基于空域混合模型的高分辨sar图像目标检测方法
【技术领域】
[0001] 本发明属于图像处理领域，是一种采用混合模型对高分辨SAR图像进行目标检测 的方法。
【背景技术】
[0002] 合成孔径雷达是一种全天时、全天候的高分辨率雷达，在军事，农业，自然灾害监 测等诸多领域有着广泛的应用。SAR与其它遥感成像系统，光学成像系统等相比有很多差异 和优点。在军事目标识别方面，SAR图像有分割、分类、目标识别等诸多应用，而目标识别是 SAR图像在军事方面的终极目标。与自然图像不同，SAR本质上反映的是目标的电磁散射特 性和结构特性，SAR的成像不受天气，光线等的影响，而在很大程度上依赖于雷达自身特性 和成像区域的地形地貌和地物特征。受合成孔径雷达特性的影响，SAR图像与传统光学图 像不同，SAR图像灰度级变化较为缓慢，而且伴随有大量的相干斑噪声，因此传统的用于光 学图像的目标检测与识别方法并不适用于SAR图像；
[0003] 针对SAR图像的这些特性，有许多基于分布模型的SAR图像处理算法：
[0004] 基于相干班抵制的方法。这类方法首先对SAR图像用滤波的方法抵制相干斑，在 处理过后的较为平滑的图像上采用光学图像的方法分割、分类或检测目标。常用的滤波方 法包括Sigma滤波、均值滤波、中值滤波、Kuan滤波、Lee滤波等方法。经过滤波抵制相干斑 后处理在效果表现上有所提升，但由于滤波过程会导致边缘信息的丢失，这会导致检测结 果轮廓不准确，对精确打击造成困难；
[0005] 基于SAR图像分布模型的分类和目标检测方法。这类方法首先对SAR图像进行建 模。最常用的方法是恒虚警（CFAR)的方法，但随着当前合成孔径雷达的不断发展，SAR图 像的分辨越来越高，传统SAR图像模型算法已经不适用于当前高分辨SAR图像，这种不适应 性主要体现在两个方面，一是传统SAR图像模型不能很好的逼近高分辨SAR图像的分布，二 是高分辨SAR图像的背景分布变化具有一定连续性，而传统SAR图像分布模型不能很好的 模拟这种连续性，导致检测结果不能成为一个整体；
[0006] 基于广义伽马分布的恒虚警（CFAR)目标检测方法。在空域CFAR检测中，最 典型的方法是 CA-CPAR(Cell_Averaging CFAR)，参见 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)，参见 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，在均匀杂波时表现较好，当遇到杂波边缘和多个点目标时，均值估 计会受到影响，算法性能会下降。OS-CFAR算法能克服CA-CFAR算法的缺陷，但在均匀杂波 时不如CA-CFAR算法。
[0008] 这些CFAR算法各有优缺点，有的太复杂，实用性较差，有的适用范围有限，没有哪 个CFAR算法适合所有的杂波情况。
[0009] 随着多合成孔径雷达的不断发展，SAR图像的分辨率越来越高，人们对SAR的目标 检测的要求也越来越高，检测效果的评价也渐渐严苛起来，主要表现在以下几个方面：同质 区域的内部一致性要高，要可以将目标检测为一个整体，不同目标应该能有效的区分开来； 边缘边界的清晰性，检测正确率要高。而不论以上哪种CFAR的方法都具有一定的缺陷，不 能满足要求。
【发明内容】
[0010] 本发明的目的在于克服上述传统方法的不足，提出一种基于空域混合参数模型的 高分辨SAR图像目标检测方法，利用分布模型具体一定扩展性这一特点可以将目标检测为 一个整体，提高区域一致性和目标边缘精确度，从而保证检测目标的完整和准确。
[0011] 实现本发明目的的技术方案是：
[0012] 使用广义伽马分布、高斯分布和四阶函数分布的联合分布对高分辨SAR图像进行 建模，挖掘图像中的参数信息，构建出能有效逼近高分辨SAR图像的混合模型，有效的克服 了传统单一模型不能较好的逼近高分辨SAR图像的问题，并用该模型分别检测目标和目标 阴影，并用阴影对目标进行补偿，得到目标的形状信息。其具体实现过程如下：
[0013] 1)对特定区域的高分辨SAR图像人工选取不同类别的训练样本；
[0014] 2)由训练样本采用MoLC方法和丽SE的方法训练四阶函数分布和高斯分布以及广 义伽马分布的参数，并对每一类进行联合建模，得到混合分布模型；
[0015] 3)对待分类的图像基于以上得到的由四阶函数模型、高斯分布模型和广义伽马分 布模型构成的混合模型提取混合分布的分布参数；
[0016] 4)基于丽SE的分类，对高分辨SAR图像的点逐个加窗并计算其分布参数，采用 MMSE的方法将其分布逼近已得到的混合模型，并基于混合模型进行分类，分类结果包括目 标、背景和目标阴影；
[0017] 5)利用先验知识剔除非阴影暗区域，得到由目标形成的阴影，用到的先验知道主 要包括阴影面积大小，阴影与目标区域的距离等；
[0018] 6)利用目标阴影补偿目标点；
[0019] 7)得到检测结果。
[0020] 本发明与现有的技术相比具有以下优点：
[0021] 1、本发明由于使用广义伽马分布、高斯分布和四阶函数分布联合对高分辨SAR图 像进行建模，能够更好的逼近高分辨SAR图像的分布函数，保证了建模的准确性；
[0022] 2、本发明自用联合模型首先对高分辨SAR图像进行分类，并利用参数信息提取目 标点，有效我解决了传统方法应用于高分辨SAR图像目标检测时导致目标点不连续的问 题。
[0023] 3、本发明由于利用先验信息，对目标进行补偿，使检测到的目标更完整；
[0024] 4、仿真结果表明，本发明方法较小波CFAR能更有效的进行目标检测。
【附图说明】
[0025] 图1是本发明的流程示意图；
[0026] 图2是本发明在一幅简单背景高分辨SAR图像上的仿真结果图；
[0027] 图3是本发明在一幅包含两类背景的高分辨SAR图像上的仿真结果图；
[0028] 图4是本发明在一副包含复杂地物信息的高分辨SAR图像上的仿真结果图。
【具体实施方式】
[0029] 参照图1，本发明的具体实现步骤如下：
[0030] 步骤一、对特定区域的高分辨SAR图像人工选取不同类别的训练样本。
[0031] 在待检测的高分辨SAR图像中选取不同类别的具有代表性的区域，并对不同类别 的像素进行标记，对于简单图像可简单的选择目标区域、背景区域和目标阴影区域，对于 较复杂的SAR图像，可根据需要对背景区域进行细化，标记为{I。，I1，…，IJ。
[0032] 步骤二、对{I。，I1, . . .，Ιε}提取特征参数，得到特征参数{S。，S1, . . .，Sc}。
[0033] 将选择的区域用MoLC方法提取广义伽马分布特征参数，用求均值与方差的方法 提取高斯分布参数，用MMSE方法提取四阶函数特征参数，并用三种分布对每一类图像进行 联合建模；
[0034] 步骤三、对待分类的高分辨SAR图像基于以上得到的由四阶函数模型、高斯模型 和广义伽马分布模型构成的混合