本發(fā)明涉及雷達(dá)圖像處理技術(shù)領(lǐng)域，具體是一種基于區(qū)域分割和全局迭代檢查的sar圖像海面船只自適應(yīng)檢測方法。

背景技術(shù)：

船只目標(biāo)檢測是世界各海岸帶國家的傳統(tǒng)任務(wù)，在維護(hù)國家海洋權(quán)益、保護(hù)海洋環(huán)境、海上交通管理和海上執(zhí)法監(jiān)察等多方面有著廣泛的應(yīng)用。合成孔徑雷達(dá)(syntheticapertureradar,sar)因其全天時、全天候、大范圍、高分辨率、長期連續(xù)觀測的優(yōu)點(diǎn)，在海洋船只探測方面具有得天獨(dú)厚的優(yōu)勢，sar圖像船只檢測也得到了國內(nèi)外的廣泛重視。近年來，隨著sar遙感技術(shù)的發(fā)展和大量sar衛(wèi)星的發(fā)射，利用sar圖像進(jìn)行海面船只探測已成為海洋遙感應(yīng)用的研究熱點(diǎn)。

目前，sar圖像船只檢測方法大致可分為兩類，即對運(yùn)動船只尾跡的檢測和對船只本體的檢測。

其中，對船只尾跡的檢測，主要是通過hough變換、radon變換等圖像處理的手段，在sar圖像上搜索由船舶直接產(chǎn)生的表面波尾跡，由船體排水和螺旋槳噴射造成的湍流尾跡，以及船舶在一定的層化條件下產(chǎn)生的內(nèi)波尾跡。這類方法的主要缺陷在于，不僅無法對靜止或緩慢運(yùn)動的船只進(jìn)行檢測，而且運(yùn)動船只的尾跡也并不穩(wěn)定，常常會受到艦船速度和海面海況等因素的影響，在部分sar傳感器的圖像上甚至無法觀測到尾跡。尾跡的存在能夠確證船只的存在，而沒有尾跡并不代表沒有船。因此，目前船只檢測方法仍以對船只本體的檢測為主。

對船只本體的檢測主要是利用船只與海面背景的散射強(qiáng)度差異，即船-海對比度差異來實(shí)現(xiàn)的。根據(jù)sar成像機(jī)理，在對船只成像時，船體與海洋表面、船體局部結(jié)構(gòu)都會構(gòu)成角反射器，對雷達(dá)波產(chǎn)生極強(qiáng)的后向散射，在sar圖像上表現(xiàn)為由幾個乃至數(shù)十個像素構(gòu)成的高亮目標(biāo)。作為背景的海洋表面，在海面比較平靜(風(fēng)速小于2m/s)時，海面對雷達(dá)波束表現(xiàn)為鏡面反射，后向散射回波較弱，sar圖像上的海洋背景很暗；在海風(fēng)比較強(qiáng)烈的情況下，海面發(fā)生bragg共振散射，回波信號較強(qiáng)，sar圖像上的海洋背景偏亮。但是在上述兩種情況下，艦船后向散射回波均遠(yuǎn)強(qiáng)于海洋背景回波。因此在sar圖像上直接檢測艦船目標(biāo)，其本質(zhì)是在存在雜波和噪聲干擾的暗背景中檢測高亮目標(biāo)。在實(shí)際應(yīng)用中，受復(fù)雜海洋環(huán)境和船只結(jié)構(gòu)的影響，sar圖像上存在大量非均質(zhì)海洋區(qū)域，中小型船只受到非均質(zhì)區(qū)域的海雜波影響，船-海對比度被削弱，檢測性能受到 影響。此外，港口、航道、海上漁場等區(qū)域存在多目標(biāo)環(huán)境，大量不同尺寸的船只聚集在小區(qū)域內(nèi)，部分中小型船只在檢測時受到附近的大型船只回波及其副瓣影響，檢測參數(shù)被抬高，造成漏檢，影響船只檢測概率。

現(xiàn)有sar圖像船只檢測方法主要包括如下算法：基于全局閾值的分割算法，基于滑動窗口的自適應(yīng)閾值方法，基于雷達(dá)恒虛警的cfar檢測算法，基于模板的閾值檢測算法，以及基于子孔徑處理的檢測算法。

其中，全局閾值算法通過設(shè)置一個固定的全局閾值來對圖像進(jìn)行分割，將所有高于所設(shè)閾值的像素作為艦船目標(biāo)。其優(yōu)點(diǎn)在于閾值計(jì)算簡單，運(yùn)算復(fù)雜度低，對多目標(biāo)環(huán)境有較好的檢測性能；其缺點(diǎn)在于該算法無法根據(jù)圖像中局部區(qū)域變化和雷達(dá)入射角變化自動調(diào)整閾值，在非均質(zhì)sar圖像的檢測結(jié)果中引入大量的漏檢和虛警。

基于滑窗的自適應(yīng)閾值檢測算法針對非均質(zhì)sar圖像，利用窗口濾波技術(shù)對船只進(jìn)行檢測，所選取的檢測閾值能夠更好的符合檢測局部區(qū)域的統(tǒng)計(jì)特性。但這個算法在sar圖像斑噪較多，海面風(fēng)浪較大時，或多目標(biāo)環(huán)境下，會產(chǎn)生大量虛警，影響檢測性能。

恒虛警(cfar)檢測方法是在在保證虛警率為常數(shù)的同時，根據(jù)虛警率和sar圖像海洋雜波的統(tǒng)計(jì)特性(即海洋雜波的概率密度函數(shù))計(jì)算得到檢測艦船目標(biāo)的閾值。其核心思想在于海雜波模型的選擇和模型參數(shù)的估計(jì)。根據(jù)用于模型參數(shù)估計(jì)的樣本，cfar檢測器又進(jìn)一步分為全局閾值cfar檢測器和二維滑窗cfar檢測器。前者假設(shè)整個待檢測海洋區(qū)域?yàn)闈M足給定分布模型的均質(zhì)區(qū)域，通過標(biāo)準(zhǔn)的cfar算法計(jì)算檢測閾值。后者則構(gòu)建由檢測區(qū)域、警戒區(qū)域和背景區(qū)域組成的復(fù)合滑動窗口，假設(shè)檢測區(qū)域鄰域內(nèi)的海雜波滿足給定的雜波模型，通過環(huán)形背景窗口中的樣本估計(jì)雜波模型參數(shù)，并計(jì)算檢測閾值。由于檢測區(qū)域內(nèi)船只像素?cái)?shù)量遠(yuǎn)少于海雜波背景像素?cái)?shù)量，且采用的雜波模型多為長拖尾型模型，全局閾值cfar檢測器受多目標(biāo)環(huán)境的影響較小，但對非均質(zhì)檢測區(qū)域，該方法將在檢測結(jié)果中引入大量的漏檢和虛警。與全局閾值cfar檢測器相比，滑窗cfar檢測器具有更好的穩(wěn)健性。但在復(fù)合滑窗的參考區(qū)域存在非均質(zhì)區(qū)域邊界和多目標(biāo)環(huán)境時，其檢測性能甚至比全局閾值cfar檢測器更差。此外，對海雜波不滿足預(yù)設(shè)雜波分布模型的情況，全局閾值cfar檢測器和滑窗cfar檢測器的檢測性能都將明顯下降，在檢測結(jié)果中會產(chǎn)生大量虛警和漏檢。

基于模板的檢測算法，是根據(jù)特定傳感器sar圖像和待檢測區(qū)域船只特性的先驗(yàn)知識，設(shè)計(jì)一組檢測閾值模板進(jìn)行檢測。該方法不僅考慮了艦船本身的強(qiáng)度信息，同時還將其周圍像素的強(qiáng)度信息也作為檢測依據(jù)的一部分，希望通過引入周圍像素的信息提高檢測的準(zhǔn)確性。其主要缺點(diǎn)在于檢測算法不僅需要大量數(shù) 據(jù)和長時間觀測來積累先驗(yàn)知識，還僅適用于特定傳感器的數(shù)據(jù)，無法廣泛應(yīng)用于不同傳感器的數(shù)據(jù)。此外，該方法同樣會受到非均質(zhì)雜波區(qū)域邊界和多目標(biāo)環(huán)境的影響，在檢測結(jié)果中引入虛警和漏檢。

基于子孔徑處理的檢測算法，通過子帶分解，將sar復(fù)圖像分解為分辨率較低的多個子孔徑圖像，利用船只和海雜波在不同孔徑間相關(guān)性的差異提高船-海對比度，能夠在高海況情況下檢測船只，對非均質(zhì)sar圖像具有一定的抑制作用。但該方法是以犧牲分辨率為代價的，因此，在多目標(biāo)場景下，距離較近的船只可能會被誤判為同一目標(biāo)。此外，中小船只也會由于分辨率降低產(chǎn)生漏檢。

綜上所述，現(xiàn)有各類船只檢測算法仍受多種因素制約，特別是由于雷達(dá)成像入射角變化和觀測區(qū)域海況等因素造成的非均質(zhì)sar圖像影響，使得船-海對比度下降，檢測閾值估計(jì)錯誤，檢測過程中出現(xiàn)漏檢、虛警的概率較高。此外，對于港口、航道、海上漁場等船只密集的區(qū)域，由于海雜波背景樣本中混入了船只樣本，容易使得雜波統(tǒng)計(jì)參數(shù)估計(jì)出現(xiàn)偏差，影響目標(biāo)檢測的閾值，造成部分船只漏檢，對于漁場和港口區(qū)域的中小型船只，這一問題尤為嚴(yán)重。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種基于全局迭代檢查的sar圖像自適應(yīng)船只檢測方法，該方法不僅能夠改善多目標(biāo)環(huán)境導(dǎo)致的漏檢和虛警，而且對均質(zhì)和非均質(zhì)sar圖像均具有穩(wěn)健的檢測能力和較高的運(yùn)算效率。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：一種基于全局迭代檢查的sar圖像自適應(yīng)船只檢測方法，包含如下步驟：

步驟1：根據(jù)經(jīng)緯度坐標(biāo)將地理信息數(shù)據(jù)與sar圖像i配準(zhǔn)后疊加，保留海洋區(qū)域內(nèi)的像素值，將其它區(qū)域內(nèi)的像素值置為-1，得到僅保留海洋區(qū)域的sar圖像imask用于船只檢測；

步驟2：利用lficm分割算法通過sar圖像海洋區(qū)域像素的數(shù)值和位置將imask中的海洋區(qū)域分割為多個均質(zhì)子區(qū)域，為避免分割過程中產(chǎn)生的小區(qū)域影響，利用形態(tài)學(xué)閉操作將面積過小的區(qū)域剔除；

步驟3：逐子區(qū)域進(jìn)行全局迭代檢查(gic)和自適應(yīng)雜波模型選擇；對每個子區(qū)域，迭代進(jìn)行基于aic準(zhǔn)則的最優(yōu)雜波模型選擇、全局閾值cfar檢測和當(dāng)前區(qū)域的船只目標(biāo)候選圖像更新，直到當(dāng)前區(qū)域的船只目標(biāo)候選圖像不發(fā)生改變；對下一個區(qū)域重復(fù)上述操作；遍歷所有均質(zhì)子區(qū)域，最終得到候選船只二值圖像；

步驟4：對候選船只目標(biāo)二值圖像中的每個像素進(jìn)行辨識，利用二維滑窗cfar檢測器計(jì)算當(dāng)前候選船只像素對應(yīng)的局部檢測閾值，若候選船只像素值小 于檢測閾值，則將其在候選船只二值圖像中設(shè)置為背景像素；遍歷所有候選像素后，得到最終的船只檢測結(jié)果二值圖像。

步驟2所述的基于flicm的sar圖像均質(zhì)區(qū)域分割和形態(tài)學(xué)處理，按如下步驟進(jìn)行：

2a)根據(jù)sar圖像海洋區(qū)域的海況特性，設(shè)置初始聚類數(shù)量c、模糊度因子m、迭代終止誤差ε和局部鄰域窗口尺寸wflicm；

2b)利用隨機(jī)數(shù)初始化海洋區(qū)域所有像素的隸屬度矩陣u；其中，u＝[uki]^c×k(k＝1,...,c；i＝1,...,n)為c×n矩陣，n為imask中海洋區(qū)域像素總數(shù)，即imask中像素值不等于-1的值；

2c)初始化計(jì)算聚類中心：

其中，vk(k＝1,...,c)為第k個聚類的類別中心；xi(i＝1,...,n)為海洋區(qū)域內(nèi)的第i個像素；

2d)更新海洋區(qū)域所有像素的隸屬度矩陣

其中，gki(k＝1,...,c；i＝1,...,n)為由局部位置信息決定的xi屬于第k個聚類的隸屬度因子，由下式計(jì)算

其中，ni為像素xi在sar圖像中的wflicm×wflicm去心鄰域(即不含中心像素的wflicm×wflicm方窗)，xh為該鄰域中第h個像素點(diǎn)；為xh和xi之間的歐式距離，(pi,qi)和(ph,qh)分別為xi和xh在圖像中的坐標(biāo)；

2e)計(jì)算隸屬度矩陣的改變值δ＝||unew-u||，其中||·||為矩陣2-范數(shù)運(yùn)算；若δ≤ε則終止迭代，執(zhí)行2f)；否則令b＝b+1，u＝unew，回到2c)繼續(xù)迭代；

2f)建立與imask等大的圖像矩陣iseg，將其中所有像素值置為-1；對像素 xi(pi,qi)，令其所屬的均質(zhì)子區(qū)域類別將iseg中坐標(biāo)為(pi,qi)的像素值置為k；遍歷海洋區(qū)域的所有像素，即得到海洋區(qū)域的粗分割圖像iseg；

2g)對粗分割圖像iseg先后應(yīng)用5×5的形態(tài)學(xué)膨脹濾波和腐蝕濾波，實(shí)現(xiàn)對小區(qū)域的抑制，從而得到海洋區(qū)域的均質(zhì)子區(qū)域劃分圖像其中代表c個子區(qū)域的并集運(yùn)算，vk代表中第k個子區(qū)域像素構(gòu)成的集合，vland為圖像中值為-1的像素集合，對應(yīng)于imask中陸地區(qū)域像素的集合。

步驟3所述的基于gic的子區(qū)域候選船只目標(biāo)檢測與自適應(yīng)分布模型選擇，按如下步驟進(jìn)行：

3a)定義與imask等大的二值檢測結(jié)果圖像和將和中所有像素初始化為0；定義與各子區(qū)域?qū)?yīng)的雜波模型數(shù)組m(k),k＝1,...,c；設(shè)置全局檢測虛警概率

3b)對中的第k個子區(qū)域vk，提取其所有像素的圖像坐標(biāo)

其中，是中坐標(biāo)為(pi,qi)的像素；根據(jù)坐標(biāo)集合scoord，提取中對應(yīng)位置的像素值，得到像素值集合

在scoord集合中剔除符合條件xdet(pi,qi)＝1的坐標(biāo)序列，得到檢查后的圖像坐標(biāo)集合滿足

根據(jù)集合提取imask中對應(yīng)位置的像素，構(gòu)建模型估計(jì)樣本集滿足

其中，mk為集合中的元素?cái)?shù)量；

3c)利用aic準(zhǔn)則從高斯分布、瑞利分布、gamma分布、k分布、weibull分布和g0分布六個常用分布中選擇具有最小熵值的模型刻畫當(dāng)前子區(qū)域的海雜波分布；將集合中像素值劃分為ξ個等級，用yj,j＝1,...,ξ表征第j個等級，且有y1＜y2＜…＜yξ，則可定義aic檢驗(yàn)為

其中，∏(·)為連乘符號；fmodel(yj)為高斯分布、瑞利分布、gamma分布、k分布、weibull分布和g0分布六個常用分布中，由model表征的雜波概率密度函數(shù)，ofp為雜波概率密度函數(shù)的參數(shù)數(shù)量；

選取使得e(model)值最小的模型作為當(dāng)前區(qū)域的最優(yōu)分布模型，并記錄模型參數(shù)的估計(jì)值，用于對區(qū)域內(nèi)目標(biāo)進(jìn)行檢測；

3d)利用cfar算法計(jì)算子區(qū)域vk的全局檢測閾值

其中，t為利用黃金分割搜索算法得到的子區(qū)域vk的全局檢測閾值；

3e)將檢測閾值t與子區(qū)域vk內(nèi)所有像素值進(jìn)行比較，對于像素值大于t的情況，將圖像中對應(yīng)位置的像素值置為1；

3f)比較與圖像的差異，若兩圖像存在差異，則令將中子區(qū)域vk內(nèi)像素值置0，重復(fù)步驟3b-3e，直到與無差異，并將當(dāng)前區(qū)域的雜波模型記入雜波模型數(shù)組第k個元素m(k)中；

3g)對下一子區(qū)域重復(fù)3b-3f步驟，直到遍歷中的所有均質(zhì)子區(qū)域；輸出gic檢測結(jié)果二值圖像和各子區(qū)域雜波模型數(shù)組m(k),k＝1,...,c。

步驟4所述的基于二維滑窗cfar檢測器的候選船只像素辨識，按如下步驟進(jìn)行：

4a)根據(jù)檢測海域內(nèi)船只尺寸和區(qū)域特性，分別設(shè)置二維滑窗cfar檢測器的參考窗口尺寸rref、警戒窗口尺寸rg，設(shè)置檢測窗口尺寸為單像素，定義辨識虛警率為和最小參考單元數(shù)nref；二維滑窗cfar檢測器的結(jié)構(gòu)如圖1所示。

4b)將二維滑窗cfar檢測器應(yīng)用于imask圖像；

對imask圖像中的像素xmask(p0,q0)，將滑窗cfar檢測器的檢測單元置于xmask(p0,q0)所在位置；于是，環(huán)形保護(hù)區(qū)域和環(huán)形參考區(qū)域覆蓋在xmask(p0,q0)的rref×rref鄰域中；若其在二值圖像中對應(yīng)位置的像素xdet(p0,q0)＝1，則提取imask圖像中位于xmask(p0,q0)鄰域參考區(qū)域內(nèi)的像素xmask(pj,qj)，其中分別在和中提取對應(yīng)位置像素值xdet(pj,qj)和xseg(pj,qj)，建立參考區(qū)域像素集合sref

sref＝{(xmask(pj,qj),xdet(pj,qj),xseg(pj,qj))}(10)

在集合中，取滿足xdet(pj,qj)＝0的集合元素建立模型參數(shù)估計(jì)樣本集合sest

sest＝{(xmask(pj,qj),xdet(pj,qj),xseg(pj,qj))|xdet(pj,qj)＝0}(11)

根據(jù)xseg(pj,qj)對應(yīng)均質(zhì)區(qū)域，將sest劃分為clocal個子集(clocal≤c)

其中，ci∈[1,c]為子集中元素對應(yīng)的均質(zhì)子區(qū)域編號，i＝1,...,clocal。令表征子集中元素?cái)?shù)量，表示子集中xmask(pj,qj)的均值，則具有最大xmask(pj,qj)均值的子集定義為

若則使用對應(yīng)均質(zhì)子區(qū)域的雜波模型m(cmax)，并利用集合中的xmask(pj,qj)元素估計(jì)雜波模型參數(shù)，得到對應(yīng)的雜波概率密度函數(shù)否則，使用中心像素所在區(qū)域c0的雜波模型m(c0)，利用sest中所有樣本估計(jì)雜波模型參數(shù)，得到對應(yīng)的雜波概率密度函數(shù)

利用下式判斷其對應(yīng)的虛警概率

若則將圖像中的xdet(p0,q0)置為0；

4c)按上述步驟，遍歷imask圖像的所有像素，將辨識后的圖像輸出，即可得到最終檢測結(jié)果二值圖像

本發(fā)明與現(xiàn)有sar船只檢測技術(shù)相比，其顯著優(yōu)點(diǎn)為：

(1)本發(fā)明提供了對均質(zhì)和非均質(zhì)sar圖像以及港口、航道、海上漁場等多目標(biāo)環(huán)境提供了一種穩(wěn)健可靠的檢測方法，在各種情況下均具有高的檢測概率和較低的虛警概率，且在各種情況下的檢測性能穩(wěn)?。?/p>

(2)本發(fā)明提供了一個對非均質(zhì)sar圖像雜波模型的自適應(yīng)選擇策略，避免了由于預(yù)先設(shè)定單一雜波模型造成的檢測性能下降；

(3)本發(fā)明可廣泛應(yīng)用于不同傳感器、不同工作模式和不同分辨率的sar數(shù)據(jù)，具有良好的普適性；

(4)本發(fā)明具有計(jì)算復(fù)雜度低、處理速度快的特點(diǎn)，能對大幅寬的海量sar數(shù)據(jù)進(jìn)行快速船只檢測處理。

附圖說明

圖1是二維滑窗cfar檢測器結(jié)構(gòu)示意圖。

圖2是自適應(yīng)船只檢測算法總體流程圖。

圖3是均質(zhì)海洋區(qū)域劃分流程圖。

圖4是單子區(qū)域迭代檢查處理流程圖。

圖5是基于最優(yōu)海雜波分布模型的單子區(qū)域候選目標(biāo)辨識處理流程圖。

圖6是實(shí)驗(yàn)所用sar圖像。

圖7為圖6經(jīng)過地理信息數(shù)據(jù)提取海洋區(qū)域的結(jié)果。

圖8為均質(zhì)區(qū)域劃分結(jié)果。

圖9為圖7中紅色方框內(nèi)區(qū)域圖像，以及本發(fā)明、二維滑窗k-cfar檢測器和omwk-cfar檢測方法對其檢測結(jié)果的比較。

具體實(shí)施方式

下面附圖對本發(fā)明作進(jìn)一步詳細(xì)說明。

一種基于全局迭代檢查的sar圖像自適應(yīng)船只檢測方法，由基于flicm的自適應(yīng)均質(zhì)區(qū)域劃分、基于gic的自適應(yīng)子區(qū)域雜波模型選擇和船只粗分割、以及基于二維滑窗恒虛警檢測器的船只目標(biāo)辨識等三個主要步驟構(gòu)成。

基于flicm的自適應(yīng)均質(zhì)區(qū)域劃分，首先通過地理信息數(shù)據(jù)將待檢測的海洋區(qū)域從輸入的sar圖像中分割出來，利用flicm算法將海洋區(qū)域劃分為若干個均質(zhì)子區(qū)域，并利用形態(tài)學(xué)閉濾波剔除分割結(jié)果中的小區(qū)域。該處理最終輸出為均質(zhì)區(qū)域劃分圖像

基于gic的自適應(yīng)子區(qū)域雜波模型選擇和船只粗分割，通過遍歷待檢測區(qū)域的每個子區(qū)域?qū)崿F(xiàn)對各子區(qū)域的自適應(yīng)雜波模型選擇和船只粗分割。對待處理的當(dāng)前子區(qū)域，本發(fā)明通過gic方法，先利用aic準(zhǔn)則選擇本區(qū)域內(nèi)的最優(yōu)雜 波分布模型，再利用最優(yōu)雜波模型計(jì)算當(dāng)前區(qū)域的全局cfar檢測閾值，獲取當(dāng)前區(qū)域的船只粗分割結(jié)果，然后將被判定為船只像素的樣本數(shù)據(jù)從當(dāng)前區(qū)域的背景樣本中剔除后重復(fù)上述操作。直到當(dāng)前區(qū)域的檢測內(nèi)的不再發(fā)生變化。遍歷待檢測區(qū)域的每個子區(qū)域，最終輸出粗分割結(jié)果圖像和雜波模型數(shù)組m(k)。

基于二維滑窗cfar檢測器的船只目標(biāo)辨識，利用二維滑窗檢測器對粗分割結(jié)果圖像中標(biāo)記的檢測結(jié)果進(jìn)行辨識。在sar圖像中對標(biāo)記為目標(biāo)的每個像素應(yīng)用二維滑窗恒虛警檢測器，為避免多目標(biāo)環(huán)境的干擾，將參考區(qū)域中被標(biāo)記為船只像素的樣本剔除，根據(jù)背景區(qū)域中存在的均質(zhì)區(qū)域劃分情況選取適宜的雜波模型和背景樣本估計(jì)參數(shù)，計(jì)算辨識閾值，實(shí)現(xiàn)辨識。對中所用標(biāo)記過的像素辨識后，最終輸出檢測結(jié)果二值圖像

本發(fā)明采用如圖2所示的工作流程：

步驟1：根據(jù)經(jīng)緯度坐標(biāo)將地理信息數(shù)據(jù)與sar圖像i配準(zhǔn)后疊加，保留海洋區(qū)域內(nèi)的像素值，將其它區(qū)域內(nèi)的像素值置為-1，得到僅保留海洋區(qū)域的sar圖像imask用于船只檢測。

步驟2：采用如圖3所示流程，將imask中的海洋區(qū)域分割為多個均質(zhì)子區(qū)域。

2a)根據(jù)sar圖像海洋區(qū)域的海況特性，設(shè)置初始聚類數(shù)量c、模糊度因子m、迭代終止誤差ε和局部鄰域窗口尺寸wflicm。

2b)利用隨機(jī)數(shù)初始化海洋區(qū)域所有像素的隸屬度矩陣u。其中，u＝[uki]^c×k(k＝1,...,c；i＝1,...,n)為c×n矩陣，n為imask中海洋區(qū)域像素總數(shù)，即imask中像素值不等于-1的值。

2c)初始化計(jì)算聚類中心：

其中，vk(k＝1,...,c)為第k個聚類的類別中心；xi(i＝1,...,n)為海洋區(qū)域內(nèi)的第i個像素。

2d)更新海洋區(qū)域所有像素的隸屬度矩陣

其中，gki(k＝1,...,c；i＝1,...,n)為由局部位置信息決定的xi屬于第k個聚類的隸屬度因子，可由下式計(jì)算

其中，ni為像素xi在sar圖像中的wflicm×wflicm去心鄰域(即不含中心像素的wflicm×wflicm方窗)，xh為該鄰域中第h個像素點(diǎn)；為xh和xi之間的歐式距離，(pi,qi)和(ph,qh)分別為xi和xh在圖像中的坐標(biāo)。

2e)計(jì)算隸屬度矩陣的改變值δ＝||unew-u||，其中||·||為矩陣2-范數(shù)運(yùn)算。若δ≤ε則終止迭代，執(zhí)行2f)；否則令b＝b+1，u＝unew，回到2c)繼續(xù)迭代。

2f)建立與imask等大的圖像矩陣iseg，將其中所有像素值置為-1。對像素xi(pi,qi)，令其所屬的均質(zhì)子區(qū)域類別將iseg中坐標(biāo)為(pi,qi)的像素值置為k。遍歷海洋區(qū)域的所有像素，即可得到海洋區(qū)域的粗分割圖像iseg。

2g)對粗分割圖像iseg先后應(yīng)用5×5的形態(tài)學(xué)膨脹濾波和腐蝕濾波，實(shí)現(xiàn)對小區(qū)域的抑制，從而得到海洋區(qū)域的均質(zhì)子區(qū)域劃分圖像其中代表c個子區(qū)域的并集運(yùn)算，vk代表中第k個子區(qū)域像素構(gòu)成的集合，vland為圖像中值為-1的像素集合，對應(yīng)于imask中陸地區(qū)域像素的集合。

步驟3：采用如圖4所示流程，逐子區(qū)域進(jìn)行全局迭代檢查(gic)和自適應(yīng)雜波模型選擇。

3a)建立與imask等大的二值檢測結(jié)果圖像和將和中所有像素初始化為0。

3b)根據(jù)中均質(zhì)子區(qū)域劃分情況，初始化子區(qū)域處理變量k＝0，手動設(shè)置全局cfar檢測的虛警概率建立各子區(qū)域?qū)?yīng)的雜波模型數(shù)組m(k),k＝1,...,c。

3c)在中，提取第k個子區(qū)域vk所有像素的圖像坐標(biāo)

其中，是中坐標(biāo)為(pi,qi)的像素。根據(jù)坐標(biāo)集合scoord，提取中 對應(yīng)位置的像素值，得到像素值集合

在scoord集合中剔除符合條件xdet(pi,qi)＝1的坐標(biāo)序列，得到檢查后的圖像坐標(biāo)集合滿足

根據(jù)集合提取imask中對應(yīng)位置的像素，構(gòu)建模型估計(jì)樣本集滿足

其中，mk為集合中的元素?cái)?shù)量。

3d)利用aic準(zhǔn)則從高斯分布、瑞利分布、gamma分布、k分布、weibull分布和g0分布六個常用分布中選擇具有最小熵值的模型刻畫當(dāng)前子區(qū)域的海雜波分布。將集合中像素值劃分為ξ個等級，用yj,j＝1,...,ξ表征第j個等級，且有y1＜y2＜…＜yξ，則可定義aic檢驗(yàn)為

其中，∏(·)為連乘符號；fmodel(yj)為高斯分布、瑞利分布、gamma分布、k分布、weibull分布和g0分布六個常用分布中，由model表征的雜波概率密度函數(shù)，ofp為雜波概率密度函數(shù)的參數(shù)數(shù)量。

高斯分布的概率密度函數(shù)可定義為

其中，μ為集合中像素均值；σ²為集合中像素方差。

瑞利分布的概率密度函數(shù)定義為

其中，

gamma分布的概率密度函數(shù)定義為

其中，l為雷達(dá)視數(shù)，由雷達(dá)頭文件信息給出；γ(·)為gamma函數(shù)，v為形狀因子，可由下式求得

其中，γ'(x)為γ(·)的一階導(dǎo)數(shù)。

k分布的概率密度函數(shù)定義為

其中，γ為形狀因子，由下式求解得到：

kγ-l(·)為γ-l階第一類修正貝塞爾函數(shù)。

weibull分布的概率密度函數(shù)定義為

其中，b尺度參數(shù)，a為形狀參數(shù)，可由下式求得

g0分布的概率密度函數(shù)定義為

其中，α和λ參數(shù)可由下式解得：

選取使得e(model)值最小的模型作為當(dāng)前區(qū)域的最優(yōu)分布模型，并記錄模 型參數(shù)的估計(jì)值，用于對區(qū)域內(nèi)目標(biāo)進(jìn)行檢測。

3e)利用恒虛警算法計(jì)算子區(qū)域vk的全局檢測閾值

其中，t為利用黃金分割搜索算法得到的子區(qū)域vk的全局檢測閾值。

3f)將檢測閾值t與子區(qū)域vk內(nèi)所有像素值進(jìn)行比較，對于像素值大于t的情況，將圖像中對應(yīng)位置的像素值置為1。

3g)比較與圖像的差異，若兩圖像存在差異，則令將中子區(qū)域vk對應(yīng)像素值置0，重復(fù)步驟3c-3f，直到與無差異，并將當(dāng)前區(qū)域的雜波模型記入雜波模型數(shù)組第k個元素m(k)中。

3h)對下一子區(qū)域重復(fù)3c-3g步驟，直到遍歷中的所有均質(zhì)子區(qū)域。輸出gic檢測結(jié)果二值圖像和各子區(qū)域雜波模型數(shù)組m(k),k＝1,...,c。

步驟4：采用如圖5所示流程，利用二維滑窗cfar檢測器對候選船只目標(biāo)進(jìn)行辨識。

4a)根據(jù)檢測海域內(nèi)船只尺寸和區(qū)域特性，分別設(shè)置二維滑窗cfar檢測器的參考窗口尺寸rref、警戒窗口尺寸rg，設(shè)置檢測窗口尺寸為單像素，定義辨識虛警率為和最小參考單元數(shù)nref。二維滑窗cfar檢測器的結(jié)構(gòu)如圖1所示。

4b)將圖1所示的二維滑窗cfar檢測器應(yīng)用于imask圖像。

對imask圖像中的像素xmask(p0,q0)，將滑窗cfar檢測器的檢測單元置于xmask(p0,q0)所在位置。于是，圖1所示的環(huán)形保護(hù)區(qū)域和環(huán)形參考區(qū)域覆蓋在xmask(p0,q0)的rref×rref鄰域中。若其在二值圖像中對應(yīng)位置的像素xdet(p0,q0)＝1，則提取imask圖像中位于xmask(p0,q0)鄰域參考區(qū)域內(nèi)的像素xmask(pj,qj)，其中分別在和中提取對應(yīng)位置像素值xdet(pj,qj)和xseg(pj,qj)，建立參考區(qū)域像素集合sref

sref＝{(xmask(pj,qj),xdet(pj,qj),xseg(pj,qj))}(37)

在集合中，取滿足xdet(pj,qj)＝0的集合元素建立模型參數(shù)估計(jì)樣本集合sest

sest＝{(xmask(pj,qj),xdet(pj,qj),xseg(pj,qj))|xdet(pj,qj)＝0}(38)

根據(jù)xseg(pj,qj)對應(yīng)均質(zhì)區(qū)域，將sest劃分為clocal個子集(clocal≤c)

其中，ci∈[1,c]為子集中元素對應(yīng)的均質(zhì)子區(qū)域編號，i＝1,...,clocal。令表征子集中元素?cái)?shù)量，表示子集中xmask(pj,qj)的均值，則具有最大xmask(pj,qj)均值的子集可定義為

若則使用對應(yīng)均質(zhì)子區(qū)域的雜波模型m(cmax)，并利用集合中的xmask(pj,qj)元素估計(jì)雜波模型參數(shù)，得到對應(yīng)的雜波概率密度函數(shù)否則，使用中心像素所在區(qū)域c0的雜波模型m(c0)，利用sest中所有樣本估計(jì)雜波模型參數(shù)，得到對應(yīng)的雜波概率密度函數(shù)

利用下式判斷其對應(yīng)的虛警概率

若則將圖像中的xdet(p0,q0)置為0。

4c)按上述步驟，遍歷imask圖像的所有像素，將辨識后的圖像輸出，即可得到最終的檢測結(jié)果二值圖像

下面結(jié)合實(shí)施例對本發(fā)明做進(jìn)一步說明。

實(shí)施例1

本發(fā)明是一種基于全局迭代檢查的sar圖像自適應(yīng)船只檢測方法，主要涉及對港口、航道、漁場等區(qū)域海面上船只目標(biāo)的檢測，具體實(shí)施是通過圖2所示步驟實(shí)現(xiàn)的：

步驟1：基于地理信息數(shù)據(jù)的海面區(qū)域sar圖像提取。

對輸入的待檢測sar圖像i，利用數(shù)據(jù)頭文件中的經(jīng)緯度坐標(biāo)，將sar圖像i與地理信息數(shù)據(jù)庫中的海陸數(shù)據(jù)配準(zhǔn)疊加。保留海洋區(qū)域內(nèi)的像素值，將其它區(qū)域內(nèi)的sar圖像像素值置為-1，，得到僅保留海洋區(qū)域的sar圖像imask。

步驟2：按照圖3所示的處理流程，利用flicm算法和形態(tài)學(xué)濾波，將imask圖像中的海洋區(qū)域劃分為若干個均質(zhì)子區(qū)域。

2a)根據(jù)輸入海洋區(qū)域sar圖像imask＝{xi|i＝1,...,n}的海況特性，手動設(shè)置初始聚類數(shù)量c、模糊度因子m、迭代終止誤差ε和局部鄰域窗口尺寸wflicm。

2b)利用隨機(jī)數(shù)初始化海洋區(qū)域所有像素的c×n維隸屬度矩陣u＝[uki]^c×k。

2c)根據(jù)隸屬度矩陣u利用公式(16)計(jì)算聚類中心vk(k＝1,...,c)。

2d)根據(jù)聚類中心vk(k＝1,...,c)，利用公式(17)計(jì)算由wflicm×wflicm去心鄰域內(nèi)局部位置信息決定的隸屬度因子矩陣g＝[gki]^c×n，然后利用公式(17)更新海洋區(qū)域所有像素的隸屬度矩陣

2e)計(jì)算隸屬度矩陣的改變值δ＝||unew-u||。若δ≤ε則終止迭代，執(zhí)行2f)；否則令b＝b+1，u＝unew，回到2c)繼續(xù)迭代。

2f)建立與imask等大的圖像矩陣iseg，將其中所有像素值置為-1。對像素xi(pi,qi)，令其所屬的均質(zhì)子區(qū)域類別將iseg中坐標(biāo)為(pi,qi)的像素值置為k。遍歷海洋區(qū)域的所有像素，即可得到海洋區(qū)域的粗分割圖像iseg。

2g)對粗分割圖像iseg先后應(yīng)用5×5的形態(tài)學(xué)膨脹濾波和腐蝕濾波，實(shí)現(xiàn)對小區(qū)域的抑制，從而得到海洋區(qū)域的均質(zhì)子區(qū)域劃分圖像其中代表c個子區(qū)域的并集運(yùn)算，vk代表中第k個子區(qū)域像素構(gòu)成的集合，vland為圖像中值為-1的像素集合，對應(yīng)于imask中陸地區(qū)域像素的集合。

步驟4：按照圖4所述處理流程，逐子區(qū)域進(jìn)行全局迭代檢查(gic)和自適應(yīng)雜波模型選擇。

3a)建立與imask等大的二值檢測結(jié)果圖像和將兩幅圖像的所有像素初始化為0。

3b)根據(jù)中均質(zhì)子區(qū)域劃分情況，初始化子區(qū)域處理變量k＝0，手動設(shè)置全局cfar檢測的虛警概率建立各子區(qū)域?qū)?yīng)的雜波模型數(shù)組m(k),k＝1,...,c。

3c)按照公式(19)-(22)，提取imask中像素，構(gòu)建模型估計(jì)樣本集

3d)根據(jù)公式(23)-(35)，利用aic準(zhǔn)則從高斯分布、瑞利分布、gamma分布、k分布、weibull分布和g0分布六個常用分布中選擇具有最小熵值的模型刻畫當(dāng)前子區(qū)域的海雜波分布。

3e)根據(jù)公式(36)，利用黃金分割搜索算法，得到子區(qū)域vk的全局檢測閾值t。

3f)將檢測閾值t與子區(qū)域vk內(nèi)所有像素值進(jìn)行比較，對于像素值大于t的情況，將圖像中對應(yīng)位置的像素值置為1。

3g)比較與圖像的差異，若兩圖像存在差異，則令將中子區(qū)域vk對應(yīng)像素值置0，重復(fù)步驟3b-3e，直到與無差異，并將當(dāng)前區(qū)域的雜波模型記入雜波模型數(shù)組的元素m(k)中。

3h)對下一子區(qū)域重復(fù)3b-3f步驟，直到遍歷中的所有均質(zhì)子區(qū)域。輸出gic檢測結(jié)果二值圖像和各子區(qū)域雜波模型數(shù)組m(k),k＝1,...,c。

步驟4：采用如圖5所示流程，利用二維滑窗cfar檢測器對候選船只目標(biāo)進(jìn)行辨識。

4a)根據(jù)檢測海域內(nèi)船只尺寸和區(qū)域特性，分別設(shè)置二維滑窗cfar檢測器的參考窗口尺寸rref、警戒窗口尺寸rg，設(shè)置檢測窗口尺寸為單像素，定義辨識虛警率為和最小參考單元數(shù)nref。二維滑窗cfar檢測器的結(jié)構(gòu)如圖1所示。

4b)對imask圖像中的像素xmask(p0,q0)，將滑窗檢測器的檢測單元置于xmask(p0,q0)所在位置。于是，圖1所示的環(huán)形保護(hù)區(qū)域和環(huán)形參 考區(qū)域覆蓋在xmask(p0,q0)的rref×rref鄰域中。若其在二值圖像中對應(yīng)位置的像素xdet(p0,q0)＝1，則根據(jù)公式(37)-(38)，建立模型參數(shù)估計(jì)樣本集合sest。

4c)根據(jù)sest中元素對應(yīng)均質(zhì)區(qū)域的不同，將sest劃分為clocal個子集(clocal≤c)，即其中，ci∈[1,c]為子集中元素對應(yīng)的均質(zhì)子區(qū)域編號，i＝1,...,clocal。令表征子集中元素?cái)?shù)量，表示子集中xmask(pj,qj)的均值，為具有最大xmask(pj,qj)均值的子集。

4d)若則使用對應(yīng)均質(zhì)子區(qū)域的雜波模型m(cmax)，并利用集合中的xmask(pj,qj)元素估計(jì)雜波模型參數(shù)，得到對應(yīng)的雜波概率密度函數(shù)否則，使用中心像素所在區(qū)域c0的雜波模型m(c0)，利用sest中所有樣本估計(jì)雜波模型參數(shù)，得到對應(yīng)的雜波概率密度函數(shù)

4e)利用公式(42)計(jì)算中心像素對應(yīng)的局部虛警概率

4f)若則將圖像中的xdet(p0,q0)置為0；否則不做處理。

4g)若當(dāng)前像素不是imask中的最后一個像素，則將二維滑窗cfar檢測器移至imask中的下一個像素，返回步驟4b)。

4h)將辨識后的圖像賦值給并輸出，即可得到最終檢測結(jié)果二值圖像

實(shí)施例2

基于全局迭代檢查的sar圖像自適應(yīng)船只檢測方法同實(shí)施例1，本發(fā)明的參數(shù)設(shè)置和效果通過以下對實(shí)測數(shù)據(jù)的實(shí)驗(yàn)進(jìn)一步說明：

實(shí)驗(yàn)采用的實(shí)測數(shù)據(jù)為2000年1月7日獲取的c波段radarsat-1單極化精細(xì)模式數(shù)據(jù)，數(shù)據(jù)距離向和方位向分辨率均作為6.25米。實(shí)測數(shù)據(jù)的幅度圖如圖6所示，實(shí)驗(yàn)采用的地理信息數(shù)據(jù)為歐空局提供的世界海岸線數(shù)據(jù)。

實(shí)驗(yàn)參數(shù)設(shè)置如下：對于基于flicm的均質(zhì)區(qū)域劃分處理，設(shè)置初始聚類 數(shù)量c＝6、模糊度因子m＝2、迭代終止誤差ε＝1×10^-6和局部鄰域窗口尺寸wflicm＝5。對于全局迭代檢查(gic)和自適應(yīng)雜波模型選擇處理，設(shè)置全局cfar檢測的虛警概率對于基于二維滑窗cfar檢測器的候選船只辨識處理，設(shè)置二維滑窗cfar檢測器的參考窗口尺寸rref＝75、警戒窗口尺寸rg＝53，設(shè)置檢測窗口尺寸為單像素，定義辨識虛警率為和最小參考單元數(shù)nref＝280。

海洋區(qū)域提取結(jié)果圖像見圖7，均質(zhì)區(qū)域劃分結(jié)果見圖8。為便于顯示和比較本發(fā)明方法的檢測效果，取圖7中矩形方塊標(biāo)示的局部區(qū)域進(jìn)行說明，該區(qū)域的放大圖像見圖9(a)。圖9(b)為采取本發(fā)明方法的加測結(jié)果；圖9(c)為采用相同窗口參數(shù)的二維滑窗k-cfar檢測器處理結(jié)果；圖9(d)為采用相同參數(shù)設(shè)置的omwk-cfar檢測算法處理結(jié)果，可以看到該算法在檢測結(jié)果中引入了大量的虛警。顯然，相比本方法，其它常規(guī)方法將會引入較多虛警。

綜上所述，本發(fā)明提供了一種穩(wěn)健的sar圖像自適應(yīng)船只檢測方法，針對現(xiàn)有檢測算法在非均質(zhì)海面sar圖像和多目標(biāo)環(huán)境下檢測性能下降和穩(wěn)健性較差的問題，采用自動均質(zhì)區(qū)域劃分以解決非均質(zhì)區(qū)域?qū)﹄s波型選擇和檢測性能的影響，采用全局迭代檢查和二維滑窗cfar檢測相結(jié)合的方式解決多目標(biāo)環(huán)境和均質(zhì)子區(qū)域邊界對檢測閾值估計(jì)的影響。本發(fā)明顯著改善了復(fù)雜海洋環(huán)境下的船只檢測能力，可用于檢測均質(zhì)和非均質(zhì)海洋sar圖像中的船只目標(biāo)。