基于素描图与低秩分解的sar图像目标检测方法
【技术领域】
[0001] 本发明属于图像处理技术领域，更进一步涉及合成孔径雷达SAR图像目标检测
技术领域中的一种基于素描图与低秩分解的合成孔径雷达图像（SyntheticAperture Radar，SAR)的目标检测方法。本发明能够准确的检测出合成孔径雷达SAR图像的人工目 标，并且可用于后续合成孔径雷达SAR图像的目标识别。
【背景技术】
[0002] 合成孔径雷达SAR图像的目标检测主要是利用目标和背景在纹理与后向散射强 度统计特性上的差异，从原始合成孔径雷达SAR图像中检测和提取出潜在目标的感兴趣区 域，实现目标与背景的分离。作为合成孔径雷达SAR图像自动目标识别系统中的第一步和 基础环节，目标检测的性能与效果的优劣程度直接影响并作用于后续目标鉴别和目标识别 阶段的效率高低和效果的好坏程度。
[0003] 目前，已经发展出很多针对SAR图像的目标检测算法。其中，恒虚警（Constant FalseAlarmRate，CFAR)检测算法以其简单、快速、实时性强的特点而被广泛应用于合成 孔径雷达SAR图像目标检测中。此外，根据不同类型的目标在SAR图像上具有不同的表征 形式，也相应的具有不同的检测方法，例如用于检测合成孔径雷达SAR图像中具有特定尺 寸的地面目标的扩展分形的目标检测方法，针对高分辨合成孔径雷达SAR图像中的地面军 事目标特点所设计的基于分割思想的目标检测方法，一般常用阈值化法和区域生长法等实 现分割来进行目标检测，这些方法对SAR图像的先验信息如目标的类型尺寸以及背景杂波 的统计分布模型具有较大的依赖性。
[0004] 西安电子科技大学在其申请的专利"基于PrimalSketch算法的SAR图像目标检 测方法"（专利申请号201110102855. 1，公开号CN102129559A)中公开了一种基于Primal Sketch算法的合成孔径雷达SAR图像目标检测方法。该方法根据人工目标的规整性特征对 原始合成孔径雷达SAR图像在PrimalSketch稀疏表示域上得到的线段定义规整度属性， 然后根据线段规整度属性选择出种子线段集合，定义能够体现人工目标规整性特征的生长 规则对种子线段进行区域生长提取出候选目标区域，并根据这些已经检测到的候选目标区 域的规整度和线密度，选择出感兴趣的目标区域得到目标检测结果。该方法存在的不足之 处是，所使用的PrimalSketch模型并不适用于合成孔径雷达SAR图像中的乘性噪声，并且 没有考虑原始合成孔径雷达SAR图像中像素空间的特征，最终导致目标检测结果不准确， 目标区域中包含的虚警较多。
[0005] 西安电子科技大学在其申请的专利"基于区域标记与灰度统计的SAR图像目标检 测方法"（专利申请号201210011612. 1，公开号CN102622598A)中公开了一种基于区域标记 与灰度统计的SAR图像目标检测方法。该方法在人工目标区域标记和合成孔径雷达SAR图 像上对应的人工目标潜在区域的基础上，利用合成孔径雷达SAR图像的灰度信息和人工目 标潜在区域的像素分布特征，使用最大类间方差图像阈值化算法（0TSU)将合成孔径雷达 SAR图像中的像素进行分类，然后利用人工目标的像素灰度呈明暗相间分布的特征，使用区 域生长算法定位人工目标完成对合成孔径雷达SAR图像中人工目标的检测。该方法存在的 不足之处是，在区域生长时会受到相干斑噪声的影响，并且对于灰度一致性较弱的人工目 标定位效果不好，导致目标检测结果不准确。
【发明内容】
[0006] 本发明的目的在于克服上述现有技术的不足，提出一种基于素描图与低秩分解的 SAR图像目标检测方法。本发明克服了当前合成孔径雷达SAR图像目标检测方法中对于目 标的类型尺寸以及背景杂波的统计分布模型具有较大依赖性的问题，同时，充分考虑了合 成孔径雷达SAR图像像素空间的特征，提高了合成孔径雷达SAR图像目标定位的准确性。
[0007] 为实现上述目的，本发明具体实现步骤包括如下：
[0008] (l)SAR图像素描化：
[0009] 采用合成孔径雷达SAR素描模型，获得输入合成孔径雷达SAR图像的素描图； [0010] ⑵提取人工目标潜在区域：
[0011] 采用基于种子线段的区域生长方法，在合成孔径雷达SAR图像的素描图上提取以 种子线段为基准的候选目标区域，在合成孔径雷达SAR图像上提取与候选目标区域对应的 人工目标潜在区域；
[0012] (3)剔除虚警目标区域：
[0013] (3a)按照下式，计算每个候选目标区域的线密度： V
[0014] B=- P
[0015] 其中，B表示候选目标区域的线密度，V表示候选目标区域内与种子线段具有平行 和垂直关系的线段的长度之和，P表示候选目标区域内总的素描点数目；
[0016] (3b)计算人工目标潜在区域中像素值的方差；
[0017] (3c)将人工目标潜在区域按照像素方差值从大到小进行排序，将像素方差值大于 指定阈值τ的人工目标潜在区域加入到人工目标区域集合中；
[0018] (3d)将小于指定阈值τ的人工目标潜在区域，按照该人工目标潜在区域在素描 图中所对应的候选目标区域的线密度，从小到大进行排序，将线密度小于指定阈值ω的候 选目标区域所对应的人工目标潜在区域，加入到人工目标区域集合中，得到剔除虚警目标 后的人工目标区域集合。
[0019] (4)构造人工目标区域的观测矩阵：
[0020] (4a)在输入合成孔径雷达SAR图像的素描图中，提取与人工目标区域对应的候选 目标区域中的种子线段，将所提取的种子线段所包含的素描点的方向作为其映射在合成孔 径雷达SAR图像中的像素点的方向；
[0021] (4b)将合成孔径雷达SAR图像中映射得到的像素点的方向作为滑窗指定方向；
[0022] (4c)在组成人工目标区域的长边和宽边中，选择与滑窗指定方向一致的边作为滑 窗指定边；
[0023] (4d)设定滑窗步长为2个像素点，在合成孔径雷达SAR图像中沿着垂直于滑窗指 定边的方向与其反方向各滑窗10次，得到人工目标区域对应的窗口块集合；
[0024] (4e)选择人工目标区域的顶点中y坐标值最小且只有一个像素的像素点作为起 始点，当y坐标值最小的像素点不唯一时，选择其中χ坐标最小的像素点作为起始点，沿着 水平方向对人工目标区域进行拉列操作，得到列向量，使用该列向量构成观测矩阵的第一 列；
[0025] (4f)按照步骤（4e)中的操作对窗口块集合中的每个窗口块进行拉列操作，得到 列向量集合，使用该列向量集合作为观测矩阵中除第一列之外的其余列元素来构造人工目 标区域的观测矩阵；
[0026] (5)获取人工目标区域的稀疏图：
[0027] (5a)采用鲁棒主成分分析Rpca方法，对人工目标区域的观测矩阵进行低秩分解， 得到观测矩阵对应的低秩矩阵和稀疏矩阵；
[0028] (5b)采用步骤（4e)中拉列操作的逆操作，将人工目标区域的观测矩阵对应的稀 疏矩阵中的第一列向量还原为与人工目标区域大小和形状相同的矩阵，将该矩阵中的非零 元素进行标记得到人工目标区域的稀疏图；
[0029] (6)定位人工目标：
[0030] (6a)统计人工目标区域的稀疏图中非零像素的分布直方图；
[0031] (6b)按照下式，计算人工目标区域的标记阈值λ:
[0032] λ = δ *LM
[0033] 其中，λ表示人工目标区域的标记阈值，δ表示人工目标区域的标记比率，δ的 取值范围为[0.01，0.5]，LM表示人工目标区域的稀疏图中非零像素的分布直方图中的最 大值；
[0034] (6c)将人工目标区域的稀疏图中像素值小于标记阈值λ的像素值置为〇,得到人 工目标区域的标记图；
[0035] (6d)标注标记图中所有非零像素在合成孔径雷达SAR图像中的位置，得到最终的 人工目标检测结果。
[0036] 本发明与现有技术相比具有如下优点：
[0037] 第一，本发明采用合成孔径雷达SAR图像的素描模型得到素描图，在素描图的基 础上提取人工目标潜在区域，克服了现有技术所采用的提取初始素描图的PrimalSketch 算法并不适用于合成孔径雷达SAR图像乘性噪声的问题。采用本发明方法能够得到更适合 描述合成孔径雷达SAR图像特征的素描图，从而得到更准确的人工目标潜在区域。
[0038] 第二，本发明根据人工目标区域的位置，在输入合成孔径雷达SAR图像上滑窗获 取图像块序列来构造观测矩阵，克服了现有技术没有考虑原始合成孔径雷达SAR图像中像 素空间的特征，仅仅使用素描线段规整性特征导致目标区域中包含较多虚警的问题。采用 本发明能够较好的定位目标区域中的人工目标，取得较为理想的目标检测结果。
[0039] 第三，本发明使用低秩分解后的稀疏图中非零元素的位置作为标记，统计每个目 标区域在输入合成孔径雷达SAR图像中像素的分布情况来定位人工目标，克服了现有技术 对于灰度一致性较弱的人工目标定位效果不好的问题。采用本发明能够较好的对不同灰度 分布的目标进彳丁定位，提尚了目标检测的精度。
【附图说明】
[0040] 图1是本发明的流程图；
[0041] 图2是本发明仿真实验中输入的合成孔径雷达SAR图；
[0042]图3是本发明仿真实验中的素描图；
[0043] 图4是本发明仿真实验中滑窗方向和滑窗得到的图像块序列图；
[0044]图5是本发明仿真实验中所剔除的虚警目标图像；
[0045] 图6是本发明仿真实验中对桥梁目标检测结果图；
[0046] 图7是本发明仿真实验中对港口目标检测结果图；
[0047] 图8是本发明仿真实验中对建筑物目标检测结果图。
【具体实施方式】