本发明涉及sar遥感领域，尤其涉及一种自适应阈值的视觉注意模型sar舰船检测算法。
背景技术：
我国是一个海洋大国，周边个别国家的船舶进入我国领海进行测量、监听、偷捕等非法活动，严重危害我国海洋安全与海洋权益。因此，海洋舰船目标检测具有重要意义。随着合成孔径雷达(syntheticapertureradar，sar)系统与技术快速发展，sar图像舰船目标检测越来越普遍。通常sar系统成像时舰船的后向散射系数较大，在sar图像中舰船呈现较亮灰度值；而平稳海况下，海杂波的后向散射系数较小，海面呈现较暗的灰度值，随海风增大，海面的后向散射增加，sar图像上舰船目标与海洋背景的对比度减小。目前很多算法都是基于目标与背景之间的灰度差异进行舰船检测的。
现阶段sar图像舰船目标检测应用较多的是经典恒虚警率(constantfalsealarmrate，cfar)算法中的双参数cfar、k-cfar算法及ksw双阈值检测算法。其中，双参数cfar算法基于背景杂波服从高斯分布的假设，采用3个滑动窗口遍历图像计算局部阈值进行图像分割。高海况时，此时高斯分布不适于描述海杂波的分布，舰船检测率下降；k-cfar算法区别于双参数cfar算法，采用k分布来描述海杂波，高海况时k分布能很好地描述海杂波的长拖尾现象。但是k分布参数估计困难，阈值求解复杂；ksw双阈值算法是将信息熵的概念应用于图像分割中，该算法基于图像分类后各类信息熵之和最大的原则，高海况条件下，海面风场较大，海面通常会引起较为强烈的bragg共振，其后向散射变强，在sar影像上往往表现为较亮的区域，ksw双阈值算法容易将反射率较高的噪声检测成目标产生虚警。针对这些复杂情况，需要一种鲁棒性强的简洁算法在各种海况条件下都能准确高效地检测出舰船目标。
近几年，出现了一种基于人类视觉注意模型的sar舰船检测方法。人类视觉机制可以从复杂场景中快速的提取出显著目标。2013年，mehdiamoon等人提出的基于人类视觉注意模型sar舰船目标检测算法。该算法基于脉冲余弦变换(pulsecosinetransform，pct)变换得到视觉显著图，然后阈值分割进行目标检测，适用于复杂海况，但需要人工干预确定经验阈值进行舰船目标检测，导致算法自动化程度较低。
基于人类视觉注意模型的sar舰船检测方法其步骤如下：
步骤一：初始阈值分割
给定sar图像，通过其统计特性及人工经验确定阈值，进行初始图像分割，以免复杂海杂波对后续视觉显著图的计算存在影响。初始图像分割的计算如公式(1)所示：
f(x,y)为用于舰船检测的sar图像，判断每个像素(x，y)上的取值f(x,y)是否大于等于阈值tf，若大于等于tf，则该像素取值不变，否则该像素取值tf，s(x,y)为初始阈值分割后的图像。阈值tf的计算方法如公式(2)所示：
tf＝μ+(α×σ)(2)
其中μ和σ为sar图像的均值和标准差；α为经验常数，决定斑点噪声的消除程度，α越大，斑点噪声去除的越多，但同时舰船可能被去除，针对不同图像，α值不同。
步骤二：引入视觉注意模型的核心注意机制
该方法引入dct和idct变换处理图像。对初始阈值分割后的图像s进行离散余弦变换，图像从空间域变换到频率域，并进行符号函数运算，只保留输入图像在频率域的系数，而忽略其在频率域的幅度大小，如公式(3)所示；然后进行图像重构逆变换回空间域，如公式(4)所示；最后采用二维低通高斯滤波得到显著图像ss，如公式(5)所示。
p＝sign[c(s)](3)
f＝c-1(p)(4)
其中，sign函数为符号函数；
c和c-1是二维离散余弦变换(dct)及其逆变换；f为逆变换回空间域之后的结果。
ss＝g*f2(5)
其中，g是二维低通高斯滤波；*为卷积运算符；f2是将空间域的像素灰度进行平方运算，是为了非线性地扩大视觉显著图像ss的对比度，便于可视化。
步骤三：再次进行阈值分割，检测出目标
根据显著图像ss的统计特性，计算出最终分割阈值td进行目标判别，如公式(6)所示。
其中，判断显著图像ss的每个像素(x，y)与td的关系，若像素小于td判断为背景，否则判断为目标，g(x,y)为最终经人类视觉模型处理后的图像。阈值td的计算如公式(7)所示：
但是，现在已有的基于视觉注意模型的sar图像舰船检测算法在舰船检测阶段需要根据人工经验确定初始分割阈值及最终分割阈值，造成该算法自适应性差。
技术实现要素：
鉴于上述现有技术中存在的基于视觉注意模型的sar图像舰船目标检测算法自适应性差的问题，该发明提出一种自适应阈值的视觉注意模型sar舰船检测算法；该算法能够得到自适应的初始分割阈值及最终分割阈值，避免了人工干预，提高了舰船目标检测的自动化程度。
本发明所述自适应阈值的视觉注意模型sar舰船检测算法，其特征在于，包括：
预处理步骤，从原始sar图像裁剪出只含有舰船目标的海洋区域的子图像，并采用3*3窗口的enhancedlee算法进行噪声滤波；
舰船目标检测步骤，具体包括：对于预处理之后的sar图像，通过otsu方法确定自适应分割阈值tf，进行图像初始分割；将经过otsu法自适应初始阈值分割后的g(x,y)图像输入pct模型，得到视觉显著图像s(x,y)；利用根据视觉显著图像的统计特性计算出的阈值再次进行阈值分割，检测出目标。
优选的是，所述通过otsu方法确定自适应分割阈值tf包括：把sar图像中像素按灰度值用阈值t分成两类f1和f2，tf为使两类像素的类间方差取最大值时的t值。
优选的是，利用自适应分割阈值tf进行图像初始分割的分割方法如下：
f(x,y)为经过上述预处理之后用于舰船检测的sar图像，判断每个像素(x，y)是否大于阈值tf，若大于tf，则该像素取值不变，否则该像素取值tf，g(x,y)为初始阈值分割后的图像。
优选的是，将经过otsu法自适应初始阈值分割后的g(x,y)图像输入pct模型，得到视觉显著图像s(x,y)的步骤具体包括：
将g(x,y)图像作为输入图像x，将m行n列的输入图像x转变成m×n维的向量x；
将向量x进行二维离散余弦变换，采用符号函数对向量x的dct系数做归一化处理，表示为：
p＝sign(cx)
cx表示对向量x进行二维离散余弦变换，c为二维离散余弦变换，其定义如下：
其中，m为输入图像x的行数，n为列数；sign(.)为符号函数，
对二元化的向量p做二维dct逆变换，恢复在视觉空间中的显著信息，表示为：
f＝abs(c-1p)
其中，c-1p表示对向量p做二维dct逆变换；c-1为二维dct逆变换，为c的逆矩阵；abs(.)为绝对值函数；
将向量f转变成与输入图像的大小相同的矩阵f，用高斯低通滤波器对f进行卷积处理平滑图像，得到视觉显著图，表示为：
s＝g*f2(5)
其中，g为二维高斯低通滤波函数，s为输入图像对应的视觉显著图。
可见，本发明提出一种自适应阈值的视觉注意模型sar舰船检测算法，关键在于，本发明以视觉注意模型为核心，引入otsu法得到自适应阈值进行初始分割，然后引入视觉注意机制得到视觉显著图，由于显著图像符合高斯分布，根据显著图像的统计特性得到最终的自适应分割阈值，即根据高斯分布恒虚警率算法检测出舰船目标。
说明书附图
图1是本发明优选实施例的归一化处理网络结构图；
图2是本发明优选实施例所述自适应阈值的视觉注意模型sar舰船检测算法流程图。
具体实施方式
下面通过实施例，对本发明的技术方案做进一步具体的说明。
本发明提出一种自适应阈值的视觉注意模型sar舰船检测算法，引入最大类间方差(即otsu)法进行自适应阈值初始分割，得到显著图像后，由于显著图像更符合高斯分布，根据显著图像的统计特性得到最终自适应分割阈值，避免了人工干预，提高了舰船目标检测的自动化程度。下面对本发明予以具体介绍。
1.基于pct的人类视觉计算模型
基于pct(脉冲余弦变换，pulsedcosinetransform)模型的人类视觉计算模型采用自底向上的视觉注意机制(即，当注意是由外在刺激作用产生的情况下，仅有外界刺激对客体作用产生影响，注意进行聚焦时并没有主动意识的参与，这样的聚焦流程称为“自底向上的注意”)，是由基于脉冲主成分分析(principalcomponentanalysis，pca)变换的视觉注意模型推广得到的。基于脉冲pca变换的视觉注意模型利用pca系数的符号来产生空间显著性和运动显著性。该视觉注意模型基于一定的生物合理性：1)模型中用到的主成分投影向量可以通过神经网络中的hebb学习获得；2)脉冲pca变换的二元输出类似人脑的神经元脉冲；3)该模型在变换域中完成了视觉皮层的中心周边抑制。脉冲pca变换推广到脉冲余弦变换，基于pct的人类视觉计算模型具有数据独立、计算速度快的优势。
1.1视觉显著性的介绍
研究表明，视觉显著性的形成是同类神经元侧抑制作用的结果，即一个脉冲发放的神经元会抑制其周围同类神经元的发放。一个与周围明显不同的视觉特征目标不受周围同类神经元的抑制，它的发放率较高，被一个神经元检测为视觉显著目标。相反，一个与周围相同的视觉特征目标受到周围同类神经元的抑制，其脉冲发放率大大降低，被一个神经元检测为非显著性目标。由于人类视觉场景有明显的结构性，因此在视觉输入中存在大量信息冗余。而人的视觉系统具有滤除冗余信息的能力。信息冗余在数据处理中主要表现为数据的二阶相关性，只要捕获输入信息中相关性高的成分，并抑制它们，就可以凸显显著性高的视觉特征。
1.2脉冲pca模型
对于统计特性稳定的图像，其主成分反应了视觉空间的全局特征，而且图像的pca系数能够捕获像素间二阶相关性的信息冗余。神经网络中的hebb学习能够找到输入数据的主成分。因此，用pca变换作为神经网络的前馈连接(feed-forwardconnections)来获取图像的全局特征。通过归一化图像的pca系数来抑制与周围环境空间相关性高的区域，增强显著性特征。
在给定图像训练样本集时，利用特征值分解的方法计算pca投影向量。假定已经获得了所有的pca投影向量，我们将n像素的输入图像x转变成n维向量x，并将向量x投影到pca空间中。然后，我们采用一个符号函数对向量x的pca系数做归一化处理。这种先进行pca投影再做归一化处理的过程可以用如下公式(1)表示：
p＝sign(cx)(1)
其中，cx表示对向量x进行pca变换，
c为n×n的正交归一基矩阵，其行向量为pca投影向量，c在计算方法如下：
设x的协方差阵为
则该协方差阵当中：
其中，m,n为输入图像x的行列数；xk(i,j)、xl(i,j)代表n维向量x中的某一维向量。
∑x为非负定的对称阵，λ1,λ2,...,λn为∑x的特征根，而u是由特征根相对应的特征向量所组成的正交阵。
其中，ui＝(u1i,u2i,…,uni)'i＝1,2,…,n，通过对u进行正交归一化处理，得到的正交归一基矩阵c。
公式(1)中，sign(.)为符号函数，符号函数将pca系数进行归一化处理，这对应着空域中的中心周边抑制作用。其输出向量p为二元化编码(即1和-1)，与人脑中的神经元间的电脉冲发放与否相对应。由于公式(1)仅保留了输入图像主成分的符号，所以我们将其称为脉冲pca(pulsedpca，p2ca)变换。公式(1)实现了在pca空间中产生显著性的计算，图1给出了公式(1)的网络结构。
对二元化的向量p做pca逆变换，恢复在视觉空间中的显著信息。该过程可以用如下公式(7)表示：
f＝abs(c-1p)(7)
其中，c-1为pca逆变换，为c的逆矩阵；abs(.)为绝对值函数。然后将向量f转变成与输入图像的大小相同的矩阵f，用高斯低通滤波器对f进行卷积处理(其中，f做平方运算以非线性地增强显著图对比度)，平滑图像，得到视觉显著图。该过程可以用如下公式(8)表示：
s＝g*f2(8)
其中，g为二维高斯低通滤波函数，*为卷积运算符，s为输入图像对应的视觉显著图。
1.3pct模型
pca空间的维数等于整张图像的像素总数，计算复杂度较大。为了解决这个问题，提出了数据独立，计算高效的基于pct的人类视觉注意模型。研究表明，当统计特性稳定的训练样本数量趋于无穷时，pca基向量会逐渐变成dct基向量。因此，可以把dct变换看作是经过充分训练的pca变换。据此将脉冲pca变换模型推广到脉冲余弦变换(pulsedcosinetransform，pct)模型，2维dct变换是以行列分解的方式进行计算的，因此，2维图像的dct变换的运算复杂度远远低于相应的pca变换。具体来说：
将m行n列的输入图像x转变成m×n维的向量x，并将向量x进行二维离散余弦变换，即二维dct变换。然后，采用符号函数对向量x的dct系数做归一化处理。该过程可以用如下公式(1)表示：
p＝sign(cx)(1)
cx表示对向量x进行二维离散余弦变换，c为二维离散余弦变换，其定义如下：
其中，m为输入图像x的行数，n为列数；sign(.)为符号函数，
对二元化的向量p做二维dct逆变换，恢复在视觉空间中的显著信息。该过程可以用如下公式(4)表示：
f＝abs(c-1p)(4)
其中，c-1p表示对向量p做二维dct逆变换；c-1为二维dct逆变换，为c的逆矩阵；abs(.)为绝对值函数。
然后将向量f转变成与输入图像的大小相同的矩阵f，用高斯低通滤波器对f进行卷积处理(其中，f做平方运算以非线性地增强显著图对比度)，平滑图像，得到视觉显著图。该过程可以用如下公式(5)表示：
s＝g*f2(5)
其中，g为二维高斯低通滤波函数，s为输入图像对应的视觉显著图。
2.自适应阈值的视觉注意模型sar舰船检测算法
自适应阈值的视觉注意模型sar舰船检测算法通过otsu法自动确定阈值，对图像初始分割，避免了背景杂波对后续生成显著图像的干扰；然后图像经pct变换由空间域变换到频率域进行图像压缩，pct变换消除了图像的空间冗余，提高了算法的检测效率，图像重构后进行低频滤波平滑图像，去除噪声，最大程度保存目标信息生成视觉显著图；最后根据显著图像的统计信息自适应阈值分割检测出舰船。自适应阈值的视觉注意模型sar舰船检测算法流程如图2所示，下面进行具体介绍。
2.1预处理
步骤一：原始sar图像通常不仅含有海洋区域还含有陆地、港口码头等区域，首先进行感兴趣区域(roi)手动提取，即裁剪出只含有舰船目标的海洋区域的子图像。
步骤二：斑点噪声对sar图像目标检测存在严重干扰现象，综合考虑舰船尺寸和图像分辨率，为了平衡目标检测效果和滤波效果，采用3*3窗口的enhancedlee算法进行噪声滤波，使得滤波后的图像在保持目标细节信息的同时又能达到平滑背景的效果。
2.2舰船目标检测
本发明通过引入otsu方法确定自适应阈值进行图像初始分割，再根据显著图像的统计特性自动确定最终分割阈值，该方法大大提高了舰船检测的自动化程度。具体步骤如下：
步骤一，给定sar图像，通过otsu方法确定自适应分割阈值tf，进行图像初始分割。otsu方法是一种使类间方差最大的自动阈值选取方法，具有简单、处理速度快的特点，是自动门限获取的经典算法，otsu方法的基本原理不再详述。
利用自适应阈值进行图像初始分割的分割方法如下：
把图像中像素按灰度值用阈值t分成两类f1和f2，tf为使两类像素的类间方差取最大值时的t值。f(x,y)为经过上述预处理之后用于舰船检测的sar图像，判断每个像素(x，y)是否大于阈值tf，若大于tf，则该像素取值不变，否则该像素取值tf，g(x,y)为初始阈值分割后的图像。由于sar图像存在斑点噪声，若直接使用otsu法进行舰船提取存在很多杂散点，本文使用otsu方法通过确定自适应分割阈值tf将较低灰度的像素取为单一值，统一背景灰度值，进一步模拟视觉场景，以免复杂海杂波对后续视觉显著图的计算存在影响。
步骤二：通过基于pct的人类视觉注意模型计算视觉显著图
将经过otsu法自适应初始阈值分割后的g(x,y)图像输入1.3节介绍的pct模型，得到视觉显著图像s(x,y)。
步骤三：利用根据视觉显著图像的统计特性计算出的阈值再次进行阈值分割，检测出目标。
根据视觉显著图像的统计特性计算出阈值td进行目标判别。
判断视觉显著图像s(x,y)的每个像素(x，y)与td的关系，若像素小于td判断为背景，否则判断为目标，h(x,y)为最终经结合自适应阈值分割的人类视觉注意模型处理后的图像；其中背景像素取值为0，目标像素取值255。阈值td按照如下公式(3)计算：
td＝μs+k×σs(3)
其中，μs和σs是显著图像的均值和方差；k是利用显著图像服从高斯分布的假设，根据恒虚警率算法得出的自适应的标称化因子，k的计算过程如下：
通过公式(4)与(5)求解k；其中，p(x)是显著图像服从高斯分布的概率密度函数；pfa取值为0.5。
3.算法评估
本申请从算法的检测效果和检测效率两个方面对实验结果进行算法评估。其中，检测效果采用品质因数(fom)进行评估，fom反映了检测概率和检测虚警概率之间的平衡关系，品质因数越大，则检测效果越好。
nt、nf、ng分别是正确检测的目标数、虚警目标数和实际存在的目标数。
另外，检测效率采用算法的运行时间进行评估，本文每种算法各运行10次，取平均时间作为各算法的检测时间。
可见，本发明提出一种自适应阈值的视觉注意模型sar舰船检测算法，关键在于，本发明以视觉注意模型为核心，引入otsu法得到自适应阈值进行初始分割，然后引入视觉注意机制得到视觉显著图，由于显著图像符合高斯分布，根据显著图像的统计特性得到最终的自适应分割阈值，即根据高斯分布恒虚警率算法检测出舰船目标。
以上实施例仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。