CN108734111A - Sar图像海面舰船识别方法 - Google Patents

Abstract

本发明提出了一种SAR图像海面舰船识别方法。利用本方法可实现不同海杂波背景下的SAR图像海面舰船目标的检测与识别。本发明通过下述技术方案予以实现：对输入的海面SAR图像，基于累计分布直方图分布计算全局分割阈值，进而得到目标泄漏像素的索引矩阵；针对每一个像素，通过KS检验从模型字典中自适应选择最优统计模型进行杂波建模，并利用CFAR方法进行二值分割；在二值分割结果的基础上，利用局部亮点密度剔除孤立噪声点，提取连通区域、剔除背景、计算相应的特征参数，得到候选舰船目标；利用训练数据集构建舰船目标特征集，并通过朴素贝叶斯方法计算舰船目标的置信度。

Description

SAR图像海面舰船识别方法

技术领域

本发明属于雷达图像处理技术领域，具体涉及一种基于自适应统计建模的合成孔径雷达(SAR)图像海面舰船目标识别方法。

背景技术

合成孔径雷达SAR是一种利用微波反射信号成像的微波遥感成像系统，它利用主动发射的微波信号所照射区域的散射回波进行成像，不但可以在夜间工作，还可以穿透云层，因此具有全天时和全天候的特点。SAR图像也越来越多的应用到军用和民用领域，比如渔业监控，走私船只检测，海冰检测，救助遇难的船只，倾倒油污检测等。随着SAR设备的日益完善以及SAR图像成像算法的深入研究，大量的SAR图像被用来进行海洋上船只等目标的检测。近年来，利用SAR图像对海上目标进行检测与识别在海洋遥感领域得到了高度重视。

海上目标的检测作为海洋观测的一部分，目的是快速地发现海上的目标，从而对海洋进行实时监测，为后续的保护海洋权益和海洋资源提供可靠的依据。但是，一般的可见光图像受到天气的影响，很难穿透云层进行工作，此外在黑夜里也不得不暂停工作，再加上光学图像的成像原理导致其只能对海面进行成像，没有办法进行海洋纵深的检测，因此可见光图像不适合进行全天时、全天候以及多种信息复合的海洋监测。

SAR得到的图像是根据微波照射区域的物体回波的散射截面积(RCS)来区分不同的物体，简单来说，目标的RCS越大，目标的区域越大、亮度越强。所以区分SAR图像上不同区域的依据就是图像上RCS的不同。影响RCS的因素主要包括目标因素和雷达因素。目标因素是指目标形状、目标材质、目标表面粗糙度和目标表面介电常数。一般金属材质的表面介电常数要远大于一般的地物，所以无论是在陆地还是在海面，目标会在图像上表现为比较亮的区域。在SAR进行成像的时候，海洋中的运动目标与静止目标存在相对运动，而大部分的成像算法基于静止目标的假设进行成像，因此动目标会产生散焦现象。这种十字旁瓣和散焦的现象也给目标的检测带来了困难。受雷达入射角以及海面条件、目标的导电性的影响，图像上目标的尺度不是很统一，为目标的检测增大了难度。另外，由于SAR图像是根据目标区域的散射信号经过相干处理得到的，因此SAR图像中包含相干斑噪声，会导致图像质量的下降，影响目标检测的效果，整体的检测概率会下降，虚警率会上升。

在SAR图像舰船检测方法中，大多根据舰船在SAR图像中呈现为典型的高亮目标的特点，设计相应的目标检测方法实现舰船检测，基于恒虚警率(CFAR)的方法是目前应用最广泛的方法。该类方法假设杂波背景服从某种统计分布、并设定窗口和滑动步长，根据事先给定的虚警概率求取目标检测阈值，然后将像素值与阈值进行比较，大于阈值的为目标，反之则为背景。其中，常用的统计分布模型主要有高斯Gauss分布、伽马Gamma分布、韦布尔Weibull分布、对数正态LogNormal分布、费希尔Fisher分布、G₀分布、K分布、Alpha稳定分布等，不同的统计分布模型在不同海杂波背景下的目标检测中均取得了一定的检测效果。

在合成孔径雷达SAR图像舰船目标识别方面，由于早期的SAR传感器空间分辨率较低，舰船目标以点目标形式出现，从检测结果中能够提取的识别特征较少，且缺乏训练数据，现有的舰船目标识别方法较少。这些少量的舰船目标识别方法也仅仅利用灰度统计、峰值等特征进行鉴别筛选，效果不好。

分析现有的SAR图像舰船目标检测识别方法，主要存在以下几点不足：在进行海杂波背景的统计建模时，通常采用滑窗的方法，当背景窗中出现目标像素时，统计模型估计不准确，导致方法失效；对于高分辨率SAR图像，海杂波统计特性复杂，不同区域表现出异质性和不均匀性，传统单一模型无法满足不同海杂波统计特性的建模需求，不利于准确地检测舰船目标；随着合成孔径雷达SAR传感器分辨率的不断提高，舰船目标不再以点目标形式出现，而表现为面目标，CFAR算法检测结果通常会出现漏洞及断裂等不连续现象，需要进一步处理才能得到较好的舰船检测结果；另外，高分辨率SAR图像中舰船目标表现出明显的纹理、几何结构等细节特征，利用这些细节信息可提高舰船目标识别的准确率，然而现有方法对细节信息的利用不够充分。

发明内容

针对上述现有技术中存在的问题或不足，本发明的目的在于提供一种能降低计算量、能够提高检测的精度，可自适应于不同海杂波背景的高分辨率SAR图像海面舰船目标检测与识别方法。

为了达到上述目的，本发明提出的一种SAR图像海面舰船目标识别方法，其特征在于包括如下步骤：在进行SAR图像亮点检测之前，利用图像预处理模块读取至少一幅海面SAR图像数据，计算SAR图像累计分布直方图，并根据目标像素置信度计算全局阈值，进而对所有像素进行划分，得到像素是否为目标泄漏像素的索引矩阵，将索引矩阵引入自适应亮点检测模块；在对海杂波进行统计建模时，自适应亮点检测模块引入统计模型字典，对图像预处理模块输出索引矩阵的每一个目标像素，利用环形窗口，结合索引矩阵选择杂波数据，利用KS检验方法，从统计模型字典内多个不同的统计模型中自适应地选择最优的分布模型进行自适应杂波建模，自适应亮点检测模块利用CFAR方法计算局部检测阈值并进行二元判决，得到SAR图像的二值分割结果；目标区域提取模块根据自适应亮点检测模块输出的二值分割结果，在二值分割结果的基础上，利用局部亮点密度剔除孤立噪声点，然后提取连通区域并计算相应的区域参数，合并距离小于距离阈值的区域，计算每个区域的特征参数，并根据先验知识剔除背景区域，得到候选舰船目标；目标置信度计算模块针对目标区域提取模块输出的候选舰船目标，利用积累的舰船目标训练图像构建舰船目标特征集，通过朴素贝叶斯方法计算待识别舰船目标的后验概率，后验概率即舰船目标的置信度。

本发明相比于现有技术具有如下显著优点：本发明在进行SAR图像亮点检测之前，引入索引矩阵，通过统计累积分布直方图计算全局分割阈值，进而对目标泄漏像素进行标注，并利用标注结果指导从环形窗口中选择海杂波数据进行检测能够提高检测的精度，可避免因目标像素的混入导致海杂波统计建模不准确的缺陷；在对海杂波进行统计建模时，引入统计模型字典，利用KS检验方法从统计模型字典内多个不同的统计模型中自适应选择最优模型，实现对不同海杂波统计特性的精确刻画，可进一步提升目标检测的性能。在目标置信度计算过程中，利用舰船目标训练图像建立舰船目标特征集，并利用朴素贝叶斯方法估计舰船目标后验概率，进而实现基于数据驱动的待识别目标置信度估计，克服传统方法的不足。本发明为不同海杂波背景下的高分辨率SAR图像舰船目标检测和识别提供了一套完整的处理方法和流程，具有较强的工程实用价值。

附图说明

为了更清楚地理解本发明，现将通过本发明的具体实施方式，同时参照附图，来描述本发明，其中：

图1是本发明的SAR图像舰船识别方法的流程图。

图2是本发明自适应亮点检测模块的流程图。

图3是本发明目标区域提取模块的流程图。

下面结合附图对本发明作进一步说明。

具体实施方式

参阅图1。根据本发明，采用图像预处理模块、自适应亮点检测模块、目标区域提取模块和目标置信度计算模块。在上述四个模块中，图像预处理模块首先读取输入SAR图像的至少一幅海面SAR图像数据，计算SAR图像累计分布直方图，并根据目标像素置信度计算全局阈值，进而对所有图像像素进行划分，得到图像像素是否为目标泄漏像素的索引矩阵，将索引矩阵引入自适应亮点检测模块；在对海杂波进行统计建模时，自适应亮点检测模块引入统计模型字典，对图像预处理模块输出索引矩阵的每一个目标像素，利用环形窗口，结合索引矩阵选择杂波数据，利用KS检验方法，从统计模型字典内多个不同的统计模型中自适应地选择最优的分布模型进行自适应杂波建模，自适应亮点检测模块利用CFAR方法计算局部检测阈值并进行二元判决，得到SAR图像的二值分割结果；目标区域提取模块根据自适应亮点检测模块输出的二值分割结果，利用局部亮点密度剔除孤立噪声点，然后提取连通区域并计算相应的区域参数，合并距离小于距离阈值的区域，计算每个区域的特征参数，并根据先验知识剔除背景区域，得到候选舰船目标；目标置信度计算模块针对目标区域提取模块输出的候选舰船目标，利用积累的舰船目标训练图像构建舰船目标特征集，通过朴素贝叶斯方法计算待识别舰船目标的后验概率，后验概率即舰船目标的置信度。

图像预处理模块根据SAR图像的统计分布特点，将SAR图像像素划分为目标像素和杂波像素，形成索引矩阵，该索引矩阵是像素是否为目标泄漏像素的依据。图像预处理模块基于目标像素位于SAR图像直方图的拖尾部分的特点，利用SAR图像的直方图,计算全局划分阈值T_g。在给定目标像素的置信度为的条件下，设I为对应图像像素值的随机变量，则可由式(1)计算全局划分阈值T_g，

式中，P为概率值，为经验值，表示杂波像素在整个图像中所占的比例，在大幅SAR图像中，的取值接近1。

图像预处理模块对输入的SAR图像，计算其累积分布直方图F，可将式(1)可改写为：

通过式(2)，可方便地计算得到全局划分阈值T_g。

索引矩阵V的大小与待检测SAR图像I的大小一样，若设待检测SAR图像的大小为N×M，在第i行第j列位置(i,j)处的像素强度为I_i,j，那么索引矩阵V在位置(i,j)处的取值为V_i,j，

索引矩阵V＝{V_i,j|1≤i≤N；1≤j≤M}也是大小为N×M的矩阵，且位置(i,j)处的索引值V_i,j＝1表示SAR图像中相应位置(i,j)处为目标泄漏像素，其中，N为索引矩阵的行数，M为索引矩阵的列数。

参阅图2。自适应亮点检测模块针对每一幅待检测SAR图像，选择一个测试像素，并以当前测试像素为中心包含N_C个像素的空心正方形为滑动窗口，以索引矩阵V中相应窗口位置的索引值为依据，选择杂波数据，筛除掉空心滑动窗口内可能是目标泄漏的D个像素，将剩下的N_C-D个像素作为杂波数据，用于后续的杂波统计模型选择，其中，N_C为空心正方形内测试像素的个数，D空心正方形滑动窗口内索引值为1的像素个数。

自适应亮点检测模块利用得到的杂波数据，以KS(Kolmogorov-Smirnov)检验的统计量为依据，从统计模型字典中选择最优的一个统计模型，并且统计模型字典中包含高斯Gauss分布、伽马Gamma分布、韦布尔Weibull分布、对数正态LogNormal分布、费希尔Fisher分布、G₀分布、K分布、Alpha稳定分布共八种常用的统计分布模型，其中，KS检验的统计量称为KS距离，定义为经验分布函数与分布假设下的分布函数H₀的差的上确界，可实现实际数据分布与分布函数H₀假设模型拟合程度的定量评估。KS距离用KSD表示，计算方法是如果KSD大，说明分布函数H₀假设不成立。其中，P(x)是分布函数H₀假设统计模型的分布函数，Q(x)是实际数据的经验分布函数。经验分布函数Q(x)可以通过计算待评估数据的累积分布直方图进行估计，当I(m)≤x时，1(I(m)≤x)的取值为1，当I(m)＞x时，1(I(m)≤x)的取值为0，M为滑动窗口内杂波数据点的个数，I(m)表示第m个杂波数据点的灰度值，Q(x)表示灰度为x时累计分布函数的估计值。

自适应亮点检测模块针对模型字典中不同的模型，分别进行KS检验，计算KS距离，选择其中KS距离最小的统计分布模型，作为自适应统计模型选择的结果。在给定虚警概率p_fa的条件下，自适应亮点检测模块利用选择的统计模型计算恒虚警CFAR检测局部阈值T_l，局部阈值T_l满足下式

其中，f(I)是自适应选择的统计模型的概率密度函数。

自适应亮点检测模块利用局部阈值T_l对当前滑窗处的测试像素I(i,j)进行二元判决，

判决方法如下式：

判断是否遍历待检测SAR图像中的所有像素，是则把所有目标像素位置标记为1，杂波像素位置标记为0，得到一幅与测试图像大小一致的亮点检测二值图像I_cut(i,j)，1≤i≤N，1≤j≤M，否则选择下一个测试像素，重复上述操作过程。其中，i表示SAR图像中的第i行，j表示SAR图像中的第j列，N为待检测SAR图像的行数，M为待检测SAR图像的列数，T_l为局部阈值。

参阅图3。目标区域提取模块根据输入亮点检测二值图像I_cut，统计亮点密度，剔除低密度孤立噪点；然后提取二值图像中的连通区域，计算各二值图像连通区域的特征，合并距离较小的连通区域，根据得到的若干目标区域及其对应的特征，计算候选区域特征，剔除非舰船目标区域，并进行背景区域筛除，输出候选舰船目标。

目标区域提取模块在亮点密度计算中，给定亮点检测图像I_cut，如果像素位置(i,j)处的取值I_cut(i,j)＝1，则统计像素位置(i,j)所在窗口内的亮点像素个数，记为亮点密度D(i,j)；如果I_cut(i,j)＝0，记D(i,j)＝0。其中，i表示图像中的第i行，j表示图像中的第j列。

目标区域提取模块在孤立噪点剔除中，根据亮点密度D(i,j)剔除亮点检测二值图像I_cut中的孤立噪点，计算得到一幅与I_cut相同大小的图像I'_cut，I'_cut中像素位置(i,j)处的取值如下式，其中，D_T为设定的密度阈值

目标区域提取模块在连通区域提取中，对图像I'_cut进行标号，使同一连通区域内的像素具有相同的标号，不同连通区域内像素具有不同的标号，并用四个分量表示连通区域，并记为结构体R(k)＝{'Label','PointNum','Location','Rect'}，其中，k表示连通区域的序号，Label为连通区域的标号，PointNum为连通区域内像素点的个数，Location为连通区域的质心位置，Rect为连通区域的最小外接矩形。

目标区域提取模块在连通区域合并中，将连通区域质心之间距离小于给定距离阈值DisT的连通区域进行合并，形成新的连通区域，具体实现方法是：对任意两个不相连的区域R(m)和区域R(n)，计算不相连通区域质心Location之间的欧式距离Dis(m,n)，如果欧式距离Dis(m,n)＜DisT，则将区域R(m)和区域R(n)合并，得到新的连通区域R(k)，R(k)的区域特征如下：

重复上述步骤，直到所有不连通的区域的质心之间的距离都大于距离阈值DisT，此时的连通区域即为候选舰船目标区域。

目标区域提取模块在候选区域特征计算中，根据下式计算第k个候选区域的特征参数，

其中，R(k)表示第k个候选区域的结构体，L为候选区域最小外接矩形的长度、W为候选区域最小外接矩形的宽度、Area为候选区域的面积、Ratio为候选区域面积与最小外接矩形面积的比值，R(k).Rect表示候选区域R(k)的外接矩形Rect的结构体数据，包含四个分量分别是最大列数MaxCol、最小列数MinCol、最大行数MaxRow和最小行数MinRow。

目标区域提取模块在背景区域筛除中，根据舰船目标的先验知识，剔除不符合舰船特征的背景区域，得到候选目标区域。设定舰船目标特征的先验取值范围为：L∈[L_min,L_max]、W∈[W_min,W_max]、Area∈[Area_min,Area_max]、Ratio∈[Ratio_min,Ratio_max]，则将所有候选区域中特征参数不在取值范围内的背景区域剔除，剩下的候选区域即为候选舰船目标。

目标置信度计算模块利用舰船目标和杂波图像训练数据，计算多种特征，形成特征集，并通过朴素贝叶斯方法计算舰船目标的后验概率，将后验概率作为舰船目标的置信度。具体实现方法如下：

目标置信度计算模块利用给定的若干舰船目标图像和杂波图像切片训练数据，分别计算每个图像切片的长、宽、面积、信噪比、直方图、转动惯量特征，形成特征集。其中，面积是图像切片中舰船部分的面积，信噪比是目标部分灰度均值与背景部分灰度均值的比值；长和宽分别是图像切片中目标部分的最小外接矩形的长和宽，将目标切片在90°内等间隔旋转，并记录目标轮廓在坐标轴方向上的外接矩形的长和宽，选择面积最小的外接矩形对应的长和宽；舰船目标的转动惯量描述了目标灰度的分布情况，计算方法如下：

其中，x,y分别是图像切片中像素所在的行坐标和列坐标，f(x,y)是舰船目标图像切片，是舰船目标的质心位置，(M,N)是舰船目标切片的尺寸。

目标置信度计算模块根据所计算的候选舰船目标的特征向量d＝{t₁,L,t_j,L,t_n}，采用贝叶斯公式计算舰船目标的后验概率P(c＝1|d)

其中，特征向量d是由目标图像切片的长、宽、面积、信噪比、直方图、转动惯量特征组成的长度为n的一维数组，t_j表示特征向量d中的第j个值，n为自然数，P(c)表示类别c的先验概率，c＝1表示舰船，c＝0表示杂波，P(t_j|c)表示在类别c中第j维特征的概率分布，可通过训练特征集进行估计。

以上是向熟悉本发明领域的工程技术人员提供的对本发明及其实施方案的描述，这些描述应被视为是说明性的，而非限定性的。工程技术人员可据此发明权利要求书中的思想做具体的操作实施，在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。上述这些都应被视为本发明的涉及范围。

Claims (10)

1.一种SAR图像海面舰船目标识别方法，其特征在于包括如下步骤：在进行SAR图像亮点检测之前，利用图像预处理模块读取至少一幅海面SAR图像数据，计算SAR图像累计分布直方图，并根据目标像素置信度计算全局阈值，进而对所有像素进行划分，得到像素是否为目标泄漏像素的索引矩阵，将索引矩阵引入自适应亮点检测模块；在对海杂波进行统计建模时，自适应亮点检测模块引入统计模型字典，对图像预处理模块输出索引矩阵的每一个目标像素，利用环形窗口，结合索引矩阵选择杂波数据，利用KS检验方法，从统计模型字典内多个不同的统计模型中自适应地选择最优的分布模型进行自适应杂波建模，自适应亮点检测模块利用CFAR方法计算局部检测阈值并进行二元判决，得到SAR图像的二值分割结果；目标区域提取模块根据自适应亮点检测模块输出的二值分割结果，在二值分割结果的基础上，利用局部亮点密度剔除孤立噪声点，然后提取连通区域并计算相应的区域参数，合并距离小于距离阈值的区域，计算每个区域的特征参数，并根据先验知识剔除背景区域，得到候选舰船目标；目标置信度计算模块针对目标区域提取模块输出的候选舰船目标，利用积累的舰船目标训练图像构建舰船目标特征集，通过朴素贝叶斯方法计算待识别舰船目标的后验概率，后验概率即舰船目标的置信度。

2.如权利要求1所述的SAR图像海面舰船目标识别方法，其特征在于：图像预处理模块基于目标像素位于SAR图像直方图的拖尾部分的特点，利用SAR图像的直方图,计算全局划分阈值T_g。

3.如权利要求1或2所述的SAR图像海面舰船目标识别方法，其特征在于：图像预处理模块在给定目标像素的置信度为的条件下，由式(1)计算全局划分阈值T_g，

式中，P为概率值，I为对应图像像素值的随机变量，为经验值，表示杂波像素在整个图像中所占的比例，在大幅SAR图像中，的取值接近1；并对输入的SAR图像，计算其累积分布直方图F，通过计算得到全局划分阈值T_g。

4.如权利要求1所述的SAR图像海面舰船目标识别方法，其特征在于：索引矩阵V的大小与待检测SAR图像I的大小一样，若设待检测SAR图像的大小为N×M，在第i行第j列位置坐标(i,j)处的像素强度为I_i,j，则索引矩阵V在位置坐标(i,j)处的取值为V_i,j，

索引矩阵V＝{V_i,j|1≤i≤N；1≤j≤M}也是大小为N×M的矩阵，且位置坐标(i,j)处的索引值V_i,j＝1表示SAR图像中相应位置坐标(i,j)处为目标泄漏像素，其中，N为索引矩阵的行数，M为索引矩阵的列数。

5.如权利要求1所述的SAR图像海面舰船目标识别方法，其特征在于：自适应亮点检测模块针对每一幅待检测SAR图像，选择一个测试像素，并以当前测试像素为中心包含N_C个像素的空心正方形为滑动窗口，以索引矩阵V中相应窗口位置的索引值为依据，选择杂波数据，筛除掉空心滑动窗口内可能是目标泄漏的D个像素，将剩下的N_C-D个像素作为杂波数据，用于后续的杂波统计模型选择，其中，N_C为空心正方形内测试像素的个数，D空心正方形滑动窗口内索引值为1的像素个数。

6.如权利要求1所述的SAR图像海面舰船目标识别方法，其特征在于：自适应亮点检测模块利用得到的杂波数据，以KS(Kolmogorov-Smirnov)检验的统计量为依据，从统计模型字典中选择最优的一个统计模型，并且统计模型字典中包含高斯Gauss分布、伽马Gamma分布、韦布尔Weibull分布、对数正态LogNormal分布、费希尔Fisher分布、G₀分布、K分布、Alpha稳定分布共八种常用的统计分布模型，其中，KS检验的统计量称为KS距离，定义为经验分布函数与分布假设下的分布函数H₀的差的上确界，实现实际数据分布与分布函数H₀假设模型拟合程度的定量评估。

7.如权利要求1所述的SAR图像海面舰船目标识别方法，其特征在于：自适应亮点检测模块针对模型字典中不同的模型，分别进行KS检验，计算KS距离，选择其中KS距离最小的统计分布模型作为自适应统计模型选择的结果，在给定虚警概率p_fa的条件下，利用选择的统计模型计算恒虚警CFAR检测局部阈值T_l，且局部阈值T_l满足其中，f(I)是自适应选择的统计模型的概率密度函数。

8.如权利要求1所述的SAR图像海面舰船目标识别方法，其特征在于：自适应亮点检测模块利用局部阈值T_l对当前滑窗处的测试像素I(i,j)进行二元判决，判决方法如下式：

判断是否遍历待检测SAR图像中的所有像素，是，则把所有目标像素位置标记为1，杂波像素位置标记为0，得到一幅与测试图像大小一致的亮点检测二值图像I_cut(i,j)，1≤i≤N，1≤j≤M，否则选择下一个测试像素，重复上述操作过程，其中，i表示SAR图像中的第i行，j表示SAR图像中的第j列，N为待检测SAR图像的行数，M为待检测SAR图像的列数，T_l为局部阈值。

9.如权利要求1所述的SAR图像海面舰船目标识别方法，其特征在于：目标区域提取模块根据输入亮点检测二值图像I_cut，统计亮点密度，剔除低密度孤立噪点；然后提取二值图像中的连通区域，计算各二值图像连通区域的特征，合并距离较小的连通区域，根据得到的若干目标区域及其对应的特征，计算候选区域特征，剔除非舰船目标区域，并进行背景区域筛除，输出候选舰船目标，并在亮点密度计算中，给定亮点检测图像I_cut，如果像素位置(i,j)处的取值I_cut(i,j)＝1，则统计像素位置(i,j)所在窗口内的亮点像素个数，记为亮点密度D(i,j)；如果I_cut(i,j)＝0，记D(i,j)＝0。其中，i表示图像中的第i行，j表示图像中的第j列。

10.如权利要求1所述的SAR图像海面舰船目标识别方法，其特征在于：目标区域提取模块在连通区域提取中，对图像I'_cut进行标号，使同一连通区域内的像素具有相同的标号，不同连通区域内像素具有不同的标号，并用四个分量表示连通区域，并记为结构体R(k)＝{'Label','PointNum','Location','Rect'}，其中，k表示连通区域的序号，Label为连通区域的标号，PointNum为连通区域内像素点的个数，Location为连通区域的质心位置，Rect为连通区域的最小外接矩形。