CN105389794B - 基于先验场景知识的sar目标检测虚警去除方法 - Google Patents

Abstract

本发明公开了一种基于先验场景知识的SAR目标检测虚警去除方法，主要解决复杂场景下SAR图像目标检测虚警过多的问题。其实现步骤为：(1)输入原始SAR图像，对原始SAR图像进行两次下采样和均值滤波预处理；(2)对预处理后的SAR图像进行区域生长，去除未生长出的目标大小状的连通区域，剩余的未生长出的连通区域为待分类区域；(3)选取训练样本，对待分类区域进行一类分类，得到不可能存在目标的区域；(4)去除不可能存在目标区域中检测到虚警，得到结果图像。本发明能够有效的减少复杂场景下的检测虚警，可用于对SAR图像目标检测的后处理。

Description

基于先验场景知识的SAR目标检测虚警去除方法

技术领域

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

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。

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。

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

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。

本发明的技术方案是这样实现的：

一.技术思路：

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。

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。

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。

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。

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。

二.实现步骤

根据上述技术思路，本发明的实现步骤包括如下：

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3×3的窗做均值滤波，得到预处理后的SAR图像I′；

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：

B1)对预处理后的SAR图像I′做直方图统计，找到幅度值出现概率最高的像素点S₁，将S₁作为初始种子点，构成初始种子区域S_R；

B2)在种子区域各像素点的八邻域内，找出满足不等式的像素点D_i，将其合并到种子区域S_R中，其中，为种子区域S_R的均值，为像素点D_i八邻域内的均值，Thre为根据图像的幅度值给定的阈值；

B3)更新种子区域S_R的均值重复步骤B2)，直到在所述SAR图像I′中不存在D_i，区域生长结束，得到区域生长二值标记图像I_b＝{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t₁,t₂...t_p，大于100的区域记为l₁,l₂...l_q；

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t₁,t₂...t_p，将剩余连通区域l₁,l₂...l_q作为待分类的区域；

C.通过一类分类获取不存在目标的真实区域：

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I_t，并在该训练图像I_t中选取树木、建筑、阴影区域，构成训练样本集T；

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；

C3)将预处理后的SAR图像I′中与区域l₁,l₂...l_q对应的各像素点p_i的幅度值x_i，代入到概率密度函数P(x)中，将满足不等式P(x_i)＞0.01的p_i作为正确分类的像素点；

C4)计算l₁,l₂...l_q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≥0.7的区域l′₁,l′₂...l′_p，p≤q，l′₁,l′₂...l′_p为最终分类正确的区域；

D.去除预处理后的SAR图像I′中对应l′₁,l′₂...l′_p各区域内检测到的疑似目标，得到去除虚警后的图像。

本发明与现有技术相比，具有如下优点：

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；

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，鉴别、识别性能得到提升。

附图说明

图1为本发明的实现流程图；

图2为本发明第一组实验所使用的真实SAR图像；

图3为本发明实验中对图2进行初始种子点选取的结果；

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；

图5为本发明实验中选取训练样本的SAR图像；

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；

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；

图8为本发明实验中对图7去除虚警的结果；

图9为本发明第二组实验所使用的真实SAR图像；

图10为本发明实验中对图9进行初始种子点选取的结果；

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；

图12为本发明实验中选取训练样本的SAR图像；

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；

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；

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

下面结合附图对本发明的实施步骤和效果作进一步说明。

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：

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′。

1a)设原始SAR图像I的行数和列数分别为M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M/2、列数为N/2的一次下采样后图像I_d；

1b)对一次下采样后图像I_d进行均值滤波，得到一次下采样均值滤波后图像：

I_df＝conv2(I_d,W/9,′same′)，

其中，conv2(·)为二维卷积操作；W为二维模板，取3×3的全1矩阵；′same′为保证一次下采样图像均值滤波前图像I_d与滤波后图像I_df大小相同的参数；

1c)对一次下采样均值滤波后图像I_df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′。

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。

2a)对预处理后的SAR图像I′做直方图统计，找到幅度值出现概率最高的像素点S₁，将S₁作为初始种子点，构成初始种子区域S_R；

2b)在种子区域各像素点的八邻域内，找出满足不等式的像素点D_i，将其合并到种子区域S_R中，其中，为种子区域S_R的均值，为像素点D_i八邻域内的均值，Thre为根据图像的幅度值给定的阈值；

2c)更新种子区域S_R的均值

设更新前种子区域S_R内包含m个像素点，幅度值分别为v₁,v₂...v_m，新合并到种子区域S_R中的像素点个数为n，幅度值分别为v′₁,v′₂...v′_n，则种子区域S_R更新后的均值为：即对更新前种子区域S_R内所有像素点的幅度值与新合并到种子区域S_R中像素点的幅度值求平均。

2d)重复步骤2b)和2c)，直到在所述SAR图像I′中不存在D_i，结束区域生长，得到区域生长二值标记图像I_b＝{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t₁,t₂...t_p，大于100的区域记为l₁,l₂...l_q；

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t₁,t₂...t_p，将剩余未生长出的连通区域l₁,l₂...l_q作为待分类区域，即不可能存在目标的疑似区域。

步骤3，通过一类分类获取不存在目标的真实区域。

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I_t，并在该训练图像I_t中选取树木、建筑、阴影区域，构成训练样本集T；

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P(x)为：

其中，n为高斯分量个数；P_ci为高斯分量系数；σ_i为高斯分量标准差；μ_i为高斯分量均值；x为训练样本集T中某像素点x的幅度值；

3c)将预处理后的SAR图像I′中与待分类区域l₁,l₂...l_q对应的各像素点p_i的幅度值x_i，代入到概率密度函数P(x)中，将满足不等式P(x_i)＞0.01的p_i作为正确分类像素点；

3d)计算l₁,l₂...l_q待分类区域中分类正确像素点与该区域总像素点个数之比R：

设区域l内包含Y个像素点，其中有X个像素点为正确分类的像素点，则区域l的分类正确率为：即用各区域正确分类像素点个数除以各区域总的像素点个数；

3e)找出R≥0.7的区域l′₁,l′₂...l′_p，p≤q，该l′₁,l′₂...l′_p为最终分类正确的区域。

步骤4，去除预处理后的SAR图像I′中l′₁,l′₂...l′_p各区域内检测到的疑似目标，得到去除虚警后的图像。

本发明的效果通过以下仿真实验说明：

1.实验场景与参数：

本发明分别对图2和图9两组数据，进行仿真实验。实验所用的实测数据均来自于美国Sandia实验室公开的miniSAR数据集，其分辨率为0.1m×0.1m，图像大小为2510×1638。关于该数据的说明可参考SAND2005-3706P-miniSAR-flight-SAR-images.pdf。该pdf文件与实验中所使用的miniSAR数据都下载自Sandia National Laboratories的网站。其中，图2和图9均为用于车辆目标检测的虚警去除效果验证的测试图像，图2中区域生长阈值：Thre＝0.5，图9中区域生长阈值：Thre＝0.25。

在本实验中使用训练图像和测试图像前，先进行相对的辐射定标，具体做法为：选取测试和训练图像中属于同一类的区域，比如草地，分别估计其均值为和其真实RCS比值为其均值之比，记为：将训练图像所有像素的幅度值乘以α作为实验中的训练数据。

2.实验内容与结果：

仿真实验1，用本发明的方法对图2进行车辆目标检测的虚警去除实验如下：

对图2进行直方图统计，选取初始的种子点，结果如图3所示；

根据初始种子点，通过区域生长获取未生长出的区域图，在未生长出的区域中，去除和目标大小相近的区域，得到待分类区域图，如图4所示；

在图5中选取树木、建筑、阴影等不可能存在目标的区域作为训练样本集，拟合出训练样本集的概率密度函数，将待分类区域的各像素点幅度值代入训练样本集的概率密度函数，得到待分类区域的一类分类图，去除一类分类图中分类错误的区域，得到正确分类的区域图，如图6所示；

去除图7中对应正确分类区域内检测到的疑似目标，得到去除虚警后的图像，如图8所示。

表1为仿真实验一去除虚警的效果：

表1.对图2用本方法去除虚警后的结果

	虚警	漏警
			基于超像素的SAR图像CFAR目标检测结果	117	0
基于先验场景知识去虚警	37	0

仿真实验2，用本发明的方法对图9进行车辆目标检测的虚警去除实验如下：

对图9进行直方图统计，选取初始的种子点，结果如图10所示；

根据初始种子点，通过区域生长获取未生长出的区域图，在未生长出的区域中，去除和目标大小相近的区域，得到待分类区域图，如图11所示；

在图12中选取树木、建筑、阴影区域作为训练样本集，拟合出训练样本集的概率密度函数，将待分类区域的各像素点幅度值代入训练样本集的概率密度函数，得到待分类区域的一类分类图，去除一类分类图中分类错误的区域，得到正确分类的区域图，如图13所示；

去除图14中对应正确分类区域内检测到的疑似目标，得到去除虚警后的图像，如图15所示。

表2为仿真实验二去除虚警的效果。

表2.对图9用本发明去除虚警后的结果

	虚警	漏警
			基于超像素的SAR图像CFAR目标检测结果	402	9
基于先验场景知识去虚警	91	14

由表1和表2所给出的数据可以发现：

1)相对于单独的传统SAR图像目标检测算法，结合先验场景知识的虚警去除算法，本发明可以在保证漏警较少的情况下，有效的去除复杂场景下SAR图像目标检测中的大量虚警。在同等条件下，可以降低后续鉴别、识别的算法复杂度，提高识别性能。

表1表明：对于图2虚警减少80个，漏警为0，具有较好的效果。

表2表明：对于图9虚警减少311个，漏警增加了5个，漏警增加的原因是因为目标和树木、建筑、阴影区域离的过近且强度相似，区域生长无法使两者分离，造成目标误判，增加了漏警。

2)对于图2和图9两组不同数据，本发明都具有较好的效果，具有一定的稳健性。

Claims (5)

1.一种基于先验场景知识的SAR目标检测虚警去除方法，包括：

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3×3的窗做均值滤波，得到预处理后的SAR图像I'；

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：

B1)对预处理后的SAR图像I'做直方图统计，找到幅度值出现概率最高的像素点S₁，将S₁作为初始种子点，构成初始种子区域S_R；

B2)在种子区域各像素点的八邻域内，找出满足不等式的像素点D_i，将其合并到种子区域S_R中，其中，为种子区域S_R的均值，为像素点D_i八邻域内的均值，Thre为根据图像的幅度值给定的阈值；

B3)更新种子区域S_R的均值重复步骤B2)，直到在所述SAR图像I'中不存在D_i，区域生长结束，得到区域生长二值标记图像I_b＝{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的目标大小状的区域记为t₁,t₂...t_p，大于100的区域记为l₁,l₂...l_q；

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t₁,t₂...t_p，将剩余未生长出的连通区域l₁,l₂...l_q作为待分类区域，即不可能存在目标的疑似区域；

C.通过一类分类获取不存在目标的真实区域：

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I_t，并在该训练图像I_t中选取树木、建筑、阴影区域，构成训练样本集T；

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中某像素点的幅度值；

C3)将预处理后的SAR图像I'中与区域l₁,l₂...l_q对应的各像素点p_i的幅度值x_i，代入到概率密度函数P(x)中，将满足不等式P(x_i)＞0.01的p_i作为正确分类的像素点；

C4)计算l₁,l₂...l_q待分类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≥0.7的区域l′₁,l′₂...l′_p，p≤q，l′₁,l′₂...l′_p为最终分类正确的区域；

D.去除预处理后的SAR图像I'中对应l′₁,l′₂...l′_p各区域内检测到的疑似目标，得到去除虚警后的图像。

2.根据权利要求1所述方法，其中所述步骤A中对原始SAR图像I的两次下采样和均值滤波，按如下步骤进行：

A1)设原始SAR图像I的行数和列数分别为M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M/2、列数为N/2的一次下采样后图像I_d；

A2)对一次下采样后图像I_d进行均值滤波，得到一次下采样均值滤波后图像：

I_df＝conv2(I_d,W/9,'same')，

其中，conv2(·)为二维卷积操作；W为二维模板，取3×3的全1矩阵；'same'为保证一次下采样图像I_d均值滤波前图像与滤波后图像I_df大小相同的参数；

A3)对一次下采样均值滤波后图像I_df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'。

3.根据权利要求1所述方法，其中步骤B3中更新种子区域S_R的均值是对更新前种子区域S_R内所有像素点的幅度值与新合并到种子区域S_R中像素点的幅度值求平均：设更新前种子区域S_R内包含m个像素点，幅度值分别为v₁,v₂...v_m，新合并到种子区域S_R中的像素点个数为n，幅度值分别为v′₁,v′₂...v′_n，则种子区域S_R更新后的均值为：

4.根据权利要求1所述方法，其中步骤C2所得到训练样本集T的概率密度函数P(x)，表示如下：

其中，n为高斯分量个数；为高斯分量系数；σ_i为高斯分量标准差；μ_i为高斯分量均值；x为训练样本集T中某像素点的幅度值。

5.根据权利要求1所述方法，其中步骤C4计算l₁,l₂...l_q待分类区域中分类正确像素点与该区域总像素点个数之比R，是用各区域正确分类像素点个数除以各区域总的像素点个数，即设区域l内包含Y个像素点，其中有X个像素点为正确分类的像素点，则区域l的分类正确率为：