基于特征融合和聚類的高分辨sar圖像快速艦船檢測方法
【專利摘要】本發(fā)明公開了一種基于特征融合和聚類的高分辨SAR圖像快速艦船檢測方法，其實現(xiàn)步驟為：基于SAR圖像中各地物后向散射特性以及艦船目標的先驗信息，用Otsu算法和區(qū)域約束定位出目標潛在位置索引圖；在索引圖上運用基于局部對比度的CFAR算法進行預篩選得到檢測二值分割圖；對檢測結(jié)果進行形態(tài)學處理，并根據(jù)處理的結(jié)果從SAR圖像和檢測后的二值分割圖中提取潛在目標切片；運用設計的鑒別特征對所提取的切片進行K-means聚類，得到最終的鑒別結(jié)果。本發(fā)明通過預處理有效減少了檢測階段的數(shù)據(jù)量，避免逐點檢測帶來的時間開銷。同時所設計的特征和無監(jiān)督聚類方法能克服現(xiàn)有訓練樣本不足的情況下目標的鑒別問題，可有效定位目標的位置并估計出目標的尺寸。
【專利說明】基于特征融合和聚類的高分辨SAR圖像快速艦船檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，涉及一種基于特征融合和聚類的SAR圖像快速艦船目標檢測方法，用于合成孔徑雷達圖像的理解與解譯。
【背景技術(shù)】
[0002]合成孔徑雷達(Synthetic Aperture Radar, SAR)是一種運用微波進行成像的主動式傳感器，它的成像不受天氣、光照等條件的限制，可以對感興趣目標進行全天時、全天候的觀測。多波段、全極化、不同工作模式的SAR系統(tǒng)的出現(xiàn)使得全方位對地觀測成為可能。目前，SAR圖像的解譯能力無法滿足收集到的大量圖像處理的需求，這直接導致了 SAR圖像解譯技術(shù)的發(fā)展。利用SAR圖像進行艦船目標檢測是實現(xiàn)海洋監(jiān)視、漁業(yè)管控的重要手段，而我國領(lǐng)海廣闊、海洋資源豐富，開展SAR圖像艦船檢測具有重要意義。
[0003]20世紀80年代，林肯實驗室提出了基于分層注意機制的合成孔徑雷達自動目標識別(SARATR)三級處理流程，成為了科學界的共識。該模型采用分層處理方式，首先對整幅SAR圖像進行預覽或檢測以去除明顯不是目標的區(qū)域，得到潛在目標區(qū)域；然后對潛在目標區(qū)域進行鑒別，去除其中的自然雜波虛警以得到目標感興趣區(qū)域；最后對感興趣區(qū)域進行更加復雜的特征提取和分類，以實現(xiàn)目標識別的目的。隨著處理的深化，所要處理的數(shù)據(jù)量會越來越少，而計算復雜度會越來越大，從而可以實現(xiàn)高效的理解與解譯。SAR ATR對于目標識別的實時性和準確率都有著較高的要求，需要開發(fā)出快速和高效的算法來滿足實際需求。
[0004]當前SAR圖像艦船檢測的算法多利用艦船目標和周圍海域在SAR圖像上所表現(xiàn)出的特征差異，通過設定一個自適應閾值來進行檢測。經(jīng)典的恒虛警率(CFAR)檢測器是根據(jù)艦船目標和周圍海域灰度特征的差異，對背景用正態(tài)分布建模后根據(jù)設定的虛警率來自適應尋找檢測閾值，可以達到理論上的恒虛警率。CFAR檢測是一種簡單有效的檢測方法，根據(jù)下式進行判斷目標點的存在與否。
【權(quán)利要求】
1.基于特征融合和聚類的高分辨SAR圖像快速艦船檢測方法，其特征在于，包括如下步驟: (1)基于地物散射特性與先驗的預處理 Ia)根據(jù)圖像的歸一化直方圖尋找使類間方差最大的Otsu最優(yōu)分割閾值，將原始SAR圖像分為亮區(qū)域和暗區(qū)域兩部分，得到二值分割圖； Ib)對步驟Ia)得到的二值分割圖進行孔洞填充后去掉二值分割圖中面積遠大于艦船目標面積的連通區(qū)域，得到潛在目標區(qū)域的索引圖； (2)基于局部對比度的CFAR檢測 2a)根據(jù)艦船目標的尺寸，選取CFAR檢測所需的目標支撐區(qū)域大小和雜波支撐區(qū)域的大??； 2b)對原始SAR圖像和索引圖圍繞邊界進行鏡像反射擴展，預先設定檢測的虛警率以在檢測過程中根據(jù)背景信息自適應地確定每個點處的檢測閾值； 2c)在索引圖所指示的潛在目標位置上，計算目標支撐區(qū)域的平均能量和空心滑動窗口內(nèi)雜波支撐區(qū)域的平均能量及其能量的標準差，根據(jù)待測像素點支撐區(qū)域的像素均值與該點處的檢測閾值的大小關(guān)系來判定該點是否為目標像素點； 2d)空心滑動窗口在原始SAR圖像上進行移動得到檢測的結(jié)果后，對得到的檢測結(jié)果進行腐蝕膨脹操作以去 除孤立的檢測點并且用孔洞填充來補充被掩蓋的目標點； (3)感興趣區(qū)域提取及其特征構(gòu)建與融合 3a)從檢測后的二值分割圖中提取所有連通區(qū)域并去除面積遠小于目標的連通區(qū)域，根據(jù)剩余區(qū)域的質(zhì)心和預設切片的大小，從原始SAR圖像和檢測后的二值分割圖中提取出感興趣區(qū)域的切片； 3b)在提取的各原始SAR圖像切片上計算對數(shù)標準差作為度量此區(qū)域強度波動性的特征；在提取的各檢測后的二值分割圖切片上尋找八連通區(qū)域的個數(shù)作為描述區(qū)域最強散射點空間散度的特征；同時，根據(jù)檢測后的二值分割圖所指示的目標區(qū)域位置計算對應的原始SAR圖像中能量的平均值作為目標區(qū)域平均能量的度量； 3c)將對數(shù)標準差、八連通區(qū)域數(shù)和目標區(qū)域平均能量分別進行歸一化融合后形成具有更強鑒別力的特征向量，作為對于各感興趣區(qū)域的綜合描述；目標區(qū)域和雜波區(qū)域的特征在特征空間上呈現(xiàn)出聚集特性，而且對于目標區(qū)域和雜波區(qū)域的各特征都是有先驗的指導； (4)基于特征先驗和K-means聚類的目標鑒別 4a)設定聚類類別數(shù)、最大迭代次數(shù)以及由特征先驗所決定的初始聚類中心，按照歐氏距離來度量每個待測樣本與聚類中心的相似度，并以此將各個樣本歸類，直至K-means聚類達到收斂； 4b)根據(jù)最終得到的樣本類別，將聚為目標的樣本所對應的感興趣區(qū)域位置找到，并用合適大小的邊界框在原始SAR圖像上將最后確定為艦船目標的區(qū)域標定出來； 4c)從標定為艦船目標的區(qū)域所對應的檢測后的二值分割圖中提取出目標的最小外接矩形，從而得出該艦船目標的長度和寬度。
2.根據(jù)權(quán)利要求1所述的基于特征融合和聚類的高分辨SAR圖像快速艦船檢測方法，其特征在于，所述步驟Ia)中，假設原始SAR圖像為I，其大小為mXn，用使類間方差最大的最優(yōu)分割閾值Ttjpt將圖像分割成明區(qū)域和暗區(qū)域兩部分，最優(yōu)分割閾值Ttjpt依據(jù)下式獲得:
3.根據(jù)權(quán)利要求1所述的基于特征融合和聚類的高分辨SAR圖像快速艦船檢測方法，其特征在于:所述步驟Ib)中，對Otsu分割后的二值分割圖進行孔洞填充以補全連通區(qū)域，統(tǒng)計所有連通區(qū)域的大小后，將面積遠大于艦船目標尺寸3倍的區(qū)域去除。
4.根據(jù)權(quán)利要求1所述的基于特征融合和聚類的高分辨SAR圖像快速艦船檢測方法，其特征在于，所述步驟3a)中，從檢測后的二值分割圖中提取所有連通區(qū)域的方法是:對檢測后的二值分割圖進行形態(tài)學操作，所述形態(tài)學操作包括用孔洞填充來補全連通區(qū)域，用腐蝕和膨脹去除孤立點并且連接鄰接點，從而得到所有連通區(qū)域。
5.根據(jù)權(quán)利要求1所述的基于特征融合和聚類的高分辨SAR圖像快速艦船檢測方法，其特征在于，所述步驟2c)中，目標像素點的判斷標準為:若待測像素點支撐區(qū)域的像素均值大于該點處的檢測閾值，則該點被判斷為目標像素點；若待測像素點支撐區(qū)域的像素均值小于或等于該點處的檢測閾值，則該點被判斷為雜波像素點。
【文檔編號】G06K9/46GK104036239SQ201410234205
【公開日】2014年9月10日 申請日期:2014年5月29日 優(yōu)先權(quán)日:2014年5月29日
【發(fā)明者】楊淑媛, 焦李成, 王士剛, 侯彪, 劉芳, 劉紅英, 馬晶晶, 馬文萍, 熊濤, 劉趙強 申請人:西安電子科技大學