本发明公开了一种基于特征融合稀疏表示模型的合成孔径雷达(Synthetic Aperture Radar,SAR)图像车辆检测方法，目的是针对现有的SAR图像车辆检测方法在复杂场景中的不足之处，以提高SAR图像车辆检测的准确性。该方法首先基于训练目标数据的相关字典集，对每个测试目标所提取的一系列特征进行稀疏重构，生成一系列残差。然后将残差归一化并组成单个残差序列。基于所收集的所有特征的残差序列集合，依据线性融合策略来确定目标类别的最佳估计，依此获取测试目标的检测结果。本发明充分利用了基于特征融合稀疏表示模型的良好分辨能力，且考虑了图像中场景复杂度的变化，有效地提高了SAR图像车辆的检测率，准确度更高。
1.基于特征融合稀疏表示模型的SAR图像车辆检测方法，其特征在于，包括如下步骤：步骤1，对SAR图像进行预处理；
所述步骤1对SAR图像进行预处理的具体步骤为：用非局部均值方法对SAR图像进行滤波，再进行图像阈值分割；
步骤2，对预处理后的图像进行灰度增强和均衡化处理；
所述步骤2的具体步骤为：用线性变换方法调整低灰度值，经过拉伸后，[0,αμx]内的灰度值被映射为[0,βμy]，以使这些灰度值在整个灰度空间中占据更大的范围；然后，再对原始图像中的高灰度值进行均衡化处理，使相应的灰度范围从[αμx,X]映射到[βμy,Y]；
其中，μx和μy分别是图像调整前后的灰度平均值；X和Y均表示图像灰度空间的最大值；
这里，参数α和β用于控制调整前后灰度在空间分布中的平衡，其中，参数α的值为2到4，参数β的值为0.5到1.0；
步骤3，对步骤2中得到的SAR图像进行区域合并处理；
步骤3-1，首先用形态学闭操作算法去除图中的孤立区域，同时增加每个目标的连通性；
步骤3-2，在图像中搜索所有的连通区域；然后，将每个区域的信息，包括面积，最小外接矩形，坐标，尺寸和范围一一记录下来；
步骤3-4，把每个区域的信息输入到一个存储单元，所有连通区域对应的存储单元构造为一个向量Vs；
步骤3-5，从Vs中选择面积最大的区域，记为R0，并获得其最小外接矩形的宽度w和高度h；
步骤3-6，如果|w-lw|＜δ，w表示步骤3-5中所得最小外接矩形的宽度，δ表示阈值，lw表示车身宽度，则沿目标前端的垂直方向生成矩形，表示为Rrect；当有一个区域位于此矩形内或与此矩形重叠时，重叠区域则被合并到Rrect中，然后再更新区域Rrect，并从Vs中将其删除；
步骤3-7，如果lw＜w＜2lw，则沿着R0宽度方向均匀地将其分成两个子区域；然后，对每个子区域分别执行步骤3-6；
步骤3-8，迭代步骤3-5至步骤3-7，直到Vs为空集；最后，得到合并结果；其中，参数Aε，lw和δ在处理前通过数据库中收集到的车辆样本来确定；
步骤5，基于多特征融合进行目标确认，获取特征类型相应的残差；
步骤6，对所有的残差阵列进行归一化处理，把残差阵列组成一个单一的残差序列；
对所有的ri阵列进行归一化处理，使得相应的最大峰值为1；然后，把ri阵列组成一个单一的残差序列；对于所有的4类特征，生成4个残差序列，表示为：ri＝{rij,i＝1,2,...,N；j＝1,2,...,L}；其中N＝4；
步骤7，基于所有的残差序列对目标的类别进行标记，获取最终的SAR图像车辆检测结果；
基于所有ri的序列，对目标的类别进行标记，即类别对应最终序列的最小残差：类别：
筛选出类别为车辆的目标，从而获取最终的SAR图像车辆检测结果；
所述步骤4的具体步骤为：从已有数据集中，对L类不同的目标进行样本采集，然后运用相干斑抑制算法对所有采集到的样本进行噪声抑制；再针对每类目标的所有样本分别使用灰度直方图、灰度共生矩阵、方向梯度直方图和局部二值图，共四种特征提取方法，对目标进行特征提取，将其组成特征向量，生成相应的字典；因此共有L个字典，组成一个字典集D；
然后，对于每一类别的测试样本，均使用上述的4种特征提取方法，进行特征提取，所得特征构成一个特征向量。
2.根据权利要求1所述的基于特征融合稀疏表示模型的SAR图像车辆检测方法，其特征在于，所述步骤5的具体步骤为：在稀疏表示模型中，f表示特征类型，D表示目标类别的字典集；对于第i个特征类型，fi，i＝1,2,...,N时，基于L个字典，获取相应的残差ri，即，ri1,ri2,...,riL：，j=1，2，…，L。
基于特征融合稀疏表示模型的SAR图像车辆检测方法
技术领域
[0001] 本发明属于图像处理技术领域，更具体的涉及一种基于特征融合稀疏表示模型的合成孔径雷达(Synthetic Aperture Radar,SAR)图像车辆检测方法。
背景技术
[0002] 车辆检测在合成孔径雷达图像处理中是一个具有挑战性的任务。通常，车辆检测包括两个阶段：疑似区域提取和目标分类。现有技术中已经存在许多方法能够处理SAR图像中目标检测问题，其中，代表性的有基于模板匹配的方法和基于模型设计的方法。前者依赖于目标图像或者特征向量与模板在数据上的匹配度，而后者则取决于训练样本和测试样本之间模型的统计关系。通过评估最大化后验概率参数类别，则目标可以被确定。显然，如果统计关系较差，则容易导致检测失败。
[0003] 基于特征模型的方法，如：支持向量机、贝叶斯形态显著性模型、多尺度区域特征模型等，基于精细设计的特征，这些方法可以提高目标的检测准确率，但是这些方法在复杂场景中，如：强度差异较小，严重的斑噪环境和强度分布不均匀区域，鲁棒性不高。在这种情况下，目标的特征不能被有效地提取，导致目标特征的表示能力弱化。此外，由于在SAR图像中灰度的对比度不高和电磁波多重反射的影响，在处理复杂特征类型的目标时，这些检测方法并不能获取较好的结果。因此，需要设计新型的目标检测模型，以适应场景特征的复杂性。
发明内容
[0004] 本发明目的是针对现有的SAR图像车辆检测方法，在面向复杂场景时的性能不足之处，以提高SAR图像车辆检测的准确性，提出了一种基于特征融合稀疏表示模型的SAR图像车辆检测方法。
[0005] 本发明的基本思路是：首先基于训练目标数据的相关字典集，对每个测试目标所提取的一系列特征进行稀疏重构，生成一系列残差。然后将残差归一化并组成单个残差序列。基于所收集的所有特征的残差序列集合，依据线性融合策略来确定测试目标类别的最佳估计，依此获取该测试目标的检测结果。
[0006] 本发明的目的是通过以下技术方案来实现的：
[0007] 基于特征融合稀疏表示模型的SAR图像车辆检测方法，包括以下具体步骤：
[0008] 步骤1，预处理，即用非局部均值方法对SAR图像进行滤波，再进行图像阈值分割；
[0009] 步骤2，灰度增强，即使用线性变换方法调整低灰度值。经过拉伸后，[0,αμx]内的灰度值被映射为[0,βμy]，以使这些灰度值在整个灰度空间中占据更大的范围。然后，再对原始图像中的高灰度值进行均衡化处理，这意味着相应的灰度范围从[αμx,X]变化到[βμy,Y]。
[0010] 其中，μx和μy分别是图像调整前后的灰度平均值。X和Y均表示图像灰度空间的最大值。这里，参数α和β用于控制调整前后灰度在空间分布中的平衡，可以通过经验来确定。其中，参数α的值为2到4，参数β的值为0.5到1.0。
[0011] 步骤3，区域合并，对步骤2中得到的灰度增强后的SAR图像做如下处理：
[0012] 步骤3-1，首先用形态学闭操作算法去除图中的孤立区域，同时增加每个目[0013] 标的连通性。
[0014] 步骤3-2，在图像中搜索所有的连通区域。然后，将每个区域的信息，包括面积，最小外接矩形，坐标，尺寸和范围一一记录下来。
[0015] 步骤3-3，从图像中移除面积大于阈值Aε的区域。
[0016] 步骤3-4，把每个区域的信息输入到一个存储单元，所有连通区域对应的存储单元构造为一个向量Vs。
[0017] 步骤3-5，从Vs中选择面积最大的区域(R0)，并获得其最小外接矩形的宽度(w)和高度(h)。
[0018] 步骤3-6，如果|w-lw|＜δ，这里δ表示阈值，lw表示车身宽度，则沿目标前端的垂直方向生成矩形(表示为Rrect)。如果有一个区域位于此矩形内或与此矩形重叠，重叠区域则被合并到Rrect中，然后再更新区域Rrect，并从Vs中将其删除。
[0019] 步骤3-7，如果lw＜w＜2lw，则沿着R0宽度方向均匀地将其分成两个子区域。然后，对每个子区域分别执行步骤3-6。
[0020] 步骤3-8，迭代步骤3-5至步骤3-7，直到Vs为空集。最后，得到合并结果。其中，参数Aε，lw和δ可在处理前通过数据库中收集到的车辆样本来确定。
[0021] 步骤4，特征提取，从已有数据集中，对L类不同的目标进行样本采集，然后运用相干斑抑制算法对所有采集到的样本进行噪声抑制；再针对每类目标的所有样本分别使用灰度直方图、灰度共生矩阵、方向梯度直方图和局部二值图，共四种特征提取方法，对目标进行特征提取，将其组成特征向量，生成相应的字典。因此共有L个字典，组成一个字典集D。然后，对于每一类别的测试样本，均使用上述的4种特征提取方法，进行特征提取，所得特征构成一个特征向量。
[0022] 步骤5，基于多特征融合的目标确认，在稀疏表示模型中，f表示一个特征类型，D表示目标类别的字典集。对于第i个特征类型，fi(i＝1,2,...,N)时，其中N＝4，基于L个字典，可以获取相应的残差ri(即，ri1,ri2,...,riL)：
[0023]
[0024] 步骤6，对所有的ri阵列进行归一化处理，使得相应的最大峰值为1。然后，把ri阵列组成一个单一的残差序列。因此，对于4类特征，可以生成4个残差序列，表示为：
[0025] r＝{rij,i＝1,2,...,N；j＝1,2,...,L}。
[0026] 步骤7，基于所有r的序列，对目标的类别进行标记，即类别对应最终序列的最小残差：
[0027] 类别：
[0028] 筛选出类别为车辆的目标，从而获取最终的SAR图像车辆检测结果。
[0029] 本发明与现有的SAR图像车辆检测方法相比，具有如下特点：
[0030] 本发明充分利用了基于特征融合稀疏表示模型的良好辨别能力，且考虑了图像中场景复杂度的变化，有效地提高了SAR图像中车辆的检测率，准确度更高。
附图说明
[0031] 图1为本发明的实现流程图；
[0032] 图2为区域合并的结果(曲线代表合并区域的最小边界形状，白色矩形形状表示相应的边界框)；(a)滤波图像，(b)形态学闭操作后的初始分割结果(c)从(b)图中除去大的区域之后的结果，(d)迭代14次后的区域合并结果(e)迭代67次后的区域合并结果(f)最终的区域合并结果(70次迭代后删除所有小的独立区域)；
[0033] 图3为五种类型的目标样本。
具体实施方式
[0034] 下面结合附图与实施例对本发明做进一步说明，本发明的目的和效果将变得更加明显。
[0035] 该图像为美国桑迪亚国家实验室提供的SAR图像，如图3所示，该图像主要是由车辆，建筑物，道路，树木和其他目标(如岩石，直升机和坦克等)区域组成。对该图像按照本发明技术方案的流程图图1进行处理，在本实施例中，图1中的N＝4，具体步骤如下：
[0036] 步骤1，预处理，即用非局部均值方法对SAR图像进行滤波，再进行图像阈值分割；
[0037] 步骤2，灰度增强，即使用线性变换方法调整低灰度值。经过拉伸后，[0,αμx]内的灰度值被映射为[0,βμy]，以使这些灰度值在整个灰度空间中占据更大的范围。然后，再对原始图像中的高灰度值进行均衡化处理，这意味着相应的灰度范围从[αμx,X]映射到[βμy,Y]。
[0038] 其中，μx和μy分别是图像调整前后的灰度平均值。X和Y均表示图像灰度空间的最大值，X和Y都设置为65535。这里，参数α和β用于控制调整前后灰度在空间分布中的平衡，α设置为3，β设置为0.8。
[0039] 步骤3，区域合并，由于车辆，建筑物，道路，树木和其他目标的不同反射率，难以通过分割图像来保持目标的完整性(见图2(a))，因此需要更精确的合并技术来合并目标区域。对步骤2中得到的灰度增强后的SAR图像做如下处理：
[0040] 步骤3-1，首先用形态学闭操作算法去除图中的孤立区域，同时增加每个目标的连通性。
[0041] 步骤3-2，在图像中搜索所有的连通区域。然后，将每个区域的信息，包括面积，最小外接矩形，坐标，尺寸和范围一一记录下来。
[0042] 步骤3-3，从图像中移除面积大于阈值Aε的区域，Aε设置为1100。
[0043] 步骤3-4，把每个区域的信息输入到一个存储单元。所有连通区域对应的存储单元构造为一个向量Vs。
[0044] 步骤3-5，从Vs中选择面积最大的区域(记为R0)，并获得其最小外接矩形的宽度(w)和高度(h)。
[0045] 步骤3-6，如果|w-lw|＜δ(这里δ表示的阈值设置为5像素，lw表示车身宽度设置为30像素)，则沿目标前端的垂直方向生成矩形(表示为Rrect)。如果有一个区域位于此矩形内或与此矩形重叠，重叠区域则被合并到Rrect中，然后再更新区域Rrect，并从Vs中将其删除。
[0046] 步骤3-7，如果lw＜w＜2lw，则沿着R0宽度方向均匀地将其分成两个子区域。然后，对每个子区域分别执行步骤3-6。
[0047] 步骤3-8，迭代步骤3-5至步骤3-7，直到Vs为空集。最后，得到合并结果。
[0048] 其中，参数Aε，lw和δ是处理前从数据库中收集一些车辆样品。合并后，车辆片段被更新用作下一次迭代。图2示出了分割结果，和一个典型SAR图像的区域合并流程。正如我们所看到的图2(e)所示，迭代67次后，主要目标区域很好地合并在一起。
[0049] 步骤4，特征提取，从已有数据集中，对L类不同的目标进行样本采集，然后运用相干斑抑制算法对所有采集到的样本进行噪声抑制；再针对每类目标的所有样本分别使用灰度直方图、灰度共生矩阵、方向梯度直方图和局部二值图，共四种特征提取方法，对目标进行特征提取，将其组成特征向量，生成相应的字典。因此共有L个字典，组成一个字典集D。然后，对于每一类别的测试样本，均使用上述的4种特征提取方法，进行特征提取，所得特征构成一个特征向量。
[0050] 步骤5，基于多特征融合的目标确认，多特征融合的一个规则是对这些特征相关联的值执行线性变换保持他们之间的关系。在稀疏表示模型中，f表示一个特征类型，D表示目标类别的字典集。对于第i个特征类型，fi(i＝1,2,...,N)时，其中N＝4，基于L个字典，可以获取相应的残差ri(即，ri1,ri2,...,riL)：
[0051]
[0052] ε设置为10-4。
[0053] 步骤6，对所有的ri阵列进行归一化处理，使得相应的最大峰值为1。然后，把ri阵列组成一个单一的残差序列。因此，对于所有的4类特征，可以生成4个残差序列，表示为：
[0054] r＝{rij,i＝1,2,...,N；j＝1,2,...,L}。
[0055] 步骤7，基于所有r的序列，可以对目标的类别进行标记，其类别对应最终序列的最小残差，即：
[0056] 类别：
[0057] 筛选出类别为车辆的目标，从而获取最终的SAR图像车辆检测结果。
[0058] 为了验证我们方法的性能，我们通过三重交叉验证来实施评估。每次实验中，所使用数据随机分成三份，一份来构建一个样本集，并且相应地生成三个样本集，一个样本集被视为测试数据，其余两个被视为训练数据。该过程执行三次，并将它们的平均值作为最终检测结果。实验结果如表1-3所示，三次实验中，本发明所提的基于特征融合稀疏表示的方法都获得最佳检测结果。
[0059] 表1本发明与基于单特征方案的方法的最终车辆检测结果对比。
[0060]
[0061] 表2本发明与其他方法的两种目标(车辆目标和非车辆目标)的检测结果对比。
[0062]
[0063] 表3本发明与其他方法的多种目标的检测结果对比。
[0064]
[0065] 从检测结果中可以看出，本发明提供的方法与其他方法相比，具有良好的辨别能力，针对现有的SAR图像车辆检测方法在复杂场景中的不足之处，确实提高了SAR图像车辆检测的准确性。
[0066] 以上对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。
