CN105405132A - 基于视觉反差和信息熵的sar图像人造目标检测方法 - Google Patents

Abstract

本发明公开了一种基于视觉反差和信息熵的SAR图像人造目标检测方法，根据生物视觉特性，通过模拟初级视觉皮层中的简单细胞来提取图像的局部反差信息；学习计算池模型将S单元整合为复杂单元C，并进行高斯滤波处理，生成全局显著图；根据信息熵最大原则对显著图进行阈值分割；通过形态学滤波处理消除孤立的像素集合，并提高像素集合的连通性；提取目标的边缘信息，将其显示在原始SAR影像上，得到目标检测结果。本发明所达到的有益效果：实现了SAR图像中人造目标的有效检测，且运算量小、处理效率高，便于工程实现，可用于小型人造目标的快速检测。

Description

基于视觉反差和信息熵的SAR图像人造目标检测方法

技术领域

本发明涉及一种基于视觉反差和信息熵的合成孔径雷达(SyntheticApertureRadar，SAR)图像人造目标快速检测方法，属于遥感图像处理技术领域。

背景技术

目标检测是SAR图像解译领域的一项重要研究课题，自SAR技术达到实用化水平以来，SAR图像目标检测研究一直受到广泛关注。建筑物、桥梁、车辆、船只等人造目标是SAR对地观测中重点监测的对象，这类目标的检测与识别在军事和民用上均具有重要意义，已被广泛地应用于军事侦察、城市规划、灾害监测、资源调查等领域。

现有的SAR图像目标检测算法主要有：基于对比度的目标检测算法，如窗口滤波法，阈值分割法、恒虚警(CFAR)检测算法、等等；基于图像其他特征的目标检测算法，如基于多分辨率特征的目标检测算法，利用边缘特征和局部能量的基于活动轮廓的目标检测算法，基于上下文特征的目标检测算法，基于扩展分形特征的目标检测算法，等等；以及基于复数据特征的目标检测算法，例如子孔径相干法。其中，关于恒虚警(CFAR)检测算法的研究最多，由于真实SAR图像中往往包含多种地物覆盖类型，且随着SAR图像分辨率提高，杂波背景的不均匀性增强，不少学者尝试利用新的统计分布模型进行杂波统计建模，如G0分布，Alpha稳定分布，等等；针对SAR图像视场大、传统滑窗CFAR比较费时等问题，研究了快速检测算法，如全局CFAR与局部CFAR级联算法，二次CFAR算法等等。

在SAR图像中，人造目标往往具有较强的雷达回波，上述各类算法被陆续应用于人造目标检测中。然而，随着SAR图像分辨率逐渐提高，统计模型参数估计复杂、对大视场图像检测精度与检测效率难以兼顾等问题仍普遍存在。特别是对于一些小型人造目标如车辆、船只、飞机、部分战术目标等等，目标自身不变特征往往提取困难，而且在大视场图像中采用复杂的算法其计算代价很大，难以满足实用性的要求。

近年来，随着计算神经科学和认知心理学等学科的发展，视觉注意机制(VisualAttentionMechanism)及其应用研究引起了广泛关注。视觉注意机制是灵长类动物处理视觉信息过程中的一项重要的心理调节机制，它使得人类具备从复杂环境中搜索感兴趣目标的能力，目前已有不少视觉注意模型被陆续提出，并已应用于目标检测中。最具代表性模型是由Itti等人于1998年提出基于底层视觉特征的模型(简称Itti模型)，参见IttiL,KochC,NieburE.AModelofSaliency-BasedVisualAttentionforRapidSceneAnalysis[J].IEEETransactiononPatternAnalysis&MachineIntelligence,1998,20(11):1254-1259.还有Hou等人于2007年提出的基于空间频域分析的谱残差模型(简称SR模型)，参见HouX,ZhangL.SaliencyDetection:ASpectralResidualApproach[C].2007IEEEConferenceonComputerVisionandPatternRecognition,IEEEComputerSociety,2007:1-8.但是由于现有的视觉注意模型多数都是针对自然图像的，在SAR图像中的应用比较有限，检测结果也不令人满意。近期有学者对Itti模型进行了改进，但处理效率较低，不便于工程实现。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于视觉反差和信息熵的SAR图像人造目标快速检测方法，进行三次下采样，减少了检测过程需要处理的数据量，提高了运算效率。

为了实现上述目标，本发明采用如下的技术方案：

一种基于视觉反差和信息熵的SAR图像人造目标检测方法，其特征是，包括如下步骤：

1)对待检测的SAR图像进行高斯金字塔分解，通过下采样处理建立4层影像金字塔，处理后图像分别记为I₀，I₁，I₂和I₃，其中I₀为原图像尺寸，I₁，I₂和I₃图像依次分别是原图像尺寸的1/2，1/4，1/8；

2)根据生物视觉特性，通过模拟初级视觉皮层中的简单细胞来提取图像的局部反差信息，对输出的四幅不同尺寸图像I₀，I₁，I₂和I₃分别进行中央周边差处理，提取简单单元S；

3)学习计算池模型，利用Maximum模型将S单元整合为复杂单元C，并进行高斯滤波处理，生成全局显著图G；

4)根据信息熵最大原则对步骤3)生成的全局显著图G进行阈值分割处理，处理后的二值图像记为B；

5)对处理后的二值图像B进行形态学滤波处理：进行连通、填充和清除运算，消除孤立的像素集合，提高像素集合的连通性；

6)从步骤5)处理后的二值图像中提取目标的轮廓线，将其显示在原始SAR影像上，得到目标检测结果。

前述的基于视觉反差和信息熵的SAR图像人造目标检测方法，其特征是，所述步骤1)中金字塔下采样操作按如下公式进行：I_δ(x,y)＝∑_m∑_nw(m,n)I_δ-1(2i+m,2j+n)(1)，其中，δ为图像层数，w(m,n)为降采样核函数，m,n为核函数窗口大小。

前述的基于视觉反差和信息熵的SAR图像人造目标检测方法，其特征是，所述步骤2)中进行中央周边差操作前，将周边层S_L∈{1,2,3}插值后放大到和中央层C_L∈{0,1,2}相同尺度，即S_L1和C_L0尺寸相同，S_L2和C_L1尺寸相同，S_L3和C_L2尺寸相同；

按公式(2)分别对S_L1和C_L0，S_L2和C_L1，S_L3和C_L2进行逐像素的特征差运算：D_n＝I(C_L,S_L)＝|I(C_L)ΘI(S_L)|，n∈{0,1,2}(2)，其中，Θ表示跨尺度的减操作，中央尺度C_L∈{0,1,2}，周边尺度S_L∈{1,2,3}，S_L＝C_L+δ，δ＝1。

前述的基于视觉反差和信息熵的SAR图像人造目标检测方法，其特征是，所述步骤3)中将S单元整合成C单元前，要将D₀,D₁,D₂三幅差值图分别插值到原始图像大小，得S₀,S₁,S₂；根据公式(3)分别对S₀,S₁,S₂进行计算，得单元C：C＝Max(S)，S∈{S₀,S₁,S₂}(3)。

本发明所达到的有益效果：1)运用4层高斯金字塔，进行三次下采样，减少了检测过程需要处理的数据量，提高了运算效率；2)利用视觉反差来模拟人眼真实感受，不需要提取过多的目标特征，计算复杂度低，根据信息熵最大可实现自动分割，具有良好的普适性，适用于车辆、船只、飞机、部分战术目标等小型人工目标；3)仿真结果表明，本发明方法较传统Itti模型和频域谱残差模型检测结果更有效，且运算量小、处理效率更高，便于工程实现。

附图说明

图1是本发明的流程图；

图2(a)---(f)是本发明仿真实验中所采用的高分辨率SAR图像效果图；

图3(a)---(f)是实验图像中人造目标的真实位置图；

图4(a)---(f)是采用基于Itti模型的目标检测方法得到的仿真结果效果图；

图5(a)---(f)是采用基于SR模型的目标检测方法得到的仿真结果效果图；

图6(a)---(f)是采用本发明得到的仿真结果效果图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

参照图1，本发明的具体实现步骤如下。

步骤1)：建立高斯金字塔影像：

金字塔是图像多尺度表示方法之一。它的底部是最原始的图像，有最高的分辨率，每向上移动一层，图像的尺度就减小一半，分辨率也随着降低。根据高斯金字塔不同采样层数的图像特性，以及在多次实验的基础上，本发明建立4层影像金字塔，对SAR图像进行下采样操作。设δ为金字塔的层数，则δ＝0,1,2,3。

对于一幅二维图像I(x,y)，I₀(x,y)表示最初的图像，则第δ层的图像可由以下公式得到：I_δ(x,y)＝∑_m∑_nw(m,n)I_δ-1(2i+m,2j+n)(1)，其中，δ为图像层数，w(m,n)为降采样核函数，m,n为核函数窗口大小。经过下采样后，得到4幅不同大小的图像，分别为I₀(x,y)，I₁(x,y)，I₂(x,y)和I₃(x,y)。

步骤2)：计算中央周边差值，获取简单单元S，从而提取图像的局部反差信息。

初级视觉皮层的神经元分为简单细胞(S)和复杂细胞(C)。简单细胞的感受野对视场中大反差视觉信息的输入有强烈变化。本步骤的目的是通过中央周边差操作(center－surround)来模拟简单细胞感受野的这种特性以获取S单元。其具体实现如下：

2.1)下采样生成的I₀，I₁，I₂和I₃图像层尺寸不一，将周边层S_L∈{1,2,3}插值后放大到和中央层C_L∈{0,1,2}相同尺度，即S_L1和C_L0尺寸相同，S_L2和C_L1尺寸相同，S_L3和C_L2尺寸相同；

2.2)按公式(2)分别对S_L1和C_L0，S_L2和C_L1，S_L3和C_L2进行逐像素的特征差运算：D_n＝I(C_L,S_L)＝|I(C_L)ΘI(S_L)|，n∈{0,1,2}(2)，其中，Θ表示跨尺度的减操作，中央尺度C_L∈{0,1,2}，周边尺度S_L∈{1,2,3}，S_L＝C_L+δ，δ＝1；

步骤3)：通过将简单单元S整合成复杂单元C，生成全局显著图。

简单细胞的感受野只包括视野中的一小部分，只有当这些局部的单元信息被汇集成具有全局意义的特征后，视觉系统才能感知其中的目标。研究表明，复杂细胞是简单细胞集群的一种非线性时空整合，C单元由S单元汇集而成，而计算池模型是沟通灵长类视觉皮层中简单细胞和复杂细胞的桥梁，参见王哲.基于初级视觉机制的图像编码模型研究[D].北京:北京交通大学，2011:1-124.

本步骤的目的是通过模拟简单细胞集群的非线性时空整合，将局部反差信息整合成复杂细胞感受到的全局信息，从而生成与原图像大小相等的全局显著图。其具体实现过程如下：

3.1)将D₀,D₁,D₂三幅差值图分别插值到原始图像大小，得S₀,S₁,S₂。

3.2)根据公式(3)分别对S₀,S₁,S₂进行计算，得单元C：

C＝Max(S)，S∈{S₀,S₁,S₂}(3)。

3.3)选取高斯滤波算子hg，对最终差值图像进行滤波处理，以达到突出显著目标，增强视觉效果的结果，生成全局显示图G。

步骤4)：利用信息熵对进行阈值分割处理

摒弃传统基于经验给定阈值的方式，引入最佳熵值法对全局显著图进行阈值分割，得到二值图像B。

首先根据公式(4)计算全局显著图直方图的熵值H：

$H_T=-\underset{i=0}{\overset{n-1}{\Σ}}{p}_i\ln p_i,i\∈\{0,1,...,n-1\}---\left(4\right)$

其中，i是灰度范围，P_i为第i个灰度出现的频率。考虑到熵值最大表示该处的信息量最大，因此，以熵值最大的灰度值为分割点进行图像的阈值分割。

步骤5)：对显著图进行形态学处理。

为了减少噪声目标对人造目标的干扰，引入了形态学知识实现对二值图像的处理。本发明中，利用线性结构元素和圆盘型结构元素分别进行二值图像的腐蚀与膨胀处理，消除了干扰物的影响，并提高像素集合的连通性。

步骤六：获取目标的位置图。

根据最终的二值显著图像，提取目标的边缘信息，并叠加到原始SAR影像上，从而检测出所有目标，得到最终结果图。

本发明的效果可通过以下仿真进一步说明：

仿真内容：应用本发明方法和Itti模型方法、SR模型方法分别对六幅SAR图像进行目标检测实验，并结合人造目标的真实位置图来评价这些方法的各自性能。

仿真实验结果：本方法以及Itti经典模型方法、频域谱残差方法对如图2所示6幅简单地物复杂背景SAR图像进行目标检测，并以图3作为检测目标点准确性的参照。

图3为6幅实验图像中人造目标的真实位置图。其中图3(a)中目标个数为9个，图3(b)目标个数为7个，图3(c)目标个数为6个，图3(d)目标个数为6个，图3(e)目标个数为8个,图3(f)目标个数为5个。

图4为Itti模型方法对实验图像进行目标检测得到的结果。

图5为SR模型方法对实验图像进行目标检测得到的结果。

图6为本发明方法对实验图像进行目标检测得到的结果。

由图4可见，Itti模型方法的结果图中存在较多的误检区域，特别是在图4(d)、图4(e)和图4(f)中。真实目标的轮廓没有检测出，非目标物，如树木，碎石却被作为目标点，定位也不准确。由图5可见，SR模型方法能检测出目标区域的模糊形状，但不足以判断目标的形状和轮廓。同时，该方法也存在误检和漏检情况。如图5(d)误检情况严重，许多非人造目标被检测出来。而在图5(f)中，仅检测出确2个目标，存在漏检现象。由图6可见，本发明的检测结果较好，检测目标个数与真实目标点个数近似，目标漏检和误检的情况少，对目标的定位较准确，轮廓形状较完整。本发明在主观判断的基础上也引入了误检率，漏检率和品质因子三个定量指标来各方法的性能。其中，误检率为误检目标数与真实目标数的比值；漏检率为漏检目标数与真实目标数的比值；品质因子是真实目标个数与检测总目标个数和误检目标个数之和的比值。误检率和漏检率越低，则表明该方法的检测性能越好；而品质因子越高，则表明该方法的检测性能越好。经计算得Itti模型方法的漏检率为0.463，误检率为0.951，品质因子为0.288；SR模型方法的漏检率为0.195，误检率为0.317，品质因子为0.5。本发明漏检率为0.073，误检率为0.146，品质因子为0.808。除此之外，本发明计算了各种方法的耗时率，结果表明本方法较SR模型计算效率提升3％，较Itti模型提升64％，运算时间短。综合主观判断和定量评价，本发明方法较Itti模型和SR模型的检测结果更有效，且运算量小、处理效率更高，便于工程实现。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.基于视觉反差和信息熵的SAR图像人造目标检测方法，其特征是，包括如下步骤：

1)对待检测的SAR图像进行高斯金字塔分解，通过下采样处理建立4层影像金字塔，处理后图像分别记为I₀，I₁，I₂和I₃，其中I₀为原图像尺寸，I₁，I₂和I₃图像依次分别是原图像尺寸的1/2，1/4，1/8；

2)根据生物视觉特性，通过模拟初级视觉皮层中的简单细胞来提取图像的局部反差信息，对输出的四幅不同尺寸图像I₀，I₁，I₂和I₃分别进行中央周边差处理，提取简单单元S；

3)学习计算池模型，利用Maximum模型将S单元整合为复杂单元C，并进行高斯滤波处理，生成全局显著图G；

4)根据信息熵最大原则对步骤3)生成的全局显著图G进行阈值分割处理，处理后的二值图像记为B；

5)对处理后的二值图像B进行形态学滤波处理：进行连通、填充和清除运算，消除孤立的像素集合，提高像素集合的连通性；

6)从步骤5)处理后的二值图像中提取目标的轮廓线，将其显示在原始SAR影像上，得到目标检测结果。

2.根据权利要求1所述的基于视觉反差和信息熵的SAR图像人造目标检测方法，其特征是，所述步骤1)中金字塔下采样操作按如下公式进行：I_δ(x,y)＝Σ_mΣ_nw(m,n)I_δ-1(2i+m,2j+n)(1)，其中，δ为图像层数，w(m,n)为降采样核函数，m,n为核函数窗口大小。

3.根据权利要求1所述的基于视觉反差和信息熵的SAR图像人造目标检测方法，其特征是，所述步骤2)中进行中央周边差操作前，将周边层S_L∈{1,2,3}插值后放大到和中央层C_L∈{0,1,2}相同尺度，即S_L1和C_L0尺寸相同，S_L2和C_L1尺寸相同，S_L3和C_L2尺寸相同；

按公式(2)分别对S_L1和C_L0，S_L2和C_L1，S_L3和C_L2进行逐像素的特征差运算：D_n＝I(C_L,S_L)＝|I(C_L)ΘI(S_L)|，n∈{0,1,2}(2)，其中，Θ表示跨尺度的减操作，中央尺度C_L∈{0,1,2}，周边尺度S_L∈{1,2,3}，S_L＝C_L+δ，δ＝1。

4.根据权利要求3所述的基于视觉反差和信息熵的SAR图像人造目标检测方法，其特征是，所述步骤3)中将S单元整合成C单元前，要将D₀,D₁,D₂三幅差值图分别插值到原始图像大小，得S₀,S₁,S₂；根据公式(3)分别对S₀,S₁,S₂进行计算，得单元C：C＝Max(S)，S∈{S₀,S₁,S₂}(3)。