本發(fā)明屬于SAR圖像處理技術(shù)領(lǐng)域，主要涉及機場目標(biāo)檢測，具體地說是一種基于邊緣特征的SAR圖像機場目標(biāo)檢測方法，可用于對SAR圖像機場目標(biāo)的檢測。

背景技術(shù)：

SAR圖像目標(biāo)檢測是SAR圖像處理研究中的一個重要內(nèi)容,其目的是根據(jù)數(shù)字圖像處理原理結(jié)合SAR圖像的先驗信息來檢測目標(biāo)。

機場目標(biāo)識別是SAR圖像輔助目標(biāo)識別系統(tǒng)的一個重要分支，機場跑道的檢測是整個機場目標(biāo)識別的基礎(chǔ)。由于SAR圖像的地物目標(biāo)檢測在軍事領(lǐng)域應(yīng)用較多，因此，SAR圖像目標(biāo)檢測在SAR圖像處理領(lǐng)域中占據(jù)著舉足輕重的地位，成為該領(lǐng)域最基本技術(shù)之一。

在以往的機場目標(biāo)檢測算法中，根據(jù)所利用機場跑道特征類型，跑道檢測的思路通常分為兩類：一是利用灰度特征，利用最大熵準(zhǔn)則選取SAR圖像的閾值，經(jīng)空間濾波后得到分割后的目標(biāo)圖像，從而達(dá)到檢測出機場跑道的目的；二是利用幾何直線特征，對二值化后的圖像進(jìn)行Hough變換，利用機場跑道的長度信息，對Hough變換進(jìn)行統(tǒng)計，得到機場跑道主干邊緣直線。

上述的機場跑道檢測算法雖有一定的效果，但是仍舊存在不足。如果利用跑道的灰度特征，由于圖像亮度不均以及跑道的周圍一些區(qū)域與跑道的灰度值相近，圖像分割時易造成機場目標(biāo)定位不準(zhǔn)確，對于這些圖像很難得到滿意的檢測結(jié)果。Hough變換是一種使用表決原理的參數(shù)估計方法，其原理是利用圖像空間和Hough參數(shù)空間的點－線對偶性，把圖像空間中的檢測問題轉(zhuǎn)換到參數(shù)空間。通過在參數(shù)空間里進(jìn)行簡單的累加統(tǒng)計，然后在Hough參數(shù)空間尋找累加器峰值的方法檢測直線。如果利用Hough變換方法，雖然Hough變換提取的直線是最長的，但是它利用是圖像的統(tǒng)計特性，由于現(xiàn)實SAR圖像不可避免存在噪聲，如果在某一方向上的噪聲較多，那么在這個方向上就可能統(tǒng)計出偽直線，造成機場跑道定位不準(zhǔn)，且Hough變換計算量大，消耗大量存儲器空間和處理器時間，不符合星載和機載雷達(dá)實時性檢測的要求。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于針對上述已有技術(shù)存在的由于圖像亮度不均時以及在噪聲較多時出現(xiàn)虛檢、漏檢且機場跑道定位不精準(zhǔn)的問題，提出一種減少虛檢，使目標(biāo)定位更加精準(zhǔn)，同時減少計算量，降低運行時間的基于邊緣特征的SAR圖像機場目標(biāo)檢測方法。

為實現(xiàn)上述目的，本發(fā)明包括如下步驟：

(1)輸入待檢測的機場目標(biāo)SAR圖像I；

(2)使用均值比檢測器對圖像I進(jìn)行邊緣檢測，對圖像I進(jìn)行均值比邊緣檢測(ratio of average,ROA)，機場跑道的灰度均值g較附近區(qū)域更小且在一定范圍內(nèi)，即g∈[g1,g2]，保留灰度均值g_min∈[g₁,g₂]的邊緣點，得到邊緣檢測結(jié)果圖像；

(3)基于邊緣特征提取以及聚類篩選的跑道邊緣點提取，利用Freeman鏈碼追蹤邊緣檢測結(jié)果圖像得到邊緣集合L＝{l₁,l₂,l₃,…l_n}，其中，l_n表示邊緣集合L＝{l₁,l₂,l₃,…l_n}中第n個由像素點構(gòu)成的邊緣子集，n＝1,2,…，提取邊緣集合L＝{l₁,l₂,l₃,…l_n}中各子集的特征，本發(fā)明選取邊緣出現(xiàn)概率最大的灰度值集合G，邊緣出現(xiàn)概率最大的梯度方向集合T，邊緣兩側(cè)區(qū)域的灰度均值集合M,邊緣兩側(cè)區(qū)域的灰度方差集合S，及邊緣兩側(cè)區(qū)域的灰度共生矩陣的特征向量集合H，得到邊緣特征集合Feature＝{G,T,M,S,H}，將邊緣集合L＝{l₁,l₂,l₃,…l_n}根據(jù)邊緣特征Feature＝{G,T,M,S,H}進(jìn)行聚類，得到邊緣聚類集合LF＝{lf₁,lf₂,lf₃,…lf_k}，k為聚類個數(shù)，lf_k為第k類邊緣聚類子集，根據(jù)先驗信息可知，跑道的灰度值較周圍區(qū)域更低，紋理更加均一且有規(guī)則，隨機噪聲更少，因此可剔除不符合跑道邊緣特征的邊緣集合，保留符合跑道特征的邊緣聚類結(jié)果集合，即Lr＝{lf₁,lf₂,…lf_p}，p≤k；

(4)將符合跑道特征且匿屬于同一類的邊緣集合中的像素點進(jìn)行擬合、連接，根據(jù)跑道灰度特征規(guī)則對直線段進(jìn)行連接，得到連接后的符合跑道特征的直線邊緣集合Str＝{s₁,s₂,…,s_q}；

(5)通過平行線檢測技術(shù)完成對跑道的檢測，根據(jù)跑道邊緣平行直線的特點提取直線邊緣集合Str＝{s₁,s₂,…,s_q}中的跑道邊緣的平行線對，得到最終的跑道邊緣平行直線對集合Par＝{P₁,P₂,…P_r}，P_r表示第r個子集，完成待檢測的機場目標(biāo)SAR圖像I的機場目 標(biāo)的檢測。

本發(fā)明通過使用均值比檢測器(ratio of average,ROA)得到邊緣圖像，使用本發(fā)明提出的邊緣特征提取及聚類篩選的跑道邊緣點提取方法對邊緣進(jìn)行特征提取及聚類篩選，然后對候選邊緣點進(jìn)行擬合,使用本發(fā)明提出的跑道灰度特征規(guī)則進(jìn)行連接，通過平行線檢測完成對機場跑道的檢測，從而實現(xiàn)機場目標(biāo)的檢測。

本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點：

1.本發(fā)明提出基于邊緣特征的機場跑道檢測方法，賦予邊緣像素以多重特征，使得對機場跑道區(qū)域的定位更加準(zhǔn)確，利用聚類篩選過程去除了大量不符合機場跑道邊緣特征的邊緣，減少了大量虛檢、漏檢目標(biāo)，使目標(biāo)定位更加精準(zhǔn)，同時也減少了計算量，降低了運行時間，減少了運行時所需的存儲空間；

2.本發(fā)明提出基于邊緣特征的機場跑道檢測方法，在邊緣的擬合連接過程中，依據(jù)機場跑道的先驗知識，采用本發(fā)明提出的跑道灰度特征規(guī)則進(jìn)行連接，避免了由于錯誤連接造成的出現(xiàn)虛假目標(biāo)、偽直線以及定位不準(zhǔn)確問題。

附圖說明

圖1是本發(fā)明的實現(xiàn)流程圖；

圖2是一幅包含機場跑道的SAR圖像；

圖3是均值比邊緣檢測中使用的8方向滑窗示意圖；

圖4是本發(fā)明對圖2的邊緣檢測結(jié)果圖；

圖5是本發(fā)明對圖2的符合跑道特征的邊緣像素分類結(jié)果圖；

圖6是本發(fā)明對圖2的機場跑道檢測結(jié)果圖；

圖7是一幅三角機場跑道SAR圖像以及檢測結(jié)果圖，其中圖7(a)是一幅三角機場跑道SAR圖像，圖7(b)是本發(fā)明對圖7(a)的機場跑道檢測結(jié)果圖；

圖8是一幅直角機場跑道SAR圖像以及檢測結(jié)果圖，其中圖8(a)是一幅直角機場跑道SAR圖像，圖8(b)是本發(fā)明對圖8(a)的機場跑道檢測結(jié)果圖；

圖9是一幅水平機場跑道SAR圖像以及檢測結(jié)果圖，其中圖9(a)是一幅水平機場跑道SAR圖像，圖9(b)是本發(fā)明對圖9(a)的機場跑道檢測結(jié)果圖；

圖10是一幅豎直機場跑道SAR圖像以及檢測結(jié)果圖，其中圖10(a)是一幅豎直機場 跑道SAR圖像，圖10(b)是本發(fā)明對圖10(a)的機場跑道檢測結(jié)果圖。

具體實施方式

以下參照附圖，對本發(fā)明的技術(shù)方案和效果做進(jìn)一步詳細(xì)描述。

現(xiàn)有的機場跑道檢測技術(shù)，若利用跑道的灰度特征，在圖像分割過程中由于圖像亮度不均以及跑道灰度與周圍一些區(qū)域接近，極易造成機場區(qū)域定位不準(zhǔn)確的問題；若利用Hough變換原理檢測直線，Hough變換利用圖像空間和Hough參數(shù)空間的點－線對偶性，通過在Hough參數(shù)空間里進(jìn)行簡單的累加統(tǒng)計，尋找累加器峰值的方法檢測直線，由于Hough變換方法利用的是圖像的統(tǒng)計特性，現(xiàn)實SAR圖像不可避免存在噪聲，如果在某一方向上的噪聲較多，那么在這個方向上就可能統(tǒng)計出偽直線,造成機場跑道定位不準(zhǔn)，且Hough變換參數(shù)較多，計算量大，消耗大量存儲器空間和處理器時間，實時性低。

實施例1

為此，本發(fā)明提出一種基于邊緣特征的SAR圖像機場目標(biāo)檢測方法，參見圖1，包括有如下步驟：

(1)使用機載雷達(dá)獲取包含機場跑道的機場目標(biāo)圖像，輸入待檢測的機場目標(biāo)SAR圖像I，如圖2、圖7(a)、圖8(a)、圖9(a)、圖10(a)所示均為包含有機場跑道的SAR圖像，實際操作時可輸入包含整個機場的SAR圖像，或者輸入需要檢測的局部機場的SAR圖像。

(2)使用均值比檢測器對圖像I進(jìn)行邊緣檢測，使用大小為N×N(N＝2×n-1,n＝1,2,…)的8方向滑窗w，如圖3所示，實際操作時可根據(jù)圖像尺寸選擇滑窗大小，本例采用大小為13×13的8方向滑窗，對圖像I進(jìn)行均值比邊緣檢測(ratio of average,ROA),根據(jù)SAR圖像成像特點，機場跑道的灰度均值g較附近區(qū)域更小且在一定范圍內(nèi)，即g∈[g1,g2]，其中區(qū)間[g1,g2]為跑道灰度值范圍，g1為跑道灰度最小值，g2為跑道灰度最大值?；皐卷積圖像操作中標(biāo)記符合以下兩個條件的像素點作為邊緣點，第一個條件為，8個方向中灰度均值比值最小且比值小于設(shè)定閾值的像素點，設(shè)定閾值一般根據(jù)圖像分辨率和信噪比進(jìn)行選取，屬常規(guī)操作；第二個條件為，該灰度均值比值最小的方向中灰度均值較小的一側(cè)的值g_min屬于機場跑道灰度值范圍的像素點，其中，g_min∈[g1,g2],對同時滿足以上兩個條件的像素點進(jìn)行標(biāo)記，得到邊緣檢測結(jié)果圖像，由于SAR圖像多存在乘性噪聲，均值比邊緣檢測具有較好的抗噪性，實際操作中也可使用 其他邊緣檢測方法。

(3)基于邊緣特征提取以及聚類篩選的跑道邊緣點提取，利用Freeman鏈碼追蹤邊緣檢測結(jié)果圖像得到邊緣集合L＝{l₁,l₂,l₃,…l_n}，其中，l_i為邊緣集合L＝{l₁,l₂,l₃,…l_n}中第i個子集，i＝1,2,3,…,n，提取邊緣集合L＝{l₁,l₂,l₃,…l_n}中各子集的特征，其中，第i個子集l_i的特征分別為邊緣出現(xiàn)概率最大的灰度值g_i，邊緣出現(xiàn)概率最大的梯度方向t_i，邊緣兩側(cè)區(qū)域的灰度均值m_i,邊緣兩側(cè)區(qū)域的灰度方差s_i,及邊緣兩側(cè)區(qū)域的灰度共生矩陣的特征向量h_i，將各子集的特征進(jìn)行綜合，即邊緣出現(xiàn)概率最大的灰度值集合G＝{g₁,g₂,…g_n}，邊緣出現(xiàn)概率最大的梯度方向集合T＝{t₁,t₂,…,t_n}，邊緣兩側(cè)區(qū)域的灰度均值集合M＝{m₁,m₂,…,m_n}，邊緣兩側(cè)區(qū)域的灰度方差集合S＝{s₁,s₂,…,s_n}，邊緣兩側(cè)區(qū)域的灰度共生矩陣的特征向量集合H＝{h₁,h₂,…,h_n}，得到邊緣特征集合Feature＝{G,T,M,S,H},將邊緣集合L＝{l₁,l₂,l₃,…l_n}根據(jù)邊緣特征集合Feature＝{G,T,M,S,H}進(jìn)行聚類，本發(fā)明使用K-means算法進(jìn)行聚類操作，得到邊緣聚類集合LF＝{lf₁,lf₂,lf₃,…lf_k},k為聚類個數(shù)，lf_k為第k類邊緣子集,根據(jù)先驗信息可知，跑道的灰度值較周圍區(qū)域更低，紋理更加均一且有規(guī)則，隨機噪聲更少，因此可剔除不符合跑道邊緣特征的邊緣聚類集合LF＝{lf₁,lf₂,lf₃,…lf_k}中的子集，保留符合跑道特征的子集，即Lr＝{lf₁,lf₂,…lf_p}，p≤k，實際操作中也可以選取不同的聚類算法進(jìn)行聚類得到邊緣聚類集合。

本發(fā)明通過選取邊緣出現(xiàn)概率最大的灰度值集合G，邊緣出現(xiàn)概率最大的梯度方向集合T，邊緣兩側(cè)區(qū)域的灰度均值集合M,邊緣兩側(cè)區(qū)域的灰度方差集合S,及邊緣兩側(cè)區(qū)域的灰度共生矩陣的特征向量集合H進(jìn)行聚類，基本概括了機場跑道的灰度、梯度、紋理這三個方面的特征，全面地對跑道進(jìn)行了語義描述。在利用聚類篩選過程去除了大量不符合機場跑道邊緣特征的邊緣，同時也減少了計算量，降低了運行時間，減少了運行時所需的存儲空間。

(4)將符合跑道特征且匿屬于同一類的邊緣集合中的像素點進(jìn)行擬合、連接,本發(fā)明采用最小二乘法對像素點進(jìn)行擬合，實際操作中可選取其他直線擬合算法，根據(jù)本 發(fā)明提出的跑道灰度特征規(guī)則對直線段進(jìn)行連接，也就是說根據(jù)跑道邊緣的灰度值基本一致，斜率、截距近似，待連接邊緣與連接邊緣兩側(cè)的灰度均值大小關(guān)系一致這幾個特點進(jìn)行連接,得到連接后的符合跑道特征的直線邊緣集合Str＝{s₁,s₂,…,s_q}。本發(fā)明中匿屬于同一類的邊緣集合中的像素點也稱為候選邊緣點。

(5)通過平行線檢測技術(shù)完成對跑道的檢測，根據(jù)跑道邊緣為平行直線的特征提取直線邊緣集合Str＝{s₁,s₂,…,s_q}中的跑道邊緣的平行線對，得到最終的跑道邊緣平行直線對集合Par＝{P₁,P₂,…P_r},P_r表示第r個平行線對子集，最終的跑道邊緣平行直線對集合Par即為跑道檢測結(jié)果，通過對機場跑道的檢測完成待檢測的機場目標(biāo)SAR圖像I的目標(biāo)檢測。

本發(fā)明充分結(jié)合SAR圖像機場目標(biāo)的先驗知識，一般情況下，人造機場目標(biāo)中都存在直線形跑道，本發(fā)明僅針對普通直線形跑道，對于圓形、U型等特殊形狀跑道不適用，且跑道兩側(cè)邊緣直線平行，在這一前提下，本發(fā)明提出基于邊緣特征的機場跑道檢測，賦予邊緣像素以特征，使得對機場跑道區(qū)域的定位更加準(zhǔn)確，利用聚類篩選過程去除大量不符合機場跑道邊緣特征的邊緣，減少虛檢，同時減少計算量，降低運行時間，減少運行時所需的存儲空間，在邊緣的擬合連接過程中，采用本發(fā)明提出的跑道灰度特征規(guī)則進(jìn)行連接，避免由于錯誤連接造成的出現(xiàn)虛假目標(biāo)以及定位不準(zhǔn)確問題。

實施例2

基于邊緣特征的SAR圖像機場目標(biāo)檢測方法同實施例1，其中步驟(3)中對邊緣進(jìn)行特征提取及聚類篩選，包括有如下步驟：

(3.1)使用8方向Freeman鏈碼追蹤邊緣檢測結(jié)果圖，得到邊緣集合L＝{l₁,l₂,l₃,…l_n}，其中l(wèi)_n表示第n個由邊緣像素點組成的邊緣子集。

(3.2)提取邊緣集合L＝{l₁,l₂,l₃,…l_n}集合中各子集的特征，本發(fā)明采用邊緣像素出現(xiàn)概率最大的灰度值集合G、邊緣像素的出現(xiàn)概率最大的梯度方向集合T、邊緣兩側(cè)灰度均值集合A、邊緣兩側(cè)灰度方差集合S及邊緣像素兩側(cè)灰度共生矩陣的特征向量集合H這幾個特征，將上述特征綜合,得到邊緣特征集合Feature＝{G,T,M,S,H}。將邊緣集合L＝{l₁,l₂,l₃,…l_n}根據(jù)邊緣特征集合Feature＝{G,T,M,S,H}進(jìn)行聚類，本發(fā)明采用 K-means聚類算法，得到邊緣聚類集合LF＝{lf₁,lf₂,lf₃,…lf_k},k為聚類總數(shù),lf_k為第k類的邊緣聚類集合的子集，實際操作中可采用其他聚類算法。

本發(fā)明選取邊緣出現(xiàn)概率最大的灰度值集合G，邊緣出現(xiàn)概率最大的梯度方向集合T，邊緣兩側(cè)區(qū)域的灰度均值集合M,邊緣兩側(cè)區(qū)域的灰度方差集合S,及邊緣兩側(cè)區(qū)域的灰度共生矩陣的特征向量集合H概括了機場跑道的灰度、梯度、紋理這三個方面的特征進(jìn)行聚類，準(zhǔn)確全面地對跑道進(jìn)行了語義描述。

(3.4)由先驗知識可知，跑道的灰度值低于周圍區(qū)域灰度值，跑道的紋理較周圍更加均勻規(guī)則，隨機噪聲更少，那么跑道區(qū)域的CON、ENT較跑道周圍區(qū)域更小，跑道區(qū)域的ASM、IDM、COR值較周圍區(qū)域更大，對邊緣聚類集合LF＝{lf₁,lf₂,lf₃,…lf_k}進(jìn)行篩選，若邊緣聚類集合LF＝{lf₁,lf₂,lf₃,…lf_k}中第k個子集lf_k滿足先驗知識中的跑道特征，即該子集在邊緣特征集合Feature＝{G,T,M,S,H}中對應(yīng)的第k個特征子集中邊緣兩側(cè)灰度均值向量m_k＝{m_k1,m_k2}滿足m_k1>m_k2時，則灰度共生矩陣的特征向量h_k＝{ASM_k,CON_k,IDM_k,ENT_k,COR_k}中的元素應(yīng)滿足ASM_k1<ASM_k2、CON_k1>CON_k2、IDM_k1<IDM_k2、ENT_k1>ENT_k2、COR_k1<COR_k2；當(dāng)該子集在邊緣特征集合Feature＝{G,T,M,S,H}中對應(yīng)的第k個特征子集中邊緣線條兩側(cè)灰度均值向量m_k＝{m_k1,m_k2}滿足m_k1<m_k2時，則灰度共生矩陣的特征向量h_k＝{ASM_k,CON_k,IDM_k,ENT_k,COR_k}向量中的元素應(yīng)滿足ASM_k1>ASM_k2、CON_k1<CON_k2、IDM_k1>IDM_k2、ENT_k1<ENT_k2、COR_k1>COR_k2，其他情況則不滿足機場跑道特征，比如m_k1＝m_k2時，跑道邊緣則無法分辨，保留邊緣聚類集合LF＝{lf₁,lf₂,lf₃,…lf_k}中符合跑道特征的子集，得到符合跑道特征的邊緣聚類結(jié)果集合Lr＝{lf₁,lf₂,…lf_p}，該符合跑道特征的邊緣聚類結(jié)果集合Lr＝{lf₁,lf₂,…lf_p}中的像素點即為符合跑道特征且匿屬于同一類的邊緣集合中的像素點，也可稱為候選邊緣像素點。

本發(fā)明提出基于邊緣特征的機場跑道檢測方法，在對邊緣進(jìn)行特征提取及聚類篩選步驟中充分結(jié)合灰度、梯度、紋理的先驗知識，賦予邊緣像素以多重特征，使得對機場跑道區(qū)域的定位更加準(zhǔn)確，利用聚類篩選過程去除大量不符合機場跑道邊緣特征的邊緣， 減少虛檢，同時降低計算量和運行時間，減少運行時所需的存儲空間。

實施例3

基于邊緣特征的SAR圖像機場目標(biāo)檢測方法同實施例1-2，其中步驟(4)中對候選邊緣像素點進(jìn)行擬合、連接，包括有如下步驟：

(4.1)根據(jù)最小二乘法對邊緣聚類結(jié)果集合Lr＝{lf₁,lf₂,…lf_p}中各子集的邊緣像素點進(jìn)行直線擬合，得到擬合后的直線邊緣集合Ls＝{ls₁,ls₂,…ls_p}，實際操作中可根據(jù)需求采用不同的直線擬合算法；

(4.2)對擬合后的直線邊緣集合Ls＝{ls₁,ls₂,…ls_p}中第m個子集ls_m＝{line_m1,line_m2,…line_mn}中的所有直線段，按照跑道灰度特征規(guī)則進(jìn)行兩兩連接，即滿足跑道灰度特征規(guī)則則進(jìn)行直線段連接，不滿足則不進(jìn)行連接，得到連接后的符合跑道特征的直線邊緣集合Str＝{s₁,s₂,…,s_t}。

本發(fā)明提出基于邊緣特征的機場跑道檢測方法，在對候選邊緣像素點進(jìn)行擬合、連接步驟中，采用本發(fā)明提出的跑道灰度特征的直線段連規(guī)則接進(jìn)行直線段連接，結(jié)合機場跑道的灰度先驗知識，避免由于噪聲點較多時產(chǎn)生錯誤連接造成的虛檢以及定位不準(zhǔn)確問題。

實施例4

基于邊緣特征的SAR圖像機場目標(biāo)檢測方法同實施例1-3，步驟(4.2)中結(jié)合跑道灰度特征規(guī)則進(jìn)行直線段連接，連接過程包括如下步驟：

(4.2.1)line_mi為直線邊緣集合Ls＝{ls₁,ls₂,…ls_p}中第m個子集ls_m＝{line_m1,line_m2,…line_mn}中第i個直線段，line_mj為直線邊緣集合Ls＝{ls₁,ls₂,…ls_p}中第m個子集ls_m＝{line_m1,line_m2,…line_mn}中第j個直線段，line_mi的斜率a_mi、截距b_mi與line_mj的斜率a_mj、截距b_mj近似，即滿足|a_mi-a_mj|<th_a,|b_mi-b_mj|<th_b，th_a、th_b為設(shè)定閾值；

(4.2.2)根據(jù)跑道邊緣的灰度值相似的先驗知識，連接line_mi與line_mj的直線cline_mij的灰度均值g_mij近似于跑道邊緣的灰度均值g,即|g_mij-g|<th_g，th_g為設(shè)定閾值；

(4.2.3)由于跑道直線邊緣兩側(cè)區(qū)域的灰度值滿足一側(cè)大于另一側(cè)，即line_mi的正矢量 方向d_p＝[1,1]區(qū)域的灰度均值為g_pi，其負(fù)矢量方向d_n＝[-1,-1]區(qū)域的灰度均值為g_ni，若滿足g_pi>g_ni，則待連接直線line_mj滿足正矢量方向灰度均值大于負(fù)矢量方向灰度均值，即滿足g_pj>g_nj，即(g_pi>g_ni)∧(g_pj>g_nj)＝1,或(g_pi<g_ni)∧(g_pj<g_nj)＝1。

本發(fā)明提出基于邊緣特征的機場跑道檢測方法,利用跑道灰度特征規(guī)則對直線段進(jìn)行連接，充分利用跑道的灰度先驗知識和邊緣直線集合特點，避免由于噪聲影響造成的偽直線的出現(xiàn)以及定位不準(zhǔn)確問題。

以下再參照具體附圖，對本發(fā)明的技術(shù)方案和效果做進(jìn)一步詳細(xì)描述。

實施例5

基于邊緣特征的SAR圖像機場目標(biāo)檢測方法同實施例1-4，

參照圖1，本發(fā)明的實現(xiàn)步驟如下：

步驟1，輸入待檢測SAR圖像I,如圖2所示。

步驟2，對待檢測的機場目標(biāo)SAR圖像I進(jìn)行均值比邊緣檢測。

使用大小為N×N(N＝2×n-1,n＝1,2,…)的滑窗w對圖像I(x，y)進(jìn)行均值比邊緣檢測(ratio of average,ROA)。將滑窗w與圖像I進(jìn)行卷積，即w*I?；皐分為8個方向,即An＝{0°，45°,90°,135°,180°,225°,270°,315°}這8個方向，以13×13大小窗口為例，如圖3所示，計算滑窗各方向兩側(cè)的灰度值和s1、s2，參見圖3中，以0°方向為例，滑窗中s1表示窗口中第1行至第6行的像素點灰度值之和，s2表示窗口中第8行至第13行的像素點灰度值之和，中心行即第7行不參與計算，以此類推，

當(dāng)An＝0°或180°時，

當(dāng)An＝90°或270°時，

當(dāng)An＝45°或225°時，

當(dāng)An＝135°或315°時，

接著，計算滑窗各方向兩側(cè)灰度值之和的比值ratio，即：

得到8方向中ratio值最小的方向，若An＝0°,270°,45°,135°，則計算s1的均值g，即：

g＝s1/(N*(N-1)/2)，

若An＝180°,90°,225°,315°，則計算s2的均值g，即：

g＝s2/(N*(N-1)/2)，

根據(jù)SAR圖像成像特點可知，機場跑道的灰度值較跑道附近顏色更深且其灰度值g在一定范圍內(nèi)[g1,g2]，因此在g∈[g1,g2]的條件下，設(shè)定合適閾值threshold，若8方向中最小的ratio值小于threshold，則對邊緣檢測結(jié)果圖B(x，y)的當(dāng)前坐標(biāo)點進(jìn)行標(biāo)記，得到結(jié)果圖B，如圖4所示，圖4中跑道的邊緣檢測結(jié)果清晰、連續(xù)，且噪聲干擾很小，與跑道周邊區(qū)域的圖像能夠清晰分辨。

步驟3，基于邊緣特征聚類篩選的跑道邊緣提取。

(3.1)使用8方向Freeman鏈碼追蹤邊緣檢測結(jié)果圖B，邊緣檢測結(jié)果圖B如圖4所示，得到邊緣集合L＝{l₁,l₂,l₃,…l_n}，其中l(wèi)_n表示第n個由邊緣像素點組成的像素點子集。

(3.2)提取邊緣集合L＝{l₁,l₂,l₃,…l_n}中各子集的特征，采用邊緣像素出現(xiàn)概率最大的灰度值集合G，邊緣像素的主要梯度方向集合T，邊緣兩側(cè)灰度均值集合M，邊緣兩側(cè) 灰度方差集合S，邊緣像素兩側(cè)灰度共生矩陣的特征向量集合H這幾個特征，賦予邊緣以灰度、梯度、紋理多重特征。

(3.2.1)計算邊緣像素出現(xiàn)概率最大的灰度值集合G

將[0,255]的灰度值分為K1級，統(tǒng)計各子集l_n中出現(xiàn)概率最高的灰度級，子集l_n中所有的像素點的灰度值在每一灰度級出現(xiàn)的概率p_n(i):

其中，N_n(i)表示子集l_n中的像素點的灰度值落入第i個灰度級的個數(shù)，Sum_n表示子集l_n中的像素總數(shù)。將出現(xiàn)概率最大的灰度級的中值g_n作為子集l_n的邊緣像素出現(xiàn)概率最大的灰度值，將各子集l_n對應(yīng)的g_n構(gòu)成集合，即特征邊緣像素出現(xiàn)概率最大的灰度值集合G＝{g₁,g₂,…g_n}。

(3.2.2)計算邊緣像素出現(xiàn)概率最大的梯度方向集合T

使用2×2一階有限差分近似來計算x與y偏導(dǎo)數(shù)的兩個陣列I_x'(x,y)與I_y'(x,y)：

I_x'(x,y)≈Gd_x＝[I(x+1,y)-I(x,y)+I(x+1,y+1)-I(x,y+1)]/2

I_y'(x,y)≈Gd_y＝[I(x,y+1)-I(x,y)+I(x+1,y+1)-I(x+1,y)]/2

θ(x,y)反映了邊緣像素的梯度方向：

θ(x,y)＝arctan(Gd_x(x,y)/Gd_y(x,y))

計算子集l_n上每個像素點的梯度方向，將角度[0°,180°]進(jìn)行分級，分為K2級，統(tǒng)計子集l_n上所有的像素點的梯度方向在每一角度級出現(xiàn)的概率q_n(i):

其中，D_n(i)表示子集l_n中的像素點的梯度方向落入第i個角度級的數(shù)量，Sum_n表示子集l_n中的像素總數(shù)。將出現(xiàn)概率最大的角度級的中值作為子集l_n的邊緣像素出現(xiàn)概率最大的梯度方向t_n，將各子集l_n對應(yīng)的t_n構(gòu)成集合，即邊緣像素出現(xiàn)概率最大的梯度方向集合 T＝{t₁,t₂,…t_n}。

(3.2.3)計算邊緣線條兩側(cè)灰度均值集合M及邊緣線條兩側(cè)灰度方差集合S

計算與由邊緣像素集合L＝{l₁,l₂,l₃,…l_n}中第n個子集l_n中像素點組成的邊緣線條平行且距離、大小相同的兩側(cè)區(qū)域的灰度均值m_n＝{m_n1,m_n2}，其中，m_n1表示正矢量方向d_p＝[1,1]區(qū)域的灰度均值，m_n2表示負(fù)矢量方向d_n＝[-1,-1]區(qū)域的灰度均值，得到邊緣線條兩側(cè)灰度均值集合M＝{m₁,m₂,…,m_n}；

計算與由邊緣像素集合L＝{l₁,l₂,l₃,…l_n}中第n個子集l_n中像素點組成的邊緣線條平行且距離、大小相同的兩側(cè)區(qū)域的灰度方差s_n＝{s_n1,s_n2}，其中,s_n1表示正矢量方向d_p＝[1,1]區(qū)域的灰度方差，s_n2表示負(fù)矢量方向d_n＝[-1,-1]區(qū)域的灰度方差，得到邊緣線條兩側(cè)灰度方差集合S＝{s₁,s₂,…,s_n}。

(3.2.4)計算邊緣兩側(cè)區(qū)域的灰度共生矩陣的特征向量集合H

灰度共生矩陣算法(Grey Level Co-occurrence Matrix，GLCM)是基于圖像中某一灰度級結(jié)構(gòu)重復(fù)出現(xiàn)的概率來描述圖像紋理信息的方法。通?？梢杂靡恍?biāo)量來表征灰度共生矩陣的特征，令Gr表示待檢測SAR圖像I的灰度共生矩陣,h表示灰度共生矩陣常用的特征向量，h的元素有：

(3.2.4.1)計算灰度共生矩陣的能量

即每個矩陣元素的平方和。能量是灰度共生矩陣元素值的平方和，所以也稱能量，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。如果共生矩陣的所有值均相等，則ASM值??；相反，如果其中一些值大而其它值小，則ASM值大，

(3.2.4.1)計算灰度共生矩陣的對比度

直接反映了某個像素值及其領(lǐng)域像素值的亮度的對比情況。如果偏離對角線的元素有較大值，即圖像亮度值變化很快，則CON會有較大取值，這也符合對比度的定義。反 映了圖像的清晰度和紋理溝紋深淺的程度。紋理溝紋越深，其對比度越大，視覺效果越清晰；反之，對比度小，則溝紋淺，效果模糊，

(3.2.4.3)計算灰度共生矩陣的逆差矩

反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化的多少。其值大則說明圖像紋理的不同區(qū)域間缺少變化，局部非常均勻，

(3.2.4.4)計算灰度共生矩陣的熵

熵是圖像包含信息量的隨機性度量，當(dāng)共生矩陣中所有值均相等或者像素值表現(xiàn)出最大的隨機性時，熵最大；因此熵值表明了圖像灰度分布的復(fù)雜程度，熵值越大，圖像越復(fù)雜。

(3.2.4.5)計算灰度共生矩陣的自相關(guān)

其中，

自相關(guān)反應(yīng)了圖像紋理的一致性。如果圖像中有水平方向紋理，則水平方向矩陣的COR大于其余矩陣的COR值。它度量空間灰度共生矩陣元素在行或列方向上的相似程度，因此，相關(guān)值大小反映了圖像中局部灰度相關(guān)性。當(dāng)矩陣元素值均勻相等時，相關(guān)值就大；相反，如果矩陣像元值相差很大則相關(guān)值小，

(3.2.4.2)在由邊緣像素集合L＝{l₁,l₂,l₃,…l_n}中第n個子集l_n中像素點組成的邊緣線條的兩側(cè)各取大小相同、距離邊緣線條距離相同的一塊區(qū)域，分別計算兩區(qū)域的能量ASM_n＝{ASM_n1,ASM_n2}，其中，ASM_n1表示正矢量方向d_p＝[1,1]區(qū)域的能量值，ASM_n2表示負(fù)矢量方向d_n＝[-1,-1]區(qū)域的能量值；計算兩區(qū)域的對比度CON_n＝{CON_n1,CON_n2}，其中，CON_n1表示正矢量方向d_p＝[1,1]區(qū)域的對比度值，CON_n2表示負(fù)矢量方向d_n＝[-1,-1]區(qū)域的對比度值；計算兩區(qū)域的逆差矩IDM_n＝{IDM_n1,IDM_n2}，其中，IDM_n1表示正矢量方向d_p＝[1,1]區(qū)域的逆差距值，IDM_n2表示負(fù)矢量方向d_n＝[-1,-1]區(qū)域的逆差距值；計算兩區(qū)域的熵ENT_n＝{ENT_n1,ENT_n2}，其中，ENT_n1表示正矢量方向d_p＝[1,1]區(qū)域的熵值，ENT_n2表示負(fù)矢量方向d_n＝[-1,-1]區(qū)域的熵值；計算兩區(qū)域的自相關(guān)COR_n＝{COR_n1,COR_n2}，其中COR_n1表示正矢量方向d_p＝[1,1]區(qū)域的自相關(guān)值，COR_n2表示負(fù)矢量方向d_n＝[-1,-1]區(qū)域的自相關(guān)值，得到子集l_n邊緣兩側(cè)區(qū)域的灰度共生矩陣的特征向量h_n＝{ASM_n,CON_n,IDM_n,ENT_n,COR_n}，則邊緣集合L＝{l₁,l₂,l₃,…l_n}的邊緣像素兩側(cè)灰度共生矩陣的特征向量集合H＝{h₁,h₂,…,h_n}，

將上述特征綜合,得到邊緣特征集合Feature＝{G,T,M,S,H}。

(3.3)將邊緣集合L＝{l₁,l₂,l₃,…l_n}根據(jù)邊緣特征集合Feature＝{G,T,M,S,H}進(jìn)行聚類，本發(fā)明采用K-means聚類算法，得到邊緣聚類集合LF＝{lf₁,lf₂,lf₃,…lf_k},k為分類個數(shù)，lf_k為第k類邊緣子集。

(3.4)由先驗知識可知，跑道的灰度值低于周圍灰度值,跑道的紋理較周圍區(qū)域更加均勻規(guī)則,隨機噪聲更少，那么跑道區(qū)域的CON、ENT較跑道周圍區(qū)域更小，跑道區(qū)域的ASM、IDM、COR值較周圍區(qū)域更大，對于邊緣聚類集合LF＝{lf₁,lf₂,lf₃,…lf_k}中的第k個子集lf_k，若子集lf_k滿足先驗知識中的跑道特征，即當(dāng)該子集的邊緣特征集合Feature＝{G,T,M,S,H}中邊緣兩側(cè)灰度均值向量m_k＝{m_k1,m_k2}滿足m_k1>m_k2時，則灰 度共生矩陣的特征向量h_k＝{ASM_k,CON_k,IDM_k,ENT_k,COR_k}中的元素應(yīng)滿足ASM_k1<ASM_k2、CON_k1>CON_k2、IDM_k1<IDM_k2、ENT_k1>ENT_k2、COR_k1<COR_k2；當(dāng)該子集的邊緣特征集合Feature＝{G,T,M,S,H}中邊緣線條兩側(cè)灰度均值向量m_k＝{m_k1,m_k2}滿足m_k1<m_k2時，則灰度共生矩陣的特征向量h_k＝{ASM_k,CON_k,IDM_k,ENT_k,COR_k}向量中的元素應(yīng)滿足ASM_k1>ASM_k2、CON_k1<CON_k2、IDM_k1>IDM_k2、ENT_k1<ENT_k2、COR_k1>COR_k2，其他情況則不滿足機場跑道特征，比如m_k1＝m_k2時，跑道邊緣則無法分辨，保留邊緣聚類集合LF＝{lf₁,lf₂,lf₃,…lf_k}中符合跑道特征的子集，剔除不符合跑道特征的子集，得到符合跑道特征的邊緣聚類結(jié)果集合Lr＝{lf₁,lf₂,…lf_p}，因此本發(fā)明計算量降低，如圖5所示,邊緣聚類結(jié)果集合Lr＝{lf₁,lf₂,…lf_p}中屬于同一子集的邊緣用同一顏色表示，可以看出跑道邊緣聚類準(zhǔn)確，具有相同特征性質(zhì)的邊緣像素被聚類到同一類，且圖中在經(jīng)過聚類篩選后只剩下符合跑道特征的邊緣像素點。

步驟4，對候選邊緣點進(jìn)行擬合、連接。

(4.1)根據(jù)最小二乘法對邊緣聚類結(jié)果集合Lr＝{lf₁,lf₂,…lf_p}中各子集的邊緣像素點進(jìn)行直線擬合得到擬合后的直線邊緣集合Ls＝{ls₁,ls₂,…ls_t}。

(4.2)對集合Ls＝{ls₁,ls₂,…ls_t}中每一個子集中的直線段根據(jù)跑道灰度特征規(guī)則進(jìn)行連接，子集中每兩個直線段若符合跑道灰度特征規(guī)則則進(jìn)行連接，否則不進(jìn)行連接，其中第k個子集為ls_k＝{line_k1,line_k2,…line_km}，k＝1,2,…,t，其中，line_ki為子集ls_k＝{line_k1,line_k2,…line_km}中第i個直線段，line_kj為子集ls_k＝{line_k1,line_k2,…line_km}中第j個直線段，得到連接后的直線邊緣集合Str＝{s₁,s₂,…,s_t}，本發(fā)明的跑道灰度特征規(guī)則如下：

(4.2.1)line_ki的斜率a_ki、截距b_ki與line_kj的斜率a_kj、截距b_kj近似,即滿足|a_ki-a_kj|<th_a,|b_ki-b_kj|<th_b；

(4.2.2)根據(jù)跑道邊緣的灰度值相似的先驗知識，連接line_ki與line_kj的直線cline_kij的灰度均值g_mij近似于跑道邊緣的灰度均值g,即|g_mij-g|<th_g，th_g為設(shè)定閾值；

(4.2.3)由于跑道直線邊緣兩側(cè)的灰度值滿足一側(cè)必定大于另一側(cè)，即line_ki的正矢量方向d_p＝[1,1]區(qū)域的灰度均值為g_pi，其負(fù)矢量方向d_n＝[-1,-1]區(qū)域的灰度均值為g_ni，若滿足g_pi>g_ni，則待連接直線line_kj滿足正矢量方向灰度均值大于負(fù)矢量方向灰度均值，即滿足g_pj>g_nj，即(g_pi>g_ni)∧(g_pj>g_nj)＝1,或(g_pi<g_ni)∧(g_pj<g_nj)＝1；

步驟5,通過平行線檢測技術(shù)完成對機場目標(biāo)的檢測。

(5.1)根據(jù)跑道邊緣直線平行的特點，提取邊緣直線集合Str＝{s₁,s₂,…,s_t}中所有直線的平行線對，其中第t個子集s_t＝{sline₁,sline₂,…sline_n}，sline_n表示子集s_t＝{sline₁,sline₂,…sline_n}中第n個直線段，sline_i為Str＝{s₁,s₂,…,s_t}中任意集合中直線段，同樣，sline_j為Str＝{s₁,s₂,…,s_t}中任意集合中直線段，提取規(guī)則如下：

(5.1.1)直線sline_i的斜率a_i、截距b_i與sline_j的斜率a_j、截距b_j滿足|a_i-a_j|<th_a1，|b_i-b_j|∈[th_b1,th_b2]，其中區(qū)間[th_b1,th_b2]為跑道寬度對應(yīng)的像素個數(shù)的范圍；

(5.1.2)sline_i的正矢量方向d_p＝[1,1]的灰度均值為g_pi，其負(fù)矢量方向d_n＝[-1,-1]的灰度均值為g_ni，同理，直線sline_j正負(fù)方向上的灰度均值分別為g_pj、g_nj，則sline_i與待配對直線sline_j的正負(fù)方向上的灰度值關(guān)系滿足(g_pi>g_ni)∧(g_pj<g_nj)＝1，或者(g_pi<g_ni)∧(g_pj>g_nj)＝1；

(5.1.3)保留符合上述條件的直線對，得到最終的平行線對集合Par＝{P₁,P₂,…P_r}，子集P_i(i＝1,2…r)是第i個平行線對子集。

機場跑道檢測結(jié)果圖如圖6所示,兩條跑道邊緣被準(zhǔn)確檢測，定位精準(zhǔn)，無虛檢目標(biāo)。

本發(fā)明通過完成對跑道的檢測從而完成了對機場目標(biāo)的檢測，由圖2、圖6可以看出，通過對邊緣賦予灰度、梯度、紋理多重特征，使得先驗知識被充分利用，對邊緣聚類篩選過程，提高對目標(biāo)的定位精度，減少計算量，利用跑道灰度特征規(guī)則對邊緣直線段進(jìn) 行連接，避免由于噪聲影響造成的虛假直線的產(chǎn)生，降低虛檢。

本發(fā)明效果可以通過以下仿真實驗進(jìn)行驗證：

實施例6

基于邊緣特征的SAR圖像機場目標(biāo)檢測方法同實施例1-5，

1.實驗條件與方法

硬件平臺為：處理器為Intel(R)Core(TM)i5-4200U CPU@1.60GHz，內(nèi)存為4.0G，硬盤500G，操作系統(tǒng)為Microsoft windows sever 2007；

軟件平臺：MATLAB2011b；

實驗方法：本發(fā)明方法。

2.仿真內(nèi)容與結(jié)果

在上述實驗條件下，選取10幅大小內(nèi)容不一樣的SAR圖片進(jìn)行實驗，這里選取其中4幅進(jìn)行展示。圖7(a)是一幅典型的三角機場跑道圖像，圖8(a)是一幅典型的直角機場跑道圖像，圖9(a)是一幅典型的水平機場跑道圖像，圖10(a)是一幅典型的豎直機場跑道圖像。這里,檢測正確率＝目標(biāo)正確檢測數(shù)目/真實目標(biāo)的個數(shù)，虛檢率＝虛假目標(biāo)檢測數(shù)目/(目標(biāo)正確檢測數(shù)目+目標(biāo)錯誤檢測數(shù)目)。由圖7(b)、圖8(b)、圖9(b)、圖10(b)檢測結(jié)果圖均可見，檢測率均達(dá)到100％，虛檢率為0％，達(dá)到預(yù)期的檢測效果。

表1展示了實驗選取的10幅圖像的機場目標(biāo)測試結(jié)果,可見檢測率均達(dá)到100％,虛檢率均為0％，說明了本發(fā)明算法的魯棒性和有效性。

表1SAR圖像機場目標(biāo)測試結(jié)果

綜上所述，本發(fā)明公開了一種基于邊緣特征的SAR圖像機場目標(biāo)檢測方法，主要解決機場目標(biāo)檢測時圖像亮度不均時以及在噪聲較多時出現(xiàn)虛檢、漏檢且機場跑道定位不精準(zhǔn)的技術(shù)問題。其實現(xiàn)過程是：輸入待檢測的機場目標(biāo)SAR圖像；使用均值比邊緣檢測器(ratio of average,ROA)得到邊緣圖像；使用本發(fā)明提出的方法對邊緣進(jìn)行特征提取及聚類篩選；使用本發(fā)明提出的方法對候選邊緣點進(jìn)行連接；通過平行線檢測技術(shù)完成對機場跑道的檢測，實現(xiàn)機場目標(biāo)的檢測。本發(fā)明能夠準(zhǔn)確地完成SAR圖像機場目標(biāo)的檢測，跑道定位更加準(zhǔn)確，計算量小，減少虛檢，降低運行時間，可用于星載和機載SAR圖像處理系統(tǒng)以及相關(guān)目標(biāo)檢測系統(tǒng)中。