CN106897985A - 一种基于可见度分类的多角度sar图像融合方法 - Google Patents

Abstract

本发明提供一种全新的多角度SAR图像融合成像算法——一种基于可见度分类的多角度SAR图像融合方法。本发明根据图像像素的叠掩区与非叠掩区二值分割结果，计算各方位视角图像的非叠掩区像素I_{non_overlap}的多视角可见度L_I，通过可见度指标自动实现图像像素的精细分类；此外本发明区分了不同视角观测结果对图像像素的贡献，且仅利用有贡献的角度进行融合，避免了简单融合方法不能获得最优融合结果的缺点；同时本发明原理简单，融合质量佳，且可见度指标计算简单，分类精度高，融合算法工程实现简单。

Description

一种基于可见度分类的多角度SAR图像融合方法

技术领域

本发明属于成像雷达探测领域，同时还属于图像融合处理领域，尤其涉及一种基于可见度分类的多角度SAR图像融合方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,以下简称SAR)作为主动式微波传感器，充分利用了脉冲压缩技术、合成孔径原理以及信号相干处理方法，能够以真实小孔径天线获取距离向和方位向二维高分辨的雷达图像，可实现全天时、全天候的目标观测，可透过地表和植被获取目标信息，可跟踪测量目标的散射特性，还可实现对机动目标的成像识别。这些特点使其一跃成为现代军事侦察的主要工具，其获取的高分辨雷达图像极大地推进了军事活动的信息化进程并深刻改变了现代战争的形态。

但是，经典SAR的直线观测几何仅能获取目标在较小方位角度内的散射信息，其“距离-多普勒”成像原理以及特殊的侧视成像探测模式，导致输出图像不可避免地存在目标遮挡、探测阴影(盲区)和目标叠掩等固有问题，给系统对目标检测与识别带来了不利影响。例如，SAR图像中由于遮挡造成的阴影区域成为探测的盲区，无法提供该部分的目标信息，而叠掩现象使得不同空间位置的目标散射信息相互叠加在同一个分辨单元内，严重时甚至会对感兴趣的目标散射信息产生遮盖，导致系统对目标检测和识别的正确率大大降低。

在军事侦察中，准确而全面地了解战场环境和获取重点目标的信息非常重要，上述问题让成像效果大打折扣，大大降低了SAR在城市、山地等复杂场景下成像结果的实用性和可读性，严重制约了SAR的探测性能。为进一步提升SAR在城市、山地等复杂场景下的探测性能及应用效能，提高SAR全面、准确获取目标信息的能力，多角度SAR成像技术应运而生。它通过融合多个角度下的探测信息，可以实现对目标电磁散射特征的完整描述，有效拓展被探测目标的空间谱支撑区，一定程度上克服传统SAR直线观测中存在的目标遮挡、探测阴影(盲区)和目标叠掩等问题，对于战场军事侦察和城市测绘具有重要的现实意义和极高的实际应用价值。

作为当前SAR成像领域的热点研究方向之一，国内外众多研究机构和学者已成功开展了一系列基于星载、机载和地基平台的多角度SAR成像理论和试验研究，并获得了一批良好的成像探测结果，充分展示了多角度SAR技术在对地观测方面的巨大应用潜力。但是，目前的多角度SAR成像技术研究所公开发表的成像探测结果，尚未解决山地、城市等地形起伏剧烈，雷达图像叠掩概率高、探测盲区大的成像场景的有效处理。

应用于未来战争环境下的合成孔径雷达不仅要求成像性能好，而且要求叠掩概率低、探测盲区小；现有多角度SAR成像处理技术在减小成像叠掩和探测盲区方面能力不足，如何提高多角度SAR成像处理技术消除成像叠掩和探测盲区的能力已成为重大现实问题。

本质上讲，多角度SAR成像需对多个角度的目标信息进行融合处理。根据融合处理方式的不同，多角度SAR成像理论主要可分为图像层融合的成像理论和信号层融合的成像理论。其中，图像层融合的多角度SAR成像理论主要在图像域实现目标信息融合，以图像配准、图像特征提取和图像融合方法等关键问题为研究重点。研究结果表明，利用不同角度的SAR图像可以提高目标参数的估计精度，并在一定程度上克服遮挡和多次散射对目标反演的影响，从原理上证明了多角度SAR成像的正确性。目前基于图像层的多角度SAR成像理论研究更为普遍，发展也相对成熟。

信号层融合的多角度SAR成像理论的关键问题是如何实现不同观测角度回波数据的融合，以及如何对融合后的数据进行统一的成像处理。由于多角度SAR观测角度差异较大，各角度SAR数据的空间不连续性和空间采样的非均匀性对基于信号层融合的成像处理带来了很大的挑战，传统基于傅里叶变换的方法会导致主瓣展宽、旁瓣升高等散焦问题，因此必须开展符合上述数据特点的特殊成像处理算法。同时，受目标散射特性非各向同性的影响，基于经典理论的信号层融合多角度SAR成像理论适用范围有限，亟待开发和完善基于新的信号处理理论的信号层融合多角度SAR成像理论及算法。

图像层融合的多角度SAR成像算法利用现有SAR成像算法获取目标在多个角度上的成像结果，通过图像融合技术，实现对目标信息的融合。该类算法可结合现有SAR成像理论和图像融合领域的研究成果，对系统成像条件要求较低，具有较强的兼容性和鲁棒性。但是，如何实现对目标特征信息的有效提取和不同角度下目标图像信息的准确融合仍然是该算法需要重点研究的问题。目前，在城市高精度测绘问题中，为克服单一视角SAR成像中建筑物遮挡和叠掩对高价值目标(如道路、桥梁、车辆等)探测的影响，多使用图像层融合算法。

信号层融合的多角度SAR成像算法首先在信号层对回波信号进行融合，然后再对融合后的数据进行成像处理，最终获得目标的成像结果。由于此类算法对接收数据的相干性要求较高，期望通过全相干累积的方法获得目标的最优分辨率和高信噪比图像，但是由于实际目标并不满足各向同性散射条件，这一目标实现难度很大。相比图像层融合的多角度SAR成像，其对系统的观测几何、平台稳定性和信号的采样要求更高。目前，信号层融合处理的成像算法仍是多角度SAR成像算法研究的一个难点。

可见，针对多角度SAR融合成像算法的研究，更适于综合利用信号层融合的相干处理(各视角或各子孔径单独相干成像)以及图像层融合的非相干处理(不同视角或不同子孔径非相干融合)来获得更优、更准确的成像探测结果。

发明内容

为解决上述多角度SAR融合成像算法在减小成像叠掩和探测盲区方面能力不足的问题，本发明提供一种全新的多角度SAR图像融合成像算法——一种基于可见度分类的多角度SAR图像融合方法。本发明适用于对山地、城市等高地形起伏的目标区域实施合成孔径成像探测，可有效消除单一视角SAR成像探测结果中叠掩、阴影等现象，克服其对目标检测与识别的不利影响，确保复杂场景下对敌军事目标的成像侦察能力不受影响。经该算法融合处理的图像，大大提升了图像的可读性和可懂度，非常有利于图像应用时的目标判读和理解。

一种基于可见度分类的多角度SAR图像融合方法，其特征在于，包括以下步骤：

步骤1：确定成像平面，并采用时域快速后向投影算法在与成像平面相对应的成像网格上完成N个单一视角SAR数据的相干累积处理，得到N幅单一视角SAR图像，其中N至少为3；

步骤2：对各幅单一视角SAR图像实施去相干斑滤波处理；

步骤3：对各幅相干斑滤波处理后的单一视角SAR图像分别进行大尺度降质处理，得到N幅粗分辨率的降质图像I_c；

步骤4：采用滑动窗口法，以降质图像I_c各像素为中心，计算滑动窗口内的图像能量，得到能量图E_c；

步骤5：根据能量图E_c和单一视角SAR图像的统计分布特性，确定各幅单一视角SAR图像的分割阈值L_c并完成二值分割；其中，如果任一像素点的像素值大于L_c，则该像素属于叠掩区，否则属于非叠掩区；

步骤6：计算各单一视角SAR图像的非叠掩区像素I_{non_overlap}的可见度L_I，并依据可见度L_I进行非叠掩区像素的精细分类；具体过程是：

假设可见度L_I初始值为0，且处于非叠掩区的像素为可见，则如果成像平面任一点处于任一方位的单一视角SAR图像的非叠掩区，则该像素点的可见度L_I增加1；其中，可见度取值为0到N；统计成像平面上各像素的可见度L_I，按可见度L_I的大小将具有N个不同的方位视角的成像平面上各像素划分为N+1个可见度等级；

步骤7：对可见度等级相同的各个像素进行融合，得到最终输出的融合图像I_opt。

一种基于可见度分类的多角度SAR图像融合方法，步骤7所述的对可见度等级相同的各个像素进行融合的方法为线性均值融合，具体为：分别计算各个可见度等级中包含的所有像素点像素值的平均值，取各等级中的平均值作为融合图像I_opt相同可见度等级包含像素点的像素值。

一种基于可见度分类的多角度SAR图像融合方法，步骤7所述的平均值采用滑动窗口法计算：

其中，为图像的平均值，I(i,j)为像素点的位置，n_w为矩形滑动窗口内总的像素数，i＝1,2,3,......n_w；j＝1,2,3,......n_w。

一种基于可见度分类的多角度SAR图像融合方法，步骤7所述的对可见度等级相同的各个像素进行融合的方法为最大对比度融合，具体为：分别计算各个可见度等级中包含的所有像素点的对比度，取各等级中对比度最大的像素点对应的像素值作为融合图像I_opt相同可见度等级包含像素点的像素值。

一种基于可见度分类的多角度SAR图像融合方法，步骤7所述的对比度采用滑动窗口法计算：

I_max＝max[I(i,j)],i＝1,2,3,......n_w；j＝1,2,3,......n_w

I_min＝min[I(i,j)],i＝1,2,3,......n_w；j＝1,2,3,......n_w

为滑动窗口内的图像I的局部平均值，I_max和I_min分别为各个可见度等级中包含的所有像素值的最大值和最小值，n_w为矩形滑动窗口内总的像素数；I(i,j)为像素点的位置。

一种基于可见度分类的多角度SAR图像融合方法，步骤7所述的对可见度等级相同的各个像素进行融合的方法为最小图像熵融合，具体为：分别计算各个可见度等级中包含的所有像素点的图像熵，取各等级中图像熵最小的像素点对应的像素值作为融合图像I_opt相同可见度等级包含像素点的像素值。

一种基于可见度分类的多角度SAR图像融合方法，步骤7所述的图像熵采用滑动窗口法计算：

P(n)为各图像像素取值出现的概率，n_w为矩形滑动窗口内总的像素数，L＝n_w ²为矩形滑动窗口内的总像素数，I(i,j)为像素点的位置，j＝1,2,3,......n_w。

一种基于可见度分类的多角度SAR图像融合方法，步骤4所述的采用滑动窗口法，以各像素为中心计算窗口内图像能量，得到能量图E_c具体方法为：

假设滑动窗口W的尺寸为n_w×n_w，其表达式为：

n＝[0 1 2......n_w]^T

式中α为0～1之间的窗口参数；

滑动窗口W在降质图像I_c上逐像素移动，以每个像素为中心计算窗口内的能量值，并将该能量值作为能量图对应的窗口中心像素点的像素值，直至滑动窗口W的中心遍历所有像素，得到能量图E_c：

其中，n_w为奇数。

一种基于非可见度分类的多角度SAR图像融合方法，所述窗口为矩形窗、汉宁窗、海明窗或布拉克曼窗。

一种基于可见度分类的多角度SAR图像融合方法，步骤5所述的阈值L_c的确定方法为：

其中，μ和σ分别为能量图E_c的均值和方差；P_fa为恒虚警概率，取值范围是10％～20％。

有益效果：

1、本发明根据图像像素的叠掩区与非叠掩区二值分割结果，计算各方位视角图像的非叠掩区像素I_{non_overlap}的多视角可见度L_I，通过可见度指标自动实现图像像素的精细分类；此外本发明区分了不同视角观测结果对图像像素的贡献，且仅利用有贡献的角度进行融合，避免了简单融合方法不能获得最优融合结果的缺点；同时本发明原理简单，融合质量佳，且可见度指标计算简单，分类精度高，融合算法工程实现简单；

2、本发明适用于对山地、城市等高地形起伏的目标区域实施合成孔径成像探测，可有效消除单一视角SAR成像探测结果中叠掩、阴影等现象，克服其对目标检测与识别的不利影响，确保复杂场景下对敌军事目标的成像侦察能力不受影响。经本发明方法融合处理的图像，大大提升了图像的可读性和可懂度，非常有利于图像应用时的目标判读和理解。

3、本发明可批量完成各像素的融合处理，运算效率较高，算法易于并行实现。

附图说明

图1为本发明基于可见度分类的多角度SAR图像融合方法流程图；

图2为本发明单一视角SAR图像；

图3为本发明大尺度降质处理后的粗分辨率的降质图像I_c；

图4为本发明单一视角SAR图像的能量图；

图5为本发明能量图经恒虚警检测的叠掩、非叠掩二值分割结果；

图6为本发明非叠掩区目标的可见度分类图；

图7为本发明可见度指标统计分布图；

图8为本发明基于可见度分类的多角度SAR图像融合成像结果。

具体实施方式

下面结合附图和实施例对本发明的基于非叠掩区目标可见度分类的多角度SAR非相干融合成像做进一步详细描述。

实施例一：单一平台SAR多视角融合成像探测。携带SAR载荷的单一平台沿设计的曲线飞行路径，环绕感兴趣的目标区域实施成像探测。由于目标散射特性以及成像空间几何随观测视角的剧烈变化，导致全孔径相干累积处理不可能实现最优的成像探测效果，必须考虑多视角SAR融合成像处理。本发明的基于可见度分类的多角度SAR图像融合方法可用于解决此时的融合成像处理问题。如图1所示，为本发明基于可见度分类的多角度SAR图像融合方法流程图，具体步骤为：

步骤1：确定成像平面，并采用时域快速后向投影算法在与成像平面相对应的成像网格上完成N个子孔径SAR数据的相干累积处理，得到N幅子孔径相干合成图像，这些图像分别对应不同的方位中心视角，其中N至少为3；

步骤2：采用经典的Lee滤波算法对获得的各子孔径相干合成图像实施去相干斑滤波处理；具体实施过程是：

相干斑是一种不相关的乘性噪声，可以表示为：

v＝un

其中，v表示SAR图像观测到的灰度值，即步骤1得到一系列子孔径相干合成图像，u为真实目标的雷达反射系数，n为相干斑噪声，通常假设相干斑在统计上独立于信号。假定先验均值和方差可以通过计算匀质区域内的均值和方差得到，将上式用一阶泰勒级数展开，可以得到线性模型：

其中为SAR图像观测到的灰度值的均值，为真实目标的雷达反射系数的均值，为相干斑噪声的均值；

以最小均方差为基础，在固定窗口中计算均值和方差，可以得到滤波公式：

其中为经相干斑滤波处理后的子孔径相干合成图像，即步骤3的输入数据；

k为加权系数。是固定窗口内的像素平均值，为所取窗口内像素方差，为所取窗口内噪声方差。

此外，Lee滤波时，把图像分为三类区域：第一类是均匀区域，其中的相干斑噪声可以简单地用均值滤波平滑掉；第二类是不均匀区域，在去除噪声的同时应该尽量保持其中的结构和纹理信息；第三类是包含分离点目标的区域，滤波器应尽可能地保留原始的观察值。因此亦可采用另一种方法，即如下增强的Lee滤波算子对获得的各子孔径相干合成图像实施去相干斑滤波处理：

其中，N_L是图像视数，对于单视复图像，N_L＝1。统计滤波方法利用局部统计信息对去除相干斑噪声后的数据进行估计，能够自适应的平滑掉均匀区域内的相干斑噪声，同时一定程度上保留图像的纹理信息和边界信息。

步骤3：对各幅相干斑滤波处理后的子孔径相干合成图像的结果实施大尺度降质处理，得到粗分辨率的降质图像I_c。具体实施过程是：

对于二维图像，其尺度降质的二维高斯核函数G(x,y,σ²)定义为：

图像的尺度空间表征可由原始图像与二维高斯核函数的卷积得到，即

式中(x,y)代表图像上像素的位置；为经相干斑滤波处理后的子孔径相干合成图像，即步骤3的输入数据；I_c为降质图像；σ²是尺度空间的空间尺度因子。σ²越小，图像平滑的范围越小，降质的效果越差；σ²越大，图像平滑的范围越大，降质的效果越好；通过选择空间尺度因子σ²，可以得到不同尺度下降质的序列SAR图像，空间尺度因子σ²越大，降质的图像越粗糙。

步骤4：基于降质图像I_c，采用滑动窗口法，以各像素为中心计算窗口内图像能量，得到能量图E_c。其实现过程是：

假设滑动窗口W的尺寸为n_w×n_w，其取值为经典的窗函数，可以是矩形窗、汉宁窗、海明窗、布拉克曼窗等升余弦窗口，其表达式为：

n＝[0 1 2......n_w]^T

式中α为0～1之间的窗口参数。

滑动窗口W在降质图像I_c上逐像素移动，以每个像素为中心计算窗口内的能量值，并将该能量值作为能量图对应的窗口中心像素点的像素值，直至滑动窗口W的中心遍历所有像素，于是可以得到能量图E_c：

上式中，为了方便计算，取n_w为奇数。

步骤5：根据能量图E_c和SAR图像的统计分布特性，并假设图像各像素实施恒虚警概率为P_fa，确定各幅子孔径相干合成图像的分割阈值L_c并完成二值分割；其中，如果任一像素点的像素值大于L_c，则该像素属于叠掩区，否则属于非叠掩区；如图5所示，为本发明能量图经恒虚警检测的叠掩、非叠掩二值分割结果；其实现过程是：

能量图E_c所得实际上是SAR降质图像的幅度，根据SAR图像统计特性理论，幅度图像往往满足瑞利分布；

由于恒虚警概率检测(CFAR)技术本质上是一种根据杂波统计特性在给定的虚警概率条件下自适应获取检测阈值的技术。关键是确定杂波分布的模型和制定的虚警概率，然后计算出分割阈值。假设p(x)为雷达杂波分布模型的概率密度函数，其概率分布函数为F(x)。显然，F(x)在[0,+∞)上为递增函数，假设指定的虚警概率为P_fa，则通过计算下述方程可以得到分割阈值L_c：

其中，μ和σ为能量图E_c的均值和方差；P_fa为恒虚警概率，取值范围是10％～20％；可见，通过计算能量图像E_c的均值和标准差，根据上式即可确定恒虚警概率P_fa条件下的分割阈值，对图像像素实施二值化分割：若I＞L_c，则像素属于叠掩区，否则，则属于非叠掩区。

步骤6：根据叠掩区与非叠掩区二值分割的结果，计算各方位子孔径图像的非叠掩区像素I_{non_overlap}的多视角可见度L_I，并依据可见度指标L_I实施非叠掩区像素的精细分类。如图6所示，为本发明非叠掩区目标的可见度分类图；图7为本发明可见度指标统计分布图；具体过程是：

假设可见度L_I初始值为0，总共有N个不同的方位子孔径图像，定义处于非叠掩区的像素为可见，若成像平面某一点处于某方位子孔径图像的非叠掩区，则其可见度L_I增加1。其中，可见度取值为区间[0,N]之间的整数。统计成像平面上各像素的可见度L_I，按其指标的大小进行可见度精细分类，对于具有N个不同的方位子孔径图像的情况，成像平面上各像素总共可以划分为N+1个可见度等级；

步骤7：根据非叠掩区像素可见度分类结果，对可见度等级L_I相同的各类像素实施线性均值融合或最大对比度融合或最小图像熵融合，从而实现多角度SAR图像的融合处理，得到最终输出的融合图像I_opt，如图8所示，为本发明基于可见度分类的多角度SAR图像融合成像结果，其中：

线性均值融合具体为：分别计算各个可见度等级中包含的所有像素点像素值的平均值，取各等级中的平均值作为自身可见度等级包含像素点的像素值。

最大对比度融合具体为：分别计算各个可见度等级中包含的所有像素点的对比度，取各等级中对比度最大的像素点对应的像素值作为自身可见度等级包含像素点的像素值。

最小图像熵融合具体为：分别计算各个可见度等级中包含的所有像素点的图像熵，取各等级中图像熵最小的像素点对应的像素值作为自身可见度等级包含像素点的像素值。

具体实现如下：

其中，∪I表示各个可见度等级L_I的所有像素；mean(∪I)表示取各个可见度等级L_I中包含的所有像素点像素值的平均值；max(I_co_ntrast),∪I表示取各等级中对比度最大的像素点对应的像素值作为自身可见度等级包含像素点的像素值；min(I_entropy),∪I表示取各等级中图像熵最小的像素点对应的像素值作为自身可见度等级包含像素点的像素值。

其中，图像均值图像对比度I_co_ntrast以及图像熵I_entro_py的具体计算方法如下：

I∈∪I

I_max＝max[I(i,j)],i＝1,2,3,......n_w；j＝1,2,3,......n_w

I_min＝min[I(i,j)],i＝1,2,3,......n_w；j＝1,2,3,......n_w

为图像的平均值，I_max和I_min分别为各个可见度等级中包含的所有像素值的最大值和最小值，n_w为矩形滑动窗口内总的像素数；(i,j)为像素点的位置；P(n)为各图像像素取值出现的概率，L＝n_w ²为矩形滑动窗口内的总像素数。

实施例二：多平台SAR同时多视角融合成像探测。携带SAR载荷的多个探测平台沿设计的飞行路径，同时对感兴趣的目标区域实施协同式成像探测。由于各成像平台与目标之间空间几何关系完全不同，导致各平台成像探测时对应的目标散射特性各不相同，而且图像的叠掩、阴影等图像特征和现象也不尽相同，难以实现不同平台不同视角成像结果的相干累积，难以得到最优的成像探测效果。此时，必须考虑多视角SAR融合成像处理，实现不同成像平台、不同视角的成像探测结果的融合，提升对感兴趣的目标区域的高质量成像侦察。本发明的基于可见度分类的多角度SAR图像融合方法可用于解决此时的多平台、多角度融合成像处理问题。如图1所示，为本发明基于可见度分类的多角度SAR图像融合方法流程图，具体步骤为：

步骤1：确定成像平面，并采用时域快速后向投影算法在与成像平面相对应的成像网格上完成N个单一视角SAR数据的相干累积处理，得到N幅单一视角SAR图像，这些图像分别对应不同的方位中心视角，其中N至少为3；如图2所示，为本发明单一视角SAR图像；

步骤2：采用经典的Lee滤波算法对获得的各单一视角SAR图像实施去相干斑滤波处理；具体实施过程是：

相干斑是一种不相关的乘性噪声，可以表示为：

v＝un

其中，v表示SAR图像观测到的灰度值，即步骤1得到一系列单一视角SAR图像，u为真实目标的雷达反射系数，n为相干斑噪声，通常假设相干斑在统计上独立于信号。假定先验均值和方差可以通过计算匀质区域内的均值和方差得到，将上式用一阶泰勒级数展开，可以得到线性模型：

其中为SAR图像观测到的灰度值的均值，为真实目标的雷达反射系数的均值，为相干斑噪声的均值；

以最小均方差为基础，在固定窗口中计算均值和方差，可以得到滤波公式：

其中为经相干斑滤波处理后的单一视角SAR图像，即步骤3的输入数据；

k为加权系数。是固定窗口内的像素平均值，为所取窗口内像素方差，为所取窗口内噪声方差。

此外，Lee滤波时，把图像分为三类区域：第一类是均匀区域，其中的相干斑噪声可以简单地用均值滤波平滑掉；第二类是不均匀区域，在去除噪声的同时应该尽量保持其中的结构和纹理信息；第三类是包含分离点目标的区域，滤波器应尽可能地保留原始的观察值。因此亦可采用另一种方法，即如下增强的Lee滤波算子对获得的各单一视角SAR图像实施去相干斑滤波处理：

其中，N_L是图像视数，对于单视复图像，N_L＝1。统计滤波方法利用局部统计信息对去除相干斑噪声后的数据进行估计，能够自适应的平滑掉均匀区域内的相干斑噪声，同时一定程度上保留图像的纹理信息和边界信息。

步骤3：对各幅相干斑滤波处理后的单一视角SAR图像实施大尺度降质处理，得到粗分辨率的降质图像I_c。如图3所示，为本发明大尺度降质处理后的粗分辨率的降质图像I_c；具体实施过程是：

对于二维图像，其尺度降质的二维高斯核函数G(x,y,σ²)定义为：

图像的尺度空间表征可由原始图像与二维高斯核函数的卷积得到，即

式中(x,y)代表图像上像素的位置；为经相干斑滤波处理后的单一视角SAR图像，即步骤3的输入数据；I_c为降质图像；σ²是尺度空间的空间尺度因子。σ²越小，图像平滑的范围越小，降质的效果越差；σ²越大，图像平滑的范围越大，降质的效果越好；通过选择空间尺度因子σ²，可以得到不同尺度下降质的序列SAR图像，空间尺度因子σ²越大，降质的图像越粗糙。

步骤4：基于降质图像I_c，采用滑动窗口法，以各像素为中心计算窗口内图像能量，得到能量图E_c。如图4所示，为本发明单一视角SAR图像的能量图E_c；其实现过程是：

假设滑动窗口W的尺寸为n_w×n_w，其取值为经典的窗函数，可以是矩形窗、汉宁窗、海明窗、布拉克曼窗等升余弦窗口，其表达式为：

n＝[0 1 2......n_w]^T

式中α为0～1之间的窗口参数。

滑动窗口W在降质图像I_c上逐像素移动，以每个像素为中心计算窗口内的能量值，并将该能量值作为能量图对应的窗口中心像素点的像素值，直至滑动窗口W的中心遍历所有像素，于是可以得到能量图E_c：

上式中，为了方便计算，取n_w为奇数。

步骤5：根据能量图E_c和SAR图像的统计分布特性，并假设图像各像素实施恒虚警概率为P_fa，确定各幅单一视角SAR图像的分割阈值L_c并完成二值分割；其中，如果任一像素点的像素值大于L_c，则该像素属于叠掩区，否则属于非叠掩区；如图5所示，为本发明能量图经恒虚警检测的叠掩、非叠掩二值分割结果；其实现过程是：

能量图E_c所得实际上是SAR降质图像的幅度，根据SAR图像统计特性理论，幅度图像往往满足瑞利分布；

由于恒虚警概率检测(CFAR)技术本质上是一种根据杂波统计特性在给定的虚警概率条件下自适应获取检测阈值的技术。关键是确定杂波分布的模型和制定的虚警概率，然后计算出分割阈值。假设p(x)为雷达杂波分布模型的概率密度函数，其概率分布函数为F(x)。显然，F(x)在[0,+∞)上为递增函数，假设指定的虚警概率为P_fa，则通过计算下述方程可以得到分割阈值L_c：

其中，μ和σ为能量图E_c的均值和方差；P_fa为恒虚警概率，取值范围是10％～20％；可见，通过计算能量图像E_c的均值和标准差，根据上式即可确定恒虚警概率P_fa条件下的分割阈值，对图像像素实施二值化分割：若I＞L_c，则像素属于叠掩区，否则，则属于非叠掩区。

步骤6：根据叠掩区与非叠掩区二值分割的结果，计算各单一视角SAR图像的非叠掩区像素I_{non_overlap}的多视角可见度L_I，并依据可见度指标L_I实施非叠掩区像素的精细分类。如图6所示，为本发明非叠掩区目标的可见度分类图；图7为本发明可见度指标统计分布图；具体过程是：

假设可见度L_I初始值为0，总共有N个不同的单一视角SAR图像，定义处于非叠掩区的像素为可见，若成像平面某一点处于某单一视角SAR图像的非叠掩区，则其可见度L_I增加1。其中，可见度取值为区间[0,N]之间的整数。统计成像平面上各像素的可见度L_I，按其指标的大小进行可见度精细分类，对于具有N个不同的单一视角SAR图像的情况，成像平面上各像素总共可以划分为N+1个可见度等级；

步骤7：根据非叠掩区像素可见度分类结果，对可见度等级L_I相同的各类像素实施线性均值融合或最大对比度融合或最小图像熵融合，从而实现多角度SAR图像的融合处理，得到最终输出的融合图像I_opt，如图8所示，为本发明基于可见度分类的多角度SAR图像融合成像结果，其中：

线性均值融合具体为：分别计算各个可见度等级中包含的所有像素点像素值的平均值，取各等级中的平均值作为自身可见度等级包含像素点的像素值。

最大对比度融合具体为：分别计算各个可见度等级中包含的所有像素点的对比度，取各等级中对比度最大的像素点对应的像素值作为自身可见度等级包含像素点的像素值。

最小图像熵融合具体为：分别计算各个可见度等级中包含的所有像素点的图像熵，取各等级中图像熵最小的像素点对应的像素值作为自身可见度等级包含像素点的像素值。

具体实现如下：

其中，∪I表示各个可见度等级L_I的所有像素；mean(∪I)表示取各个可见度等级L_I中包含的所有像素点像素值的平均值；max(I_co_ntrast),∪I表示取各等级中对比度最大的像素点对应的像素值作为自身可见度等级包含像素点的像素值；min(I_entropy),∪I表示取各等级中图像熵最小的像素点对应的像素值作为自身可见度等级包含像素点的像素值。

其中，图像均值I、图像对比度I_co_ntrast以及图像熵I_entropy的具体计算方法如下：

I∈∪I

I_max＝max[I(i,j)],i＝1,2,3,......n_w；j＝1,2,3,......n_w

I_min＝min[I(i,j)],i＝1,2,3,......n_w；j＝1,2,3,......n_w

为图像的平均值，I_max和I_min分别为各个可见度等级中包含的所有像素值的最大值和最小值，n_w为矩形滑动窗口内总的像素数；(i,j)为像素点的位置；P(n)为各图像像素取值出现的概率，L＝n_w ²为矩形滑动窗口内的总像素数。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的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 (10)

1.一种基于可见度分类的多角度SAR图像融合方法，其特征在于，包括以下步骤：

步骤1：确定成像平面，并采用时域快速后向投影算法在与成像平面相对应的成像网格上完成N个单一视角SAR数据的相干累积处理，得到N幅单一视角SAR图像，其中N至少为3；

步骤2：对各幅单一视角SAR图像实施去相干斑滤波处理；

步骤3：对各幅相干斑滤波处理后的单一视角SAR图像分别进行大尺度降质处理，得到N幅粗分辨率的降质图像I_c；

步骤4：采用滑动窗口法，以降质图像I_c各像素为中心，计算滑动窗口内的图像能量，得到能量图E_c；

步骤5：根据能量图E_c和单一视角SAR图像的统计分布特性，确定各幅单一视角SAR图像的分割阈值L_c并完成二值分割；其中，如果任一像素点的像素值大于L_c，则该像素属于叠掩区，否则属于非叠掩区；

步骤6：计算各单一视角SAR图像的非叠掩区像素I_{non_overlap}的可见度L_I，并依据可见度L_I进行非叠掩区像素的精细分类；具体过程是：

假设可见度L_I初始值为0，且处于非叠掩区的像素为可见，则如果成像平面任一点处于任一方位的单一视角SAR图像的非叠掩区，则该像素点的可见度L_I增加1；其中，可见度取值为0到N；统计成像平面上各像素的可见度L_I，按可见度L_I的大小将具有N个不同的方位视角的成像平面上各像素划分为N+1个可见度等级；

步骤7：对可见度等级相同的各个像素进行融合，得到最终输出的融合图像I_opt。

2.如权利要求1所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤7所述的对可见度等级相同的各个像素进行融合的方法为线性均值融合，具体为：分别计算各个可见度等级中包含的所有像素点像素值的平均值，取各等级中的平均值作为融合图像I_opt相同可见度等级包含像素点的像素值。

3.如权利要求2所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤7所述的平均值采用滑动窗口法计算：

$\stackrel{\‾}{I}=\frac{\underset{i=1}{\overset{n_w}{\Σ}}\underset{j=1}{\overset{n_w}{\Σ}}I(i,j)}{{n_w}^2}$

其中，为图像的平均值，I(i,j)为像素点的位置，n_w为矩形滑动窗口内总的像素数，i＝1,2,3,......n_w；j＝1,2,3,......n_w。

4.如权利要求1所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤7所述的对可见度等级相同的各个像素进行融合的方法为最大对比度融合，具体为：分别计算各个可见度等级中包含的所有像素点的对比度，取各等级中对比度最大的像素点对应的像素值作为融合图像I_opt相同可见度等级包含像素点的像素值。

5.如权利要求4所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤7所述的对比度采用滑动窗口法计算：

$\stackrel{\‾}{I}=\frac{\underset{i=1}{\overset{n_w}{\Σ}}\underset{j=1}{\overset{n_w}{\Σ}}I(i,j)}{{n_w}^2}$

I_max＝max[I(i,j)],i＝1,2,3,......n_w；j＝1,2,3,......n_w

I_min＝min[I(i,j)],i＝1,2,3,......n_w；j＝1,2,3,......n_w

$I_{contrast}=\frac{I_{max}-I_{min}}{\stackrel{\‾}{I}}$

为滑动窗口内的图像I的局部平均值，I_max和I_min分别为各个可见度等级中包含的所有像素值的最大值和最小值，n_w为矩形滑动窗口内总的像素数；I(i,j)为像素点的位置。

6.如权利要求1所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤7所述的对可见度等级相同的各个像素进行融合的方法为最小图像熵融合，具体为：分别计算各个可见度等级中包含的所有像素点的图像熵，取各等级中图像熵最小的像素点对应的像素值作为融合图像I_opt相同可见度等级包含像素点的像素值。

7.如权利要求6所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤7所述的图像熵采用滑动窗口法计算：

$P\left(n\right)=\frac{I\left(n\right)}{\underset{i=1}{\overset{n_w}{\Σ}}\underset{j=1}{\overset{n_w}{\Σ}}I(i,j)},n=(j-1)n_w+i;i=1,2,3,......n_w$

$I_{entropy}=-\underset{n=0}{\overset{L-1}{\Σ}}P\left(n\right){\log }_{2}P\left(n\right)$

P(n)为各图像像素取值出现的概率，n_w为矩形滑动窗口内总的像素数，L＝n_w ²为矩形滑动窗口内的总像素数，I(i,j)为像素点的位置，j＝1,2,3,......n_w。

8.如权利要求1所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤4所述的采用滑动窗口法，以各像素为中心计算窗口内图像能量，得到能量图E_c具体方法为：

假设滑动窗口W的尺寸为n_w×n_w，其表达式为：

$W_{n_w\×n_w}=P_w{P_w}^T$

$P_w=\mathrm{\α}-(1-\mathrm{\α})cos\left(2\mathrm{\π}\frac{n}{n_w}\right)$

n＝[0 1 2 ...... n_w]^T

式中α为0～1之间的窗口参数；

滑动窗口W在降质图像I_c上逐像素移动，以每个像素为中心计算窗口内的能量值，并将该能量值作为能量图对应的窗口中心像素点的像素值，直至滑动窗口W的中心遍历所有像素，得到能量图E_c：

$E_c(i,j)=\sqrt{\frac{\underset{i_1=i-(n_w-1)/2}{\overset{i+(n_w-1)/2}{\Σ}}\underset{j_1=j-(n_w-1)/2}{\overset{j+(n_w-1)/2}{\Σ}}{\[I_c(i_1,j_1)\·W_{n_w\×n_w}\]}^2}{{n_w}^2}}$

其中，n_w为奇数。

9.如权利要求8所述的一种基于非可见度分类的多角度SAR图像融合方法，其特征在于，所述窗口为矩形窗、汉宁窗、海明窗或布拉克曼窗。

10.如权利要求1所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤5所述的阈值L_c的确定方法为：

$L_c=\mathrm{\μ}+\frac{\sqrt{-2log\left(P_{fa}\right)}-\sqrt{\frac{\mathrm{\π}}{2}}}{\sqrt{2-\frac{\mathrm{\π}}{2}}}\mathrm{\σ}$

其中，μ和σ分别为能量图E_c的均值和方差；P_fa为恒虚警概率，取值范围是10％～20％。