基于特征融合和聚类的高分辨sar图像快速舰船检测方法
【专利摘要】本发明公开了一种基于特征融合和聚类的高分辨SAR图像快速舰船检测方法，其实现步骤为：基于SAR图像中各地物后向散射特性以及舰船目标的先验信息，用Otsu算法和区域约束定位出目标潜在位置索引图；在索引图上运用基于局部对比度的CFAR算法进行预筛选得到检测二值分割图；对检测结果进行形态学处理，并根据处理的结果从SAR图像和检测后的二值分割图中提取潜在目标切片；运用设计的鉴别特征对所提取的切片进行K-means聚类，得到最终的鉴别结果。本发明通过预处理有效减少了检测阶段的数据量，避免逐点检测带来的时间开销。同时所设计的特征和无监督聚类方法能克服现有训练样本不足的情况下目标的鉴别问题，可有效定位目标的位置并估计出目标的尺寸。
【专利说明】基于特征融合和聚类的高分辨SAR图像快速舰船检测方法
【技术领域】
[0001]本发明属于图像处理【技术领域】，涉及一种基于特征融合和聚类的SAR图像快速舰船目标检测方法，用于合成孔径雷达图像的理解与解译。
【背景技术】
[0002]合成孔径雷达(Synthetic Aperture Radar, SAR)是一种运用微波进行成像的主动式传感器，它的成像不受天气、光照等条件的限制，可以对感兴趣目标进行全天时、全天候的观测。多波段、全极化、不同工作模式的SAR系统的出现使得全方位对地观测成为可能。目前，SAR图像的解译能力无法满足收集到的大量图像处理的需求，这直接导致了 SAR图像解译技术的发展。利用SAR图像进行舰船目标检测是实现海洋监视、渔业管控的重要手段，而我国领海广阔、海洋资源丰富，开展SAR图像舰船检测具有重要意义。
[0003]20世纪80年代，林肯实验室提出了基于分层注意机制的合成孔径雷达自动目标识别(SARATR)三级处理流程，成为了科学界的共识。该模型采用分层处理方式，首先对整幅SAR图像进行预览或检测以去除明显不是目标的区域，得到潜在目标区域；然后对潜在目标区域进行鉴别，去除其中的自然杂波虚警以得到目标感兴趣区域；最后对感兴趣区域进行更加复杂的特征提取和分类，以实现目标识别的目的。随着处理的深化，所要处理的数据量会越来越少，而计算复杂度会越来越大，从而可以实现高效的理解与解译。SAR ATR对于目标识别的实时性和准确率都有着较高的要求，需要开发出快速和高效的算法来满足实际需求。
[0004]当前SAR图像舰船检测的算法多利用舰船目标和周围海域在SAR图像上所表现出的特征差异，通过设定一个自适应阈值来进行检测。经典的恒虚警率(CFAR)检测器是根据舰船目标和周围海域灰度特征的差异，对背景用正态分布建模后根据设定的虚警率来自适应寻找检测阈值，可以达到理论上的恒虚警率。CFAR检测是一种简单有效的检测方法，根据下式进行判断目标点的存在与否。
【权利要求】
1.基于特征融合和聚类的高分辨SAR图像快速舰船检测方法，其特征在于，包括如下步骤: (1)基于地物散射特性与先验的预处理 Ia)根据图像的归一化直方图寻找使类间方差最大的Otsu最优分割阈值，将原始SAR图像分为亮区域和暗区域两部分，得到二值分割图； Ib)对步骤Ia)得到的二值分割图进行孔洞填充后去掉二值分割图中面积远大于舰船目标面积的连通区域，得到潜在目标区域的索引图； (2)基于局部对比度的CFAR检测 2a)根据舰船目标的尺寸，选取CFAR检测所需的目标支撑区域大小和杂波支撑区域的大小； 2b)对原始SAR图像和索引图围绕边界进行镜像反射扩展，预先设定检测的虚警率以在检测过程中根据背景信息自适应地确定每个点处的检测阈值； 2c)在索引图所指示的潜在目标位置上，计算目标支撑区域的平均能量和空心滑动窗口内杂波支撑区域的平均能量及其能量的标准差，根据待测像素点支撑区域的像素均值与该点处的检测阈值的大小关系来判定该点是否为目标像素点； 2d)空心滑动窗口在原始SAR图像上进行移动得到检测的结果后，对得到的检测结果进行腐蚀膨胀操作以去 除孤立的检测点并且用孔洞填充来补充被掩盖的目标点； (3)感兴趣区域提取及其特征构建与融合 3a)从检测后的二值分割图中提取所有连通区域并去除面积远小于目标的连通区域，根据剩余区域的质心和预设切片的大小，从原始SAR图像和检测后的二值分割图中提取出感兴趣区域的切片； 3b)在提取的各原始SAR图像切片上计算对数标准差作为度量此区域强度波动性的特征；在提取的各检测后的二值分割图切片上寻找八连通区域的个数作为描述区域最强散射点空间散度的特征；同时，根据检测后的二值分割图所指示的目标区域位置计算对应的原始SAR图像中能量的平均值作为目标区域平均能量的度量； 3c)将对数标准差、八连通区域数和目标区域平均能量分别进行归一化融合后形成具有更强鉴别力的特征向量，作为对于各感兴趣区域的综合描述；目标区域和杂波区域的特征在特征空间上呈现出聚集特性，而且对于目标区域和杂波区域的各特征都是有先验的指导； (4)基于特征先验和K-means聚类的目标鉴别 4a)设定聚类类别数、最大迭代次数以及由特征先验所决定的初始聚类中心，按照欧氏距离来度量每个待测样本与聚类中心的相似度，并以此将各个样本归类，直至K-means聚类达到收敛； 4b)根据最终得到的样本类别，将聚为目标的样本所对应的感兴趣区域位置找到，并用合适大小的边界框在原始SAR图像上将最后确定为舰船目标的区域标定出来； 4c)从标定为舰船目标的区域所对应的检测后的二值分割图中提取出目标的最小外接矩形，从而得出该舰船目标的长度和宽度。
2.根据权利要求1所述的基于特征融合和聚类的高分辨SAR图像快速舰船检测方法，其特征在于，所述步骤Ia)中，假设原始SAR图像为I，其大小为mXn，用使类间方差最大的最优分割阈值Ttjpt将图像分割成明区域和暗区域两部分，最优分割阈值Ttjpt依据下式获得:
3.根据权利要求1所述的基于特征融合和聚类的高分辨SAR图像快速舰船检测方法，其特征在于:所述步骤Ib)中，对Otsu分割后的二值分割图进行孔洞填充以补全连通区域，统计所有连通区域的大小后，将面积远大于舰船目标尺寸3倍的区域去除。
4.根据权利要求1所述的基于特征融合和聚类的高分辨SAR图像快速舰船检测方法，其特征在于，所述步骤3a)中，从检测后的二值分割图中提取所有连通区域的方法是:对检测后的二值分割图进行形态学操作，所述形态学操作包括用孔洞填充来补全连通区域，用腐蚀和膨胀去除孤立点并且连接邻接点，从而得到所有连通区域。
5.根据权利要求1所述的基于特征融合和聚类的高分辨SAR图像快速舰船检测方法，其特征在于，所述步骤2c)中，目标像素点的判断标准为:若待测像素点支撑区域的像素均值大于该点处的检测阈值，则该点被判断为目标像素点；若待测像素点支撑区域的像素均值小于或等于该点处的检测阈值，则该点被判断为杂波像素点。
【文档编号】G06K9/46GK104036239SQ201410234205
【公开日】2014年9月10日 申请日期:2014年5月29日 优先权日:2014年5月29日
【发明者】杨淑媛, 焦李成, 王士刚, 侯彪, 刘芳, 刘红英, 马晶晶, 马文萍, 熊涛, 刘赵强 申请人:西安电子科技大学