一種高分辨率sar圖像目標檢測方法
【專利摘要】本發(fā)明實施例公開一種高分辨率SAR圖像目標檢測方法，應用于圖像處理【技術(shù)領(lǐng)域】，主要解決現(xiàn)有以解決現(xiàn)有的SAR圖像目標檢測方法的檢測虛警較高及定位不準確的缺陷。該方法包括：對原始SAR圖像進行重疊分塊，獲得多個子圖像；提取訓練樣本的特征對分類器進行訓練，用訓練后的分類器對多個所述子圖像進行目錄分類；獲得目錄類別為包含目標的子圖像的像素的加權(quán)稀有性特征，對所述包含目標的子圖像進行閾值分割，對分割后的二值圖像進行形態(tài)學處理，獲得目錄類別為包含目標的子圖像的感興趣區(qū)域ROI對所述ROI進行修正，獲得目標檢測結(jié)果。本發(fā)明應用于目標類型多的高分辨SAR圖像目標檢測。
【專利說明】一種高分辨率SAR圖像目標檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，涉及一種高分辨率SAR圖像目標檢測方法?？捎?于高分辨SAR圖像、計算機視覺及智能控制領(lǐng)域中的目標檢測與識別。

【背景技術(shù)】
[0002] 合成孔徑雷達（SAR)圖像目標檢測是利用目標的灰度、紋理、形狀、邊緣和方向等 信息在SAR圖像中確定其位置，將目標與背景分離的圖像處理技術(shù)。SAR圖像目標檢測是進 一步目標識別的前提，是目前智能控制和計算機視覺領(lǐng)域研究的熱點問題。由于SAR成像 的特殊性，使得SAR圖像與光學圖像有很大的不同，例如SAR圖像包含更多的冗余信息，存 在斑點噪聲，SAR目標對方位角十分敏感等。所以，如何從SAR圖像中準確檢測出目標一直 是SAR圖像解譯的難點。
[0003] 隨著SAR圖像分辨率不斷提高，目標信息呈現(xiàn)爆炸性增長，目標檢測的難點主要 有：（1)圖像場景越來越復雜，需處理的數(shù)據(jù)量越來越大；（2)目標由原來單通道單極化中 低分辨率圖像上的點目標，變?yōu)榫哂胸S富細節(jié)特征和散射特征的面目標，目標特征的種類 和不穩(wěn)定性增加；（3)圖像包含的冗余信息增多，如果對圖像所有像素進行處理，運算速度 會受到影響。
[0004] 基于恒虛警的CFAR方法是經(jīng)典的SAR圖像目標檢測方法。該方法是在圖像全局 或局部背景已知的條件下，估計背景的雜波分布參數(shù)，自適應地選取檢測的閾值，然后利用 固定大小的滑動窗口遍歷圖像，判斷像素是否屬于目標。當圖像細節(jié)信息不明顯，背景較均 勻時，該方法能夠在沒有目標類型、目標特性及背景特性等先驗信息的情況下實現(xiàn)對目標 的檢測，并且能夠取得較好的檢測結(jié)果。
[0005] CFAR方法雖然能夠在簡單利用圖像幅度信息的情況下較準確的檢測出目標，但是 對于高分辨SAR圖像來說，細節(jié)信息非常豐富，此情況下CFAR主要存在以下缺陷：
[0006] (1)目標檢測虛警較高，不適于細節(jié)信息豐富的高分辨SAR圖像。CFAR方法簡單 的利用圖像的幅度信息進行目標檢測，當背景像素的灰度值與目標的灰度值接近時會被錯 判為目標，導致檢測結(jié)果出現(xiàn)較高的虛警。同時，檢測結(jié)果易受噪聲的影響，不利于圖像的 后續(xù)處理，如目標識別。
[0007] (2)檢測出的是圖像中所有的疑似目標區(qū)域，對于真實的目標定位不準確。


【發(fā)明內(nèi)容】

[0008] 本發(fā)明實施例提供一種高分辨率SAR圖像目標檢測方法，以解決現(xiàn)有的SAR圖像 目標檢測方法的檢測虛警較高及定位不準確的缺陷。
[0009] 本發(fā)明的第一方面提供一種高分辨SAR圖像目標檢測方法，包括：
[0010] 對輸入的原始SAR圖像進行重疊分塊，獲得多個子圖像；
[0011] 提取訓練樣本的特征對分類器進行訓練，用訓練后的分類器對多個所述子圖像進 行目錄分類；
[0012] 獲得目錄類別為包含目標的子圖像的像素的加權(quán)稀有性特征，對所述包含目標的 子圖像進行閾值分割，對分割后的二值圖像進行形態(tài)學處理，獲得目錄類別為包含目標的 子圖像的感興趣區(qū)域ROI ;
[0013] 對所述ROI進行修正，獲得目標檢測結(jié)果。
[0014] 根據(jù)第一方面，在第一種可能的實現(xiàn)方式中，所述對輸入的原始SAR圖像進行重 疊分塊包括：
[0015] 按照公式1對原始SAR圖像進行重疊分塊；
[0016]

【權(quán)利要求】
1. 一種高分辨率SAR圖像目標檢測方法，其特征在于，包括： 對輸入的原始SAR圖像進行重疊分塊，獲得多個子圖像； 提取訓練樣本的特征對分類器進行訓練，用訓練后的分類器對多個所述子圖像進行目 錄分類； 獲得目錄類別為包含目標的子圖像的像素的加權(quán)稀有性特征，對所述包含目標的子圖 像進行閾值分割，對分割后的二值圖像進行形態(tài)學處理，獲得目錄類別為包含目標的子圖 像的感興趣區(qū)域ROI; 對所述ROI進行修正，獲得目標檢測結(jié)果。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對輸入的原始SAR圖像進行重疊分塊 包括： 按照公式1對原始SAR圖像進行重疊分塊；
其中，m，n分別為原始SAR圖像的長和寬，分塊的尺寸為xXx，p%為重疊率，得到的子 圖像記為Si，i= 1，2,. . .，N，N為獲得多個子圖像的數(shù)目。
3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述提取訓練樣本的特征對分類器進行 訓練，用訓練后的分類器對多個所述子圖像進行目錄分類，包括： 確定目錄類別數(shù)，其中由先驗信息得到SAR圖像中包含的目標類型數(shù)為M，每一種目標 類型對應兩種目錄類別，即包含此目標和不包含此目標，所以，總的目錄類別共有2M個，每 個目錄類別記為Cq,qG2M，其中CpC2, . . .，CM為包含目標的目錄類別標號； 分別針對所述2M個目錄類別隨機選取訓練樣本并提取特征向量； 提取所述子圖像的特征向量，對所述子圖像進行目錄分類。
4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，所述分別針對所述2M個目錄類別隨機選 取訓練樣本并提取特征向量，包括： 對每個訓練樣本提取韋伯局部描述特征WLD作為特征向量，記為/，并對分類器進行 訓練； 相應的，所述提取所述子圖像的特征向量，對所述子圖像進行目錄分類，包括： 提取所述子圖像的WLD特征，利用訓練好的分類器對所述子圖像進行目錄分類。
5. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述包含目標的子圖像進行閾值 分割，包括： 對所述包含目標的子圖像進行閾值分割，設定閾值為Thu，按下式對圖像進行分割，分 割后的圖像記為BW，如公式2 :
公式2中，Uk為第k個像素的加權(quán)稀有值。
6. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述加權(quán)稀有性特征，包括： 計算第k個像素點的空間分布權(quán)值，記為c〇k，k=msub*nsub，c〇k計算如公式3:
其中，公式3中，msub，nsub分別為子圖像長和寬，Ik為子圖像第k個像素的灰度值，L為 子圖像中心像素的像素值，num為子圖像中與Ik相等的像素點的個數(shù)； 計算第k個像素點的稀有值，記為uk,k=msub*nsub,uk計算如公式4 :
其中，公式4中，msub，nsub分別為子圖像長和寬，unk為子圖像中第k個像素出現(xiàn)的次數(shù)； 計算第k個像素點的加權(quán)稀有值，記為Uk,kGm*n,Uk計算如公式5 ; Uk = ?k*uk (5)
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述ROI進行修正包括： 獲得的R0I個數(shù)記為L，第t個R0I為R0It ; 判斷R0Is，sGL與R0It，tGL是否為連通區(qū)域，其中，s尹t。若如13與1?011為連通 區(qū)域，則對它們進行合并，得到一個新的R0I;重復此步驟，直到遍歷完所有的R0I。
【文檔編號】G06K9/66GK104408482SQ201410743668
【公開日】2015年3月11日 申請日期:2014年12月8日 優(yōu)先權(quán)日:2014年12月8日
【發(fā)明者】曹宗杰, 皮亦鳴, 張強, 李晉, 范錄宏, 楊曉波, 徐政五 申請人:電子科技大學