CN104915932A - 基于目标特征的全息雷达图像预处理与目标提取方法 - Google Patents

Abstract

本发明提供了一种基于目标特征的全息雷达图像预处理与目标提取方法，包括：首先利用目标辐射信息和轮廓信息进行自适应低通滤波和自适应图像锐化，降低图像噪声，提升图像分辨率。然后利用目标辐射强度特性对锐化图像快速划分感兴趣目标区域。最后对感兴趣目标区域进行目标特征提取，去除虚警区域，划分目标类型，最终实现目标物体特征分类。本发明的技术方案解决的技术问题是在保持原有成像结果的目标特性前提下，根据成像结果辐射、细节特性进行自适应图像锐化处理，获得更清晰的目标特性，然后利用图像目标特征实现更准确的目标检测性能。

Description

基于目标特征的全息雷达图像预处理与目标提取方法

技术领域

本发明涉及全息成像探测雷达技术领域，特别设计一种基于目标特征的全息雷达图像预处理与目标提取方法。

背景技术

全息成像探测雷达(Holographic Imaging RADAR)，属于主动成像范畴，其原理是利用辐射源发出的信号经目标反射被接收机接收后，和参考信号进行某种形式的相干获得全息数据，然后反演出目标区域的图像。利用全息成像技术对于物体进行成像，检测出掩藏于内层物品，实现无损伤检测。由于全息成像技术特性目前是无损检测成像雷达较为常用的技术，主要应用于砖混工事、墙面、钢筋混凝土、建筑物、沙土、工艺品等无损探测领域。对掩藏的物品进行清晰成像进而实现无损检测。

由于成像系统的固有频率、系统成像口径的限制和目标物体周围背景介质不均等因素均会给成像结果带来降质，使得图像具有噪声、细节模糊等降质，使得目标直接成像结果较差，检测准确率低。因此，如何在成像结果后端引入图像快速预处理，提高成像结果的分辨率，获得更多的目标细节和更高的检测性能，是预处理过程首先需要解决的问题。在保留成像实时性的情况下，快速自适应的进行图像锐化，提高图像分辨率十分必要。且全息成像检测成像结果不只一个，多个结果全由人为进行识别使得工作过繁。如何利用图像预处理过程进行目标区域快速划分、目标特性提取、进行预分类，实现高效且准确的目标自动检测与分类也是全息雷达图像处理的重要环节。

发明内容

针对现有技术中的缺陷，本发明的技术方案解决的技术问题是根据原有成像结果辐射特性、细节的前提下提高图像的分辨率，获得更清晰的目标特性，进而进行更准确、快速的目标检测，提高检测精度和扩宽应用范围。

根据本发明提供的一种基于目标特征的全息雷达图像预处理与目标提取方法，包括如下步骤：

步骤S1：利用目标辐射信息和轮廓信息进行自适应低通滤波平滑处理和自适应图像锐化，降低图像噪声，提升图像分辨率；

步骤S2：实现自适应低通滤波平滑处理和自适应图像锐化处理后，获得锐化图像f_sharp(x,y)，利用锐化图像f_sharp(x,y)中目标辐射强度和图像梯度表征的细节特性，实现快速疑似目标域提取，完成目标域感兴趣区域自动目标快速标记；

步骤S3：对标记的疑似目标感兴趣区域f_ROI(x,y,n)进行角点特征、线特征、目标外形检测提取，剔除虚警目标域，并将真实目标域根据特征形态进行类型划分。

优选地，步骤S1包括如下步骤：

步骤101：利用成像系统获取的图像边缘特性选取截止频率Ω_d，利用截止频率为Ω_d的低通滤波器H_l(u,v)对原始图像f(x,y)进行平滑滤波，去除图像噪声，获得平滑图像f_l(x,y)；

Ω_d＝α·max F(u,v)  (公式1)

其中，Ω_d表示截止频率；α表示截止频率限制参数，取值范围为(0,1)；F(u,v)为原始图像f(x,y)的频谱，(x,y)为图像平面横纵坐标，图像大小为W×L，则取值范围x∈[1,W]，y∈[1,L]，(u,v)为图像频域坐标；

步骤102：根据图像边缘特性与图像辐射特性获取对比度拉伸函数参数，利用对比度拉伸函数进行自适应处理；对输入的平滑图像f_l(x,y)进行图像自适应对比度拉伸获得对比度拉伸图像f_s(x,y)，对比度拉伸选用函数为公式2所示：

$f_s(x,y)=\frac{f_l(x,y)}{1+{(m/f_l(x,y))}^E}$   (公式2)

其中，m为对比度拉伸函数中灰度转折参数，E为对比度陡降系数，两者分别由图像辐射统计特性和图像边缘饱和度确定，计算公式如下公式3、公式4所示：

m＝T_m×max(|diff(hist(f_l(x,y)))|)  (公式3)

其中,T_m为可调转折位置系数，diff(hist(f_l(x,y)))为平滑图像f_l(x,y)直方图差分；

$E=T_E\×\frac{1}{\mathrm{edge}\left(f_l(x,y)\right)/f_l(x,y)}$   (公式4)

其中,T_E为可调陡降程度系数，edge(f_l(x,y))为平滑图像f_l(x,y)边缘；

步骤103：将对比度拉伸处理过后的图像f_s(x,y)进行边缘锐化，利用Laplace高通滤波器H_Laplace(u,v)强化图像f_s(x,y)边缘，获得锐化图像f_sharp(x,y)如公式5所示；

f_sharp(x,y)＝f_s(s,y)+H_Laplace(f_s(s,y))  (公式5)；

其中，H_Laplace(f_s(s,y))表示利用Laplace高通滤波器对强化图像f_s(x,y)进行高通滤波后所得的强化图像边缘信息。

优选地，步骤S2包括如下步骤：

步骤201：采用Sobel梯度算子，提取锐化图像f_sharp(x,y)归一化梯度Grad(x,y)，如公式6所示：

Grad(x,y)＝{[(z₇+2z₈+z₉)-(z₁+2z₂+z₃)]²+[(z₃+2z₆+z₉)-(z₁+2z₄+z₇)]²}  (公式6)

其中，z_i,i＝1,2,...,9,表示3×3的检测模板中对应的锐化图像灰度值，检测模板排序方式为按行排列；

然后根据可调细节保持因子β，实现梯度细小毛刺剔除获得细节保持处理过后的归一化梯度Grad_β(x,y)，如公式7所示：

${\mathrm{Grad}}_{\mathrm{\β}}(x,y)=\left\{\begin{array}{cc}\mathrm{Grad}(x,y)& \frac{{\mathrm{sum}}_8\left(\mathrm{Grad}(x_B,y_B)\right)}{\mathrm{Block}}>(1-\mathrm{\β})\\ 0& \mathrm{others}\end{array}\right.$   (公式7)

其中，Block为设置的具有8连通特性的检测模块，sum₈(Grad(x_B,y_B))为检测模块内具有8连通特性梯度之和，细节保持度与β成正比，β取值范围[0,1]；Grad(x_B,y_B)表示具有8连通特性的检测模块的图像梯度，图像梯度获取采用Laplace高通滤波器进行计算，其中，x_B表示图像平面横坐标，y_B表示图像平面纵坐标，图像大小为W×L，则取值范围x_B∈[1,W]，y_B∈[1,L]；

步骤202：利用Grad(x,y)与f_sharp(x,y)联合直方图H_G-fsharp(x,y)如公式8所示，采用Otsu算法，获得自适应目标保持二值化图像f_bw(x,y)：

H_G-fsharp(x,y)＝hist(f_sharp(x,y)×Grad_β(x,y))  (公式8)

其中，hist(·)表示图像直方图算子，hist(f_sharp(x,y)×Grad_β(x,y))用以计算括号内联合图像f_sharp(x,y)×Grad_β(x,y)的直方图分布；

步骤203：针对二值化图像f_bw(x,y)，采用连通域标记方式即将二值化图像中灰度值相同且无间断的闭合区域像素位置赋相同标记值，将具有相同标记值的区域视为连通域，实现对显著目标域的提取和定位，并利用归一化梯度函数Grad(x,y)对显著目标进行周围细节特性提取，然后根据连通域标记和细节特征获得感兴趣目标区域f_ROI(x,y,n)：

f_ROI(x,y,n)n＝1,2,3,...,T  (公式9)

其中，n为目标标记索引，T表示感兴趣区域总个数，T同时表征此时成像范围内疑似目标个数。

优选地，步骤S3包括如下步骤：

步骤301：采用Harris角点特征提取算法完成目标感兴趣区域f_ROI(x,y,n)角点特征检测，并标记为具有角点目标区域，Harris算子D_harris(x,y,n)为

D_harris(x,y,n)＝det(A(x,y,n))-k·tr²(A(x,y,n))  (公式10)

其中，det(.)为矩阵行列式，tr(.)表示矩阵的迹，k为经验常数，取0.04～0.06；A(x,y,n)定义如公式11所示

$A(x,y,n)=W\left[\begin{array}{cc}{f}_{\mathrm{ROI}-u}^2(x,y,n)& f_{\mathrm{ROI}-\mathrm{uv}}(x,y,n)\\ f_{\mathrm{ROI}-\mathrm{uv}}(x,y,n)& f_{\mathrm{ROI}-v}^2(x,y,n)\end{array}\right]$   (公式11)

其中，W为高斯平滑模板，f_ROI-u(x,y,n)、f_ROI-v(x,y,n)、f_ROI-uv(x,y,n)分别为图像f_ROI(x,y,n)在水平方向u的偏导数、垂直方向v的偏导数、混合偏导数，设定阈值T_H，当某点的D_harris值大于设定阈值时，该点即为角特征点；

然后利用Hough变换提取目标感兴趣区域f_ROI(x,y,n)线特征，将具有大于阈值T_l的线目标域标记为具有线目标区域，阈值T_l为能探测的最小线目标长度；

步骤302：判断第n个目标感兴趣区域是否存在角点、线目标标记，如果不存在，则在存在未处理目标感兴趣区域即n＜T的情况下，处理下一个目标感兴趣区域，否则n＝T时处理结束；

步骤303：将利用水平、垂直、45°、-45°算子进行方向特征提取，然后结合水平、垂直、45°、-45°这四个方向特征获取第n个目标感兴趣区域方向总特征Grad_ROI(x,y,n)，然后结合连通特性搜索第n个目标感兴趣区域定位获得该区域内对应的闭合方向总特征特征Grad_close(x,y,m)，

Grad_close(x,y,m) m＝0,1,...,M  (公式12)

其中，Grad_close(x,y,m)为第n个目标感兴趣区域方向总特征Grad_ROI(x,y,n)中水平、垂直、45°、-45°方向信息齐全且能够构成完整闭合轮廓的闭合特征集合，m为闭合特征索引，M为感兴趣区域内闭合特征总数。若无闭合特征即M＝0，则返回301继续处理下一个感兴趣区域；

根据Grad_close(x,y)中心辐射范围的水平、垂直、45°、-45°进行边缘距离测量、周长测量和面积测量，分别根据公式12定义获得第m个闭合特征的水平距离L_H(m)、垂直距离L_V(m)、45°方向距离L₄₅(m)、-45°方向距离L_-45(m)，轮廓周长C(m)和目标轮廓面积S(m)，利用建立的形状查找表进行目标形状匹配分类；

$\left\{\begin{array}{c}{L}_H\left(m\right)=\max \left(X{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)-\min \left(X{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)\\ L_V\left(m\right)=\max \left(Y{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)-\min \left(Y{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)\\ L_{45}\left(m\right)=\max \left(Z1{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)-\min \left(Z1{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)\\ L_{-45}\left(m\right)=\max \left(Z2{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)-\min \left(Z2{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)\\ C\left(m\right)=\mathrm{sum}\left({\mathrm{Grad}}_{\mathrm{close}}(x,y,m)\right)\\ S\left(m\right)=\mathrm{sum}\left(f_{\mathrm{Grad}-\mathrm{close}}(x,y,m)\right)\end{array}\right.$   (公式13)

其中，max(X(m)_Grad-close)为第m个闭合特征水平方向坐标最大值，min(X(m)_Grad-close)为第m个闭合特征水平方向坐标最小值；max(Y(m)_Grad-close)为第m个闭合特征垂直方向坐标最大值，min(Y(m)_Grad-close)为第m个闭合特征垂直方向坐标最小值；max(Z1(m)_Grad-close)为第m个闭合特征45°方向坐标最大值，min(Z1(m)_Grad-close)为第m个闭合特征45°方向坐标最小值；max(Z2(m)_Grad-close)为第m个闭合特征-45°方向坐标最大值，min(Z2(m)_Grad-close)为第m个闭合特征-45°方向坐标最小值；sum(Grad_close(x,y,m))表示第m个闭合特征轮廓像素和；sum(f_Grad-close(x,y,m))表示第m个闭合特征轮廓内包含的区域像素总和；

步骤304：设置匹配误差容限σ扩大对目标边缘不规则的适应性，即表示相对误差处于[-σ,σ]均视为匹配成功；根据边缘距离、轮廓周长和目标轮廓区域面积计算对应关系，并在形状查找表进行目标形状归类；若存在匹配形状且存在待处理目标感兴趣区域即n＜T则转入步骤301继续处理，若无匹配形状则转入步骤305继续处理；

步骤305：若无匹配形状则将图像逆时针依次旋转角度K，重新进行旋转图像边缘距离测量，计算对应关系并查找形状查找表进行形状归类；若存在匹配形状且存在待处理目标感兴趣区域即n＜T则转入步骤301继续处理，若无匹配形状且旋转总角度Θ＜π/2则转入步骤303继续处理，若Θ≥π/2且n＜T则转入步骤301继续处理：

Θ＝K×P  (公式14)

公式14为旋转总角度计算公式，其中，K为每次旋转角度，P为旋转总次数；由于测量方向的旋转对称性，即当图像旋转总角度Θ＝Φ时，设Φ满足如下公式15，

  (公式15)

当K为奇数时旋转特征量具有如公式16的对称特性，

  (公式16)

当K为偶数时旋转特征量具有如公式17的对称特性，

  (公式17)

其中，Grad_close(x,y,m,Φ)为Grad_close(x,y,m)旋转角度Φ获得图像，Grad_close(x,y,m,Φ)对应的特征水平距离为L_H(m,Φ)、垂直距离为L_V(m,Φ)，45°方向距离为L₄₅(m,Φ)，-45°方向距离为L_-45(m,Φ)；旋转角度为时获得图像的特征水平距离为垂直距离45°方向距离为-45°方向距离为

因此，当图像旋转总角度Θ＝π/2时，即可覆盖图像内目标所有可能姿态；因此，旋转总角度Θ满足如下公式18：

$\mathrm{\Θ}\≤\frac{\mathrm{\π}}{2}$   (公式18)。

与现有技术相比，本发明具有如下的有益效果：

本发明的技术方案采用图像处理方法，基于目标特征的图像预处理与目标域提取方法，能够结合图像特征自适应的对图像进行预处理提升图像分辨率，同时引入快速目标域标记和目标域特征检测，利用目标特性实现快速检测和目标标记，提高检测效率，从而获得更准确的检测结果和更详细精准的目标信息和成像质量。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明实施例提供的基于目标特征的全息成像探测雷达图像预处理与目标提取处理流程图；

图2是本发明实施例提供的基于目标特性的自适应图像锐化处理流程图；

图3是本发明实施例提供的基于目标辐射强度和图像梯度特性的目标区域快速判决处理流程图；

图4是本发明实施例提供的基于目标特性的感兴趣区域目标标记分类处理流程图。

表1是本发明实施例提供的目标形状查找表，其中符号{,},{,...,}表示变量任选其一，且本发明实施例所提供的目标形状查找仅表明了部分形状的特征，可根据实际应用推广至更多的形状或特别适用的特殊形状。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

本发明提供的方法包括：首先利用目标辐射信息和轮廓信息进行自适应低通滤波和自适应图像锐化，降低图像噪声，提升图像分辨率。然后利用目标辐射强度特性对锐化图像快速划分感兴趣目标区域。最后对感兴趣目标区域进行目标特征提取，去除虚警区域，划分目标类型，最终实现目标物体特征分类。本发明的技术方案解决的技术问题是在保持原有成像结果的目标特性前提下，根据成像结果辐射、细节特性进行自适应图像锐化处理，获得更清晰的目标特性，然后利用图像目标特征实现更准确的目标检测性能。

如图1、图2、图3和图4所示，所述基于目标特征的全息雷达图像预处理与目标域提取方法包括：

步骤S1：利用目标辐射信息和轮廓信息进行自适应低通滤波平滑处理和自适应图像锐化，降低图像噪声，提升图像分辨率；

步骤S2：利用目标辐射强度和图像梯度特性，对分辨率提升图像f_sharp(x,y)快速划分感兴趣区域；

步骤S3：根据S2的感兴趣区域，进一步采取目标角点特征、线特征和方向特征提取，剔除虚警区域，实现目标特性分类；

所述步骤S1，具体可分为：

101：利用成像系统获取的图像边缘特性选取截止频率Ω_d，设计截止频率为Ω_d的低通滤波器H_l(u,v)对原始图像f(x,y)进行平滑滤波，去除图像噪声，获得平滑图像f_l(x,y)，其中(x,y)为图像平面横纵坐标，取值范围由图像大小决定，(u,v)为与图像面对应的频域坐标；

102：根据平滑图像f_l(x,y)边缘特性与目标辐射特性获取最优对比度拉伸函数参数，利用对比度拉伸函数进行自适应处理。对输入平滑图像f_l(x,y)的进行图像自适应对比度拉伸获得对比度拉伸图像f_s(x,y)；

103：将对比度拉伸处理过后的图像f_s(x,y)进行边缘锐化，利用Laplace高通滤波器强化图像f_s(x,y)边缘，获得锐化图像f_sharp(x,y)。

所述步骤S2，具体可分为：

201：利用Sobel梯度算子提取图像归一化梯度Grad(x,y)，然后根据可调细节保持因子β，实现Grad(x,y)细小毛刺剔除，细节保持度与β成正比；

202：利用Grad(x,y)与f_sharp(x,y)联合直方图H_G-fsharp(x,y)结合Otsu’s最优权值二值化处理算法，获得自适应目标保持二值化图像f_bw(x,y)；

203：针对二值化图像f_bw(x,y)，利用连通域标记技术对显著目标进行提取和定位，并结合Grad(x,y)中显著目标周围细节特性提取感兴趣目标区域f_ROI(x,y,n)。其中，n为目标标记索引，n＝1,2,3,...,T，T为感兴趣区域总个数，同时表征此时成像范围内，疑似目标个数为T。

所述步骤S3，具体可分为：

301：采用Harris角特征提取算法完成目标感兴趣区域f_ROI(x,y,n)角点特征检测，并标记为具有角点目标区域；利用Hough变换提取目标域线特征，将具有大于阈值T_l的线目标域化标记为具有线目标区域；

302：判断第n个感兴趣区域是否存在角点、线目标标记，如果不存在，在存在未处理感兴趣区域即n＜T的情况下，处理下一个感兴趣区域，否则n＝T时处理结束；

303：将存在标记的感兴趣区域利用水平、垂直、45°、-45°算子进行方向特征提取，结合四个方向特征获得第n个感兴趣区域方向总特征Grad_ROI(x,y,n)。然后利用方向特征完整性和轮廓闭合特性搜索闭合特征域Grad_close(x,y,m)，其中m＝0,1,...,M，m为闭合特征索引，M为闭合特征个数。若具有闭合特征，则根据Grad_close(x,y,m)中心辐射范围的水平、垂直、45°、-45°进行闭合特征边缘距离、闭合轮廓周长和闭合轮廓区域面积测量。若无闭合特征即M＝0，则返回301继续处理下一个感兴趣区域；

304：设定误差容限σ，根据边缘距离、轮廓周长和轮廓区域面积计算对应关系，并在形状查找表进行目标形状归类。若存在匹配形状且存在待处理感兴趣区域n＜T转301继续处理，若无匹配形状转305继续处理；

305：若无匹配形状则将图片逆时针依次旋转角度K，重新进行旋转图像边缘距离测量，计算对应关系并查找表进行形状归类。若存在匹配形状且存在待处理感兴趣区域即n＜T转301继续处理，若无匹配形状且旋转总角度Θ＜π/2转303继续处理，若Θ≥π/2且n＜T则转301继续处理。

本发明技术方案采用基于目标特征的全息成像探测雷达图像预处理与目标提取方法，可以较好的提升成像效果进而实现目标快速标记，实现自适应图像预处理和目标特性提取。本发明的技术方案能够提升全息雷达成像质量和效率，从而广泛用于全息雷达成像应用领域和目标检测等应用场合。

下面举例说明本发明的技术方案：

全息雷达所成原始图像中主要存在的噪声为天线旁瓣噪声、介质不均回波以及随机噪声。为了实现噪声去除，同时保留图像中目标特性，需要对其进行基于目标特性的自适应图像锐化处理。针对后续的目标识别，在为了保证处理效率和准确率的前提下，采用先疑似目标域划分，再对疑似目标域进行目标特征检测与分类的逐步识别方法，最终实现对成像结果的锐化与目标识别。

本发明采用的技术方案是：

第一步，利用目标辐射信息和轮廓信息进行自适应低通滤波平滑处理和自适应图像锐化，降低图像噪声，提升图像分辨率。

第二步，根据S1进行的去噪与锐化处理后获得的图像f_sharp(x,y)，利用图像中目标辐射强度和图像梯度表征的细节特性，实现快速划分目标感兴趣区域。

第三步，根据S2提取的目标感兴趣区域f_ROI(x,y,n)进行角点特征和线特征提取，剔除虚警目标区域。然后利用目标方向特征检测提取更为全面的目标信息实现目标疑似类型划分。

为了更清晰的说明本发明方法，假设全息雷达成像结果为f(x,y)，为了实现本发明中的基于目标特征的全息雷达图像预处理与目标域提取方法，采用如下具体步骤：

第一步，利用目标辐射信息和轮廓信息进行自适应低通滤波平滑处理和自适应图像锐化，降低图像噪声，提升图像分辨率，具体处理过程具有如下特征：

101：利用低通滤波器H_l(u,v)对原始图像f(x,y)进行平滑滤波，去除图像噪声，获得平滑图像f_l(x,y)，其中(x,y)为图像平面横纵坐标，(u,v)为与图像面对应的频域坐标；

102：根据基于平滑图像f_l(x,y)边缘特性与目标辐射特性的最优对比度拉伸函数进行自适应对比度拉伸处理，获得对比度拉伸图像f_s(x,y)；

103：将图像f_s(x,y)进行Laplace高通滤波实现边缘强化，获得锐化图像f_sharp(x,y)。

第二步，根据第一步进行的去噪与锐化处理后获得的图像f_sharp(x,y)，利用图像中目标辐射强度和图像梯度表征的细节特性，实现快速目标域提取与目标域目标特征提取，完成自动目标感兴趣区域标记。具体处理过程具有如下特征：

201：利用Sobel梯度算子提取图像归一化梯度Grad(x,y)，然后根据设定的细节保持因子β，实现Grad(x,y)细小毛刺剔除，细节保持度与β成正比；

202：利用Grad(x,y)与f_sharp(x,y)联合直方图H_G-fsharp(x,y)结合Otsu’s最优权值二值化处理算法，获得自适应目标保持二值化图像f_bw(x,y)；

203：针对二值化图像f_bw(x,y)，利用连通域标记技术对显著目标进行提取和定位，并结合Grad(x,y)中显著目标周围细节特性提取感兴趣目标区域f_ROI(x,y,n)。其中，n为目标标记索引，感兴趣区域总个数T，同时表征此时成像范围内，疑似目标个数为T。

第三步，第二步的提取的目标感兴趣区域f_ROI(x,y,n)仅能对于目标存在区域进行初步判决，目标特征，目标疑似类型等进一步的目标信息无法掌握。结合第二步的提取的目标感兴趣区域对f_ROI(x,y,n)进行角点特征、线特征和目标方向特征进行检测提取更为全面的目标信息，剔除虚警区域，实现目标类型划分。具体处理过程具有如下特征：

301：采用Harris角特征提取算法完成目标感兴趣区域f_ROI(x,y,n)角点特征检测，并标记为具有角点目标区域；利用Hough变换提取目标域线特征，将具有大于阈值T_l的线目标域标记为具有线目标区域；

302：判断第n个感兴趣区域是否存在角点、线目标标记，如果不存在，在存在未处理感兴趣区域即n＜T的情况下，处理下一个感兴趣区域，否则n＝T时处理结束；

303：将存在标记的感兴趣区域利用水平、垂直、45°、-45°算子进行方向特征提取，结合四个方向特征获得第n个感兴趣区域方向总特征Grad_ROI(x,y,n)。然后利用方向特征完整性和轮廓闭合特性搜索闭合特征域Grad_close(x,y,m)，其中m＝0,1,...,M，m为闭合特征索引，M为闭合特征个数。若具有闭合特征，则根据Grad_close(x,y,m)中心辐射范围的水平、垂直、45°、-45°进行闭合特征边缘距离、闭合轮廓周长和闭合轮廓区域面积测量。若无闭合特征即M＝0，则返回301继续处理；

304：设定误差容限σ，根据边缘距离、轮廓周长和轮廓区域面积计算对应关系，并在形状查找表进行目标形状归类。若存在匹配形状且存在待处理感兴趣区域即n＜T转301继续处理，若无匹配形状转305继续处理；

305：若无匹配形状则将图片逆时针依次旋转角度K，重新进行旋转图像边缘距离测量，计算对应关系并查找表进行形状归类。若存在匹配形状且存在待处理感兴趣区域即n＜T转301继续处理，若无匹配形状且旋转总角度Θ＜π/2转303继续处理，若Θ≥π/2且n＜T则转301继续处理。

表1

其中，水平距离为L_H、垂直距离为L_V、45°方向距离为L₄₅、-45°方向距离为L_-45，轮廓周长为C、目标轮廓面积为S，t∈[0,1]为梯形腰斜率修正因子。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。

Claims (4)

1.一种基于目标特征的全息雷达图像预处理与目标提取方法，其特征在于，包括如下步骤：

步骤S1：利用目标辐射信息和轮廓信息进行自适应低通滤波平滑处理和自适应图像锐化，降低图像噪声，提升图像分辨率；

步骤S2：实现自适应低通滤波平滑处理和自适应图像锐化处理后，获得锐化图像f_sharp(x,y)，利用锐化图像f_sharp(x,y)中目标辐射强度和图像梯度表征的细节特性，实现快速疑似目标域提取，完成目标域感兴趣区域自动目标快速标记；

步骤S3：对标记的疑似目标感兴趣区域f_ROI(x,y,n)进行角点特征、线特征、目标外形检测提取，剔除虚警目标域，并将真实目标域根据特征形态进行类型划分。

2.根据权利要求1所述的基于目标特征的全息雷达图像预处理与目标提取方法，其特征在于，步骤S1包括如下步骤：

步骤101：利用成像系统获取的图像边缘特性选取截止频率Ω_d，利用截止频率为Ω_d的低通滤波器H_l(u,v)对原始图像f(x,y)进行平滑滤波，去除图像噪声，获得平滑图像f_l(x,y)；

Ω_d＝α·maxF(u,v)         (公式1)

其中，Ω_d表示截止频率；α表示截止频率限制参数，取值范围为(0,1)；F(u,v)为原始图像f(x,y)的频谱，(x,y)为图像平面横纵坐标，图像大小为W×L，则取值范围x∈[1,W]，y∈[1,L]，(u,v)为图像频域坐标；

步骤102：根据图像边缘特性与图像辐射特性获取对比度拉伸函数参数，利用对比度拉伸函数进行自适应处理；对输入的平滑图像f_l(x,y)进行图像自适应对比度拉伸获得对比度拉伸图像f_s(x,y)，对比度拉伸选用函数为公式2所示：

$f_s(x,y)=\frac{f_l(x,y)}{{1+(m/f_l(x,y))}^E}$       (公式2)

其中，m为对比度拉伸函数中灰度转折参数，E为对比度陡降系数，两者分别由图像辐射统计特性和图像边缘饱和度确定，计算公式如下公式3、公式4所示：

m＝T_m×max(|diff(hist(f_l(x,y)))|)    (公式3)

其中,T_m为可调转折位置系数，diff(hist(f_l(x,y)))为平滑图像f_l(x,y)直方图差分；

$E=T_E\×\frac{1}{\mathrm{edge}\left(f_l(x,y)\right)/f_l(x,y)}$     (公式4)

其中,T_E为可调陡降程度系数，edge(f_l(x,y))为平滑图像f_l(x,y)边缘；

步骤103：将对比度拉伸处理过后的图像f_s(x,y)进行边缘锐化，利用Laplace高通滤波器H_Laplace(u,v)强化图像f_s(x,y)边缘，获得锐化图像f_sharp(x,y)如公式5所示；

f_sharp(x,y)＝f_s(s,y)+H_Laplace(f_s(s,y))    (公式5)；

其中，H_Laplace(f_s(s,y))表示利用Laplace高通滤波器对强化图像f_s(x,y)进行高通滤波后所得的强化图像边缘信息。

3.根据权利要求1所述的基于目标特征的全息雷达图像预处理与目标提取方法，其特征在于，步骤S2包括如下步骤：

步骤201：采用Sobel梯度算子，提取锐化图像f_sharp(x,y)归一化梯度Grad(x,y)，如公式6所示：

Grad(x,y)＝{[(z₇+2z₈+z₉)-(z₁+2z₂+z₃)]²+[(z₃+2z₆+z₉)-(z₁+2z₄+z₇)]²}  (公式6)

其中，z_i,i＝1,2,...,9,表示3×3的检测模板中对应的锐化图像灰度值，检测模板排序方式为按行排列；

然后根据可调细节保持因子β，实现梯度细小毛刺剔除获得细节保持处理过后的归一化梯度Grad_β(x,y)，如公式7所示：

${\mathrm{Grad}}_{\mathrm{\β}}(x,y)=\left\{\begin{array}{cc}\mathrm{Grad}(x,y)& \frac{{\mathrm{sum}}_8\left(\mathrm{Grad}(x_B,y_B)\right)}{\mathrm{Block}}>(1-\mathrm{\β})\\ 0& \mathrm{others}\end{array}\right.$    (公式7)

其中，Block为设置的具有8连通特性的检测模块，sum₈(Grad(x_B,y_B))为检测模块内具有8连通特性梯度之和，细节保持度与β成正比，β取值范围[0,1]；Grad(x_B,y_B)表示具有8连通特性的检测模块的图像梯度，图像梯度获取采用Laplace高通滤波器进行计算，其中，x_B表示图像平面横坐标，y_B表示图像平面纵坐标，图像大小为W×L，则取值范围x_B∈[1,W]，y_B∈[1,L]；

步骤202：利用Grad(x,y)与f_sharp(x,y)联合直方图H_G-fsharp(x,y)如公式8所示，采用Otsu算法，获得自适应目标保持二值化图像f_bw(x,y)：

H_G-fsharp(x,y)＝hist(f_sharp(x,y)×Grad_β(x,y))   (公式8)

其中，hist(·)表示图像直方图算子，hist(f_sharp(x,y)×Grad_β(x,y))用以计算括号内联合图像f_sharp(x,y)×Grad_β(x,y)的直方图分布；

步骤203：针对二值化图像f_bw(x,y)，采用连通域标记方式即将二值化图像中灰度值相同且无间断的闭合区域像素位置赋相同标记值，将具有相同标记值的区域视为连通域，实现对显著目标域的提取和定位，并利用归一化梯度函数Grad(x,y)对显著目标进行周围细节特性提取，然后根据连通域标记和细节特征获得感兴趣目标区域f_ROI(x,y,n)：

f_ROI(x,y,n)n＝1,2,3,...,T    (公式9)

其中，n为目标标记索引，T表示感兴趣区域总个数，T同时表征此时成像范围内疑似目标个数。

4.根据权利要求1所述的基于目标特征的全息雷达图像预处理与目标提取方法，其特征在于，步骤S3包括如下步骤：

步骤301：采用Harris角点特征提取算法完成目标感兴趣区域f_ROI(x,y,n)角点特征检测，并标记为具有角点目标区域，Harris算子D_harris(x,y,n)为

D_harris(x,y,n)＝det(A(x,y,n))-k·tr²(A(x,y,n))   (公式10)

其中，det(.)为矩阵行列式，tr(.)表示矩阵的迹，k为经验常数，取0.04～0.06；A(x,y,n)定义如公式11所示

$A(x,y,n)=W\left[\begin{array}{cc}{f}_{\mathrm{ROI}-u}^2(x,y,n)& f_{\mathrm{ROI}-\mathrm{uv}}(x,y,n)\\ f_{\mathrm{ROI}-\mathrm{uv}}(x,y,n)& f_{\mathrm{ROI}-v}^2(x,y,n)\end{array}\right]$     (公式11)

其中，W为高斯平滑模板，f_ROI-u(x,y,n)、f_ROI-v(x,y,n)、f_ROI-uv(x,y,n)分别为图像f_ROI(x,y,n)在水平方向u的偏导数、垂直方向v的偏导数、混合偏导数，设定阈值T_H，当某点的D_harris值大于设定阈值时，该点即为角特征点；

然后利用Hough变换提取目标感兴趣区域f_ROI(x,y,n)线特征，将具有大于阈值T_l的线目标域标记为具有线目标区域，阈值T_l为能探测的最小线目标长度；

步骤302：判断第n个目标感兴趣区域是否存在角点、线目标标记，如果不存在，则在存在未处理目标感兴趣区域即n＜T的情况下，处理下一个目标感兴趣区域，否则n＝T时处理结束；

步骤303：将利用水平、垂直、45°、-45°算子进行方向特征提取，然后结合水平、垂直、45°、-45°这四个方向特征获取第n个目标感兴趣区域方向总特征Grad_ROI(x,y,n)，然后结合连通特性搜索第n个目标感兴趣区域定位获得该区域内对应的闭合方向总特征特征Grad_close(x,y,m)，

Grad_close(x,y,m) m＝0,1,...,M    (公式12)

其中，Grad_close(x,y,m)为第n个目标感兴趣区域方向总特征Grad_ROI(x,y,n)中水平、垂直、45°、-45°方向信息齐全且能够构成完整闭合轮廓的闭合特征集合，m为闭合特征索引，M为感兴趣区域内闭合特征总数；若无闭合特征即M＝0，则返回301继续处理下一个感兴趣区域；

根据Grad_close(x,y)中心辐射范围的水平、垂直、45°、-45°进行边缘距离测量、周长测量和面积测量，分别根据公式12定义获得第m个闭合特征的水平距离L_H(m)、垂直距离L_V(m)、45°方向距离L₄₅(m)、-45°方向距离L_-45(m)，轮廓周长C(m)和目标轮廓面积S(m)，利用建立的形状查找表进行目标形状匹配分类；

$\left\{\begin{array}{c}{L}_H\left(m\right)=\max \left(X{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)-\min \left(X{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)\\ L_V\left(m\right)=\max \left(Y{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)-\min \left(Y{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)\\ L_{45}\left(m\right)=\max \left(Z1{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)-\min \left(Z1{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)\\ L_{-45}\left(m\right)=\max \left(Z2{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)-\min \left(Z2{\left(m\right)}_{\mathrm{Grad}-\mathrm{close}}\right)\\ C\left(m\right)=\mathrm{sum}\left({\mathrm{Grad}}_{\mathrm{close}}(x,y,m)\right)\\ S\left(m\right)=\mathrm{sum}\left(f_{\mathrm{Grad}-\mathrm{close}}(x,y,m)\right)\end{array}\right.$     (公式13)

其中，max(X(m)_Grad-close)为第m个闭合特征水平方向坐标最大值，min(X(m)_Grad-close)为第m个闭合特征水平方向坐标最小值；max(Y(m)_Grad-close)为第m个闭合特征垂直方向坐标最大值，min(Y(m)_Grad-close)为第m个闭合特征垂直方向坐标最小值；max(Z1(m)_Grad-close)为第m个闭合特征45°方向坐标最大值，min(Z1(m)_Grad-close)为第m个闭合特征45°方向坐标最小值；max(Z2(m)_Grad-close)为第m个闭合特征-45°方向坐标最大值，min(Z2(m)_Grad-close)为第m个闭合特征-45°方向坐标最小值；sum(Grad_close(x,y,m))表示第m个闭合特征轮廓像素和；sum(f_Grad-close(x,y,m))表示第m个闭合特征轮廓内包含的区域像素总和；

步骤304：设置匹配误差容限σ扩大对目标边缘不规则的适应性，即表示相对误差处于[-σ,σ]均视为匹配成功；根据边缘距离、轮廓周长和目标轮廓区域面积计算对应关系，并在形状查找表进行目标形状归类；若存在匹配形状且存在待处理目标感兴趣区域即n＜T则转入步骤301继续处理，若无匹配形状则转入步骤305继续处理；

步骤305：若无匹配形状则将图像逆时针依次旋转角度K，重新进行旋转图像边缘距离测量，计算对应关系并查找形状查找表进行形状归类；若存在匹配形状且存在待处理目标感兴趣区域即n＜T则转入步骤301继续处理，若无匹配形状且旋转总角度Θ＜π/2则转入步骤303继续处理，若Θ≥π/2且n＜T则转入步骤301继续处理：

Θ＝K×P     (公式14)

公式14为旋转总角度计算公式，其中，K为每次旋转角度，P为旋转总次数；由于测量方向的旋转对称性，即当图像旋转总角度Θ＝Φ时，设Φ满足如下公式15，

     (公式15)

当K为奇数时旋转特征量具有如公式16的对称特性，

      (公式16)

当K为偶数时旋转特征量具有如公式17的对称特性，

     (公式17)

其中，Grad_close(x,y,m,Φ)为Grad_close(x,y,m)旋转角度Φ获得图像，Grad_close(x,y,m,Φ)对应的特征水平距离为L_H(m,Φ)、垂直距离为L_V(m,Φ)，45°方向距离为L₄₅(m,Φ)，-45°方向距离为L_-45(m,Φ)；旋转角度为时获得图像的特征水平距离为垂直距离45°方向距离为-45°方向距离为

因此，当图像旋转总角度Θ＝π/2时，即可覆盖图像内目标所有可能姿态；因此，旋转总角度Θ满足如下公式18：

$\mathrm{\Θ}\≤\frac{\mathrm{\π}}{2}$            (公式18)。