專利名稱：基于改進(jìn)視覺注意模型的sar目標(biāo)檢測方法
基于改進(jìn)視覺注意模型的SAR目標(biāo)檢測方法技術(shù)領(lǐng)域
本發(fā)明屬于圖像處理領(lǐng)域，特別是一種涉及SAR圖像目標(biāo)檢測的方法，可應(yīng)用于對SAR目標(biāo)的檢測。
背景技術(shù)：
在面對一個復(fù)雜場景時，人類的注意力會迅速集中在少數(shù)幾個顯著的視覺對象上，并對這些對象進(jìn)行優(yōu)先處理，該過程被稱為視覺注意。視覺注意模型正是利用人眼的這種視覺生物學(xué)機(jī)制，用數(shù)學(xué)的計算方法模擬從而形成了對圖像處理領(lǐng)域的一個重要方向， 該模型可用于目標(biāo)檢測與識別，圖像壓縮與編碼，圖像檢索，監(jiān)視系統(tǒng)，主動視覺等方面。
經(jīng)典的視覺注意模型是由Itti提出的，他首次用數(shù)學(xué)的方法來模擬人類的視覺注意機(jī)制并取得了較好的效果，后來引起了眾多學(xué)者的關(guān)注并產(chǎn)生了重要的影響。按照對視覺信息的處理方式，可分為自底向上的視覺注意和自頂向下的視覺注意，目前研究的較多的是自底向上的視覺注意，它是基于數(shù)據(jù)驅(qū)動，且獨(dú)立于具體的任務(wù)；而自頂向上的視覺注意是受意識支配，與具體任務(wù)相關(guān)，而目前針對自頂向下視覺注意模型的研究工作較少， 大多數(shù)的工作限于生物實(shí)驗(yàn)取證和理論研究。
自底向上的視覺注意模型按計算方式的不同，又可分為基于鄰域?qū)Ρ榷鹊挠嬎隳Ｐ?、基于頻域空間的計算模型和基于區(qū)域分割的計算模型。
基于鄰域?qū)Ρ榷鹊挠嬎隳Ｐ椭饕枷胧窃诳臻g域中計算圖像中各個位置的視覺顯著程度，即采用顯著度來衡量，進(jìn)而實(shí)現(xiàn)視覺注意機(jī)制的模擬。這類模型的優(yōu)點(diǎn)是計算特征較容易提取、計算量較小、快速，但缺點(diǎn)是對于噪聲較為敏感、魯棒性較差，適用于前期對注意焦點(diǎn)進(jìn)行檢測，對于對象區(qū)域語義的完整性考慮不足。代表模型是1998年Itti提出的視覺注意計算模型，參見 Itti L,Koch C,Niebur E. 1998. A model of saliency一based visual attention for rapid scene analysis[J].1EEE Trans, on Pattern Analysis and Machine Intelligence, 20 (11) 1254-1259. Ma 和 zhang 等人提出的基于顏色鄰域?qū)Ρ刃?Maetal. 2003)的視覺注意模型，參見 Ma Y F，Zhang H J. 2003. Contrast based image attention analysis by using fuzzy growingC]. Proceedings ofthe eleventh ACM International Conference on Multimedia, Berkeley ACMPress,374—381。
基于頻域空間的計算模型主要思想是利用傅立葉變換或特征值極坐標(biāo)變換等方法將圖像從空間域映射到頻域空間，并對其分析處理，找出其顯著性特征，之后再反變換回空間域得到顯著圖。其代表是以Hou等人的光譜剩余假說，參見Hou X and Zhang L. 2007. Saliency Detection A Spectral Residual ApproachC. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, Minnesota, USA,I— 8. Hu等人提出的特征值極變換的子空間分析方法,參見Hu Y-Rajah D and Chia L-T .2005. Robust Subspace Analysis for Detecting Visual Attention Regions jn Images [C]. Proceedings of thel3th annual ACM International Conference on Multimedia, Singapore, 716—724。
最后一類是基于區(qū)域分割的計算模型，這類方法的優(yōu)點(diǎn)是對于噪聲具有一定的魯棒性，并對于部分簡單自然場景圖像和許多心理學(xué)模式的圖像有較好的效果，但缺點(diǎn)是精確度不高，只能得到顯著對象的大致位置形狀，對于某些復(fù)雜自然場景圖像的處理效果不盡人意。大體的思路是利用圖像分割算法將圖像劃分成不同的區(qū)域，以此區(qū)域?yàn)閱挝环治銎溧徲驅(qū)Ρ刃曰蛉謱Ρ刃?，通過區(qū)域競爭定位顯著對象區(qū)域。其代表有H. Liu等人 (Liuetal. 2007)提出的基于圖像分割的區(qū)域競爭方法，參見Liu H，Jiang S，Huang Q， Xu C, Gao w. 2007. RegionBased Visual Attention Analysis with Its Application in Image Browsing on Small DisplaysC. Proceedings of2007ACM International Conference on Multimedia, Augsburg :ACM Press,305—308。
綜上所述的視覺注意模型都是針對自然圖像的，對于SAR圖像中的應(yīng)用幾乎沒有，原因是SAR圖像有其自身的特點(diǎn)，和與其它遙感成像系統(tǒng)、光學(xué)成像系統(tǒng)相比有很多差異。本質(zhì)上SAR圖像反映的是目標(biāo)的電磁散射特性和結(jié)構(gòu)特性，其成像效果很大程度上依賴于雷達(dá)參數(shù)地域電磁參數(shù)。由于SAR成像的特殊性導(dǎo)致SAR圖像灰度級變化緩慢，目標(biāo)區(qū)域不明顯，因此光學(xué)圖像常用的視覺注意方法對SAR圖像無效甚至效果相反。發(fā)明內(nèi)容
本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于改進(jìn)視覺注意模型的 SAR目標(biāo)檢測方法，·以解決因SAR圖像灰度級變化緩慢和目標(biāo)區(qū)域不明顯而導(dǎo)致視覺注意方法失效的問題，使圖像中的目標(biāo)區(qū)域更好地顯現(xiàn)出來，為后期的目標(biāo)識別和分類提供有·用的信息。
實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是在原有經(jīng)典視覺注意模型的框架下，利用高效的多尺度多分辨率數(shù)學(xué)工具gabor小波和正交小波，充分挖掘圖像中的紋理特征和結(jié)構(gòu)特征，模擬人眼的視覺注意機(jī)制，以實(shí)現(xiàn)對目標(biāo)的檢測。其實(shí)現(xiàn)步驟包括如下
(I)對待檢測SAR圖像進(jìn)行下采樣處理，處理后的圖像記為I ;
(2)對采樣后的圖像I進(jìn)行紋理特征提取，用gabor小波提取其在0°’45°，90°，135° 方向上的分量紋理特征，然后把這些分量紋理特征相加，即可得到圖像的紋理特征；
(3)對采樣后的圖像I進(jìn)行小波特征提取
(3a)對圖像I進(jìn)行正交小波變換，得到圖像的四個小波分量，即一個低頻分量 Ill (X，Y)和三個高頻分量 Ihl (X，y) , Ihh (X，j) , Ilh(x，y)；
(3b)計算低頻分量與其平均值的對比差值C(x,y) = (lLL(x，y)-1u)2，其中Iix(x，y) 為低頻分量，Iu為低頻分量的平均值；
(3c)進(jìn)行逆小波變換，即得到采樣后圖像I的小波特征；
(4)對提取后的紋理特征和小波特征進(jìn)行線性相加，并將相加后的圖像進(jìn)行歸一化及顯著性處理，得到初步的顯著(5)將初步顯著圖進(jìn)行視覺感受野模型處理，得到最終的顯著(6)把得到的最終顯著圖插值到與原SAR圖像的大小相同；
(7)利用插值后的顯著圖對原SAR圖像進(jìn)行目標(biāo)檢測，即將顯著圖中最亮的區(qū)域作為目標(biāo)區(qū)域。
本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)
1、本發(fā)明由于使用多尺度幾何分析工具gabor小波，對SAR圖像的紋理特征的方向性細(xì)節(jié)信息進(jìn)行提取，保證了圖像信息的完整性；
2、本發(fā)明由于對SAR圖像進(jìn)行了下采樣，可對低分辨SAR圖像進(jìn)行目標(biāo)檢測；
3、本發(fā)明由于在提取圖像小波特征時使用了正交小波，抗噪性能較好，魯棒性較好，得到的顯著圖輪廓較清晰，運(yùn)算速度較快，定位準(zhǔn)確；
4、仿真結(jié)果表明，本發(fā)明方法較傳統(tǒng)Itti模型和頻域譜殘差模型檢測結(jié)果更有效。


圖1是本發(fā)明的流程圖2是兩類簡單地物背景SAR圖像；
圖3是用本發(fā)明和現(xiàn)有方法對圖2的仿真結(jié)果圖4是兩類復(fù)雜地物背景SAR圖像；
圖5是用本發(fā)明和現(xiàn)有方法對圖4的仿真結(jié)果 圖6是三類復(fù)雜地物背景SAR圖像；
圖7是用本發(fā)明和現(xiàn)有方法對圖6的仿真結(jié)果圖。
具體實(shí)施方式
參照圖1，本發(fā)明的具體實(shí)現(xiàn)步驟如下
步驟一、對待檢測SAR圖像進(jìn)行4倍下采樣，即將待檢測SAR圖像按照^的大4 4小縮小，得到采樣后圖像I。
這一步驟的目的是模擬人眼的視覺生物機(jī)制，通過對待檢測SAR圖像進(jìn)行4倍下采樣，以達(dá)到對低分辨率SAR圖像目標(biāo)檢測的目的。
步驟二、對采樣后的圖像I進(jìn)行g(shù)abor小波變換，分別提取其在0°，45°，90°，135°方向上的分量紋理特征，把這些分量紋理特征線性相加得到紋理特征。
這一步驟用gabor小波提取采樣后圖像I的分量紋理特征，使采樣后圖像I在 0°, 45°，90°，135°上的紋理細(xì)節(jié)信息和輪廓信息較好地保留下來，為后面的目標(biāo)檢測做準(zhǔn)備。
步驟三、對采樣后的圖像I提取小波特征。
本步驟在目的是加強(qiáng)目標(biāo)區(qū)域的顯著性，由于SAR圖像不同于自然圖像，SAR圖像與自然圖像灰度圖有較大差異，如果用SAR圖像的灰度特征就失去了目標(biāo)的意義，而使用小波特征就可以使目標(biāo)的顯著性更好地表現(xiàn)出來。其具體實(shí)現(xiàn)如下
3.1)對采樣后的圖像I進(jìn)行正交小波變換，得到一個低頻分量垃(x，y)和三個高頻分量 IHL(x，y)，Ihh(X，y), Ilh(x, y)；
3. 2)計算低頻分量I11 (X，y)與其平均值的對比差值C(x, y) = (ILL(x, y)-1u)2，其中込U，y)為低頻分量，Iu為低頻分量的平均值；
3. 3)對對比差值C(X，y)和高頻分量Ihl(x, y), !^(x, y), ILH(x, y)進(jìn)行逆小波變換，得到采樣后圖像I的小波特征。
步驟四、對得到的紋理特征和小波特征進(jìn)行線性相加，即得到圖像的特征圖。
步驟五、對特征圖進(jìn)行歸一化和顯著性處理，得到初始顯著圖。
5.1)將特征圖歸一化到范圍
上，N為圖像灰度值范圍內(nèi)的任意正整數(shù)，使得非目標(biāo)區(qū)域的顯著性減弱；
5. 2)是將歸一化后的特征圖乘以系數(shù)(.1/ ,M為歸一化后特征圖的全局最大值，忑為除全局最大值外的其余的局部最大值的平均值，得到初始顯著圖。
步驟六、對得到的初始顯著圖進(jìn)行視覺感受野模型處理，即將初始顯著圖經(jīng)過感受野模板濾波，得到最終的顯著圖。
這一步驟的目的是模擬人眼的視覺感受野，由于人眼的視覺生物機(jī)制，對不同分辨率圖像的差異性檢測是有差別的，差異性越大，人眼對差異性的檢測就越顯著，而高斯差分函數(shù)與人眼的這種視覺感受野比較符合，故可用高斯差分函數(shù)來模擬人眼的視覺感受野。其實(shí)現(xiàn)方案是以高斯差分函數(shù)為感受野模板函數(shù)，取3X3的矩陣作為濾波器模板，用該模板對初始顯著圖進(jìn)行濾波，其中，感受野模板函數(shù)為f f
權(quán)利要求
1.一種基于改進(jìn)視覺注意模型的SAR目標(biāo)檢測方法，包括如下步驟 1)對待檢測SAR圖像進(jìn)行下采樣處理，處理后的圖像記為I; 2)對采樣后的圖像I進(jìn)行紋理特征提取，用gabor小波提取其在0°，45°，90°，135°方向上的分量紋理特征，然后把這些分量紋理特征相加，即可得到圖像的紋理特征； 3)對采樣后的圖像I進(jìn)行小波特征提取 3a)對圖像I進(jìn)行正交小波變換，得到圖像的四個小波分量，即一個低頻分量垃(x，y)和三個高頻分量 Ihl(X，y), Ihh (X，y), Iui(X, y)； 3b)計算低頻分量與其平均值的對比差值C(x，y) =(込(X，y)-1u)2，其中Ill(x,y)為低頻分量，Iu為低頻分量的平均值； 3c)對所述C(x，y),IHL(x, y),IHH(x, y),ILH(x, y)進(jìn)行逆小波變換，即得到采樣后圖像I的小波特征； 4)對提取后的紋理特征和小波特征進(jìn)行線性相加，并將相加后的圖像進(jìn)行歸一化及顯著性處理，得到初步的顯著圖； 5)將初步顯著圖進(jìn)行視覺感受野模型處理，得到最終的顯著圖； 6)把得到的最終顯著圖插值到與原SAR圖像的大小相同； 7)利用插值后的顯著圖對原SAR圖像進(jìn)行目標(biāo)檢測，即將顯著圖中最亮的區(qū)域作為目標(biāo)區(qū)域。
2.根據(jù)權(quán)利要求1所述的目標(biāo)檢測方法，其中步驟4)所述的將相加后的圖像進(jìn)行歸一化及顯著性處理，是先把圖像歸一化到
，其中N為圖像灰度值范圍內(nèi)的任意正整數(shù)；再將歸一化后的圖像進(jìn)行顯著性處理，即將歸一化后的圖像乘以系數(shù)(M-;)為歸一化后圖像的全局最大值，G為除了全局最大值外的所有局部最大值的平均值。
3.根據(jù)權(quán)利要求1所述的目標(biāo)檢測方法，其中步驟5)所述的將初步顯著圖進(jìn)行視覺感受野模型處理，是將初步顯著圖用視覺感受野模板濾波，其中視覺感受野模板通過如下高斯差分函數(shù)Dog(x, y)生成， Dog( % 力二 ~——e 2aL 其中，Qrai, Cinh分別為兩個數(shù)值不同的高斯函數(shù)方差，Crai, Cinh分別為兩個數(shù)值不同的系數(shù)，這里取 O ex = 0. 02，O inh = 0. 25，Cex = 0. 5，Cinh =1. 5。
全文摘要
本發(fā)明公開了一種基于改進(jìn)視覺注意模型的SAR目標(biāo)檢測方法，它屬于圖像處理技術(shù)領(lǐng)域，主要解決了傳統(tǒng)視覺注意模型在SAR圖像處理方面失效的問題。其檢測過程為先對待檢測SAR圖像進(jìn)行下采樣，再對采樣后的圖像提取其紋理特征和小波特征，把這些特征進(jìn)行線性疊加后經(jīng)過歸一化及顯著性處理得到初始顯著圖；然后把初始顯著圖經(jīng)過視覺感受野模板濾波，即可得到最終顯著圖；最后把最終顯著圖用雙線性插值到與原SAR圖像大小相同，將插值后顯著圖中亮的區(qū)域作為目標(biāo)區(qū)域。本發(fā)明具有計算速度快，檢測效果明顯，定位準(zhǔn)確的優(yōu)點(diǎn)，可用于SAR圖像目標(biāo)的預(yù)檢測。
文檔編號G06T7/00GK102999909SQ20121047085
公開日2013年3月27日 申請日期2012年11月19日 優(yōu)先權(quán)日2012年11月19日
發(fā)明者侯彪, 侯小瑾, 劉彥甲, 焦李成, 方相如, 翁鵬, 馬文萍, 馬晶晶 申請人:西安電子科技大學(xué)