專利名稱：一種基于積分圖像的快速acca-cfar sar圖像目標(biāo)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及SAR圖像解譯技術(shù)領(lǐng)域，具體涉及一種基于積分圖像的快速ACCA-CFARSAR圖像目標(biāo)檢測(cè)方法。
背景技術(shù)：
高分辨率、大場(chǎng)景合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)圖像的涌現(xiàn)，為更廣泛地應(yīng)用SAR圖像提供了可能，同時(shí)給SAR圖像解譯技術(shù)帶來(lái)了新的挑戰(zhàn)，一些之前適應(yīng)于中、低分辨率，小場(chǎng)景SAR圖像的處理技術(shù)已不再適用。作為關(guān)鍵的SAR圖像解譯技術(shù)之一，目標(biāo)檢測(cè)對(duì)特征提取、目標(biāo)識(shí)別和分類等后續(xù)處理的性能和效率具有很大影響。目前在該方面已有一定的發(fā)展，恒虛警(Constant False Alarm Rate, CFAR)檢測(cè)是其中應(yīng)用最為廣泛的目標(biāo)檢測(cè)方法，其基本原理為根據(jù)檢測(cè)單元附近的參考單元估計(jì)背景雜波的能量并依次調(diào)整門(mén)限，以使得虛警概率恒定(參見(jiàn)文獻(xiàn)[I]許小劍，黃培康，“雷達(dá)系統(tǒng)及其信息處理，”電子工業(yè)出版社，2010.)。但是，傳統(tǒng)的CFAR算子，即單元平均(Cell Averaging, CA)-CFAR (參見(jiàn)文獻(xiàn)[2] L. M. Novak, G. J. Owirka, W. S. Brower, and A. L. Weaver, “The automatictarget-recognition system inSAIP，，Line. Lab. J. , Vol. 10, No. 2, 1997, pp. 187-202.),假設(shè)背景雜波服從高斯分布，僅適用于局部均勻背景雜波中的單目標(biāo)檢測(cè)，當(dāng)背景雜波非均勻或包含多目標(biāo)時(shí)，其檢測(cè)性能急劇下降。為了滿足實(shí)際工程應(yīng)用的需求，迫切需要針對(duì)新型傳感器獲取數(shù)據(jù)的高分辨率、數(shù)據(jù)內(nèi)容復(fù)雜且容量巨大的特點(diǎn)，結(jié)合目標(biāo)和背景雜波的SAR成像特性差異，研究適用于各種復(fù)雜場(chǎng)景的快速CFAR目標(biāo)檢測(cè)方法?，F(xiàn)有技術(shù)一的技術(shù)方案為了滿足處理SAR圖像復(fù)雜場(chǎng)景的應(yīng)用需求，有研究者考慮將各具優(yōu)缺點(diǎn)的GO (Greatest Of) -CFAR (參見(jiàn)文獻(xiàn)[3] V. G.，Hansen, “Constant false alarm rateprocessing insearch radars, ” In Proceedings of the IEEE1973InternationalRadar Conference, London, 1973, pp. 325-332. ), SO (Smallest Of) -CFAR (參見(jiàn)文獻(xiàn)[4]G. V. Trunk, “Range resolution of targets usingautomatic detectors,，，IEEETransactions on Aerospace and Electronic Systems, AES-14, Sept. 1978, pp. 750-755.)等基本算子按照一定的準(zhǔn)則相結(jié)合。其中，最具代表性的VI (Variabilitylndex)-CFAR(參見(jiàn)文獻(xiàn)[5]M. E. Smith and P. K. Varshney,“Intelligent CFAR processor based on datavariability, ” IEEE Trans. Aerosp. Electron. Syst. , Vol. 36, No. 3, Jul. 2000, pp. 837 -847.)算子，即根據(jù)基于二階統(tǒng)計(jì)特征的索引值和假設(shè)檢驗(yàn)均值比，來(lái)判斷選用CA-CFAR，GO-CFAR和SO-CFAR算子之一進(jìn)行目標(biāo)檢測(cè)，故兼具三者的優(yōu)勢(shì)，適用于處理均勻場(chǎng)景、及包含多目標(biāo)、雜波邊緣等的復(fù)雜場(chǎng)景數(shù)據(jù)。采用相似的思路，文獻(xiàn)[6](G. Gao, L. Liu, L. J. Zhao, G. T. Shi, et al.，“Anadaptive and fastCFAR algorithm based on automatic censoring for targetdetection in high-resolution SARimages, ” IEEE Trans. Geosci. Remote Sens. , Vol. 47, No. 6, 2009, pp. 1685-1697.)提出一種基于自動(dòng)檢索(Automatic Censoring, AC)的快速CFAR目標(biāo)檢測(cè)方法。如圖I中框①所示，該方法通過(guò)一種基于目標(biāo)置信度的預(yù)分割算法生成目標(biāo)索引矩陣來(lái)標(biāo)記背景窗口中的候選目標(biāo)像素，以將它們從參考單元中剔除，提高算子對(duì)于多目標(biāo)場(chǎng)景的適用性，圖中的淺灰色方框即表示目標(biāo)索引像素。如何快速、有效地計(jì)算目標(biāo)像素索引值是此類方法的關(guān)鍵?，F(xiàn)有技術(shù)一的缺點(diǎn)雖然通過(guò)將多個(gè)基本算子優(yōu)勢(shì)互補(bǔ)可提高CFAR算法對(duì)于復(fù)雜場(chǎng)景的適用性，但此類方法仍然存在如下缺點(diǎn)(I)文獻(xiàn)[5]中的VI-CFAR算子未深入考慮算法的時(shí)間性能和背景雜波的統(tǒng)計(jì)特性。該算子采用基于局部窗口處理的索引值計(jì)算方法，其假設(shè)背景雜波服從高斯分布，通過(guò)估計(jì)參考單元的均值和方差來(lái)確定索引值。計(jì)算復(fù)雜、時(shí)間效率較低，并且所選用的經(jīng)驗(yàn)統(tǒng) 計(jì)模型不適用于非均勻數(shù)據(jù)。(2)文獻(xiàn)[6]采用的基于目標(biāo)置信度的全局閾值預(yù)分割算法未考慮數(shù)據(jù)的統(tǒng)計(jì)特性，其性能僅依賴于目標(biāo)置信度，即目標(biāo)像素個(gè)數(shù)與圖像總像素個(gè)數(shù)之比，因而算法的性能對(duì)該參數(shù)的取值比較敏感?，F(xiàn)有技術(shù)二的技術(shù)方案一部分研究者將更能精確反映背景雜波統(tǒng)計(jì)特性的統(tǒng)計(jì)模型引入CFAR算子，以提高算法在復(fù)雜場(chǎng)景下的目標(biāo)檢測(cè)能力。其中，K-分布是一種符合SAR散射機(jī)理的復(fù)合高斯模型(參見(jiàn)文獻(xiàn)[7]E. Jakeman and P. N. Pusey, “A model for non-Rayleighsea echo, ” IEEE Trans. Antennas Propagat. , Vol. AP-24, 1976, pp. 806-814.以及文獻(xiàn)[8]郝程鵬，侯朝煥，一種K-分布雜波背景下的雙參數(shù)恒虛警檢測(cè)器[J]，電子與信息學(xué)報(bào)，Vol. 29，No. 3，2007，pp. 756-759.)，其因具有對(duì)海雜波、林地、農(nóng)田等非均勻數(shù)據(jù)建模的能力而較受關(guān)注；另一方面，Gtl分布(參見(jiàn)文獻(xiàn)[9]A. C. Frery, H. J. Muller, C.C. F. Yanasse, and S. J. S. SantJ Anna, “A model forextremely heterogeneousclutter, ” IEEE Trans. Geosci. Remote Sens. , Vol. 35, No. 3, Mayl997, pp. 648-659.)具有對(duì)廣泛均勻度變化下的雜波區(qū)域建模的能力，較強(qiáng)的模型兼容性且參數(shù)計(jì)算簡(jiǎn)單。如圖I中框②所示，文獻(xiàn)[6]將該統(tǒng)計(jì)模型應(yīng)用于CFAR算子，綜合利用該模型適用于對(duì)均均、非均勻和極度非均勻場(chǎng)景數(shù)據(jù)建模的特性，來(lái)保證算法處理復(fù)雜場(chǎng)景數(shù)據(jù)的能力?，F(xiàn)有技術(shù)二的缺點(diǎn)盡管K-分布是在CFAR算子研究方面應(yīng)用較為廣泛的統(tǒng)計(jì)模型，但是隨著SAR圖像分辨率的提高和內(nèi)容復(fù)雜性的增加，這類算法仍存在如下缺點(diǎn)(I)K-分布不適用于對(duì)高分辨率SAR圖像中的城區(qū)、近海岸海域或高海情的開(kāi)放海域等極度非均勻區(qū)域建模。圖2和圖3分別以從3m-分辨率、大場(chǎng)景SAR圖像中截取的感興趣的海域和近海岸城區(qū)(ROI)為測(cè)試數(shù)據(jù)，對(duì)比了 K-分布與G°分布幅度模型(即W分布)的建模結(jié)果?？梢钥闯?，^分布對(duì)于此兩組數(shù)據(jù)的建模結(jié)果均在一定程度上優(yōu)于K-分布，尤其對(duì)于近海岸城區(qū)等極度非均勻數(shù)據(jù)，K-分布的性能急劇下降，而G〗分布仍能得到較好的擬合結(jié)果。(2)相比與G°分布，K-分布的統(tǒng)計(jì)參數(shù)和局部CFAR閾值的計(jì)算均比較復(fù)雜。
現(xiàn)有技術(shù)三的技術(shù)方案為了滿足實(shí)時(shí)自動(dòng)目標(biāo)識(shí)別(Automatic Target Recognition, ATR)系統(tǒng)以及處理大場(chǎng)景數(shù)據(jù)的需求，提高CFAR算子的時(shí)間效率是另一個(gè)亟待解決的問(wèn)題。但是，目前在該方面的研究仍處于初級(jí)階段，最簡(jiǎn)單的加速方法是設(shè)置較大的滑動(dòng)窗口掃描步長(zhǎng)(參見(jiàn)文獻(xiàn)[10] C. H. Jung, W. Y. Song, S. H. Rho, et al. , “Double-step fast CFAR scheme formultiple target detectionin high resolution SAR images, ^IEEE, 2010, pp. 1172-1175.);文獻(xiàn)[6]提出一種G°分布統(tǒng)計(jì)參數(shù)快速估計(jì)策略?？紤]如圖4所示的雙參數(shù)滑動(dòng)窗口，其中h為滑動(dòng)窗口的尺寸，r表示背景窗口的寬度，保護(hù)窗口的尺寸為h-2r。結(jié)合CFAR算子的左右(或上下)兩個(gè)相鄰窗口具有大多數(shù)參考單元相同，僅背景窗口和保護(hù)窗口邊界處h+(h-2r)個(gè)參考單元不同的特點(diǎn)，以從左至右的掃描方法為例，可根據(jù)如圖5所示的策略，避免一些重復(fù)運(yùn)算，提高算法的時(shí)間性能。
權(quán)利要求
1.一種基于積分圖像的快速acca-cfar SAR圖像目標(biāo)檢測(cè)方法，其特征在于，該方法具體如下 (1)結(jié)合數(shù)據(jù)的統(tǒng)計(jì)特性，利用基于G°分布的自適應(yīng)全局閾值CFAR預(yù)分割算法生成目標(biāo)索引矩陣； (2)采用基于積分圖像的G°分布統(tǒng)計(jì)參數(shù)快速估計(jì)方法，其中，求得原圖像的2-階、4-階積分圖像之后，即可通過(guò)簡(jiǎn)單的加、減等運(yùn)算求得統(tǒng)計(jì)參數(shù)； (3)通過(guò)基于積分圖像的快速ACCA-CFAR算法，實(shí)現(xiàn)SAR圖像目標(biāo)檢測(cè)。
2.根據(jù)權(quán)利要求I所述的一種基于積分圖像的快速ACCA-CFARSAR圖像目標(biāo)檢測(cè)方法，其特征在于所述的利用基于G°分布的自適應(yīng)全局閾值CFAR預(yù)分割算法生成目標(biāo)索引矩陣，具體步驟如下 步驟11 :設(shè)置恒虛警概率Pfa，將雙參數(shù)滑動(dòng)窗口擴(kuò)展至整幅圖像，并設(shè)置保護(hù)窗口的尺寸為O ; 步驟12 :將背景窗口中的參考單元用于G°分布幅度模型統(tǒng)計(jì)參數(shù)估計(jì)，
3.根據(jù)權(quán)利要求2所述的一種基于積分圖像的快速ACCA-CFARSAR圖像目標(biāo)檢測(cè)方法，其特征在于所述的采用基于積分圖像的G°分布統(tǒng)計(jì)參數(shù)快速估計(jì)方法，其具體步驟如下 步驟21 :通過(guò)反復(fù)執(zhí)行如下兩組運(yùn)算，掃描一遍原圖像i(x，y)的m-階圖像im(x，y)，生成其m-階積分圖像iim(x, y), s (x, y) = s (x, y-1) +im (x, y)(9) iim(x, y) = iim(x-l, y)+s(x, y)(10) m 式中，(x, y)表示當(dāng)前像素點(diǎn)的坐標(biāo)位置
4.根據(jù)權(quán)利要求I至3任一項(xiàng)所述的一種基于積分圖像的快速ACCA-CFARSAR圖像目標(biāo)檢測(cè)方法，其特征在于所述的通過(guò)基于積分圖像的快速ACCA-CFAR算法，實(shí)現(xiàn)SAR圖像目標(biāo)檢測(cè)，其具體實(shí)現(xiàn)步驟如下 步驟301 :采用基于G°分布的全局閾值CFAR算法進(jìn)行目標(biāo)預(yù)分割，生成目標(biāo)索引矩陣；為了便于后續(xù)運(yùn)算，對(duì)該索引矩陣取反，得到背景像素索引矩陣，其中背景點(diǎn)為1，目標(biāo)點(diǎn)為0，用于標(biāo)記出所有候選背景像素； 步驟302 :通過(guò)將背景像素索引矩陣與原圖像點(diǎn)乘，去除候選目標(biāo)像素的干擾，得到背景雜波圖像，即與原圖像等尺寸的保留背景像素值，目標(biāo)像素值置零的圖像； 步驟303 :計(jì)算背景雜波圖像的m-階積分圖像； 步驟304 :設(shè)置恒虛警概率和滑動(dòng)窗口參數(shù)，其中保護(hù)窗口的尺寸應(yīng)該大于待檢測(cè)目標(biāo)的尺寸，滑動(dòng)窗口尺寸應(yīng)該充分大以保證有足夠多的背景像素參與統(tǒng)計(jì)參數(shù)估計(jì)； 步驟305 :利用滑動(dòng)窗口逐像素掃描原圖像，并通過(guò)m-階積分圖像和背景像素索引矩陣，計(jì)算背景像素的m-階樣本矩； 步驟306 :利用背景像素的m-階樣本矩，采用MoM法估計(jì)G°分布的統(tǒng)計(jì)參數(shù)； 步驟307 :利用統(tǒng)計(jì)參數(shù)計(jì)算CA-CFAR局部閾值； 步驟308 :通過(guò)比較測(cè)試單元與局部閾值的大小，判定該單元是否為候選目標(biāo)像素，是為1，否則為0 ; 步驟309 :判斷是否繼續(xù)掃描，若未掃描完整幅圖像，則跳至步驟305，掃描下一個(gè)測(cè)試單元；否則，執(zhí)行下一步； 步驟310 :通過(guò)后續(xù)處理去除虛警，合并目標(biāo)像素區(qū)域，從而得到最終的目標(biāo)檢測(cè)結(jié)果。
5.根據(jù)權(quán)利要求4所述的一種基于積分圖像的快速ACCA-CFAR SAR圖像目標(biāo)檢測(cè)方法，其特征在于步驟310中所述的后續(xù)處理為計(jì)數(shù)濾波器、形態(tài)學(xué)處理或者目標(biāo)區(qū)域聚類。
全文摘要
本發(fā)明提出一種基于積分圖像的快速ACCA-CFAR SAR圖像目標(biāo)檢測(cè)方法，包括(1)結(jié)合數(shù)據(jù)的統(tǒng)計(jì)特性，提出一種基于G0分布的自適應(yīng)全局閾值CFAR預(yù)分割算法，用于生成目標(biāo)索引矩陣；(2)提出一種基于積分圖像的G0分布統(tǒng)計(jì)參數(shù)快速估計(jì)方法，在該方法實(shí)現(xiàn)過(guò)程中，一旦求得原圖像的2-階、4-階積分圖像，即可通過(guò)簡(jiǎn)單的加、減等運(yùn)算求得統(tǒng)計(jì)參數(shù)；(3)給出了該ACCA-CFAR目標(biāo)檢測(cè)算法的基本實(shí)現(xiàn)流程。本發(fā)明所提出的基于積分圖像的G0分布統(tǒng)計(jì)參數(shù)快速估計(jì)策略，可大大提高算法的時(shí)間效率，并使得算法的時(shí)間復(fù)雜度與滑動(dòng)窗口的尺寸無(wú)關(guān)，能在很大程度上滿足現(xiàn)代自動(dòng)目標(biāo)識(shí)別(ATR)系統(tǒng)處理大場(chǎng)景數(shù)據(jù)的需求。
文檔編號(hào)G06T7/00GK102968799SQ20121053698
公開(kāi)日2013年3月13日 申請(qǐng)日期2012年12月12日 優(yōu)先權(quán)日2012年12月12日
發(fā)明者顧丹丹, 許小劍, 張秀玲 申請(qǐng)人:北京航空航天大學(xué)