基于视觉反差和信息熵的sar图像人造目标检测方法
【技术领域】
[0001] 本发明涉及一种基于视觉反差和信息熵的合成孔径雷达（SyntheticAperture Radar，SAR)图像人造目标快速检测方法，属于遥感图像处理技术领域。
【背景技术】
[0002] 目标检测是SAR图像解译领域的一项重要研究课题，自SAR技术达到实用化水平 以来，SAR图像目标检测研究一直受到广泛关注。建筑物、桥梁、车辆、船只等人造目标是 SAR对地观测中重点监测的对象，这类目标的检测与识别在军事和民用上均具有重要意义， 已被广泛地应用于军事侦察、城市规划、灾害监测、资源调查等领域。
[0003] 现有的SAR图像目标检测算法主要有：基于对比度的目标检测算法，如窗口滤波 法，阈值分割法、恒虚警（CFAR)检测算法、等等；基于图像其他特征的目标检测算法，如基 于多分辨率特征的目标检测算法，利用边缘特征和局部能量的基于活动轮廓的目标检测算 法，基于上下文特征的目标检测算法，基于扩展分形特征的目标检测算法，等等；以及基于 复数据特征的目标检测算法，例如子孔径相干法。其中，关于恒虚警（CFAR)检测算法的研 究最多，由于真实SAR图像中往往包含多种地物覆盖类型，且随着SAR图像分辨率提高，杂 波背景的不均匀性增强，不少学者尝试利用新的统计分布模型进行杂波统计建模，如G0分 布，Alpha稳定分布，等等；针对SAR图像视场大、传统滑窗CFAR比较费时等问题，研究了快 速检测算法，如全局CFAR与局部CFAR级联算法，二次CFAR算法等等。
[0004] 在SAR图像中，人造目标往往具有较强的雷达回波，上述各类算法被陆续应用于 人造目标检测中。然而，随着SAR图像分辨率逐渐提高，统计模型参数估计复杂、对大视场 图像检测精度与检测效率难以兼顾等问题仍普遍存在。特别是对于一些小型人造目标如车 辆、船只、飞机、部分战术目标等等，目标自身不变特征往往提取困难，而且在大视场图像中 采用复杂的算法其计算代价很大，难以满足实用性的要求。
[0005] 近年来，随着计算神经科学和认知心理学等学科的发展，视觉注意机制（Visual AttentionMechanism)及其应用研究引起了广泛关注。视觉注意机制是灵长类动物处理 视觉信息过程中的一项重要的心理调节机制，它使得人类具备从复杂环境中搜索感兴趣 目标的能力，目前已有不少视觉注意模型被陆续提出，并已应用于目标检测中。最具代表 性模型是由Itti等人于1998年提出基于底层视觉特征的模型（简称Itti模型），参见 IttiL，KochC,NieburE.AModelofSaliency-BasedVisualAttentionforRapid SceneAnalysis[J].IEEETransactiononPatternAnalysis&MachineIntelligen ce，1998, 20 (11) : 1254-1259.还有Hou等人于2007年提出的基于空间频域分析的谱残差 模型（简称SR模型），参见HouX，ZhangL.SaliencyDetection:ASpectralResidual Approach[C]. 2007IEEEConferenceonComputerVisionandPatternRecognition,IEEE ComputerSociety，2007:1-8.但是由于现有的视觉注意模型多数都是针对自然图像的，在 SAR图像中的应用比较有限，检测结果也不令人满意。近期有学者对Itti模型进行了改进， 但处理效率较低，不便于工程实现。
【发明内容】
[0006] 为解决现有技术的不足，本发明的目的在于提供一种基于视觉反差和信息熵的 SAR图像人造目标快速检测方法，进行三次下采样，减少了检测过程需要处理的数据量，提 高了运算效率。
[0007] 为了实现上述目标，本发明采用如下的技术方案：
[0008] -种基于视觉反差和信息熵的SAR图像人造目标检测方法，其特征是，包括如下 步骤：
[0009] 1)对待检测的SAR图像进行高斯金字塔分解，通过下采样处理建立4层影像金字 塔，处理后图像分别记为Ic，Ii，12和13，其中Ic为原图像尺寸，Ii，12和I3图像依次分别是 原图像尺寸的1/2,1/4,1/8;
[0010] 2)根据生物视觉特性，通过模拟初级视觉皮层中的简单细胞来提取图像的局部反 差信息，对输出的四幅不同尺寸图像'Ii，12和13分别进行中央周边差处理，提取简单单 元S;
[0011] 3)学习计算池模型，利用Maximum模型将S单元整合为复杂单元C，并进行高斯滤 波处理，生成全局显著图G;
[0012] 4)根据信息熵最大原则对步骤3)生成的全局显著图G进行阈值分割处理，处理后 的二值图像记为B;
[0013] 5)对处理后的二值图像B进行形态学滤波处理：进行连通、填充和清除运算，消除 孤立的像素集合，提高像素集合的连通性；
[0014] 6)从步骤5)处理后的二值图像中提取目标的轮廓线，将其显示在原始SAR影像 上，得到目标检测结果。
[0015] 前述的基于视觉反差和信息熵的SAR图像人造目标检测方法，其特征是，所述步 骤1)中金字塔下采样操作按如下公式进行：Ιδ(X，y)=Σnw(m,η)Ιδi(2i+m, 2j+n) (1)， 其中，δ为图像层数，w(m，n)为降采样核函数，m，n为核函数窗口大小。
[0016] 前述的基于视觉反差和信息熵的SAR图像人造目标检测方法，其特征是，所 述步骤2)中进行中央周边差操作前，将周边层{1，2,3}插值后放大到和中央层 C# {0, 1，2}相同尺度，即SJ和Q0尺寸相同，SJ和尺寸相同，SJ和Q2尺寸相同；
[0017] 按公式（2)分别对SJ和Q0,SJ和Ql，SJ和Q2进行逐像素的特征差运算：Dn =I (Q，SJ = 11 (CJ θ I (SJ I，n e {〇, 1，2} (2)，其中，Θ表示跨尺度的减操作，中央尺度 CLe {〇, 1，2}，周边尺度SLe {l，2,3}，SL= C^+δ，δ=1。
[0018] 前述的基于视觉反差和信息熵的SAR图像人造目标检测方法，其特征是，所述步 骤3)中将S单元整合成C单元前，要将D。，Dp%三幅差值图分别插值到原始图像大小，得 3。，51，52;根据公式（3)分别对3。，5 1，52进行计算，得单元(：刃=1&?(5)，5￡{5。，51，5 2}(3)。
[0019]本发明所达到的有益效果：1)运用4层高斯金字塔，进行三次下采样，减少了检 测过程需要处理的数据量，提高了运算效率；2)利用视觉反差来模拟人眼真实感受，不需 要提取过多的目标特征，计算复杂度低，根据信息熵最大可实现自动分割，具有良好的普适 性，适用于车辆、船只、飞机、部分战术目标等小型人工目标；3)仿真结果表明，本发明方法 较传统Itti模型和频域谱残差模型检测结果更有效，且运算量小、处理效率更高，便于工 程实现。
【附图说明】
[0020] 图1是本发明的流程图；
[0021] 图2(a) - (f)是本发明仿真实验中所采用的高分辨率SAR图像效果图；
[0022] 图3(a) (f)是实验图像中人造目标的真实位置图；
[0023] 图4(a) - (f)是采用基于Itti模型的目标检测方法得到的仿真结果效果图；
[0024] 图5(a) - (f)是采用基于SR模型的目标检测方法得到的仿真结果效果图；
[0025] 图6(a) - (f)是采用本发明得到的仿真结果效果图。
【具体实施方式】
[0026] 下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明 的技术方案，而不能以此来限制本发明的保护范围。
[0027]参照图1，本发明的具体实现步骤如下。
[0028] 步骤1):建立高斯金字塔影像：
[0029] 金字塔是图像多尺度表示方法之一。它的底部是最原始的图像，有最高的分辨率， 每向上移动一层，图像的尺度就减小一半，分辨率也随着降低。根据高斯金字塔不同采样层 数的图像特性，以及在多次实验的基础上，本发明建立4层影像金字塔，对SAR图像进行下 采样操作。设S为金字塔的层数，则δ=〇，1，2, 3。
[0030] 对于一幅二维图像I(x，y)，LUy)表示最初的图像，则第δ层的图像可由以下 公式得到：Ιδ(χ，γ) nw(m，n)I；iAi+mJj+rOQ)，其中，δ为图像层数，w(m，n)为 降采样核函数，m，n为核函数窗口大小。经过下采样后，得到4幅不同大小的图像，分别为 1〇 (X，y)，?ι(X，y)，12 (X，y)和工3 (X，y)。
[0031] 步骤2):计算中央周边差值，获取简单单元s，从而提取图像的局部反差信息。
[0032] 初级视觉皮层的神经元分为简单细胞（S)和复杂细胞（C)。简单细胞的感受 野对视场中大反差视觉信息的输入有强烈变化。本步骤的目的是通过中央周边差操作 (center-surround)来模拟简单细胞感受野的这种特性以获取S单元。其具体实现如下：
[0033]