针对SAR图像的显著特征提取方法及装置

针对sar图像的显著特征提取方法及装置
技术领域
1.本技术涉及图像处理技术领域，具体涉及一种针对sar图像的显著特征提取方法及装置。


背景技术：

2.合成孔径雷达(synthetic aperture radar，sar)具有全天候、全天时、不受天气影响等成像特点，目前已经成为人们对地观测的重要手段之一，而利用sar图像进行目标检测，也是图像解译的重要研究方向之一，原因在于其有着广泛应用场景，如在军事领域，对特定目标进行位置检测，有利于战术部署，提高海防预警能力；在民用邻域，对某些偷渡、非法捕鱼船只进行检测，有助于海运的监测与管理。
3.但是，由于sar图像存在散射机制和固有的散斑噪声，导致其与普通相机拍摄出的光学照片相比，无法有效应用现有的计算机视觉技术进行处理，进而无法精准提取出sar图像背后的语义和视觉信息，降低了目标检测准确率。
4.因此，如何克服sar图像与光学图像之间的差异，精准获取sar图像背后的语义和视觉信息，成为目前亟待解决的问题。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种针对sar图像的显著特征提取方法及装置，用以凸出sar图像中的显著特征，以便利用包含显著特征的显著图指明目标检测时的关注焦点，最终有效提升目标检测准确率。
6.第一方面，本技术提供一种针对sar图像的显著特征提取方法，包括：获取对地观测系统针对目标地物对象采集的sar图像；基于预设的空间尺度，对sar图像进行线性滤波，得到滤波图像集；分析滤波图像集，以获取第一醒目图和第二醒目图；其中，第一醒目图是针对sar图像的强度特征进行归一化分析和跨尺度融合分析得到的；第二醒目图是针对sar图像的方位特征进行归一化分析和跨尺度融合分析得到的；对第一醒目图和第二醒目图进行归一化及均值处理，得到显著图；其中，显著图中包含有sar图像的显著特征；所述显著图被用于在获取未标记区域信息之后，基于标记的分水岭算法分析所述未标记区域信息，以对所述sar图像进行区域分割，得到目标区域信息。
7.在本技术一些实施例中，基于预设的空间尺度，对sar图像进行线性滤波，得到滤波图像集，包括：基于预设的空间尺度，从高度方向和宽度方向分别对sar图像进行降采样处理，得到k个尺度的标准化图像；其中，k≥2；基于各标准化图像，对sar图像进行线性滤波，得到强度特征和方位特征；基于中心周围差算子，分析强度特征和方位特征，得到滤波图像集。
8.在本技术一些实施例中，基于中心周围差算子，分析强度特征和方位特征，得到滤波图像集，包括：基于中心周围差算子，分析各标准化图像中的强度特征，得到强度特征图
像集；其中，强度特征图像集包括至少两个强度特征图像；基于预设的方向角度信息，分析各强度特征图像中的方位特征，得到方位特征图像集；将强度特征图像集和方位特征图像集，作为滤波图像集。
9.在本技术一些实施例中，基于中心周围差算子，分析各标准化图像中的强度特征，得到强度特征图像集，包括：基于中心周围差算子对应预设的中心尺度信息和周围尺度信息，分析各标准化图像中的强度特征，得到强度特征图像集；其中，周围尺度信息的任意数值大于中心尺度信息的任意数值。
10.在本技术一些实施例中，基于预设的方向角度信息，分析各强度特征图像中的方位特征，得到方位特征图像集，包括：基于中心周围差算子对应预设的中心尺度信息和周围尺度信息，以及预设的方向角度信息，分析各强度特征图像中的方位特征，得到方位特征图像集。
11.在本技术一些实施例中，滤波图像集中包括强度特征图像和方位特征图像，分析滤波图像集，以获取第一醒目图和第二醒目图，包括：基于归一化算子和跨尺度融合算子，对强度特征图像进行归一化处理，以提取出sar图像的显著特征，并对归一化处理后的强度特征图像进行跨尺度融合处理，得到第一醒目图；基于归一化算子和跨尺度融合算子，对方位特征图像进行归一化处理，以提取出sar图像的显著特征，并对归一化处理后的方位特征图像进行跨尺度融合处理及归一化加强处理，得到第二醒目图。
12.在本技术一些实施例中，对第一醒目图和第二醒目图进行归一化及均值处理，得到显著图，包括：基于归一化算子，对第一醒目图和第二醒目图进行归一化处理，以提取出sar图像的显著特征，得到归一化处理后的醒目图；对归一化处理后的醒目图进行求平均值处理，得到显著图。
13.在本技术一些实施例中，在得到显著图之后，还包括：获取显著图中的未标记区域信息；其中，未标记区域信息是基于显著图中包含的前景信息和背景信息分析得到的；基于标记的分水岭算法，将未标记区域信息映射至sar图像中，得到sar图像的分水岭信息；基于分水岭信息，对sar图像进行区域分割，得到目标区域信息。
14.在本技术一些实施例中，获取显著图中的未标记区域信息，包括：获取显著图的梯度图；其中，梯度图是基于预设的水平索伯算子和垂直索伯算子分析得到的；对梯度图进行二值化分析以及棋盘距离变换处理，得到前景信息和背景信息；对前景信息和背景信息进行差值分析，得到未标记区域信息。
15.第二方面，本技术提供一种针对sar图像的显著特征提取装置，包括：图像获取模块，用于获取对地观测系统针对目标地物对象采集的sar图像；线性滤波模块，用于基于预设的空间尺度，对sar图像进行线性滤波，得到滤波图像集；特征分析模块，用于分析滤波图像集，以获取第一醒目图和第二醒目图；其中，第一醒目图是针对sar图像的强度特征进行归一化分析和跨尺度融合分析得到的；第二醒目图是针对sar图像的方位特征进行归一化分析和跨尺度融合分析得到的；显著提取模块，用于对第一醒目图和第二醒目图进行归一化及均值处理，得到显著图；其中，显著图中包含有sar图像的显著特征；显著图被用于在获取未标记区域信息之后，基于标记的分水岭算法分析未标记区域信息，以对sar图像进行区域分割，得到目标区
域信息。
16.第三方面，本技术还提供一种计算机设备，包括：一个或多个处理器；存储器；以及一个或多个应用程序，其中的一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现上述的针对sar图像的显著特征提取方法。
17.第四方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器进行加载，以执行上述针对sar图像的显著特征提取方法中的步骤。
18.第五方面，本技术实施例提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面提供的方法。
19.上述针对sar图像的显著特征提取方法及装置，服务器通过获取对地观测系统针对目标地物对象采集的sar图像，并基于预设的空间尺度，对sar图像进行线性滤波，即可得到滤波图像集，再分析滤波图像集，以获取第一醒目图和第二醒目图，即可对第一醒目图和第二醒目图进行归一化及均值处理，最终得到包含有sar图像的显著特征的显著图，而显著图可在被用于获取未标记区域信息之后，基于标记的分水岭算法进行分析，从而对sar图像进行区域分割，得到目标区域信息。由此，采用本技术分析提取出sar图像中的显著特征以构成显著图，即可利用显著图凸显目标检测的关注重点，分割出sar图像中所需的目标区域，从而有效提升目标检测准确率。
附图说明
20.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1是本技术实施例中针对sar图像的显著特征提取方法的应用场景图；图2是本技术实施例中针对sar图像的显著特征提取方法的流程示意图一；图3是本技术实施例中针对sar图像的显著特征提取方法的流程示意图二；图4是本技术实施例中提供的光学图像、sar图像、显著图像的示意图；图5是本技术实施例中提供的目标区域信息获取步骤的界面示意图；图6是本技术实施例中提供的停车位获取步骤的效果示意图；图7是本技术实施例中针对sar图像的显著特征提取装置的结构示意图；图8是本技术实施例中计算机设备的结构示意图。
具体实施方式
22.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
23.在本技术的描述中，术语“例如”一词用来表示“用作例子、例证或说明”。本技术中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本技术所公开的原理和特征的最广范围相一致。
24.在本技术实施例中，本技术实施例提供的针对sar图像的显著特征提取方法，可以应用于如图1所示的针对sar图像的显著特征提取系统中。其中，该系统包括终端102和服务器104。终端102可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有显示器。其中，终端102具体可以是台式终端或移动终端，终端102具体还可以是手机、平板电脑、笔记本电脑中的一种。其中，服务器104可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(cloud computing)的大量计算机或网络服务器构成。此外，终端102与服务器104之间通过网络建立通信连接，网络具体可以是广域网、局域网、城域网中的任意一种。
25.本领域技术人员可以理解，图1中示出的应用环境，仅仅是适用于本技术方案的一种应用场景，并不构成对本技术方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的设备。例如，图1中仅示出1个服务器。可以理解的是，该针对sar图像的显著特征提取系统还可以包括一个或多个其他设备，具体此处不作限定。另外，该公司名称库更新系统还可以包括存储器，用于存储数据，如存储sar图像。
26.需要说明的是，图1所示的针对sar图像的显著特征提取系统的场景示意图仅仅是一个示例，本发明实施例描述的针对sar图像的显著特征提取系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着针对sar图像的显著特征提取系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
27.参阅图2，本技术实施例提供了一种针对sar图像的显著特征提取方法，本实施例主要以该方法应用于上述图1中的服务器104来举例说明，该方法包括步骤s201至s204，具体如下：s201，获取对地观测系统针对目标地物对象采集的sar图像。
28.其中，对地观测系统（earth observing system，eos）是由多颗卫星组成和为实行多学科（大气、海洋、陆面、生物、化学等）综合研究，加深对地球系统变化的理解，回答理解全球气候变化的问题，地球气候系统是如何变化的，各种地球现象是如何发生的，又是如何变化的，自然和人类对全球环境变化的作用，建立人类对地球系统发生的各种现象的长期监视，改进对全球尺度上地球系统各分量及它们间相互作用的理解目的而建立的全球卫星观测体系。
29.其中，目标地物对象可以是根据实际应用需求设置的任意地物对象，如地面车辆、海中船舰等。
30.具体实现中，sar图像可以是终端102获取后发送至服务器104的，也可以是其他设备获取后通过终端102传输至服务器104的，sar图像的获取方式包括但不局限于如下几种方式之一：1、在普通网络结构中，服务器104从终端102或其他建立有网络连接的云设备处接收sar图像；2、在预置的区块链网络中，服务器104可从其他终端节点或服务器节点处同步获取sar图像，该区块链网络可以是公有链、私有链等；3、在预置的树状结构中，服务器104可从上级服务器请求得到sar图像，或是从下级服务器轮询得到sar图像。具体而言，本技术实施例对sar图像的获取方式不作具体限定，均可以实际业务场景或需求而定，终端102可以是装载有对地观测系统的无人机、地面监控等。
31.s202，基于预设的空间尺度，对sar图像进行线性滤波，得到滤波图像集。
32.其中，空间尺度可以是高斯金字塔在对sar图像进行降采样过程中得到的图像层级数，例如，空间尺度“k”预设为“9”，则意味着高斯金字塔需对sar图像进行降采样，以获取9个尺度的图像。
33.其中，高斯金字塔是常见的一种图像金字塔，而建立高斯金字塔的方法是自底向上一层一层地迭代计算生成。该方法通常分为两个步骤：第一，使用高斯低通滤波器对图像进行平滑。第二，对经高斯平滑处理后的图像进行下采样，得到一系列尺寸的图像。假设原图为“m
×
n”大小的图像，则高斯金字塔第“k”层图像是由“k-1”层图像经高斯函数“w”卷积及下采样得到，用公式表示为：其中，为第“k”层高斯金字塔，为二维可分离的“5*5”具有低通特性的窗口函数，“h”为高斯密度分布函数，其用公式表示为：其中，μ为随机变量x的期望，为x的方差，σ为标准差。
34.具体实现中，服务器104可借助高斯金字塔和中心-周围差算子，对sar图像进行线性滤波，以获取滤波图像集。中心-周围差算子被定义为分析精细尺度（金字塔中的前几个尺度）和粗糙尺度（金字塔中的后几个尺度）之间的差异。具体而言，假设对原始图片（sar图像）使用高斯金字塔获得了“k”个尺度的子图片，则可以计算每个尺度下的特征。对于尺度“c”对应子图片中的特征，可以定义中心周围差算子为：，其中。中心-周围差算法生成的特征图中的每一个特征都是通过一组线性的“中心-周围”操作来计算的。
35.在一个实施例中，本步骤包括：基于预设的空间尺度，从高度方向和宽度方向分别对sar图像进行降采样处理，得到k个尺度的标准化图像；其中，k≥2；基于各标准化图像，对sar图像进行线性滤波，得到强度特征和方位特征；基于中心周围差算子，分析强度特征和方位特征，得到滤波图像集。
36.具体实现中，可参阅图3，sar图像可以静态形式提供，服务器104可使用高斯金字
塔创建出预设数量的空间尺度（如“k∈[0, 8]”），这些空间尺度对输入图像进行渐进的低通滤波和子采样，即分别在高度和宽度两个维度下进行降采样，形成9个空间尺度的标准化项图像“i(k)”，每张静态的sar图像通过与标准化项图像进行线性滤波，即可将sar图像所含的强度信息和方位信息分离，得到强度特征和方位特征。其中，强度信息是指sar图像中雷达反射信号的幅度值；方位信息则是指sar图像中各个物体特征分别在某些角度方向上的分布信息。由此，再基于中心周围差算子，分析强度特征和方位特征，即可得到滤波图像集，具体将在下文详细说明。
[0037]
在一个实施例中，基于中心周围差算子，分析强度特征和方位特征，得到滤波图像集，包括：基于中心周围差算子，分析各标准化图像中的强度特征，得到强度特征图像集；其中，强度特征图像集包括至少两个强度特征图像；基于预设的方向角度信息，分析各强度特征图像中的方位特征，得到方位特征图像集；将强度特征图像集和方位特征图像集，作为滤波图像集。
[0038]
其中，方向角度信息可以是任意多个方向的角度，具体本技术实施例不作限定，例如，方向角度信息为“0
°
、45
°
、90
°
、135
°”
四个方向的角度。
[0039]
具体实现中，经过上文所述滤波操作后的图像可借助于中心周围差算子，分别进行两组特征映射，即第一组的强度特征映射和第二组的方位特征映射，方可得到滤波图像集。其中，第二组的方位特征映射需借助于第一组特征映射产生的强度特征图像，具体将在下文详细说明。
[0040]
需要说明的是，高斯金字塔滤波相当于对原图分辨率逐层递减，而同时模糊掉一些细节，增强了重要特征的醒目程度。换而言之，第8层的图像在关键特征提取方面要优于第3层图像，而第3层的图像则比第8层的保留了更多的细节。所以，利用中心周围差算子分析标准化图像“i(k)”，可以在各个维度间实现最大程度得保留有用细节、同时提取重要特征的目的。
[0041]
在一个实施例中，基于中心周围差算子，分析各标准化图像中的强度特征，得到强度特征图像集，包括：基于中心周围差算子对应预设的中心尺度信息和周围尺度信息，分析各标准化图像中的强度特征，得到强度特征图像集；其中，周围尺度信息的任意数值大于中心尺度信息的任意数值。
[0042]
其中，中心尺度信息可表示为“c”，周围尺度信息可表示为“s”。
[0043]
具体实现中，可参阅图3，针对第一组映射，可以6张已通过线性滤波形成的特征图“i(c, s)”为一组，将一张图中的明和暗两种类型的强度特征映射同时进行计算。其中，6张特征图通过以下公式计算得到：此时，中心尺度c∈{2, 3,4}，周围尺度s=c+δ，其中δ∈{3, 4}，则s∈{5, 6, 7, 8}，得到的6张强度特征图像分别为：i(2, 5)，i(2, 6)，i(3, 6)，i(3, 7)，i(4, 7)，i(4, 8)，统称为强度特征图像集。需要说明的是，尺度“0”和“1”是生成高斯金字塔过程中自然产生的，故经实验，只需使用高斯金字塔的后面几层。
[0044]
在一个实施例中，基于预设的方向角度信息，分析各强度特征图像中的方位特征，得到方位特征图像集，包括：基于中心周围差算子对应预设的中心尺度信息和周围尺度信息，以及预设的方向角度信息，分析各强度特征图像中的方位特征，得到方位特征图像集。
[0045]
其中，方向角度信息可以是任意多个方向的角度，具体本技术实施例不作限定，例如，方向角度信息为“0
°
、45
°
、90
°
、135
°”
四个方向的角度。
[0046]
其中，在图像处理中，gabor函数是一个用于边缘提取的线性滤波器。gabor滤波器十分适合纹理表达和分离。在空间域中，一个二维gabor滤波器是一个由正弦平面波调制的高斯核函数。gabor滤波器的表达式如下：gabor滤波器的表达式如下：gabor滤波器的表达式如下：其中，“x”、“y”分别表示像素坐标的位置、“λ”表示滤波的波长、“θ”表示gabor核函数图像的倾斜角度、
“”
表示相位偏移量、“σ”表示高斯函数的标准差、“γ”表示长宽比，决定gabor核函数图像的椭圆率。
[0047]
具体实现中，可参阅图3，通过对上述六个尺度的强度特征图像施加gabor滤波器，以对应提取出方位信息，而此时“θ”有四个角度（“θ”代表gabor函数并行条纹的方向），所以每张图可以提取出4张方位特征图，总计24张方位特征图像，最终得到方位特征图像集。其中，方位信息提取时使用的“中心-周围”差公式可以为：此时，中心尺度c∈{2, 3,4}，周围尺度s=c+δ，其中δ∈{3, 4}，则s∈{5, 6, 7, 8}，。
[0048]
当然，上述实施例中尺度k和角度θ的选择均为一种具体示例，用以详细说明服务器104的分析过程，甚至包括中心尺度和周围尺度的选取，在其他实施例中还可以被设为其他数值，具体本技术实施例不作限定。
[0049]
s203，分析滤波图像集，以获取第一醒目图和第二醒目图；其中，第一醒目图是针对sar图像的强度特征进行归一化分析和跨尺度融合分析得到的；第二醒目图是针对sar图像的方位特征进行归一化分析和跨尺度融合分析得到的。
[0050]
具体实现中，服务器104基于上述实施例所述步骤分析得到滤波图像集之后，即可借助于归一化算子和跨尺度融合算子，获取由强度特征分析得到的第一醒目图，以及由方位特征分析得到的第二醒目图。
[0051]
其中，基于“中心-周围”的特征归一化操作n(.)，其计算过程为：（1）、将不同特征中的值归一化到一个固定的范围[0, m]，以消除与不同特征之间响应幅度的差异；（2）、求特征图中的全局最大值m的位置并计算其所有其他局部最大值的平均值（3）、全局将特征图乘以。跨尺度融合算子用“"表示，该算子使用上述归一化算子将某一特征的所有中心-周围差特征图归一化。然后，线性差值所有尺度的归一化中心-周围差特征图到某固定尺度，最终逐像素相加这些特征图获取跨尺度融合特征。
[0052]
在一个实施例中，滤波图像集中包括强度特征图像和方位特征图像，本步骤包括：基于归一化算子和跨尺度融合算子，对强度特征图像进行归一化处理，以提取出sar图像的显著特征，并对归一化处理后的强度特征图像进行跨尺度融合处理，得到第一醒目图；基于
归一化算子和跨尺度融合算子，对方位特征图像进行归一化处理，以提取出sar图像的显著特征，并对归一化处理后的方位特征图像进行跨尺度融合处理及归一化加强处理，得到第二醒目图。
[0053]
具体实现中，可参阅图3，服务器104可通过跨尺度融合算子
“”
和归一化算子“n(.)”，对上述步骤得到的特征图进行归一化处理及跨尺度融合，即通过插值算法把不同分辨率且拥有不同尺度特征的i(c, s)或融合到一张图上，方便后续的识别。其中，归一化算子“n(.)”目的是突出特征性强而数量少的谱峰，同时抑制量大而特征不明显的响应。强度特征图和方位特征图融合规则分别如下：首先，对于强度部分的第一醒目图
“”
，可使用以下公式合成：其次，对于方位部分的第二醒目图
“”
，可使用一下公式合成：s204，对第一醒目图和第二醒目图进行归一化及均值处理，得到显著图；其中，显著图中包含有sar图像的显著特征。
[0054]
具体实现中，可参阅图3，服务器104可对第一醒目图和第二醒目图进行归一化及均值处理，以实现对两种醒目图的线性融合，得到中包含有显著特征的显著图。如参阅图4，某停车场sar图像的显著图如图4中的图（a）所示，而其原始图像，即sar图像如图4中的图（b）所示，常规相机拍摄的光学图像如图4中的图（c）所示。
[0055]
在一个实施例中，本步骤包括：基于归一化算子，对第一醒目图和第二醒目图进行归一化处理，以提取出sar图像的显著特征，得到归一化处理后的醒目图；对归一化处理后的醒目图进行求平均值处理，得到显著图。
[0056]
具体实现中，两个醒目图
“”
、
“”
再通过一次n(.)算子后取平均，即按照下述公式线性融合，即可得到显著图“s”：具体而言，由于经过前文所述步骤得到的显著图“s”，其滤除了无效细节、保留了利于识别目标的有效细节，同时突出强调了目标的典型大特征。其中像素较大值就是图像中最显著特征的位置，也就是目标位置检测时关注焦点应该指向的位置。因此，可有效提升目标检测准确率。
[0057]
在一个实施例中，在得到显著图之后，还包括：获取显著图中的未标记区域信息；其中，未标记区域信息是基于显著图中包含的前景信息和背景信息分析得到的；基于标记的分水岭算法，将未标记区域信息映射至sar图像中，得到sar图像的分水岭信息；基于分水岭信息，对sar图像进行区域分割，得到目标区域信息。
[0058]
其中，基于标记的分水岭算法试图模拟水淹没盆地的过程，其将整个图像作为一个地理表面，像素值或像素的梯度被认为是地面的高程。考虑到sar成像的斑点噪声特性，基于标记的分水岭算法首先提取与前景相关的最小局部区域，这可以缓解过度分割问题。
[0059]
具体实现中，由于sar图像中存在背景干扰和斑点噪声，直接应用原始分水岭方法往往会产生过度分割的结果。因此，为了避免这一问题，本技术实施例提出可先将sar图像的强度信息归一化为“0~255”。然后，应用前文所述的显著特征提取方式处理原始sar图像，从而得到sar图像的显著图，它可以抑制背景的同时突出前景物体目标。最后，利用生成的显著图，采用基于标记的分水岭算法对原始sar图像进行精准分割，即可基于精准分割的结果确定目标区域。
[0060]
例如，可参阅图5，图5（a）、5（b）和5（c）分别显示了明确的背景信息、明确的前景信息和未标记区域信息。在图5（d）中未标记区域信息被划分为背景和前景，其"分水岭"在图中使用亮黄色的轮廓显示。由于未知区域被划分为背景和前景，结合之前确定的前景和背景，整个场景被逐像素分类，以生成分割结果。基于分割结果，使用连通量分析来消除小于预设像素值（如5x5像素）或大于待划分区域的连通区域，即可区分出目标区域信息，如地面上的停车位区域。
[0061]
又例如，在使用基于标记的分水岭算法将sar图像分割成二值图之后，可采用连通量分析来消除非目标对象，并检查每个连通量的轴对齐包围盒(axis aligned bounding box，aabb)。实际情况下，轴对齐包围盒的宽度和高度与图像域中连通量的最大范围有关。最后，利用关于车辆和停车位尺寸的先验信息，从当前场景中的最大包围盒中进行密集的滑动窗口搜索，以生成冗余的候选停车位。之后，可以通过以下步骤将候选车位划分为空车位和占用车位。在每次迭代中，在剩余的包围盒中选择从未被标记为使用的面积最大的包围盒，从最大的包围盒中，以一个像素的步长滑动窗口，以产生冗余的候选停车位：1、计算剩余包围盒和候选停车位之间的交并比；2、对于每个候选停车位，如果它与所有剩余的包围盒的交集等于零，将其放入候选空车位；3、对于每个剩余包围盒，如果它与所有候选停车位的最大交并比又大于“0.9”的情况。则将具有最大交并比的候选车位标记为已占用，并在包围盒集合中将其标记为已使用的状态。经过上述迭代处理，可以检测到已占用的停车位，再根据已占用车位的边缘，从候选冗余空车位中确定空车位。其中，将停车位视为目标区域，则检测结果可参阅图6，图6（a）中的方框表示连通量对应的包围盒，图6（b）中的方框包含空车位和已被占用的车位，图6（c）的含义同图4（c）。
[0062]
在一个实施例中，获取显著图中的未标记区域信息，包括：获取显著图的梯度图；其中，梯度图是基于预设的水平索伯算子和垂直索伯算子分析得到的；对梯度图进行二值化分析以及棋盘距离变换处理，得到前景信息和背景信息；对前景信息和背景信息进行差值分析，得到未标记区域信息。具体实现中，可使用一个中值滤波器来平滑显著图（sm），同时不模糊目标的边缘。然后，利用下述公式所示的水平索伯算子和垂直索伯算子，分别与显著图进行卷积分析，即可得到水平梯度图
“”
和垂直梯度图
“”
，即：即：最后，显著图的梯度图
“”
可表示为：
。进一步地，使用一个阈值二值化处理梯度图
“”
，产生一个初步的分割结果
“”
，即：由此，在分割结果
“”
，的二值图中，使用形态学的开操作去除所有极小的前景区域。然后，使用形态学的扩张操作扩大剩余的前景区域，即可使得分割结果的前景边缘被放大。因此，前景的相反区域可以被认为是明确的背景信息“bg”。上述过程可以表示为：其中，表示大小为
“”
的形态学卷积核。
[0063]
更进一步地，使用下式对确定的背景信息，即背景图中的每个非背景像素进行棋盘距离变换，可生成初级距离图“d”，如下所示：如下所示：其中，
“”
表示距离非背景像素最近的背景像素。之后，使用一个二值化阈值
“”
来获得车辆的明确的前景信息
“”
。但一些小的非背景区域的平均距离要远小于大的区域，这往往会使
“”
中没有对应的剩余区域。因此，一个sobel梯度补偿项被按像素添加到初级距离图中，即：之后，sobel梯度补偿的距离图（）的阈值和确定的前景信息“fg”可以通过以下方式自适应确定：最后，直接逐像素将明确的背景和明确的前景相减，得到未标记区域信息“uk”为：之后，依据
“”
、
“”
和
“”
使用基于标记的分水岭算法将原始sar图像分割为背景或前景，这部分内容已在上一实施例中详细说明，本实施例中不再赘述。
[0064]
上述实施例中的针对sar图像的显著特征提取方法，服务器通过获取对地观测系统针对目标地物对象采集的sar图像，并基于预设的空间尺度，对sar图像进行线性滤波，即可得到滤波图像集，再分析滤波图像集，以获取第一醒目图和第二醒目图，即可对第一醒目图和第二醒目图进行归一化及均值处理，最终得到包含有sar图像的显著特征的显著图，而显著图可在被用于获取未标记区域信息之后，基于标记的分水岭算法进行分析，从而对sar图像进行区域分割，得到目标区域信息。由此，采用本技术分析提取出sar图像中的显著特征以构成显著图，即可利用显著图凸显目标检测的关注重点，分割出sar图像中所需的目标区域，从而有效提升目标检测准确率。
[0065]
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0066]
为了更好实施本技术实施例提供的针对sar图像的显著特征提取方法，在本技术实施例所提出的针对sar图像的显著特征提取方法的基础之上，本技术实施例中还提供了一种针对sar图像的显著特征提取装置，如图7所示，该针对sar图像的显著特征提取装置700包括：图像获取模块710，用于获取对地观测系统针对目标地物对象采集的sar图像；线性滤波模块720，用于基于预设的空间尺度，对sar图像进行线性滤波，得到滤波图像集；特征分析模块730，用于分析滤波图像集，以获取第一醒目图和第二醒目图；其中，第一醒目图是针对sar图像的强度特征进行归一化分析和跨尺度融合分析得到的；第二醒目图是针对sar图像的方位特征进行归一化分析和跨尺度融合分析得到的；显著提取模块740，用于对第一醒目图和第二醒目图进行归一化及均值处理，得到显著图；其中，显著图中包含有sar图像的显著特征；显著图被用于在获取未标记区域信息之后，基于标记的分水岭算法分析未标记区域信息，以对sar图像进行区域分割，得到目标区域信息。
[0067]
在一个实施例中，线性滤波模块720还用于基于预设的空间尺度，从高度方向和宽度方向分别对sar图像进行降采样处理，得到k个尺度的标准化图像；其中，k≥2；基于各标准化图像，对sar图像进行线性滤波，得到强度特征和方位特征；基于中心周围差算子，分析强度特征和方位特征，得到滤波图像集。
[0068]
在一个实施例中，线性滤波模块720还用于基于中心周围差算子，分析各标准化图像中的强度特征，得到强度特征图像集；其中，强度特征图像集包括至少两个强度特征图像；基于预设的方向角度信息，分析各强度特征图像中的方位特征，得到方位特征图像集；将强度特征图像集和方位特征图像集，作为滤波图像集。
[0069]
在一个实施例中，线性滤波模块720还用于基于中心周围差算子对应预设的中心尺度信息和周围尺度信息，分析各标准化图像中的强度特征，得到强度特征图像集；其中，周围尺度信息的任意数值大于中心尺度信息的任意数值。
[0070]
在一个实施例中，线性滤波模块720还用于基于中心周围差算子对应预设的中心尺度信息和周围尺度信息，以及预设的方向角度信息，分析各强度特征图像中的方位特征，得到方位特征图像集。
[0071]
在一个实施例中，滤波图像集中包括强度特征图像和方位特征图像，特征分析模块730还用于基于归一化算子和跨尺度融合算子，对强度特征图像进行归一化处理，以提取出sar图像的显著特征，并对归一化处理后的强度特征图像进行跨尺度融合处理，得到第一醒目图；基于归一化算子和跨尺度融合算子，对方位特征图像进行归一化处理，以提取出sar图像的显著特征，并对归一化处理后的方位特征图像进行跨尺度融合处理及归一化加
强处理，得到第二醒目图。
[0072]
在一个实施例中，显著提取模块740还用于基于归一化算子，对第一醒目图和第二醒目图进行归一化处理，以提取出sar图像的显著特征，得到归一化处理后的醒目图；对归一化处理后的醒目图进行求平均值处理，得到显著图。
[0073]
在一个实施例中，针对sar图像的显著特征提取装置700还包括目标检测模块，用于获取显著图中的未标记区域信息；其中，未标记区域信息是基于显著图中包含的前景信息和背景信息分析得到的；基于标记的分水岭算法，将未标记区域信息映射至sar图像中，得到sar图像的分水岭信息；基于分水岭信息，对sar图像进行区域分割，得到目标区域信息。
[0074]
在一个实施例中，目标检测模块还用于获取显著图的梯度图；其中，梯度图是基于预设的水平索伯算子和垂直索伯算子分析得到的；对梯度图进行二值化分析以及棋盘距离变换处理，得到前景信息和背景信息；对前景信息和背景信息进行差值分析，得到未标记区域信息。
[0075]
上述实施例中，服务器通过获取对地观测系统针对目标地物对象采集的sar图像，并基于预设的空间尺度，对sar图像进行线性滤波，即可得到滤波图像集，再分析滤波图像集，以获取第一醒目图和第二醒目图，即可对第一醒目图和第二醒目图进行归一化及均值处理，最终得到包含有sar图像的显著特征的显著图，而显著图可在被用于获取未标记区域信息之后，基于标记的分水岭算法进行分析，从而对sar图像进行区域分割，得到目标区域信息。由此，采用本技术分析提取出sar图像中的显著特征以构成显著图，即可利用显著图凸显目标检测的关注重点，分割出sar图像中所需的目标区域，从而有效提升目标检测准确率。
[0076]
需要说明的是，关于针对sar图像的显著特征提取装置的具体限定可以参见上文中对于针对sar图像的显著特征提取方法的限定，在此不再赘述。上述针对sar图像的显著特征提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0077]
在本技术一些实施例中，针对sar图像的显著特征提取装置700可以实现为一种计算机程序的形式，计算机程序可在如图8所示的计算机设备上运行。计算机设备的存储器中可存储组成该针对sar图像的显著特征提取装置700的各个程序模块，比如，图7所示的图像获取模块710、线性滤波模块720、特征分析模块730、显著提取模块740；各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本技术各个实施例的针对sar图像的显著特征提取方法中的步骤。例如，图8示的计算机设备可以通过如图7所示的针对sar图像的显著特征提取装置700中的图像获取模块710执行步骤s201。计算机设备可通过线性滤波模块720执行步骤s202。计算机设备可通过特征分析模块730执行步骤s203。计算机设备可通过显著提取模块740执行步骤s204。其中，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器
执行时以实现一种针对sar图像的显著特征提取方法。
[0078]
本领域技术人员可理解，图8示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0079]
在本技术一些实施例中，提供了一种计算机设备，包括一个或多个处理器；存储器；以及一个或多个应用程序，其中的一个或多个应用程序被存储于存储器中，并配置为由处理器执行上述针对sar图像的显著特征提取方法的步骤。此针对sar图像的显著特征提取方法的步骤可以是上述各个实施例的针对sar图像的显著特征提取方法中的步骤。
[0080]
在本技术一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行上述针对sar图像的显著特征提取方法的步骤。此处针对sar图像的显著特征提取方法的步骤可以是上述各个实施例的针对sar图像的显著特征提取方法中的步骤。
[0081]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（read-only memory，rom）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（random access memory，ram）或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，如静态随机存取存储器（static random access memory，sram）或动态随机存取存储器（dynamic random access memory，dram）等。
[0082]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0083]
以上对本技术实施例所提供的一种针对sar图像的显著特征提取方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。