CN106683149A - 一种提取合成孔径雷达图像直线的优化方法 - Google Patents

Abstract

本发明公开了一种提取合成孔径雷达图像直线的优化方法，其主要思路为：确定待检测合成孔径雷达图像并将所述待检测合成孔径雷达图像记为图像I，然后确定图像I的图像边缘场F；分别设定图像I包含N条直线，以及设定图像I的参数空间包括M个累积单元，其中将图像I的原点到第n条直线的距离和第n条直线的方向，作为第n条直线的累积单元，进而确定图像I的参数空间内的N个累积单元；然后依次计算图像I包含的w×h个像素点分别对M个累积单元的累积权重影响值列表N，和图像I的参数空间对应的自适应累积矩阵V；进而计算图像I的参数空间对应的自适应累积矩阵V的峰值列表P，所述峰值列表P中包含N'个元素，且所述峰值列表P中每个元素分别对应图像I中的一条直线，进而对应得到图像I中的N条直线。

Description

一种提取合成孔径雷达图像直线的优化方法

技术领域

本发明属于合成孔径雷达图像处理技术领域，特别涉及一种提取合成孔径雷达图像直线的优化方法，即一种提取合成孔径雷达(Synthetic Aperture Radars，SAR)图像直线的优化方法，适用于合成孔径雷达图像中直线特征的提取。

背景技术

当今社会，信息获取的途径多种多样，而图像作为直观的方法之一，显得尤为重要；与传统的光学图像相比，通过相干成像技术而得到的合成孔径雷达(SyntheticAperture Radar，SAR)图像具有不受光照、天气等因素影响的优点，这些优点使得SAR图像的应用范围越来越广，如利用SAR图像进行海岸线检测、观测地球变化、检测环境安全等等；因此，越来越多的学者已经将其研究的重点从传统的光学图像处理转移到了SAR图像处理领域。

图像中的很多物体和场景都包含了直线特征，比如建筑物、机场跑道、桥梁、公路等，直线特征携带了很多重要的图像信息，因此在图像中准确提取这些直线特征就显得尤为重要。

目前已有大量的直线检测方法被提出，但是这些方法大都不能独立地进行直线的检测，必须依赖于边缘检测算子产生的结果，即二值边缘图(Binary Edge Map，BEM)而工作；在光学图像中，由于图像的质量较好，因此所得到的二值边缘图也较为可靠，故而在光学图像中这种直线检测算法的检测结果并不会显著地被边缘检测结果所影响；与光学图像不同的是，SAR图像通常会包含严重的加性噪声和乘性相干斑噪声，SAR图像质量较差，得到的二值边缘图结果很难令人满意。因此SAR图像边缘检测的结果中，不仅有大量的虚假边缘，有时甚至还包括了失真的，或是位置发生偏移的边缘；因此，当依赖于边缘检测结果的直线检测算法应用于SAR图像时，直线检测算法的检测结果将直接受到边缘检测结果的负面影响。

发明内容

针对以上现有技术存在的不足，本发明的目的在于提出一种提取合成孔径雷达图像直线的优化方法，该种提取合成孔径雷达图像直线的优化方法主要针对合成孔径雷达图像探测直线特征的情况，进而得到SAR图像的直线特征结果，实现本发明目的。

为达到上述技术目的，本发明采用如下技术方案予以实现。

一种提取合成孔径雷达图像直线的优化方法，包括以下步骤：

步骤1，确定待检测合成孔径雷达图像，所述待检测合成孔径雷达图像为包含噪声干扰的合成孔径雷达图像，并将所述待检测合成孔径雷达图像记为图像I，然后确定图像I的图像边缘场F；图像I的长度和宽度分别为w和h；w和h分别表示像素点个数，且w和h分别为大于0的整数；

步骤2，分别设定图像I包含N条直线，以及设定图像I的参数空间包括M个累积单元，M>N，所述图像I的参数空间为图像I的原点分别到每条直线的距离和每条直线的方向的集合；其中将图像I的原点到第n条直线的距离和第n条直线的方向，作为第n条直线的累积单元；

令n分别取1至N，分别得到第1条直线的累积单元至第N条直线的累积单元，并记为图像I的参数空间内的N个累积单元；其中，M-N为噪声干扰影响产生的累积单元个数，该M-N个累积单元不对应N条直线中的任意一条直线；M、N分别为大于0的整数；

步骤3，根据图像I的图像边缘场F，以及图像I的参数空间内的M个累积单元，计算得到图像I包含的w×h个像素点分别对M个累积单元的累积权重影响值列表N，所述图像I包含的w×h个像素点分别对M个累积单元的累积权重影响值列表N包含w×h×M个累积权重影响值；

步骤4，根据图像I的参数空间内的M个累积单元，以及图像I包含的w×h个像素点分别对M个累积单元的累积权重影响值列表N，计算得到图像I的参数空间对应的自适应累积矩阵V，所述图像I的参数空间对应的自适应累积矩阵V包含M'个元素，且图像I的参数空间对应的自适应累积矩阵V包含的元素总个数与图像I的参数空间包括的累积单元总个数相等；

步骤5，根据图像I的参数空间对应的自适应累积矩阵V包含的M'个元素，计算得到图像I的参数空间对应的自适应累积矩阵V的峰值列表P，所述峰值列表P中包含N'个元素，且所述峰值列表P中每个元素分别对应图像I中的一条直线，进而对应得到图像I中的N条直线；其中，峰值列表P中包含的元素总个数与图像I内包含的直线总条数相同且一一对应。

本发明相对于现有技术的主要优点在于：

第一，本发明方法的创新点在于利用了高斯-伽马型双窗函数计算合成孔径雷达图像边缘场，并用合成孔径雷达图像边缘场这个概念计算合成孔径雷达图像中每个点对直线的检测贡献程度，并转换为多个峰值检测问题，从而避免了传统直线检测方法对合成孔径雷达灰度图像的依赖造成的易产生虚假扭曲边缘的现象；

第二，本发明方法能够选择得当的权重累积算法和合理有效的峰值检测算法，有效对合成孔径雷达图像进行直线的检测；

第三，本发明能够有效进行合成孔径雷达图像直线检测，具有良好的抗噪声能力、良好的抗遮挡能力，最重要的是具有较高的检测准确率。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细说明。

图1是为本发明的一种基于图像边缘场算法提取合成孔径雷达图像直线的方法流程图；

图2是一个场点在图像I的参数空间的累积过程中产生的影响范围示意图；

图3A是利用Canny-HT算法检测提取一幅5-视仿真幅度格式SAR图像中直线得到的直线参数空间3D视图；其中，Canny-HT算法为Canny边缘检测算子和霍夫变换算法；

图3B是利用GGS-HT算法检测提取一幅5-视仿真幅度格式SAR图像中直线得到的直线参数空间3D视图；其中，GGS-HT算法为高斯伽马型双窗(GGS)边缘检测算子和霍夫变换算法；

图3C是利用SAR图像边缘场(IEFA)方法检测提取一幅5-视仿真幅度格式SAR图像中直线得到的直线参数空间3D视图；-

图3D是使用Canny-HT方法检测提取一幅5-视仿真幅度格式SAR图像中直线得到的直线参数空间3D视图结果示意图；

图3E是使用GGS-HT方法检测提取一幅5-视仿真幅度格式SAR图像中直线得到的结果示意图；

图3F是使用SAR图像边缘场(IEFA)方法检测提取一幅5-视仿真幅度格式SAR图像中直线得到的结果示意图；

图4A是真实的理想图像，即理想情况下一幅复杂的5-视仿真幅度格式SAR图像中进行检测提取直线的结果示意图，每条直线旁边的数值为检测出直线所获得的分值；

图4B是使用Canny-HT方法对一幅复杂的5-视仿真幅度格式SAR图像进行直线检测的结果示意图，

图4C是使用GGS-HT方法对一幅复杂的5-视仿真幅度格式SAR图像进行直线检测的结果示意图，

图4D是使用IEFA方法对一幅复杂的5-视仿真幅度格式SAR图像进行直线检测的结果示意图；

图5A是与图4A相同的场景图，其中对每条直线对应的分数进行了标注；

图5B是SAR图像边缘场(IEFA)方法的正确率伴随噪声方差变化的曲线图；

图6A是使用SAR图像边缘场(IEFA)方法对遮挡圆盘的半径为16个像素的一幅2-视幅度图像进行抗遮挡能力评价得到的结果示意图，

图6B是使用SAR图像边缘场(IEFA)方法对遮挡圆盘的半径为32个像素的一幅2-视幅度图像进行抗遮挡能力评价得到的结果示意图，

图6C是使用SAR图像边缘场(IEFA)方法对遮挡圆盘的半径为64个像素的一幅2-视幅度图像进行抗遮挡能力评价得到的结果示意图，

图6D是使用SAR图像边缘场(IEFA)方法对遮挡圆盘的半径为128个像素的一幅2-视幅度图像进行抗遮挡能力评价得到的结果示意图；

图7A是使用SAR图像边缘场(IEFA)方法对机场跑道进行直线检测得到的结果示意图，

图7B是使用SAR图像边缘场(IEFA)方法对河流进行直线检测得到的结果示意图，

图7C是使用SAR图像边缘场(IEFA)方法对农田进行直线检测得到的结果示意图。

具体实施方式

参照图1，为本发明的一种基于图像边缘场算法提取合成孔径雷达图像直线的方法流程图；所述基于图像边缘场算法提取合成孔径雷达图像直线的方法，包括以下步骤：

步骤1，确定待检测合成孔径雷达图像，所述待检测合成孔径雷达图像为包含噪声干扰的合成孔径雷达图像，并将所述待检测合成孔径雷达图像记为图像I，然后确定图像I的图像边缘场F；图像I的长度和宽度分别为w和h；w和h分别表示像素点个数，且w和h分别为大于0的整数。

具体地，确定待检测合成孔径雷达图像，所述待检测合成孔径雷达图像为包含噪声干扰的合成孔径雷达图像，且所述待检测合成孔径雷达图像为任意形式的合成孔径雷达图像，并将所述待检测合成孔径雷达图像记为图像I，选取图像I中任意一个像素点，记该像素点的坐标为(x,y)，并将该像素点的坐标(x,y)在图像I中的位置，记为图像I的像素点I(x,y)，w和h分别表示像素点个数，且w和h分别为大于0的整数；使用高斯-伽马型双窗函数(GGS)作为滤波器，分别得到像素点的坐标(x,y)的第一窗函数滤波器g₁(x,y)，以及像素点的坐标(x,y)的第二窗函数滤波器g₂(x,y)，所述第一窗函数滤波器g₁(x,y)对应高斯-伽马型双窗函数(GGS)中Y轴正半轴部分，所述第二窗函数滤波器g₂(x,y)对应高斯-伽马型双窗函数(GGS)中Y轴负半轴部分；将所述第一窗函数滤波器g₁(x,y)和第二窗函数滤波器g₂(x,y)分别逆时针旋转角度ψ，分别得到像素点的坐标(x,y)的第一方向滤波器函数g₁(x,y|ψ)和像素点的坐标(x,y)的第二方向滤波器函数g₁(x,y|ψ)。

将所述第一方向滤波器函数g₁(x,y|ψ)和所述第二方向滤波器函数g₁(x,y|ψ)，分别与图像I的像素点I(x,y)进行卷积运算，分别得到坐标为(x,y)的像素点滤波后的第一均值r₁(x,y|ψ)和坐标为(x,y)的像素点滤波后的第二均值r₂(x,y|ψ)。

再根据坐标为(x,y)的像素点滤波后的第一均值r₁(x,y|ψ)和坐标为(x,y)的像素点滤波后的第二均值r₂(x,y|ψ)，计算坐标为(x,y)的像素点对应图像I的图像边缘场中场点的强度M(x,y)，以及坐标为(x,y)的像素点对应图像I的图像边缘场中场点的方向其中，所述场点为由该场点的强度和该场点的方向组成的矢量，所述图像I的图像边缘场为图像I中w×h个像素点各自对应的场点集合；(x,y)为图像I中任意一个像素点(x,y)的坐标；进而得到图像I的图像边缘场F；所述图像I的图像边缘场F包含w×h个场点，每个场点分别对应图像I中的一个像素点。

步骤1的具体子步骤为：

1a)使用高斯-伽马型双窗函数(GGS)作为滤波器，分别得到像素点的坐标(x,y)的第一窗函数滤波器g₁(x,y)，以及像素点的坐标(x,y)的第二窗函数滤波器g₂(x,y)，所述第一窗函数滤波器g₁(x,y)对应高斯-伽马型双窗函数(GGS)中Y轴正半轴部分，所述第二窗函数滤波器g₂(x,y)对应高斯-伽马型双窗函数(GGS)中Y轴负半轴部分，其表达式分别为：

其中，Γ(.)表示伽马函数，exp表示指数操作，| |表示取绝对值操作；所述高斯-伽马型双窗函数在X轴方向为高斯分布、在Y轴正半轴方向和Y轴负半轴分别伽马分布的双窗函数，且所述高斯-伽马型双窗函数由三个参数σ、α和β唯一确定，σ表示不等于零的可变平滑参数因子，σ>0；σ越大，对应的窗函数滤波器的平滑效果就越好；α表示高斯-伽马型双窗函数在Y轴方向上的形状参数，α>1，α的取值反映像素点的坐标(x,y)的第一窗函数滤波器g₁(x,y)，以及像素点的坐标(x,y)的第二窗函数滤波器g₂(x,y)各自在Y轴方向上的宽度；β表示高斯-伽马型双窗函数在之间在Y轴方向上的尺度参数，β>0，β的取值反映像素点的坐标(x,y)的第一窗函数滤波器g₁(x,y)，以及像素点的坐标(x,y)的第二窗函数滤波器g₂(x,y)之间在Y轴方向上的距离；因此，所述高斯-伽马型双窗函数关于X轴对称。

将所述第一窗函数滤波器g₁(x,y)和第二窗函数滤波器g₂(x,y)分别逆时针旋转角度ψ，分别得到像素点的坐标(x,y)的第一方向滤波器函数g₁(x,y|ψ)和像素点的坐标(x,y)的第二方向滤波器函数g₁(x,y|ψ)，其表达式分别为：

g₁(x,y|ψ)＝g₁(x cosψ-y sinψ,x sinψ+y cosψ)

g₂(x,y|ψ)＝g₂(x cosψ-y sinψ,x sinψ+y cosψ)。

1b)将所述第一方向滤波器函数g₁(x,y|ψ)和所述第二方向滤波器函数g₁(x,y|ψ)，分别与图像I的像素点I(x,y)进行卷积运算，分别得到坐标为(x,y)的像素点滤波后的第一均值r₁(x,y|ψ)和坐标为(x,y)的像素点滤波后的第二均值r₂(x,y|ψ)，其表达式分别为：

其中，旋转的角度ψ连续变化，表示卷积运算；由于所述高斯-伽马型双窗函数关于X轴对称，因此旋转的角度ψ∈[0°,180°)；在离散计算时，旋转的角度ψ离散化到设定的Q个方向上，Q表示将平面直角坐标系平分后包含的方向个数，Q为大于0的整数；本实施例中ψ＝45度，Q＝8，即每个相邻方向之间间隔45度。

1c)根据图像I的长度和宽度分别为w和h，确定图像I包含w×h个像素点，每个像素点对应一个场点，进而得到w×h个场点，并将该w×h个场点的集合作为图像I的图像边缘场F；其中，图像I的像素点I(x,y)对应所述图像边缘场F中的场点并根据坐标为(x,y)的像素点滤波后的第一均值r₁(x,y|ψ)和坐标为(x,y)的像素点滤波后的第二均值r₂(x,y|ψ)，分别计算坐标为(x,y)的像素点对应图像I的图像边缘场F中场点的强度M(x,y)，以及坐标为(x,y)的像素点对应图像边缘场F中场点的方向→表示矢量。

具体地，所述坐标为(x,y)的像素点对应图像I的图像边缘场中场点的强度M(x,y)，以及坐标为(x,y)的像素点对应图像边缘场中场点的方向其表达式分别为：

其中，所述场点为由该场点的强度M(x,y)和该场点的方向组成的矢量，所述图像I的图像边缘场为图像I中w×h个像素点各自对应的场点集合；(x,y)为图像I中任意一个像素点的坐标；进而得到图像I的图像边缘场F；所述图像I的图像边缘场F包含w×h个场点，每个场点分别对应图像I中的一个像素点，图像I的像素点I(x,y)对应所述图像边缘场F中的场点→表示矢量；r₁(x,y|ψ)表示坐标为(x,y)的像素点滤波后的第一均值，r₂(x,y|ψ)表示坐标为(x,y)的像素点滤波后的第二均值，min{*,·}表示求取*和·中的最小值操作，表示在ψ∈[0°,180°)范围内求取*和·中的最小值操作，表示使得*或·取最小值时求取ψ的取值操作，ψ∈[0°,180°)。

步骤2，分别设定图像I包含N条直线，以及设定图像I的参数空间包括M个累积单元，M>N，所述图像I的参数空间为图像I的原点分别到每条直线的距离和每条直线的方向的集合；其中将图像I的原点到第n条直线的距离和第n条直线的方向，作为第n条直线的累积单元。

令n分别取1至N，分别得到第1条直线的累积单元至第N条直线的累积单元，并记为图像I的参数空间内的N个累积单元；其中，M-N为噪声干扰影响产生的累积单元个数，该M-N个累积单元不对应N条直线中的任意一条直线；M、N分别为大于0的整数。

具体地，根据直线的极坐标表示法，得到图像I的像素点I(x,y)所在直线，其满足方程为：

ρ＝x cosθ+y sinθ (5)

其中，ρ∈[-R,R]，ρ表示图像I的原点到图像I的像素点I(x,y)所在直线的距离，w和h分别表示图像I的长度和宽度；θ∈[0°，180°)，θ表示图像I的像素点I(x,y)所在直线的方向。

分别设定图像I包含N条直线，以及设定图像I的参数空间包括M个累积单元，M>N，所述图像I的参数空间为图像I的原点分别到每条直线的距离和每条直线的方向的集合；其中将图像I的原点到第n条直线的距离和第n条直线的方向，作为第n条直线的累积单元。

令n分别取1至N，分别得到第1条直线的累积单元至第N条直线的累积单元，并记为图像I的参数空间内的N个累积单元；其中，M-N为噪声干扰影响产生的累积单元个数，该M-N个累积单元不对应N条直线中的任意一条直线；n∈{1,2,…,N}，M、N分别为大于0的整数。

然后计算图像I的像素点I(x,y)所在直线的方向θ，并计算图像I的原点到图像I的像素点I(x,y)所在直线的距离ρ，得到图像I中的像素点I(x,y)的累积单元(ρ,θ)，记为图像I的参数空间内像素点I(x,y)的累积单元(ρ,θ)，(x,y)∈I；进而得到图像I的参数空间内的N个累积单元，N<w×h；但实际情况中由于噪声的影响，也会产生若干个累积单元，因此设定图像I的参数空间总共包含M个累积单元，其中包含N条直线形成的N个累积单元，以及由噪声干扰产生的(M-N)个累积单元，所述(M-N)个累积单元不对应图像I中的任意一条直线。

步骤3，根据图像I的图像边缘场F，以及图像I的参数空间内的M个累积单元，计算得到图像I包含的w×h个像素点分别对M个累积单元的累积权重影响值列表N，所述图像I包含的w×h个像素点分别对M个累积单元的累积权重影响值列表N包含w×h×M个累积权重影响值。

具体的，步骤3的字步骤如下：

3.1定义为图像I中第j个像素点的估计因子，并确定图像I中第j个像素点对应图像I的图像边缘场中场点的估计方向为j∈{1,2,…,w×h}，则计算得到图像I的原点到图像I中第j个像素点所在直线的估计距离 表示图像I中第j个像素点对应图像I的图像边缘场中场点的估计方向j的初始值为1。

定义为图像I中第j个像素点的估计因子，并将图像I的参数空间内的N个累积单元中第i个累积单元记为(ρ_i,θ_i)，ρ_i表示图像I的原点到图像I中第i个累积单元对应直线的距离，θ_i表示图像I中第i个累积单元对应直线的方向，i∈{1,2,…,M}，M表示图像I的参数空间中的累积单元总个数，i的初始值为1；则图像I中第j个像素点对应图像I的图像边缘场中场点对第i个累积单元(ρ_i,θ_i)的贡献权重，与图像I中第j个像素点的估计因子与第i个累积单元(ρ_i,θ_i)之间的距离成反相关，即图像I中第j个像素点的估计因子与第i个累积单元(ρ_i,θ_i)之间的距离越近，则图像I中第j个像素点对应图像I的图像边缘场中的场点对第i个累积单元(ρ_i,θ_i)的贡献权重就越大；反之，若第j个像素点的估计因子与第i个累积单元(ρ_i,θ_i)之间的距离越远，则图像I中第j个像素点对应图像I的图像边缘场中的场点对第i个累积单元(ρ_i,θ_i)的贡献权重就越小。

3.2由于图像I的原点到图像I中第j个像素点所在直线的估计距离可以用图像I中第j个像素点对应图像I的图像边缘场中场点的估计方向表示，则第j个像素点的估计因子对第i个积累单元的累积权重影响值可由图像I中第j个像素点对应图像I的图像边缘场中场点的估计方向唯一确定，其表达式为：

其中，exp表示指数函数，σ'表示限制图像I中第j个像素点对应图像I的图像边缘场中场点影响第i个积累单元的范围参数，σ'越大，图像I中第j个像素点对应图像I的图像边缘场中场点影响的区域就越大。

图像I中第j个像素点对应图像I的图像边缘场中的场点对第i个累积单元的贡献权重，与第j个估计因子对第i个累积单元的累积权重影响值成正比；此外，图像I中第j个像素点对应图像I的图像边缘场中的场点对第i个累积单元的贡献权重，还与图像I中第j个像素点所在直线的方向相关，根据式(6)明显可知，当且仅当图像I中第j个像素点对应图像I的图像边缘场中场点的估计方向取值与图像I中第i个累积单元所对应直线的方向取值相等时，图像I中第j个像素点对应图像I中第i个累积单元贡献的累积权重最大；图1表示出了一个场点在参数空间的影响范围示意图。

3.3令j加1,重复子步骤3.2，直到得到第1个像素点的估计因子对第i个累积单元的累积权重影响值至第w×h个像素点的估计因子对第i个累积单元的累积权重影响值进而得到图像I中w×h个像素点各自的估计因子分别对第i个累积单元的累积权重影响值N(θ_i)。

3.4令i加1,依次重复子步骤3.2和3.3，直到得到图像I中w×h个像素点各自的估计因子分别对第1个累积单元的累积权重影响值N(θ₁)至第图像I中w×h个像素点各自的估计因子分别对第M个累积单元的累积权重影响值N(θ_M)，并记为图像I包含的w×h个像素点分别对M个累积单元的累积权重影响值列表N，所述图像I包含的w×h个像素点分别对M个累积单元的累积权重影响值列表N包含w×h×M个累积权重影响值。

步骤4，根据图像I的参数空间内的M个累积单元，以及图像I包含的w×h个像素点分别对M个累积单元的累积权重影响值列表N，使用自适应权重的累积算法，计算得到图像I的参数空间对应的自适应累积矩阵V，所述图像I的参数空间对应的自适应累积矩阵V包含M'个元素，且图像I的参数空间对应的自适应累积矩阵V包含的元素总个数与图像I的参数空间包括的累积单元总个数相等。

具体地，所述自适应权重的累积算法的子步骤为：

4a)根据图像I的参数空间内的M个累积单元，设定一个包含M'个元素的累积矩阵，并分别将该累积矩阵中的M'个元素分别初始化为0，该累积矩阵中包含的元素总个数与图像I的参数空间包含的累积单元总个数相等，且该累积矩阵中每一个元素分别对应图像I的参数空间包含的M个累积单元；M'为大于0的整数。

令i表示第i个累积单元，i∈{1,2,…,M}，M表示图像I的参数空间中的累积单元总个数，i的初始值为1。

令k表示图像I的图像边缘场F中每个场点的下标，k∈{1,2,…,w×h}，w×h表示图像I包含的像素点总个数，所述图像I包含的像素点总个数与图像I的图像边缘场F包含的场点总个数相等；分别将图像I的图像边缘场F中第k个场点记为将图像I的图像边缘场F中第k个场点的强度记为M(x_k,y_k)，将图像I的图像边缘场F中第k个场点的方向记为(x_k,y_k)表示图像边缘场F中第k个场点对应图像I内的像素点坐标；k的初始值为1。

4b)检测图像I的图像边缘场F中第k个场点的强度M(x_k,y_k)是否大于设定的强度阈值参数T；如果不是，舍弃图像I的图像边缘场F中第k个场点，并执行4e)；如果是，进行4c)。

4c)如果图像I的参数空间中第i个累积单元(ρ_i,θ_i)，与图像I的图像边缘场F中第k个场点的方向满足：

δ表示设定的场点方向阈值参数,则图像I的图像边缘场F中第k个场点对图像I的参数空间中第i个累积单元(ρ_i,θ_i)的贡献权重为weight(θ_i|(x_k,y_k))，

ρ_i表示图像I的原点到图像I中第i个累积单元对应直线的距离，θ_i表示图像I中第i个累积单元对应直线的方向；然后将图像I的图像边缘场F中第k个场点对图像I的参数空间中第i个累积单元(ρ_i,θ_i)的贡献权重weight(θ_i|(x_k,y_k))，作为图像I的参数空间中第i个累积单元(ρ_i,θ_i)获得图像I的图像边缘场F中第k个场点的投票累积量，进而计算得到图像I的参数空间中第i个累积单元(ρ_i,θ_i)从第1个场点至第k个场点获得的投票累积量V(ρ_i,θ_i|(x_k,y_k))，

其中，V(ρ_i,θ_i|(x₀,y0))＝0，weight(θ_i|(x_q,y_q)表示图像I的图像边缘场F中第q个场点对图像I的参数空间中第i个累积单元(ρ_i,θ_i)的贡献权重，q∈{1,2,…,k}。

4d)令i加1，重复子步骤4c)，直到得到图像I的参数空间中第1个累积单元(ρ₁,θ₁)从第1个场点至第k个场点获得的投票累积量V(ρ₁,θ₁|(x_k,y_k))，至图像I的参数空间中第M个累积单元(ρ_M,θ_M)从第1个场点至第k个场点获得的投票累积量V(ρ_M,θ_M|(x_k,y_k))，并记为图像I的参数空间中的M个累积单元分别从第1个场点至第k个场点获得的投票累积量V(x_k,y_k)。

4e)令k加1，返回子步骤4b)，直到得到图像I的参数空间中的M个累积单元分别从第1个场点至第1个场点获得的投票累积量V(x₁,y₁)至图像I的参数空间中的M个累积单元分别从第1个场点至第w×h个场点获得的投票累积量V(x_w×h,y_w×h)，并记为图像I的参数空间对应的自适应累积矩阵V；其中，图像I的参数空间中的M个累积单元从第0个场点获得的投票累积量为0；所述图像I的参数空间对应的自适应累积矩阵V包含M'个元素，所述M'个元素中的每个元素对应至少一个场点获得的投票累积量，图像I的参数空间对应的自适应累积矩阵V包含的元素总个数与图像I的参数空间包括的累积单元总个数相等。

设定的场点强度阈值参数T用于筛选场点强度的大小，并将较小强度值的场点排除在累积过程之外，本例中取T＝1；设定的场点方向阈值参数δ限定了场点的影响范围，其影响范围大小与δ值大小成正比；δ的取值人为设定，以保证δ的取值在不合适的时候，算法依然具有比较稳健的性能；δ为大于0的实数，本例中取δ为0.3。T和δ的使用能够保证噪声不参与累积投票的过程，同时也减小本发明方法的计算量；可以看出来，同一个场点对不同的累积单元具有不同的累计权重，且同一个场点仅仅支持少量的累积单元，以保证算法的准确性，进而使得一个场点支持的累积单元形成了该场点的支持范围。

步骤5，根据图像I的参数空间对应的自适应累积矩阵V包含的M'个元素，计算得到图像I的参数空间对应的自适应累积矩阵V的峰值列表P，所述峰值列表P中包含N'个元素，且峰值列表P中每个元素分别对应图像I中的一条直线，进而对应得到图像I中的N条直线；其中，峰值列表P中包含的元素总个数与图像I内包含的直线总条数相同且一一对应。

具体地，由于图像离散的参数空间经常会造成峰值的分散，甚至会造成虚假的次级峰值现象；除了上述原因，在数字图像中，由于离散化的原因有些实际上并不共线的点会被误认为是共线的，也会造成严重的虚假峰值现象；噪声、纹理也会导致虚假峰值现象的出现，有些幅度比较高的虚假峰值会被错误识别成线特征；此外，本发明方法没有利用平滑滤波器去平滑参数空间，虽然平滑参数空间的过程能够避免相邻的峰值融合，也能够减少噪声对峰值提取过程的影响，但会造成峰值位置的偏差移动，以及图像中直线位置检测的不准确；为了尽量避免上述问题，本发明采用排序选择峰值的窗口函数方法：

5.1将图像I的参数空间对应的自适应累积矩阵V中M'个元素各自对应场点获得的投票累积量由高到低进行排列，得到自适应累积矩阵V的候选累计排序列表L，将自适应累积矩阵V的候选累计排序列表L中第l个元素记为L(ρ_l,θ_l)，该自适应累积矩阵V的候选累计排序列表L中第l个元素为图像I的参数空间对应的自适应累积矩阵V中M'个元素各自对应场点获得的投票累积量由高到低进行排列后的累积矩阵中第l个元素，l∈{1,2,…,M'}，l的初始值为1；ρ_l表示图像I中原点到候选累计排序列表L中第l个元素对应累计单元的对应直线距离，θ_l表示图像I中原点到候选累计排序列表L中第l个元素对应累计单元的对应直线方向。

分别设定图像I的参数空间对应的自适应累积矩阵V的峰值列表P，以及图像I的参数空间对应的自适应累积矩阵V的辅助列表A；峰值列表P用来存放峰值检测的结果，大小为N'；辅助列表A用来存放已经遍历过的累积单元，大小为M”；P和A初始都为空。

5.2对自适应累积矩阵V的候选累计排序列表L中第l个元素L(ρ_l,θ_l)，检查第l个元素L(ρ_l,θ_l)对应图像I的参数空间中累积单元的设定领域窗口内是否存在辅助列表A中的累积单元；如果存在，则将第l个元素L(ρ_l,θ_l)作为辅助列表A中第g个元素，g的初值为1，并令g加1；如果不存在，则分别将第l个元素L(ρ_l,θ_l)作为峰值列表P中第g'个元素，将第l个元素L(ρ_l,θ_l)作为辅助列表A中的第g'个元素；g'的初值为1，并令g'加1；其中，设定的邻域窗口n×n，n为大于0的奇数；本实施例中n＝3；也可以合理设定稍大尺寸的邻域窗口，所述稍大尺寸为n'×n'，n'为大于3的奇数；l∈{1,2,…,M}。

5.3令l加1，重复执行子步骤5.2，直到得到峰值列表P中的N'个元素和辅助列表A中的M”个元素。

将峰值列表P中第r个元素记为P(ρ_r,θ_r)，r∈{1,2,…,N'}，ρ_r表示图像I中原点到峰值列表P中第r个元素对应累计单元的对应直线距离，θ_r表示图像I中原点到峰值列表P中第r个元素对应累计单元的对应直线方向；且该第r个元素P(ρ_r,θ_r)对应图像I中第r'条直线的累计单元(ρ_r',θ_r')，ρ_r'表示图像I的原点到图像I中第r'个像素点I(x_r',y_r')所在直线的距离ρ_r'(x_r',y_r')，θ_r'表示图像I的原点到图像I中第r'个像素点I(x_r',y_r')所在直线的方向θ_r'(x_r',y_r')，r'∈{1,2,…,N}，N表示图像I包含的直线总条数。

根据图像I中第r'个像素点I(x_r',y_r')所在直线满足的方程：ρ_r'＝x_r' cosθ_r'+y_r'sinθ_r'，对应得到图像I中的第r'条直线；令r分别取1至N'，进而得到峰值列表P中第1个元素至第N'个元素分别对应图像I中的第1条直线至第N条直线；峰值列表P中的元素总个元素与图像I内包含的直线总条数相同且一一对应。

其中，辅助列表A中的元素总个数与图像I的参数空间对应的自适应累积矩阵V中的元素总个数相等；M-N个由于噪声干扰形成的累积单元得不到场点的支持，因此噪声形成的M-N个累积单元在此过程中分别不会加入到峰值列表P和辅助列表A中。

下面通过仿真实验对本发明效果做进一步验证。

(一)实验条件

实验一：检验和比较不同边缘检测算子对一幅简单5-视幅度SAR图像直线提取算法结果；

实验二：检验和比较不同边缘检测算子对一幅稍微复杂的5-视幅度SAR图像直线提取算法结果；

实验三：检验并分析IEFA的抗噪性能的实验

实验四：检验并分析IEFA的抗遮挡能力的实验

实验五：检验并分析IEFA对实际图像的直线检测能力的实验

(二)实验内容

为了进一步说明本发明方法较其它直线检测算法的优越性，做如下几组仿真实验。

实验一：本实验采用对比实验方法，分别使用Canny边缘检测算子和高斯伽马型双窗(GGS)边缘检测算子对图像处理获得图像的二值边缘图，再使用霍夫变换方法对二值边缘图进行直线检测，分别记作Canny-HT和GGS-HT，与本发明方法，即图像边缘场算法(IEFA)，三组对比实验对一幅简单的5-视幅度SAR图像进行直线提取处理。

图3A是利用Canny-HT算法检测提取一幅5-视仿真幅度格式SAR图像中直线得到的直线参数空间3D视图；其中，Canny-HT算法为Canny边缘检测算子和霍夫变换算法；图3B是利用GGS-HT算法检测提取一幅5-视仿真幅度格式SAR图像中直线得到的直线参数空间3D视图；其中，GGS-HT算法为高斯伽马型双窗(GGS)边缘检测算子和霍夫变换算法；图3C是利用SAR图像边缘场(IEFA)方法检测提取一幅5-视仿真幅度格式SAR图像中直线得到的直线参数空间3D视图；-图3D是使用Canny-HT方法检测提取一幅5-视仿真幅度格式SAR图像中直线得到的直线参数空间3D视图结果示意图；图3E是使用GGS-HT方法检测提取一幅5-视仿真幅度格式SAR图像中直线得到的结果示意图；图3F是使用SAR图像边缘场(IEFA)方法检测提取一幅5-视仿真幅度格式SAR图像中直线得到的结果示意图。

实验二：本实验采用对比实验方法，分别使用Canny边缘检测算子和高斯伽马型双窗(GGS)边缘检测算子对图像处理获得图像的二值边缘图，再使用霍夫变换方法对二值边缘图进行直线检测，分别记作Canny-HT和GGS-HT，与本发明方法，即图像边缘场算法(IEFA)，三组对比实验对一幅稍微复杂的5-视幅度SAR图像进行直线提取处理；该图像中共有18条直线，根据每条直线被检测出来的难易程度给每条直线确定一个分数值；如果算法成功检测出该条直线，即可获得相应分值，最后算法的得分就是所检测出所有直线对应的分数值之和。

图4A是真实的理想图像，即理想情况下一幅复杂的5-视仿真幅度格式SAR图像中进行检测提取直线的结果示意图，每条直线旁边的数值为检测出直线所获得的分值；图4B是使用Canny-HT方法对一幅复杂的5-视仿真幅度格式SAR图像进行直线检测的结果示意图，图4C是使用GGS-HT方法对一幅复杂的5-视仿真幅度格式SAR图像进行直线检测的结果示意图，图4D是使用IEFA方法对一幅复杂的5-视仿真幅度格式SAR图像进行直线检测的结果示意图。

实验三：分析IEFA的正确率伴随噪声方差的变化情况。实验内容为：利用实验二，在图4A中的场景加入一系列不同强度噪声，形成一系列被不同强度噪声污染的SAR图像，噪声方差的变化范围为-1dB～-15dB；显然，噪声越小表示图像质量越好，噪声越大表示图像质量越差；用IEFA处理不同情况下的图像，并记录其得分结果。

图5A是与图4A相同的场景图，其中对每条直线对应的分数进行了标注；图5B是SAR图像边缘场(IEFA)方法的正确率伴随噪声方差变化的曲线图。

实验四：分析IEFA的抗遮挡能力。实验内容为：构造了一张256*256的2-视幅度格式SAR图像，其中包含了两条相交直线，并对其用不同大小的像素圆盘进行遮挡处理。遮挡圆盘的半径分别取16、32、64、128个像素单位，并对这四幅图像使用IEFA算法进行直线检测处理，并用蒙特卡洛算法重复100次独立实验，每组独立实验仅输出两个最相关的直线，然后观察结果。

图6A是使用SAR图像边缘场(IEFA)方法对遮挡圆盘的半径为16个像素的一幅2-视幅度图像进行抗遮挡能力评价得到的结果示意图，图6B是使用SAR图像边缘场(IEFA)方法对遮挡圆盘的半径为32个像素的一幅2-视幅度图像进行抗遮挡能力评价得到的结果示意图，图6C是使用SAR图像边缘场(IEFA)方法对遮挡圆盘的半径为64个像素的一幅2-视幅度图像进行抗遮挡能力评价得到的结果示意图，图6D是使用SAR图像边缘场(IEFA)方法对遮挡圆盘的半径为128个像素的一幅2-视幅度图像进行抗遮挡能力评价得到的结果示意图。

实验五：分析IEFA对真实图像的直线检测能力。实验内容为使用三个不同场景的真实SAR图像，运用IEFA方法进行直线检测的实验结果图。其中选取的三个场景均为真实的SAR图像，取自于圣地亚实验室网站。三个场景分别为：机场跑道(400*450)、河流(432*552)和农田(300*550)。

图7A是使用SAR图像边缘场(IEFA)方法对机场跑道进行直线检测得到的结果示意图，图7B是使用SAR图像边缘场(IEFA)方法对河流进行直线检测得到的结果示意图，图7C是使用SAR图像边缘场(IEFA)方法对农田进行直线检测得到的结果示意图。

(三)结果分析

实验一：对比图3A～图3C可以看到，Canny-HT的参数空间具有最多的伪峰，其次是GGS-HT，而本发明方法IEFA的伪峰数量最少，表现优于Canny-HT和GGS-HT两种传统算法。对比图3D～图3F可以看到Canny-HT检测出了两条虚假的线，GGS-HT也检测出一条虚假线，而本发明方法IEFA没有检测出虚假直线。因此可以看出IEFA在这张简单的5-视幅度SAR图像直线检测过程中表现良好。

实验二：对比图4B～图4D可以看到，Canny-HT算法的直线检测效果不如GGS-HT，而本发明方法IEFA的检测效果最好，表现显然优于Canny-HT和GGS-HT两种传统算法。因此可以看出IEFA在这张稍复杂的5-视幅度SAR图像直线检测过程中表现良好。

此外从图中可以看出，所有未被正确检测出来的直线均为短、弱的直线，所谓强(弱)直线是指直线两边区域的对比度强(弱)，这个现象产生的原因是因为短、弱直线更易受到相干斑噪声的影响，从而获得错误的检测结果。

对比图4B、图4C，Canny-HT算法的直线检测效果始终不如GGS-HT，这是因为GGS是一种为专门提取合成孔径雷达图像中的边缘而提出设计的比例性边缘检测算子，而Canny算子更适合应用于光学图像中提取光学图像边缘，因此Canny算子应用于SAR图像中时会产生较多的虚假边缘。

实验三：从图5可以看出，随着噪声方差的降低，本发明提出的IEFA算法检测结果的分数越来越高。当噪声方差大于等于-11dB时，IEFA方法不能正确检测出所有直线，方差小于-11dB时，可以正确检测出所有直线，获得所有分数；并且这里当噪声最强的时候，即噪声方差为-1dB时，也仅仅有六条直线被错误检测了；因此根据上述实验三的结果得出了本发明得到具有比较好的抗噪能力的结论。

实验四：从实验过程中发现，当遮挡半径小于128个像素时，每次独立实验提出的IEFA方法都可以准确检测到两条相交直线的信息；当遮挡半径为128个像素时，100次独立实验中IEFA仅有三次没有准确测出两条直线，在这三次独立实验中检测出了一条虚假直线。

实验四的结果表明，即使在被遮挡的面积如此之大的情况下，IEFA检测直线的准确率依旧达到了97％。所以根据实验结果表明本发明方法具有较好的抗遮挡能力，图6B～6D显示了这一点。

实验五：根据图像的不同复杂程度和情况，分别在三幅图中检测出7条、7条和19条最明显最相关的直线；从图7A可以看出，对于机场跑道的情景，IEFA准确无误的检测出了直线，并且没有虚假直线；从图7B可以看出，对于河流的情景，IEFA检测出了两条虚假直线；从图7C可以看出，对于农田的情景，IEFA检测出了三条虚假直线。由此表明，影响算法检测结果的因素有很多，其中图像中场景的复杂度是一个重要因素；此外，图像中场景的纹理特征也是一个影响因素，纹理会产生一些随机对齐的像素，这些随机对齐的像素有时候会被错误的认作两条相交直线。比如在图7B中，河岸上方有两条相交直线，就是受了上方灌木丛图像纹理因素的影响，把本来应该用一条直线表示的河流检测成了两条直线；此外在图7C中的3条虚假直线很大程度上也是由于村庄的纹理因素导致的，此外，由于农田场景会产生比较严重的相干斑噪声，因此噪声也可能是这三条虚假直线产生的原因之一。

总体上，应用于实际情境中，本发明方法不仅具有良好的抗噪声能力、良好的抗遮挡能力，最重要的是有较高的检测准确率。

综上所述，仿真实验验证了本发明的正确性，有效性和可靠性。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围；这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种提取合成孔径雷达图像直线的优化方法，其特征在于，包括以下步骤：

步骤1，确定待检测合成孔径雷达图像，所述待检测合成孔径雷达图像为包含噪声干扰的合成孔径雷达图像，并将所述待检测合成孔径雷达图像记为图像I，然后确定图像I的图像边缘场F；图像I的长度和宽度分别为w和h；w和h分别表示像素点个数，且w和h分别为大于0的整数；

步骤2，分别设定图像I包含N条直线，以及设定图像I的参数空间包括M个累积单元，M>N，所述图像I的参数空间为图像I的原点分别到每条直线的距离和每条直线的方向的集合；其中将图像I的原点到第n条直线的距离和第n条直线的方向，作为第n条直线的累积单元；

令n分别取1至N，分别得到第1条直线的累积单元至第N条直线的累积单元，并记为图像I的参数空间内的N个累积单元；其中，M-N为噪声干扰影响产生的累积单元个数，该M-N个累积单元不对应N条直线中的任意一条直线；M、N分别为大于0的整数；

步骤3，根据图像I的图像边缘场F，以及图像I的参数空间内的M个累积单元，计算得到图像I包含的w×h个像素点分别对M个累积单元的累积权重影响值列表N，所述图像I包含的w×h个像素点分别对M个累积单元的累积权重影响值列表N包含w×h×M个累积权重影响值；

步骤4，根据图像I的参数空间内的M个累积单元，以及图像I包含的w×h个像素点分别对M个累积单元的累积权重影响值列表N，计算得到图像I的参数空间对应的自适应累积矩阵V，所述图像I的参数空间对应的自适应累积矩阵V包含M'个元素，且图像I的参数空间对应的自适应累积矩阵V包含的元素总个数与图像I的参数空间包括的累积单元总个数相等。

步骤5，根据图像I的参数空间对应的自适应累积矩阵V包含的M'个元素，计算得到图像I的参数空间对应的自适应累积矩阵V的峰值列表P，所述峰值列表P中包含N'个元素，且所述峰值列表P中每个元素分别对应图像I中的一条直线，进而对应得到图像I中的N条直线；其中，峰值列表P中包含的元素总个数与图像I内包含的直线总条数相同且一一对应。

2.如权利要求1所述的一种提取合成孔径雷达图像直线的优化方法，其特征在于，步骤1的具体过程为：

确定待检测合成孔径雷达图像，并将所述待检测合成孔径雷达图像记为图像I，选取图像I中任意一个像素点，记该像素点的坐标为(x,y)，并将该像素点的坐标(x,y)在图像I中的位置，记为图像I的像素点I(x,y)，

使用高斯-伽马型双窗函数作为滤波器，分别得到像素点的坐标(x,y)的第一窗函数滤波器g₁(x,y)，以及像素点的坐标(x,y)的第二窗函数滤波器g₂(x,y)，所述第一窗函数滤波器g₁(x,y)对应高斯-伽马型双窗函数中Y轴正半轴部分，所述第二窗函数滤波器g₂(x,y)对应高斯-伽马型双窗函数中Y轴负半轴部分；将所述第一窗函数滤波器g₁(x,y)和第二窗函数滤波器g₂(x,y)分别逆时针旋转角度ψ，分别得到像素点的坐标(x,y)的第一方向滤波器函数g₁(x,y|ψ)和像素点的坐标(x,y)的第二方向滤波器函数g₁(x,y|ψ)；

其中，所述高斯-伽马型双窗函数在X轴方向为高斯分布、在Y轴正半轴方向和Y轴负半轴分别伽马分布的双窗函数；

将所述第一方向滤波器函数g₁(x,y|ψ)和所述第二方向滤波器函数g₁(x,y|ψ)，分别与图像I的像素点I(x,y)进行卷积运算，分别得到坐标为(x,y)的像素点滤波后的第一均值r₁(x,y|ψ)和坐标为(x,y)的像素点滤波后的第二均值r₂(x,y|ψ)；

再根据坐标为(x,y)的像素点滤波后的第一均值r₁(x,y|ψ)和坐标为(x,y)的像素点滤波后的第二均值r₂(x,y|ψ)，计算坐标为(x,y)的像素点对应图像I的图像边缘场中场点的强度M(x,y)，以及坐标为(x,y)的像素点对应图像I的图像边缘场中场点的方向其中，所述场点为由该场点的强度和该场点的方向组成的矢量，所述图像I的图像边缘场为图像I中w×h个像素点各自对应的场点集合；(x,y)为图像I中任意一个像素点的坐标；进而得到图像I的图像边缘场F；所述图像I的图像边缘场F包含w×h个场点，每个场点分别对应图像I中的一个像素点，图像I的像素点I(x,y)对应所述图像边缘场F中的场点→表示矢量。

3.如权利要求2所述的一种提取合成孔径雷达图像直线的优化方法，其特征在于，所述像素点的坐标(x,y)的第一窗函数滤波器g₁(x,y)，以及像素点的坐标(x,y)的第二窗函数滤波器g₂(x,y)，其表达式分别为：

$g_1(x,y)=\frac{|y{|}^{\mathrm{\&alpha;}-1}}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}\mathrm{\&Gamma;}\left(\mathrm{\&alpha;}\right){\mathrm{\&beta;}}^{\mathrm{\&alpha;}}}\exp \left(-\left(\frac{x^2}{2{\mathrm{\&sigma;}}^2}+\frac{\left|y\right|}{\mathrm{\&beta;}}\right)\right)$

$g_2(x,y)=\frac{|y{|}^{\mathrm{\&alpha;}-1}}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}\mathrm{\&Gamma;}\left(\mathrm{\&alpha;}\right){\mathrm{\&beta;}}^{\mathrm{\&alpha;}}}\exp \left(-\left(\frac{x^2}{2{\mathrm{\&sigma;}}^2}+\frac{\left|y\right|}{\mathrm{\&beta;}}\right)\right)$

其中，Γ(.)表示伽马函数，exp表示指数操作，| |表示取绝对值操作；σ表示不等于零的可变平滑参数因子，σ>0；α表示高斯-伽马型双窗函数在Y轴方向上的形状参数，α>1，α的取值反映像素点的坐标(x,y)的第一窗函数滤波器g₁(x,y)，以及像素点的坐标(x,y)的第二窗函数滤波器g₂(x,y)各自在Y轴方向上的宽度；β表示高斯-伽马型双窗函数在之间在Y轴方向上的尺度参数，β>0；

所述像素点的坐标(x,y)的第一方向滤波器函数g₁(x,y|ψ)和像素点的坐标(x,y)的第二方向滤波器函数g₁(x,y|ψ)，其表达式分别为：

g₁(x,y|ψ)＝g₁(xcosψ-ysinψ,xsinψ+ycosψ)

g₂(x,y|ψ)＝g₂(xcosψ-ysinψ,xsinψ+ycosψ)

所述坐标为(x,y)的像素点滤波后的第一均值r₁(x,y|ψ)和坐标为(x,y)的像素点滤波后的第二局部r₂(x,y|ψ)，其表达式分别为：

$r_1(x,y|\mathrm{\&psi;})=I(x,y)\&CircleTimes;g_1(x,y|\mathrm{\&psi;})$

$r_1(x,y|\mathrm{\&psi;})=I(x,y)\&CircleTimes;g_1(x,y|\mathrm{\&psi;})$

其中，旋转的角度ψ连续变化，且旋转的角度ψ∈[0°,180°)；表示卷积运算；

所述坐标为(x,y)的像素点对应图像I的图像边缘场中场点的强度M(x,y)，以及坐标为(x,y)的像素点对应图像边缘场中场点的方向其表达式分别为：

其中，r₁(x,y|ψ)表示坐标为(x,y)的像素点滤波后的第一均值，r₂(x,y|ψ)表示坐标为(x,y)的像素点滤波后的第二均值，min{*,·}表示求取*和·中的最小值操作，表示在ψ∈[0°,180°)范围内求取*和·中的最小值操作，表示使得*或·取最小值时求取ψ的取值操作，ψ∈[0°,180°)。

4.如权利要求1所述的一种提取合成孔径雷达图像直线的优化方法，其特征在于，步骤2的过程为：

根据直线的极坐标表示法，得到图像I的像素点I(x,y)所在直线，其满足方程为：

ρ＝xcosθ+ysinθ

其中，ρ∈[-R,R]，ρ表示图像I的原点到图像I的像素点I(x,y)所在直线的距离，w和h分别表示图像I的长度和宽度；θ∈[0°，180°)，θ表示图像I中的像素点I(x,y)对应图像边缘场F中的场点的方向；

设定图像I包含N条直线，其中将图像I的原点到第n条直线的距离和第n条直线的方向，作为第n条直线的累积单元；令n分别取1至N，分别得到第1条直线的累积单元至第N条直线的累积单元，并记为图像I的参数空间内的N个累积单元；n∈{1,2,…,N}；

然后计算图像I的像素点I(x,y)所在直线的方向θ，并计算图像I的原点到图像I的像素点I(x,y)所在直线的距离ρ，得到图像I中的像素点I(x,y)的累积单元(ρ,θ)，记为图像I的参数空间内像素点I(x,y)的累积单元(ρ,θ)，(x,y)∈I；进而得到图像I的参数空间内的N个累积单元，N<w×h；但实际情况中由于噪声的影响，也会产生若干个累积单元，因此设定图像I的参数空间总共包含M个累积单元，其中包含N条直线形成的N个累积单元，以及由噪声产生的(M-N)个累积单元，所述(M-N)个累积单元不对应图像I中的任意一条直线。

5.如权利要求1所述的一种提取合成孔径雷达图像直线的优化方法，其特征在于，步骤3的子步骤为：

3.1定义为图像I中第j个像素点的估计因子，并确定图像I中第j个像素点对应图像I的图像边缘场中场点的估计方向为j∈{1,2,…,w×h}，则计算得到图像I的原点到图像I中第j个像素点所在直线的估计距离 表示图像I中第j个像素点对应图像I的图像边缘场中场点的估计方向j的初始值为1；

将图像I的参数空间内的N个累积单元中第i个累积单元记为(ρ_i,θ_i)，ρ_i表示图像I的原点到图像I中第i个累积单元对应直线的距离，θ_i表示图像I中第i个累积单元对应直线的方向，i∈{1,2,…,M}，M表示图像I的参数空间中的累积单元总个数，i的初始值为1；

3.2计算得到第j个像素点的估计因子对第i个积累单元的累积权重影响值其中，exp表示指数函数，σ'表示限制图像I中第j个像素点对应图像I的图像边缘场中场点影响第i个积累单元的范围参数，

3.3令j加1,重复子步骤3.2，直到得到第1个像素点的估计因子对第i个累积单元的累积权重影响值至第w×h个像素点的估计因子对第i个累积单元的累积权重影响值进而得到图像I中w×h个像素点各自的估计因子分别对第i个累积单元的累积权重影响值N(θ_i)；

3.4令i加1,依次重复子步骤3.2和3.3，直到得到图像I中w×h个像素点各自的估计因子分别对第1个累积单元的累积权重影响值N(θ₁)至第图像I中w×h个像素点各自的估计因子分别对第M个累积单元的累积权重影响值N(θ_M)，并记为图像I包含的w×h个像素点分别对M个累积单元的累积权重影响值列表N，所述图像I包含的w×h个像素点分别对M个累积单元的累积权重影响值列表N包含w×h×M个累积权重影响值。

6.如权利要求1所述的一种提取合成孔径雷达图像直线的优化方法，其特征在于，步骤4的子步骤为：

4a)根据图像I的参数空间包含的M个累积单元，设定一个包含M'个元素的累积矩阵，并分别将该累积矩阵中的M'个元素分别初始化为0，该累积矩阵中包含的元素总个数与图像I的参数空间包含的累积单元总个数相等，且该累积矩阵中每一个元素分别对应图像I的参数空间包含的M个累积单元；M'为大于0的整数；

令i表示第i个累积单元，i∈{1,2,…,M}，M表示图像I的参数空间中的累积单元总个数，i的初始值为1；

令k表示图像I的图像边缘场F中每个场点的下标，k∈{1,2,…,w×h}，w×h表示图像I包含的像素点总个数，所述图像I包含的像素点总个数与图像I的图像边缘场F包含的场点总个数相等；分别将图像I的图像边缘场F中第k个场点记为将图像I的图像边缘场F中第k个场点的强度记为M(x_k,y_k)，将图像I的图像边缘场F中第k个场点的方向记为(x_k,y_k)表示图像边缘场F中第k个场点对应图像I内的像素点坐标；k的初始值为1；

4b)检测图像I的图像边缘场F中第k个场点的强度M(x_k,y_k)是否大于设定的强度阈值参数T；如果不是，舍弃图像I的图像边缘场F中第k个场点，并执行4e)；如果是，进行4c)；

4c)如果图像I的参数空间中第i个累积单元(ρ_i,θ_i)，与图像I的图像边缘场F中第k个场点的方向满足：

δ表示设定的场点方向阈值参数,则图像I的图像边缘场F中第k个场点对图像I的参数空间中第i个累积单元(ρ_i,θ_i)的贡献权重为weight(θ_i|(x_k,y_k))，

ρ_i表示图像I的原点到图像I中第i个累积单元对应直线的距离，θ_i表示图像I中第i个累积单元对应直线的方向；

然后将图像I的图像边缘场F中第k个场点对图像I的参数空间中第i个累积单元(ρ_i,θ_i)的贡献权重weight(θ_i|(x_k,y_k))，作为图像I的参数空间中第i个累积单元(ρ_i,θ_i)获得图像I的图像边缘场F中第k个场点的投票累积量，进而计算得到图像I的参数空间中第i个累积单元(ρ_i,θ_i)从第1个场点至第k个场点获得的投票累积量V(ρ_i,θ_i|(x_k,y_k))，

$V({\mathrm{\&rho;}}_i,{\mathrm{\&theta;}}_i|\left(x_k,y_k\right))=V({\mathrm{\&rho;}}_i,{\mathrm{\&theta;}}_i|\left(x_{k-1},y_{k-1}\right))+\underset{q=1}{\overset{k}{\&Sigma;}}weight\left({\mathrm{\&theta;}}_i\right|\left(x_q,y_q\right))$

其中，V(ρ_i,θ_i|(x₀,y₀))＝0，weight(θ_i|(x_q,y_q)表示图像I的图像边缘场F中第q个场点对图像I的参数空间中第i个累积单元(ρ_i,θ_i)的贡献权重，q∈{1,2,…,k}；

4d)令i加1，重复子步骤4c)，直到得到图像I的参数空间中第1个累积单元(ρ₁,θ₁)从第1个场点至第k个场点获得的投票累积量V(ρ₁,θ₁|(x_k,y_k))，至图像I的参数空间中第M个累积单元(ρ_M,θ_M)从第1个场点至第k个场点获得的投票累积量

V(ρ_M,θ_M|(x_k,y_k))，并记为图像I的参数空间中的M个累积单元分别从第1个场点至第k个场点获得的投票累积量V(x_k,y_k)；

4e)令k加1，返回子步骤4b)，直到得到图像I的参数空间中的M个累积单元分别从第1个场点至第1个场点获得的投票累积量V(x₁,y₁)至图像I的参数空间中的M个累积单元分别从第1个场点至第w×h个场点获得的投票累积量V(x_w×h,y_w×h)，并记为图像I的参数空间对应的自适应累积矩阵V；其中，图像I的参数空间中的M个累积单元从第0个场点获得的投票累积量为0；所述图像I的参数空间对应的自适应累积矩阵V包含M'个元素，所述M'个元素中的每个元素对应至少一个场点获得的投票累积量，图像I的参数空间对应的自适应累积矩阵V包含的元素总个数与图像I的参数空间包括的累积单元总个数相等。

7.如权利要求1所述的一种提取合成孔径雷达图像直线的优化方法，其特征在于，步骤5的子步骤为：

5.1将图像I的参数空间对应的自适应累积矩阵V中M'个元素各自对应场点获得的投票累积量由高到低进行排列，得到自适应累积矩阵V的候选累计排序列表L，将自适应累积矩阵V的候选累计排序列表L中第l个元素记为L(ρ_l,θ_l)，该自适应累积矩阵V的候选累计排序列表L中第l个元素为图像I的参数空间对应的自适应累积矩阵V中M'个元素各自对应场点获得的投票累积量由高到低进行排列后的累积矩阵中第l个元素，l∈{1,2,…,M'}，l的初始值为1；ρ_l表示图像I中原点到候选累计排序列表L中第l个元素对应累计单元的对应直线距离，θ_l表示图像I中原点到候选累计排序列表L中第l个元素对应累计单元的对应直线方向；

分别设定图像I的参数空间对应的自适应累积矩阵V的峰值列表P，以及图像I的参数空间对应的自适应累积矩阵V的辅助列表A；峰值列表P用来存放峰值检测的结果，大小为N'；辅助列表A用来存放已经遍历过的累积单元，大小为M”；P和A初始都为空；

5.2对自适应累积矩阵V的候选累计排序列表L中第l个元素L(ρ_l,θ_l)，检查第l个元素L(ρ_l,θ_l)对应图像I的参数空间中累积单元的设定领域窗口内是否存在辅助列表A中的累积单元；如果存在，则将第l个元素L(ρ_l,θ_l)作为辅助列表A中第g个元素，g的初值为1，并令g加1；如果不存在，则分别将第l个元素L(ρ_l,θ_l)作为峰值列表P中第g'个元素，将第l个元素L(ρ_l,θ_l)作为辅助列表A中的第g'个元素；g'的初值为1，并令g'加1；其中，设定的邻域窗口n×n，n为大于0的奇数；l∈{1,2,…,M}；

5.3令l加1，重复执行子步骤5.2，直到得到峰值列表P中的N'个元素和辅助列表A中的M”个元素；

将峰值列表P中第r个元素记为P(ρ_r,θ_r)，r∈{1,2,…,N'}，ρ_r表示图像I中原点到峰值列表P中第r个元素对应累计单元的对应直线距离，θ_r表示图像I中原点到峰值列表P中第r个元素对应累计单元的对应直线方向；且该第r个元素P(ρ_r,θ_r)对应图像I中第r'条直线的累计单元(ρ_r',θ_r')，ρ_r'表示图像I的原点到图像I中第r'个像素点I(x_r',y_r')所在直线的距离ρ_r'(x_r',y_r')，θ_r'表示图像I的原点到图像I中第r'个像素点I(x_r',y_r')所在直线的方向θ_r'(x_r',y_r')，

r'∈{1,2,…,N}，N表示图像I包含的直线总条数；

根据图像I中第r'个像素点I(x_r',y_r')所在直线满足的方程：

ρ_r'＝x_r'cosθ_r'+y_r'sinθ_r'，对应得到图像I中的第r'条直线；令r分别取1至N'，进而得到峰值列表P中第1个元素至第N'个元素分别对应图像I中的第1条直线至第N条直线；峰值列表P中的元素总个元素与图像I内包含的直线总条数相同且一一对应。