一种基于可见度分类的多角度SAR图像融合方法与流程

技术特征：

1.一种基于可见度分类的多角度SAR图像融合方法，其特征在于，包括以下步骤：

步骤1：确定成像平面，并采用时域快速后向投影算法在与成像平面相对应的成像网格上完成N个单一视角SAR数据的相干累积处理，得到N幅单一视角SAR图像，其中N至少为3；

步骤2：对各幅单一视角SAR图像实施去相干斑滤波处理；

步骤3：对各幅相干斑滤波处理后的单一视角SAR图像分别进行大尺度降质处理，得到N幅粗分辨率的降质图像I_c；

步骤4：采用滑动窗口法，以降质图像I_c各像素为中心，计算滑动窗口内的图像能量，得到能量图E_c；

步骤5：根据能量图E_c和单一视角SAR图像的统计分布特性，确定各幅单一视角SAR图像的分割阈值L_c并完成二值分割；其中，如果任一像素点的像素值大于L_c，则该像素属于叠掩区，否则属于非叠掩区；

步骤6：计算各单一视角SAR图像的非叠掩区像素I_{non_overlap}的可见度L_I，并依据可见度L_I进行非叠掩区像素的精细分类；具体过程是：

假设可见度L_I初始值为0，且处于非叠掩区的像素为可见，则如果成像平面任一点处于任一方位的单一视角SAR图像的非叠掩区，则该像素点的可见度L_I增加1；其中，可见度取值为0到N；统计成像平面上各像素的可见度L_I，按可见度L_I的大小将具有N个不同的方位视角的成像平面上各像素划分为N+1个可见度等级；

步骤7：对可见度等级相同的各个像素进行融合，得到最终输出的融合图像I_opt。

2.如权利要求1所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤7所述的对可见度等级相同的各个像素进行融合的方法为线性均值融合，具体为：分别计算各个可见度等级中包含的所有像素点像素值的平均值，取各等级中的平均值作为融合图像I_opt相同可见度等级包含像素点的像素值。

3.如权利要求2所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤7所述的平均值采用滑动窗口法计算：

$\stackrel{\‾}{I}=\frac{\underset{i=1}{\overset{n_w}{\Σ}}\underset{j=1}{\overset{n_w}{\Σ}}I(i,j)}{{n_w}^2}$

其中，为图像的平均值，I(i,j)为像素点的位置，n_w为矩形滑动窗口内总的像素数，i＝1,2,3,......n_w；j＝1,2,3,......n_w。

4.如权利要求1所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤7所述的对可见度等级相同的各个像素进行融合的方法为最大对比度融合，具体为：分别计算各个可见度等级中包含的所有像素点的对比度，取各等级中对比度最大的像素点对应的像素值作为融合图像I_opt相同可见度等级包含像素点的像素值。

5.如权利要求4所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤7所述的对比度采用滑动窗口法计算：

$\stackrel{\‾}{I}=\frac{\underset{i=1}{\overset{n_w}{\Σ}}\underset{j=1}{\overset{n_w}{\Σ}}I(i,j)}{{n_w}^2}$

I_max＝max[I(i,j)],i＝1,2,3,......n_w；j＝1,2,3,......n_w

I_min＝min[I(i,j)],i＝1,2,3,......n_w；j＝1,2,3,......n_w

$I_{contrast}=\frac{I_{max}-I_{min}}{\stackrel{\‾}{I}}$

为滑动窗口内的图像I的局部平均值，I_max和I_min分别为各个可见度等级中包含的所有像素值的最大值和最小值，n_w为矩形滑动窗口内总的像素数；I(i,j)为像素点的位置。

6.如权利要求1所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤7所述的对可见度等级相同的各个像素进行融合的方法为最小图像熵融合，具体为：分别计算各个可见度等级中包含的所有像素点的图像熵，取各等级中图像熵最小的像素点对应的像素值作为融合图像I_opt相同可见度等级包含像素点的像素值。

7.如权利要求6所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤7所述的图像熵采用滑动窗口法计算：

$P\left(n\right)=\frac{I\left(n\right)}{\underset{i=1}{\overset{n_w}{\Σ}}\underset{j=1}{\overset{n_w}{\Σ}}I(i,j)},n=(j-1)n_w+i;i=1,2,3,......n_w$

$I_{entropy}=-\underset{n=0}{\overset{L-1}{\Σ}}P\left(n\right){\log }_{2}P\left(n\right)$

P(n)为各图像像素取值出现的概率，n_w为矩形滑动窗口内总的像素数，L＝n_w²为矩形滑动窗口内的总像素数，I(i,j)为像素点的位置，j＝1,2,3,......n_w。

8.如权利要求1所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤4所述的采用滑动窗口法，以各像素为中心计算窗口内图像能量，得到能量图E_c具体方法为：

假设滑动窗口W的尺寸为n_w×n_w，其表达式为：

$W_{n_w\×n_w}=P_w{P_w}^T$

$P_w=\mathrm{\α}-(1-\mathrm{\α})cos\left(2\mathrm{\π}\frac{n}{n_w}\right)$

n＝[0 1 2 ...... n_w]^T

式中α为0～1之间的窗口参数；

滑动窗口W在降质图像I_c上逐像素移动，以每个像素为中心计算窗口内的能量值，并将该能量值作为能量图对应的窗口中心像素点的像素值，直至滑动窗口W的中心遍历所有像素，得到能量图E_c：

$E_c(i,j)=\sqrt{\frac{\underset{i_1=i-(n_w-1)/2}{\overset{i+(n_w-1)/2}{\Σ}}\underset{j_1=j-(n_w-1)/2}{\overset{j+(n_w-1)/2}{\Σ}}{\[I_c(i_1,j_1)\·W_{n_w\×n_w}\]}^2}{{n_w}^2}}$

其中，n_w为奇数。

9.如权利要求8所述的一种基于非可见度分类的多角度SAR图像融合方法，其特征在于，所述窗口为矩形窗、汉宁窗、海明窗或布拉克曼窗。

10.如权利要求1所述的一种基于可见度分类的多角度SAR图像融合方法，其特征在于，步骤5所述的阈值L_c的确定方法为：

$L_c=\mathrm{\μ}+\frac{\sqrt{-2log\left(P_{fa}\right)}-\sqrt{\frac{\mathrm{\π}}{2}}}{\sqrt{2-\frac{\mathrm{\π}}{2}}}\mathrm{\σ}$

其中，μ和σ分别为能量图E_c的均值和方差；P_fa为恒虚警概率，取值范围是10％～20％。