基于协同显著性的SAR图像非合作车辆目标检测方法

本发明涉及图像数据处理，更具体地说，它涉及基于协同显著性的sar图像非合作车辆目标检测方法。

背景技术：

1、合成孔径雷达(synthetic aperture radar,sar)以其探测距离远、分辨率高、全天时全天候等独特优势，已成为一种广泛应用的遥感信息获取技术，在军事侦察和民用领域都具有重要价值。车辆目标检测是合成孔径雷达自动目标识别(synthetic apertureradar automatic target recognition,sar atr)研究中一项关键技术，对于战场侦察监视、城市交通监测、应急救援搜索等应用具有很好的支撑。因此，研究复杂场景下的车辆目标检测具有重要意义。在实际对地对海观测应用中，sar图像通常面临的成像区域是复杂大场景，待检测的目标是高价值的非合作小目标(如未知的舰船、车辆)，观测次数少，难以获取支持深度神经网络学习的足量训练样本。在这种情况下，需要对非合作目标采用特征提取的方式，分析其特性以完成检测任务。然而，强散射的地物背景会给检测任务造成困难，在检测过程中产生大量虚警，导致检测精度降低。

2、在现有的sar图像目标检测领域，最广泛使用的传统检测算法是基于背景杂波统计建模的cfar算法。cfar检测算法具有恒虚警率和阈值自适应的特点，具有较强的可解释性和鲁棒性。然而，随着sar技术的发展，图像分辨率不断提高，背景杂波特性变得更加复杂，这对传统的检测算法提出了挑战。面对多尺度目标和非均匀背景杂波，传统的恒虚警检测算法的性能下降。传统的cfar方法逐像素检测目标，不能满足sar图像实时处理的需求；普通的显著性算法不加区分地将图像中所有突出的部分作为显著对象，对含有大量人造地物、自然背景杂波的复杂场景的sar图像进行显著性检测时会产生大量虚警。

3、因此，本发明提出一种基于协同显著性的sar图像非合作车辆目标检测方法，以解决上述技术问题。

技术实现思路

1、为了克服现有技术中所存在的上述缺陷，本发明提供了基于协同显著性的sar图像非合作车辆目标检测方法，利用辅助数据和待测数据计算协同显著性来获取非合作目标的显著性特征完成检测，将协同显著性应用于sar图像目标检测任务中，通过计算图像的对比度特征和联合特征得到初步协同性显著图，最后利用辅助数据协同显著性图生成的权重进一步抑制背景，增强目标，从而提升检测性能。

2、本发明的上述技术目的是通过以下技术方案得以实现的：基于协同显著性的sar图像非合作车辆目标检测方法，包括以下步骤：

3、s1、将由多个单图像组成的组图像分为辅助图像和待测图像两部分；

4、s2、通过k-means聚类算法对组图像上所有像素进行聚类，得到组图像聚类像素簇，k-means聚类算法的具体步骤为：预先将像素簇的个数设为k，随机选取k个像素作为初始的聚类中心，然后计算每个像素值与各个像素簇聚类中心之间的距离，把每个像素分配给距离它最近的聚类中心；

5、s3、对每个单图像单独进行单幅图像聚类，得到单图像聚类像素簇；

6、s4、提取单图像聚类像素簇的对比度特征，利用对比度特征权重得到单图像显著性映射图；

7、s5、提取组图像聚类像素簇的对比度特征和联合特征，利用对比度特征权重和联合特征权重计算得到组的图像显著性映射图；

8、s6、将单图像显著性映射图和组图像显著性映射图结合得到初步协同显著性映射图；

9、s7、计算辅助图像显著性映射图的权重，并利用辅助图像显著性映射图的权重对初步协同显著性映射图加权得到最终协同显著性映射图。

10、进一步的，步骤s2中，每分配一个新的像素，聚类中心会根据聚类中现有的像素被重新计算，且这个过程会不断重复至满足聚类结果对应的损失函数最小，损失函数的计算公式如下：

11、

12、其中，xi代表第i个像素，ci是xi所属的簇，μi代表第i个簇对应的中心点，m代表像素总数。

13、进一步的，步骤s4和步骤s5中所述的对比度特征权重的计算公式如下：

14、

15、其中，wc(k)代表对比度特征权重；k代表聚类簇的个数；ni表示第i个聚类簇中所有像素个数；n代表所有像素的总个数；μi代表第i个簇对应的中心点。

16、进一步的，步骤s5中所述的联合特征权重用聚类方差表示，计算公式如下：

17、

18、

19、其中，wd(k)代表对比度特征权重；qk,j表示第j幅图像中第k簇的比重；nk,j表示第j幅图像中第k簇像素的总个数；nj表示第j幅图像中像素的总个数；m表示图像的总个数。

20、进一步的，步骤s6中，采用逐点相乘法将单图像显著性映射图和组图像显著性映射图的权重融合，再利用高斯分布计算得到每个像素的权重值，最终得到初步协同显著性映射图；

21、逐点相乘法的计算公式如下：

22、

23、其中，p(k)表示第k个簇的权重值；wi(k)表示第k个簇的对比度特征权重和联合特征权重；

24、高斯分布法的计算公式如下：

25、

26、

27、其中，p(x)表示每个像素的权重值；vx表示像素x的特征向量；σk表示第k簇的方差。

28、进一步的，步骤s7中所述的辅助图像显著性映射图的权重的计算公式如下：

29、wr＝max(pi(x)),i＝1,…,n   (8)

30、其中，pi(x)表示第i个辅助图像的协同显著性初步检测的权重；n表示辅助图像的数目。利用wr对协同显著性初步检测结果加权得到最终的协同显著性结果。

31、综上所述，本发明具有以下有益效果：本发明利首次将协同显著性应用于sar图像目标检测任务中，根据任务特性，对原协同显著性算法的空间位置约束进行改进，并在最后利用辅助数据协同显著性图生成的权重进一步抑制背景，增强目标，从而提升检测性能，为非合作目标检测问题提供新的解决方案。

技术特征：

1.基于协同显著性的sar图像非合作车辆目标检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于协同显著性的sar图像非合作车辆目标检测方法，其特征在于，步骤s2中，每分配一个新的像素，聚类中心会根据聚类中现有的像素被重新计算，且这个过程会不断重复至满足聚类结果对应的损失函数最小，损失函数的计算公式如下：

3.根据权利要求1所述的基于协同显著性的sar图像非合作车辆目标检测方法，其特征在于，步骤s4和步骤s5中所述的对比度特征权重的计算公式如下：

4.根据权利要求1所述的基于协同显著性的sar图像非合作车辆目标检测方法，其特征在于，步骤s5中所述的联合特征权重用聚类方差表示，计算公式如下：

5.根据权利要求1所述的基于协同显著性的sar图像非合作车辆目标检测方法，其特征在于，步骤s6中，采用逐点相乘法将单图像显著性映射图和组图像显著性映射图的权重融合，再利用高斯分布计算得到每个像素的权重值，最终得到初步协同显著性映射图；

6.根据权利要求1所述的基于协同显著性的sar图像非合作车辆目标检测方法，其特征在于，步骤s7中所述的辅助图像显著性映射图的权重的计算公式如下：

技术总结
本发明涉及图像数据处理技术领域，公开了基于协同显著性的SAR图像非合作车辆目标检测方法，利用辅助数据和待测数据计算协同显著性来获取非合作目标的显著性特征完成检测，将协同显著性应用于SAR图像目标检测任务中，通过计算图像的对比度特征和联合特征得到初步协同性显著图，最后利用辅助数据协同显著性图生成的权重进一步抑制背景，增强目标，从而提升检测性能，为非合作目标检测问题提供新的解决方案。

技术研发人员：唐涛,崔雨婷,张思乾,计科峰,赵凌君,冷祥光,雷琳,匡纲要
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：
技术公布日：2024/1/14