CN107729903A - 基于区域概率统计和显著性分析的sar图像目标检测方法 - Google Patents

Abstract

本发明公开了一种基于区域概率统计和显著性分析的SAR图像目标检测方法。所述方法在对SAR图像划分子区域的同时，将区域估计引入到显著性分析方法中。所述方法首先根据图像的统计信息对SAR图像进行粗分割，其次计算每个超像素块的目标存在概率以确定背景模板集合，接着考虑目标的随机分布，替换DSR模型的背景模板集，以减少稠密重构误差，最后通过使用改进的DSR模型实现目标的准确检测。本发明所述方法可以准确地检测目标，并且无需先验知识，应用范围广泛。

Description

基于区域概率统计和显著性分析的SAR图像目标检测方法

技术领域

本发明属于图像处理技术领域，具体涉及一种基于区域概率统 计和显著性分析的SAR图像目标检测方法。

背景技术

SAR(Synthetic Aperture Radar，合成孔径雷达)是一种高分辨 率成像雷达，可以在能见度极低的气象条件下得到类似光学照相的 高分辨雷达图像。利用雷达与目标的相对运动把尺寸较小的真实天 线孔径用数据处理的方法合成为一个较大的等效天线孔径的雷达， 也称综合孔径雷达。合成孔径雷达的特点是分辨率高，能全天候、 全天时工作，能有效地识别伪装和穿透掩盖物。所得到的高方位分 辨力相当于一个大孔径天线所能提供的方位分辨力。合成孔径雷达 的首次使用是在20世纪50年代后期，装载在RB-47A和RB-57D战 略侦察飞机上。经过近60年的发展，合成孔径雷达技术已经比较成 熟，各国都建立了自己的合成孔径雷达发展计划，各种新型体制合 成孔径雷达应运而生，在民用与军用领域发挥重要作用。

目标检测是SAR图像解译应用的一大研究热点。与光学图像不 同，SAR图像成像结果存在诸多缺陷，例如受旁瓣效应影响导致的 图像模糊、噪声干扰强、目标随机分布等，增加了传统目标检测方 法的虚警率。

恒虚警率(constant false alarm rate,CFAR)检测算法是SAR图 像目标检测领域应用最广泛的一种检测算法，但CFAR检测算法只 是根据背景杂波的统计信息选取门限值，没有考虑目标的统计特性， 只是在检测过程中将目标作为背景统计特性的异常点，并且这些传 统的方法都是通过逐个像素点的计算来实现目标的检测，处理速度 慢，难以满足遥感图像实时处理的要求。

针对SAR图像目标检测受背景杂波和低分辨率干扰严重，大量 检测方法将背景区域筛选出来以缩小目标的搜索范围。根据目标大 小设置参考窗口大小以降低检测方法的错误率，假设背景杂波的统 计分布模型是高斯分布，在简单的情况下，该方法比基于固定窗口 的方法实现了更好的检测效果；利用基于非参数的Parzen窗口估计 杂波的概率密度函数，以达到满意的检测结果。然而，该方法仅适 用于小目标场景，因为杂波需要根据图像的整个像素集来估计；基 于两级CFAR的SAR图像船舶目标快速检测方法，全面提高了检测速度和准确性，该方法首先利用全局阈值定位潜在目标区域，然后 通过使用基于K分布的CFAR算法过滤伪目标区域；类似地，根据 SAR图像的直方图分布定位了潜在的目标区域，随后通过使用基于 G0分布模型的CFAR算法对目标区进行了精确的定位；使用矩保持 法分割SAR图像，大致定位目标，再通过使用广义似然比检测 (Generalized Likelihood RatioTeat，GLRT)方法精确检测目标区 域。总之，上述算法使用统计方法粗略估计了目标的潜在区域，然 后使用检测算法准确定位目标区域。然而，由于上述方法通常只适 用于某一种特定分布的杂波，故算法的应用范围受到限制。

显著性分析模拟人类视觉注意机制，以检测图像中感兴趣的区 域，可以快速定位目标。目前，显著性分析被广泛应用于目标检测 领域，选择适当的显著性模型是决定检测算法性能的关键。一种基 于稠密和稀疏重构(Dense and Sparse Reconstruction，DSR)的图像 显著性检测模型，称为DSR模型。为了充分利用图像的特征信息， DSR模型提取源图像四周的超像素作为背景模板，并构建背景字典。 根据稠密和稀疏重构误差进行显著性计算。虽然DSR方法适合于自 然景观，但如果目标靠近边界区域，则容易误判。此外，SAR图像中的目标分布是随机的，这限制了DSR模型的应用。

为了降低虚警率，更加准确地检测出SAR图像中的目标，本发 明提出了一种基于区域概率统计和显著性分析的SAR图像目标检测 算法。采用简单线性迭代聚类(SimpleLinear Iterative Clustering， SLIC)的新的超像素算法以有效生成超像素，SLIC对于边界的吻合 度和分割性能更优。之后，将DSR模型引入到SAR图像的显著性 目标检测中，并结合概率统计有效地减少虚警率。

发明内容

为了克服现有的SAR图像目标检测方法存在的不足，降低虚警 率，提高SAR图像目标检测的准确性，本发明提供一种基于区域概 率统计和显著性分析的SAR图像目标检测方法。所述方法首先根据 图像的统计信息对SAR图像进行粗分割，其次计算每个超像素块的目标存在概率以确定背景模板集合，接着考虑目标的随机分布，替 换DSR模型的背景模板集，以减少稠密重构误差，最后通过使用改 进的DSR模型实现目标的准确检测。本发明所述方法可以准确地检 测目标，并且无需先验知识，应用范围广泛。

为实现上述目标，本发明采用以下技术方案：

一种基于区域概率统计和显著性分析的SAR图像目标检测方 法，所述方法在对SAR图像划分子区域的同时，将区域估计引入到 显著性分析方法中，使得目标检测更为准确，有效地降低虚警率。

一种基于区域概率统计和显著性分析的SAR图像目标检测方 法，所述方法包括以下步骤：

1)、用SLIC方法对源图像进行分割。选择矢量[l,a,b,x,y]作为 像素的特征向量，[l,a,b]是lab空间的颜色矢量，[x,y]是像素的空间 位置。假设一个图像有N个像素，超像素个数通过控制参数k来确 定，超像素的网格宽度为距离测量因子dist计算如下。

其中，d_lab代表颜色距离，d_xy代表空间距离，m是调整因子，用 来调整d_xy的权值。

2)、计算子快的目标存在概率：沿超像素划分子块，并计算各 子块的目标存在概率SD值。原始SD值来自源图像，其可以定义为 包含潜在目标的存在概率。预测的SD值来自去噪图像。通过计算 各子区域的原始SD值和预测SD值之间的差值来获得目标的存在概率。SD值计算方法如下：

①灰度分布的相似性是通过自信息来测量的。假设随机事件x 的概率是p(x)，自信息由以下公式计算得到。

其中，P(SP_j)是超像素SP_j的概率，P(SP_j(r))是像素SP_j(r)的概 率。

②根据公式(6)筛选出异常信息。

其中，t是一个常量，μ_i和δ_i分别是均值和方差。

③原始SD值的计算公式为：

其中，a是检测到的异常点的数量，阈值θ_j＝t·δ_j+μ_j。

由于大多数目标被视为异常信息，并且目标的存在增强了该超 像素的SD值，所以在除去异常信息之后，预测的SD值将会减小。

SD_T＝α·PSD_j (8)

其中，PSD_j是在子区域中除去异常点后的预测的SD值，α是 预测常数，用于估计每个子区域包含目标的概率。

3)、根据步骤2)所得的SD值，提取新的背景模板。

4)、用新提取的背景模板集替换原模板集，根据改进的DSR 方法获得新的显著图。

5)、通过阈值分割得到目标检测结果图。

本发明的优点和有益效果为：

1)本发明将区域概率统计和基于视觉注意机制的显著性目标检 测方法运用到遥感图像目标检测中，首先采用简单线性迭代聚类方 法将SAR源图像分割成子块，其次估计每个子块的目标存在概率并 提取背景区域，随后将背景子块聚类并替代DSR显著性模型中相应 的背景模板集。本发明所述方法对DSR背景模板进行了改进，使其 更加适应遥感图像；

2)为了改善传统检测方法通过逐个像素统计的方式，本发明先 采用SLIC方法将源图像分割成子块，利用局部估计来判断目标是否 存在于子块中，再将区域估计引入到DSR显著性分析方法中，结果 稠密重构误差明显降低。将区域概率统计和DSR显著性模型相结合， 在保证了SAR图像边缘完整性的同时还有效降低了虚警率，提高了 检测精度。

附图说明

图1为本发明所述方法工作流程示意图。

图2为本发明实施例所用的第1幅SAR图像

图3为本发明实施例所用的第2幅SAR图像

图4为本发明实施例所用的第3幅SAR图像

图5为本发明对比例基于瑞利分布的双参数CFAR检测方法 (TP-CFAR)对图2所示的SAR图像目标检测的结果图。

图6为本发明对比例基于瑞利分布的双参数CFAR检测方法 (TP-CFAR)对图3所示的SAR图像目标检测的结果图。

图7为本发明对比例基于瑞利分布的双参数CFAR检测方法 (TP-CFAR)对图4所示的SAR图像目标检测的结果图。

图8为本发明对比例有序统计量恒虚警检测(OS-CFAR)方法 对图2所示的SAR图像目标检测的结果图。

图9为本发明对比例有序统计量恒虚警检测(OS-CFAR)方法 对图3所示的SAR图像目标检测的结果图。

图10为本发明对比例有序统计量恒虚警检测(OS-CFAR)方法 对图4所示的SAR图像目标检测的结果图。

图11为本发明所述方法对图2所示的SAR图像进行检测的效 果图。

图12为本发明所述方法对图3所示的SAR图像进行检测的效 果图。

图13为本发明所述方法对图4所示的SAR图像进行检测的效 果图。

具体实施方式

一种基于区域概率统计和显著性分析的SAR图像目标检测方 法，所述方法在对SAR图像划分子区域的同时，将区域估计引入到 显著性分析方法中。

一种基于区域概率统计和显著性分析的SAR图像目标检测方 法，所述方法包括以下步骤：

1)、用SLIC方法对源图像进行分割；

2)、计算子快的目标存在概率：沿超像素划分子块，并计算各 子块的目标存在概率SD值；

3)、根据步骤2)所得的SD值，提取新的背景模板；

4)、用新提取的背景模板集替换原模板集，根据改进的DSR 方法获得新的显著图；

5)、通过阈值分割得到目标检测结果图。

实施例

参见图1至图5，本实施例选择三幅SAR图像作为处理对象， 并选择基于瑞利分布的双参数CFAR检测方法(TP-CFAR)和有序 统计量恒虚警检测(OS-CFAR)方法作为对比例对所述三幅SAR图 像进行处理，将处理结果与本发明所述方法的处理结果进行比较。 比较结果如表1至表3所示。

在表1-3所示的客观评价指标比较中，通过品质因数(Figure of Merit，FoM)和完整率(Integrity Rate，IR)来衡量不同检测方法 检测的图像质量，品质因数(FoM)和完整率(IR)越大，说明检 测的结果越准确，与人工解译目标越接近，效果越好。由表1-3中 数据可以看出，基于TP-CFAR和OS-CFAR方法的检测结果，有较 高的虚警目标和漏检目标。相比之下，本发明所提出的方法能够准 确地检测出所有目标，品质因数(FoM)和完整率(IR)都是最佳 的，而且目标结构相对比较完整，说明本发明所述方法有效地降低 了虚警率，具有更高的精度和鲁棒性。

表1目标检测结果统计(图2).

表2目标检测结果统计(图3).

表3目标检测结果统计(图4).

最后应说明的是：上述实施例仅仅是为清楚地说明本发明所作 的举例，而并非对实施方式的限定。对于所述领域的普通技术人员 来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。 这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显 而易见的变化或变动仍处于本发明的保护范围之中。

Claims (5)

1.一种基于区域概率统计和显著性分析的SAR图像目标检测方法，其特征在于：所述方法在对SAR图像划分子区域的同时，将区域估计引入到显著性分析方法中。

2.如权利要求1所述的一种基于区域概率统计和显著性分析的SAR图像目标检测方法，其特征在于，所述方法包括以下步骤：

1)、用SLIC方法对源图像进行分割；

2)、计算子快的目标存在概率：沿超像素划分子块，并计算各子块的目标存在概率SD值；

3)、根据步骤2)所得的SD值，提取新的背景模板；

4)、用新提取的背景模板集替换原模板集，根据改进的DSR方法获得新的显著图；

5)、通过阈值分割得到目标检测结果图。

3.如权利要求1或2所述的一种基于区域概率统计和显著性分析的SAR图像目标检测方法，其特征在于：所述步骤1)中选择矢量[l,a,b,x,y]作为像素的特征向量，[l,a,b]是lab空间的颜色矢量，[x,y]是像素的空间位置。

4.如权利要求1或2所述的一种基于区域概率统计和显著性分析的SAR图像目标检测方法，其特征在于：所述步骤2)中，原始SD值来自源图像，其定义为包含潜在目标的存在概率，预测的SD值来自去噪图像，通过计算各子区域的原始SD值和预测SD值之间的差值来获得目标的存在概率。

5.如权利要求1或2所述的一种基于区域概率统计和显著性分析的SAR图像目标检测方法，其特征在于：所述步骤2)中，SD值计算方法如下：

①通过自信息来测量灰度分布的相似性；

②根据公式筛选出异常信息；

③根据公式计算原始SD值。