分布模型等具有较大的依赖性，且仅能对单一种类的人工目标如桥梁或港口或建筑物等进行检测。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于Primal Sketch算法的SAR图像目标检测方法，以减小目标检测结果的虚警率和对噪声的敏感性，且在减少目标检测过程中对图像先验信息的依赖性的同时，检测得到多种类型的人工目标。

本发明的技术方案是首先对SAR图像的Primal Sketch稀疏表示域上的所有线段定义规整度等属性来描述线段之间的位置关系，并以此为依据选择种子线段，然后针对种子线段按照一定的规则进行区域生长，得到包含人工目标的候选目标区域，最后再根据候选目标区域的特征检测得到最终的人工目标，即桥梁、港口和建筑物。具体步骤包括如下：

(1)对原SAR图像运用Primal Sketch算法得到用以表示SAR图像结构信息的线段集合S_i，i＝1，2，...，n，n为线段的总条数；

(2)定义并计算线段集合中所有线段的规整度和规整比率：

(2a)对用以表示SAR图像结构信息的线段集合中的所有线段S_i，i＝1，2，...，n的长度进行直方图统计，记录直方图上的第一个峰值点对应的线段长度l；

(2b)以线段S_i的中点为中心扩充一个2l×2l大小的矩形区域，将该区域内与线段S_i具有平行或者垂直关系的线段的总条数作为线段S_i的规整度R_i；

(2c)计算线段S_i的规整比率T_i：

$T_i=\frac{R_i}{N_i},i=\mathrm{1,2},...,n$

其中N_i是扩充得到的矩形区域内的线段总数；

(3)根据规整度的大小对线段集合S_i，i＝1，2，...，n进行排序，将规整度相等的线段再按规整比率的大小排序，选取前m条线段作为种子线段集E_k，k＝1，2，...，m，m取68；

(4)以种子线段E_k，k＝1，2，...，m为基准进行区域生长，得到候选目标区域集合G_k，k＝1，2，...，m，该候选目标区域集合中包含人工目标区域和自然目标区域：

(4a)定义用以存储线段的队列Q_k，并初始化为空，然后将种子线段E_k加入该队列；

(4b)以种子线段E_k的中点为中心扩充一个2l×2l大小的矩形区域，将该区域内与种子线段平行或者垂直的线段加入队列Q_k中；

(4c)对新加入队列Q_k中的所有线段，搜索其中与种子线段的方向一致的线段H_x，x＝1，2，...，s，递归地以线段H_x，x＝1，2，...，s作为种子线段进行区域生长；

(4d)重复步骤(4c)，得到最终的队列Q′_k，再以种子线段E_k的中点为中心，沿着与线段E_k平行和垂直的方向向外扩充一个矩形区域，使得队列Q′_k中的所有线段都处在这个矩形区域中，将该矩形区域作为候选目标区域G_k；

(5)根据候选目标区域内线段的特征筛选得到最终的人工目标，即桥梁、港口和建筑物。

本发明与现有技术相比具有如下优点：

1.目标检测结果准确，且检测结果的虚惊率显著降低

本发明由于充分利用了人工目标的特征，即在SAR图像的Primal Sketch稀疏表示域上人工目标是由一些相互垂直或者平行的线段构成的，使得目标检测过程具有较强的鲁棒性，目标检测结果准确，且检测结果的虚惊率显著降低；

2.目标检测方法通用性强

本发明提出的基于线段的区域生长方法由于充分利用了各种类型的人工目标的结构相似性特征，使得目标检测过程完全不依赖于人工目标的类型信息，因此具有较好的检测效果，即对各种类型的人工目标如桥梁、港口和建筑物均有较好的检测效果。

附图说明

图1是本发明对SAR图像目标检测的流程图；

图2是本发明中仿真实验使用的原SAR图像；

图3是对图2运用Primal Sketch算法得到的Primal Sketch稀疏表示图；

图4是图3中的所有线段长度的统计直方图；

图5是本发明中的仿真实验得到的港口目标；

图6是本发明中的仿真实验得到的桥梁目标；

图7是本发明中的仿真实验得到的建筑物目标；

图8是本发明中的仿真实验得到的虚警目标，即自然目标；

具体实施方式

参照图1，本发明的实施步骤如下：

步骤1，对图2运用Primal Sketch算法，得到用以表示SAR图像结构信息的线段集合S_i，i＝1，2，...，n，n是线段的总条数，取值为726。

Primal Sketch算法的具体描述参见Cheng-en Guo等人于2007年发表在Computer Vision and Image Understanding杂志上的文章《Primal Sketch：Integrating Texture and Structure》，按照此算法将图2划分为可描画部分和不可描画部分，分别用以表示图像中的结构信息和纹理信息，再利用文中提出的Sketching Pursuit算法对表示图像结构信息的可描画部分进行提取和处理，得到单像素宽的线段集合，结果如图3所示。

步骤2，定义并计算图3中所有线段的规整度和规整比率。

(2a)对图3中的所有线段S_i，i＝1，2，...，n的长度进行直方图统计，结果如图4所示，记录该图上的第一个峰值点对应的线段长度l，l为5；

(2b)以线段S_i的中点为中心，沿着与线段S_i平行的方向及其反方向各扩充l的距离，再沿着与线段S_i垂直的方向及其反方向各扩充l的距离，得到一个2l×2l，即10×10大小的矩形区域，将该区域内与线段S_i具有平行或者垂直关系的线段的总条数作为线段S_i的规整度R_i；

(2c)计算线段S_i的规整比率T_i：

$T_i=\frac{R_i}{N_i},i=\mathrm{1,2},...,n$

其中N_i是扩充得到的矩形区域内的线段总数。

步骤3，确定用于区域生长的种子线段集合。

根据规整度的大小对图3中的线段集合S_i，i＝1，2，...，n进行排序，将规整度相等的线段再按规整比率的大小排序，选取前m条线段作为种子线段集合E_k，k＝1，2，...，m，m取68。

步骤4，以种子线段E_k，k＝1，2，...，m为基准进行区域生长，得到包含人工目标区域和自然目标区域的候选目标区域集合G_k，k＝1，2，...，m。

(4a)定义用以存储线段的队列Q_k，并初始化为空，然后将种子线段E_k加入到该队列；

(4b)以种子线段E_k的中点为中心，沿着与线段E_k平行的方向及其反方向各扩充l的距离，再沿着与线段E_k垂直的方向及其反方向各扩充l的距离，得到一个2l×2l即10×10大小的矩形区域，将该区域内与种子线段平行或者垂直的线段加入队列Q_k中；

(4c)对新加入队列Q_k中的所有线段，搜索其中与种子线段的方向一致的线段H_x，x＝1，2，...，s，s是与种子线段方向一致的线段的条数；

(4d)以线段H_x的中点为中心，沿着与线段H_x平行的方向及其反方向各扩充l的距离，再沿着与线段H_x垂直的方向及其反方向各扩充l的距离，得到一个2l×2l即10×10大小的矩形区域，将该区域内与线段H_x平行或者垂直的线段，加入队列Q_k中；

(4e)重复步骤(4c)和(4d)，得到最终的队列Q′_k，再以种子线段E_k的中点为中心，沿着与线段E_k平行和垂直的方向向外扩充一个矩形区域，使得队列Q′_k中的所有线段都处在这个矩形区域中，将该矩形区域作为候选目标区域G_k。

步骤5，根据候选目标区域内线段的特征筛选得到最终的人工目标，即桥梁、港口和建筑物。

(5a)计算每个候选目标区域G_k，k＝1，2，...，m内与种子线段具有平行或者垂直关系的线段的总条数A_k，k＝1，2，...m；

(5b)计算每个候选目标区域G_k，k＝1，2，...，m的线密度B_k：

$B_k=\frac{C_k}{P_k},k=\mathrm{1,2},...m$

其中，C_k指候选目标区域内与种子线段具有平行或者垂直关系的线段的长度之和，P_k指候选目标区域内总的像素数目；

(5c)分别根据所述A_k和B_k的大小对候选目标区域G_k，k＝1，2，...，m进行排序，先分别选取排在前p位的目标区域a₁，a₂，...，a_p和b₁，b₂，...，b_p，p取30；再选择a₁，a₂，...，a_p和b₁，b₂，...，b_p中相同的q个区域c₁，c₂，...，c_q作为最终的目标检测结果，q为17。

本发明的优点由以下仿真的数据和图像进一步说明：

1.仿真条件

(1)仿真实验中使用的SAR图像截取自Sandia国家实验室的一幅Washington地区的SAR图像，如图2所示，图像大小为472×720，其中包含了桥梁、港口和建筑物三类人工目标。

(2)仿真实验中得到的原SAR图像的Primal Sketch稀疏表示图中共有726条线段，如图3所示，对这些线段进行直方图统计得到的第一个峰值点对应的线段长度为5，并由此确定用于计算线段的规整度和规整比率的窗口大小为10×10。

(2)仿真实验中对于两条线段之间的平行或垂直关系的判定规则是，若两条线段之间的夹角小于15度，则判定为平行关系；若夹角大于75度并且小于105度，则判定为垂直关系。

2.仿真内容与结果

本次仿真运用本发明的SAR图像目标检测方法，在原SAR图像的Primal Sketch稀疏表示域上运用基于线段的区域生长方法，得到68个候选目标区域。再利用这些候选目标区域内线段的特征进行筛选得到最终的目标检测结果，如图5、图6、图7和图8所示。

其中，图5(a)是在Primal Sketch稀疏表示图上以种子线段为基准，进行区域生长得到的港口目标区域，图5(b)是该区域对应于原SAR图像上的港口目标区域；

图6(a)、图6(c)、图6(e)、图6(g)、图6(i)和图6(k)是在Primal Sketch稀疏表示图上以种子线段为基准，进行区域生长得到的桥梁目标区域，其中图6(b)、图6(d)、图6(f)、图6(h)、图6(j)和图6(1)是这些区域对应于原SAR图像上的桥梁目标区域；

图7(a)、图7(c)、图7(e)、图7(g)、图7(i)和图7(k)是在Primal Sketch稀疏表示图上以种子线段为基准，进行区域生长得到的建筑物目标区域，图7(b)、图7(d)、图7(f)、图7(h)、图7(j)和图7(1)是这些区域对应于原SAR图像上的建筑物目标区域；

图8(a)、图8(c)、图8(e)和图8(g)是在Primal Sketch稀疏表示图上以种子线段为基准，进行区域生长得到的自然目标区域，图8(b)、图8(d)、图8(f)和图8(h)是这些区域对应于原SAR图像上的自然目标区域。

从图5、图6、图7和图8可见，利用本发明的目标检测方法得到的目标检测结果中虽然也包括一些虚警目标，但检测结果的虚警率较低，检测得到的目标区域位置和大小较为准确，且对各种类型的人工目标如桥梁、港口和建筑物均有较好的检测效果。

综上所述，本发明的基于Primal Sketch算法的SAR图像目标检测方法，可以有效地确定出人工目标区域的位置和大小，且在降低检测结果的虚警率的同时，可以有效地对各种类型的人工目标进行检测。

Claims (3)

1.一种基于Primal Sketch算法的SAR图像目标检测方法，包括如下步骤：

(1)对原SAR图像运用Primal Sketch算法得到用以表示SAR图像结构信息的线段集合S_i，i＝1，2，...，n，n为线段的总条数；

(2)定义并计算线段集合中所有线段的规整度和规整比率：

(2a)对用以表示SAR图像结构信息的线段集合中的所有线段S_i，i＝1，2，...，n的长度进行直方图统计，记录直方图上的第一个峰值点对应的线段长度l；

(2b)以线段S_i的中点为中心扩充一个2l×2l大小的矩形区域，将该区域内与线段S_i具有平行或者垂直关系的线段的总条数作为线段S_i的规整度R_i；

(2c)计算线段S_i的规整比率T_i：

$T_i=\frac{R_i}{N_i},i=\mathrm{1,2},...,n$

其中N_i是扩充得到的矩形区域内的线段总数；

(3)根据规整度的大小对线段集合S_i，i＝1，2，...，n进行排序，将规整度相等的线段再按规整比率的大小排序，选取前m条线段作为种子线段集E_k，k＝1，2，...，m，m取68；

(4)以种子线段E_k，k＝1，2，...，m为基准进行区域生长，得到候选目标区域集合G_k，k＝1，2，...，m，该候选目标区域集合中包含人工目标区域和自然目标区域：

(4a)定义用以存储线段的队列Q_k，并初始化为空，然后将种子线段E_k加入该队列；

(4b)以种子线段E_k的中点为中心扩充一个2l×2l大小的矩形区域，将该区域内与种子线段平行或者垂直的线段加入队列Q_k中；

(4c)对新加入队列Q_k中的所有线段，搜索其中与种子线段的方向一致的线段H_x，x＝1，2，...，s，递归地以线段H_x，x＝1，2，...，s作为种子线段进行区域生长；

(4d)重复步骤(4c)，得到最终的队列Q′_k，再以种子线段E_k的中点为中心，沿着与线段E_k平行和垂直的方向向外扩充一个矩形区域，使得队列Q′_k中的所有线段都处在这个矩形区域中，将该矩形区域作为候选目标区域G_k；

(5)根据候选目标区域内线段的特征筛选得到最终的人工目标，即桥梁、港口和建筑物。

2.根据权利要求1所述的SAR图像目标检测方法，其中步骤(4c)所述的递归地以线段H_x，x＝1，2，...，s作为种子线段进行区域生长，是以线段H_x的中点为中心扩充一个2l×2l大小的矩形区域，将该区域内与线段H_x平行或者垂直的线段，加入队列Q_k中。

3.根据权利要求1所述的SAR图像目标检测方法，其中步骤(5)所述的根据候选目标区域内线段的特征筛选得到最终的人工目标，按照如下步骤进行：

(3a)计算每个候选目标区域G_k，k＝1，2，...，m内与种子线段具有平行或者垂直关系的线段的总条数A_k，k＝1，2，...m；

(3b)计算每个候选目标区域G_k，k＝1，2，...，m的线密度B_k：

$B_k=\frac{C_k}{P_k},k=\mathrm{1,2},...m$

其中C_k指候选目标区域内与种子线段具有平行或者垂直关系的线段的长度之和，P_k指候选目标区域内总的像素数目；

(3c)分别根据所述A_k和B_k的大小对候选目标区域G_k，k＝1，2，...，m进行排序，先分别选取排在前p位的目标区域a₁，a₂，...，a_p和b₁，b₂，...，b_p，p取30；再选择a₁，a₂，...，a_p和b₁，b₂，...，b_p中相同的q个区域c₁，c₂，...，c_q作为最终的目标检测结果，q为17。

Images