CN102609701A - 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 - Google Patents

Abstract

本发明公开了一种基于最佳尺度的高分辨率合成孔径雷达(Synthetic Aperture Radar，SAR)遥感目标检测方法。该方法包括目标特征相关先验知识的获取、基于尺度间系数相关性的塔形方向滤波器组去噪、基于最佳尺度下分块直方图统计的标记点获取、基于标记点的分水岭分割、多约束的区域合并步骤。本发明可快速准确定位目标可能存在的区域，样本训练的复杂度低，抑制噪声的同时保持目标的边缘细节，能够有效提取目标轮廓，具有良好的可用性与有效性。

Description

基于最佳尺度的高分辨率合成孔径雷达遥感检测方法

技术领域

本发明涉及一种基于最佳尺度的高分辨率合成孔径雷达(SyntheticAperture Radar，SAR)遥感检测方法，能够从高分辨率SAR图像中快速定位某一目标可能存在的区域，进而准确检测目标并提取其轮廓，特别是一种基于塔形方向滤波器组(轮廓波)去噪及最佳尺度下分块直方图统计获取的SAR图像目标检测方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar SAR)图像具有全天候、全天时成像，几何分辨率与传感器的波长和高度无关等特性，能够有效的揭示地面伪装及地貌结构。目前SAR成像技术已经被广泛应用于水文科学、生态科学、海洋科学、军事侦察等众多领域中。

目前，随着SAR传感器的不断发展，分辨率高达1m的星载及分辨率达到分米量级的机载SAR图像的可持续获取，为SAR的应用提供了更大的发展空间，高分辨率SAR图像目标检测已经成为遥感图像研究的热点之一。

由于成像的特点，SAR图像所固有的强烈相干斑噪声导致了目标检测的困难。小波阈值法是一种广泛应用于的SAR图像的去噪方法，但由于图像的边缘不连续性是按空间分布的，这种奇异性影响了小波展开的许多项，且小波展开的系数不是稀疏的，影响了逼近精度。尤其在高分辨率SAR图像的去噪预处理中，利用小波去噪的方法在抑制噪声的同时容易造成图像细节信息的损失，严重影响检测结果中目标轮廓的提取精度。

另外，与中低分辨率SAR图像相比，高分辨率SAR图像的背景中面状地物更加不均匀，空间信息十分丰富。高分辨率SAR图像目标检测中若直接采用分水岭分割方法会导致过分割现象，因此常采用基于标记点的分水岭方法分割图像，而标记点的获取对最终检测精度起决定作用。但标记点的获取往往需要对整幅图像的每一个像素进行扫描，也没有考虑到检测目标地物本身内部的均质度一致性，标记点搜索效率低下的同时精度不高。

针对以上问题，如何发明一种高分辨率SAR遥感目标检测方法，图像去噪的同时减少图像细节的损失，保证提取精度的同时避免复杂的样本训练，正是发明人需要解决的问题。

发明内容

发明目的：为解决上述问题，本发明提供一种基于最佳尺度的高分辨率SAR遥感目标检测方法，该方法从高分辨率SAR图像中实现目标的准确检测，有效压制乘性噪声的同时减少图像细节的损失，同时能够在去噪后的图像中快速、准确的获取目标可能存在区域的标记点，既保证了提取精度，同时避免了样本训练的复杂计算。

技术方案：一种基于最佳尺度的高分辨率SAR遥感目标检测方法，包括如下步骤：

第一步，目标特征的获取：根据现有知识，获取特定目标特征知识作为初步确定目标位置的依据；所述目标特征包括形状特征、纹理特征、光谱特征等；这些目标特征将作为初步确定目标位置的依据；

第二步，基于尺度间系数相关性的塔形方向滤波器组去噪：塔形方向滤波器组又称为轮廓波变换(Contourlet)，继承了小波变换的多分辨特性和时频局部化特性，并具有多方向性和各向异性，但此变换假设Contourlet系数间相互独立，选择阈值函数对Contourlet系数处理时会丢失很多包含有用图像信息的系数；因此本发明首先对原始图像通过塔形方向滤波器组分解，所述分解是多尺度多方向分解为J个尺度，每个尺度S个方向，进而利用尺度间系数相关性的阈值去噪；其中，分解尺度J由目标图像决定，J过大会造成分解后低频图像太小，失去统计意义，通常可取J∈[4，10]。方向子带的个数S应取2的S次幂，S为正整数，例如可取S＝4，可保持图像的细节信息，实现更加有效地去噪；

第三步，基于最佳尺度下分块直方图统计的标记点获取：从目标中选择q(q∈[4，10])个样本，目标样本的尺寸大小可根据图像尺寸及目标合适选取，例如在全色图像中设为N×N，下一尺度中样本模板尺寸变为

以此类推；通过计算塔形方向滤波器组分解后，每种尺度下的目标局部方差均值，取局部方差均值数量级最小且空间分辨率最低的尺度为最佳分解尺度，认为在此尺度下目标内部均质度最高，即目标区域间的差异最小，在此尺度下搜索目标可能存在区域的标记点，不但搜索次数更少，搜索的精度也得到了提高；为快速确定目标可能存在的区域，在所述最佳分解尺度上，采用基于分块直方图统计的标记点获取策略，即根据特定目标特征的先验知识制定判决规则，以窗口形式对图像进行扫描；所述窗口的尺寸与最佳尺度中目标样本的尺寸相同；将满足判定准则的窗口作为待检测目标可能存在的区域，进而根据规则检查相邻窗口中有无已标记窗口，若有，则对当前窗口不做标记，从而保证获取的标记点均匀的分布于待检测特定目标上；将该尺度下确定的标记点映射到全色图像的对应区域，并取该区域的中心作为最终标记点；进行轮廓波逆变换，完成去噪及标记点获取工作；

第四步，基于标记点的分水岭分割：由于复杂背景下高分辨率SAR图像的特殊性，直接采用分水岭分割方法会导致过分割现象，分割区域过多意味着算法的结果变得毫无用处；因此本发明采用基于标记点的分水岭方法分割图像，标记点已由基于最佳尺度下分块直方图统计确定；

第五步，多约束的区域合并：经过基于标记点的分水岭分割后图像包含了很多不连续的区域及虚假目标，需要进行多约束的区域合并，从而得到完整的目标轮廓；本发明采用区域邻接图(RAG)合并策略，约束条件则根据已知的目标特征确定。

有益效果：本发明的基于最佳尺度的高分辨率SAR遥感目标检测方法与现有技术相比，其显著优点是：从高分辨率SAR图像中实现目标的准确检测，有效压制乘性噪声的同时减少图像细节的损失，同时能够在去噪后的图像中快速、准确的获取目标可能存在区域的标记点，既保证了提取精度，同时避免了样本训练的复杂计算。

附图说明

图1为本发明方法流程图；

图2为待检测原始图像；

图3为基于尺度系数相关性的塔形方向滤波器组去噪流程图；

图4为基于尺度系数相关性的塔形方向滤波器去噪后图像；

图5为选择最佳尺度流程图；

图6为最佳尺度下分块直方图确定标记点流程图；

图7为最佳尺度下分块直方图统计确定的标记点；

图8为基于标记点的分水岭分割结果；

图9为本发明最终检测结果。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

对照图1，本发明以复杂下高分辨率SAR图像河道提取过程为例，阐述本发明的实施方式。

对照图2，原始图像采用TerraSAR-X在Rosenheim的SAR图像，空间分辨率为1.7m，实验平台采用MATLAB7.11.0平台。图像空间信息丰富，背景复杂，目标类型包括操场，建筑，道路，河流，桥梁等等，同时存在大量相干斑噪声，从中准确检测河道信息及完整提取河道轮廓适合于本发明所针对的问题。

河道目标特征的获取：根据现有知识，获取高分辨率SAR图像中河道目标的特征，在高分辨率SAR图像中河道目标通常表现的特征为：成面状连续分布且整体亮度较低的成片区域，轮廓整体表现为狭长且边缘形状不确定。

对照图3，对原始图像，首先采用基于尺度系数相关性的塔形方向滤波器组去噪，具体步骤如下：

1)进行塔形方向了滤波器组多尺度多方向分解，分解三次，即J＝4，每层方向数为4，即S＝4。在LP和DFB滤波阶段分别选取″9-7″双正交小波滤波器和″pkva″滤波器。

2)计算尺度为i，位置为(j，k)的相关系数：

为当前位置的轮廓波系数。

3)对相关系数进行归一化：

式中PC和PCorr分别为i层轮廓波系数和相关系数的能量。即：

$\mathrm{PC}=\underset{j}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{c_{j,k}^i}^2$

$\mathrm{PCorr}=\underset{j}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{{\mathrm{Corr}}_{j,k}^i}^2$

4)结合相关量、阈值判别函数(本发明采用软阈值函数)和信号系数，做相应处理；若 $\mathrm{newC}{\mathrm{orr}}_{j,k}^i<a\left|c_{j,k}^i\right|$ 且 $c_{j,k}^i<T,$ 则 ${\hat{c}}_{j,k}^i=0;$ 若 $\mathrm{newCo}{\mathrm{rr}}_{j,k}^i\&GreaterEqual;a\left|c_{j,k}^i\right|$ 或 $c_{j,k}^i\&GreaterEqual;T,$ 则 ${\hat{c}}_{j,k}^i=c_{j,k}^i-\mathrm{sign}\left(c_{j,k}^i\right)\&CenterDot;T.$ 其中，T为阈值，取值为 $T=\mathrm{\&sigma;}\sqrt{2\log \left(\mathrm{PQ}\right)},$ σ为噪声标准差，P×Q为当前轮廓波系数所在方向子带的大小；a为随尺度而改变的调整因子，经大量试验发现，取a＝0.1σ～0.2σ时去噪效果较好；

5)若i＝4，则停止，否则重复步骤2)至4)。

对照图4和图2，去噪处理后的图像较原始图像噪声得到了明显抑制且边缘损失不明显。

对照图5，在塔形方向滤波器组分解的尺度中，选择某一尺度为最佳尺度，并在该尺度下进行分块直方图统计的标记点获取。具体步骤如下：

1)获得各尺度的梯度图；

分别计算各尺度下各个波段的相位一致梯度G_i，s，其中i表示尺度，s代表波段。相位一致函数可由各波段系数C_i，s的各局部相位分量和平均相位偏移的余弦函数进行计算：

$\mathrm{PC}\left(x\right)=\frac{{\mathrm{\&Sigma;}}_n{A}_n\left(x\right)\cos ({\mathrm{\&phi;}}_n\left(x\right)-\stackrel{\&OverBar;}{\mathrm{\&phi;}}\left(x\right))}{{\mathrm{\&Sigma;}}_n{A}_n\left(x\right)}$

式中，A_n为C_i，s傅里叶分解的n次谐波分量的幅度，φ_n(x)表示n次谐波分量的相位偏移量在x处的局部相位，

为所在点的所有Fourier分量的加权平均相位；若所有傅里叶分量都具有一致的相位则该比值为1；反之该比值最小值为0；

2)确定最佳分解尺度；

对各尺度下各个波段的相位一致值PC_i，s求梯度G_i，s；采用以下公式融合个尺度下不同波段相位一致梯度值：

在原色图像中选取q个大小为N×N的背景区域作为样本，为了使各尺度下的样本有相同的地物面积，在各个尺度的相位一致梯度图的相同位置用不同尺寸的窗口对目标样本进行采样，用以下公式计算个尺度下样本的局部方差均值：

式中，σ² _i为尺度i下样本的局部方差均值，表示i尺度下坐标为(x，y)的像元的相位一致梯度值；

为采样样本的相位一致梯度均值。取σ² _i值数量级最小且空间分辨率最低的某一尺度作为最佳分解尺度，并在此尺度下确定标记点位置。

此时图像梯度幅值对地物刻画最精准，地物内部的均值最高，图像的尺寸最小。

对照图6，在对最佳分解尺度下进行直方图统计，获取标记点。

标记点通过分块直方图统计确定，标记了河道可能存在的区域，标记点主要集中在河道区域附近以及与河道灰度特征的相似的部分区域。标记点确定过程如下：

1)对每一块子图像根据如下规则进行判别：

灰度均值规则：计算整个图像的灰度平均值μ以及每个子图像的平均值μ_i；若μ_i＜μ，则将I_i认为是潜在水体，记为I′_i；

直方图特征规则：对I′_i生成灰度直方图后，处于目标区域的子图像直方图应为左边单峰形状，峰值灰度级像素数占I′_i总数比例大于20％；峰值灰度级及其右边8个灰度级的像素数和占I′_i像素数比例大于60％。

相邻性规则：对满足以上规则的I′_i，若存在左侧水平相邻或者上方垂直相邻的子图像块，则以I′_i为中心在这两个方向上分别检测相邻的两个子图像，若有任一相邻子图像为已检测标记为目标区域块I″_i，则对I′_i不做任何标记；否则，标记为I″_i。

2)对满足以上三个规则的I″_i，取中心像素点作为标识目标主要区域的一个标记点。通过塔形方向滤波器组分解的映射规则，将最佳尺度下获取的标记点映射回原始图像，取原始图像中映射区域的中心点作为最终获取的标记点。

对照图8，根据以上确定的标记点对图像进行分水岭分割。分割结果已经分离了河道所在的主要区域，但仍然包含了一些不连续的区域及大量虚假目标。

为消除不连续的区域及虚假目标，本发明对分割结果进行多约束区域合并。

设初始分割区域为各区域的灰度均值向量为μ＝(μ₁，μ₂，...，μ_n)，据此构建区域连接矩阵N＝{n_ij，i，j＝1，2，...，n}，若R_i和R_j相邻，则n_ij＝1，否则n_ij＝0。

基于河道的特性，在区域合并时，相似性的判别主要包括三点：

规则一：灰度特征。由于河道区域应当具有相似的灰度分布，故相邻区域的灰度均值的欧氏距离d(i，j)＝||u_i-u_j||应当小于阈值T₁。

规则二：面积、形状特征。河道形状通常表现为面积较大的狭长连通区域。

河道区域的面积应满足条件Area＞T₂，其外接矩形的长宽比因满足条件R_wl＞T₃。

区域合并和虚假目标消除过程如下：

(1)选择初始检测区域Ri，由相邻矩阵N确定每一个于Ri相邻的区域Rj，j≠i进入下一步。

(2)判断Ri和Rj是否满足规则一，如满足，进入下一步。否则令n_ij＝0并进入步骤4。

(3)根据规则三，选择Rj与Ri合并，合并后区域标记为Ri。更新向量R，N和μ进入下一步。

(4)当存在n_ij＝1重复步骤1至3，至没有需合并的区域进入步骤5。

(5)根据规则二对Ri进行判别，剔除Area＜T₂和R_wl＜T₃的Ri。

其中取阈值T₁的范围为-2＜d(i，j)＜2合并相邻区域；T₂＝20000；T₃＝3。

通过多约束的区域合并后，图像中只保留了清晰的河道轮廓，其他虚假目标得到了有效消除。

Claims (7)

1.一种基于最佳尺度的高分辨率合成孔径雷达遥感目标检测方法，包括如下步骤：

第一步，目标特征的获取：获取特定目标特征知识作为初步确定目标位置的依据；所述目标特征包括形状特征、纹理特征、光谱特征，作为初步确定目标位置的依据；

第二步，基于尺度间系数相关性的塔形方向滤波器组去噪：先对原始图像通过塔形方向滤波器组多尺度多方向分解为J个尺度，每个尺度S个方向，进而利用尺度间系数相关性的阈值去噪；其中，分解尺度J由目标图像决定，通常取J∈[4，10]，方向子带的个数S应取2的S次幂，S为正整数；

第三步，基于最佳尺度下分块直方图统计的标记点获取：从目标中选择q个样本，样本q的模板大小根据原始图像尺寸及目标合适选取，在全色原始图像中，其尺寸设为N×N，则下一尺度中样本模板尺寸变为

以此类推；通过计算塔形方向滤波器组分解后每种尺度下的目标样本的局部方差均值，取尺度内样本的局部方差均值数量级最小的尺度为最佳分解尺度，若存在多个这样的尺度，选择空间分辨率最低的尺度为最佳尺度，认为在此尺度下目标内部均质度最高，即目标样本间的差异最小，在此尺度下根据目标的特征利用某几种规则如灰度均值规则、相邻性规则和直方图特征规则等综合判别，搜索目标可能存在区域的标记点；在所述最佳分解尺度上，采用基于分块直方图统计的标记点获取策略，即根据特定目标特征，以窗口形式对图像进行扫描，所述窗口的尺寸为最佳尺度中样本模板在当前尺度下的尺寸大小；将满足判定准则的窗口作为待检测目标可能存在的区域，并以当前窗口为中心在左侧水平相邻或者上方垂直相邻两个方向上分别检测相邻的两个窗口，若有任一相邻窗口已有标记点，则对当前窗口不做标记；否则，取当前窗口的中心点为标记点，从而保证获取的标记点均匀的分布于待检测特定目标上；将该尺度下确定的标记点映射到全色图像的对应区域，并取该区域的中心作为最终标记点；进行轮廓波逆变换，完成去噪及标记点获取工作；

第四步，基于标记点的分水岭分割：采用基于标记点的分水岭方法分割图像，标记点已由基于最佳尺度下分块直方图统计确定，得到初始分割结果；

第五步，多约束的区域合并：采用区域邻接图合并策略，约束规则根据目标灰度、形状、面积等特征的先验知识确定；区域合并后结果可获得完整目标轮廓及消除虚假目标的干扰，得到最终的检测结果。

2.如权利要求1所述的基于最佳尺度的高分辨率合成孔径雷达遥感目标检测方法，其特征在于：基于尺度间系数相关性的塔形方向滤波器组去噪，具体步骤如下：

1)进行塔形方向了滤波器组多尺度多方向分解，分解三次，即J＝4，每个尺度方向数为S＝4，在拉普拉斯金字塔变换和方向滤波阶段分别选取″9-7″双正交小波滤波器和″pkva″滤波器；

2)计算尺度为i，位置为(j，k)的相关系数：

为当前位置的轮廓波系数；

3)对相关系数进行归一化：

式中PC和PCorr分别为i层轮廓波系数和相关系数的能量；即：

$\mathrm{PC}=\underset{j}{\mathrm{\&Sigma;}}\underset{k}{\mathrm{\&Sigma;}}{c_{j,k}^i}^2$

$\mathrm{PCorr}=\underset{j}{\mathrm{\&Sigma;}}\underset{k}{\mathrm{\&Sigma;}}{{\mathrm{Corr}}_{j,k}^i}^2$

4)结合相关量、阈值判别函数和信号系数，做相应处理；其中所述判别函数为软阈值函数；若 $\mathrm{newC}{\mathrm{orr}}_{j,k}^i<a\left|c_{j,k}^i\right|$ 且 $c_{j,k}^i<T,$ 则 ${\hat{c}}_{j,k}^i=0;$ 若 $\mathrm{newCo}{\mathrm{rr}}_{j,k}^i\&GreaterEqual;a\left|c_{j,k}^i\right|$ 或 $c_{j,k}^i\&GreaterEqual;T,$ 则 ${\hat{c}}_{j,k}^i=c_{j,k}^i-\mathrm{sign}\left(c_{j,k}^i\right)\&CenterDot;T.$ 其中，T为阈值，取值为 $T=\mathrm{\&sigma;}\sqrt{2\log \left(\mathrm{PQ}\right)},$ σ为噪声标准差，P×Q为当前轮廓波系数所在方向子带的大小；a为随尺度而改变的调整因子；

5)若i＝4，则停止，否则重复步骤2)至4)。

3.如权利要求1所述的基于最佳尺度的高分辨率合成孔径雷达遥感目标检测方法，其特征在于：在塔形方向滤波器组分解的尺度中，选择某一尺度，并在该尺度下进行分块直方图统计的标记点获取，具体步骤如下：

1)获得各尺度的梯度图；

分别计算各尺度下各个波段的相位一致梯度G_i，s，其中i表示尺度，s代表波段；相位一致函数可由各波段系数C_i，s的各局部相位分量和平均相位偏移的余弦函数进行计算：

$\mathrm{PC}\left(x\right)=\frac{{\mathrm{\&Sigma;}}_n{A}_n\left(x\right)\cos ({\mathrm{\&phi;}}_n\left(x\right)-\stackrel{\&OverBar;}{\mathrm{\&phi;}}\left(x\right))}{{\mathrm{\&Sigma;}}_n{A}_n\left(x\right)}$

式中，A_n为C_i，s傅里叶分解的n次谐波分量的幅度，φ_n(x)表示n次谐波分量的相位偏移量在x处的局部相位，

为所在点的所有Fourier分量的加权平均相位；若所有傅里叶分量都具有一致的相位，则PC(x)值为1；反之PC(x)为最小值0；

2)确定最佳分解尺度；

对各尺度下各个波段的相位一致值PC_i，s求梯度G_i，s；采用以下公式融合个尺度下不同波段相位一致梯度值：

在原色图像中选取q个大小为N×N的背景区域作为样本，为了使各尺度下的样本有相同的地物面积，在各个尺度的相位一致梯度图的相同位置用不同尺寸的窗口对目标样本进行采样，用以下公式计算个尺度下样本的局部方差均值：

式中，σ² _i为尺度i下样本的局部方差均值，

表示i尺度下坐标为(x，y)的像元的相位一致梯度值；为采样样本的相位一致梯度均值；取σ² _i值数量级最小且空间分辨率最低的某一尺度作为最佳分解尺度，并在此尺度下确定标记点位置。

4.如权利要求1所述的基于最佳尺度的高分辨率合成孔径雷达遥感目标检测方法，其特征在于：在对最佳分解尺度下进行分块直方图统计，获取标记点，标记点确定过程如下：

将图像等分为若干子图像，子图像尺寸与最佳尺度下目标样本尺寸相同，利用在高分辨率SAR图像中目标的形状特征、灰度特征及其他已知的关于目标特征的先验知识，作为确定标记点的判定准则，初步确定目标含有目标的子图像；进而利用相邻性规则对这些子图像进行筛选，从而保证最佳尺度下最终获取的标记点均匀的分布在目标所在的区域；

相邻性规则：等分后的子图像标记为I_i，当一个I_i通过了标记点判定准则检验标记为I′_i，若存在左侧水平相邻或者上方垂直相邻的子图像块，则以I′_i为中心在这两个方向上分别检测相邻的两个子图像，若有任一相邻子图像为已检测标记为目标区域块I″_i，则对I′_i不做任何标记；否则，标记为I″_i；

对所有子图像I″_i，取中心像素点作为标识目标主要区域的一个标记点。通过塔形方向滤波器组分解的映射规则，将最佳尺度下获取的标记点映射回原始图像，取原始图像中映射区域的中心点作为最终获取的标记点。

5.如权利要求1所述的基于最佳尺度的高分辨率合成孔径雷达遥感目标检测方法，其特征在于：采用基于的标记点分水岭分割方法及多约束的区域合并获得最终检测结果。

6.如权利要求1所述的基于最佳尺度的高分辨率合成孔径雷达遥感目标检测方法，其特征在于：第三步中所述的q∈[4，10]。

7.如权利要求2所述的基于最佳尺度的高分辨率合成孔径雷达遥感目标检测方法，其特征在于：所述随尺度而改变的调整因子a取a＝0.1σ～0.2σ。

Images