一种基于分布式多站组网ISAR融合成像的方法、系统及装置

摘要: 本发明涉及雷达信号处理,特别涉及一种基于分布式多站组网isar融合成像的方法、系统及装置,尤其适用于空中目标(如飞行器、无人机)的高分辨率成像、多源数据融合及目...
一种基于分布式多站组网ISAR融合成像的方法、系统及装置

本发明涉及雷达信号处理,特别涉及一种基于分布式多站组网isar融合成像的方法、系统及装置,尤其适用于空中目标(如飞行器、无人机)的高分辨率成像、多源数据融合及目标特征增强处理。

背景技术:

1、目前,现有专利申请号为:“cn202110051148.8”的中国专利中公开了一种多频带isar融合高分辨成像方法,涉及图像处理方法技术领域。所述方法包括如下步骤:首先,直接利用观测数据构造相干字典,建立基于稀疏表示的非相干相位估计模型;采用正交匹配追踪omp算法求解参数,利用参数对应关系分别估计线性相位和固定相位,并进行非相干相位补偿;建立多频带isar融合成像稀疏表示模型,假设散射点系数服从复gaussian分层先验分布,噪声服从复gaussian先验分布,直接在复数域利用变分贝叶斯期望最大vb-em算法进行求解,得到融合的isar高分辨二维图像,虽然该方法可以在网格失配情况下能实现较好的非相干相位补偿,但是图像的融合效果仍然存在一定的缺陷。

2、在分布式多站组网isar系统中,各子雷达系统基于不同空间位置、观测角度及信号参数对目标独立成像,导致各子系统输出的isar图像存在以下技术问题:

3、分辨率异构性:不同子雷达的带宽、脉冲重复频率(prf)差异导致图像分辨单元尺寸不一致(如x波段雷达分辨率为0.3m×0.3m,ka波段雷达为0.1m×0.1m);

4、空间坐标系偏差:各子站雷达的距离-多普勒坐标系因方位角、俯仰角差异存在旋转偏移(如相邻子站观测角度差达10°-30°);

5、同名点配准误差:传统基于灰度相关的匹配方法在低信噪比(snr<5db)场景下匹配误差超过2像素,导致融合图像出现重影;

6、计算资源消耗大:直接对全画幅图像融合需处理10^5-10^6像素点,实时性处理难度高(如帧处理时间>500ms)。

7、现有技术中,多采用单一分辨率插值或简单加权融合,未形成从图像预处理到特征增强的完整技术链,难以在复杂电磁环境下实现多站isar图像的高精度融合,因此,亟需一种系统性的图像处理方案,解决多站isar图像的分辨率统一、空间配准及自适应融合问题。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足,本发明提供了一种基于分布式多站组网isar融合成像的方法、系统及装置,解决现有图像融合方法在使用时,多采用单一分辨率插值或简单加权融合,未形成从图像预处理到特征增强的完整技术链,难以在复杂电磁环境下实现多站isar图像的高精度融合的技术问题。

3、(二)技术方案

4、为实现以上目的,本发明通过以下技术方案予以实现:

5、一种基于分布式多站组网isar融合成像的方法,应用于多站组网isar系统,该系统包括至少两个子雷达站及数据处理中心,所述方法包括以下步骤:

6、各子系统独立进行isar成像处理,生成isar图像,采用图像自适应阈值法对所述isar图像进行分割及裁剪,提取目标所在区域;

7、选取参考图像分辨率,通过对isar图像二维直角坐标系的二维插值处理,将各子系统isar图像的分辨单元尺寸统一为所述参考图像分辨率的尺寸,实现图像分辨率匹配;

8、根据各子站之间的几何位置关系,通过图像平移和旋转处理,将各isar图像的距离-多普勒空间变换至同一坐标系下,对旋转后非整数坐标点采用最近邻插值法、线性插值法或样条插值法进行插值处理,并裁剪图像以统一维数;

9、采用特征点提取算法提取各子系统图像中的同名目标点,利用相关系数法或sift方法对各子系统图像进行同名点匹配;

10、对各isar图像进行灰度归一化处理,基于灰度加权平均、最大值或小波变换融合算法合成融合图像;

11、利用灰度变换或直方图均衡化算法对所述融合图像进行增强处理,突出目标有用信息。

12、优选的,所述灰度加权平均融合算法公式如下:

13、式中,表示融合得到的isar图像,表示为分布式isar系统中的第个子系统图像,k为分布式isar系统雷达的数量,m=1,2,…,m为isar图像像素的行号,n=1,2,…,n为isar图像像素的列号,为加权系数且;

14、以灰度加权平均融合算法为基础,所述最大值融合算法公式如下:

15、,其中,表示融合后图像的像素灰度值。

16、优选的,所述图像自适应阈值法包括otsu算法或局部阈值法,用于实现目标区域与背景的分割。

17、优选的,所述特征点提取算法包括harris角点检测、surf或orb算法。

18、优选的,所述图像旋转处理基于基站雷达坐标关系计算旋转角度,以消除各子系统图像间的夹角。

19、一种基于分布式多站组网isar融合成像系统,该系统包括:

20、多子站成像单元,配置为控制各子系统独立进行isar成像处理,生成isar图像;

21、目标区域提取单元,配置为采用图像自适应阈值法对各子系统生成的isar图像进行分割及裁剪,提取包含目标的图像区域;

22、分辨率匹配单元,配置为选取参考图像分辨率,通过二维插值算法对各子系统isar图像的二维直角坐标系进行缩放,实现分辨单元尺寸的统一;

23、空间匹配单元,配置为基于各子站的几何位置关系,通过图像平移、旋转及插值处理,将各子系统isar图像的距离-多普勒空间变换至同一坐标系;

24、同名点匹配单元,配置为通过特征点提取算法获取各子系统图像中的同名目标点,并利用相关系数法或sift算法完成图像匹配,其中,sift(scale-invariantfeaturetransform,尺度不变特征变换)是首个具备完整尺度、旋转、光照不变性的局部特征提取算法,由davidlowe于2004年提出;其核心功能是从图像中提取不受观测视角、成像尺度、光照条件影响的稳定特征点,并生成高辨识度的描述符,为跨图像匹配提供基础;在分布式多站isar融合场景中,是surf算法的技术原型,解决了早期特征算法难以适配多子站图像异构性的问题。

25、sift算法通过四步实现特征提取与描述,每一步均为后续改进算法(如surf)提供了核心思路:

26、1.尺度空间构建

27、采用高斯金字塔:将原始isar图像与不同标准差σ的高斯核卷积,生成多组(octave)图像,每组内包含多个尺度层(scale);σ值随尺度层递增(如σ=1.6,3.2,...),模拟目标在不同观测距离下的成像尺度;与surf的关联:surf的高斯差分金字塔是对该步骤的优化——sift需先构建完整高斯金字塔再求差分,而surf直接通过相邻尺度卷积结果相减生成dog图像,计算量减少40%。

28、2.特征点检测

29、①极值点筛选:在高斯差分图像(dog)中,对每个像素与相邻尺度层及同层8邻域像素比较,定位局部极值点(特征点候选);②精准定位:通过二次函数拟合剔除低对比度点和边缘响应点,利用hessian矩阵特征值判断,筛选出真正稳定的特征点,如isar图像中的目标强散射点;技术特点:相比早期角点检测算法,如harris,可有效捕捉不同尺度下的目标特征,适配多子站雷达分辨率差异,如x波段与ka波段成像尺度差异。

30、3.特征点方向赋值

31、以特征点为中心,统计其邻域内像素的梯度方向直方图,16个方向区间,取直方图峰值对应的方向作为特征点主方向;若存在次峰值,≥主峰值的80%,则新增特征点并赋予次峰值方向,提升匹配鲁棒性;与surf的关联:surf采用haar小波响应统计主方向,本质是对sift梯度方向统计的简化加速,二者均为描述符旋转不变性提供支撑。

32、4.特征描述符生成

33、①邻域归一化:以特征点为中心,沿主方向建立20×20像素的邻域,划分为4×4个子块,每个子块统计8个方向的梯度直方图,形成8维向量;②生成特征向量:4×4个子块共生成128维浮点型特征向量,通过归一化处理消除光照变化影响;数据特点:128维向量具备极高辨识度,但存储开销与计算成本较高,为surf64维向量的2倍;

34、图像融合单元,配置为对各子系统图像进行灰度归一化处理,并基于灰度加权平均、最大值或小波变换融合算法生成融合图像;

35、特征增强单元,配置为利用灰度变换或直方图均衡化算法增强融合图像中的目标信息。

36、优选的,所述所述空间匹配单元包括:

37、旋转模块,用于基于基站雷达坐标关系计算旋转角度并执行图像旋转;

38、裁剪模块,用于对旋转后的图像进行裁剪以统一维数;

39、插值模块,用于采用最近邻插值、线性插值或样条插值算法处理非整数坐标点。

40、优选的,所述同名点匹配单元包括:

41、特征点提取模块,配置为执行harris角点检测、surf或orb算法,其中,两种算法均属于局部特征点提取与描述算法,核心功能是从图像中定位具有旋转、尺度、光照不变性的稳定特征点,如目标边缘、角点等,并生成特征描述符用于跨图像匹配;在分布式多站isar融合中,可解决不同子站图像因观测角度、分辨率差异导致的同名点配准难题。

42、surf算法(speededuprobustfeatures,加速稳健特征),surf是sift算法的加速改进版,以高效计算+强稳健性为核心,通过简化特征提取流程,在保持尺度、旋转、光照不变性的同时,处理速度提升3-10倍,适配雷达图像实时处理需求。

43、(1)尺度空间构建

44、采用高斯差分金字塔:将原始isar图像与不同尺度的高斯核卷积,生成多尺度图像层,再通过相邻层相减得到差分图像(dog),模拟不同分辨率下的目标特征;优势:相比sift的高斯金字塔,计算量减少40%,可快速捕捉目标在不同子站分辨率下的一致特征,如飞行器机翼角点。

45、(2)特征点检测

46、基于hessian矩阵行列式:在差分图像中定位局部极值点(特征点候选),通过3×3邻域非极大值抑制筛选稳定点,再经阈值过滤剔除弱特征点,适配isar低信噪比场景;关键作用:精准定位目标表面的强散射点,如无人机螺旋桨边缘,不受子站观测角度偏差影响。

47、(3)特征描述子生成

48、①方向分配:以特征点为中心,统计60×60像素邻域内haar小波(dx,dy)响应的主方向,使描述符具备旋转不变性,应对isar图像10°-30°夹角偏差;②特征向量构建:将邻域划分为4×4子块,每个子块统计25个像素的dx/dy绝对值和与正负值总和,生成64维特征向量。

49、3.技术优势与适配场景

50、优势:尺度不变性强、抗噪声能力优、支持大角度旋转匹配;适配isar场景:多子站分辨率差异大、对配准精度要求高的静态目标融合,如固定翼飞行器成像。

51、orb算法(orientedfastandrotatedbrief,定向fast与旋转brief),orb是专为实时性设计的轻量级特征算法,融合fast角点检测与改进型brief描述符,计算速度远超surf/sift,且无需浮点运算,适配嵌入式雷达处理装置。

52、(1)特征点检测

53、采用fast-9算法:以像素点为中心,检查半径3的圆周上16个像素,若连续9个像素灰度值与中心像素差值>阈值,则判定为角点;优化策略:通过非极大值抑制剔除冗余角点,结合图像金字塔实现尺度不变性,解决isar分辨率异构问题;速度优势:单帧1024×1024isar图像检测耗时<5ms,是surf的10倍以上。

54、(2)方向校准

55、以特征点为中心,统计31×31邻域内灰度质心,通过中心与质心的连线确定主方向,使描述符具备旋转不变性。

56、(3)特征描述子生成

57、基于二进制描述符:在特征点邻域内随机选取256对像素点,比较灰度值生成0/1二进制串(256位);改进点:通过机器学习筛选128对不相关像素对,生成rbrief描述符,匹配时仅需异或运算,速度提升显著。

58、3.技术优势与适配场景

59、优势:实时性极强(适配雷达帧处理<100ms需求)、内存占用低(256位二进制串仅占32字节)、抗光照变化能力优;适配isar场景:动态目标(如无人机)实时融合、嵌入式处理装置,如文档中融合成像装置的处理器模块;

60、匹配算法模块,配置为执行相关系数计算或sift特征匹配。

61、优选的,所述分辨率匹配单元的二维插值算法包括最近邻插值、线性插值或样条插值算法。

62、一种基于分布式多站组网isar融合成像装置,该装置包括:

63、存储器,用于存储计算机程序指令,所述计算机程序指令包括图像分割、分辨率匹配、空间匹配、同名点匹配、图像融合及特征增强的程序代码;

64、处理器,与所述存储器通信连接,其中,所述处理器执行的图像融合程序代码包括灰度加权平均融合算法模块、最大值融合算法模块或小波变换融合算法模块;

65、通信接口,用于与多站isar子系统进行数据交互,获取各子系统的isar图像数据及雷达坐标参数,所述通信接口支持雷达数据传输协议。

66、(三)有益效果

67、一是,通过各子系统独立成像后采用图像自适应阈值法提取目标所在区域的技术方案,可显著缩减数据处理量,降低后续融合的计算量与存储空间占用;通过选取参考图像分辨率并利用二维插值统一各子系统isar图像分辨单元尺寸的技术方案,消除了不同子雷达系统间的分辨率异构性,提高图像像素尺寸一致性,为高精度融合奠定基础;

68、二是,基于子站几何位置关系通过图像平移、旋转及插值处理统一图像空间坐标系的技术方案,可对各子系统图像间的角度偏差校正,非整数坐标点插值调整,实现像素级空间配准;

69、三是,采用orb、sift等特征点提取与匹配算法的技术方案,在低信噪比场景下仍能控制同名点匹配误差,有效解决传统灰度相关匹配在复杂场景下的重影问题;通过灰度归一化结合加权平均、最大值、小波变换等多策略融合算法的技术方案,可根据目标特性(如均匀背景、强散射点、低信噪比)自适应选择融合方式,目标特征完整性显著增强;

70、四是,利用灰度变换与直方图均衡化对融合图像进行特征增强的技术方案,可显著提升图像对比度,边缘梯度幅值显著增强,突出目标有用信息;系统采用模块化设计的技术方案,使各处理单元可独立升级算法,显著提升系统扩展性,装置通过cpu/gpu协同处理及光纤高速通信接口的技术方案,较传统cpu单核处理效率显著提升,满足雷达实时成像需求。