一种用于sar方位角估计的快速目标提取方法
【技术领域】
[0001] 本发明设及图像处理技术领域中的图像分割问题，具体设及一种用于合成孔径雷 达（SyntheticApertureRadar,SAR)方位角估计的快速目标提取方法。
【背景技术】
[0002] 合成孔径雷达具有全天时、全天侯和强穿透能力等优点，已经成为一种重要的军 事侦查手段。近年来，利用高分辨率的SAR图像进行自动目标识别（AutomaticTarget Reco即ition，ATR)的研究不断涌现。
[0003] SAR目标图像对雷达成像的方位非常敏感，同一目标在不同方位角下所得到的图 像差别很大，在传统SARATR系统中存储了大量不同方位的SAR模板图像，通过将待识别目 标与模板图像进行匹配来完成识别。因此，预先估计目标的方位角，可W有效地减少捜索图 像的数量，提高ATR系统的识别效率和准确率。SAR方位角估计过程通常包括对目标提取和 角度估计两个环节。目标提取是目标方位角估计的基础和关键，目标提取的效果和质量直 接影响目标方位角的估计。目标提取越逼近真实目标，方位角估计就越准确。
[0004] 图像目标提取可W看作是将图像中的前景目标与背景进行分割的过程，故原则 上，图像分割方法都可W用于目标提取。目前主要的SAR图像分割方法有基于统计模型（如 马尔可夫随机场（MarkovRandomField,MRF)模型）的方法、基于活动轮廓模型的方法、区 域生长法、聚类法、阔值法等。该些方法虽然都可W提取SAR目标，从而用于SAR方位角估 计，但在提取精度或计算复杂度方面存在局限。基于统计模型的方法，在分割过程利用图像 空间的局部相关性，能够达到较高的分割精度，但其计算量也很大，且算法优化困难，实用 性欠佳；基于活动轮廓模型的方法，利用检测到的目标轮廓来划分目标和背景。该方法也能 较准确地提取出目标，但目标轮廓的过程需要进行反复多次迭代，算法的计算复杂度高，时 效性也不佳；上述其他方法的计算复杂度相对较低，但分割效果不理想，其中最常见的是阔 值法，它是一种基于像素特征的分割方法。该方法的突出特点在于其计算复杂度低，分割速 度快。阔值法一般假设图像由具有单峰灰度分布的目标和背景组成，在目标或背景内部的 相邻像素间的灰度值高度相关，而在目标和背景交界处两边的像素值差异明显。阔值法通 过判断图像像素值与设定阔值之间的大小关系来区分目标和背景。因此，阔值法的关键在 于阔值的确定。典型的阔值分割方法有；极小值法、最小误差法、最大类间方差（Ostu)法、 恒虚警率（ConstantFalseAlarmRate,CFAR)法等。极小值法假设目标和背景的灰度直方 图的双峰之间存在明显峰谷，它借助求曲线的极小值确定分割的阔值；最小误差法假设目 标和背景的概率密度函数为某种分布（如正态分布），它通过极小化误判概率来确定分割 阔值；最大类间方差法通过使分割的两部分类间方差最大化来确定阔值，计算简单有效，但 其致命的缺陷是当目标物与背景灰度差不明显时，会出现严重的误判；恒虚警法是实际应 用中经常采用的方法，它是在保证某恒定虚警率情况下，利用像素的统计特性来估计阔值， 在噪声干扰的情况下，会产生虚警和漏警，使分割出的目标中含有很多非目标点，同时恒虚 警法对目标大小也十分敏感。总之，虽然阔值法具有较好的时效性，但由于SAR图像受到相 干斑点噪声的污染，目前阔值法关于目标和背景灰度分布的假设不一定成立，其分割精度 往往不高；另外，传统阔值法在确定阔值后，将灰度值大于阔值的所有像素点作为目标。由 于噪声的存在，目标之外常常有少许像素点的灰度值也大于阔值，该些非目标点将被检测 为目标，为去除该些"伪"目标，传统阔值法往往需要后续的处理，才能真正完成目标提取， 该也增大了目标提取的计算复杂度。
【发明内容】
[0005] 本发明的目的在于克服现有技术的不足，提供一种用于SAR方位角估计的快速目 标提取方法。相对于其它基于阔值的SAR目标提取方法，该方法目标本身提取完整，大大抑 制了虚警现象，目标提取精度高；同时该方法分割快速，且不需要进行后续的"伪"目标去除 处理。
[0006] 本发明的目的是通过W下技术方案来实现的：一种用于SAR方位角估计的快速目 标提取方法，包括W下步骤：
[0007] S1、确定阔值；选取两个不同的图像区域，对其分别进行灰度直方图统计，然后通 过两次直方图统计的相对变化，确定后续步骤所用的两个灰度阔值：种子阔值Tf。。,和生长 阔值Tgt。，；
[000引 S2、添加目标种子：将图像中灰度值大于种子阔值Tf。。,的像素点作为目标种子点， 添加至目标链表；
[0009] S3、第一次生长；对当前目标链表中的种子点，将其周围灰度值大于生长阔值Tgt。， 的像素点作为新的目标种子点，添加至目标链表；对新添加的种子点，用同样的方式寻找新 的目标种子点；
[0010] S4、第二次生长；对当前目标链表中的种子点，将其周围满足设定的邻域条件的像 素点作为新的目标种子点，添加至目标链表；对新添加的种子点，用同样的方式寻找新的目 标种子点；
[0011] S5、获取目标：将表示图像像素点是否为目标点的二值矩阵作为最终的目标图像 输出。
[0012] 进一步地，所述的步骤S1包括W下子步骤：
[0013]S11、找出图像中灰度值最大的像素点，设其坐标为（X。，y。），对应的灰度值为Im";
[0014] S12、对图像数据进行归一化处理：将图像每一个像素点的灰度值除WIm。,；
[0015] S13、进行灰度直方图统计，包括W下步骤：
[0016] S131、取左上角为（x〇-d，y〇-d)、右下角为（x〇+d，y〇+d)的正方形目标区域R，其中 25 <d< 35,对区域R的像素值作第一次灰度直方图统计；
[0017] S132、设输入图像大小为MXN，对整个MXN图像区域的像素值做第二次灰度直方 图统计；
[0018]S133、从最小灰度区间开始，将两次直方图统计中所有的对应灰度区间进行逐对 比较，考察对应灰度区间统计值的相对大小，寻找统计值的相对变化小于图像总像素点数 n倍的第一个灰度区间，将其中点的灰度值设置为种子阔值Tf。。,;继续寻找统计值相对变 化为零的第一个灰度区间，即两次统计值相等的第一个灰度区间，将其中点的灰度值设置 为生长阔值Tgr"，其中，0. 005《n《0. 01。
[0019] 进一步地，所述的步骤S2包括w下子步骤：
[0020] S21、设置一个目标链表，用来存储目标实体中的点的坐标，链表的每一个结点对 应一个目标点坐标，初始时目标链表为空；设置一个大小为MXN的二值目标矩阵At，该矩 阵每个元素对应于图像的每个像素点，其值表示该点是否为目标点，初始时目标矩阵的所 有元素为0 ;设置一个大小为MXN的整数邻域矩阵Ab，该矩阵每个元素对应于图像的每个 像素点，其值表示该点周围相邻的八个点中目标点的总个数，初始时邻域矩阵的所有元素 为0 ;
[0021] S22、扫描目标区域R，将灰度值大于种子阔值的像素点作为目标种子点，并将 该点的坐标作为新结点添加至目标链表的尾部，再将目标矩阵At中该目标种子点所对应的 元素值置为1，同时将该目标种子点周围相邻八个点在Ab中所对应的八个元素值均加1。
[0022] 进一步地，所述的步骤S3包括W下子步骤：
[0023] S31、设定初始值为0的结点计数器；
[0024]S32、读取目标链表中的一个结点a;，每读取一个结点，结点计数器加1;
[0025] S33、考察对应目标点的相邻八个像素点，若某相邻像素点的灰度值大于生长阔 值且该像素点在目标矩阵At中的对应元素当前值为0,则将该相邻像素点在At中的对 应元素值置为1，同时将该相邻像素点的坐标作为一新结点添加至目标链表的尾部，并将该 相邻像素点周围相邻八个点在邻域矩阵Ab中所对应的八个元素值均加1 ;
[0026]S34、判断节点计数器的当前计数值与当前目标链表的长度，若当前计数值小于当 前目标链表的长度，则转至步骤S32,否则结束操作。
[0027] 进一步地，所述的步骤S4包括W下子步骤：
[002引 S41、设定初始值为0的结点计数器；
[0029] S42、读取目标链表中的一个结点a;，每读取一个结点，结点计数器加1 ;
[0030] S43、考察a,对应目标点的相邻八个像素点，若某相邻像素点在邻域矩阵Ab中所对 应的值大于4且该点在目标矩阵At中的对应元素当前值为0,则将该相邻像素点在At中的 对应元素值置为1，同时将该相邻像素点的坐标作为一新结点添加至目标链表的尾部，并将 该相邻像素点周围相邻八个点在Ab中所对应的八个元素值均加1 ;
[0031] S44、判断节点计数器的当前计数值与当前目标链表的长度，若当前计数值小于当 前目标链表的长度，则转至步骤S42,否则结束操作。
[003