一种SAR图像中车辆类目标的自动提取方法与流程

一种sar图像中车辆类目标的自动提取方法
技术领域
1.本发明属于sar图像处理领域，特别涉及该领域中的一种sar图像中车辆类目标的自动提取方法。


背景技术：

2.合成孔径雷达(synthetic aperture radar-sar)是一种主动式微波传感器，具有全天候、全天时、多视角、穿透能力强以及与作用距离无关等特点，已广泛应用于城市规划、森林检测和军事侦察等领域。在进行sar图像车辆类目标检测与识别的过程中，需实现目标与背景的分割，来进一步分析目标与背景的差异性。但是由于光学与sar成像机理的不同，sar图像无法较完整的描述目标的整体形状。经试验，现有常用的边缘检测算法不能有效的提取sar图像中车辆类目标的轮廓，无法实现sar图像中车辆类目标的自动提取。


技术实现要素：

3.本发明所要解决的技术问题就是提供一种sar图像中车辆类目标的自动提取方法。
4.本发明采用如下技术方案：
5.一种sar图像中车辆类目标的自动提取方法，其改进之处在于，包括如下步骤：
6.步骤1，对输入的二维sar图像f(x，y)进行滤波，x，y为幅度图像中的坐标，采用3*3窗口，输出g(x，y)＝med{f(x-k，y-l)，(k，l）∈w}，其中g(x，y)为处理后的图像，med代表中值滤波运算，w为窗口大小，k，l为索引值；
7.步骤2，对滤波后的图像进行局部极大值判断，sar图像上的峰值点公式为步骤2，对滤波后的图像进行局部极大值判断，sar图像上的峰值点公式为其中e表示自然指数，u，v表示峰值点在u轴和v轴的坐标，u0，v0为峰值中心点在图像中的位置，为峰值在旋转后的u轴和v轴的宽度，h为峰值幅度，其对应的二阶黑塞矩阵为求得峰值函数的二阶导数其中α表示沿任意方向，带入瑞利-里茨法不等式λ
min
||x||≤x
t
hx≤λ
max
||x||，得λ
min
≤i
″
α
(x，y)x，y≤λ
max
，其中λ
min
，λ
max
为黑塞矩阵的特征值，x
t
为x的转置运算，若λ
min
＜0且λ
max
＜0，则函数在任意方向的二阶导数均小于0，判断每个窗口存在局部极大值；
8.步骤3，对每个窗口中得到的极大值坐标进行记录，并在sar图像中标记；
9.步骤4，对峰值点公式进行泰勒展开后转化为二次抛物面方程：
[0010][0011]
其中，d＝-2a
·
x
0-cy0，d1＝-2b
·y0-cx0，f＝a
·
x0 by0 cx0·
y0 h，x0，y0为峰值中心点在图像中的位置，θ为峰值函数的长轴与x轴的夹角，若存在局部极大值，则将窗口中的坐标与相应值代入式(1)中求得a，b，c，d，d1，f的值，并进一步求得sinθ，cosθ，x0，y0，
[0012]
采用最小二乘法进行i(x，y)的二次曲面拟合，拟合函数为
[0013]
在matlab中绘制该拟合函数的图像得到三维矩阵k1(x，y，z)，滤除g、b两通道并缩放至原图大小得到图像k2(x，y)，最后经二值化变换得到图像k3(x，y)，令t(x，y)＝f(x，y)
×
k3(x，y)，则t(x，y)为提取的目标图像。
[0014]
本发明的有益效果是：
[0015]
本发明所公开的方法，能够实现车辆类目标与土地、草地等背景的自动分割，并输出提取后的纯目标sar图像(背景纯黑色)。同时，本方法也可输出目标经线性映射后的伪彩图像，以及目标散射中心点标记图，便于人员目视观测。
[0016]
本发明所公开的方法，充分考虑了sar图像的成像特点，通过对图像电磁特性的挖掘有效的区分出了sar图像中的目标和背景。通过对最小二乘法拟合生成的伪彩图像进行相应处理，有效的解决了sar图像中背景的滤除问题。
附图说明
[0017]
图1是本发明方法的流程示意图；
[0018]
图2是实施例1中车辆目标的可见光图像；
[0019]
图3是实施例1中车辆目标的sar图像f(x，y)；
[0020]
图4是实施例1中车辆目标的去噪后图像g(x，y)；
[0021]
图5是实施例1中车辆目标的散射中心图；
[0022]
图6是实施例1中车辆目标的伪彩图k1(x，y，z)；
[0023]
图7是实施例1中车辆目标的滤波后图像k2(x，y)；
[0024]
图8是实施例1中车辆目标的二值化图像k3(x，y)；
[0025]
图9是实施例1中提取的目标图像t(x，y)；
[0026]
图10是实施例2中车辆目标的可见光图像；
[0027]
图11是实施例2中车辆目标的实采sar图像f(x，y)；
[0028]
图12是实施例2中车辆目标的去噪后图像g(x，y)；
[0029]
图13是实施例2中车辆目标的散射中心图；
[0030]
图14是实施例2中车辆目标的伪彩图k1(x，y，z)；
[0031]
图15是实施例2中车辆目标的滤波后图像k2(x，y)；
[0032]
图16是实施例2中车辆目标的二值化图像k3(x，y)；
[0033]
图17是实施例2中提取的目标图像t(x，y)。
具体实施方式
[0034]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0035]
本发明公开了一种sar图像中车辆类目标的自动提取方法，如图1所示，主要由以下4部分构成：sar图像预处理、最小二乘法拟合与峰值点提取、伪彩图像生成处理、矩阵运算。
[0036]
其中sar图像预处理主要对原始图像进行中值滤波，降低图像噪声，使图像更加平滑便于后续峰值点计算；最小二乘法拟合与峰值点提取主要实现散射体与冲击函数卷积的二次函数拟合，构造拟合函数曲面，并对图像进行n
×
n的滑窗(n取决于图像大小)遍历，利用二阶黑塞(hessian)矩阵判断窗口内是否存在极值点，记录极值点坐标并投影到原图输出；伪彩图像生成处理主要进行拟合函数的线性映射来生成伪彩图，并缩放至原图尺寸，滤除g、b两通道的像素值，并进一步对得到的图像二值化；矩阵运算主要完成二值化图像与原图相对应坐标点的像素值的乘法运算，滤除背景，得出纯目标sar图像。
[0037]
具体包括如下步骤：
[0038]
步骤1，对输入的二维sar图像f(x，y)进行滤波，x，y为幅度图像中的坐标，采用3*3窗口，输出g(x，y)＝med{f(x-k，y-l)，(k，l)∈w}，其中g(x，y)为处理后的图像，med代表中值滤波运算，w为窗口大小，k，l为索引值；
[0039]
步骤2，对滤波后的图像进行局部极大值判断，sar图像上的峰值点公式为步骤2，对滤波后的图像进行局部极大值判断，sar图像上的峰值点公式为其中e表示自然指数，u，v表示峰值点在u轴和v轴的坐标，u0，v0为峰值中心点在图像中的位置，为峰值在旋转后的u轴和v轴的宽度，h为峰值幅度，其对应的二阶黑塞矩阵为其中i为图像峰值，求得峰值函数的二阶导数其中α表示沿任意方向，带入瑞利-里茨法不等式λ
min
||x||≤x
t
hx≤λ
max
||x||，得λ
min
≤i
″
α
(x，y)x，y≤λ
max
，其中λ
min
，λ
max
为黑塞矩阵的特征值，x
t
为x的转置运算，若λ
min
＜0且λ
max
＜0，则函数在任意方向的二阶导数均小于0，判断每个窗口存在局部极大值；本发明采用5*5大小窗口对sar图像进行遍历。
[0040]
步骤3，对每个窗口中得到的极大值坐标进行记录，并在sar图像中标记；
[0041]
步骤4，对峰值点公式进行泰勒展开后转化为二次抛物面方程：
[0042][0043]
其中，
d＝-2a
·
x
0-cy0，d1＝-2b
·y0-cx0，f＝a
·
x0 by0 cx0·
y0 h，x0，y0为峰值中心点在图像中的位置，θ为峰值函数的长轴与x轴的夹角，若存在局部极大值，则将窗口中的坐标与相应值代入式(1)中求得a，b，c，d，d1，f的值，并进一步求得sinθ，cosθ，x0，y0，
[0044]
相较于传统的边缘检测算法，本发明采用最小二乘法进行i(x，y)的二次曲面拟合，拟合函数为
[0045]
在matlab中绘制该拟合函数的图像得到三维矩阵k1(x，y，z)，滤除g、b两通道并缩放至原图大小得到图像k2(x，y)，最后经二值化变换得到图像k3(x，y)，令t(x，y)＝f(x，y)
×
k3(x，y)，则t(x，y)为提取的目标图像。
[0046]
实施例1，基于mstar开源数据库车辆目标自动提取：
[0047]
图2是实施例1中车辆目标的可见光图像；图3是实施例1中车辆目标的sar图像f(x，y)；图4是实施例1中车辆目标的去噪后图像g(x，y)；图5是实施例1中车辆目标的散射中心图；图6是实施例1中车辆目标的伪彩图k1(x，y，z)；图7是实施例1中车辆目标的滤波后图像k2(x，y)；图8是实施例1中车辆目标的二值化图像k3(x，y)；图9是实施例1中提取的目标图像t(x，y)；
[0048]
实施例2，基于实采数据车辆目标自动提取：
[0049]
图10是实施例2中车辆目标的可见光图像；图11是实施例2中车辆目标的实采sar图像f(x，y0；图12是实施例2中车辆目标的去噪后图像g(x，y)；图13是实施例2中车辆目标的散射中心图；图14是实施例2中车辆目标的伪彩图k1(x，y，z)；图15是实施例2中车辆目标的滤波后图像k2(x，y)；图16是实施例2中车辆目标的二值化图像k3(x，y)；图17是实施例2中提取的目标图像t(x，y)。