CN104680538A

CN104680538A - 基于超像素的sar图像cfar目标检测方法

Info

Publication number: CN104680538A
Application number: CN201510103122.8A
Authority: CN
Inventors: 王英华; 余文毅; 刘宏伟; 潘杰; 何敬鲁
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2015-03-09
Filing date: 2015-03-09
Publication date: 2015-06-03
Anticipated expiration: 2035-03-09
Also published as: CN104680538B

Abstract

本发明公开了一种基于超像素的SAR图像CFAR检测方法，主要解决现有恒虚警CFAR检测算法在多目标环境下性能下降的问题。其实现步骤为：(1)输入SAR图像并进行超像素分割；(2)寻找阴影超像素；(3)对每一个超像素估计背景杂波分布的参数，并计算其中每一个像素点的检测统计量；(4)根据设定的阈值，检测统计量大于阈值的像素点作为目标，否则为杂波；(5)对检测结果去除孤立点，得到有效目标超像素；(6)对有效目标超像素进行聚类。本发明在多目标场景下，对背景杂波分布参数的估计更准确，检测性能高，且能够正确区分相邻目标，可用于目标识别。

Description

基于超像素的SAR图像CFAR目标检测方法

技术领域

本发明属于雷达检测技术领域，特别涉及一种基于超像素的SAR图像恒虚警CFAR目标检测方法，可用于目标识别。

背景技术

合成孔径雷达SAR具有全天时、全天候、分辨率高与穿透力强等特点，目前已经成为了一种重要的高分辨遥测手段。SAR图像的一项很重要的应用就是目标检测，而CFAR目标检测方法是SAR图像目标检测领域使用最为广泛的一类方法。

传统的双参数CFAR目标检测算法在多目标环境下，估计的背景杂波分布参数容易受相邻目标的影响，导致检测性能欠佳。为了提高多目标环境下CFAR目标检测性能，有学者在《Order Statistic CFAR Detectors for Speckled Area Targets in SAR》提出了OS-CFAR目标检测算法，高贵提出了一种G₀分布下，基于自动筛选的目标智能CFAR目标检测算法。

虽然OS-CFAR与基于自动筛选的目标智能CFAR针对多目标环境进行了改进，但是在高分辨率复杂场景SAR图像中，两者估计出的背景杂波分布参数准确性降低，因此检测性能都有所下降；同时它们聚类时所采用的传统聚类方法在多目标场景下容易把邻近的不同目标聚为一类，导致聚类结果欠佳。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于超像素的SAR图像CFAR目标检测方法，以提高在多目标环境下的目标检测性能。

为实现上述目的，本发明的技术方案包括如下步骤：

1.一种基于超像素的SAR图像恒虚警CFAR检测方法，包括：

(1)对SAR图像预处理步骤：

(1.1)输入一幅待检测的SAR图像，并对其进行超像素分割，得到超像素s₁,s₂,...s_i,...s_n；

(1.2)计算第i个超像素s_i中所含像素的强度均值avg_i；

(1.3)设定全局阈值T_s，将avg_i<T_s的超像素索引设为0，作为阴影超像素，其余超像素索引设为1，作为待选目标超像素；

(2)恒虚警目标检测步骤：

(2.1)设置背景窗大小S'，使其S'/2要大于待检测目标的最大尺寸；

(2.2)对第i个超像素s_i寻找像素集合b_i作为背景杂波像素集合，并估计b_i的均值参数μ_i和标准差参数σ_i；

(2.3)根据估计出的μ_i和σ_i，对超像素s_i中像素x计算检测统计量其中I_x表示像素x的强度；

(2.4)设置全局阈值T_ta，将检测统计量t大于T_ta的像素点作为目标，其索引设为1，将检测统计量t小于T_ta的像素点作为杂波，其索引设为0，得到检测二值图L；

(3)聚类步骤：

(3.1)设定检测阈值r为0.03，计算每一个超像素中检测出的目标像素点个数占该超像素中像素总数的比例，并将比例大于r的超像素作为有效目标超像素；

(3.2)选择任意两个不相邻的有效目标超像素s_d1,s_d2；

(3.3)根据目标最大尺寸设置距离d_max，若超像素s_d1中像素与超像素s_d2中像素最大距离小于d_max，则合并超像素s_d1与超像素s_d2并继续(3.4)，否则，回到步骤(3.2)；

(3.4)判断所有有效目标超像素是否处理完毕，若对所有有效目标超像素已处理完毕，则聚类完毕并得到聚类结果L'，否则回到(3.2)。

本发明与现有技术相比具有以下优点：

1)本发明由于对同一个区域中所有像素点使用同样的背景杂波分布参数，比传统检测算法更符合真实情况，因此增加了背景杂波分布参数估计的准确性，提高了检测性能。

2)本发明通过分割出的超像素来划分不同区域，因此聚类时能够正确区分相邻目标，提高了聚类性能。

附图说明

图1是本发明的实现流程图。

图2为本发明仿真使用的原始SAR图像。

图3为人工标记的图2的真实目标标记图像。

图4为对图2分别用本发明与传统检测算法检测结果的ROC曲线。

图5为从图2中截取的一块多目标场景图像。

图6为不同虚警率下分别用本发明和传统检测算法的检测结果图。

图7为本发明仿真使用的检测和聚类的原始SAR图像。

图8为人工标记的图7的真实目标标记图像。

图9为对图7分别用本发明和传统检测算法检测结果的ROC曲线。

图10为从图7中截取的一块多目标场景图像。

图11为分别用本发明和传统聚类方法的聚类结果图。

具体实施方式

下面结合附图对本发明的实施步骤和效果作进一步说明。

参照图1，本发明基于超像素的SAR图像恒虚警CFAR目标检测方法，其实现步骤如下：

步骤1，对SAR图像进行超像素分割。

本步骤可通过传统超像素分割算法PILS进行，也可通过如下超像素分割步骤进行：

1a)输入一幅待检测的SAR图像，将其划分为n个S×S的矩形块T₁,T₂,...T_n，并取矩形块T₁,T₂,...T_n的几何中心c₁,c₂,...c_n作为初始化聚类中心，其中，S为设定的矩形块边长，n＝MN/S²，M,N分别为SAR图像的行数和列数；

1b)将初始化聚类中心c₁,c₂,...c_n分别标号为1,2,...,n；

1c)对原始SAR图像的第i个像素点，将处在以像素i为中心，2S×2S为边长的矩形块内的聚类中心c_i1,c_i2,...c_ik作为像素点i的备选聚类中心；

1d)分别计算像素点i与备选聚类中心c_i1,c_i2,...c_im,...c_ik的差异值D(i,c_i1),D(i,c_i2),....D(i,c_im),...D(i,c_ik)，其中m为1,2,...k：

1d1)设分别为像素点i与备选聚类中心c_im的坐标，计算像素点i与备选聚类中心c_im的距离d(i,c_im)：

d (i, c_{im}) = \sqrt{{(x_{i} - x_{c_{im}})}^{2} + {(y_{i} - y_{c_{im}})}^{2}};

1d2)令v₁,v₂分别为以像素点i与备选聚类中心c_im为中心的5×5的矩形块，v₁₂表示矩形块v₁,v₂中的所有的像素点，计算v₁与v₂的强度差异值δ(v₁,v₂)：

δ (v_{1}, v_{2}) = 2 M * \log \frac{\frac{1}{2} | Σ_{k = 1}^{M} [I_{v_{1}} (k) + I_{v_{2}} (k)] |}{\sqrt{| Σ_{k = 1}^{M} I_{v_{1}} (k) | | Σ_{k = 1}^{M} I_{v_{2}} (k) |}},

其中，M为v₁矩形块中像素的个数，为矩形块v₁中的像素强度构成的列向量，为矩形块v₂中的像素强度构成的列向量，v₁₂表示矩形块v₁,v₂中的所有的像素点，为v₁₂中的像素强度构成的列向量；

1d3)根据上面计算出的像素点i与备选聚类中心c_im的距离d(i,c_im)及v₁与v₂的强度差异值δ(v₁,v₂)，计算像素点i与备选聚类中心c_im的差异值D(i,c_im)

D(i,c_im)＝δ(v₁,v₂)+λ*d(i,c_im)，

其中λ为设定的用于调节距离d(i,c_im)在总差异值D(i,c_im)中所占比重的参数；

1e)找到与像素点i差异值最小的备选聚类中心c_ij，将该备选聚类中心c_ij的标号设置为像素点i的标号；

1f)对每个像素点完成标号后，得到SAR图像对应的标号图像；

1g)将SAR图像中相同标号且相互连通的像素点，集合为一个备选超像素l，得到备选超像素集合l₁,l₂,...l_p，并对备选超像素集合l₁,l₂,...l_p中的超像素分别标号为1,2,...p；

1h)将备选超像素集合l₁,l₂,...l_p中像素个数小于t_min的超像素称为无效超像素，其余为有效超像素，其中t_min＝S²/h，h为设定的用于控制最小超像素大小的参数，将每个无效超像素的标号设为其邻近某个有效超像素的标号；

1i)将SAR图像中每个像素点的标号设置为其所在的备选超像素的标号，得到新的标号图像；

1j)将SAR图像中相同标号且相互连通的像素点集合作为一个超像素l'，得到超像素集合l₁',l₂',...l_j',...l_q'，并将超像素集合l₁',l₂',...l_j',...l_q'中每一个超像素分别标号为1,2,...j,...q；

1k)对每一个超像素l_j'得到其聚类中心c_j的坐标为(mean(x_j),mean(y_j))，将聚类中心c_j的标号设为其所在超像素l_j'的标号，其中，mean(·)表示对向量·求均值，x_j,y_j分别表示超像素l_j'包含的像素的横、纵坐标构成的列向量；

1l)重复步骤1c)至1k)，直到迭代次数达到设定迭代次数It，取值为5，得到超像素分割结果。

步骤2，寻找阴影超像素：

2a)计算第i个超像素s_i中所含像素的强度均值avg_i；

2b)设定全局阈值T_s，将avg_i<T_s的超像素索引设为0，作为阴影超像素，其余超像素索引设为1，作为待选目标超像素。

步骤3，恒虚警目标检测：

3a)设置背景窗大小S'，为了避免目标泄露到背景窗外，因此S'/2要大于待检测目标的最大尺寸；

3b)对第i个超像素s_i，计算其中心的坐标(mean(),mean())，其中，mean(·)表示对向量·求均值，分别表示超像素s_i包含的像素的横、纵坐标构成的列向量；

3c)将以为中心，S'为边长所得到的矩形窗称为背景窗，得到背景窗在超像素分割图中经过的待选背景超像素s_i1,s_i2,...s_im；

3d)计算s_i1,s_i2,...s_im两两之间的差异值，得到差异值最大的两个超像素s_ip与超像素s_iq，并以s_ip与s_iq为基准根据差异值将超像素s_i1,s_i2,...s_im分为p,q两类；

计算任意两个超像素s₁与超像素s₂的差异值：

δ (s_{1}, s_{2}) = (M_{1} + M_{2}) * \log \frac{\frac{1}{2} | Σ_{k = 1}^{M_{1}} [I_{s_{1}} (k)] + Σ_{k = 1}^{M_{2}} [I_{s_{2}} (k)] |}{\sqrt{| Σ_{k = 1}^{M_{1}} I_{s_{1}} (k) | | Σ_{k = 1}^{M_{2}} I_{s_{2}} (k) |}}

其中，M₁表示超像素s₁中像素的个数，为超像素s₁中的像素强度构成的列向量，M₂表示超像素s₂中像素的个数，为超像素s₂中的像素强度构成的列向量；

3e)选择p,q两类中超像素个数较多的一类所包含的像素集合作为背景杂波像素集合b_i，若两类中超像素个数相同，则取两类的并集所包含的像素集合作为背景杂波像素集合b_i；

3f)估计背景杂波像素集合b_i的均值参数μ_i和标准差参数σ_i：

μ_{i} = \frac{1}{N} Σ_{k = 1}^{N} I_{b_{i}} (k), σ_{i} = \sqrt{\frac{1}{N} Σ_{k = 1}^{N} {(I_{b_{i}} (k) - μ_{i})}^{2}}

其中为背景杂波像素集合b_i中像素点强度构成的列向量，N为背景杂波像素集合b_i中像素点的个数，为背景杂波像素集合b_i中像素点强度构成的列向量。

3g)根据估计出的μ_i和σ_i，对超像素s_i中像素x计算检测统计量其中I_x表示像素x的强度；

3h)设置全局阈值T_ta，将检测统计量t大于T_ta的像素点作为目标，其索引设为1，将检测统计量t小于T_ta的像素点作为杂波，其索引设为0，得到检测二值图L；

步骤4，对有效目标超像素进行聚类：

4a)设定检测阈值r为0.03，计算每一个超像素中检测出的目标像素点个数占该超像素中像素总数的比例，并将比例大于r的超像素作为有效目标超像素；

4b)选择任意两个不相邻的有效目标超像素s_d1,s_d2；

4c)根据目标最大尺寸设置距离d_max，若超像素s_d1中像素与超像素s_d2中像素最大距离小于d_max，则合并超像素s_d1与超像素s_d2并执行步骤4d)，否则，返回到步骤4b)；

4d)判断是否所有有效目标超像素在4c)中处理完毕，若对所有有效目标超像素已处理完毕，则聚类完毕并得到聚类结果L'，否则回到4b)。

本发明的效果通过以下仿真实验说明：

1.仿真数据：

实验所用的实测数据为美国Sandia实验室公开的miniSAR数据集，其分辨率为0.1m×0.1m，图像大小为2510×1638。

2.仿真实验内容：

仿真1，分别用本发明，OS-CFAR，基于自动筛选的目标智能CFAR，自动筛选目标的双参数CFAR对图2进行检测，检测结果的ROC曲线为图4。其中，自动筛选目标的双参数CFAR为选择背景杂波像素时，通过阈值去掉目标像素点的双参数CFAR。

ROC曲线的检测率计算方式为检测出的目标上像素点占目标总像素点的比例，虚警率计算方式为检测出的非目标像素点占杂波总像素点的比例。

从图4可以看出，在相同虚警率下，本发明的检测率都高于传统的检测算法。

仿真2，用本发明和现有OS-CFAR、基于自动筛选的目标智能CFAR、自动筛选目标的双参数CFAR方法对图2在不同虚警率下进行检测，其中图5场景的检测结果如图6。其中，

图6(a)为本发明在检测率为0.0025下的检测结果，图6(b)为本发明在检测率为0.0035下的检测结果，图6(c)为本发明在检测率为0.0045下的检测结果；

图6(d)为OS-CFAR在检测率为0.0025下的检测结果，图6(e)为OS-CFAR在检测率为0.0035下的检测结果，图6(f)为OS-CFAR在检测率为0.0045下的检测结果；

图6(g)为基于自动筛选的目标智能CFAR在检测率为0.0025下的检测结果，图6(h)为基于自动筛选的目标智能CFAR在检测率为0.0035下的检测结果，图6(i)为基于自动筛选的目标智能CFAR在检测率为0.0045下的检测结果；

图6(j)为自动筛选目标的双参数CFAR在检测率为0.0025下的检测结果，图6(k)为自动筛选目标的双参数CFAR在检测率为0.0035下的检测结果，图6(L)为自动筛选目标的双参数CFAR在检测率为0.0045下的检测结果.

从图6可以看出，在相同虚警率下，本发明检测出目标像素点更多，且检测结果更加紧凑。

图6中的每幅图的目标像素点个数如表1。

表1 每幅图的目标像素点个数

从表1可以看出，在相同虚警率下，本发明检测出目标像素点多于传统检测算法。

仿真3，用本发明和现有的OS-CFAR，基于自动筛选的目标智能CFAR，自动筛选目标的双参数CFAR分别对图7进行检测，检测结果的ROC曲线为图9。

从图9可以看出，相同虚警率下，本发明的检测率都高于传统的检测算法。

仿真4，用本发明和现有的OS-CFAR方法分别对图7进行检测并聚类，其中图10场景的结果为图11。其中，图11(a)为用本发明进行检测并聚类的结果，图中灰色部分为检测有效目标超像素，白色部分为检测有效超像素聚类中心；图11(b)为用OS-CFAR进行检测并聚类的结果，图中灰色部分为形态学滤波后的聚类结果，白色部分为聚类结果的聚类中心。

从图11可以看出，传统聚类方法在多目标场景下容易将邻近的目标聚为一类，导致聚类中心不在目标上；本发明聚类方法在多目标环境下依旧可以保持邻近的目标各自在不同的聚类，因此聚类中心在目标上，性能优于传统技术。

Claims

1.一种基于超像素的SAR图像恒虚警CFAR检测方法，包括：

(1)对SAR图像预处理步骤：

(1.2)计算第i个超像素s_i中所含像素的强度均值avg_i；

(2)恒虚警目标检测步骤：

(3)聚类步骤：

(3.2)选择任意两个不相邻的有效目标超像素s_d1,s_d2；

2.根据权利要求1所述的方法，其中所述步骤(1.1)中对原始SAR图像进行超像素分割，按如下步骤进行：

1.1a)输入一幅待检测的SAR图像，将其划分为n个S×S的矩形块T₁,T₂,...T_n，并取矩形块T₁,T₂,...T_n的几何中心c₁,c₂,...c_n作为初始化聚类中心，其中，S为设定的矩形块边长，n＝MN/S²，M,N分别为SAR图像的行数和列数；

1.1b)将初始化聚类中心c₁,c₂,...c_n分别标号为1,2,...,n；

1.1c)对原始SAR图像的第i个像素点，将处在以像素i为中心，2S×2S为边长的矩形块内的聚类中心c_i1,c_i2,...c_ik作为像素点i的备选聚类中心；

1.1d)分别计算像素点i与备选聚类中心c_i1,c_i2,...c_im,...c_ik的差异值D(i,c_i1),D(i,c_i2),....D(i,c_im),...D(i,c_ik)，其中m为1,2,...k：

1.1d1)设(x_i,y_i),分别为像素点i与备选聚类中心c_im的坐标，计算像素点i与备选聚类中心c_im的距离d(i,c_im)：

d (i, c_{im}) = \sqrt{{(x_{i} - x_{c_{im}})}^{2} + {(y_{i} - y_{c_{im}})}^{2}};

1.1d2)令v₁,v₂分别为以像素点i与备选聚类中心c_im为中心的5×5的矩形块，v₁₂表示矩形块v₁,v₂中的所有的像素点，计算v₁与v₂的强度差异值δ(v₁,v₂)：

δ (v_{1}, v_{2}) = 2 M * \log \frac{\frac{1}{2} | Σ_{k = 1}^{M} [I_{v_{1}} (k) + I_{v_{2}} (k)] |}{\sqrt{| Σ_{k = 1}^{M} I_{v_{1}} (k) | | Σ_{k = 1}^{M} I_{v_{2}} (k) |}},

1.1d3)根据上面计算出的像素点i与备选聚类中心c_im的距离d(i,c_im)及v₁与v₂的强度差异值δ(v₁,v₂)，计算像素点i与备选聚类中心c_im的差异值D(i,c_im)

D(i,c_im)＝δ(v₁,v₂)+λ*d(i,c_im)，

1.1e)找到与像素点i差异值最小的备选聚类中心c_ij，将该备选聚类中心c_ij的标号设置为像素点i的标号；

1.1f)对每个像素点完成标号后，得到SAR图像对应的标号图像；

1.1g)将SAR图像中相同标号且相互连通的像素点，集合为一个备选超像素l，得到备选超像素集合l₁,l₂,...l_p，并对备选超像素集合l₁,l₂,...l_p中的超像素分别标号为1,2,...p；

1.1h)将备选超像素集合l₁,l₂,...l_p中像素个数小于t_min的超像素称为无效超像素，其余为有效超像素，其中t_min＝S²/h，h为设定的用于控制最小超像素大小的参数，将每个无效超像素的标号设为其邻近某个有效超像素的标号；

1.1i)将SAR图像中每个像素点的标号设置为其所在的备选超像素的标号，得到新的标号图像；

1.1j)将SAR图像中相同标号且相互连通的像素点集合作为一个超像素l'，得到超像素集合l₁',l₂',...l_j',...l_q'，并将超像素集合l₁',l₂',...l_j',...l_q'中每一个超像素分别标号为1,2,...j,...q；

1.1k)对每一个超像素l_j'得到其聚类中心c_j的坐标为(mean(x_j),mean(y_j))，将聚类中心c_j的标号设为其所在超像素l_j'的标号，其中，mean(·)表示对向量·求均值，x_j,y_j分别表示超像素l_j'包含的像素的横、纵坐标构成的列向量；

1.1l)重复步骤1.1c)至1.1k)，直到迭代次数达到设定迭代次数It，取值为5，得到超像素分割结果。

3.根据权利要求1所述的方法，其中步骤(2.2)所述的对超像素s_i寻找像素集合b_i作为背景杂波像素集合，按如下步骤进行：

(2.2a)对超像素s_i，计算其中心的坐标其中，mean(·)表示对向量·求均值，分别表示超像素s_i包含的像素的横、纵坐标构成的列向量；

(2.2b)将以c_si为中心，S'为边长所得到的矩形窗称为背景窗，得到背景窗在超像素分割图中经过的待选背景超像素s_i1,s_i2,...s_im；

(2.2c)计算s_i1,s_i2,...s_im两两之间的差异值，得到差异值最大的两个超像素s_ip与超像素s_iq，并以s_ip与s_iq为基准根据差异值将超像素s_i1,s_i2,...s_im分为p,q两类；

计算任意两个超像素s₁与超像素s₂的差异值：

δ (s_{1}, s_{2}) = (M_{1} + M_{2}) * \log \frac{\frac{1}{2} | Σ_{k = 1}^{M} [I_{s_{1}} (k)] + Σ_{k = 1}^{M_{2}} [I_{s_{2}} (k)] |}{\sqrt{| Σ_{k = 1}^{M} I_{s_{1}} (k) | | Σ_{k = 1}^{M} I_{s_{2}} (k) |}},

(2.2d)选择p,q两类中超像素个数较多的一类所包含的像素集合作为背景杂波像素集合b_i，若两类中超像素个数相同，则取两类的并集所包含的像素集合作为背景杂波像素集合b_i。

4.根据权利要求2所述的方法，其中步骤(2.2)所述的估计背景杂波像素集合b_i的均值参数μ_i和标准差参数σ_i，按如下公式进行：

μ_{i} = \frac{1}{N} Σ_{k = 1}^{N} I_{b_{i}} (k), σ_{i} = \sqrt{\frac{1}{N} Σ_{k = 1}^{N} {(I_{b_{i}} (k) - μ_{i})}^{2}}