本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
：，特別涉及一種基于混合統(tǒng)計分布與多部件模型的SAR圖像目標(biāo)檢測方法。
背景技術(shù)：
：：由于SAR圖像中的斑點噪聲可看作是觀測值在平均特性上的波動，因此對斑點噪聲進行統(tǒng)計建模，可以有效利用其中的傳感器和地表信息。SAR圖像的統(tǒng)計分布模型分為參量模型和非參量模型。參量模型的構(gòu)造過程是假設(shè)實際的SAR圖像數(shù)據(jù)分別服從不同的概率分布，通過參數(shù)估計，按照評估準(zhǔn)則來確定最優(yōu)的擬合SAR數(shù)據(jù)分布的概率分布。非參量模型的構(gòu)造過程是采用不同的核函數(shù)進行加權(quán)求和后實現(xiàn)圖像數(shù)據(jù)分布的建模，如支持向量機、神經(jīng)網(wǎng)絡(luò)、Parzen窗等方法。這種建模方法更加靈活，估計精度較高，適用于較復(fù)雜的圖像概率分布的估計，但需要大量樣本數(shù)據(jù)用于訓(xùn)練，效率較低。因此相比之下，參量模型的研究和應(yīng)用更加廣泛。根據(jù)不同的傳感器參數(shù)和不同地物目標(biāo)的散射機理，參量模型被分為四類：經(jīng)驗分布模型，基于乘積模型的統(tǒng)計分布，基于廣義中心極限定理的統(tǒng)計分布以及其他分布模型。經(jīng)驗分布主要來源于實際的數(shù)據(jù)分析經(jīng)驗，包括log-normal分布和Weibull分布?；诔朔e模型的統(tǒng)計模型建立于相干斑模型基礎(chǔ)上，認為SAR圖像的測量值是由地物真實的雷達散射截面受到乘性的斑點噪聲而得到的，包括Rayleigh分布、K分布等。基于廣義中心極限定理的統(tǒng)計分布模型認為在一組獨立同分布隨機變量的方差有限或無限的情況下，他們的和都會收斂到α-stable分布，這一類的統(tǒng)計模型包括α-stable分布和對稱α穩(wěn)態(tài)(SαS)分布。其他分布模型包括Racian分布、聯(lián)合分布模型、混合高斯分布等。在基于統(tǒng)計分布的SAR圖像目標(biāo)檢測中，統(tǒng)計分布通常與CFAR方法相結(jié)合。CFAR方法是根據(jù)SAR圖像統(tǒng)計特性在恒定虛警率條件下自適應(yīng)地獲取檢測閾值的方法。若該統(tǒng)計分布模型對SAR圖像數(shù)據(jù)的擬合準(zhǔn)確度很差，則會對相應(yīng)的CFAR方法的性能造成很大影響，不能滿足目標(biāo)檢測的需要。而且，基本上所有基于統(tǒng)計分布的CFAR方法都是根據(jù)SAR圖像背景和目標(biāo)分布統(tǒng)計信息的差異來選取目標(biāo)檢測閾值，但是這一類方法并沒有考慮到目標(biāo)的統(tǒng)計分布特征，而是將目標(biāo)作為背景區(qū)域中的異常點來檢測，因此這種方法是一種次優(yōu)的統(tǒng)計檢測方法。目前，由于世界上很多國家的重視以及大量人力物力的投入，高分辨率SAR傳感器的研究和研制工作得到很大的進展。高分辨率SAR圖像提供了更豐富的目標(biāo)信息和類別信息，從中不僅可以判斷目標(biāo)是否存在，還可以學(xué)習(xí)到目標(biāo)的形狀、狀態(tài)和各個組成部分的信息，這就給目標(biāo)檢測技術(shù)提出了更高的要求。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于針對高分辨率SAR圖像目標(biāo)檢測問題，提出一種新的基于混合統(tǒng)計分布與多部件模型的SAR圖像目標(biāo)檢測方法。本發(fā)明的技術(shù)方案為，一種基于混合統(tǒng)計分布與多部件模型的SAR圖像目標(biāo)檢測方法，包括以下步驟：步驟1，對SAR圖像訓(xùn)練集進行混合統(tǒng)計分布建模，所述混合統(tǒng)計分布建模包括以下子步驟；步驟1.1，對訓(xùn)練集中所有SAR圖像分別構(gòu)建空間金字塔，然后對金字塔中任一層子圖像建立混合統(tǒng)計分布模型；步驟1.2，對混合統(tǒng)計分布模型的表達式取對數(shù)，然后將期望最大化算法與MoLC參數(shù)估計方法相結(jié)合，對混合統(tǒng)計模型的參數(shù)進行估計；步驟2，多部件模型訓(xùn)練與目標(biāo)檢測，包括以下子步驟；步驟2.1，根據(jù)步驟1所得參數(shù)估計結(jié)果，將混合統(tǒng)計分布與多部件模型相結(jié)合，在SAR圖像訓(xùn)練集上，首先通過標(biāo)準(zhǔn)SVM方法確定根濾波器的初始值和位置以及部件濾波器的初始值和位置，然后通過引入基于目標(biāo)長寬比例的擴展因子，獲得根濾波器和部件濾波器的分數(shù)，最后采用LatentSVM方法更新根濾波器和部件濾波器；步驟2.2，對SAR圖像訓(xùn)練集中的所有圖像構(gòu)建混合統(tǒng)計分布特征金字塔，采用矩形滑窗方式，在特征金字塔的每一層上進行搜索，依次記錄下最優(yōu)根濾波器位置的坐標(biāo)、得分以及部件濾波器標(biāo)號與部件濾波器坐標(biāo)，當(dāng)檢測窗口內(nèi)綜合分數(shù)大于檢測閾值時，保留該根濾波器窗口和部件濾波器窗口，作為目標(biāo)檢測框。而且，所述步驟1.1中對金字塔任一層子圖像建立混合統(tǒng)計分布模型的實現(xiàn)方式如下，設(shè)X＝{x1,...,xn}表示任一層子圖像樣本點的鄰域子塊，x1,…,xn指子塊中的像素點，n指子塊中像素點個數(shù)，該鄰域子塊的概率密度函數(shù)F(X)表示為K個統(tǒng)計分布的線性加權(quán)，其中，pi(θi)表示混合分布中第i個概率密度分布，θi表示表示第i個概率密度分布的模型參數(shù)，wi表示第i個概率密度分布的權(quán)重，且0≤wi≤1，K表示混合統(tǒng)計分布模型個數(shù)；每個樣本點需要估計的參數(shù)向量為Θ＝{w1,w2,...,wK；θ1,θ2,...,θK}，任一層子圖像的混合分布模型表示為，其中，N指鄰域子塊個數(shù)，Xj指第j個鄰域子塊。而且，所述步驟1.2中將期望最大化算法與MoLC參數(shù)估計方法相結(jié)合，對混合統(tǒng)計模型的參數(shù)進行估計的實現(xiàn)方式如下，(a)E步，令t表示迭代次數(shù)，基于當(dāng)前參數(shù)的后驗概率表示為，其中，和分別表示迭代t次后第i個概率密度分布和概率權(quán)重，表示對應(yīng)的分布參數(shù)；(b)M步，采用MoLC參數(shù)估計，對于第i個概率密度分布，其權(quán)重通過基于直方圖的估計方法得到，用公式表示為，其中，表示服從第i個概率密度分布的樣本點集合，yt(x)＝{-1,1}表示樣本點x迭代t次后的標(biāo)簽，1表示目標(biāo)，-1表示背景，h(x)表示直方圖；根據(jù)MoLC等式更新分布參數(shù)θt+1，MoLC等式的估計方法表示為，其中，表示對數(shù)矩；參數(shù)更新的實現(xiàn)方式為，采用EM迭代方式，基于MoLC對參數(shù)θ進行初始化，然后在迭代過程中，將后驗概率最大時的標(biāo)簽值，作為圖像的最終類別；重復(fù)以上過程直至達到收斂狀態(tài)。而且，所述步驟2.1的實現(xiàn)方式如下，將混合統(tǒng)計分布與多部件模型相結(jié)合，包括將統(tǒng)計分布得到的分布參數(shù)作為部件模型中目標(biāo)的特征描述，相應(yīng)參數(shù)包括混合統(tǒng)計分布模型參數(shù)Θ＝{w1,w2,...,wK；θ1,θ2,...,θK}和部件模型位置信息參數(shù)Pm＝(Fm,υm,sm,dm)，隱變量z＝(p0,p1,...,pM)和部件濾波器pm＝(am,bm,lm)；首先，在SAR圖像訓(xùn)練集上，通過標(biāo)準(zhǔn)SVM方法確定根濾波器的初始值F0，并對根濾波器進行插值處理后，在二倍分辨率上采用貪婪算法選擇與部件濾波器同等尺寸的具有最大正權(quán)重平方和的局部區(qū)域，作為第m個部件濾波器的初始值和位置，得到位置Pm＝(Fm,υm,sm,dm)，其中Fm表示部件濾波器，υm是二維向量，表示第m個部件相對于根濾波器的矩形框偏移位置，sm表示這個矩形框的尺寸，dm表示變形代價向量，m＝1,2,…,M；將此區(qū)域的所有權(quán)重清零，然后繼續(xù)選擇下一個部件濾波器，直到完成所有M個部件濾波器的初始化；將根濾波器和部件濾波器在圖像子塊X中的位置z＝(p0,p1,...,pM)作為隱含變量，其中pm＝(am,bm,lm)表示X的特征金字塔第lm層中以坐標(biāo)(am,bm)為左上角的濾波器檢測框，對應(yīng)的特征向量用φ(pm)表示，根濾波器的分數(shù)定義為F0·φ(p0)，部件濾波器的分數(shù)定義為其中，衡量部件m的偏移程度，(a0,b0)表示根濾波器在圖像金字塔中的位置坐標(biāo)，2(a0,b0)+υm表示部件濾波器未發(fā)生偏移時的位置坐標(biāo)，作為錨點；然后，引入基于目標(biāo)長寬比例的擴展因子，空間位置z的總分數(shù)計算公式表示為，其中，g表示擴展因子，γ表示已知的目標(biāo)長寬比例值；多部件模型參數(shù)表示為β＝(F0,F1...,FM,d1,...,dM,g)，多部件模型對應(yīng)的特征向量表示為，最后，采用LatentSVM方法更新根濾波器和部件濾波器，該過程包括分為以下兩個步驟迭代，(a)保持模型參數(shù)β值不變，尋找各個濾波器分數(shù)最高的位置，得到隱含變量z的最優(yōu)值，然后得到最優(yōu)位置的特征向量；(b)保持樣本的隱含變量z值不變，模型的參數(shù)β轉(zhuǎn)化為SVM的分割超平面，β通過下式優(yōu)化，其中，fβ(X)表示懲罰項，max(0,1-yfβ(X))是標(biāo)準(zhǔn)鉸鏈損失函數(shù)，C為權(quán)重，y＝{-1,1}為X的類別標(biāo)簽，-1表示是背景，1表示是目標(biāo)，Φ(X,z)表示Φ(z)；通過解上式中定義的凸規(guī)劃問題來實現(xiàn)β值的最優(yōu)化，采用隨機梯度下降法實現(xiàn)，對于圖像塊X，對模型參數(shù)β的目標(biāo)函數(shù)計算梯度，其中，-yΦ(X,z(β))為梯度，用-NyΦ(X,z(β))來近似，N表示圖像子塊數(shù)目，Φ(X,z(β))表示Φ(z)。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明通過結(jié)合混合統(tǒng)計分布模型和多部件模型，引入基于目標(biāo)長寬比例的擴展因子，提出了一種新的基于混合統(tǒng)計分布與多部件模型的SAR圖像目標(biāo)檢測方法。采用混合分布對SAR圖像進行統(tǒng)計建模，并與結(jié)構(gòu)信息相結(jié)合，將像素級的目標(biāo)檢測結(jié)果發(fā)展為目標(biāo)級的目標(biāo)檢測結(jié)果。在此基礎(chǔ)上，引入擴展因子，利用目標(biāo)尺寸信息對模型參數(shù)進一步調(diào)整與優(yōu)化。本發(fā)明在檢測方法中加入目標(biāo)的特性，可以得到更好的檢測結(jié)果。附圖說明圖1是本發(fā)明實施例SAR圖像的混合統(tǒng)計分布建模流程圖；圖2是本發(fā)明實施例SAR圖像的模型訓(xùn)練與目標(biāo)檢測流程圖。具體實施方式以下結(jié)合附圖和實施例詳細說明本發(fā)明技術(shù)方案。本發(fā)明針對SAR圖像的統(tǒng)計分布特征，結(jié)合了目標(biāo)結(jié)構(gòu)信息和尺寸信息，提出了用于SAR圖像目標(biāo)檢測的基于混合統(tǒng)計分布與多部件模型的方法。采用混合分布對SAR圖像的空間金字塔進行統(tǒng)計建模，并與多部件模型相結(jié)合，通過根濾波器和部件濾波器檢測窗口將像素級的目標(biāo)檢測結(jié)果發(fā)展為目標(biāo)級的目標(biāo)檢測結(jié)果。在此基礎(chǔ)上，引入擴展因子，利用目標(biāo)尺寸信息對模型參數(shù)進一步調(diào)整與優(yōu)化。本發(fā)明實施例可采用計算機軟件技術(shù)實現(xiàn)自動流程運行，包括兩個階段，混合統(tǒng)計分布建模階段和模型訓(xùn)練與目標(biāo)檢測階段。參見圖1，實施例的混合統(tǒng)計分布建模階段包括以下兩個步驟：步驟1.1，對訓(xùn)練集所有SAR圖像分別構(gòu)建空間金字塔，以原始圖像作為底層，具體實施時可采用通過采樣、平滑方式實現(xiàn)，本發(fā)明不予贅述；然后對金字塔中任一層子圖像建立混合統(tǒng)計分布模型，包括對金字塔中每層子圖像所有樣本點的鄰域子塊X＝{x1,...,xn}進行混合統(tǒng)計分布建模，x1,…,xn指子塊中的像素點，n指子塊中像素點個數(shù)，數(shù)目由以樣本點為中心的窗口大小確定；其概率密度函數(shù)F(X)表示為K個統(tǒng)計分布的線性加權(quán)：其中，pi(θi)表示混合分布中第i個概率密度分布，θi表示表示第i個概率密度分布的模型參數(shù)，wi表示第i個概率密度分布的權(quán)重，且0≤wi≤1，K表示混合統(tǒng)計分布模型個數(shù)，K的取值根據(jù)擬合程度確定，擬合度越好，取值越大。每個樣本點需要估計的參數(shù)向量為Θ＝{w1,w2,...,wK；θ1,θ2,...,θK}。因此，任一層子圖像的混合分布模型表示為：其中，N指鄰域子塊個數(shù)，Xj指第j個鄰域子塊。步驟1.2，對混合統(tǒng)計分布模型的表達式取對數(shù)，得lnL(Θ)為將期望最大化(EM)算法與MoLC參數(shù)估計方法相結(jié)合，對混合統(tǒng)計模型的參數(shù)進行估計，實現(xiàn)如下：(a)E步，令t表示迭代次數(shù)，基于當(dāng)前參數(shù)的后驗概率表示為：其中，和分別表示迭代t次后第i個概率密度分布和概率權(quán)重，表示對應(yīng)的分布參數(shù)。然后根據(jù)該后驗概率確定每個樣本點x所服從分布的標(biāo)簽yt(x)＝{-1,1}，目標(biāo)的標(biāo)簽用1表示，背景用-1表示。(b)M步，采用MoLC參數(shù)估計：對于第i個概率密度分布，其權(quán)重可以通過基于直方圖的估計方法得到，用公式表示為：其中，表示服從第i個概率密度分布的樣本點集合。h(x)表示直方圖，即權(quán)值計算過程是求解每一個分布的直方圖對總體樣本的直方圖貢獻的大小。根據(jù)MoLC等式更新分布參數(shù)θt+1，MoLC等式的估計方法表示為：其中，表示對數(shù)矩。參數(shù)更新的實現(xiàn)方式為，采用EM迭代方式，基于MoLC對參數(shù)θ進行初始化，然后在迭代過程中，將后驗概率最大時的標(biāo)簽值，作為圖像的最終類別，1表示目標(biāo)，-1表示背景。重復(fù)以上過程直至達到收斂狀態(tài)。參見圖1，混合分布中各概率密度分布記為p1(θ1)…pK(θK)，分布權(quán)重記為w1…wK，通過以上方式得到參數(shù)估計結(jié)果中的分布參數(shù)θi|i＝1,2,…,K和分布權(quán)重wi|i＝1,2,…,K。參見圖2，實施例的模型訓(xùn)練與目標(biāo)檢測階段包括以下兩個步驟：步驟2.1，根據(jù)步驟1所得參數(shù)估計結(jié)果，將混合統(tǒng)計分布與多部件模型相結(jié)合，在SAR圖像訓(xùn)練集上，首先通過標(biāo)準(zhǔn)SVM方法確定根濾波器的初始值和位置以及部件濾波器的初始值和位置，然后通過引入基于目標(biāo)長寬比例的擴展因子，獲得根濾波器和部件濾波器的分數(shù)，最后采用LatentSVM方法更新根濾波器和部件濾波器。實施例根據(jù)步驟1所得參數(shù)估計結(jié)果θi|i＝1,2,…,K和wi|i＝1,2,…,K，將混合統(tǒng)計分布與多部件模型相結(jié)合，在SAR圖像訓(xùn)練集上，通過標(biāo)準(zhǔn)SVM方法確定根濾波器的初始值F0，并對根濾波器進行插值處理后，在二倍分辨率上采用貪婪算法選擇與部件濾波器同等尺寸的具有最大正權(quán)重平方和的局部區(qū)域(具體實現(xiàn)為現(xiàn)有技術(shù)，本發(fā)明不予贅述)，作為第m(m＝1,2,…,M)個部件濾波器的初始值和位置，即位置Pm＝(Fm,υm,sm,dm)，其中Fm表示部件濾波器，υm是二維向量，表示第m個部件相對于根濾波器的矩形框偏移位置，sm表示這個矩形框的尺寸，dm表示變形代價向量。將此區(qū)域的所有權(quán)重清零，然后繼續(xù)選擇下一個部件濾波器，直到完成所有M個部件濾波器的初始化。將混合統(tǒng)計分布與多部件模型相結(jié)合，包括將統(tǒng)計分布得到的分布參數(shù)作為部件模型中目標(biāo)的特征描述，相應(yīng)參數(shù)包括混合統(tǒng)計分布模型參數(shù)Θ＝{w1,w2,...,wK；θ1,θ2,...,θK}和部件模型位置信息參數(shù)Pm＝(Fm,υm,sm,dm)，隱變量z＝(p0,p1,...,pM)和部件濾波器pm＝(am,bm,lm)。將根濾波器和部件濾波器在圖像子塊X中的位置z＝(p0,p1,...,pM)作為隱含變量，其中pm＝(am,bm,lm)表示X的特征金字塔第lm層中以坐標(biāo)(am,bm)為左上角的濾波器檢測框，對應(yīng)的特征向量用φ(pm)表示，M指部件濾波器個數(shù)，m的取值為1到M；因此根濾波器的分數(shù)定義為F0·φ(p0)，部件濾波器的分數(shù)定義為：其中，衡量部件m的偏移程度，(a0,b0)表示根濾波器在圖像金字塔中的位置坐標(biāo)，對應(yīng)到部件濾波器所在層需乘以2。因此，2(a0,b0)+υm表示部件濾波器未發(fā)生偏移時的位置坐標(biāo)，即錨點。通過模型訓(xùn)練過程可以得到根濾波器和部件濾波器的位置，即錨點。在測試匹配的過程中，部件濾波器相對于錨點位置會發(fā)生偏移，這個偏移量即為然后就可以進一步求平方得在此基礎(chǔ)上，引入基于目標(biāo)長寬比例的擴展因子，空間位置z的總分數(shù)計算公式表示為：其中，g表示擴展因子，γ表示已知的目標(biāo)長寬比例值。利用該擴展因子對模型的訓(xùn)練過程進行干預(yù)，減小檢測窗口尺寸誤差對濾波器訓(xùn)練結(jié)果的影響。因此，多部件模型參數(shù)表示為β＝(F0,F1...,FM,d1,...,dM,g)，多部件模型對應(yīng)的特征向量可以表示為：然后，采用LatentSVM方法更新根濾波器和部件濾波器。該過程主要分為以下兩個步驟迭代：(a)保持模型參數(shù)β值不變，尋找各個濾波器分數(shù)最高的位置，即隱含變量z的最優(yōu)值，然后得到這個最優(yōu)位置的特征向量。(b)保持樣本的隱含變量z值不變，模型的參數(shù)β轉(zhuǎn)化為SVM的分割超平面，β可通過下式優(yōu)化得到優(yōu)化結(jié)果β*：其中，fβ(X)表示懲罰項，max(0,1-yfβ(X))是標(biāo)準(zhǔn)鉸鏈損失函數(shù)，C為權(quán)重，y＝{-1,1}為X的類別標(biāo)簽，-1表示是背景，1表示是目標(biāo)；Φ(X,z)即Φ(z)。通過解上式中定義的凸規(guī)劃問題來實現(xiàn)β值的最優(yōu)化。這一步驟主要通過隨機梯度下降法實現(xiàn)(具體實現(xiàn)為現(xiàn)有技術(shù)，本發(fā)明不予贅述)，對于圖像塊X，對模型參數(shù)β的目標(biāo)函數(shù)計算梯度其中，-yΦ(X,z(β))為梯度，可以用-NyΦ(X,z(β))來近似，N表示圖像子塊數(shù)目，Φ(X,z(β))即Φ(z)。步驟2.2，對SAR圖像訓(xùn)練集中的所有圖像構(gòu)建混合統(tǒng)計分布特征金字塔，采用矩形滑窗方式，在特征金字塔的每一層上進行搜索，依次記錄下最優(yōu)根濾波器位置的坐標(biāo)、得分以及部件濾波器標(biāo)號與部件濾波器坐標(biāo)，當(dāng)檢測窗口內(nèi)綜合分數(shù)大于檢測閾值時，保留該根濾波器窗口和部件濾波器窗口，作為目標(biāo)檢測框。實施例先對SAR圖像訓(xùn)練集中的所有圖像構(gòu)建混合統(tǒng)計分布特征金字塔，具體構(gòu)建方式和步驟1中構(gòu)建方式相同。然后采用矩形滑窗方式，在特征金字塔的每一層上進行搜索。在每個根濾波器檢測窗口中計算根濾波器得分，然后在根濾波器二倍分辨率的金字塔層上，以訓(xùn)練得到的部件濾波器位置為參考點，尋找使得部件濾波器分數(shù)減去偏離參考位置的懲罰項后的差值最大的位置。依次記錄下最優(yōu)根濾波器位置的坐標(biāo)、得分以及部件濾波器標(biāo)號與部件濾波器坐標(biāo)，最終總分數(shù)的計算如公式(11)：當(dāng)檢測窗口內(nèi)綜合分數(shù)大于檢測閾值時，保留該根濾波器窗口和部件濾波器窗口，作為目標(biāo)檢測框。為驗證本發(fā)明技術(shù)效果，可以根據(jù)本發(fā)明提出的基于混合統(tǒng)計分布與多部件模型的高分辨率SAR圖像目標(biāo)檢測方法對飛機、電力塔、建筑等目標(biāo)的檢測結(jié)果進行驗證。如表1、2所示，從表1和表2中可以看出，相同目標(biāo)數(shù)的情況下，本發(fā)明的檢測數(shù)多、虛警數(shù)為0，對目標(biāo)的檢測率明顯高于其他方法，綜合各指標(biāo)說明本發(fā)明的性能優(yōu)于其他方法。表1武漢地區(qū)電力塔目標(biāo)檢測結(jié)果(9個目標(biāo))表2某基地飛機目標(biāo)檢測結(jié)果(13個目標(biāo))本發(fā)明中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬
技術(shù)領(lǐng)域：
：的技術(shù)人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。當(dāng)前第1頁1 2 3 當(dāng)前第1頁1 2 3