基于先驗(yàn)場景知識(shí)的sar目標(biāo)檢測虛警去除方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于雷達(dá)目標(biāo)識(shí)別技術(shù)領(lǐng)域，特別涉及一種SAR目標(biāo)檢測虛警去除方法， 可用于SAR圖像目標(biāo)檢測的后處理。
【背景技術(shù)】
[0002] 合成孔徑雷達(dá)SAR是一種利用微波進(jìn)行感知的主動(dòng)傳感器，它具有全天候、全天 時(shí)、分辨率高以及穿透力強(qiáng)等特點(diǎn)，成為目前對(duì)地觀測和軍事偵察的重要手段。自20世紀(jì) 50年代以來，雷達(dá)成像技術(shù)日益成熟，成像分辨率不斷提高，使得SAR圖像目標(biāo)檢測和識(shí)別 技術(shù)受到了越來越廣泛的關(guān)注。
[0003] 現(xiàn)有的SAR圖像目標(biāo)檢測算法，對(duì)于復(fù)雜場景下目標(biāo)的檢測效果較差，會(huì)檢測出 大量虛警，降低后續(xù)鑒別和識(shí)別的準(zhǔn)確率。
[0004] 根據(jù)先驗(yàn)知識(shí)，目標(biāo)和環(huán)境的聯(lián)系非常緊密，特定目標(biāo)只會(huì)出現(xiàn)在特定的環(huán)境中。 例如，艦船只在水域中出現(xiàn)，飛機(jī)只能降落在機(jī)場，車輛目標(biāo)通常停在開闊地?，F(xiàn)有的目標(biāo) 檢測方法由于沒有考慮目標(biāo)和環(huán)境的關(guān)系，有可能在陸地中檢測到疑似艦船目標(biāo)，在非機(jī) 場區(qū)域檢測到疑似飛機(jī)目標(biāo)，在樹木、建筑等不可能存在車輛的區(qū)域檢測出疑似車輛目標(biāo)， 造成復(fù)雜場景下SAR目標(biāo)檢測虛警過多。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提出一種基于先驗(yàn)場景知識(shí)的SAR目標(biāo)檢測虛警去除方法，通 過找出樹木、建筑不可能存在目標(biāo)的區(qū)域，去除該區(qū)域內(nèi)檢測到的疑似目標(biāo)，降低復(fù)雜場景 下SAR圖像目標(biāo)檢測虛警率，提高后續(xù)鑒別、識(shí)別的性能。
[0006] 本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：
[0007] - ·技術(shù)思路：
[0008] 本發(fā)明通過預(yù)處理、區(qū)域生長、一類分類和去除虛警這四個(gè)階段實(shí)現(xiàn)。
[0009] 在預(yù)處理階段，主要用于完成對(duì)SAR圖像的下采樣和均值濾波操作。
[0010] 在區(qū)域生長階段，主要用于完成對(duì)SAR圖像中目標(biāo)所在區(qū)域的區(qū)域生長，獲得疑 似樹木、建筑、陰影這些不可能存在目標(biāo)的區(qū)域。
[0011] 在一類分類階段，主要完成對(duì)疑似樹木、建筑、陰影這些不可能存在目標(biāo)區(qū)域的分 類，獲得真實(shí)的樹木、建筑、陰影區(qū)域。
[0012] 在虛警去除階段，主要完成對(duì)樹木、建筑、陰影區(qū)域內(nèi)檢測到的疑似目標(biāo)的去除。
[0013] 二.實(shí)現(xiàn)步驟
[0014] 根據(jù)上述技術(shù)思路，本發(fā)明的實(shí)現(xiàn)步驟包括如下：
[0015]A.輸入原始SAR圖像I，并對(duì)其進(jìn)行兩次下采樣，每次下采樣后的圖像用3X3的 窗做均值濾波，得到預(yù)處理后的SAR圖像I';
[0016]B.通過區(qū)域生長獲取SAR圖像中不可能存在目標(biāo)的疑似區(qū)域：
[0017]B1)對(duì)預(yù)處理后的SAR圖像1'做直方圖統(tǒng)計(jì)，找到幅度值出現(xiàn)概率最高的像素點(diǎn) S!，將為初始種子點(diǎn)，構(gòu)成初始種子區(qū)域sR;
[0018] B2)在種子區(qū)域各像素點(diǎn)的八鄰域內(nèi)，找出滿足不等式"<77ire的像素點(diǎn) DpA ，將其合并到種子區(qū)域&中，其中，&為種子區(qū)域&的均值^為像素ADi八鄰 域內(nèi)的均值，Thre為根據(jù)圖像的幅度值給定的閾值；
[0019] B3)更新種子區(qū)域SR的均值，重復(fù)步驟B2)，直到在所述SAR圖像1'中不存在 Di，區(qū)域生長結(jié)束，得到區(qū)域生長二值標(biāo)記圖像Ib= {r，t}，其中，r為生長出的連通區(qū)域，t為未生長出的區(qū)域。將未生長出的區(qū)域t進(jìn)行連通區(qū)域標(biāo)記，連通區(qū)域像素個(gè)數(shù)小于100 的區(qū)域記為L，t2. . .tp，大于100的區(qū)域記為U12. . .lq;
[0020]B4)在未生長出的區(qū)域中，去除像素個(gè)數(shù)小于100的目標(biāo)大小狀的連通區(qū)域 ti,t2. . .tp，將剩余連通區(qū)域li，12. . .lq作為待分類的區(qū)域；
[0021] C.通過一類分類獲取不存在目標(biāo)的真實(shí)區(qū)域：
[0022] C1)在與原始SAR圖像I同一批次采集的SAR圖像中，選取一幅訓(xùn)練圖像It，并在 該訓(xùn)練圖像It中選取樹木、建筑、陰影區(qū)域，構(gòu)成訓(xùn)練樣本集T;
[0023] C2)用高斯混合模型對(duì)訓(xùn)練樣本集T的分布進(jìn)行擬合，得到訓(xùn)練樣本集T的概率密 度函數(shù)P(X)，其中X為訓(xùn)練樣本集T中某像素點(diǎn)X的幅度值；
[0024]C3)將預(yù)處理后的SAR圖像U中與區(qū)域h，12. . .lq對(duì)應(yīng)的各像素點(diǎn)p4勺幅度值 Xl，代入到概率密度函數(shù)Ρ(χ)中，將滿足不等式P(Xl) >〇.〇1的口1作為正確分類的像素點(diǎn)；
[0025]C4)計(jì)算11; 12...lq各區(qū)域中分類正確像素點(diǎn)與該區(qū)域總像素點(diǎn)個(gè)數(shù)之比R，找出 R彡0.7的區(qū)域Γy2...ΓP，p彡q，l'y2...Γp為最終分類正確的區(qū)域；
[0026]D.去除預(yù)處理后的SAR圖像1'中對(duì)應(yīng)Γi，l'2...Γp各區(qū)域內(nèi)檢測到的疑 似目標(biāo)，得到去除虛警后的圖像。
[0027] 本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)：
[0028]1.本發(fā)明由于去除了樹木、建筑、陰影這些不存在目標(biāo)區(qū)域內(nèi)的疑似目標(biāo)，所以能 夠有效降低復(fù)雜場景的SAR圖像目標(biāo)檢測虛警率；
[0029]2.本發(fā)明在同等條件下，由于虛警率的降低，使得后續(xù)算法的復(fù)雜度得到簡化，鑒 另IJ、識(shí)別性能得到提升。
【附圖說明】
[0030] 圖1為本發(fā)明的實(shí)現(xiàn)流程圖；
[0031] 圖2為本發(fā)明第一組實(shí)驗(yàn)所使用的真實(shí)SAR圖像；
[0032] 圖3為本發(fā)明實(shí)驗(yàn)中對(duì)圖2進(jìn)行初始種子點(diǎn)選取的結(jié)果；
[0033] 圖4為本發(fā)明實(shí)驗(yàn)中獲取圖2中疑似樹木、建筑、陰影的區(qū)域圖；
[0034] 圖5為本發(fā)明實(shí)驗(yàn)中選取訓(xùn)練樣本的SAR圖像；
[0035] 圖6為本發(fā)明實(shí)驗(yàn)中獲取圖2中真實(shí)樹木、建筑、陰影的區(qū)域圖；
[0036]圖7為本發(fā)明實(shí)驗(yàn)為驗(yàn)證對(duì)圖2的虛警去除效果所使用的基于超像素的SAR圖像 CFAR目標(biāo)檢測結(jié)果圖像；
[0037] 圖8為本發(fā)明實(shí)驗(yàn)中對(duì)圖7去除虛警的結(jié)果；
[0038] 圖9為本發(fā)明第二組實(shí)驗(yàn)所使用的真實(shí)SAR圖像；
[0039] 圖10為本發(fā)明實(shí)驗(yàn)中對(duì)圖9進(jìn)行初始種子點(diǎn)選取的結(jié)果；
[0040] 圖11為本發(fā)明實(shí)驗(yàn)中獲取圖9中疑似樹木、建筑、陰影的區(qū)域圖；
[0041] 圖12為本發(fā)明實(shí)驗(yàn)中選取訓(xùn)練樣本的SAR圖像；
[0042] 圖13為本發(fā)明實(shí)驗(yàn)中獲取圖9中真實(shí)樹木、建筑、陰影的區(qū)域圖；
[0043]圖14為本發(fā)明實(shí)驗(yàn)為驗(yàn)證對(duì)圖9的虛警去除效果所使用的所使用的基于超像素 的SAR圖像CFAR目標(biāo)檢測結(jié)果圖像；
[0044] 圖15為本發(fā)明實(shí)驗(yàn)中對(duì)圖14去除虛警的結(jié)果。
【具體實(shí)施方式】
[0045] 下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施步驟和效果作進(jìn)一步說明。
[0046] 參照?qǐng)D1，本發(fā)明基于先驗(yàn)場景知識(shí)的SAR目標(biāo)檢測虛警去除方法，實(shí)現(xiàn)步驟如 下：
[0047]步驟1，輸入原始SAR圖像I，并對(duì)其進(jìn)行兩次下采樣和均值濾波，得到預(yù)處理后的 SAR圖像I'。
[0048]la)設(shè)原始SAR圖像I的行數(shù)和列數(shù)分別為Μ和N，對(duì)I的每一行和每一列隔一個(gè) 像素點(diǎn)采樣，得到行數(shù)為Μ/2、列數(shù)為Ν/2的一次下采樣后圖像Id;
[0049]lb)對(duì)一次下采樣后圖像Id進(jìn)行均值濾波，得到一次下采樣均值濾波后圖像：
[0050]Idf =conv2(Id，W/9，'same' )，
[0051] 其中，conv2( ·)為二維卷積操作；W為二維模板，取3X3的全1矩陣；'same' 為保證一次下采樣圖像均值濾波前圖像Id與濾波后圖像Idf大小相同的參數(shù)；
[0052]lc)對(duì)一次下采樣均值濾波后圖像1&重復(fù)步驟A1)和A2)，即可得到行數(shù)和列數(shù) 分別為M/4和N/4的兩次下采樣均值濾波后的圖像I'。
[0053] 步驟2,通過區(qū)域生長獲取SAR圖像中不可能存在目標(biāo)的疑似區(qū)域。
[0054] 2a)對(duì)預(yù)處理后的SAR圖像1'做直方圖統(tǒng)計(jì)，找到幅度值出現(xiàn)概率最高的像素點(diǎn) S!，將為初始種子點(diǎn)，構(gòu)成初始種子區(qū)域SR;
[0055] 2b)在種子區(qū)域各像素點(diǎn)的八鄰域內(nèi)，找出滿足不等式<77w的像素點(diǎn) Dy/),??，將其合并到種子區(qū)域&中，其中，&為種子區(qū)域&的均值，^為像素ADi八鄰 域內(nèi)的均值，Thre為根據(jù)圖像的幅度值給定的閾值；
[0056] 2c)更新種子區(qū)域SR的均值^ :
[0057] 設(shè)更新前種子區(qū)域SR內(nèi)包含m個(gè)像素點(diǎn)，幅度值分別為vuv2. . . Vni，新合并到種子 區(qū)域SR中的像素點(diǎn)個(gè)數(shù)為n，幅度值分別為ν' uV2. . .Vn，則種子區(qū)域SR更新后的均
> 值為 △，即對(duì)更新前種子區(qū)域SR內(nèi)所有像素點(diǎn)的幅度 值與新合并到種子區(qū)域SR中像素點(diǎn)的幅度值求平均。
[0058] 2d)重復(fù)步驟2b)和2c)，直到在所述SAR圖像P中不存在01，結(jié)束區(qū)域生長， 得到區(qū)域生長二值標(biāo)記圖像Ib= {r，t}，其中，r為生長出的連通區(qū)域，t為未生長出的 區(qū)域。將未生長出的區(qū)域t進(jìn)行連通區(qū)域標(biāo)記，連通區(qū)域像素個(gè)數(shù)小于100的區(qū)域記為 ti,t2...tp，大于 100 的區(qū)域記為li，12...lq;
[0059] 2e)在未生長出的區(qū)域中去除像素個(gè)數(shù)小于100的目標(biāo)大小狀的連通區(qū)域 kt2. . .tp，將剩余未生長出的連通區(qū)域11; 12. . .lq作為待分類區(qū)域，即不可能存在目標(biāo)的 疑似區(qū)域。
[0060] 步驟3,通過一類分類獲取不存在目標(biāo)的真實(shí)區(qū)域。
[0061] 3a)在與原始SAR圖像I同一批次采集的SAR圖像中，選取一幅訓(xùn)練圖像It，并在 該訓(xùn)練圖像It中選取樹木、建筑、陰影區(qū)域，構(gòu)成訓(xùn)練樣本集T;
[0062] 3b)用高斯混合模型對(duì)訓(xùn)練樣本集T的分布進(jìn)行擬合，得到訓(xùn)練樣本集T的概率密 度函數(shù)Ρ(χ)為：
[0063]
[0064] 其中，η為高斯分量個(gè)數(shù)；卩^為高斯分量系數(shù)；σi為高斯分量標(biāo)