本公开涉及信号处理
技术领域：
，具体地，涉及一种遥感图像的目标特征提取方法和装置。
背景技术：
：遥感图像(RemoteSensingImage)是指记录各种地物电磁波大小的胶片(或相片)的图像，主要包括航空图像和卫星图像。例如，合成孔径雷达(SyntheticApertureRadar，SAR)在地形测绘、灾害监测等方面有着广泛的应用。SAR生成的遥感图像蕴含着目标的幅度、相位和位置信息。其中相位信息对于地形测绘等应用非常重要，因此能够实现目标特征精确提取的有效算法是非常的必要。目前目标特征主要通过插值的方法提取，这种方法简单有效，对于单点目标精度很高，但是当应用到分布目标时，由于相邻目标之间相互影响，不能得到准确的特征信息。技术实现要素：本公开的目的是提供一种简单有效的遥感图像的目标特征提取方法和装置。为了实现上述目的，本公开提供一种遥感图像的目标特征提取方法。所述方法包括：将目标遥感图像划分为多个区域图像，每个区域图像包括多个像素网格；对每个区域图像进行插值，得到每个区域图像的插值后数组；根据每个区域图像的插值后数组，确定每个区域图像的目标特征参数的预估计数组；根据每个区域图像的目标特征参数的预估计数组，通过高斯-牛顿迭代法，确定每个区域图像的目标特征参数；根据每个区域图像的目标特征参数确定所述目标遥感图像的目标特征参数。可选地，所述对每个区域图像进行插值，得到每个区域图像的插值后数组的步骤包括：对一区域图像的像素网格对应的第一数组进行二维离散傅里叶变换，生成第二数组；对所述第二数组进行频域补零，生成第三数组；对所述第三数组进行二维离散傅里叶逆变换，生成该区域图像的插值后数组。可选地，所述根据每个区域图像的插值后数组，确定每个区域图像的目标特征参数的预估计数组的步骤包括：根据一区域图像的插值后数组中，一像素网格内幅值最大的点的数组，确定该像素网格内的目标特征参数的预估计数组；根据该区域图像的插值后数组中，每个像素网格内的目标特征参数的预估计数组，确定该区域图像的目标特征参数的预估计数组。可选地，所述根据每个区域图像的目标特征参数的预估计数组，通过高斯-牛顿迭代法，确定每个区域图像的目标特征参数的步骤包括：根据每个区域图像的插值后数组和目标特征参数的预估计数组，建立对应的区域图像的递归迭代方程；通过高斯-牛顿迭代法，分别计算每个区域图像的递归迭代方程的实部解和虚部解；根据每个区域图像的递归迭代方程的实部解和虚部解，确定每个区域图像的目标特征参数。可选地，所述通过高斯-牛顿迭代法，分别计算每个区域图像的递归迭代方程的实部解和虚部解的步骤包括：通过高斯-牛顿迭代法，分别计算每个区域图像的递归迭代方程的实部解，其中，插值后的区域图像中，第j个采样点的重建数据实部Rj为：Rj＝Kr1sinc(BW(nxj-Nx1,nyj-Ny1))+Kr2sinc(BW(nxj-Nx2,nyj-Ny2))+…+Krisinc(BW(nxj-Nxi,nyj-Nyi))构建的目标函数梯度矩阵ArK为：构建的递归迭代方程为：目标特征参数实部的初始估计为：其中，BW为带宽，nxj为插值后的区域图像中第j个采样点，Rj为第j个采样点的重建数据实部，Kri为一区域图像中第i个网格中幅值最大的点的实部，Nxi、Nyi分别为第i个网格中幅度最大的点的横坐标和纵坐标，k为迭代次数，ArK为目标函数梯度矩阵，τrk为第j个采样点数据实部与该点的重建数据实部之差，value(·)为第j个采样点的数据，Re(·)为数值实部，xr(k)为第k次迭代对应的目标特征参数的实部，δr(k)为实部误差项，(·)-1为矩阵的逆，(·)T为转置矩阵，其中，在解得δr(k)后，置xr(k+1)＝xr(k)+δr(k)，k＝k+1，当时，停止迭代；通过高斯-牛顿迭代法，分别计算每个区域图像的递归迭代方程的虚部解，其中，插值后的区域图像中，第j个采样点的重建数据虚部Ij为：Ij＝Ki1sinc(BW(nxj-Nx1,nyj-Ny1))+Ki2sinc(BW(nxj-Nx2,nyj-Ny2))+…+Kiisinc(BW(nxj-Nxi,nyj-Nyi))构建的目标函数梯度矩阵Aik为：构建的递归迭代方程为：目标特征参数虚部的初始估计为：其中，BW为带宽，nxj为插值后的区域图像中第j个采样点，Ij为第j个采样点的重建数据虚部，Kii为一区域图像中第i个网格中幅值最大的点的虚部，Nxi、Nyi分别为第i个网格中幅度最大的点的横坐标和纵坐标，k为迭代次数，AiK为目标函数梯度矩阵,τik为第j个采样点数据虚部与该点的重建数据虚部之差,value(·)为第j个采样点的数据，Im(·)为数值虚部，xi(k)为第k次迭代对应的目标特征参数的虚部，δi(k)为虚部误差项，(·)-1为矩阵的逆，(·)T为转置矩阵，其中，在解得δi(k)后，置xi(k+1)＝xi(k)+δi(k)，k＝k+1，当时，停止迭代。本公开还提供一种遥感图像的目标特征提取装置。所述装置包括：划分模块，用于将目标遥感图像划分为多个区域图像，每个区域图像包括多个像素网格；插值模块，用于对每个区域图像进行插值，得到每个区域图像的插值后数组；预估计数组确定模块，用于根据每个区域图像的插值后数组，确定每个区域图像的目标特征参数的预估计数组；区域特征确定模块，用于根据每个区域图像的目标特征参数的预估计数组，通过高斯-牛顿迭代法，确定每个区域图像的目标特征参数；图像特征确定模块，用于根据每个区域图像的目标特征参数确定所述目标遥感图像的目标特征参数。通过上述技术方案，通过高斯-牛顿迭代法迭代求解出插值后的区域图像中的点目标的特征参数，从而能够有效、准确地提取遥感图像的分布目标的特征。本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。附图说明附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：图1是一示例性实施例提供的遥感图像的目标特征提取方法的流程图；图2是一示例性实施例提供的对区域图像进行插值的流程图；图3是一示例性实施例提供的确定每个区域图像的目标特征参数的流程图；图4是一示例性实施例提供的遥感图像的目标特征提取装置的框图；图5是一示例性实施例提供的根据仿真模型构建的遥感图像的三维视图；图6是一示例性实施例提供的根据本公开的方法构建的遥感图像的三维视图。具体实施方式以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。图1是一示例性实施例提供的遥感图像的目标特征提取方法的流程图。如图1所示，所述方法可以包括以下步骤。在步骤S11中，将目标遥感图像划分为多个区域图像，每个区域图像包括多个像素网格。也就是，为加快求解速度，对目标遥感图像进行分区域处理。例如目标遥感图像的像素为M·N，每个区域图像中包括S＝Na·Nr个像素网格，则划分后区域图像的数目为其中，为向上取整符号。考虑到计算量的问题，Na和Nr不能取得过大，通常情况下，可以取Na＝Nr＝8。在步骤S12中，对每个区域图像进行插值，得到每个区域图像的插值后数组。当网格个数S较小时，迭代处理误差较大，因此需要先对区域图像进行插值，以获得更多采样点，提高结果的准确性。图2是一示例性实施例提供的对区域图像进行插值的流程图。如图2所示，对每个区域图像进行插值，得到每个区域图像的插值后数组的步骤(步骤S12)可以包括以下步骤。在步骤S121中，对一区域图像的像素网格对应的第一数组进行二维离散傅里叶变换，生成第二数组。例如，一区域图像包括S＝Na·Nr个像素网格，全部网格对应的像素数据组成一个大小为Na·Nr的第一数组Datak。对第一数组Datak进行二维离散傅里叶变换：生成第二数组Dataf。其中，u-v为频域坐标系，x-y为空间域坐标系。在步骤S122中，对第二数组进行频域补零，生成第三数组。接着，对第二数组Dataf进行频域补零。设插值倍数为Times·Times(例如，Times＝4)。经过插值处理，可将第二数组Dataf扩展为一个大小为Nx·Ny的第三数组Datapadding。其中Nx＝Na·Times，Ny＝Nr·Times。Datapadding矩阵中，第行至第行，第列至第列为Dataf，其余元素全部为0。在步骤S123中，对第三数组进行二维离散傅里叶逆变换，生成该区域图像的插值后数组。对第三数组Datapadding进行二维离散傅里叶逆变换：得到大小为Nx·Ny的该区域图像的插值后数组Data。返回图1，在步骤S13中，根据每个区域图像的插值后数组，确定每个区域图像的目标特征参数的预估计数组。也就是，经过之前的区域划分和插值处理，粗略的目标参数可以先估计出来。理论上，预估计数组可以根据任一像素网格对应的数组来确定。在一实施例中，该步骤S13可以包括步骤S131和步骤S132。在步骤S131中，根据一区域图像的插值后数组中，一像素网格内幅值最大的点的数组，确定该像素网格内的目标特征参数的预估计数组。例如，在一区域图像中，共包含Na·Nr个像素网格。经过插值处理，在单个像素网格中包含Times·Times个点。设在第i个网格内幅值最大的点为Xi，该点实部为Kri＝Re(Xi)，虚部为Kii＝Im(Xi)，位移横坐标值为Nxi，位移纵坐标值为Nyi，则该像素网格内目标特征参数的预估计数组为[Kri,Kii,Nxi,Nyi]。在步骤S132中，根据该区域图像的插值后数组中，每个像素网格内的目标特征参数的预估计数组，确定该区域图像的目标特征参数的预估计数组。在步骤S132中例子的基础上，该区域图像包括S＝Na·Nr个像素网格，则共有4S个参数。将这些参数联合起来，可以得到大小为S·4的矩阵X，该矩阵X即该区域图像的目标特征参数的预估计数组X。在步骤S14中，根据每个区域图像的目标特征参数的预估计数组，通过高斯-牛顿迭代法，确定每个区域图像的目标特征参数。图3是一示例性实施例提供的确定每个区域图像的目标特征参数的流程图。如图3所示，根据每个区域图像的目标特征参数的预估计数组，通过高斯-牛顿迭代法，确定每个区域图像的目标特征参数的步骤(步骤S14)可以包括以下步骤。在步骤S141中，根据每个区域图像的插值后数组和目标特征参数的预估计数组，建立对应的区域图像的递归迭代方程。可以读取两组参数。第一组为一区域图像的插值后数组Data；第二组为该区域图像的目标特征参数的预估计数组X。根据Data和X来建立对应的区域图像的递归迭代方程，根据所建立的递归迭代方程来求取目标特征参数。在步骤S142中，通过高斯-牛顿迭代法，分别计算每个区域图像的递归迭代方程的实部解和虚部解。其中，需要设置采样数据和迭代初值。可以按照如下方法设置采样数据：已知插值后数组Data为Nx·Ny大小的二维矩阵，设横坐标采样点nx＝[1,2,…Nx-1,Nx]，纵坐标采样点ny＝[1,2,…Ny-1,Ny]。将输入的数据二维矩阵Data重建为一维列数组value，大小为NxNy×1，其中第1到第Ny个元素为Data中的第一列数据，第Ny+1到2Ny个元素为Data中的第二列数据，依次类推。可以按照如下方法设置迭代初值：从预估计数组X中读取4S个预估参数，将X按列分为4组大小为S·1的列数组：Kr，Ki，Nx，Ny。Kr，Ki，Nx，Ny分别代表实部值数组、虚部值数组、x方向位移数组、y方向位移数组，将这些数据作为迭代初值。在本公开的一实施例中，该步骤S142可以包括求实部解和虚部解，以下分别详细描述。通过高斯-牛顿迭代法，分别计算每个区域图像的递归迭代方程的实部解，其中，插值后的区域图像中，第j个采样点的重建数据实部Rj为：Rj＝Kr1sinc(BW(nxj-Nx1,nyj-Ny1))+Kr2sinc(BW(nxj-Nx2,nyj-Ny2))+…+Krisinc(BW(nxj-Nxi,nyj-Nyi))构建的目标函数梯度矩阵ArK为：构建的递归迭代方程为：目标特征参数实部的初始估计为：其中，BW为带宽，nxj为插值后的区域图像中第j个采样点，Rj为第j个采样点的重建数据实部，Kri为一区域图像中第i个网格中幅值最大的点的实部，Nxi、Nyi分别为第i个网格中幅度最大的点的横坐标和纵坐标，k为迭代次数，ArK为目标函数梯度矩阵，τrk为第j个采样点数据实部与该点的重建数据实部之差，value(·)为第j个采样点的数据，Re(·)为数值实部，xr(k)为第k次迭代对应的目标特征参数的实部，δr(k)为实部误差项，(·)-1为矩阵的逆，(·)T为转置矩阵，其中，在解得δr(k)后，置xr(k+1)＝xr(k)+δr(k)，k＝k+1，当时，停止迭代。此时即可认为达到求解目标所需精度，迭代终止，xr(k)为最终结果。相似地，可以通过高斯-牛顿迭代法，分别计算每个区域图像的递归迭代方程的虚部解，其中，插值后的区域图像中，第j个采样点的重建数据虚部Ij为：Ij＝Ki1sinc(BW(nxj-Nx1,nyj-Ny1))+Ki2sinc(BW(nxj-Nx2,nyj-Ny2))+…+Kiisinc(BW(nxj-Nxi,nyj-Nyi))构建的目标函数梯度矩阵Aik为：构建的递归迭代方程为：目标特征参数虚部的初始估计为：其中，BW为带宽，nxj为插值后的区域图像中第j个采样点，Ij为第j个采样点的重建数据虚部，Kii为一区域图像中第i个网格中幅值最大的点的虚部，Nxi、Nyi分别为第i个网格中幅度最大的点的横坐标和纵坐标，k为迭代次数，AiK为目标函数梯度矩阵,τik为第j个采样点数据虚部与该点的重建数据虚部之差,value(·)为第j个采样点的数据，Im(·)为数值虚部，xi(k)为第k次迭代对应的目标特征参数的虚部，δi(k)为虚部误差项，(·)-1为矩阵的逆，(·)T为转置矩阵，其中，在解得δi(k)后，置xi(k+1)＝xi(k)+δi(k)，k＝k+1，当时，停止迭代。此时即可认为达到求解目标所需精度，迭代终止，xi(k)为最终结果。在步骤S143中，根据每个区域图像的递归迭代方程的实部解和虚部解，确定每个区域图像的目标特征参数。将实部解和虚部解直接结合起来，就可以得到每个区域图像的目标特征参数。迭代后的Nx，Ny值即为横坐标和纵坐标的解，求解出各项参数。相位解幅度解至此，每个区域图像的目标特征都可以提取出来。每个区域图像内每个目标的幅值、相位、方位向精确位置、距离向精确位置都可以精确得出。返回图1，在步骤S15中，根据每个区域图像的目标特征参数确定所述目标遥感图像的目标特征参数。按照上述方法，将所划分的多个区域图像都处理完毕，即可得到目标遥感图像的目标特征参数。通过上述技术方案，通过高斯-牛顿迭代法迭代求解出插值后的区域图像中的点目标的特征参数，从而能够有效、准确地提取遥感图像的分布目标的特征。本公开还提供了一种遥感图像的目标特征提取装置。图4是一示例性实施例提供的遥感图像的目标特征提取装置的框图。如图4所示，遥感图像的目标特征提取装置10可以包括划分模块11、插值模块12、预估计数组确定模块13、区域特征确定模块14和图像特征确定模块15。划分模块11用于将目标遥感图像划分为多个区域图像，每个区域图像包括多个像素网格。插值模块12用于对每个区域图像进行插值，得到每个区域图像的插值后数组。预估计数组确定模块13用于根据每个区域图像的插值后数组，确定每个区域图像的目标特征参数的预估计数组。区域特征确定模块14用于根据每个区域图像的目标特征参数的预估计数组，通过高斯-牛顿迭代法，确定每个区域图像的目标特征参数。图像特征确定模块15用于根据每个区域图像的目标特征参数确定所述目标遥感图像的目标特征参数。可选地，所述插值模块12可以包括变换子模块、频域补零子模块和逆变换子模块。变换子模块用于对一区域图像的像素网格对应的第一数组进行二维离散傅里叶变换，生成第二数组。频域补零子模块用于对所述第二数组进行频域补零，生成第三数组。逆变换子模块用于对所述第三数组进行二维离散傅里叶逆变换，生成该区域图像的插值后数组。可选地，所述预估计数组确定模块13可以包括网格预估计数组确定子模块和区域预估计数组确定子模块。网格预估计数组确定子模块用于根据一区域图像的插值后数组中，一像素网格内幅值最大的点的数组，确定该像素网格内的目标特征参数的预估计数组。区域预估计数组确定子模块用于根据该区域图像的插值后数组中，每个像素网格内的目标特征参数的预估计数组，确定该区域图像的目标特征参数的预估计数组。可选地，所述区域特征确定模块14包括方程建立子模块、实虚部计算子模块和区域特征确定子模块。方程建立子模块用于根据每个区域图像的插值后数组和目标特征参数的预估计数组，建立对应的区域图像的递归迭代方程。实虚部计算子模块用于通过高斯-牛顿迭代法，分别计算每个区域图像的递归迭代方程的实部解和虚部解。区域特征确定子模块用于根据每个区域图像的递归迭代方程的实部解和虚部解，确定每个区域图像的目标特征参数。可选地，所述实虚部计算子模块包括实部计算子模块和虚部计算子模块。实部计算子模块用于通过高斯-牛顿迭代法，分别计算每个区域图像的递归迭代方程的实部解。其中，插值后的区域图像中，第j个采样点的重建数据实部Rj为：Rj＝Kr1sinc(BW(nxj-Nx1,nyj-Ny1))+Kr2sinc(BW(nxj-Nx2,nyj-Ny2))+…+Krisinc(BW(nxj-Nxi,nyj-Nyi))构建的目标函数梯度矩阵ArK为：构建的递归迭代方程为：目标特征参数实部的初始估计为：其中，BW为带宽，nxj为插值后的区域图像中第j个采样点，Rj为第j个采样点的重建数据实部，Kri为一区域图像中第i个网格中幅值最大的点的实部，Nxi、Nyi分别为第i个网格中幅度最大的点的横坐标和纵坐标，k为迭代次数，ArK为目标函数梯度矩阵，τrk为第j个采样点数据实部与该点的重建数据实部之差，value(·)为第j个采样点的数据，Re(·)为数值实部，xr(k)为第k次迭代对应的目标特征参数的实部，δr(k)为实部误差项，(·)-1为矩阵的逆，(·)T为转置矩阵，其中，在解得δr(k)后，置xr(k+1)＝xr(k)+δr(k)，k＝k+1，当时，停止迭代。虚部计算子模块用于通过高斯-牛顿迭代法，分别计算每个区域图像的递归迭代方程的虚部解。其中，插值后的区域图像中，第j个采样点的重建数据虚部Ij为：Ij＝Ki1sinc(BW(nxj-Nx1,nyj-Ny1))+Ki2sinc(BW(nxj-Nx2,nyj-Ny2))+…+Kiisinc(BW(nxj-Nxi,nyj-Nyi))构建的目标函数梯度矩阵Aik为：构建的递归迭代方程为：目标特征参数虚部的初始估计为：其中，BW为带宽，nxj为插值后的区域图像中第j个采样点，Ij为第j个采样点的重建数据虚部，Kii为一区域图像中第i个网格中幅值最大的点的虚部，Nxi、Nyi分别为第i个网格中幅度最大的点的横坐标和纵坐标，k为迭代次数，AiK为目标函数梯度矩阵,τik为第j个采样点数据虚部与该点的重建数据虚部之差,value(·)为第j个采样点的数据，Im(·)为数值虚部，xi(k)为第k次迭代对应的目标特征参数的虚部，δi(k)为虚部误差项，(·)-1为矩阵的逆，(·)T为转置矩阵，其中，在解得δi(k)后，置xi(k+1)＝xi(k)+δi(k)，k＝k+1，当时，停止迭代。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。通过上述技术方案，通过高斯-牛顿迭代法迭代求解出插值后的区域图像中的点目标的特征参数，从而能够有效、准确地提取遥感图像的分布目标的特征。为了验证本公开的方法的有效性，发明人分别根据仿真模型和根据本公开的方法对遥感图像进行了处理。根据仿真模型得到的目标参数如表1所示。表1根据仿真模型得到的目标参数参数取值遥感图像中点目标的个数3点目标的幅值20，60，5点目标的相位(单位：°)50，80，50模拟图像的空间坐标(x轴)2.4，2.4，1.8模拟图像的空间坐标(y轴)3.4，3.9，2.2信号带宽200MHz方位向脉冲重复频率5000Hz根据本公开的方法得到的目标参数如表2所示。表2根据本公开的方法得到的目标参数由表1和表2可看出，根据仿真模型得到的目标参数和根据本公开的方法得到的目标参数完全一致。图5是一示例性实施例提供的根据仿真模型构建的遥感图像的三维视图。图6是一示例性实施例提供的根据本公开的方法构建的遥感图像的三维视图。由图5和图6可看出，根据仿真模型得到的三维视图和根据本公开的方法得到的三维视图完全一致。因此，本公开提供的遥感图像的目标特征提取方法和装置能够有效、准确地提取分布目标的特征。以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。当前第1页1 2 3