基于SAR图像稳定区域显著性分析的陆地目标检测方法

本发明属于雷达领域，具体涉及基于sar(synthetic aperture radar，合成孔径雷达)图像稳定区域显著性分析的陆地目标检测方法。

背景技术：

1、合成孔径雷达具有全天时、全天候对地观测的独特能力。陆地场景相对而言较为复杂，一方面杂草、树木等环境对探测效果的影响较大，另一方面杂波在不同空间上的分布也具有较大差异，环境变化极大地影响其杂波的分布。此外，陆地目标呈密集分布，这些因素均为基于sar图像进行陆地目标检测引入了一定的难度。

2、基于sar图像进行陆地目标检测是指从sar图像中提取出感兴趣的目标区域(如车辆目标所在的区域)。现有技术中，基于sar图像进行陆地目标检测的方法包括基于模型驱动的传统检测算法和基于数据驱动的深度学习检测算法。其中，传统检测算法以基于背景杂波统计分布的恒虚警率(constant false alarm rate，cfar)目标检测方法为主要代表，深度学习检测算法包括以r-cnn(区域卷积神经网络)系列为代表的两阶段检测算法和以yolo神经网络为代表的一阶段检测算法。

3、基于深度学习的目标检测算法依赖于大样本数据集，由于sar图像本身数据集表现出的稀疏性和不完备性的限制，因此基于深度学习的目标检测算法存在小样本情况下网络泛化性能差、检测性能不足的问题。

4、基于背景杂波统计分布的cfar目标检测算法是sar图像目标检测研究中最为广泛、最为深入的方法，它通过分析杂波统计特性，对待检测像素周围杂波窗内的杂波统计建模并根据预先设定的虚警率获得检测阈值；在此基础上，采用滑窗形式逐一将图像中待检测像素点的强度值与检测阈值比较来划分出杂波背景和目标区域。图1给出了cfar滑窗的示意图，其中背景区域是为了估计检测阈值，保护区域是为了防止扩展目标的像素点泄漏到杂波区域内影响杂波模型参数估计，保护区域的大小是根据目标尺寸和图像分辨率进行设置的。

5、cfar目标检测算法具有恒虚警率和阈值自适应特性，具有很强的可解释性和稳健性，但是在杂波散射强度相对较高、杂波统计非均匀、目标密集分布等复杂场景下，较难建立适合的杂波统计模型并且存在多尺度目标干扰的情况，导致检测性能严重下降。从cfar目标检测算法原理出发得知，影响cfar目标检测算法的主要因素为杂波统计建模和检测器杂波统计窗口的设计。对于均匀背景杂波而言，可采用高斯分布、gamma分布等简单的统计分布模型来拟合杂波数据，对于非均匀背景杂波，尽管有一些复杂的统计分布模型，但仍难以适用于存在多类型杂波的复杂场景，因此，杂波模型估计在复杂杂波情景下存在极大的失配风险。对于检测器杂波统计窗口结构设计，采用背景窗、保护窗、目标窗三者嵌套的检测窗口设计，背景窗通过提取背景杂波信息来获取在预设恒虚警率下的检测阈值，保护窗避免位于目标窗内的像素泄露进背景像素影响杂波统计建模，从而影响检测阈值，目标窗通过自适应阈值来确定待检测像素是否为目标像素。由于此检测框为根据人为经验设计的固定嵌套窗口，当面对多尺度目标及目标密集分布时，存在目标泄露进背景区域影响杂波统计建模，以及算法难以完整的提取目标等问题。另外，由于cfar目标检测算法采用滑窗机制进行目标检测，存在计算量大且效率较低问题。

6、因此，如何在复杂陆地场景下稳定且准确地检测陆地目标，现有技术中还没有较佳的解决方案。

技术实现思路

1、为了解决现有技术中所存在的上述问题，本发明提供了一种基于sar图像稳定区域显著性分析的陆地目标检测方法。

2、本发明要解决的技术问题通过以下技术方案实现：

3、一种基于sar图像稳定区域显著性分析的陆地目标检测方法，包括：

4、对sar图像进行滤波；

5、采用改进ac显著性算法对滤波后的sar图像进行处理，得到显著图；

6、基于最大稳定极值区域检测策略从所述显著图中提取陆地目标所在的区域，得到检测结果；

7、其中，在所述改进ac显著性算法中，单个像素的显著值被定义为：该像素的l通道特征值与外部区域的l通道特征值均值之差的二范数；所述l通道特征值指在cielab颜色空间下像素的亮度值。

8、可选地，对sar图像进行滤波的方式如下：

9、ig(i,j)＝gg(i,j)+f(i,j)，

10、

11、f(i,j)＝i2(i,j)；

12、其中，i(i,j)表示sar图像中点(i,j)处的像素值，i(k,l)表示sar图像中不同于点(i,j)的另一点(k,l)处的像素值；r为预先定义的引力作用半径，表示点(i,j)和点(k,l)之间的欧式距离，m为引力场作用系数，ig(i,j)表示sar图像中点(i,j)处的滤波结果。

13、可选地，r＝10，单位为像素；m＝1.5。

14、可选地，基于最大稳定极值区域检测策略从所述显著图中提取陆地目标所在的区域，包括：

15、确定所述显著图中的最大稳定极值区域；

16、根据参考信息剔除所确定的最大稳定极值区域中面积过大及过小的区域；其中，所述参考信息包括：雷达分辨率以及所要检测的目标类型；

17、将剩余的最大稳定极值区域作为陆地目标所在的区域。

18、可选地，确定所述显著图中的最大稳定极值区域，包括：

19、使用灰度阈值τ对所述显著图进行遍历，遍历过程中使用τ对所述显著图进行二值化，并计算当ψ取得最小值时，对应的各个即为最大稳定极值区域；其中，τ从[τmin，τmax]中依次选取；τmin为最低灰度阈值，τmax为最高灰度阈值；

20、其中，表示采用灰度阈值τ对所述显著图进行二值化时得到的第i个连通域，δ表示灰度阈值在τ上下浮动的差值，|·|表示求连通域的像素基数。

21、可选地，根据参考信息清除所确定的mser中面积过大及过小的区域，包括：

22、根据所述雷达分辨率以及所要检测的目标类型确定目标在所述显著图中的参考尺寸；

23、根据所述参考尺寸清除所确定的mser中面积过大及过小的区域。

24、可选地，所述外部区域是在多个不同尺度下划分的；

25、单个像素的显著值等于在每种尺度下计算得到的所述差的总和。

26、可选地，在每种尺度下所述外部区域的半径均位于以下范围：

27、

28、其中，表示所述外部区域的半径，s＝min{w,h}，w表示所述sar图像的宽，h表示所述sar图像的高。

29、可选地，所述多个不同尺度包括分别取以及时的三种尺度。

30、可选地，所述方法还包括：输出所述检测结果。

31、本发明提供的基于sar图像稳定区域显著性分析的陆地目标检测方法中，利用改进ac显著性算法获得了目标区域得到有效凸显的显著图，从而可以提高检测速度与检测精度；并且，本发明采用最大稳定极值检测策略提取目标区域，可有效降低杂波虚警。此外，本发明避免了传统目标cfar算法中存在的杂波统计建模困难以及模型失配风险的问题。综上，本发明可在复杂陆地场景下稳定且准确地检测陆地目标。

32、另外，在本发明的一个实施例中，采用了基于引力场处理的图像滤波技术来抑制sar图像中的相干斑噪声，增强了图像背景与目标的对比度，由此可以进一步提高检测精度。

33、以下将结合附图及对本发明做进一步详细说明。