CN105976376A - 一种基于部件模型的高分辨sar图像目标检测方法 - Google Patents

Abstract

本发明属于雷达遥感或图像处理技术，即用图像处理技术分析雷达观测信息，具体涉及一种基于部件模型的高分辨SAR图像目标检测方法。本发明通过对原始SAR图像数据每一像素点进行特征压缩和筛选，提取低级别特征兴趣点，从兴趣点局部信息生成目标部件初始单元，对初始单元特征进行计算，并通过图割方法生成目标部件组合模型，利用目标部件模型的描述实现高分辨SAR图像目标检测。本发明充分有效利用了高分辨SAR图像中目标的分布特性，检测得到的目标部件模型比较完整，能更好地保留目标的整体信息，对于噪声具有较强的鲁棒性，算法稳定性较高，检测结果精确，并且能够有效提高图像检测的自适应能力。

Description

一种基于部件模型的高分辨SAR图像目标检测方法

技术领域

本发明属于雷达遥感或图像处理技术，即用图像处理技术分析雷达观测信息，具体涉及动态部件模型在合成孔径雷达(SAR)图像目标检测中的应用。

背景技术

传统的SAR图像目标检测算法难以应用于高分辨SAR图像，随着高分辨率SAR图像的广泛应用，设计精确的目标检测算法对解决当前雷达面临的各种威胁以及提高雷达的信号探测能力具有十分重要的意义。高分辨率SAR图像中目标表现出分布式特征，目标由空间上多个散射中心构成。随着高分辨SAR成像技术的日趋进步，对高分辨率SAR图像进行目标检测的算法研究已经成为近年的热点。基于单一像素进行目标检测的方法不能利用空间信息，难以实现高准确率的检测。基于局域的边缘检测方法和基于像素的聚类方法对高分辨SAR图像中的目标进行检测(或分类)时极易受到相干斑噪声的影响，缺乏灵活性和鲁棒性，往往不能形成连续的边缘，也无法获得有效的结构信息，同一物体往往被分割开或判断为不同的目标。虽然可以通过图像预处理(相干斑抑制)及后处理来改善检测结果，但是并不能从根本上解决上述问题。基于上下文和统计信息的检测方法虽然能减小噪声的影响，但是建立需要精确的统计模型，而且上下文条件复杂多变，要进行准确的搜索需要大量计算。

部件模型被用于对具有多个可分离部分的目标进行建模，具有很高的特征级别。部件模型指将目标分为固定数目或任意数目的区域的组合，各区域满足不同的功能性或特定属性，而各区域在空间上具有一定结构关系的信息组合体。随着高分辨率SAR图像信息量的快速增长，利用复杂的分布式目标模型进行检测已成为目前的研究重点。不同于将SAR图像中的特征或区域直接融合，部件模型将目标分割为不同的组合部件，以及部件间的关系描述，常见的方法有基于概率的部件模型、基于上下文的模型和混合模型等。利用部件模型进行目标检测的关键点是部件的提取和组合。因此，针对SAR图像分布式目标检测问题，需要解决的难点在于将分布式目标部件从背景杂波中区分开来。高分辨率SAR图像中目标由多个散射中心构成，在图像坐标空间中跨越多个像素点，每一个散射中心的起伏特性决定了目标在SAR图像中的形状和特点。目标信息提取的出发点是属性散射中心的提取，高分辨SAR图像的相干斑噪声引起严重的起伏，可以利用噪声的概率模型进行非精确检测，过量提取感兴趣点。通过感兴趣点的属性和局部上下文信息提取散射中心及其区域，经局部信息筛选改进目标散射中心信息。另一个待解决的难点在于将保留下来的局部信息按一定准则进行组合，构建成目标模型，目前尚无针对SAR图像进行这些准则的研究。P.F.Felezenszwalb等人直接对图像进行训练得到目标部件模型的概率组合准则，然后通过匹配的方法自顶向下进行检测，因此这种方法提取的模型来源于真实图像，对目标信息利用充分，但是其缺点也非常明显，由于目标模型匹配需要进行多次图像空间搜索，存在大量重复计算，特别是随着数据量的增大，这个缺点将变得更为明显。R.Mottaghi等提出学习部件模型的混合方法，实现了部件模型的动态特性，提高了算法设计的灵活性，但是其准则针对光学图像进行优化，而不适用于处理SAR图像。

发明内容

针对上述存在问题或不足，本发明提供了一种基于部件模型的高分辨SAR图像目标检测方法。其目的是提高高分辨率SAR图像检测的准确性，该方法的基本思路是对SAR图像进行低级别特征的尺度压缩，对粗糙图像进行感兴趣点提取，根据感兴趣点的空间临近关系将特征点合并为区域，以区域为目标部件基本单元，提取区域属性，针对SAR图像目标的准则生成部件模型，利用最终的部件模型及其在原图像上的区域生成特征，对特征进行判别以实现目标检测。

该基于部件模型的高分辨SAR图像目标检测方法，如图1所示，包括以下步骤：

步骤1：根据原始SAR图像，获得粗糙图像：

步骤1-1：根据原始SAR图像中单个像素点的强度值，计算SAR图像直方图，并通过直方图映射将SAR图像动态范围压缩。

高分辨SAR图像受相干斑点噪声影响，动态范围大，图像起伏明显，不同类型地物强度具有明显差异，通过直方图计算得到像素强度值的概率分布情况。

H(i)＝|I(x,y)＝＝i|,i∈[0,255]

其中|*|为计数运算，I(x,y)代表图像在(x,y)处的强度值。利用直方图映射修改图像像素强度值。首先将直方图像素区间等分为L个区间，分别计算每一区间的概率H(l),l∈[1,L]，再将[0,255]的图像动态范围按概率H(l)映射到[0,L-1]，并将图像中的像素强度值设为对应的序号。

S(l)＝[e_l-1,e_l-1+256×H(l)),l∈[1,L]

I(x,y)＝l if I(x,y)∈S(l)

S(l),e_l分别是强度区间及其右端点的值，其中e₀＝0，当像素的值被设定为其强度值所属的序号。SAR图像的动态范围根据像素强度及其概率被压缩到[0,L-1]。

步骤1-2：对步骤1-1中得到的图像进行空间平滑，抑制相干斑噪声，获得粗糙图像。

采用滤波的方法得到粗糙图像：

I_c＝F(n)*I

n为滤波器尺寸，F(n)采用均值滤波器或高斯核滤波器，经滤波器和输入图像进行卷积运算后得到粗糙图像I_c。

步骤2：将步骤1所得粗糙图像I_c分割为不同连通区域，对连通区域进行深度优先搜索的同时进行邻近点极大值标记，搜索感兴趣的像素点作为生成目标部件模型的初始单元。

步骤2-1：通过阈值化处理得到图像连通区域，遍历连通区域内像素点，并标记其邻近极大值像素，经过深度优先搜索确定感兴趣的像素点及其空间信息。

对步骤1得到的粗糙图像进行全局阈值分割。设定压缩后动态范围中具有最大范围的区间序号为阈值th₁，当图像像素值低于门限时其值设为0，否则减去门限值。

th＝argmaxS(l)l∈[1,L]

$I_c(x,y)=\left\{\begin{array}{cc}{I}_c(x,y)-{\mathrm{th}}_1& I_c(x,y)>{\mathrm{th}}_1\\ 0& otherwise\end{array}\right.$

分割后的图像包含了多个连通区域，对每个连通区域进行深度优先搜索，搜索路径由当前像素的邻近极大值确定。

p_i(k)＝max(N_i(k-1))

c_i＝dfs(p_i)

其中p_i(k)为搜索路径中第k个像素点，N_i(k-1)为前一个路径点的邻域像素点的集合，确定集合中极大值的位置为下一搜索路径位置。每一次深度优先搜索到达连通区域内的某一极大值c_i时终止，并将其作为感兴趣像素点，然后进行下一次搜索。

步骤2-2：当连通区域内所有像素点被遍历之后，通过计算每个感兴趣像素点到搜索路径起点的直线距离得到平均半径。

$d=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}Euclid\left(p_i\right(1),c_i)$

其中N为到达感兴趣像素点的所有路径的数量，d表示了感兴趣点的空间尺度。以感兴趣点为中心，空间尺度为边长的矩形设为图像中潜在目标部件的初始单元。

步骤3：根据步骤2所得目标部件初始单元，在原始高分辨SAR图像中提取对应的区域。计算区域的特性，对比邻近区域特性，生成目标部件模型。

步骤3-1：按得到的感兴趣点和空间尺度在原始SAR图像中提取局部区域。提取各区域的特性描述。首先提取区域内边缘特性，利用由不同方向模板构成的边缘算子集合进行边缘检测，根据不同方向的边缘检测响应的大小对感兴趣点的空间结构特性进行描述。如果边缘算子本身具有方向性，如Sobel算子，则直接基于方向和位置进行描述，如果算子不具有方向性，如Laplacian算子，则需将区域均匀划分为八个方向，每个方向跨度为45°，以图像空间水平向右为0°方向，然后求得各个方向的边缘响应和位置，计算描述子结果，最后进行阈值化得到二值边缘描述。

以Sobel算子为例：

e_i＝R*f_i

f_i为不同方向的Sobel模板，e_i为区域R每个像素的边缘响应强度，对其中每一个点的响应值和位置的倒数进行乘累加得到区域在某一方向的边缘强度E_i，并计算主要边缘两侧的均值比v_i。

E_i＝<e_i,1/r_i>

v_i＝max(m_in/m_out,m_out/m_in)

此处1/r_i为边缘像素点到感兴趣点的距离的倒数，<*>为向量内积运算，m_in,m_out分别代表边缘两侧区域像素值的均值。目标边缘越强，对应的计算值越大，目标和背景对比度越高，其边缘侧的均值比值越明显，于是边缘特性结果t_i为前两项的乘积：

t_i＝E_i×v_i

采用固定门限值th₂对其进行阈值化后为：

$t_i=\left\{\begin{array}{cc}1& t_i\&GreaterEqual;{\mathrm{th}}_2\\ 0& t_i<{\mathrm{th}}_2\end{array}\right.$

其次提取区域外观特性，通过统计方法计算局部区域内的平均强度、方差等特性，并结合本身的空间尺度特性进行描述。

步骤3-2：对比邻近初始单元的特性，按设定规则进行组合，生成目标部件。

构建空间节点图G＝(V,E)，V以感兴趣像素点为中心的初始单元，E为初始单元之间的相似性，利用图割Graph Cuts理论对构建的节点图进行分割，将G划分为多个子节点图，每个子节点图间不存在相连接的边界，以每个子节点图为目标部件；其中相似性分别对边缘特性和外观特性进行计算：

对于边缘特性，首先确定感兴趣像素点连线的方向再确定每个初始单元在方向上的边缘特性，如果满足弱边缘条件：

即当节点V₁在方向或节点V₂在方向的二值边缘特性为0，认为满足边缘匹配，否则其相似度为-inf，即负无穷；

对于外观特性，直接取两者数值比大于一的值，并对三个参量进行加权求和作为相似性度量。利用Graph Cuts算法进行分割，其最优化函数如下：

$cut=\underset{G}{\mathrm{argmax}}{S}_E-\frac{A_G}{{\mathrm{\&Sigma;l}}_G}-\frac{{\mathrm{\&Sigma;d}}_G}{N_G}$

其中S_E为每个划分后的子节点图内部相连边界的相似度的总和，G代表子节点图，其与其他子节点图间的边界被设为-inf。A_G,N_G分别为子节点图在原始图像中所占的面积和节点数目，l_G,d_G分别为子节点图在原始图像中节点连线的长度和未连接节点的距离；A_G/∑l_G为面积与连线长度之和的比值，代表分割后子节点图在原始图像中形状的紧致度；∑d_G/N_G为未连接节点的距离之和与节点数目的比值，代表分割后子节点图的密度；在紧致度和密度的约束下，选择使得节点间的相似程度最大化的子节点图，分割结果即为所求的目标部件组合。在进行最优化运算中，由于图中节点数一般较少，且其相似度受边缘特性的严格限制，可直接对所有节点进行遍历，判断其是否被分割为目标部件模型。

步骤4：利用步骤3所得分割的子图作为目标部件模型，对部件模型进行聚类，最后得到的类别包括目标和杂波，筛选出杂波模型，则目标的检测结果得以保留。

以节点图作为目标部件模型，保留了SAR图像中目标的空间信息，而杂波不具有空间结构信息，以目标部件模型的节点数、节点间连接数以及节点图在原始图像中的空间范围作为特征，进行特征空间聚类。面积较小的杂波具有较少节点数，或者具有较少的连接数，而对于面积较大的杂波如城区则又具有较大的空间范围，其连接密度较低。基于此推测，杂波的部件模型检测结果处于特征空间的边缘，而目标部件模型在特征空间中则较为集中，对特征空间进行简单划分，以保留目标，筛除虚警。

本发明的核心在于在高分辨SAR图像的目标部件模型提取。通过对原始SAR图像数据每一像素点的强度值和空间关系进行分析，将低级别特征转换到目标部件模型描述，达到充分利用SAR图像中分布式目标的空间特性的目的，能够实现高分辨SAR图像中目标的精确检测。与此同时，在模型提取过程中采用了选择搜索Selective Search方法，能够有效提高构建模型和检测的速度。与基于像素的检测方法相比，利用部件模型的SAR图像目标检测方法得到的目标信息更加完整，而不是孤立的像素点，能更好地保持目标的空间特性，对于噪声具有较强的鲁棒性。与基于超像素检测的方法相比，利用部件模型的SAR图像目标检测方法更加灵活，引入的冗余信息较少，不会造成过多的误差。而图割Graph Cuts方法的采用避免了经验性阈值的设定，通过代价最优化方法实现目标部件的分割，使得空间上有一定关联的分布式目标信息得到恢复，即使目标信息不完整以及边缘模糊等情况下，目标部件模型仍得到一定规律性结果，揭示了进行目标检测的可能性，同时使得算法稳定性较高。由此说明本发明的优点比较突出，适用于高分辨SAR图像的目标检测处理。

综上所述，本发明实现了高分辨SAR图像中目标的精确检测；有效提高了构建模型和检测的速度；稳定性较高。与基于像素检测的方法相比，利用部件模型的SAR图像目标检测方法得到的目标信息更加完整，而不是孤立的像素点，能更好地保持目标的特性，对于噪声具有较强的鲁棒性。与基于超像素检测的方法相比，利用部件模型的SAR图像目标检测方法更加灵活，引入的冗余信息较少，不会造成过多的误差。

附图说明

图1为本发明基于部件模型的SAR图像目标检测方法的流程图；

图2为本发明具体实施方式中的测试SAR图像及其结果图。

具体实施方式

下面结合附图与实施例对本发明做进一步的说明。

如图2(a)所示，实验数据是美国MSTAR数据库提供的X波段地面场景SAR图像数据，该图像包含复杂的地物信息和丰富的目标类型。该图像主要由三大类地物组成：目标、草地和树林。对该图像按照本发明技术方案步骤1进行处理，得到粗糙SAR图像，其中大部分目标细节得到了保留，而背景区域起伏得到平滑。经过兴趣点检测和提取后，目标表现为多个离散分布的区域或强散射点，而树林则保留了大面积无规律分布的强散射区域，草地区保留了散布的小面积亮点。因此通过部件模型提取，目标由多个节点紧密连接组成，树林的分布更疏散，而草地区域的兴趣点基本没有关联性，因此也不具有分布特性。

采用本发明的方法，可得到该图像的检测结果，如图2(b)所示。该图像由于主要目标类别为车辆，因此目标部件模型主要受空间关系限制，可以看到最终检测到的目标部件模型具有紧密的位置关系。将检测结果与实际地物比较，本发明很好地检测出了目标，排除了树林和草地中的虚警，与实际情况一致，检测得到的目标较为准确完整。这说明了本方法具有较为细致的区分能力。

Claims (5)

1.一种基于部件模型的高分辨SAR图像目标检测方法，包括以下步骤：

步骤1、根据原始SAR图像，获得粗糙图像：

步骤1-1：根据原始SAR图像中单个像素点的强度值，计算SAR图像直方图，并通过直方图映射将SAR图像动态范围压缩；

通过直方图计算得到像素强度值的概率：

H(i)＝|I(x,y)＝＝i|,i∈[0,255]

其中|*|为计数运算，I(x,y)代表图像在(x,y)处的强度值；

利用直方图映射修改图像像素强度值：首先将直方图像素区间等分为L个区间，分别计算每一区间的概率H(l),l∈[1,L]，再将[0,255]的图像动态范围按概率H(l)映射到[0,L-1]，并将图像中的像素强度值设为对应的序号；

S(l)＝[e_l-1,e_l-1+256×H(l)),l∈[1,L]

I(x,y)＝l if I(x,y)∈S(l)

S(l),e_l分别是强度区间及其右端点的值，其中e₀＝0，当像素的值被设定为其强度值所属的序号；

步骤1-2：对步骤1-1中得到的图像进行空间平滑，抑制相干斑噪声，获得粗糙图像；

采用滤波的方法得到粗糙图像：

I_c＝F(n)*I

n为滤波器尺寸，F(n)采用均值滤波器或高斯核滤波器，经滤波器和输入图像进行卷积运算后得到粗糙图像I_c；

步骤2、将步骤1所得粗糙图像I_c分割为不同连通区域，对连通区域进行深度优先搜索的同时进行邻近点极大值标记，搜索感兴趣的像素点作为生成目标部件模型的初始单元；

步骤2-1：通过阈值化处理得到图像连通区域，遍历连通区域内像素点，并标记其邻近极大值像素，经过深度优先搜索确定感兴趣的像素点及其空间信息；

对步骤1得到的粗糙图像进行全局阈值分割，设定压缩后动态范围中具有最大范围的区间序号为阈值th₁，当图像像素值低于门限时其值设为0，否则减去门限值；

th＝argmaxS(l)l∈[1,L]

$I_c(x,y)=\left\{\begin{array}{cc}{I}_c(x,y)-{\mathrm{th}}_1& I_c(x,y)>{\mathrm{th}}_1\\ 0& otherwise\end{array}\right.$

分割后的图像包含了多个连通区域，对每个连通区域进行深度优先搜索，搜索路径由当前像素的邻近极大值确定；

p_i(k)＝max(N_i(k-1))

c_i＝dfs(p_i)

其中p_i(k)为搜索路径中第k个像素点，N_i(k-1)为前一个路径点的邻域像素点的集合，确定集合中极大值的位置为下一搜索路径位置；

每一次深度优先搜索到达连通区域内的某一极大值c_i时终止，并将其作为感兴趣像素点，然后进行下一次搜索；

步骤2-2、当连通区域内所有像素点被遍历之后，通过计算每个感兴趣像素点到搜索路径起点的直线距离得到平均半径：

$d=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}Euclid\left(p_i\right(1),c_i)$

其中N为到达感兴趣像素点的所有路径的数量，d表示了感兴趣点的空间尺度；以感兴趣点为中心，空间尺度为边长的矩形设为图像中潜在目标部件的初始单元；

步骤3、根据步骤2所得目标部件初始单元，在原始高分辨SAR图像中提取对应的区域，计算区域的特性，对比邻近区域特性，生成目标部件模型；

步骤3-1、按得到的感兴趣点和空间尺度在原始SAR图像中提取局部区域，并提取各区域的特性描述；

首先提取区域内边缘特性，利用由不同方向模板构成的边缘算子集合进行边缘检测，根据不同方向的边缘检测响应的大小对感兴趣点的空间结构特性进行描述；如果边缘算子本身具有方向性，则直接基于方向和位置进行描述；如果边缘算子不具有方向性，则需将区域均匀划分为八个方向，每个方向跨度为45°，以图像空间水平向右为0°方向，然后求得各个方向的边缘响应和位置，计算描述子结果，最后进行阈值化得到二值边缘描述；

e_i＝R*f_i

f_i为不同方向的边缘检测模板，e_i为区域R每个像素的边缘响应强度，对其每一个点的响应值和位置的倒数进行乘累加得到区域在某一方向的边缘强度E_i，并计算主要边缘两侧的均值比v_i；

E_i＝<e_i,1/r_i>

v_i＝max(m_in/m_out,m_out/m_in)

此处1/r_i为边缘像素点到感兴趣点的距离的倒数，<*>为向量内积运算，m_in,m_out分别代表边缘两侧区域像素值的均值；边缘特性结果t_i为前两项的乘积：

t_i＝E_i×v_i

采用固定门限值th₂对其进行阈值化后为：

$t_i=\left\{\begin{array}{cc}1& t_i\&GreaterEqual;{\mathrm{th}}_2\\ 0& t_i<{\mathrm{th}}_2\end{array}\right.$

其次提取区域外观特性，通过统计方法计算局部区域内的平均强度、方差以及对比度特性，并结合本身的空间尺度特性进行描述；

步骤3-2、对比邻近初始单元的特性，按设定规则进行组合，生成目标部件：

构建空间节点图G＝(V,E)，V为以感兴趣像素点为中心的初始单元，E为初始单元之间的相似性，利用图割Graph Cuts理论对构建的节点图进行分割，将G划分为多个子节点图，每个子节点图间不存在相连接的边界，以每个子节点图为目标部件；其中相似性分别对边缘特性和外观特性进行计算：

对于边缘特性，首先确定感兴趣像素点连线的方向如果满足弱边缘条件：

即当节点V₁在方向或节点V₂在方向的二值边缘特性为0，认为满足边缘匹配，否则其相似度为-inf，即负无穷；

对于外观特性，直接取两者数值比大于一的值，并对三个参量进行加权求和作为相似性度量，利用Graph Cuts算法进行分割，其最优化函数如下：

$cut=\underset{G}{\mathrm{argmax}}{S}_E-\frac{A_G}{{\mathrm{\&Sigma;l}}_G}-\frac{{\mathrm{\&Sigma;d}}_G}{N_G}$

其中S_E为每个划分后的子节点图内部相连边界的相似度的总和，G代表子节点图，其与其他子节点图间的边界被设为-inf；A_G,N_G分别为子节点图在原始图像中所占的面积和节点数目，l_G,d_G分别为子节点图在原始图像中节点连线的长度和未连接节点的距离；A_G/∑l_G为面积与连线长度之和的比值，代表分割后子节点图在原始图像中形状的紧致度；∑d_G/N_G为未连接节点的距离之和与节点数目的比值，代表分割后子节点图的密度；在紧致度和密度的约束下，选择使得节点间的相似程度最大化的子节点图，分割结果即为所求的目标部件组合；

步骤4、利用步骤3所得分割的子图作为目标部件模型，对部件模型进行聚类，最后得到的类别包括目标和杂波，筛选出杂波模型，则目标的检测结果得以保留。

2.如权利要求1所述基于部件模型的高分辨SAR图像目标检测方法，其特征在于：所述步骤1中采用基于图像直方图映射灰度压缩方法得到SAR图像粗糙图像。

3.如权利要求1所述基于部件模型的高分辨SAR图像目标检测方法，其特征在于：所述步骤2中采用结合最大值标记和深度优先搜索的方法得到SAR粗糙图像中感兴趣点。

4.如权利要求1所述基于部件模型的高分辨SAR图像目标检测方法，其特征在于：所述步骤3中采用边缘信息作为目标空间分布特性描述，进行两两比较确定匹配关系。

5.如权利要求1所述基于部件模型的高分辨SAR图像目标检测方法，其特征在于：所述步骤3中采用Sobel边缘算子进行边缘检测。