基于各项异性扩散空间的sar图像显著性区域检测方法
基于各项异性扩散空间的sar图像显著性区域检测方法
【技术领域】
[0001] 本发明属于图像处理技术领域，涉及SAR图像显著性区域检测，可用作SAR图像目 标检测和目标识别。 技术背景
[0002] 合成孔径雷达SAR系统作为一种主动式微波成像雷达，因其具有全天时、全天候 以及穿透性的特点，已经成为了遥感领域获取数据的重要工具。随着SAR图像数据量的增 加以及图像分析技术的发展，自动处理SAR图像的需求也日益强烈。特别是SAR图像目标 检测技术，不但可以减少人工判读的工作量，还是SAR图像的自动目标识别ATR技术的基础 和关键环节。因此，有效的、准确的获得SAR图像目标区域可以提高SAR图像目标识别的效 率以及目标的定位精度。
[0003]SAR图像中的目标区域通常都与背景存在明显区别。在人类视觉系统中，这类 区域即就是底层视觉中与场景内容无关的显著性区域。因此，通过检测SAR图像中的显 著性区域就可以获得目标区域。传统的光学图像显著性区域检测方法，是由Laurent. Itti，ChristofKoch和ErnstNiebur等人提出的多尺度显著性区域检测方法（Laurent. Itti,ChristofKochandErnstNiebur.AModelofSaliency-BasedVisualAttention forRapidSceneAnalysis.IEEETrans,onPatternAnalysisandMachineIntelligen ce，1998, 20 (11) : 1254-1259)。该方法的步骤为：首先对图像进行高斯金字塔分解；通过"中 心"细尺度与"周围"粗尺度的中心-周围差得到早期视觉特征；通过归一化中心-周围差 得到显著图后，采用赢者全得策略得到显著性区域位置。因为该方法简单且鲁棒性强，已被 很多光学图像目标识别系统所采用。但研宄发现，边缘信息是显著性区域判断和定位的关 键，该方法采用的高斯金字塔分解并不能保持准确的边缘位置，从而影响显著性区域的定 位精度。又由于该方法无法给出明确的显著性区域大小，因而无法准确标出显著性区域在 图像中的范围。在将该方法应用于SAR图像时，由于SAR系统成像过程中产生大量斑点噪 声会改变真实的图像强度，在匀质区域造成虚假边缘，又使得较亮的显著性区域的真实边 缘变得模糊，从而无法利用准确的边缘信息判定显著性区域，同时降低了其定位的准确性。
【发明内容】
[0004] 本发明的目的在于克服上述已有问题的缺点，提出一种基于各项异性扩散空间的 SAR图像显著性区域检测方法，以减小对区域显著性及其位置坐标的误判，提高算法的准确 性，并有效的给出显著性区域范围，为后续目标鉴别及识别奠定良好的基础。
[0005] 为实现上述目的，本发明的技术方案包括如下步骤：
[0006] (1)输入一幅IXJ大小的SAR图像SI，利用该图像上的一块矩形匀质区域R，计算 该图像的等效视数ENL;
[0007] (2)给定虚警概率pfa，根据等效视数ENL计算初始边缘门限T;
[0008] (3)设置最大尺度、最小尺度\_和尺度间隔AA，并设k依次 取值为从0到（入ax-Amin)/AA的所有整数，在尺度Amin+kXAA下，利用 (Amin+kXAA)X(Amin+kXAA)的检测窗口，计算每个像素点（i，j)的边缘强度gijk，其 中，其中i为像素点所在的行，j为像素点所在的列，1 <i<I，1 <j<J;
[0009] (4)根据边缘强度guk，计算在尺度入min+kXA入下每个像素点（i，j)的扩散系 数divuk;
[0010] (5)设m依次取值为从0到I的所有整数，n依次取值为从0到J的所有整数，根 据尺度入in+kXAA的扩散系数，计算尺度Amin+kXAA的第m行的行边缘参数矩阵Am，k 和第n列的列边缘参数矩阵A'n，k;
[0011] (6)设k依次取值从0到（A^-U/AA-1的所有整数，根据尺度Amin+kXA入 的行边缘参数矩阵和列边缘参数矩阵，利用加性算子分裂策略，计算尺度Amin+kXAA的 尺度图Uk及其对比图Uk';
[0012](7)根据（6)计算的尺度图Uk及其对比图Uk'，计算初始显著性矩阵Yt:
[0013] 7a)计算每个像素点（i，j)在尺度Amin+kXAA下的尺度显著性度量Suk;
[0014] 7b)找出7a)求得的AA个尺度显著性度量中最大的一个，如果该 尺度显著性度量对应的尺度&」为A_或A_-AX，则像素点（i，j)不具有显著性区域， 不再定义该像素点的显著性度量，否则，像素点（i，j)具有显著性区域，其显著性度量Su 为尺度Ru的尺度显著性度量，并将行向量（i，j，Ru，Sd加入初始显著性矩阵Yt;
[0015] (8)选取初始显著性矩阵YT中的前e%个最大的显著性度量对应的行构建新的 显著性矩阵Y/，0<e<100,再通过迭代方法得到稳定显著性矩阵乙，提取稳定显著性 矩阵Ys每一行的前两个元素作为中心的行列坐标以及第3个元素作为方形边长的像素数， 在SAR图像中画出相应的方形显著性区域。
[0016] 本发明与现有技术相比具有如下优点：
[0017] (1)本发明采用不同尺度的检测窗口判断像素的边缘强度，并将不同尺度的边缘 强度通过各项异性扩散建立对应尺度图，在准确给出边缘位置的同时能够有效的描述不同 尺度边缘信息，从而提高了区域显著性判断及定位的准确性；
[0018] (2)本发明在判断区域的显著性时，采用不同尺度对应的方形窗口计算显著性度 量，并将该度量的尺度作为区域的显著性尺度，从而给出了显著性区域在图像中的实际范 围。
[0019] 仿真结果表明，本发明与现有的SM显著性区域检测方法相比，有效的描述了不同 尺度上的边缘信息，增加了显著性区域的检测准确性，并有效的给出了显著性区域范围。
【附图说明】
[0020] 图1是本发明的实现总流程图；
[0021] 图2是本发明中计算边缘强度的子流程图；
[0022] 图3是本发明中计算扩散系数的子流程图；
[0023] 图4是本发明中计算行边缘参数矩阵和列边缘参数矩阵的子流程图；
[0024] 图5是本发明中计算尺度图及其对比图的子流程图；
[0025] 图6是本发明中计算稳定显著性矩阵的子流程图；
[0026]图7是本发明中对实测SAR图像进行各向异性扩散建立的尺度图；
[0027] 图8是用本发明对含有车辆目标的低分辨率实测SAR图像显著性区域检测结果 图；
[0028] 图9是用本发明对含有车辆目标的高分辨率实测SAR图像显著性区域检测结果 图；
[0029] 图10是用本发明对含有船舶目标的实测SAR图像显著性区域检测结果图。
【具体实施方式】
[0030] 以下结合附图对本发明的实施例及效果进一步说明：
[0031] 参照图1，本发明的具体实施步骤如下：
[0032] 步骤1.输入一幅IXJ大小的SAR图像SI，利用该图像上的一块矩形匀质区域R， 计算该图像的等效视数ENL:
[0034] 其中，mean( ?)是求均值，var( ?)是求方差，（m,n)GR表示像素点（m,n)包含 于区域R中，^表示像素点（m，n)的像素值，I为图像的行数，J为图像的列数。
[0035] 步骤2.给定虚警概率pfa，根据等效视数ENL计算初始边缘门限T:
[0037] 其中，Qinv( ?，?）为逆不完全伽马函数，虚警概率pfa是根据目标在图像中的显 著性程度进行设置，本实例设置为10%。
[0038] 步骤3.利用检测窗口，计算每个像素点的边缘强度guk。
[0039] 参照图2,本步骤的具体实现如下：
[0040] 3a)设定参数：最大尺度，最小尺度Amin，尺度间隔AA，像素点（i，j)的初 始行坐标为i= 1，列坐标为j= 1，尺度系数k= 0,其中A_，Amin，AA根据目标在图像 中可能的大小进行设置，本实例设60,Amin> 2,2彡AA彡10;
[0041] 3b)以像素点（i，j)为中心，利用（UkXA入）X(UkXA 入）检测窗口中 所有像素，计算该像素点在尺度入in+kXAA下的下均值yijk和上均值y' . .k：
[0044] 其中，eiJk为以像素点（i,j)为中心（入wn+kXA入）X(UkXA入）检测窗 口中像素点的平均像素值，为以像素点（i，j)为中心（A^+kXAA)X(A^+kXA 入）检测窗口中像素点的像素值平方的平均值；
[0045] 3c)利用初始边缘门限T和下均值y 计算像素点（i，j)在尺度Amin+kXA入 下的边缘门限Ti;j，k:
[0046] Ti；J；k=yi；J；kXT；
[0047]3d)统计以像素点（i，j)为中心（A^+kXAA)X(A^+kXA入）检测窗口中大 于等于Tuk的像素点个数numuk和小于Tuk的像素点个数num' j，k，计算像素点（i，j) 在尺度Xmin+kXAA下的边缘强度gij,k:
[0048] giJk=(y 'iJk/yiJk-l)XminhummAA.+kXA入）2,num，i;J，k/ (入min+kXA入）2)
[0049]其中，min( ?，?）表示取二者中的最小者；
[0050] 3e)根据尺度大小跳转至相应步骤：当入min+kXA入 < 入_时，令k=k+1，并返 回步骤3b);否则，执行步骤3f);
[0051] 3f)根据像素点坐标跳转至相应步骤：当j辛J时，令j=j+l，k= 0,并返回步骤 3b);当i乒I，j=J时，令i=i+1，j=l，k= 0,并返回步骤 3b);当i=I，j=J时，执 行步骤4 ;
[0052] 需要说明的是：计算SAR图像边缘强度不限于本实例给出的上述方法，也可采用 现有技术的如下任意一种：
[0053] 一 是均值比R0A法，见R.Touzi,A.Lop'es,andP.Bousquet.Astatistical andgeometricaledgedetectorforSARimages.IEEETrans.Geosci.Remote Sensing，1988, 26 (6) : 764 - 773 ;
[0054] 二是似然比LR法，见C.J.Oliver，D.Blacknell，andR.G.White.Optimumedge detectioninSAR.IEEProceedings-Radar，SonarandNavigation, 1996, 143(1)； 31-40 ；
[0055] 三是指数加权均值比R0EWA法，见R.Fj0rtoft，A.Lop'es，P.Marthon，and E.Cubero-Castan.AnOptimalMultiedgeDetectorforSARImageSegmentation.EEE Trans.Geosci.RemoteSensing，1998, 36 (3) : 793_802〇
[0056] 步骤4.根据边缘强度guk，计算像素点在不同尺度下的扩散系数divuk。
[0057] 参照图3,本步骤的具体实现如下：
[0058] 4a)设定像素点（i，j)的初始行坐标为i= 1，列坐标为j= 1，尺度系数k= 0,；
[0059] 4b)根据边缘强度计算像素点（i，j)在尺度Xmin+kXA人下的扩散系数 divi,j,k：
[0061] 其中，gt为设定的边缘参数，gt的取值范围为
到
1为i取值为1到I，j取值为1到J时guo的最大值。
[0062] 4c)根据尺度大小跳转至相应步骤：当入min+kXA入 < 入_时，令k=k+1，并返 回步骤4b);否则，执行步骤4d);
[0063] 4d)根据像素点坐标跳转至相应步骤：当j辛J时，令j=j+l，k= 0,并返回步骤 4b);当i乒I，j=J时，令i=i+1，j=l，k= 0,并返回步骤 4b);当i=I，j=J时，执 行步骤5。
[0064] 步骤5.根据每个像素点在各尺度下的扩散系数diVuk，计算各尺度的行边缘参 数矩阵Am，k和列边缘参数矩阵A' n;k。
[0065]参照图4,本步骤的具体实现如下：
[0066] 5a)设定图像的初始行坐标为m=1，列坐标为n=1，尺度系数k=0;
[0067] 5b)计算尺度人min+kXA人的第m行的行边缘参数矩阵Am，k:
[0069]其中：已…二-A入X(diVwXH k)，
[0070]ai；i+1=- AAX (divm；i；k+divm；i+1；k),
[0071]ai；i= 1+AAX(2Xdivm；i；k+divm； ^,+div^i+1；k), 1^ i^ J；
[0072] 5c)根据行数跳转至相应步骤：当m辛I时，令m= m+1，并返回步骤5b);当m= I时，执行步骤5d);
[0073] 5d)计算尺度Amin+kXA入的第n列的列边缘参数矩阵A' n，k:
[0075]其中：a'-AAX (div uk+divj-uk)，
[0076]a' J;J+1= -A入X(divhk+divj+uk)，
[0077]a，1+A入X(2Xdivhk+diVjuk+diVj+uk)，1 彡j彡I;
[0078] 5e)根据列数跳转至相应步骤：当n辛J时，令n= n+1，并返回步骤5d);当n= J时，执行步骤5f);
[0079] 5f)根据尺度大小跳转至相应步骤：当入min+kX A入乒入隨时，令m = l，n = 1， k=k+l，并返回步骤5b);当入min+kX A入=入匪时，执行步骤6〇
[0080] 步骤6.根据不同尺度的行边缘参数矩阵Am，k和列边缘参数矩阵A' n，k，利用加性 算子分裂策略，计算对应的尺度图uk及其对比图uk'。
[0081] 参照图5,本步骤的具体实现如下：
[0082] 6a)设定图像的初始行坐标为m = 1，列坐标为n = 1，尺度系数k = 0 ;
[0083] 6b)设定初始尺度图Uk为图像SI，初始对比图U k'为图像SI，计算次数cn = 1 ;
[0084] 6c)利用行边缘参数矩阵Am，k和尺度图Uk的第m行元素，通过托马斯算法计算行 尺度图W的第m行元素；
[0085] 6d)利用行边缘参数矩阵Am，k+dP对比图Uk'的第m行元素，通过托马斯算法计算 行对比图的第m行元素；
[0086] 6e)根据行数跳转至相应步骤：当m辛I时，令m=m+1，并返回步骤6c);当m= I时，执行步骤6f);
[0087] 6f)利用列边缘参数矩阵A'n，k和尺度图Uk的第n列元素，通过托马斯算法计算 列尺度图W的第n列元素；
[0088] 6g)利用列边缘参数矩阵A' _+1和对比图Uk'的第n列元素，通过托马斯算法计 算列对比图以的第n列元素；
[0089] 6h)根据列数跳转至相应步骤：当n辛J时，令n=n+1，并返回步骤6f);当n= J时，执行步骤6i);
[0090] 6i)计算尺度入min+kXA入的尺度图Uk及其对比图Uk':
[0093] 6j)根据计算次数跳转至相应步骤：当cn< 〇min+kXA入）/2,令m=l，n= 1， cn=cn+1，并返回步骤6c);否则，执行步骤6k);
[0094] 6k)根据尺度大小跳转至相应步骤：当入min+kXA入乒Amax-A入时，令m=l，n =1，k=k+1，并返回步骤6b);当入min+kXA人=人max-A人时，执行步骤7。
[0095] 托马斯算法是英国数学家卢埃林?托马斯提出的，其通过简化形式的高 斯消元求解三对角方程组，具体算法见H.R.Schwarz.NumerischeMathematik. Stuttgart,Germany:Teubner, 1988,43_45〇
[0096] 步骤7.根据尺度图Uk及其对比图Uk'，计算初始显著性矩阵Yt。
[0097] 7a)设定像素点（i,j)的初始行坐标为i= 1，列坐标为j= 1 ;
[0098] 7b)设k依次取值从0到（AAmin) /AA-1的所有整数，计算每个像素点（i，j) 在 尺度Amin+kXAA下的尺度显著性度量Suk:
[0100] 其中x为0到255变化的像素值，pijk(x)为尺度图Uk上以像素点（i,j)为中心， (UkXAA)X(A^+kXAA)方形窗口内像素值为x的像素点概率，Pi'，jk(x)为对 比图Uk'上以像素点（i，j)为中心，U^n+kXAA)X(A^+kXAA)方形窗口内像素值 为x的像素点概率；
[0101] 7c)找出7b)求得的AA个尺度显著性度量中最大的一个，如果该 尺度显著性度量对应的尺度&」为A_或A_-AX，则像素点（i，j)不具有显著性区域， 不再定义该像素点的显著性度量，否则，像素点（i，j)具有显著性区域，其显著性度量Su 为尺度Ru的尺度显著性度量，并将行向量（i，j，Ru，Su)加入初始显著性矩阵Yt;
[0102] 7d)根据像素点坐标跳转至相应步骤：当j辛J时，令j=j+1，并返回步骤7b); 当i乒I，j=J时，令i=i+1,j= 1，并返回步骤7b);当i=I，j=J时，执行步骤8。
[0103]步骤8.根据初始显著性矩阵YT，得到稳定显著性矩阵Ys。
[0104] 参照图6,本步骤的具体实现如下：
[0105] 8a)选取初始显著性矩阵YT中的前e%个最大的显著性度量对应的行构建新的 显著性矩阵Y/，0<e彡1〇〇,e取值不超过20;
[0106] 8b)设置区域显著性比值sr，其取值不低于0. 3,并设稳定显著性矩阵Ys为空矩 阵；
[0107] 8c)选择新的显著性矩阵Y/中显著性度量最大的像素点作为候选点，构造以其 对应行的前两个元素为中心，第三个元素为边长的方形窗口，计算该方形窗口内具有显著 性区域的像素点个数与窗口内总像素点个数的比值sr';
[0108] 8d)将上述与sr进行比较，如果<sr，则将候选点所在行从新的显著性 矩阵Y/中去掉；否则，将候选点所在行加入稳定显著性矩阵Ys，再将候选点及方形窗口内 所有具有显著性区域的像素点所在行从新的显著性矩阵Y/中去掉；
[0109] 8e)判断新的显著性矩阵YT'是否为空，若为空则停止，并输出稳定显著性矩阵 Ys;否则，返回步骤8c)。
[0110] 步骤9.提取稳定显著性矩阵Ys的每一行在SAR图像中画出相应的方形显著性区 域，其中每一行的前两个元素为方形区域中心的行列坐标，第三个元素为方形区域的边长。
[0111] 本发明效果可以通过以下仿真进一步说明：
[0112] 1?实验条件
[0113] 实验仿真环境为：MATLABR2011b,Intel(R)Corei5-3470CPU3. 2GHz，Window7 专业版。
[0114] 2.实验内容及结果：
[0115] 实验1，分别将9X9和17X17的检测窗口作用于实测SAR图像，再利用加性算子 分裂策略得到对应尺度的尺度图，结果如图7所示，其中图7(a)是实测SAR图像，图7(b) 是尺度为9的尺度图，图7(c)是尺度为17的尺度图。
[0116] 由图7(b)可以看出，由于车辆及地形的边缘尺度大于9X9检测窗口尺寸，将该窗 口得到的边缘强度应用于各项异性扩散时，虽然匀质区域变得模糊，但车辆和地形的边缘 信息得到了很好的保持。
[0117] 由图7(c)可以看出，由于车辆边缘尺度小于17X17检测窗口尺寸，将该窗口得到 的车辆边缘的边缘强度应用于各项异性扩散时，车辆边缘变得模糊，而对应的地形边缘始 终大于检测窗口尺寸，所以仍然保持了地形边缘信息。
[0118] 实验2,分别用本发明方法和现有的SM显著性区域检测算法（Laurent. Itti,ChristofKochandErnstNiebur.AModelofSaliency-BasedVisualAttention forRapidSceneAnalysis.IEEETrans,onPatternAnalysisandMachineIntelligen ce，1998, 20(11) : 1254-1259)对含有车辆目标的低分辨率实测SAR图像进行显著性区域检 测。
[0119] 参数设置为：勾质区域R为行坐标58-225，列坐标109-268的矩形区域； 虚警概率Pfa= 〇. 1 ;最大尺度Xmax= 33，最小尺度Xmin= 5，尺度间隔AA= 4;
;e= 15 ;区域显著性比值sr= 1。
[0120] 检测结果如图8,其中图8(a)是含有车辆目标的低分辨率实测SAR图像，图8(b) 是用SM显著性区域检测算法对图8 (a)的显著性区域检测结果，图8(c)是本发明方法对图 8(a)的显著性区域检测结果。
[0121]由图8(a)可以看出，车辆目标在整幅图像中具有显著性。
[0122] 由图8(b)可以看出，SM显著性区域检测算法只检测出13个车辆目标中的6个车 辆目标，并且将部分匀质区域检测成了目标，此外虽然对于低分辨率图像，该方法能标出车 辆目标较准确的位置，但不能准确的标出目标范围。
[0123] 由图8 (c)可以看出，本发明能准确的检测出所有车辆目标的位置，并且没有在匀 质区域出现误检，而标出的目标范围与车辆目标的实际大小相符。
[0124] 实验3,分别用本发明方法和现有的SM显著性区域检测算法对含有车辆目标的高 分辨率实测SAR图像进行显著性区域检测。
[0125] 参数设置为：匀质区域R为行坐标35-74,列坐标180-209的矩形区域；虚 警概率pfa= 〇. 1 ;最大尺度Amax= 57,最小尺度Amin= 9,尺度间隔AA= 8 ;
;e= 10 ;区域显著性比值sr= 0? 8〇
[0126] 检测结果如图9,其中图9(a)是含有车辆目标的高分辨率实测SAR图像，图9(b) 是用SM显著性区域检测算法对图9 (a)的显著性区域检测结果，图9(c)是本发明方法对图 9(a)的显著性区域检测结果。
[0127] 由图9(a)可以看出，车辆目标在整幅图像中具有显著性。
[0128] 由图9(b)可以看出，SM显著性区域检测算法虽然检测出所有13个车辆目标，但 也受到地形变化的影响，将地形变化区域误检成目标，此外该方法不能准确的得到车辆目 标的位置，也无法标出准确的目标范围。
[0129] 由图9(c)可以看出，本发明没有受到地形变化的影响出现误检，而准确的检测出 了所有车辆目标的位置，并且能准确的标出与车辆目标的实际大小相符的目标范围。
[0130] 实验4,分别用本发明方法和现有的SM显著性区域检测算法对含有船只目标的实 测SAR图像进行显著性区域检测。
[0131 ] 参数设置为：勾质区域R为行坐标287-335，列坐标226-292的矩形区域； 虚警概率Pfa= 〇. 1 ;最大尺度Xmax= 31，最小尺度Xmin= 7，尺度间隔AA= 2;
;e= 6.6;区域显著性比值8『=0.31。
[0132] 检测结果如图10,其中图10 (a)是含有船只目标的实测SAR图像，图10(b)是用SM 显著性区域检测算法对图10 (a)的显著性区域检测结果，图10 (c)是本发明方法对图10 (a) 的显著性区域检测结果。
[0133] 由图10(a)可以看出，船只目标在整幅图像中具有显著性。
[0134] 由图10(b)可以看出，SM显著性区域检测算法无法准确的标出船只目标的位置。
[0135] 由图10(c)可以看出，对于长条形的船只目标，本方法不但能准确的检测出所有 船只目标的位置，并且能利用多个显著性区域交叠出与船只目标的实际大小相符的目标范 围。
【主权项】
1. 一种基于各项异性扩散空间的SAR图像显著性区域检测方法，包括以下步骤： (1) 输入一幅IX J大小的SAR图像SI，利用该图像上的一块矩形匀质区域R，计算该图 像的等效视数ENL ; (2) 给定虚警概率pfa，根据等效视数ENL计算初始边缘门限T ; (3) 设置最大尺度λ_、最小尺度Amin和尺度间隔Λ λ，并设k依次取 值为从〇到（λ_-λπ?η)/Λ λ的所有整数，在尺度Amin+kX Λ λ下，利用 Umin+kX Λ λ)Χ (Amin+kX Λ λ)的 检测窗口，计算每个像素点（i，j)的边缘强度gi jk，其 中，其中i为像素点所在的行，j为像素点所在的列，I < i < I，I < j < J ; (4) 根据边缘强度guk，计算在尺度Amin+kXA λ下每个像素点（i，j)的扩散系数 divi，j，k; (5) 设m依次取值为从O到I的所有整数，η依次取值为从O到J的所有整数，根据尺 度Amin+kX Λ λ的扩散系数，计算尺度Amin+kX Λ λ的第m行的行边缘参数矩阵Am，k和第 η列的列边缘参数矩阵f n，k; (6) 设k依次取值从O到Umax-Amin)/A λ-1的所有整数，根据尺度Amin+kX Λ λ的 行边缘参数矩阵和列边缘参数矩阵，利用加性算子分裂策略，计算尺度Amin+kX Λ λ的尺 度图Uk及其对比图W k; (7) 根据（6)计算的尺度图Uk及其对比图U' k，计算初始显著性矩阵Υτ: 7a)计算每个像素点（i，j)在尺度Amin+kX Λ λ下的尺度显著性度量Si^k; 7b)找出7a)求得的（λ_-λ_)/Λ λ个尺度显著性度量中最大的一个，如果该尺度 显著性度量对应的尺度Ru为λ min或λ _-Λ λ，则像素点（i，j)不具有显著性区域，不再 定义该像素点的显著性度量，否则，像素点（i，j)具有显著性区域，其显著性度量Su为尺 度Ru的尺度显著性度量，并将行向量（HRijSiJ加入初始显著性矩阵Yt; (8) 选取初始显著性矩阵Yt中的前ε %个最大的显著性度量对应的行构建新的显著 性矩阵V，〇< ε <100,再通过迭代方法得到稳定显著性矩阵乙，提取稳定显著性矩 阵Ys每一行的前两个元素作为中心的行列坐标以及第3个元素作为方形边长的像素数，在 SAR图像中画出相应的方形显著性区域。2. 根据权利要求1所述方法，其中所述步骤1)等效视数ENL，按下式计算：其中，mean( ·)是求均值，var( ·)是求方差，（m, n) e R表示像素点（m, η)包含于区 域R中，X1^n表示像素点（m，η)的像素值。3. 根据权利要求1所述方法，其中所述步骤2)中计算初始边缘门限Τ，按下式计算：其中，Qinv( ·，·）为逆不完全伽马函数。4. 根据权利要求1所述方法，其中所述步骤3)中计算每个像素点（i，j)的边缘强度 guk，按如下步骤得到： (3a)以像素点（i，j)为中心，利用Umin+kX Λ λ) X (Amin+kX Λ λ)检测窗口中所有 像素，计算该像素点在尺度λ min+kX Λ λ下的下均值μ 和上均值μ ' . .k：其中，ε m为以像素点（i, j)为中心（λ wn+kX Δ λ) X (λ^+kX Δ λ)检测窗口中 像素点的平均像素值，为以像素点（i，j)为中心Uniil^kX Δ λ) X (λ^+kX Δ λ)检 测窗口中像素点的像素值平方的平均值； (3b)利用初始边缘门限T和下均值Uuk，计算像素点（i，j)在尺度Amin+kX Λ λ下 的边缘门限Tiij, k: Ti,j,k= ^ i,J;kXT ； (3c)统计以像素点（i，j)为中心Umin+kXA A)X(Amin+kXA λ)检测窗口中大于 等于Ti;j，k的像素点个数MimiJk和小于T i;j，k的像素点个数num' i; j;k，计算像素点（i，j)在 尺度Xmin+kX Δ λ下的边缘强度gi j,k: Si, j,k= ( ^ ' i;J，k/μ i;J，k_l) Xmin (numu，/( λ "n+kX Δ λ )2, num，i;J，k/ (Amin+kXA λ)2) 其中，min( ·，·）表示取二者中的最小者。5. 根据权利要求1所述方法，其中所述步骤4)中计算在尺度λ min+kX Λ λ下每个像 素点（i，j)的扩散系数divuk，按下式计算： 郯，Μ =ι-，5-4 其中，gt为设定的边缘参数，gt的取值范围为到 为i取值为1到〗，j取值为1到J时6. 根据权利要求1所述方法，其中所述步骤5)中计算尺度λ min+kX Λ λ的第m行的 行边缘参数矩阵Am，k和第η列的列边缘参数矩阵A' n;k，按下式计算：其中：％，η= - Δ λ X (divwk+div^u)， ai;i+i= - Δ λ X (divm；i；k+divm；i+1；k), a. . = 1+Λ λ X (2Xdiν m；i；k+divm；^,+(Iivnijwjk), I ^ i ^ J, a j，j-1 =- Λ λ X (div uk+diVj-uk)， a, J，J+1= _Δ λ x (div j，n，k+divJ+1，n，k)， a， j,j= 1+Δ λ x (2Xdiv J；n；k+diVj_1；n；k+divJ+1；n；k), I ^ j ^ I〇7. 根据权利要求1所述方法，其中所述步骤6)中计算尺度λ min+kX Λ λ的尺度图Uk及其对比图U' k，按如下步骤得到： (6a)设定初始尺度图Uk为图像SI，初始对比图W k为图像SI ; (6b)利用行边缘参数矩阵Am，k和尺度图U k的第m行元素，通过托马斯算法，计算行尺 度图W的第m行元素，1彡m彡I ; (6c)利用行边缘参数矩阵Am，k+1和对比图U' k的第m行元素，通过托马斯算法，计算行 对比图的第m行元素； (6d)利用列边缘参数矩阵A' n，k和尺度图Uk的第η列元素，通过托马斯算法，计算列 尺度图U(的第η列元素，1彡η彡J ; (6e)利用列边缘参数矩阵A' _+1和对比图U' k的第η列元素，通过托马斯算法，计 算列对比图W的第η列元素； (6f)计算尺度Amin+kX Δ λ的尺度图Uk及其对比图U' k： uk={u：+ui)n U[={U'；+U：)I2； (6g)判断步骤（6b)到（6f)是否计算了 k次，若是则停止，并输出尺度图Uk及其对比 图U' k;否则，回到步骤（6b)。8. 根据权利要求1所述方法，其中所述步骤7a)中计算每个像素点（i，j)在尺度 Amin+kX Λ λ下的尺度显著性度量Sm，按下式计算：其中X为O到255变化的像素值，Pi j k(X)为尺度图Uk上以像素点（i, j)为中心， (λ^+kX Δ λ) X (λ^+kX Δ λ)方形窗口内像素值为X的像素点概率，p\，j k(x)为对 比图U' k上以像素点（i，j)为中心，（λ wn+kX Δ λ) X (λ^+kX Δ λ)方形窗口内像素值 为X的像素点概率。9. 根据权利要求1所述方法，其中所述步骤8)中通过迭代方法得到稳定显著性矩阵 Ys，按如下步骤得到： (8a)设置区域显著性比值sr，并设稳定显著性矩阵Ys为空矩阵； (8b)选择新的显著性矩阵Y/中显著性度量最大的像素点作为候选点，构造以其对应 行的前两个元素为中心，第三个元素为边长的方形窗口，计算该方形窗口内具有显著性区 域的像素点个数与窗口内总像素点个数的比值; (8c)将上述sr'与sr进行比较，如果sr' <sr，则将候选点所在行从显著性矩阵Yt' 中去掉；否则，将候选点所在行加入稳定显著性矩阵Ys，再将候选点及方形窗口内所有具有 显著性区域的像素点所在行从显著性矩阵Y/中去掉； (8d)判断显著性矩阵Y/是否为空，若为空则停止，并输出稳定显著性矩阵Ys;否则， 回到步骤（8b)。
【专利摘要】本发明公开了一种基于各项异性扩散空间的SAR图像显著性区域检测方法，主要解决斑点噪声下现有算法不能准确有效检测SAR图像显著性区域的问题。其实现步骤是：(1)通过不同尺度的检测窗口，计算像素点在不同尺度上的边缘强度及扩散系数；(2)利用不同尺度的行边缘参数矩阵和列边缘参数矩阵，构建不同尺度的尺度图及其对比图；(3)在不同尺度图及其对比图上构建对应尺度窗口，计算尺度显著性度量，并由此判断显著性，确定像素点的显著性度量和显著性尺度；(4)通过迭代得到稳定的显著性区域坐标及其区域范围。本发明减少了斑点噪声的影响，提高了检测准确性，能有效给出显著性区域的范围，可用于SAR图像目标检测和目标识别。
【IPC分类】G06T7/00
【公开号】CN104899873
【申请号】CN201510254252
【发明人】张强, 吴艳, 王凡, 张磊, 樊建伟
【申请人】西安电子科技大学
【公开日】2015年9月9日
【申请日】2015年5月18日
【技术领域】
[0001] 本发明属于图像处理技术领域，涉及SAR图像显著性区域检测，可用作SAR图像目 标检测和目标识别。 技术背景
[0002] 合成孔径雷达SAR系统作为一种主动式微波成像雷达，因其具有全天时、全天候 以及穿透性的特点，已经成为了遥感领域获取数据的重要工具。随着SAR图像数据量的增 加以及图像分析技术的发展，自动处理SAR图像的需求也日益强烈。特别是SAR图像目标 检测技术，不但可以减少人工判读的工作量，还是SAR图像的自动目标识别ATR技术的基础 和关键环节。因此，有效的、准确的获得SAR图像目标区域可以提高SAR图像目标识别的效 率以及目标的定位精度。
[0003]SAR图像中的目标区域通常都与背景存在明显区别。在人类视觉系统中，这类 区域即就是底层视觉中与场景内容无关的显著性区域。因此，通过检测SAR图像中的显 著性区域就可以获得目标区域。传统的光学图像显著性区域检测方法，是由Laurent. Itti，ChristofKoch和ErnstNiebur等人提出的多尺度显著性区域检测方法（Laurent. Itti,ChristofKochandErnstNiebur.AModelofSaliency-BasedVisualAttention forRapidSceneAnalysis.IEEETrans,onPatternAnalysisandMachineIntelligen ce，1998, 20 (11) : 1254-1259)。该方法的步骤为：首先对图像进行高斯金字塔分解；通过"中 心"细尺度与"周围"粗尺度的中心-周围差得到早期视觉特征；通过归一化中心-周围差 得到显著图后，采用赢者全得策略得到显著性区域位置。因为该方法简单且鲁棒性强，已被 很多光学图像目标识别系统所采用。但研宄发现，边缘信息是显著性区域判断和定位的关 键，该方法采用的高斯金字塔分解并不能保持准确的边缘位置，从而影响显著性区域的定 位精度。又由于该方法无法给出明确的显著性区域大小，因而无法准确标出显著性区域在 图像中的范围。在将该方法应用于SAR图像时，由于SAR系统成像过程中产生大量斑点噪 声会改变真实的图像强度，在匀质区域造成虚假边缘，又使得较亮的显著性区域的真实边 缘变得模糊，从而无法利用准确的边缘信息判定显著性区域，同时降低了其定位的准确性。
【发明内容】
[0004] 本发明的目的在于克服上述已有问题的缺点，提出一种基于各项异性扩散空间的 SAR图像显著性区域检测方法，以减小对区域显著性及其位置坐标的误判，提高算法的准确 性，并有效的给出显著性区域范围，为后续目标鉴别及识别奠定良好的基础。
[0005] 为实现上述目的，本发明的技术方案包括如下步骤：
[0006] (1)输入一幅IXJ大小的SAR图像SI，利用该图像上的一块矩形匀质区域R，计算 该图像的等效视数ENL;
[0007] (2)给定虚警概率pfa，根据等效视数ENL计算初始边缘门限T;
[0008] (3)设置最大尺度、最小尺度\_和尺度间隔AA，并设k依次 取值为从0到（入ax-Amin)/AA的所有整数，在尺度Amin+kXAA下，利用 (Amin+kXAA)X(Amin+kXAA)的检测窗口，计算每个像素点（i，j)的边缘强度gijk，其 中，其中i为像素点所在的行，j为像素点所在的列，1 <i<I，1 <j<J;
[0009] (4)根据边缘强度guk，计算在尺度入min+kXA入下每个像素点（i，j)的扩散系 数divuk;
[0010] (5)设m依次取值为从0到I的所有整数，n依次取值为从0到J的所有整数，根 据尺度入in+kXAA的扩散系数，计算尺度Amin+kXAA的第m行的行边缘参数矩阵Am，k 和第n列的列边缘参数矩阵A'n，k;
[0011] (6)设k依次取值从0到（A^-U/AA-1的所有整数，根据尺度Amin+kXA入 的行边缘参数矩阵和列边缘参数矩阵，利用加性算子分裂策略，计算尺度Amin+kXAA的 尺度图Uk及其对比图Uk';
[0012](7)根据（6)计算的尺度图Uk及其对比图Uk'，计算初始显著性矩阵Yt:
[0013] 7a)计算每个像素点（i，j)在尺度Amin+kXAA下的尺度显著性度量Suk;
[0014] 7b)找出7a)求得的AA个尺度显著性度量中最大的一个，如果该 尺度显著性度量对应的尺度&」为A_或A_-AX，则像素点（i，j)不具有显著性区域， 不再定义该像素点的显著性度量，否则，像素点（i，j)具有显著性区域，其显著性度量Su 为尺度Ru的尺度显著性度量，并将行向量（i，j，Ru，Sd加入初始显著性矩阵Yt;
[0015] (8)选取初始显著性矩阵YT中的前e%个最大的显著性度量对应的行构建新的 显著性矩阵Y/，0<e<100,再通过迭代方法得到稳定显著性矩阵乙，提取稳定显著性 矩阵Ys每一行的前两个元素作为中心的行列坐标以及第3个元素作为方形边长的像素数， 在SAR图像中画出相应的方形显著性区域。
[0016] 本发明与现有技术相比具有如下优点：
[0017] (1)本发明采用不同尺度的检测窗口判断像素的边缘强度，并将不同尺度的边缘 强度通过各项异性扩散建立对应尺度图，在准确给出边缘位置的同时能够有效的描述不同 尺度边缘信息，从而提高了区域显著性判断及定位的准确性；
[0018] (2)本发明在判断区域的显著性时，采用不同尺度对应的方形窗口计算显著性度 量，并将该度量的尺度作为区域的显著性尺度，从而给出了显著性区域在图像中的实际范 围。
[0019] 仿真结果表明，本发明与现有的SM显著性区域检测方法相比，有效的描述了不同 尺度上的边缘信息，增加了显著性区域的检测准确性，并有效的给出了显著性区域范围。
【附图说明】
[0020] 图1是本发明的实现总流程图；
[0021] 图2是本发明中计算边缘强度的子流程图；
[0022] 图3是本发明中计算扩散系数的子流程图；
[0023] 图4是本发明中计算行边缘参数矩阵和列边缘参数矩阵的子流程图；
[0024] 图5是本发明中计算尺度图及其对比图的子流程图；
[0025] 图6是本发明中计算稳定显著性矩阵的子流程图；
[0026]图7是本发明中对实测SAR图像进行各向异性扩散建立的尺度图；
[0027] 图8是用本发明对含有车辆目标的低分辨率实测SAR图像显著性区域检测结果 图；
[0028] 图9是用本发明对含有车辆目标的高分辨率实测SAR图像显著性区域检测结果 图；
[0029] 图10是用本发明对含有船舶目标的实测SAR图像显著性区域检测结果图。
【具体实施方式】
[0030] 以下结合附图对本发明的实施例及效果进一步说明：
[0031] 参照图1，本发明的具体实施步骤如下：
[0032] 步骤1.输入一幅IXJ大小的SAR图像SI，利用该图像上的一块矩形匀质区域R， 计算该图像的等效视数ENL:
[0034] 其中，mean( ?)是求均值，var( ?)是求方差，（m,n)GR表示像素点（m,n)包含 于区域R中，^表示像素点（m，n)的像素值，I为图像的行数，J为图像的列数。
[0035] 步骤2.给定虚警概率pfa，根据等效视数ENL计算初始边缘门限T:
[0037] 其中，Qinv( ?，?）为逆不完全伽马函数，虚警概率pfa是根据目标在图像中的显 著性程度进行设置，本实例设置为10%。
[0038] 步骤3.利用检测窗口，计算每个像素点的边缘强度guk。
[0039] 参照图2,本步骤的具体实现如下：
[0040] 3a)设定参数：最大尺度，最小尺度Amin，尺度间隔AA，像素点（i，j)的初 始行坐标为i= 1，列坐标为j= 1，尺度系数k= 0,其中A_，Amin，AA根据目标在图像 中可能的大小进行设置，本实例设60,Amin> 2,2彡AA彡10;
[0041] 3b)以像素点（i，j)为中心，利用（UkXA入）X(UkXA 入）检测窗口中 所有像素，计算该像素点在尺度入in+kXAA下的下均值yijk和上均值y' . .k：
[0044] 其中，eiJk为以像素点（i,j)为中心（入wn+kXA入）X(UkXA入）检测窗 口中像素点的平均像素值，为以像素点（i，j)为中心（A^+kXAA)X(A^+kXA 入）检测窗口中像素点的像素值平方的平均值；
[0045] 3c)利用初始边缘门限T和下均值y 计算像素点（i，j)在尺度Amin+kXA入 下的边缘门限Ti;j，k:
[0046] Ti；J；k=yi；J；kXT；
[0047]3d)统计以像素点（i，j)为中心（A^+kXAA)X(A^+kXA入）检测窗口中大 于等于Tuk的像素点个数numuk和小于Tuk的像素点个数num' j，k，计算像素点（i，j) 在尺度Xmin+kXAA下的边缘强度gij,k:
[0048] giJk=(y 'iJk/yiJk-l)XminhummAA.+kXA入）2,num，i;J，k/ (入min+kXA入）2)
[0049]其中，min( ?，?）表示取二者中的最小者；
[0050] 3e)根据尺度大小跳转至相应步骤：当入min+kXA入 < 入_时，令k=k+1，并返 回步骤3b);否则，执行步骤3f);
[0051] 3f)根据像素点坐标跳转至相应步骤：当j辛J时，令j=j+l，k= 0,并返回步骤 3b);当i乒I，j=J时，令i=i+1，j=l，k= 0,并返回步骤 3b);当i=I，j=J时，执 行步骤4 ;
[0052] 需要说明的是：计算SAR图像边缘强度不限于本实例给出的上述方法，也可采用 现有技术的如下任意一种：
[0053] 一 是均值比R0A法，见R.Touzi,A.Lop'es,andP.Bousquet.Astatistical andgeometricaledgedetectorforSARimages.IEEETrans.Geosci.Remote Sensing，1988, 26 (6) : 764 - 773 ;
[0054] 二是似然比LR法，见C.J.Oliver，D.Blacknell，andR.G.White.Optimumedge detectioninSAR.IEEProceedings-Radar，SonarandNavigation, 1996, 143(1)； 31-40 ；
[0055] 三是指数加权均值比R0EWA法，见R.Fj0rtoft，A.Lop'es，P.Marthon，and E.Cubero-Castan.AnOptimalMultiedgeDetectorforSARImageSegmentation.EEE Trans.Geosci.RemoteSensing，1998, 36 (3) : 793_802〇
[0056] 步骤4.根据边缘强度guk，计算像素点在不同尺度下的扩散系数divuk。
[0057] 参照图3,本步骤的具体实现如下：
[0058] 4a)设定像素点（i，j)的初始行坐标为i= 1，列坐标为j= 1，尺度系数k= 0,；
[0059] 4b)根据边缘强度计算像素点（i，j)在尺度Xmin+kXA人下的扩散系数 divi,j,k：
[0061] 其中，gt为设定的边缘参数，gt的取值范围为
到
1为i取值为1到I，j取值为1到J时guo的最大值。
[0062] 4c)根据尺度大小跳转至相应步骤：当入min+kXA入 < 入_时，令k=k+1，并返 回步骤4b);否则，执行步骤4d);
[0063] 4d)根据像素点坐标跳转至相应步骤：当j辛J时，令j=j+l，k= 0,并返回步骤 4b);当i乒I，j=J时，令i=i+1，j=l，k= 0,并返回步骤 4b);当i=I，j=J时，执 行步骤5。
[0064] 步骤5.根据每个像素点在各尺度下的扩散系数diVuk，计算各尺度的行边缘参 数矩阵Am，k和列边缘参数矩阵A' n;k。
[0065]参照图4,本步骤的具体实现如下：
[0066] 5a)设定图像的初始行坐标为m=1，列坐标为n=1，尺度系数k=0;
[0067] 5b)计算尺度人min+kXA人的第m行的行边缘参数矩阵Am，k:
[0069]其中：已…二-A入X(diVwXH k)，
[0070]ai；i+1=- AAX (divm；i；k+divm；i+1；k),
[0071]ai；i= 1+AAX(2Xdivm；i；k+divm； ^,+div^i+1；k), 1^ i^ J；
[0072] 5c)根据行数跳转至相应步骤：当m辛I时，令m= m+1，并返回步骤5b);当m= I时，执行步骤5d);
[0073] 5d)计算尺度Amin+kXA入的第n列的列边缘参数矩阵A' n，k:
[0075]其中：a'-AAX (div uk+divj-uk)，
[0076]a' J;J+1= -A入X(divhk+divj+uk)，
[0077]a，1+A入X(2Xdivhk+diVjuk+diVj+uk)，1 彡j彡I;
[0078] 5e)根据列数跳转至相应步骤：当n辛J时，令n= n+1，并返回步骤5d);当n= J时，执行步骤5f);
[0079] 5f)根据尺度大小跳转至相应步骤：当入min+kX A入乒入隨时，令m = l，n = 1， k=k+l，并返回步骤5b);当入min+kX A入=入匪时，执行步骤6〇
[0080] 步骤6.根据不同尺度的行边缘参数矩阵Am，k和列边缘参数矩阵A' n，k，利用加性 算子分裂策略，计算对应的尺度图uk及其对比图uk'。
[0081] 参照图5,本步骤的具体实现如下：
[0082] 6a)设定图像的初始行坐标为m = 1，列坐标为n = 1，尺度系数k = 0 ;
[0083] 6b)设定初始尺度图Uk为图像SI，初始对比图U k'为图像SI，计算次数cn = 1 ;
[0084] 6c)利用行边缘参数矩阵Am，k和尺度图Uk的第m行元素，通过托马斯算法计算行 尺度图W的第m行元素；
[0085] 6d)利用行边缘参数矩阵Am，k+dP对比图Uk'的第m行元素，通过托马斯算法计算 行对比图的第m行元素；
[0086] 6e)根据行数跳转至相应步骤：当m辛I时，令m=m+1，并返回步骤6c);当m= I时，执行步骤6f);
[0087] 6f)利用列边缘参数矩阵A'n，k和尺度图Uk的第n列元素，通过托马斯算法计算 列尺度图W的第n列元素；
[0088] 6g)利用列边缘参数矩阵A' _+1和对比图Uk'的第n列元素，通过托马斯算法计 算列对比图以的第n列元素；
[0089] 6h)根据列数跳转至相应步骤：当n辛J时，令n=n+1，并返回步骤6f);当n= J时，执行步骤6i);
[0090] 6i)计算尺度入min+kXA入的尺度图Uk及其对比图Uk':
[0093] 6j)根据计算次数跳转至相应步骤：当cn< 〇min+kXA入）/2,令m=l，n= 1， cn=cn+1，并返回步骤6c);否则，执行步骤6k);
[0094] 6k)根据尺度大小跳转至相应步骤：当入min+kXA入乒Amax-A入时，令m=l，n =1，k=k+1，并返回步骤6b);当入min+kXA人=人max-A人时，执行步骤7。
[0095] 托马斯算法是英国数学家卢埃林?托马斯提出的，其通过简化形式的高 斯消元求解三对角方程组，具体算法见H.R.Schwarz.NumerischeMathematik. Stuttgart,Germany:Teubner, 1988,43_45〇
[0096] 步骤7.根据尺度图Uk及其对比图Uk'，计算初始显著性矩阵Yt。
[0097] 7a)设定像素点（i,j)的初始行坐标为i= 1，列坐标为j= 1 ;
[0098] 7b)设k依次取值从0到（AAmin) /AA-1的所有整数，计算每个像素点（i，j) 在 尺度Amin+kXAA下的尺度显著性度量Suk:
[0100] 其中x为0到255变化的像素值，pijk(x)为尺度图Uk上以像素点（i,j)为中心， (UkXAA)X(A^+kXAA)方形窗口内像素值为x的像素点概率，Pi'，jk(x)为对 比图Uk'上以像素点（i，j)为中心，U^n+kXAA)X(A^+kXAA)方形窗口内像素值 为x的像素点概率；
[0101] 7c)找出7b)求得的AA个尺度显著性度量中最大的一个，如果该 尺度显著性度量对应的尺度&」为A_或A_-AX，则像素点（i，j)不具有显著性区域， 不再定义该像素点的显著性度量，否则，像素点（i，j)具有显著性区域，其显著性度量Su 为尺度Ru的尺度显著性度量，并将行向量（i，j，Ru，Su)加入初始显著性矩阵Yt;
[0102] 7d)根据像素点坐标跳转至相应步骤：当j辛J时，令j=j+1，并返回步骤7b); 当i乒I，j=J时，令i=i+1,j= 1，并返回步骤7b);当i=I，j=J时，执行步骤8。
[0103]步骤8.根据初始显著性矩阵YT，得到稳定显著性矩阵Ys。
[0104] 参照图6,本步骤的具体实现如下：
[0105] 8a)选取初始显著性矩阵YT中的前e%个最大的显著性度量对应的行构建新的 显著性矩阵Y/，0<e彡1〇〇,e取值不超过20;
[0106] 8b)设置区域显著性比值sr，其取值不低于0. 3,并设稳定显著性矩阵Ys为空矩 阵；
[0107] 8c)选择新的显著性矩阵Y/中显著性度量最大的像素点作为候选点，构造以其 对应行的前两个元素为中心，第三个元素为边长的方形窗口，计算该方形窗口内具有显著 性区域的像素点个数与窗口内总像素点个数的比值sr';
[0108] 8d)将上述与sr进行比较，如果<sr，则将候选点所在行从新的显著性 矩阵Y/中去掉；否则，将候选点所在行加入稳定显著性矩阵Ys，再将候选点及方形窗口内 所有具有显著性区域的像素点所在行从新的显著性矩阵Y/中去掉；
[0109] 8e)判断新的显著性矩阵YT'是否为空，若为空则停止，并输出稳定显著性矩阵 Ys;否则，返回步骤8c)。
[0110] 步骤9.提取稳定显著性矩阵Ys的每一行在SAR图像中画出相应的方形显著性区 域，其中每一行的前两个元素为方形区域中心的行列坐标，第三个元素为方形区域的边长。
[0111] 本发明效果可以通过以下仿真进一步说明：
[0112] 1?实验条件
[0113] 实验仿真环境为：MATLABR2011b,Intel(R)Corei5-3470CPU3. 2GHz，Window7 专业版。
[0114] 2.实验内容及结果：
[0115] 实验1，分别将9X9和17X17的检测窗口作用于实测SAR图像，再利用加性算子 分裂策略得到对应尺度的尺度图，结果如图7所示，其中图7(a)是实测SAR图像，图7(b) 是尺度为9的尺度图，图7(c)是尺度为17的尺度图。
[0116] 由图7(b)可以看出，由于车辆及地形的边缘尺度大于9X9检测窗口尺寸，将该窗 口得到的边缘强度应用于各项异性扩散时，虽然匀质区域变得模糊，但车辆和地形的边缘 信息得到了很好的保持。
[0117] 由图7(c)可以看出，由于车辆边缘尺度小于17X17检测窗口尺寸，将该窗口得到 的车辆边缘的边缘强度应用于各项异性扩散时，车辆边缘变得模糊，而对应的地形边缘始 终大于检测窗口尺寸，所以仍然保持了地形边缘信息。
[0118] 实验2,分别用本发明方法和现有的SM显著性区域检测算法（Laurent. Itti,ChristofKochandErnstNiebur.AModelofSaliency-BasedVisualAttention forRapidSceneAnalysis.IEEETrans,onPatternAnalysisandMachineIntelligen ce，1998, 20(11) : 1254-1259)对含有车辆目标的低分辨率实测SAR图像进行显著性区域检 测。
[0119] 参数设置为：勾质区域R为行坐标58-225，列坐标109-268的矩形区域； 虚警概率Pfa= 〇. 1 ;最大尺度Xmax= 33，最小尺度Xmin= 5，尺度间隔AA= 4;
;e= 15 ;区域显著性比值sr= 1。
[0120] 检测结果如图8,其中图8(a)是含有车辆目标的低分辨率实测SAR图像，图8(b) 是用SM显著性区域检测算法对图8 (a)的显著性区域检测结果，图8(c)是本发明方法对图 8(a)的显著性区域检测结果。
[0121]由图8(a)可以看出，车辆目标在整幅图像中具有显著性。
[0122] 由图8(b)可以看出，SM显著性区域检测算法只检测出13个车辆目标中的6个车 辆目标，并且将部分匀质区域检测成了目标，此外虽然对于低分辨率图像，该方法能标出车 辆目标较准确的位置，但不能准确的标出目标范围。
[0123] 由图8 (c)可以看出，本发明能准确的检测出所有车辆目标的位置，并且没有在匀 质区域出现误检，而标出的目标范围与车辆目标的实际大小相符。
[0124] 实验3,分别用本发明方法和现有的SM显著性区域检测算法对含有车辆目标的高 分辨率实测SAR图像进行显著性区域检测。
[0125] 参数设置为：匀质区域R为行坐标35-74,列坐标180-209的矩形区域；虚 警概率pfa= 〇. 1 ;最大尺度Amax= 57,最小尺度Amin= 9,尺度间隔AA= 8 ;
;e= 10 ;区域显著性比值sr= 0? 8〇
[0126] 检测结果如图9,其中图9(a)是含有车辆目标的高分辨率实测SAR图像，图9(b) 是用SM显著性区域检测算法对图9 (a)的显著性区域检测结果，图9(c)是本发明方法对图 9(a)的显著性区域检测结果。
[0127] 由图9(a)可以看出，车辆目标在整幅图像中具有显著性。
[0128] 由图9(b)可以看出，SM显著性区域检测算法虽然检测出所有13个车辆目标，但 也受到地形变化的影响，将地形变化区域误检成目标，此外该方法不能准确的得到车辆目 标的位置，也无法标出准确的目标范围。
[0129] 由图9(c)可以看出，本发明没有受到地形变化的影响出现误检，而准确的检测出 了所有车辆目标的位置，并且能准确的标出与车辆目标的实际大小相符的目标范围。
[0130] 实验4,分别用本发明方法和现有的SM显著性区域检测算法对含有船只目标的实 测SAR图像进行显著性区域检测。
[0131 ] 参数设置为：勾质区域R为行坐标287-335，列坐标226-292的矩形区域； 虚警概率Pfa= 〇. 1 ;最大尺度Xmax= 31，最小尺度Xmin= 7，尺度间隔AA= 2;
;e= 6.6;区域显著性比值8『=0.31。
[0132] 检测结果如图10,其中图10 (a)是含有船只目标的实测SAR图像，图10(b)是用SM 显著性区域检测算法对图10 (a)的显著性区域检测结果，图10 (c)是本发明方法对图10 (a) 的显著性区域检测结果。
[0133] 由图10(a)可以看出，船只目标在整幅图像中具有显著性。
[0134] 由图10(b)可以看出，SM显著性区域检测算法无法准确的标出船只目标的位置。
[0135] 由图10(c)可以看出，对于长条形的船只目标，本方法不但能准确的检测出所有 船只目标的位置，并且能利用多个显著性区域交叠出与船只目标的实际大小相符的目标范 围。
【主权项】
1. 一种基于各项异性扩散空间的SAR图像显著性区域检测方法，包括以下步骤： (1) 输入一幅IX J大小的SAR图像SI，利用该图像上的一块矩形匀质区域R，计算该图 像的等效视数ENL ; (2) 给定虚警概率pfa，根据等效视数ENL计算初始边缘门限T ; (3) 设置最大尺度λ_、最小尺度Amin和尺度间隔Λ λ，并设k依次取 值为从〇到（λ_-λπ?η)/Λ λ的所有整数，在尺度Amin+kX Λ λ下，利用 Umin+kX Λ λ)Χ (Amin+kX Λ λ)的 检测窗口，计算每个像素点（i，j)的边缘强度gi jk，其 中，其中i为像素点所在的行，j为像素点所在的列，I < i < I，I < j < J ; (4) 根据边缘强度guk，计算在尺度Amin+kXA λ下每个像素点（i，j)的扩散系数 divi，j，k; (5) 设m依次取值为从O到I的所有整数，η依次取值为从O到J的所有整数，根据尺 度Amin+kX Λ λ的扩散系数，计算尺度Amin+kX Λ λ的第m行的行边缘参数矩阵Am，k和第 η列的列边缘参数矩阵f n，k; (6) 设k依次取值从O到Umax-Amin)/A λ-1的所有整数，根据尺度Amin+kX Λ λ的 行边缘参数矩阵和列边缘参数矩阵，利用加性算子分裂策略，计算尺度Amin+kX Λ λ的尺 度图Uk及其对比图W k; (7) 根据（6)计算的尺度图Uk及其对比图U' k，计算初始显著性矩阵Υτ: 7a)计算每个像素点（i，j)在尺度Amin+kX Λ λ下的尺度显著性度量Si^k; 7b)找出7a)求得的（λ_-λ_)/Λ λ个尺度显著性度量中最大的一个，如果该尺度 显著性度量对应的尺度Ru为λ min或λ _-Λ λ，则像素点（i，j)不具有显著性区域，不再 定义该像素点的显著性度量，否则，像素点（i，j)具有显著性区域，其显著性度量Su为尺 度Ru的尺度显著性度量，并将行向量（HRijSiJ加入初始显著性矩阵Yt; (8) 选取初始显著性矩阵Yt中的前ε %个最大的显著性度量对应的行构建新的显著 性矩阵V，〇< ε <100,再通过迭代方法得到稳定显著性矩阵乙，提取稳定显著性矩 阵Ys每一行的前两个元素作为中心的行列坐标以及第3个元素作为方形边长的像素数，在 SAR图像中画出相应的方形显著性区域。2. 根据权利要求1所述方法，其中所述步骤1)等效视数ENL，按下式计算：其中，mean( ·)是求均值，var( ·)是求方差，（m, n) e R表示像素点（m, η)包含于区 域R中，X1^n表示像素点（m，η)的像素值。3. 根据权利要求1所述方法，其中所述步骤2)中计算初始边缘门限Τ，按下式计算：其中，Qinv( ·，·）为逆不完全伽马函数。4. 根据权利要求1所述方法，其中所述步骤3)中计算每个像素点（i，j)的边缘强度 guk，按如下步骤得到： (3a)以像素点（i，j)为中心，利用Umin+kX Λ λ) X (Amin+kX Λ λ)检测窗口中所有 像素，计算该像素点在尺度λ min+kX Λ λ下的下均值μ 和上均值μ ' . .k：其中，ε m为以像素点（i, j)为中心（λ wn+kX Δ λ) X (λ^+kX Δ λ)检测窗口中 像素点的平均像素值，为以像素点（i，j)为中心Uniil^kX Δ λ) X (λ^+kX Δ λ)检 测窗口中像素点的像素值平方的平均值； (3b)利用初始边缘门限T和下均值Uuk，计算像素点（i，j)在尺度Amin+kX Λ λ下 的边缘门限Tiij, k: Ti,j,k= ^ i,J;kXT ； (3c)统计以像素点（i，j)为中心Umin+kXA A)X(Amin+kXA λ)检测窗口中大于 等于Ti;j，k的像素点个数MimiJk和小于T i;j，k的像素点个数num' i; j;k，计算像素点（i，j)在 尺度Xmin+kX Δ λ下的边缘强度gi j,k: Si, j,k= ( ^ ' i;J，k/μ i;J，k_l) Xmin (numu，/( λ "n+kX Δ λ )2, num，i;J，k/ (Amin+kXA λ)2) 其中，min( ·，·）表示取二者中的最小者。5. 根据权利要求1所述方法，其中所述步骤4)中计算在尺度λ min+kX Λ λ下每个像 素点（i，j)的扩散系数divuk，按下式计算： 郯，Μ =ι-，5-4 其中，gt为设定的边缘参数，gt的取值范围为到 为i取值为1到〗，j取值为1到J时6. 根据权利要求1所述方法，其中所述步骤5)中计算尺度λ min+kX Λ λ的第m行的 行边缘参数矩阵Am，k和第η列的列边缘参数矩阵A' n;k，按下式计算：其中：％，η= - Δ λ X (divwk+div^u)， ai;i+i= - Δ λ X (divm；i；k+divm；i+1；k), a. . = 1+Λ λ X (2Xdiν m；i；k+divm；^,+(Iivnijwjk), I ^ i ^ J, a j，j-1 =- Λ λ X (div uk+diVj-uk)， a, J，J+1= _Δ λ x (div j，n，k+divJ+1，n，k)， a， j,j= 1+Δ λ x (2Xdiv J；n；k+diVj_1；n；k+divJ+1；n；k), I ^ j ^ I〇7. 根据权利要求1所述方法，其中所述步骤6)中计算尺度λ min+kX Λ λ的尺度图Uk及其对比图U' k，按如下步骤得到： (6a)设定初始尺度图Uk为图像SI，初始对比图W k为图像SI ; (6b)利用行边缘参数矩阵Am，k和尺度图U k的第m行元素，通过托马斯算法，计算行尺 度图W的第m行元素，1彡m彡I ; (6c)利用行边缘参数矩阵Am，k+1和对比图U' k的第m行元素，通过托马斯算法，计算行 对比图的第m行元素； (6d)利用列边缘参数矩阵A' n，k和尺度图Uk的第η列元素，通过托马斯算法，计算列 尺度图U(的第η列元素，1彡η彡J ; (6e)利用列边缘参数矩阵A' _+1和对比图U' k的第η列元素，通过托马斯算法，计 算列对比图W的第η列元素； (6f)计算尺度Amin+kX Δ λ的尺度图Uk及其对比图U' k： uk={u：+ui)n U[={U'；+U：)I2； (6g)判断步骤（6b)到（6f)是否计算了 k次，若是则停止，并输出尺度图Uk及其对比 图U' k;否则，回到步骤（6b)。8. 根据权利要求1所述方法，其中所述步骤7a)中计算每个像素点（i，j)在尺度 Amin+kX Λ λ下的尺度显著性度量Sm，按下式计算：其中X为O到255变化的像素值，Pi j k(X)为尺度图Uk上以像素点（i, j)为中心， (λ^+kX Δ λ) X (λ^+kX Δ λ)方形窗口内像素值为X的像素点概率，p\，j k(x)为对 比图U' k上以像素点（i，j)为中心，（λ wn+kX Δ λ) X (λ^+kX Δ λ)方形窗口内像素值 为X的像素点概率。9. 根据权利要求1所述方法，其中所述步骤8)中通过迭代方法得到稳定显著性矩阵 Ys，按如下步骤得到： (8a)设置区域显著性比值sr，并设稳定显著性矩阵Ys为空矩阵； (8b)选择新的显著性矩阵Y/中显著性度量最大的像素点作为候选点，构造以其对应 行的前两个元素为中心，第三个元素为边长的方形窗口，计算该方形窗口内具有显著性区 域的像素点个数与窗口内总像素点个数的比值; (8c)将上述sr'与sr进行比较，如果sr' <sr，则将候选点所在行从显著性矩阵Yt' 中去掉；否则，将候选点所在行加入稳定显著性矩阵Ys，再将候选点及方形窗口内所有具有 显著性区域的像素点所在行从显著性矩阵Y/中去掉； (8d)判断显著性矩阵Y/是否为空，若为空则停止，并输出稳定显著性矩阵Ys;否则， 回到步骤（8b)。
【专利摘要】本发明公开了一种基于各项异性扩散空间的SAR图像显著性区域检测方法，主要解决斑点噪声下现有算法不能准确有效检测SAR图像显著性区域的问题。其实现步骤是：(1)通过不同尺度的检测窗口，计算像素点在不同尺度上的边缘强度及扩散系数；(2)利用不同尺度的行边缘参数矩阵和列边缘参数矩阵，构建不同尺度的尺度图及其对比图；(3)在不同尺度图及其对比图上构建对应尺度窗口，计算尺度显著性度量，并由此判断显著性，确定像素点的显著性度量和显著性尺度；(4)通过迭代得到稳定的显著性区域坐标及其区域范围。本发明减少了斑点噪声的影响，提高了检测准确性，能有效给出显著性区域的范围，可用于SAR图像目标检测和目标识别。
【IPC分类】G06T7/00
【公开号】CN104899873
【申请号】CN201510254252
【发明人】张强, 吴艳, 王凡, 张磊, 樊建伟
【申请人】西安电子科技大学
【公开日】2015年9月9日
【申请日】2015年5月18日
最新回复(0)