专利名称：一种基于积分图像的快速acca-cfar sar图像目标检测方法
技术领域：
本发明涉及SAR图像解译技术领域，具体涉及一种基于积分图像的快速ACCA-CFARSAR图像目标检测方法。
背景技术：
高分辨率、大场景合成孔径雷达(Synthetic Aperture Radar, SAR)图像的涌现，为更广泛地应用SAR图像提供了可能，同时给SAR图像解译技术带来了新的挑战，一些之前适应于中、低分辨率，小场景SAR图像的处理技术已不再适用。作为关键的SAR图像解译技术之一，目标检测对特征提取、目标识别和分类等后续处理的性能和效率具有很大影响。目前在该方面已有一定的发展，恒虚警(Constant False Alarm Rate, CFAR)检测是其中应用最为广泛的目标检测方法，其基本原理为根据检测单元附近的参考单元估计背景杂波的能量并依次调整门限，以使得虚警概率恒定(参见文献[I]许小剑，黄培康，“雷达系统及其信息处理，”电子工业出版社，2010.)。但是，传统的CFAR算子，即单元平均(Cell Averaging, CA)-CFAR (参见文献[2] L. M. Novak, G. J. Owirka, W. S. Brower, and A. L. Weaver, “The automatictarget-recognition system inSAIP，，Line. Lab. J. , Vol. 10, No. 2, 1997, pp. 187-202.),假设背景杂波服从高斯分布，仅适用于局部均匀背景杂波中的单目标检测，当背景杂波非均匀或包含多目标时，其检测性能急剧下降。为了满足实际工程应用的需求，迫切需要针对新型传感器获取数据的高分辨率、数据内容复杂且容量巨大的特点，结合目标和背景杂波的SAR成像特性差异，研究适用于各种复杂场景的快速CFAR目标检测方法。现有技术一的技术方案为了满足处理SAR图像复杂场景的应用需求，有研究者考虑将各具优缺点的GO (Greatest Of) -CFAR (参见文献[3] V. G.，Hansen, “Constant false alarm rateprocessing insearch radars, ” In Proceedings of the IEEE1973InternationalRadar Conference, London, 1973, pp. 325-332. ), SO (Smallest Of) -CFAR (参见文献[4]G. V. Trunk, “Range resolution of targets usingautomatic detectors,，，IEEETransactions on Aerospace and Electronic Systems, AES-14, Sept. 1978, pp. 750-755.)等基本算子按照一定的准则相结合。其中，最具代表性的VI (Variabilitylndex)-CFAR(参见文献[5]M. E. Smith and P. K. Varshney,“Intelligent CFAR processor based on datavariability, ” IEEE Trans. Aerosp. Electron. Syst. , Vol. 36, No. 3, Jul. 2000, pp. 837 -847.)算子，即根据基于二阶统计特征的索引值和假设检验均值比，来判断选用CA-CFAR，GO-CFAR和SO-CFAR算子之一进行目标检测，故兼具三者的优势，适用于处理均匀场景、及包含多目标、杂波边缘等的复杂场景数据。采用相似的思路，文献[6](G. Gao, L. Liu, L. J. Zhao, G. T. Shi, et al.，“Anadaptive and fastCFAR algorithm based on automatic censoring for targetdetection in high-resolution SARimages, ” IEEE Trans. Geosci. Remote Sens. , Vol. 47, No. 6, 2009, pp. 1685-1697.)提出一种基于自动检索(Automatic Censoring, AC)的快速CFAR目标检测方法。如图I中框①所示，该方法通过一种基于目标置信度的预分割算法生成目标索引矩阵来标记背景窗口中的候选目标像素，以将它们从参考单元中剔除，提高算子对于多目标场景的适用性，图中的浅灰色方框即表示目标索引像素。如何快速、有效地计算目标像素索引值是此类方法的关键。现有技术一的缺点虽然通过将多个基本算子优势互补可提高CFAR算法对于复杂场景的适用性，但此类方法仍然存在如下缺点(I)文献[5]中的VI-CFAR算子未深入考虑算法的时间性能和背景杂波的统计特性。该算子采用基于局部窗口处理的索引值计算方法，其假设背景杂波服从高斯分布，通过估计参考单元的均值和方差来确定索引值。计算复杂、时间效率较低，并且所选用的经验统 计模型不适用于非均匀数据。(2)文献[6]采用的基于目标置信度的全局阈值预分割算法未考虑数据的统计特性，其性能仅依赖于目标置信度，即目标像素个数与图像总像素个数之比，因而算法的性能对该参数的取值比较敏感。现有技术二的技术方案一部分研究者将更能精确反映背景杂波统计特性的统计模型引入CFAR算子，以提高算法在复杂场景下的目标检测能力。其中，K-分布是一种符合SAR散射机理的复合高斯模型(参见文献[7]E. Jakeman and P. N. Pusey, “A model for non-Rayleighsea echo, ” IEEE Trans. Antennas Propagat. , Vol. AP-24, 1976, pp. 806-814.以及文献[8]郝程鹏，侯朝焕，一种K-分布杂波背景下的双参数恒虚警检测器[J]，电子与信息学报，Vol. 29，No. 3，2007，pp. 756-759.)，其因具有对海杂波、林地、农田等非均匀数据建模的能力而较受关注；另一方面，Gtl分布(参见文献[9]A. C. Frery, H. J. Muller, C.C. F. Yanasse, and S. J. S. SantJ Anna, “A model forextremely heterogeneousclutter, ” IEEE Trans. Geosci. Remote Sens. , Vol. 35, No. 3, Mayl997, pp. 648-659.)具有对广泛均匀度变化下的杂波区域建模的能力，较强的模型兼容性且参数计算简单。如图I中框②所示，文献[6]将该统计模型应用于CFAR算子，综合利用该模型适用于对均均、非均匀和极度非均匀场景数据建模的特性，来保证算法处理复杂场景数据的能力。现有技术二的缺点尽管K-分布是在CFAR算子研究方面应用较为广泛的统计模型，但是随着SAR图像分辨率的提高和内容复杂性的增加，这类算法仍存在如下缺点(I)K-分布不适用于对高分辨率SAR图像中的城区、近海岸海域或高海情的开放海域等极度非均匀区域建模。图2和图3分别以从3m-分辨率、大场景SAR图像中截取的感兴趣的海域和近海岸城区(ROI)为测试数据，对比了 K-分布与G°分布幅度模型(即W分布)的建模结果。可以看出，^分布对于此两组数据的建模结果均在一定程度上优于K-分布，尤其对于近海岸城区等极度非均匀数据，K-分布的性能急剧下降，而G〗分布仍能得到较好的拟合结果。(2)相比与G°分布，K-分布的统计参数和局部CFAR阈值的计算均比较复杂。
现有技术三的技术方案为了满足实时自动目标识别(Automatic Target Recognition, ATR)系统以及处理大场景数据的需求，提高CFAR算子的时间效率是另一个亟待解决的问题。但是，目前在该方面的研究仍处于初级阶段，最简单的加速方法是设置较大的滑动窗口扫描步长(参见文献[10] C. H. Jung, W. Y. Song, S. H. Rho, et al. , “Double-step fast CFAR scheme formultiple target detectionin high resolution SAR images, ^IEEE, 2010, pp. 1172-1175.);文献[6]提出一种G°分布统计参数快速估计策略。考虑如图4所示的双参数滑动窗口，其中h为滑动窗口的尺寸，r表示背景窗口的宽度，保护窗口的尺寸为h-2r。结合CFAR算子的左右(或上下)两个相邻窗口具有大多数参考单元相同，仅背景窗口和保护窗口边界处h+(h-2r)个参考单元不同的特点，以从左至右的扫描方法为例，可根据如图5所示的策略，避免一些重复运算，提高算法的时间性能。
权利要求
1.一种基于积分图像的快速acca-cfar SAR图像目标检测方法，其特征在于，该方法具体如下 (1)结合数据的统计特性，利用基于G°分布的自适应全局阈值CFAR预分割算法生成目标索引矩阵； (2)采用基于积分图像的G°分布统计参数快速估计方法，其中，求得原图像的2-阶、4-阶积分图像之后，即可通过简单的加、减等运算求得统计参数； (3)通过基于积分图像的快速ACCA-CFAR算法，实现SAR图像目标检测。
2.根据权利要求I所述的一种基于积分图像的快速ACCA-CFARSAR图像目标检测方法，其特征在于所述的利用基于G°分布的自适应全局阈值CFAR预分割算法生成目标索引矩阵，具体步骤如下 步骤11 :设置恒虚警概率Pfa，将双参数滑动窗口扩展至整幅图像，并设置保护窗口的尺寸为O ; 步骤12 :将背景窗口中的参考单元用于G°分布幅度模型统计参数估计，
3.根据权利要求2所述的一种基于积分图像的快速ACCA-CFARSAR图像目标检测方法，其特征在于所述的采用基于积分图像的G°分布统计参数快速估计方法，其具体步骤如下 步骤21 :通过反复执行如下两组运算，扫描一遍原图像i(x，y)的m-阶图像im(x，y)，生成其m-阶积分图像iim(x, y), s (x, y) = s (x, y-1) +im (x, y)(9) iim(x, y) = iim(x-l, y)+s(x, y)(10) m 式中，(x, y)表示当前像素点的坐标位置
4.根据权利要求I至3任一项所述的一种基于积分图像的快速ACCA-CFARSAR图像目标检测方法，其特征在于所述的通过基于积分图像的快速ACCA-CFAR算法，实现SAR图像目标检测，其具体实现步骤如下 步骤301 :采用基于G°分布的全局阈值CFAR算法进行目标预分割，生成目标索引矩阵；为了便于后续运算，对该索引矩阵取反，得到背景像素索引矩阵，其中背景点为1，目标点为0，用于标记出所有候选背景像素； 步骤302 :通过将背景像素索引矩阵与原图像点乘，去除候选目标像素的干扰，得到背景杂波图像，即与原图像等尺寸的保留背景像素值，目标像素值置零的图像； 步骤303 :计算背景杂波图像的m-阶积分图像； 步骤304 :设置恒虚警概率和滑动窗口参数，其中保护窗口的尺寸应该大于待检测目标的尺寸，滑动窗口尺寸应该充分大以保证有足够多的背景像素参与统计参数估计； 步骤305 :利用滑动窗口逐像素扫描原图像，并通过m-阶积分图像和背景像素索引矩阵，计算背景像素的m-阶样本矩； 步骤306 :利用背景像素的m-阶样本矩，采用MoM法估计G°分布的统计参数； 步骤307 :利用统计参数计算CA-CFAR局部阈值； 步骤308 :通过比较测试单元与局部阈值的大小，判定该单元是否为候选目标像素，是为1，否则为0 ; 步骤309 :判断是否继续扫描，若未扫描完整幅图像，则跳至步骤305，扫描下一个测试单元；否则，执行下一步； 步骤310 :通过后续处理去除虚警，合并目标像素区域，从而得到最终的目标检测结果。
5.根据权利要求4所述的一种基于积分图像的快速ACCA-CFAR SAR图像目标检测方法，其特征在于步骤310中所述的后续处理为计数滤波器、形态学处理或者目标区域聚类。
全文摘要
本发明提出一种基于积分图像的快速ACCA-CFAR SAR图像目标检测方法，包括(1)结合数据的统计特性，提出一种基于G0分布的自适应全局阈值CFAR预分割算法，用于生成目标索引矩阵；(2)提出一种基于积分图像的G0分布统计参数快速估计方法，在该方法实现过程中，一旦求得原图像的2-阶、4-阶积分图像，即可通过简单的加、减等运算求得统计参数；(3)给出了该ACCA-CFAR目标检测算法的基本实现流程。本发明所提出的基于积分图像的G0分布统计参数快速估计策略，可大大提高算法的时间效率，并使得算法的时间复杂度与滑动窗口的尺寸无关，能在很大程度上满足现代自动目标识别(ATR)系统处理大场景数据的需求。
文档编号G06T7/00GK102968799SQ20121053698
公开日2013年3月13日 申请日期2012年12月12日 优先权日2012年12月12日
发明者顾丹丹, 许小剑, 张秀玲 申请人:北京航空航天大学