CN106803078B - 一种sar图像舰船目标分割方法 - Google Patents

Abstract

一种SAR图像舰船目标分割方法，本发明涉及SAR图像舰船目标分割方法。本发明的目的是为了解决现有方法检测分割舰船目标时出现的先验信息不足、旁瓣和“拖影”过强、两船距离过近等导致分割不理想的问题。具体过程为：一、对原始图像进行基于颜色和区域的水陆分离；二、对水陆分离后的图像进行Otsu二值分割及区域分割获得舰船大小；三、基于舰船大小设定背景窗，假设背景窗中的杂波为K‑分布，估计K‑分布参数，获得阈值，基于该阈值分割舰船目标；四、对舰船目标进行开运算，得到分割后图像；本发明用于舰船目标分割领域。

Description

一种SAR图像舰船目标分割方法

技术领域

本发明涉及SAR图像舰船目标分割方法。

背景技术

我国有着广大的海洋、河流等水域领土，因此来往的船只丰富，对船只进行监测是十分必要的。普通的光学图像极易受到外界条件干扰，这些外界条件包括时间、季节、天气、云层等。合成孔径雷达(SAR)，具有全天时、全天候的优点，不易受外界条件干扰，可安装在飞机、卫星、宇宙飞船等飞行平台上，全天时、全天候对地实施观测、并具有一定的地表穿透能力，因而应用更加广泛。

雷达目标的识别在国防上具有重大的实际意义，更是当前的热点问题。由于SAR雷达的成像机制，所成的像中有着一定量的噪声、海杂波、旁瓣、强反射“拖影”等等一系列干扰因素，这些都是我们不期望得到的。如何减少合成孔径雷达的干扰因素，使雷达更具有抗干扰性也是学者们历来所研究的问题，雷达成像质量也在一步步提高。但无论如何改进，干扰因素是永远不可能完全不存在的，因此如何在有一定干扰条件下准确地自动地识别目标是必要的。

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。将舰船目标分割出来，可以大大提高舰船检测识别的效率、提升准确性。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。

在舰船目标检测常见算法中，传统的基于K-分布杂波的CFAR算法精确但十分缓慢，且没有足够多的先验信息以自动确定滑动窗大小，Otsu算法迅速但强海杂波下不够精确，而且这些都是基于阈值的分割方法，有些SAR图像中旁瓣和“拖影”过强、两船距离过近，单纯的基于阈值的分割方法不可能达到理想的效果。因此如何基于已有的各种图像分割、特征分析、模式识别等算法，加以适当的改进和改进，取长补短，最终设计出一种准确的、综合的、高效的算法是十分关键的问题。

发明内容

本发明的目的是为了解决现有方法检测分割舰船目标时出现的先验信息不足、旁瓣和“拖影”过强、两船距离过近等导致分割不理想的问题，而提出一种SAR图像舰船目标分割方法。

一种SAR图像舰船目标分割方法具体过程为：

步骤一、对原始图像进行基于颜色和区域的水陆分离；

步骤二、对水陆分离后的图像进行Otsu二值分割及区域分割获得舰船大小；

步骤三、基于舰船大小设定背景窗，假设背景窗中的杂波为K-分布，估计K-分布参数，获得阈值，基于该阈值分割舰船目标；

步骤四、对舰船目标进行开运算，得到分割后图像；

SAR为合成孔径雷达，Otsu为最大类间方差。

本发明的有益效果为：

本发明将提出一种新的水陆检测算法，而后应用迅速的Otsu二值算法粗略获得先验信息，再进行精确地检测计算，并改进已有的基于K-分布杂波的CFAR算法，同时应用开运算等多种算法综合，以提高分割的准确性。

传统的方法只能处理仅含水面的SAR图像，而本发明能处理包含陆地信息的SAR图像。

传统的CFAR算法没有足够的先验信息，不能准确适用各种分辨率的SAR图像，而且运行缓慢，本发明可以获得足够的先验信息，能准确适用各种分辨率的SAR图像，而且运行速度快。

传统的基于阈值分割方法无法分离两个相距过近的船，而本发明可以分离。

本发明获得的分割图图7与现有技术分割图图3图4相比，本发明对图像舰船目标分割更精确。表1显示了全过程的核心步骤——步骤三的matlab程序所用时间，传统的方法处理一幅600万像素的图像需要45分，而本发明仅需76.214秒。

附图说明

图1为本发明流程图；

图2a为基于颜色和区域的分割方法分割出的水陆图；

图2b为基于颜色和区域的分割方法分割出的手工绘制的水陆图；

图3为Otsu二值算法和水陆图与运算后得到的含有大量舰船目标和少量其他干扰的二值图；

图4为采用基于K-分布的CFAR检测算法得到的舰船目标图；

图5a为开运算再处理前距离相近的两船图；

图5b为开运算再处理后距离相近的两船图；

图6a为开运算再处理前长拖影舰船图；

图6b为开运算再处理后的对比图；

图7是本发明获得的分割图。

具体实施方式

具体实施方式一：本实施方式的一种SAR图像舰船目标分割方法具体过程为：

步骤一、对原始图像进行基于颜色和区域的水陆分离；

步骤二、对水陆分离后的图像进行Otsu二值分割及区域分割获得舰船大小；

步骤三、基于舰船大小设定背景窗，假设背景窗中的杂波为K-分布，估计K-分布参数，获得阈值，基于该阈值分割舰船目标；

步骤四、对舰船目标进行开运算，得到分割后图像；

SAR为合成孔径雷达，Otsu为最大类间方差。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中获取原始图像，对原始图像进行基于颜色和区域的水陆分离；具体过程为：

步骤一一、基于颜色检测，图像中陆地偏黄色，水面偏蓝色，对原始图像检测RGB值，取RGB值中B值大于等于R值的部分作为水面；取RGB值中B值(蓝色分量)小于 R值(红色分量)的部分作为陆地；

步骤一二、保留步骤一一中分离出来的水面最大的区域并标记为黑色(灰度值为0)，其他区域均视为陆地并标记为白色(灰度值为255)得到一幅二值图像；

步骤一三、将步骤一二得到的二值图像进行开运算和反色变换，具体如下：

使用元素B对集合A进行开运算，定义为

其中，·为开运算，Θ表示腐蚀运算，

表示膨胀运算；

膨胀运算的定义为

表示以B₁点的中心作为观察点的B₁集合，具体来说是令B₁的中心点在A₁的边界上平移一周后B₁扫过的区域和A₁的并集，即获得所有满足的像素点的集合。

腐蚀运算的定义为

意义同上，具体来说是令B₁的中心点在A₁的边界上平移一周后得到B₁扫过的区域和 A₁的交集，再用A₁减去该交集，即获得所有满足的像素点的集合。

A₁为步骤一二得到的二值图像，B₁为半径为原始图像长宽和的1/60的圆形，运算结果是去除掉图像中一些细小的凸起，使图像平滑化，再经反色变换使开运算后的二值图像中水面变为白色，陆地变为黑色；

步骤一四、由于水陆线边缘处会残留部分陆地目标，且边缘处很少会有船只，所以再对步骤一三反色变换后得到的图像进行腐蚀运算，定义为

其中，A₂为步骤一三得到的二值图像，B₂为半径为原始图像长宽和的1/600，至此完成水陆分离。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中对水陆分离后的图像进行Otsu二值分割及区域分割获得舰船大小；具体过程为：

由于接下来要用的CFAR涉及到决定背景窗的大小，而不同SAR图像的分辨率不同，舰船目标的占有像素值也不同，窗的大小自然应该不同，过大会导致所计算的背景并非待检测舰船目标所在处的背景，过小则可能让舰船目标本身含在背景窗内，都会导致结果不精确。因此需要足够的先验信息以确定选取窗的大小，获得先验信息的过程要迅速。

步骤二一、对水陆分离后的图像进行Otsu(最大类间方差法)二值分割，公式如下：

如果当前阈值为t，原始图像灰度大于等于t的像素为目标像素(前景像素)，原始图像灰度小于t的像素为背景像素，令：

w₀为原始图像前景点所占比例，w₁＝1-w₀为原始图像背景点所占比例，u₀为原始图像前景灰度均值，u₁为原始图像背景灰度均值，u为原始图像全局灰度均值， u＝w₀*u₀+w₁*u₁；

g＝w₀(u₀-u)*(u₀-u)+w₁(u₁-u)*(u₁-u)＝w₀*(1-w₀)*(u₀-u₁)*(u₀-u₁) (2)

式中，*为乘号，g为中间变量，取使g最大时的t为最优阈值；g越大，t就是越好的阈值，实际计算中可提高阈值，将大于或等于最优阈值的部分视为舰船目标并标记为白色，小于最优阈值的部分视为背景并标记为黑色；

步骤二二、将步骤一得到的水陆二值图像与步骤二一得到的图像进行与运算，得到一幅包含大部分舰船目标和小部分干扰物组成的二值图像；

步骤二三、找出步骤二二中产生的二值图像中所有白色区域，测量其长和宽，由于有些庞大的非舰船目标也在其中，用其值作为窗大小定然会导致窗选取过大，所以要将各区域的长边按升序(从小到大)排序，选取长边升序排序第95％的值为a，将各区域的宽边按升序(从小到大)排序，选取宽边升序排序第95％的值为b，a、b即为舰船尺寸，a为舰船长，b为舰船宽。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中基于舰船大小设定背景窗，假设背景窗中的杂波为K-分布，估计K-分布参数，获得阈值，基于该阈值分割舰船目标；具体过程为：

步骤三一、设定背景窗为空心正方形窗，其外边长为步骤二三中确定的a和b的最大值max(a，b)以保证大部分舰船目标完全被框在内，内边长比外边长小30％，设定目标窗为与背景窗同心的正方形窗，边长为背景窗外边长的五分之一；

步骤三二、以K-分布对背景窗内像素进行建模，估计阈值T，具体如下：

如下表达式为K-分布概率密度函数：

式中L是统计视数，x为背景窗内像素灰度值，μ为背景窗内像素灰度值均值，v是形状参数，K_v-L表示v-L阶修正二类Bessel(贝赛尔)函数，Γ(v)为v的伽马函数，Γ(L) 为L的伽马函数，

阈值T满足

式中P_fa为虚警概率；已给定；

该概率密度函数P(x)中含有两个参数v、L；L的估计方法为

式中σ为背景窗内像素灰度值标准差；

估计v的方法有很多，其中最简单的方法是通过如下经验式来判断v的大小为

v＝6.1L+1.25 (6)

估计v，L完毕后，开始利用公式4求解阈值T；

步骤三三、保留目标窗内高于阈值的像素，将目标窗内低于阈值的像素灰度值设为0；

步骤三四、令整个目标窗和背景窗在原始图像中滑动，直到原始图像中所有像素均被检测，得到舰船目标。

由于图像中陆地需排除在外，因此滑动窗在陆地上时迅速跳过，不要计算，将陆地部分的像素去掉，滑动时可每次平移一个目标窗大小，这样大大减少了整幅图像的处理时间。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤四中对舰船目标进行开运算，得到分割后图像；具体过程为：

有些舰船目标间隔过近，有些船反射拖影过长，单纯的基于灰度阈值已经不能达到理想效果，所以需要开运算来分离。

将步骤三得到的舰船目标进行开运算，

A′为步骤三四得到的舰船目标图像，B′为一条水平线段，其长度为max(a，b)的1/9，至此完成对整幅SAR图像的分割处理。

其它步骤及参数与具体实施方式一至四之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

本实施例一种SAR图像舰船目标分割方法具体是按照以下步骤制备的：

如图2a为基于颜色和区域的分割方法分割出的水陆图；图2b为基于颜色和区域的分割方法分割出的手工绘制的水陆图；图3为Otsu二值算法和水陆图与运算后得到的含有大量舰船目标和少量其他干扰的二值图；图4为采用基于K-分布的CFAR检测算法得到的舰船目标图；图5a为开运算再处理前距离相近的两船图；图5b为开运算再处理后距离相近的两船图；图6a为开运算再处理前长拖影舰船图；图6b为开运算再处理后的对比图；图2a与图2b对比可以看出计算得到的水陆图与真实的水陆图差别很小；图5a和图5b 为开运算处理距离相近的两船的图像对比图，图5a可以看出现有技术不能将距离相近的两船精确区分开，图5b的本发明能将距离相近的两船精确区分开；图6a和图6b为开运算处理前后舰船图像对比图，图6a的现有技术的图像出现长拖影舰船图，得到图像不精确，图6b的本发明得到的精确地舰船图像；图7是本发明获得的分割图，可得出本发明与现有技术相比，对图像舰船目标分割更精确。表1显示了全过程的核心步骤一-步骤三的matlab程序所用时间，传统的方法处理一幅600万像素的图像需要45分，而本发明仅需76.214秒。

表1步骤一-步骤三的matlab程序所用时间

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (1)

1.一种SAR图像舰船目标分割方法，其特征在于：一种SAR图像舰船目标分割方法具体过程为：

步骤一、对原始图像进行基于颜色和区域的水陆分离；

步骤二、对水陆分离后的图像进行Otsu二值分割及区域分割获得舰船大小；

步骤三、基于舰船大小设定背景窗，假设背景窗中的杂波为K-分布，估计K-分布参数，获得阈值，基于该阈值分割舰船目标；

步骤四、对舰船目标进行开运算，得到分割后图像；

SAR为合成孔径雷达，Otsu为最大类间方差；

所述步骤一中获取原始图像，对原始图像进行基于颜色和区域的水陆分离；具体过程为：

步骤一一、对原始图像检测RGB值，取RGB值中B值大于等于R值的部分作为水面；取RGB值中B值小于R值的部分作为陆地；

步骤一二、保留步骤一一中分离出来的水面最大的区域并标记为黑色，其他区域均视为陆地并标记为白色得到一幅二值图像；

步骤一三、将步骤一二得到的二值图像进行开运算和反色变换，具体如下:

使用元素对集合进行开运算，定义为

其中，

为开运算，Θ表示腐蚀运算，

表示膨胀运算；

A₁为步骤一二得到的二值图像，B₁为半径为原始图像长宽和的1/60的圆形，再经反色变换使开运算后的二值图像中水面变为白色，陆地变为黑色；

步骤一四、再对步骤一三反色变换后得到的图像进行腐蚀运算，定义为

其中，A₂为步骤一三得到的二值图像，B₂为半径为原始图像长宽和的1/600，至此完成水陆分离；

所述步骤二中对水陆分离后的图像进行Otsu二值分割及区域分割获得舰船大小；具体过程为：

步骤二一、对水陆分离后的图像进行Otsu二值分割，公式如下：

如果当前阈值为t，原始图像灰度大于等于t的像素为目标像素，原始图像灰度小于t的像素为背景像素，令：

w₀为原始图像前景点所占比例，w₁＝1-w₀为原始图像背景点所占比例，u₀为原始图像前景灰度均值，u₁为原始图像背景灰度均值，u为原始图像全局灰度均值，u＝w₀*u₀+w₁*u₁；

g＝w₀(u₀-u)*(u₀-u)+w₁(u₁-u)*(u₁-u)＝w₀*(1-w₀)*(u₀-u₁)*(u₀-u₁) (2)

式中，*为乘号，g为中间变量，取使g最大时的t为最优阈值；将大于或等于最优阈值的部分视为舰船目标并标记为白色，小于最优阈值的部分视为背景并标记为黑色；

步骤二二、将步骤一得到的水陆二值图像与步骤二一得到的图像进行与运算，得到一幅包含舰船目标和干扰物组成的二值图像；

步骤二三、找出步骤二二中产生的二值图像中所有白色区域，测量其长和宽，将各区域的长边按升序排序，选取长边升序排序第95％的值为a，将各区域的宽边按升序排序，选取宽边升序排序第95％的值为b，a、b即为舰船尺寸，a为舰船长，b为舰船宽；

所述步骤三中基于舰船大小设定背景窗，假设背景窗中的杂波为K-分布，估计K-分布参数，获得阈值，基于该阈值分割舰船目标；具体过程为:

步骤三一、设定背景窗为空心正方形窗，其外边长为步骤二三中确定的a和b的最大值max(a，b)，内边长比外边长小30％，设定目标窗为与背景窗同心的正方形窗，边长为背景窗外边长的五分之一；

步骤三二、以K-分布对背景窗内像素进行建模，估计阈值T，具体如下：

如下表达式为K-分布概率密度函数：

式中，L是统计视数，x为背景窗内像素灰度值，μ为背景窗内像素灰度值均值，v是形状参数，K_v-L表示v-L阶修正二类Bessel函数，Γ(v)为v的伽马函数，Γ(L)为L的伽马函数；阈值T满足

式中P_fa为虚警概率；

该概率密度函数P(x)中含有两个参数v、L；L的估计方法为

式中σ为背景窗内像素灰度值标准差；

v的大小为

v＝6.1L+1.25 (6)

估计v，L完毕后，开始利用公式4求解阈值T；

步骤三三、保留目标窗内高于阈值的像素，将目标窗内低于阈值的像素灰度值设为0；

步骤三四、令目标窗和背景窗在原始图像中滑动，直到原始图像中所有像素均被检测，得到舰船目标；

所述步骤四中对舰船目标进行开运算，得到分割后图像；具体过程为：

将步骤三得到的舰船目标进行开运算，

A′为步骤三四得到的舰船目标图像，B′为一条水平线段，其长度为max(a，b)的1/9，至此完成对整幅SAR图像的分割处理。

Images