自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法与流程

本发明涉及一种图像增强和目标检测技术，特别是一种自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法。

背景技术：

合成孔径雷达(SAR)图像已被广泛应用于船舶交通监测和渔船检测。在所有传统和现代工具中，如陆基、舰载、机载探测方式以及在可见光和红外遥感波段等，SAR在收集数据方面具有全天时，全天候，长距离，范围广等诸多优势。由于其特殊的成像原理，SAR可以提供高分辨率的遥感影像。因此，它有利于检测舰船和尾迹，并且可以从尾流中提取额外的参数，用来估计舰船的运动状态，如速度和航向。

船舶通常在SAR图像中表现为明亮的物体，因为它们是由卫星发射的雷达脉冲的强反射体。在更高分辨率的图像中，有可能区分舰船的结构，不但可以检测舰船甚至能识别出舰船类型。并且图像空间信息越多，船舶检测效果越好。在SAR图像中，尾迹最明显的特征是线性特征。船舶尾迹通常表现为可能保持在舰船后几公里长的亮线或暗线。但由于海杂波和散斑噪声的影响，目标特征在SAR图像中并不明显，极大地影响了舰船和尾迹的检测。许多算法已经在舰船目标检测中取得了良好的效果。恒虚警率(CFAR)检测是最常用的舰船检测方法之一，它基于恒虚警率和自适应门限。常用的CFAR算法主要有：两参数CFAR(2p-CFAR)和单元平均CFAR(CA-CFAR)等。但他们仅使用目标的强度特征来进行检测，在高分辨率SAR图像中，这是对目标空间结构信息的浪费。此外，在舰船目标检测中对目标的特征仍然缺乏有效的约束。这里根据实际的目标特征定义了目标筛选准则，结合舰船尾迹检测，使得整个系统方法保证了检测的准确率。

技术实现要素：

本发明提供了一种自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法，包括以下步骤：

步骤1，将输入的SAR图像映射到APT域；

步骤2，APT域中对舰船目标的CFAR检测；

步骤3，舰船目标虚警排除。

采用上述方法，步骤1的具体过程在于：

步骤1.1，将SAR图像中的256级灰度特征量化为16级；

步骤1.2，获取图像中两个像素位置(i,j)和(m,n)间的相似性，相似性用强度差id来表示

id＝|level[f(i,j)]-level[f(m,n)]| (1)

其中，f(i,j)和f(m,n)分别为(i,j)和(m,n)的灰度值，level表示像素所在的量化后的级别，|·|表示绝对值；

步骤1.3，确定阈值L，L大于海杂波的大小，并且小于船宽的最小尺寸的一半；

步骤1.4，对权重t的动态分配；

步骤1.5，通过式(2)，将输入的SAR图像映射到APT域

其中，f_APT(i,j)是APT域值，f(i,j)是灰度图像在(i,j)的值，t是不同像素的自适应权重值，R(i',j')是像素(i,j)与像素(i',j')之间的欧式距离，id是强度相似性，α是控制衰减速度的常数。

采用上述方法，步骤1.4的具体过程在于：

步骤1.4.1，设置判别函数

若为true，则为目标(目标包括船和尾迹)，转步骤1.4.2；若为flase，不作处理；

f(i,j)是SAR图像的灰度图像，μ是图像平均值，σ是图像标准差，是一个设计参数；

步骤1.4.2，在该位置(i,j)设置L大小的滑动窗口，通过式(3)计算(i,j)邻近像素所在子窗口的权重，子窗口的大小为L；若为flase，不作处理；

步骤1.4.3，获取加权新值f_enh(i,j)

其中，sum_weight是通过计算主窗口中步骤1.4.1和计算子窗口中1.4.2得到的权重和；sum_threshold是权重的分割阈值；Ω(L)表示L大小的滑动窗口的所在空间，k表示L大小的滑动窗口内的像素，k∈[1,8]。

采用上述方法，步骤2中通过下式实现目标检测：

其中，x_APT是测试像素值，σ_b是背景标准偏差，t是检测器设计参数；erf表示误差函数。

采用上述方法，步骤3中选择核密度估计、长宽比、目标区域特征对舰船目标虚警进行排除，若特征大于预先设置的阈值，则为舰船目标，其中

采用式(7)获取核密度估计值

其中，x₁,x₂,…,x_j是潜在目标的像素；

目标区域为潜在目标的像素数量。

本发明与现有技术相比，其显著优点为：(1)将强度和空间信息进行结合的APT-CFAR方法来检测船舶，在APT域中，目标(舰船或尾迹)的特征更为突出，并且它使模型鲁棒性更强；(2)在高目标对比度下，结合目标自身特征和尾迹辅助检测方法，使得舰船目标检测更加准确。

下面结合说明书附图对本发明做进一步描述。

附图说明

图1是本发明的方法流程图。

图2是SAR图像直方图。

图3是计算相邻像素的动态权重的过程。

图4是APT过程示例。

图5是变换前后的模拟图像效果比较。

图6是使用TerraSAR-X数据的效果比较。

图7是原始图像中舰船目标和尾迹和APT域中舰船掩膜后尾迹比较。

图8是增强后尾迹二值图像和尾迹的检测结果。

图9是检测性能曲线的比较。

具体实施方式

结合图1，本发明提出的基于自适应参数增强和尾迹辅助检测的恒虚警率舰船检测算法，整个方法基于APT域值。首先，通过算法将图像映射到新的变换域。其次，通过CFAR检测器和定义目标特征，筛选出候选目标像素，突出目标舰船。使舰船像素被均匀的海洋背景取代，然后利用Niblack算法对增强后的图像进行处理，得到尾迹二值图像。最后，用归一化的霍夫变换(NHT)来检测二值图像中的尾迹，以验证船只的存在。

实现上述基于自适应参数增强和尾迹辅助检测的恒虚警率舰船检测算法的具体实施步骤如下：

(1)自适应参数变换。SAR图像中像素灰度与分布距离的相关性是不可分割的。像素之间的距离越近，灰度相似性就越强。通过结合图像像素的灰度特征和位置空间关系，将原始图像空间的强度值转化为新的变换域值。详细步骤如下：

1)图像灰度级差

SAR图像中相邻像素的强度值具有非常高的相似性。我们将SAR图像中的256级灰度特征量化为16级。例如，0-15的强度值为1级，16-31的强度值为2级，...，240-255的强度值为16级。图像中两个像素的位置分别为(i,j)和(m,n)，它们的灰度值分别对应于f(i,j)和f(m,n)。两个像素的相似性由其相应的级别的差异来定义。强度差(id)定义如下。

id＝|level[f(i,j)]-level[f(m,n)]| (1)

我们通过绝对值量化像素之间的强度差异。

2)有效范围

一个像素对另一个像素的影响随着距离的增加而减小。显然，存在一个范围L，使得这样的影响可以忽略不计。范围不应该太大，以免引入多余的计算机负载，也不能太小，以限制我们要利用的空间关系信息。L取决于船舶目标和海杂波的强度。实验表明，它应该大于海杂波的大小，并且小于船宽的最小尺寸的一半，以使滑动窗所包含的内容能够正确地反映它们的空间差异。虽然L通常在很大的范围内变化，但是由于以下两个原因我们优先考虑最小的L：一是较小的L可以减少更多的时间消耗；二是利用较小的L对船舶目标边缘的空间提取影响较小。

3)权重的动态分配

为了更容易计算像素强度的分布，我们假设背景杂波符合高斯分布。图像中背景区域的比例较大。船舶和尾流区域不仅在图像中较小，而且比背景还暗(尾迹)或亮(船舶或尾流)。实验表明，绝大多数的目标像素明显分布在直方图的两端。根据这个规则，给出了不同强度值的动态分布权重。图2给出了包含舰船和尾迹的SAR图像的直方图。

根据以上分析，我们结合了高斯分布的“3σ”准则。在避免漏检的情况下，判别函数是：

其中f(i,j)是SAR图像的原始强度值，μ是图像平均值，σ是图像标准差，是一个设计参数。基于大量的实验数据，强度分布的经验值为2.5-3。当强度值满足公式(2)时，像素可以被认为是舰船或舰船尾迹，然而斑点噪声或许不能完全排除。

考虑到高斯分布，当像素强度值满足公式(2)时，通过在该位置设置L大小的滑动窗口，计算邻近像素的权重分配。图3显示了计算像素权重的过程。主窗口是将强度图像转换成APT域的过程，子窗口是计算相邻像素权重的过程。在子窗口中，计算像素满足目标条件的数量。加权公式如下：

其中，n是满足子窗口中的条件的像素的数量，并L是窗口的大小，t是相邻像素的权重。但是，中心像素不被计算在主窗口中。为了抑制背景杂波和散斑噪声的影响，在主窗口中计算相邻像素权重的总和。

如果权重满足以下条件，公式如下：

在上式中，f(i,j)是原始强度值，f_enh(i,j)是加权新值，t_restrain是抑制参数，t_k是像素强度的加权参数，sum_weight是主窗口像素的权重和，sum_threshold是权重的分割阈值。

通过这种方法可以得出结论：满足条件的相邻像素越多，判定为目标像素的概率就越大，像素也会得到更大的权重。相反，当在子窗口中满足条件的像素的数量较少时，该像素可能是散斑噪声，像素的权重也就越小。通过这种自适应的权重选择，图像噪声相对受到抑制，对比度增强。

4)转换到APT域

根据像素强度值的分布，利用相邻像素间的强度相似度动态地给像素赋予权重，并结合空间距离计算APT域值。像素强度值与邻近像素相似且越相邻，叠加效果更加明显。映射公式如下：

其中，f(i,j)是强度图像在(i,j)的值，f_APT(i,j)是APT域值，t是不同像素的自适应权重值，R(i',j')是像素(i,j)与像素(i',j')之间的欧式距离，id是强度相似性。α是控制衰减速度的常数，结合强度相似性id一起控制衰减效应。它应该大于1以确保衰减量。如果α太小，不同强度的像素将导致几乎相同的增强。如果α太大，相似但不完全相等的强度像素的贡献将非常有限。这个结论可以从公式(6)推导出来。基于大量的实验数据，α值为1.5-1.8时，对SAR图像的调整较合适。

图4显示了自适应参数变换过程。在SAR图像上取一个3*3的图像块。第一，图像像素强度被放大，如图4上部所示。通过不同像素强度值来计算像素等级差异。在统计块中，邻域像素和中心像素之间的差别表示为id，如公式(1)所示。第二，如图4的中间部分所示，根据强度分布，在每个统计块中计算围绕中心像素的像素权重t。总的权重系数通过结合强度等级id来计算。第三，通过结合上述两个步骤，将中心像素强度值和相邻像素之间的欧式距离相结合来计算新的变换域值。可以看到，具有相同强度值的相邻像素对中心像素的贡献不同。此外，同一范围的像素对中心的影响也随着各自的强度而变化。对所有的图像像素重复这个过程。我们将这些新的AP值归一化到0-255。最后，我们可以获得一个结合了强度和空间结构信息的自适应参数变换域图像。

在整个过程中，我们尤其需要考虑以下情况：首先，感兴趣区域(ROI)包含明亮或黑暗的像素强度值。这些像素的强度值在变换域中大大增强。其次，背景和斑点噪声略微增强，这是由于原始强度值被赋予较小的权重，这些像素之间的强度相似性较弱。

(2)APT域中的CFAR检测。CFAR是自适应阈值算法之一，主要用于搜索与周围海域相比通常明亮的像素值。它要求目标相对于背景具有较高的对比度，并且通过将每个像素强度与一定阈值进行比较来实现目标检测。

在APT领域，基于像素的强度和空间信息，目标区域的特征被大大增强。相反，海洋背景杂波和斑点噪声区域的叠加效应不明显。通常情况下，APT域的图像概率密度分布(PDF)接近于高斯分布。此外，增强后图像更接近高斯分布模型。

根据背景杂波的高斯分布模型，可以根据虚警概率(PFA)公式来计算阈值：

f_pdf(x)是概率密度函数(pdf)，公式如下：

其中，x_APT是测试像素值，μ_b是背景平均值，σ_b是背景标准偏差，t是检测器设计参数。t和P_fa的关系满足式(9)：

误差函数(erf)被定义为：

根据上面的公式，阈值如下：

最后，我们通过以下公式来实现目标检测：

(3)目标虚警排除。在保证较高检测率的前提下，采用CFAR检测器对SAR图像进行处理，不可避免地会导致虚警问题。结合目标的特点，我们使用以下特征作为筛选标准。

1)核密度估计(KDE)

核密度反映了目标的聚集程度，提供了目标内部结构特征。由于虚警通常以离散点或细线段的形式出现，而且舰船目标显示为集合像素集，显然，目标(舰船或舰船尾迹)具有更高的KDE值。核密度估计量由下式给出：

其中，x₁,x₂,…,x_j是潜在目标的像素。

2)长宽比(AR)

纵横比是指候选目标的长度与宽度的比率。AR与船体尺寸无关，是舰船自身在海上的特征。它可以用来识别舰船目标和海上的高亮点。

3)目标区域(TR)

目标区域是潜在目标的像素数量。船舶的像素数量在大小上控制目标。根据像素间距，我们可以设置目标尺寸的最小阈值。

若特征大于预先设置的阈值，则为舰船目标。

(4)尾迹检测和结果融合

海上船舶尾迹的特征与船舶本身相比是非常明显的，通常表现为舰船身后长达数千米的线段。事实上，由于运动舰船的距离分量使得SAR图像中出现方位偏移，这个在图上表现为舰船偏离了实际航线。然而，尾迹表明了舰船的真实位置。因此，船舶尾迹检测可以方便舰船检测和舰船运动参数的求取。

舰船目标和尾迹关系是密不可分的。尾迹的存在能够验证舰船目标的真实性。当舰船目标后侧能够探测到尾迹，认为该目标是舰船；当只有舰船或者尾迹被探测到时，我们仍然认为存在目标。然而，当海况非常复杂时，SAR图像被斑点噪声和海杂波影响，在一些情况下，仍需要人工来进行目标检测。

本发明的效果可以通过以下仿真结果进一步说明：

(1)舰船目标增强和检测

1)模拟数据：

为了验证APT域的效果，我们使用模拟图像来测试所提出的算法的性能。图5(1.a)和(2.a)分别模拟了明暗区域的特征。它们是通过将一个具有相同强度值的像素块附着在一个没有任何目标的海杂波SAR图像上而创建的。模拟海杂波背景来自TerraSAR-X，分辨率为3米。箭头指向的图像块大小是5*10。

图5(1.a)表明，虽然该区域本身具有较高的强度，但仍受海杂波和斑点噪声的干扰，从图5(1.c)中可以清楚地看出。鉴于这些条件，我们使用所提出的算法将图像转换到新的APT域。图5(1.b)显示APT结果。我们可以看到，明亮的地方变得更强，背景被抑制，图像对比度变大，所以目标更易于检测。相反，如图5(2.a)所示，像素块具有较暗的强度值。图5(2.c)显示像素块完全被淹没在背景中。考虑到海杂波模型和目标强度，根据本文提出的算法，暗目标也大大增强。

2)TerraSAR-X数据

TerraSAR-X图像来自新加坡海域，如图6所示。分辨率为3米方位角。极化模式和频道分别是单极和HH。如图6所示，第一行显示原始强度图像，增强图像以及相应的检测图像。第二行显示较差的海况图像以及相应的增强和检测结果。从图6中可以看出，目标杂波对比度比较低，个别目标不太明显。经过该算法后，我们可以看到背景杂波被抑制，目标更加突出。在增强后的图像中，该算法可以准确地检测目标，干扰较少。通常，APT-CFAR可以有效地提高图像对比度，并根据筛选标准更精确地检测船舶目标。

(2)尾迹增强和检测

在SAR图像中，舰船尾迹或暗或亮，通常对比度较低，从而不易察觉。图7(1.a)显示了原始图像中伴随着船只的暗尾迹。图7(1.b)显示了舰船被掩膜后，APT域中增强的尾迹图像。图7(2.a)和(2.b)分别是相应的三维图像。可以看出，尾迹被极大增强，目标-杂波对比度变大。此外，我们知道基于在APT域中提出的算法，空间和强度的组合变得更紧密。最后，我们可以看到尾迹的增强是非常明显的。

图8显示了二值图像和尾迹的检测结果。对于增强图像，我们使用局部阈值Niblack算法进行图像分割。为了进一步实现检测结果和参数提取，我们使用归一化的Hough变换来标记尾迹。对于线性尾迹，它可以有效地标记尾迹点。但是，对于非线性尾迹，可能需要在积分域中采用多个极值来获得完整的轨迹。

(3)与其他算法的比较

为了评估算法的性能，我们将其与标准CFAR和双边CFAR进行比较。标准CFAR使用强度作为检测的标准。而双边CFAR采用融合分布进行检测，但是以不同的方式使用强度和空间信息。为了详细评估算法的性能，我们使用来自TerraSAR-X的图像得到了接收器操作特性(ROC)曲线。同时，我们将目标检测概率定义为：

其中，N_td是检测到的目标数量，N_total-target是所有目标的数量。虚警概率的估计定义为：

其中，N_fd是虚警目标的数量，N_ground-true是真实目标的数量。

ROC曲线如图9所示。显然APTCFAR和双边CFAR比标准CFAR好，正如后者的曲线下面积(AUC)小于其他的。这是因为它只考虑图像的强度特性。APT-CFAR和双边CFAR的趋势是相似的。然而，当小于10^-4时，APT-CFAR的值高于双CFAR。这意味着在较复杂的海况和较低的对比度下前者的检测精度较高。而且，随着APT-CFAR的整体检测性能的提高，效果会更突出，主要在于该过程基于像素权重的动态增强，从而使得目标对比度提高。