本發(fā)明涉及SAR圖像艦船目標分割方法。

背景技術：

我國有著廣大的海洋、河流等水域領土，因此來往的船只豐富，對船只進行監(jiān)測是十分必要的。普通的光學圖像極易受到外界條件干擾，這些外界條件包括時間、季節(jié)、天氣、云層等。合成孔徑雷達(SAR)，具有全天時、全天候的優(yōu)點，不易受外界條件干擾，可安裝在飛機、衛(wèi)星、宇宙飛船等飛行平臺上，全天時、全天候對地實施觀測、并具有一定的地表穿透能力，因而應用更加廣泛。

雷達目標的識別在國防上具有重大的實際意義，更是當前的熱點問題。由于SAR雷達的成像機制，所成的像中有著一定量的噪聲、海雜波、旁瓣、強反射“拖影”等等一系列干擾因素，這些都是我們不期望得到的。如何減少合成孔徑雷達的干擾因素，使雷達更具有抗干擾性也是學者們歷來所研究的問題，雷達成像質量也在一步步提高。但無論如何改進，干擾因素是永遠不可能完全不存在的，因此如何在有一定干擾條件下準確地自動地識別目標是必要的。

圖像分割就是把圖像分成若干個特定的、具有獨特性質的區(qū)域并提出感興趣目標的技術和過程。它是由圖像處理到圖像分析的關鍵步驟。將艦船目標分割出來，可以大大提高艦船檢測識別的效率、提升準確性?，F(xiàn)有的圖像分割方法主要分以下幾類：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等。

在艦船目標檢測常見算法中，傳統(tǒng)的基于K-分布雜波的CFAR算法精確但十分緩慢，且沒有足夠多的先驗信息以自動確定滑動窗大小，Otsu算法迅速但強海雜波下不夠精確，而且這些都是基于閾值的分割方法，有些SAR圖像中旁瓣和“拖影”過強、兩船距離過近，單純的基于閾值的分割方法不可能達到理想的效果。因此如何基于已有的各種圖像分割、特征分析、模式識別等算法，加以適當?shù)母倪M和改進，取長補短，最終設計出一種準確的、綜合的、高效的算法是十分關鍵的問題。

技術實現(xiàn)要素：

本發(fā)明的目的是為了解決現(xiàn)有方法檢測分割艦船目標時出現(xiàn)的先驗信息不足、旁瓣和“拖影”過強、兩船距離過近等導致分割不理想的問題，而提出一種SAR圖像艦船目標分割方法。

一種SAR圖像艦船目標分割方法具體過程為：

步驟一、對原始圖像進行基于顏色和區(qū)域的水陸分離；

步驟二、對水陸分離后的圖像進行Otsu二值分割及區(qū)域分割獲得艦船大??；

步驟三、基于艦船大小設定背景窗，假設背景窗中的雜波為K-分布，估計K-分布參數(shù)，獲得閾值，基于該閾值分割艦船目標；

步驟四、對艦船目標進行開運算，得到分割后圖像；

SAR為合成孔徑雷達，Otsu為最大類間方差。

本發(fā)明的有益效果為：

本發(fā)明將提出一種新的水陸檢測算法，而后應用迅速的Otsu二值算法粗略獲得先驗信息，再進行精確地檢測計算，并改進已有的基于K-分布雜波的CFAR算法，同時應用開運算等多種算法綜合，以提高分割的準確性。

傳統(tǒng)的方法只能處理僅含水面的SAR圖像，而本發(fā)明能處理包含陸地信息的SAR圖像。

傳統(tǒng)的CFAR算法沒有足夠的先驗信息，不能準確適用各種分辨率的SAR圖像，而且運行緩慢，本發(fā)明可以獲得足夠的先驗信息，能準確適用各種分辨率的SAR圖像，而且運行速度快。

傳統(tǒng)的基于閾值分割方法無法分離兩個相距過近的船，而本發(fā)明可以分離。

本發(fā)明獲得的分割圖圖7與現(xiàn)有技術分割圖圖3圖4相比，本發(fā)明對圖像艦船目標分割更精確。表1顯示了全過程的核心步驟——步驟三的matlab程序所用時間，傳統(tǒng)的方法處理一幅600萬像素的圖像需要45分，而本發(fā)明僅需76.214秒。

附圖說明

圖1為本發(fā)明流程圖；

圖2a為基于顏色和區(qū)域的分割方法分割出的水陸圖；

圖2b為基于顏色和區(qū)域的分割方法分割出的手工繪制的水陸圖；

圖3為Otsu二值算法和水陸圖與運算后得到的含有大量艦船目標和少量其他干擾的二值圖；

圖4為采用基于K-分布的CFAR檢測算法得到的艦船目標圖；

圖5a為開運算再處理前距離相近的兩船圖；

圖5b為開運算再處理后距離相近的兩船圖；

圖6a為開運算再處理前長拖影艦船圖；

圖6b為開運算再處理后的對比圖；

圖7是本發(fā)明獲得的分割圖。

具體實施方式

具體實施方式一：本實施方式的一種SAR圖像艦船目標分割方法具體過程為：

步驟一、對原始圖像進行基于顏色和區(qū)域的水陸分離；

步驟二、對水陸分離后的圖像進行Otsu二值分割及區(qū)域分割獲得艦船大小；

步驟三、基于艦船大小設定背景窗，假設背景窗中的雜波為K-分布，估計K-分布參數(shù)，獲得閾值，基于該閾值分割艦船目標；

步驟四、對艦船目標進行開運算，得到分割后圖像；

SAR為合成孔徑雷達，Otsu為最大類間方差。

具體實施方式二：本實施方式與具體實施方式一不同的是：所述步驟一中獲取原始圖像，對原始圖像進行基于顏色和區(qū)域的水陸分離；具體過程為：

步驟一一、基于顏色檢測，圖像中陸地偏黃色，水面偏藍色，對原始圖像檢測RGB值，取RGB值中B值大于等于R值的部分作為水面；取RGB值中B值(藍色分量)小于R值(紅色分量)的部分作為陸地；

步驟一二、保留步驟一一中分離出來的水面最大的區(qū)域并標記為黑色(灰度值為0)，其他區(qū)域均視為陸地并標記為白色(灰度值為255)得到一幅二值圖像；

步驟一三、將步驟一二得到的二值圖像進行開運算和反色變換，具體如下：

使用元素B對集合A進行開運算，定義為

其中，·為開運算，Θ表示腐蝕運算，表示膨脹運算；

膨脹運算的定義為

表示以B₁點的中心作為觀察點的B₁集合，具體來說是令B₁的中心點在A₁的邊界上平移一周后B₁掃過的區(qū)域和A₁的并集，即獲得所有滿足的像素點的集合。

腐蝕運算的定義為

意義同上，具體來說是令B₁的中心點在A₁的邊界上平移一周后得到B₁掃過的區(qū)域和A₁的交集，再用A₁減去該交集，即獲得所有滿足的像素點的集合。

A₁為步驟一二得到的二值圖像，B₁為半徑為原始圖像長寬和的1/60的圓形，運算結果是去除掉圖像中一些細小的凸起，使圖像平滑化，再經反色變換使開運算后的二值圖像中水面變?yōu)榘咨?，陸地變?yōu)楹谏?/p>

步驟一四、由于水陸線邊緣處會殘留部分陸地目標，且邊緣處很少會有船只，所以再對步驟一三反色變換后得到的圖像進行腐蝕運算，定義為

其中，A₂為步驟一三得到的二值圖像，B₂為半徑為原始圖像長寬和的1/600，至此完成水陸分離。

其它步驟及參數(shù)與具體實施方式一相同。

具體實施方式三：本實施方式與具體實施方式一或二不同的是：所述步驟二中對水陸分離后的圖像進行Otsu二值分割及區(qū)域分割獲得艦船大小；具體過程為：

由于接下來要用的CFAR涉及到決定背景窗的大小，而不同SAR圖像的分辨率不同，艦船目標的占有像素值也不同，窗的大小自然應該不同，過大會導致所計算的背景并非待檢測艦船目標所在處的背景，過小則可能讓艦船目標本身含在背景窗內，都會導致結果不精確。因此需要足夠的先驗信息以確定選取窗的大小，獲得先驗信息的過程要迅速。

步驟二一、對水陸分離后的圖像進行Otsu(最大類間方差法)二值分割，公式如下：

如果當前閾值為t，原始圖像灰度大于等于t的像素為目標像素(前景像素)，原始圖像灰度小于t的像素為背景像素，令：

w₀為原始圖像前景點所占比例，w₁＝1-w₀為原始圖像背景點所占比例，u₀為原始圖像前景灰度均值，u₁為原始圖像背景灰度均值，u為原始圖像全局灰度均值，u＝w₀*u₀+w₁*u₁；

g＝w₀(u₀-u)*(u₀-u)+w₁(u₁-u)*(u₁-u)＝w₀*(1-w₀)*(u₀-u₁)*(u₀-u₁) (2)

式中，*為乘號，g為中間變量，取使g最大時的t為最優(yōu)閾值；g越大，t就是越好的閾值，實際計算中可提高閾值，將大于或等于最優(yōu)閾值的部分視為艦船目標并標記為白色，小于最優(yōu)閾值的部分視為背景并標記為黑色；

步驟二二、將步驟一得到的水陸二值圖像與步驟二一得到的圖像進行與運算，得到一幅包含大部分艦船目標和小部分干擾物組成的二值圖像；

步驟二三、找出步驟二二中產生的二值圖像中所有白色區(qū)域，測量其長和寬，由于有些龐大的非艦船目標也在其中，用其值作為窗大小定然會導致窗選取過大，所以要將各區(qū)域的長邊按升序(從小到大)排序，選取長邊升序排序第95％的值為a，將各區(qū)域的寬邊按升序(從小到大)排序，選取寬邊升序排序第95％的值為b，a、b即為艦船尺寸，a為艦船長，b為艦船寬。

其它步驟及參數(shù)與具體實施方式一或二相同。

具體實施方式四：本實施方式與具體實施方式一至三之一不同的是：所述步驟三中基于艦船大小設定背景窗，假設背景窗中的雜波為K-分布，估計K-分布參數(shù)，獲得閾值，基于該閾值分割艦船目標；具體過程為：

步驟三一、設定背景窗為空心正方形窗，其外邊長為步驟二三中確定的a和b的最大值max(a，b)以保證大部分艦船目標完全被框在內，內邊長比外邊長小30％，設定目標窗為與背景窗同心的正方形窗，邊長為背景窗外邊長的五分之一；

步驟三二、以K-分布對背景窗內像素進行建模，估計閾值T，具體如下：

如下表達式為K-分布概率密度函數(shù)：

式中L是統(tǒng)計視數(shù)，x為背景窗內像素灰度值，μ為背景窗內像素灰度值均值，v是形狀參數(shù)，K_v-L表示v-L階修正二類Bessel(貝賽爾)函數(shù)，Γ(v)為v的伽馬函數(shù)，Γ(L)為L的伽馬函數(shù)，閾值T滿足

式中P_fa為虛警概率；已給定；

該概率密度函數(shù)P(x)中含有兩個參數(shù)v、L；L的估計方法為

式中σ為背景窗內像素灰度值標準差；

估計v的方法有很多，其中最簡單的方法是通過如下經驗式來判斷v的大小為

v＝6.1L+1.25 (6)

估計v，L完畢后，開始利用公式4求解閾值T；

步驟三三、保留目標窗內高于閾值的像素，將目標窗內低于閾值的像素灰度值設為0；

步驟三四、令整個目標窗和背景窗在原始圖像中滑動，直到原始圖像中所有像素均被檢測，得到艦船目標。

由于圖像中陸地需排除在外，因此滑動窗在陸地上時迅速跳過，不要計算，將陸地部分的像素去掉，滑動時可每次平移一個目標窗大小，這樣大大減少了整幅圖像的處理時間。

其它步驟及參數(shù)與具體實施方式一至三之一相同。

具體實施方式五：本實施方式與具體實施方式一至四之一不同的是：所述步驟四中對艦船目標進行開運算，得到分割后圖像；具體過程為：

有些艦船目標間隔過近，有些船反射拖影過長，單純的基于灰度閾值已經不能達到理想效果，所以需要開運算來分離。

將步驟三得到的艦船目標進行開運算，

A′為步驟三四得到的艦船目標圖像，B′為一條水平線段，其長度為max(a，b)的1/9，至此完成對整幅SAR圖像的分割處理。

其它步驟及參數(shù)與具體實施方式一至四之一相同。

采用以下實施例驗證本發(fā)明的有益效果：

實施例一：

本實施例一種SAR圖像艦船目標分割方法具體是按照以下步驟制備的：

如圖2a為基于顏色和區(qū)域的分割方法分割出的水陸圖；圖2b為基于顏色和區(qū)域的分割方法分割出的手工繪制的水陸圖；圖3為Otsu二值算法和水陸圖與運算后得到的含有大量艦船目標和少量其他干擾的二值圖；圖4為采用基于K-分布的CFAR檢測算法得到的艦船目標圖；圖5a為開運算再處理前距離相近的兩船圖；圖5b為開運算再處理后距離相近的兩船圖；圖6a為開運算再處理前長拖影艦船圖；圖6b為開運算再處理后的對比圖；圖2a與圖2b對比可以看出計算得到的水陸圖與真實的水陸圖差別很??；圖5a和圖5b為開運算處理距離相近的兩船的圖像對比圖，圖5a可以看出現(xiàn)有技術不能將距離相近的兩船精確區(qū)分開，圖5b的本發(fā)明能將距離相近的兩船精確區(qū)分開；圖6a和圖6b為開運算處理前后艦船圖像對比圖，圖6a的現(xiàn)有技術的圖像出現(xiàn)長拖影艦船圖，得到圖像不精確，圖6b的本發(fā)明得到的精確地艦船圖像；圖7是本發(fā)明獲得的分割圖，可得出本發(fā)明與現(xiàn)有技術相比，對圖像艦船目標分割更精確。表1顯示了全過程的核心步驟一-步驟三的matlab程序所用時間，傳統(tǒng)的方法處理一幅600萬像素的圖像需要45分，而本發(fā)明僅需76.214秒。

表1步驟一-步驟三的matlab程序所用時間

本發(fā)明還可有其它多種實施例，在不背離本發(fā)明精神及其實質的情況下，本領域技術人員當可根據(jù)本發(fā)明作出各種相應的改變和變形，但這些相應的改變和變形都應屬于本發(fā)明所附的權利要求的保護范圍。