基于空域混合模型的高分辨sar圖像目標(biāo)檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，是一種采用混合模型對(duì)高分辨SAR圖像進(jìn)行目標(biāo)檢測(cè) 的方法。
【背景技術(shù)】
[0002] 合成孔徑雷達(dá)是一種全天時(shí)、全天候的高分辨率雷達(dá)，在軍事，農(nóng)業(yè)，自然災(zāi)害監(jiān) 測(cè)等諸多領(lǐng)域有著廣泛的應(yīng)用。SAR與其它遙感成像系統(tǒng)，光學(xué)成像系統(tǒng)等相比有很多差異 和優(yōu)點(diǎn)。在軍事目標(biāo)識(shí)別方面，SAR圖像有分割、分類、目標(biāo)識(shí)別等諸多應(yīng)用，而目標(biāo)識(shí)別是 SAR圖像在軍事方面的終極目標(biāo)。與自然圖像不同，SAR本質(zhì)上反映的是目標(biāo)的電磁散射特 性和結(jié)構(gòu)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(dá)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(dá)特性的影響，SAR圖像與傳統(tǒng)光學(xué)圖 像不同，SAR圖像灰度級(jí)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(xué)圖像的目標(biāo)檢測(cè)與識(shí)別方法并不適用于SAR圖像；
[0003] 針對(duì)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(duì)SAR圖像用濾波的方法抵制相干斑，在 處理過(guò)后的較為平滑的圖像上采用光學(xué)圖像的方法分割、分類或檢測(cè)目標(biāo)。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(jīng)過(guò)濾波抵制相干斑 后處理在效果表現(xiàn)上有所提升，但由于濾波過(guò)程會(huì)導(dǎo)致邊緣信息的丟失，這會(huì)導(dǎo)致檢測(cè)結(jié) 果輪廓不準(zhǔn)確，對(duì)精確打擊造成困難；
[0005] 基于SAR圖像分布模型的分類和目標(biāo)檢測(cè)方法。這類方法首先對(duì)SAR圖像進(jìn)行建 模。最常用的方法是恒虛警（CFAR)的方法，但隨著當(dāng)前合成孔徑雷達(dá)的不斷發(fā)展，SAR圖 像的分辨越來(lái)越高，傳統(tǒng)SAR圖像模型算法已經(jīng)不適用于當(dāng)前高分辨SAR圖像，這種不適應(yīng) 性主要體現(xiàn)在兩個(gè)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(dǎo)致檢測(cè)結(jié)果不能成為一個(gè)整體；
[0006] 基于廣義伽馬分布的恒虛警（CFAR)目標(biāo)檢測(cè)方法。在空域CFAR檢測(cè)中，最 典型的方法是 CA-CPAR(Cell_Averaging CFAR)，參見(jiàn) 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(jiàn) 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(shí)表現(xiàn)較好，當(dāng)遇到雜波邊緣和多個(gè)點(diǎn)目標(biāo)時(shí)，均值估 計(jì)會(huì)受到影響，算法性能會(huì)下降。OS-CFAR算法能克服CA-CFAR算法的缺陷，但在均勻雜波 時(shí)不如CA-CFAR算法。
[0008] 這些CFAR算法各有優(yōu)缺點(diǎn)，有的太復(fù)雜，實(shí)用性較差，有的適用范圍有限，沒(méi)有哪 個(gè)CFAR算法適合所有的雜波情況。
[0009] 隨著多合成孔徑雷達(dá)的不斷發(fā)展，SAR圖像的分辨率越來(lái)越高，人們對(duì)SAR的目標(biāo) 檢測(cè)的要求也越來(lái)越高，檢測(cè)效果的評(píng)價(jià)也漸漸嚴(yán)苛起來(lái)，主要表現(xiàn)在以下幾個(gè)方面：同質(zhì) 區(qū)域的內(nèi)部一致性要高，要可以將目標(biāo)檢測(cè)為一個(gè)整體，不同目標(biāo)應(yīng)該能有效的區(qū)分開(kāi)來(lái)； 邊緣邊界的清晰性，檢測(cè)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(nèi)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(shù)模型的 高分辨SAR圖像目標(biāo)檢測(cè)方法，利用分布模型具體一定擴(kuò)展性這一特點(diǎn)可以將目標(biāo)檢測(cè)為 一個(gè)整體，提高區(qū)域一致性和目標(biāo)邊緣精確度，從而保證檢測(cè)目標(biāo)的完整和準(zhǔn)確。
[0011] 實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是：
[0012] 使用廣義伽馬分布、高斯分布和四階函數(shù)分布的聯(lián)合分布對(duì)高分辨SAR圖像進(jìn)行 建模，挖掘圖像中的參數(shù)信息，構(gòu)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(wèn)題，并用該模型分別檢測(cè)目標(biāo)和目標(biāo) 陰影，并用陰影對(duì)目標(biāo)進(jìn)行補(bǔ)償，得到目標(biāo)的形狀信息。其具體實(shí)現(xiàn)過(guò)程如下：
[0013] 1)對(duì)特定區(qū)域的高分辨SAR圖像人工選取不同類別的訓(xùn)練樣本；
[0014] 2)由訓(xùn)練樣本采用MoLC方法和麗SE的方法訓(xùn)練四階函數(shù)分布和高斯分布以及廣 義伽馬分布的參數(shù)，并對(duì)每一類進(jìn)行聯(lián)合建模，得到混合分布模型；
[0015] 3)對(duì)待分類的圖像基于以上得到的由四階函數(shù)模型、高斯分布模型和廣義伽馬分 布模型構(gòu)成的混合模型提取混合分布的分布參數(shù)；
[0016] 4)基于麗SE的分類，對(duì)高分辨SAR圖像的點(diǎn)逐個(gè)加窗并計(jì)算其分布參數(shù)，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(jìn)行分類，分類結(jié)果包括目 標(biāo)、背景和目標(biāo)陰影；
[0017] 5)利用先驗(yàn)知識(shí)剔除非陰影暗區(qū)域，得到由目標(biāo)形成的陰影，用到的先驗(yàn)知道主 要包括陰影面積大小，陰影與目標(biāo)區(qū)域的距離等；
[0018] 6)利用目標(biāo)陰影補(bǔ)償目標(biāo)點(diǎn)；
[0019] 7)得到檢測(cè)結(jié)果。
[0020] 本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)：
[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(shù)分布聯(lián)合對(duì)高分辨SAR圖 像進(jìn)行建模，能夠更好的逼近高分辨SAR圖像的分布函數(shù)，保證了建模的準(zhǔn)確性；
[0022] 2、本發(fā)明自用聯(lián)合模型首先對(duì)高分辨SAR圖像進(jìn)行分類，并利用參數(shù)信息提取目 標(biāo)點(diǎn)，有效我解決了傳統(tǒng)方法應(yīng)用于高分辨SAR圖像目標(biāo)檢測(cè)時(shí)導(dǎo)致目標(biāo)點(diǎn)不連續(xù)的問(wèn) 題。
[0023] 3、本發(fā)明由于利用先驗(yàn)信息，對(duì)目標(biāo)進(jìn)行補(bǔ)償，使檢測(cè)到的目標(biāo)更完整；
[0024] 4、仿真結(jié)果表明，本發(fā)明方法較小波CFAR能更有效的進(jìn)行目標(biāo)檢測(cè)。
【附圖說(shuō)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(jiǎn)單背景高分辨SAR圖像上的仿真結(jié)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(jié)果圖；
[0028] 圖4是本發(fā)明在一副包含復(fù)雜地物信息的高分辨SAR圖像上的仿真結(jié)果圖。
【具體實(shí)施方式】
[0029] 參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下：
[0030] 步驟一、對(duì)特定區(qū)域的高分辨SAR圖像人工選取不同類別的訓(xùn)練樣本。
[0031] 在待檢測(cè)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(duì)不同類別 的像素進(jìn)行標(biāo)記，對(duì)于簡(jiǎn)單圖像可簡(jiǎn)單的選擇目標(biāo)區(qū)域、背景區(qū)域和目標(biāo)陰影區(qū)域，對(duì)于 較復(fù)雜的SAR圖像，可根據(jù)需要對(duì)背景區(qū)域進(jìn)行細(xì)化，標(biāo)記為{I。，I1，…，IJ。
[0032] 步驟二、對(duì){I。，I1, . . .，Ιε}提取特征參數(shù)，得到特征參數(shù){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(shù)，用求均值與方差的方法 提取高斯分布參數(shù)，用MMSE方法提取四階函數(shù)特征參數(shù)，并用三種分布對(duì)每一類圖像進(jìn)行 聯(lián)合建模；
[0034] 步驟三、對(duì)待分類的高分辨SAR圖像基于以上得到的由四階函數(shù)模型、高斯模型 和廣義伽馬分布模型構(gòu)成的混合