基于先验场景知识的sar目标检测虚警去除方法
【技术领域】
[0001] 本发明属于雷达目标识别技术领域，特别涉及一种SAR目标检测虚警去除方法， 可用于SAR图像目标检测的后处理。
【背景技术】
[0002] 合成孔径雷达SAR是一种利用微波进行感知的主动传感器，它具有全天候、全天 时、分辨率高以及穿透力强等特点，成为目前对地观测和军事侦察的重要手段。自20世纪 50年代以来，雷达成像技术日益成熟，成像分辨率不断提高，使得SAR图像目标检测和识别 技术受到了越来越广泛的关注。
[0003] 现有的SAR图像目标检测算法，对于复杂场景下目标的检测效果较差，会检测出 大量虚警，降低后续鉴别和识别的准确率。
[0004] 根据先验知识，目标和环境的联系非常紧密，特定目标只会出现在特定的环境中。 例如，舰船只在水域中出现，飞机只能降落在机场，车辆目标通常停在开阔地。现有的目标 检测方法由于没有考虑目标和环境的关系，有可能在陆地中检测到疑似舰船目标，在非机 场区域检测到疑似飞机目标，在树木、建筑等不可能存在车辆的区域检测出疑似车辆目标， 造成复杂场景下SAR目标检测虚警过多。
【发明内容】
[0005] 本发明的目的在于提出一种基于先验场景知识的SAR目标检测虚警去除方法，通 过找出树木、建筑不可能存在目标的区域，去除该区域内检测到的疑似目标，降低复杂场景 下SAR图像目标检测虚警率，提高后续鉴别、识别的性能。
[0006] 本发明的技术方案是这样实现的：
[0007] - ·技术思路：
[0008] 本发明通过预处理、区域生长、一类分类和去除虚警这四个阶段实现。
[0009] 在预处理阶段，主要用于完成对SAR图像的下采样和均值滤波操作。
[0010] 在区域生长阶段，主要用于完成对SAR图像中目标所在区域的区域生长，获得疑 似树木、建筑、阴影这些不可能存在目标的区域。
[0011] 在一类分类阶段，主要完成对疑似树木、建筑、阴影这些不可能存在目标区域的分 类，获得真实的树木、建筑、阴影区域。
[0012] 在虚警去除阶段，主要完成对树木、建筑、阴影区域内检测到的疑似目标的去除。
[0013] 二.实现步骤
[0014] 根据上述技术思路，本发明的实现步骤包括如下：
[0015]A.输入原始SAR图像I，并对其进行两次下采样，每次下采样后的图像用3X3的 窗做均值滤波，得到预处理后的SAR图像I';
[0016]B.通过区域生长获取SAR图像中不可能存在目标的疑似区域：
[0017]B1)对预处理后的SAR图像1'做直方图统计，找到幅度值出现概率最高的像素点 S!，将为初始种子点，构成初始种子区域sR;
[0018] B2)在种子区域各像素点的八邻域内，找出满足不等式"<77ire的像素点 DpA ，将其合并到种子区域&中，其中，&为种子区域&的均值^为像素ADi八邻 域内的均值，Thre为根据图像的幅度值给定的阈值；
[0019] B3)更新种子区域SR的均值，重复步骤B2)，直到在所述SAR图像1'中不存在 Di，区域生长结束，得到区域生长二值标记图像Ib= {r，t}，其中，r为生长出的连通区域，t为未生长出的区域。将未生长出的区域t进行连通区域标记，连通区域像素个数小于100 的区域记为L，t2. . .tp，大于100的区域记为U12. . .lq;
[0020]B4)在未生长出的区域中，去除像素个数小于100的目标大小状的连通区域 ti,t2. . .tp，将剩余连通区域li，12. . .lq作为待分类的区域；
[0021] C.通过一类分类获取不存在目标的真实区域：
[0022] C1)在与原始SAR图像I同一批次采集的SAR图像中，选取一幅训练图像It，并在 该训练图像It中选取树木、建筑、阴影区域，构成训练样本集T;
[0023] C2)用高斯混合模型对训练样本集T的分布进行拟合，得到训练样本集T的概率密 度函数P(X)，其中X为训练样本集T中某像素点X的幅度值；
[0024]C3)将预处理后的SAR图像U中与区域h，12. . .lq对应的各像素点p4勺幅度值 Xl，代入到概率密度函数Ρ(χ)中，将满足不等式P(Xl) >〇.〇1的口1作为正确分类的像素点；
[0025]C4)计算11; 12...lq各区域中分类正确像素点与该区域总像素点个数之比R，找出 R彡0.7的区域Γy2...ΓP，p彡q，l'y2...Γp为最终分类正确的区域；
[0026]D.去除预处理后的SAR图像1'中对应Γi，l'2...Γp各区域内检测到的疑 似目标，得到去除虚警后的图像。
[0027] 本发明与现有技术相比，具有如下优点：
[0028]1.本发明由于去除了树木、建筑、阴影这些不存在目标区域内的疑似目标，所以能 够有效降低复杂场景的SAR图像目标检测虚警率；
[0029]2.本发明在同等条件下，由于虚警率的降低，使得后续算法的复杂度得到简化，鉴 另IJ、识别性能得到提升。
【附图说明】
[0030] 图1为本发明的实现流程图；
[0031] 图2为本发明第一组实验所使用的真实SAR图像；
[0032] 图3为本发明实验中对图2进行初始种子点选取的结果；
[0033] 图4为本发明实验中获取图2中疑似树木、建筑、阴影的区域图；
[0034] 图5为本发明实验中选取训练样本的SAR图像；
[0035] 图6为本发明实验中获取图2中真实树木、建筑、阴影的区域图；
[0036]图7为本发明实验为验证对图2的虚警去除效果所使用的基于超像素的SAR图像 CFAR目标检测结果图像；
[0037] 图8为本发明实验中对图7去除虚警的结果；
[0038] 图9为本发明第二组实验所使用的真实SAR图像；
[0039] 图10为本发明实验中对图9进行初始种子点选取的结果；
[0040] 图11为本发明实验中获取图9中疑似树木、建筑、阴影的区域图；
[0041] 图12为本发明实验中选取训练样本的SAR图像；
[0042] 图13为本发明实验中获取图9中真实树木、建筑、阴影的区域图；
[0043]图14为本发明实验为验证对图9的虚警去除效果所使用的所使用的基于超像素 的SAR图像CFAR目标检测结果图像；
[0044] 图15为本发明实验中对图14去除虚警的结果。
【具体实施方式】
[0045] 下面结合附图对本发明的实施步骤和效果作进一步说明。
[0046] 参照图1，本发明基于先验场景知识的SAR目标检测虚警去除方法，实现步骤如 下：
[0047]步骤1，输入原始SAR图像I，并对其进行两次下采样和均值滤波，得到预处理后的 SAR图像I'。
[0048]la)设原始SAR图像I的行数和列数分别为Μ和N，对I的每一行和每一列隔一个 像素点采样，得到行数为Μ/2、列数为Ν/2的一次下采样后图像Id;
[0049]lb)对一次下采样后图像Id进行均值滤波，得到一次下采样均值滤波后图像：
[0050]Idf =conv2(Id，W/9，'same' )，
[0051] 其中，conv2( ·)为二维卷积操作；W为二维模板，取3X3的全1矩阵；'same' 为保证一次下采样图像均值滤波前图像Id与滤波后图像Idf大小相同的参数；
[0052]lc)对一次下采样均值滤波后图像1&重复步骤A1)和A2)，即可得到行数和列数 分别为M/4和N/4的两次下采样均值滤波后的图像I'。
[0053] 步骤2,通过区域生长获取SAR图像中不可能存在目标的疑似区域。
[0054] 2a)对预处理后的SAR图像1'做直方图统计，找到幅度值出现概率最高的像素点 S!，将为初始种子点，构成初始种子区域SR;
[0055] 2b)在种子区域各像素点的八邻域内，找出满足不等式<77w的像素点 Dy/),??，将其合并到种子区域&中，其中，&为种子区域&的均值，^为像素ADi八邻 域内的均值，Thre为根据图像的幅度值给定的阈值；
[0056] 2c)更新种子区域SR的均值^ :
[0057] 设更新前种子区域SR内包含m个像素点，幅度值分别为vuv2. . . Vni，新合并到种子 区域SR中的像素点个数为n，幅度值分别为ν' uV2. . .Vn，则种子区域SR更新后的均
> 值为 △，即对更新前种子区域SR内所有像素点的幅度 值与新合并到种子区域SR中像素点的幅度值求平均。
[0058] 2d)重复步骤2b)和2c)，直到在所述SAR图像P中不存在01，结束区域生长， 得到区域生长二值标记图像Ib= {r，t}，其中，r为生长出的连通区域，t为未生长出的 区域。将未生长出的区域t进行连通区域标记，连通区域像素个数小于100的区域记为 ti,t2...tp，大于 100 的区域记为li，12...lq;
[0059] 2e)在未生长出的区域中去除像素个数小于100的目标大小状的连通区域 kt2. . .tp，将剩余未生长出的连通区域11; 12. . .lq作为待分类区域，即不可能存在目标的 疑似区域。
[0060] 步骤3,通过一类分类获取不存在目标的真实区域。
[0061] 3a)在与原始SAR图像I同一批次采集的SAR图像中，选取一幅训练图像It，并在 该训练图像It中选取树木、建筑、阴影区域，构成训练样本集T;
[0062] 3b)用高斯混合模型对训练样本集T的分布进行拟合，得到训练样本集T的概率密 度函数Ρ(χ)为：
[0063]
[0064] 其中，η为高斯分量个数；卩^为高斯分量系数；σi为高斯分量标