基于空域混合模型的高分辨sar圖像目標檢測方法
【技術領域】
[0001] 本發(fā)明屬于圖像處理領域，是一種采用混合模型對高分辨SAR圖像進行目標檢測 的方法。
【背景技術】
[0002] 合成孔徑雷達是一種全天時、全天候的高分辨率雷達，在軍事，農業(yè)，自然災害監(jiān) 測等諸多領域有著廣泛的應用。SAR與其它遙感成像系統(tǒng)，光學成像系統(tǒng)等相比有很多差異 和優(yōu)點。在軍事目標識別方面，SAR圖像有分割、分類、目標識別等諸多應用，而目標識別是 SAR圖像在軍事方面的終極目標。與自然圖像不同，SAR本質上反映的是目標的電磁散射特 性和結構特性，SAR的成像不受天氣，光線等的影響，而在很大程度上依賴于雷達自身特性 和成像區(qū)域的地形地貌和地物特征。受合成孔徑雷達特性的影響，SAR圖像與傳統(tǒng)光學圖 像不同，SAR圖像灰度級變化較為緩慢，而且伴隨有大量的相干斑噪聲，因此傳統(tǒng)的用于光 學圖像的目標檢測與識別方法并不適用于SAR圖像；
[0003] 針對SAR圖像的這些特性，有許多基于分布模型的SAR圖像處理算法：
[0004] 基于相干班抵制的方法。這類方法首先對SAR圖像用濾波的方法抵制相干斑，在 處理過后的較為平滑的圖像上采用光學圖像的方法分割、分類或檢測目標。常用的濾波方 法包括Sigma濾波、均值濾波、中值濾波、Kuan濾波、Lee濾波等方法。經過濾波抵制相干斑 后處理在效果表現上有所提升，但由于濾波過程會導致邊緣信息的丟失，這會導致檢測結 果輪廓不準確，對精確打擊造成困難；
[0005] 基于SAR圖像分布模型的分類和目標檢測方法。這類方法首先對SAR圖像進行建 模。最常用的方法是恒虛警（CFAR)的方法，但隨著當前合成孔徑雷達的不斷發(fā)展，SAR圖 像的分辨越來越高，傳統(tǒng)SAR圖像模型算法已經不適用于當前高分辨SAR圖像，這種不適應 性主要體現在兩個方面，一是傳統(tǒng)SAR圖像模型不能很好的逼近高分辨SAR圖像的分布，二 是高分辨SAR圖像的背景分布變化具有一定連續(xù)性，而傳統(tǒng)SAR圖像分布模型不能很好的 模擬這種連續(xù)性，導致檢測結果不能成為一個整體；
[0006] 基于廣義伽馬分布的恒虛警（CFAR)目標檢測方法。在空域CFAR檢測中，最 典型的方法是 CA-CPAR(Cell_Averaging CFAR)，參見 Jung, Chul H. ;Korea Aerospace University,Korea ；Yang,Hee J. ；Song,Woo Y. ；Kwag,Young K.Multi-Target Detection Using 2_D Distributed Cell-Averaging CFAR in High Resolution SAR Images,Synthetic Aperture Radar (EUSAR)，2010 8th European Conference on，2010, 10(7):978-3-8007-3272-2。 0S_CFAR(0rdered statistic CFAR)，參見 Choj C. -M. ；Dept. of Electr. Eng. , State Univ. of New York, Stony Brook，NY，USA ; Barkatj M. Moving ordered statistics CFAR detection for nonhomogeneous backgrounds, Radar and Signal Processing, IEE Proceedings F(Volume:140, Issue:5): 0956-375X-4522124。
[0007] CA-CFAR算法，在均勻雜波時表現較好，當遇到雜波邊緣和多個點目標時，均值估 計會受到影響，算法性能會下降。OS-CFAR算法能克服CA-CFAR算法的缺陷，但在均勻雜波 時不如CA-CFAR算法。
[0008] 這些CFAR算法各有優(yōu)缺點，有的太復雜，實用性較差，有的適用范圍有限，沒有哪 個CFAR算法適合所有的雜波情況。
[0009] 隨著多合成孔徑雷達的不斷發(fā)展，SAR圖像的分辨率越來越高，人們對SAR的目標 檢測的要求也越來越高，檢測效果的評價也漸漸嚴苛起來，主要表現在以下幾個方面：同質 區(qū)域的內部一致性要高，要可以將目標檢測為一個整體，不同目標應該能有效的區(qū)分開來； 邊緣邊界的清晰性，檢測正確率要高。而不論以上哪種CFAR的方法都具有一定的缺陷，不 能滿足要求。

【發(fā)明內容】

[0010] 本發(fā)明的目的在于克服上述傳統(tǒng)方法的不足，提出一種基于空域混合參數模型的 高分辨SAR圖像目標檢測方法，利用分布模型具體一定擴展性這一特點可以將目標檢測為 一個整體，提高區(qū)域一致性和目標邊緣精確度，從而保證檢測目標的完整和準確。
[0011] 實現本發(fā)明目的的技術方案是：
[0012] 使用廣義伽馬分布、高斯分布和四階函數分布的聯(lián)合分布對高分辨SAR圖像進行 建模，挖掘圖像中的參數信息，構建出能有效逼近高分辨SAR圖像的混合模型，有效的克服 了傳統(tǒng)單一模型不能較好的逼近高分辨SAR圖像的問題，并用該模型分別檢測目標和目標 陰影，并用陰影對目標進行補償，得到目標的形狀信息。其具體實現過程如下：
[0013] 1)對特定區(qū)域的高分辨SAR圖像人工選取不同類別的訓練樣本；
[0014] 2)由訓練樣本采用MoLC方法和麗SE的方法訓練四階函數分布和高斯分布以及廣 義伽馬分布的參數，并對每一類進行聯(lián)合建模，得到混合分布模型；
[0015] 3)對待分類的圖像基于以上得到的由四階函數模型、高斯分布模型和廣義伽馬分 布模型構成的混合模型提取混合分布的分布參數；
[0016] 4)基于麗SE的分類，對高分辨SAR圖像的點逐個加窗并計算其分布參數，采用 MMSE的方法將其分布逼近已得到的混合模型，并基于混合模型進行分類，分類結果包括目 標、背景和目標陰影；
[0017] 5)利用先驗知識剔除非陰影暗區(qū)域，得到由目標形成的陰影，用到的先驗知道主 要包括陰影面積大小，陰影與目標區(qū)域的距離等；
[0018] 6)利用目標陰影補償目標點；
[0019] 7)得到檢測結果。
[0020] 本發(fā)明與現有的技術相比具有以下優(yōu)點：
[0021] 1、本發(fā)明由于使用廣義伽馬分布、高斯分布和四階函數分布聯(lián)合對高分辨SAR圖 像進行建模，能夠更好的逼近高分辨SAR圖像的分布函數，保證了建模的準確性；
[0022] 2、本發(fā)明自用聯(lián)合模型首先對高分辨SAR圖像進行分類，并利用參數信息提取目 標點，有效我解決了傳統(tǒng)方法應用于高分辨SAR圖像目標檢測時導致目標點不連續(xù)的問 題。
[0023] 3、本發(fā)明由于利用先驗信息，對目標進行補償，使檢測到的目標更完整；
[0024] 4、仿真結果表明，本發(fā)明方法較小波CFAR能更有效的進行目標檢測。
【附圖說明】
[0025] 圖1是本發(fā)明的流程示意圖；
[0026] 圖2是本發(fā)明在一幅簡單背景高分辨SAR圖像上的仿真結果圖；
[0027] 圖3是本發(fā)明在一幅包含兩類背景的高分辨SAR圖像上的仿真結果圖；
[0028] 圖4是本發(fā)明在一副包含復雜地物信息的高分辨SAR圖像上的仿真結果圖。
【具體實施方式】
[0029] 參照圖1，本發(fā)明的具體實現步驟如下：
[0030] 步驟一、對特定區(qū)域的高分辨SAR圖像人工選取不同類別的訓練樣本。
[0031] 在待檢測的高分辨SAR圖像中選取不同類別的具有代表性的區(qū)域，并對不同類別 的像素進行標記，對于簡單圖像可簡單的選擇目標區(qū)域、背景區(qū)域和目標陰影區(qū)域，對于 較復雜的SAR圖像，可根據需要對背景區(qū)域進行細化，標記為{I。，I1，…，IJ。
[0032] 步驟二、對{I。，I1, . . .，Ιε}提取特征參數，得到特征參數{S。，S1, . . .，Sc}。
[0033] 將選擇的區(qū)域用MoLC方法提取廣義伽馬分布特征參數，用求均值與方差的方法 提取高斯分布參數，用MMSE方法提取四階函數特征參數，并用三種分布對每一類圖像進行 聯(lián)合建模；
[0034] 步驟三、對待分類的高分辨SAR圖像基于以上得到的由四階函數模型、高斯模型 和廣義伽馬分布模型構成的混合