基于視覺反差和信息熵的sar圖像人造目標檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于視覺反差和信息熵的合成孔徑雷達（SyntheticAperture Radar，SAR)圖像人造目標快速檢測方法，屬于遙感圖像處理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 目標檢測是SAR圖像解譯領(lǐng)域的一項重要研究課題，自SAR技術(shù)達到實用化水平 以來，SAR圖像目標檢測研究一直受到廣泛關(guān)注。建筑物、橋梁、車輛、船只等人造目標是 SAR對地觀測中重點監(jiān)測的對象，這類目標的檢測與識別在軍事和民用上均具有重要意義， 已被廣泛地應(yīng)用于軍事偵察、城市規(guī)劃、災(zāi)害監(jiān)測、資源調(diào)查等領(lǐng)域。
[0003] 現(xiàn)有的SAR圖像目標檢測算法主要有：基于對比度的目標檢測算法，如窗口濾波 法，閾值分割法、恒虛警（CFAR)檢測算法、等等；基于圖像其他特征的目標檢測算法，如基 于多分辨率特征的目標檢測算法，利用邊緣特征和局部能量的基于活動輪廓的目標檢測算 法，基于上下文特征的目標檢測算法，基于擴展分形特征的目標檢測算法，等等；以及基于 復(fù)數(shù)據(jù)特征的目標檢測算法，例如子孔徑相干法。其中，關(guān)于恒虛警（CFAR)檢測算法的研 究最多，由于真實SAR圖像中往往包含多種地物覆蓋類型，且隨著SAR圖像分辨率提高，雜 波背景的不均勻性增強，不少學(xué)者嘗試利用新的統(tǒng)計分布模型進行雜波統(tǒng)計建模，如G0分 布，Alpha穩(wěn)定分布，等等；針對SAR圖像視場大、傳統(tǒng)滑窗CFAR比較費時等問題，研究了快 速檢測算法，如全局CFAR與局部CFAR級聯(lián)算法，二次CFAR算法等等。
[0004] 在SAR圖像中，人造目標往往具有較強的雷達回波，上述各類算法被陸續(xù)應(yīng)用于 人造目標檢測中。然而，隨著SAR圖像分辨率逐漸提高，統(tǒng)計模型參數(shù)估計復(fù)雜、對大視場 圖像檢測精度與檢測效率難以兼顧等問題仍普遍存在。特別是對于一些小型人造目標如車 輛、船只、飛機、部分戰(zhàn)術(shù)目標等等，目標自身不變特征往往提取困難，而且在大視場圖像中 采用復(fù)雜的算法其計算代價很大，難以滿足實用性的要求。
[0005] 近年來，隨著計算神經(jīng)科學(xué)和認知心理學(xué)等學(xué)科的發(fā)展，視覺注意機制（Visual AttentionMechanism)及其應(yīng)用研究引起了廣泛關(guān)注。視覺注意機制是靈長類動物處理 視覺信息過程中的一項重要的心理調(diào)節(jié)機制，它使得人類具備從復(fù)雜環(huán)境中搜索感興趣 目標的能力，目前已有不少視覺注意模型被陸續(xù)提出，并已應(yīng)用于目標檢測中。最具代表 性模型是由Itti等人于1998年提出基于底層視覺特征的模型（簡稱Itti模型），參見 IttiL，KochC,NieburE.AModelofSaliency-BasedVisualAttentionforRapid SceneAnalysis[J].IEEETransactiononPatternAnalysis&MachineIntelligen ce，1998, 20 (11) : 1254-1259.還有Hou等人于2007年提出的基于空間頻域分析的譜殘差 模型（簡稱SR模型），參見HouX，ZhangL.SaliencyDetection:ASpectralResidual Approach[C]. 2007IEEEConferenceonComputerVisionandPatternRecognition,IEEE ComputerSociety，2007:1-8.但是由于現(xiàn)有的視覺注意模型多數(shù)都是針對自然圖像的，在 SAR圖像中的應(yīng)用比較有限，檢測結(jié)果也不令人滿意。近期有學(xué)者對Itti模型進行了改進， 但處理效率較低，不便于工程實現(xiàn)。

【發(fā)明內(nèi)容】

[0006] 為解決現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種基于視覺反差和信息熵的 SAR圖像人造目標快速檢測方法，進行三次下采樣，減少了檢測過程需要處理的數(shù)據(jù)量，提 高了運算效率。
[0007] 為了實現(xiàn)上述目標，本發(fā)明采用如下的技術(shù)方案：
[0008] -種基于視覺反差和信息熵的SAR圖像人造目標檢測方法，其特征是，包括如下 步驟：
[0009] 1)對待檢測的SAR圖像進行高斯金字塔分解，通過下采樣處理建立4層影像金字 塔，處理后圖像分別記為Ic，Ii，12和13，其中Ic為原圖像尺寸，Ii，12和I3圖像依次分別是 原圖像尺寸的1/2,1/4,1/8;
[0010] 2)根據(jù)生物視覺特性，通過模擬初級視覺皮層中的簡單細胞來提取圖像的局部反 差信息，對輸出的四幅不同尺寸圖像'Ii，12和13分別進行中央周邊差處理，提取簡單單 元S;
[0011] 3)學(xué)習(xí)計算池模型，利用Maximum模型將S單元整合為復(fù)雜單元C，并進行高斯濾 波處理，生成全局顯著圖G;
[0012] 4)根據(jù)信息熵最大原則對步驟3)生成的全局顯著圖G進行閾值分割處理，處理后 的二值圖像記為B;
[0013] 5)對處理后的二值圖像B進行形態(tài)學(xué)濾波處理：進行連通、填充和清除運算，消除 孤立的像素集合，提高像素集合的連通性；
[0014] 6)從步驟5)處理后的二值圖像中提取目標的輪廓線，將其顯示在原始SAR影像 上，得到目標檢測結(jié)果。
[0015] 前述的基于視覺反差和信息熵的SAR圖像人造目標檢測方法，其特征是，所述步 驟1)中金字塔下采樣操作按如下公式進行：Ιδ(X，y)=Σnw(m,η)Ιδi(2i+m, 2j+n) (1)， 其中，δ為圖像層數(shù)，w(m，n)為降采樣核函數(shù)，m，n為核函數(shù)窗口大小。
[0016] 前述的基于視覺反差和信息熵的SAR圖像人造目標檢測方法，其特征是，所 述步驟2)中進行中央周邊差操作前，將周邊層{1，2,3}插值后放大到和中央層 C# {0, 1，2}相同尺度，即SJ和Q0尺寸相同，SJ和尺寸相同，SJ和Q2尺寸相同；
[0017] 按公式（2)分別對SJ和Q0,SJ和Ql，SJ和Q2進行逐像素的特征差運算：Dn =I (Q，SJ = 11 (CJ θ I (SJ I，n e {〇, 1，2} (2)，其中，Θ表示跨尺度的減操作，中央尺度 CLe {〇, 1，2}，周邊尺度SLe {l，2,3}，SL= C^+δ，δ=1。
[0018] 前述的基于視覺反差和信息熵的SAR圖像人造目標檢測方法，其特征是，所述步 驟3)中將S單元整合成C單元前，要將D。，Dp%三幅差值圖分別插值到原始圖像大小，得 3。，51，52;根據(jù)公式（3)分別對3。，5 1，52進行計算，得單元(：刃=1&?(5)，5￡{5。，51，5 2}(3)。
[0019]本發(fā)明所達到的有益效果：1)運用4層高斯金字塔，進行三次下采樣，減少了檢 測過程需要處理的數(shù)據(jù)量，提高了運算效率；2)利用視覺反差來模擬人眼真實感受，不需 要提取過多的目標特征，計算復(fù)雜度低，根據(jù)信息熵最大可實現(xiàn)自動分割，具有良好的普適 性，適用于車輛、船只、飛機、部分戰(zhàn)術(shù)目標等小型人工目標；3)仿真結(jié)果表明，本發(fā)明方法 較傳統(tǒng)Itti模型和頻域譜殘差模型檢測結(jié)果更有效，且運算量小、處理效率更高，便于工 程實現(xiàn)。
【附圖說明】
[0020] 圖1是本發(fā)明的流程圖；
[0021] 圖2(a) - (f)是本發(fā)明仿真實驗中所采用的高分辨率SAR圖像效果圖；
[0022] 圖3(a) (f)是實驗圖像中人造目標的真實位置圖；
[0023] 圖4(a) - (f)是采用基于Itti模型的目標檢測方法得到的仿真結(jié)果效果圖；
[0024] 圖5(a) - (f)是采用基于SR模型的目標檢測方法得到的仿真結(jié)果效果圖；
[0025] 圖6(a) - (f)是采用本發(fā)明得到的仿真結(jié)果效果圖。
【具體實施方式】
[0026] 下面結(jié)合附圖對本發(fā)明作進一步描述。以下實施例僅用于更加清楚地說明本發(fā)明 的技術(shù)方案，而不能以此來限制本發(fā)明的保護范圍。
[0027]參照圖1，本發(fā)明的具體實現(xiàn)步驟如下。
[0028] 步驟1):建立高斯金字塔影像：
[0029] 金字塔是圖像多尺度表示方法之一。它的底部是最原始的圖像，有最高的分辨率， 每向上移動一層，圖像的尺度就減小一半，分辨率也隨著降低。根據(jù)高斯金字塔不同采樣層 數(shù)的圖像特性，以及在多次實驗的基礎(chǔ)上，本發(fā)明建立4層影像金字塔，對SAR圖像進行下 采樣操作。設(shè)S為金字塔的層數(shù)，則δ=〇，1，2, 3。
[0030] 對于一幅二維圖像I(x，y)，LUy)表示最初的圖像，則第δ層的圖像可由以下 公式得到：Ιδ(χ，γ) nw(m，n)I；iAi+mJj+rOQ)，其中，δ為圖像層數(shù)，w(m，n)為 降采樣核函數(shù)，m，n為核函數(shù)窗口大小。經(jīng)過下采樣后，得到4幅不同大小的圖像，分別為 1〇 (X，y)，?ι(X，y)，12 (X，y)和工3 (X，y)。
[0031] 步驟2):計算中央周邊差值，獲取簡單單元s，從而提取圖像的局部反差信息。
[0032] 初級視覺皮層的神經(jīng)元分為簡單細胞（S)和復(fù)雜細胞（C)。簡單細胞的感受 野對視場中大反差視覺信息的輸入有強烈變化。本步驟的目的是通過中央周邊差操作 (center-surround)來模擬簡單細胞感受野的這種特性以獲取S單元。其具體實現(xiàn)如下：
[0033]