[发明专利]基于SAR图像的车辆目标特征提取方法

说明书

技术领域

本发明属于遥感信息处理技术领域，涉及一种SAR（synthetic aperture radar，合成孔径雷达）图像车辆目标特征的提取方法。

背景技术

SAR是一种主动式的微波成像传感器，具有全天时和全天候的工作能力，能借助星载、机载或无人机载等平台实现大面积的高分辨率成像探测，在对地观测领域有广泛的应用。车辆目标如轿车、卡车、坦克、装甲车等都是SAR对地观测中重点监测的一类目标，该类目标的检测和鉴别是SAR图像信息获取的重要内容。

SAR图像车辆目标检测和鉴别过程中常采用恒虚警检测策略实现目标检测，由于仅考虑了背景杂波的统计特性，其检测结果可能包含大量背景地物（如背景的突变区域、孤立的岩石、稀疏的树丛等）产生的虚假目标。为了消除上述虚假目标，需要利用车辆目标的真实特征和先验知识与从SAR图像中提取的车辆目标特征进行比对判决。因此，去除虚假目标的关键就在于挖掘车辆目标与背景地物在SAR图像中的差异，并定量表征，即车辆目标特征提取。

常用的SAR图像车辆目标特征包括几何特征、纹理特征、对比度特征等。上述部分特征的提取方法来自于光学图像处理技术，并不能真实反映SAR图像中车辆目标真实的后向散射特性，其对背景杂波的鉴别性能难以保证。另外，在实际应用中SAR图像的质量容易受平台扰动、大气散射、地物变化等多种因素的影响，获得的SAR图像会产生一定的畸变和失真，可以近似为SAR图像的旋转、缩放、拉伸、平移等变化，通常称为仿射变换。在SAR图像发生畸变和失真时，上述大部分目标特征的计算结果将有较大的变化，降低了其对背景杂波的可分离程度。因此，如何提取SAR图像车辆目标的仿射不变特征，并以此有效区分车辆目标和背景地物将是SAR图像车辆目标检测与鉴别的关键问题之一。

发明内容

本发明提供一种基于SAR图像的车辆目标特征提取方法。该特征能较好的区分车辆目标和由背景地物形成的虚假目标，能较大程度降低车辆目标检测与鉴别过程中的虚警概率；而且本发明提取的特征具有仿射不变的特性，具有较好的数据适应性。同时，该特征计算简单，运算量小，便于工程实现。

本发明的基本思路是：通过分析车辆目标与背景地物在SAR图像中的现象学特性及其形成机理，来挖掘两者在SAR图像上呈现的本质性差异，即车辆目标的像素幅度具有较大的不规则特性，而背景地物则没有这一特性。这一不规则特性难以利用欧氏几何来定量描述和计算，本发明基于分形理论提出了一种新的具有仿射不变特性的车辆目标特征，也就是间隙度特征。

本发明的技术方案是：

第一步：计算平滑窗内的质量

设待测SAR图像的尺寸为W×W，平滑窗的尺寸为L×L，L为平滑窗的边长，L∈{3,5,7,9,11,13}，且L＜W。平滑窗在待测SAR图像的任意位置(i,j)上滑动时，平滑窗内待测SAR图像的像素最大值和最小值分别为U_L(i,j)和B_L(i,j)，其差值为：

δ_L(i,j)＝U_L(i,j)-B_L(i,j)   （一）

平滑窗的质量M_i,j,L表示在SAR图像位置(i,j)处，当平滑窗边长为L时，平滑窗内像素强度的起伏程度，记为：

M_i,j,L＝Ceil[k·δ_L(i,j)/L]   （二）

式中k＝H₀/G是加权系数，G是待测SAR图像的像素最大值，H₀是量化系数，决定δ_L(i,j)的量化级数，通常取H₀＝50，函数Ceil[·]代表取上限整数值。

由质量M_i,j,L计算公式可知，M_i,j,L反映了位置(i,j)处平滑窗内车辆目标像素幅度的不规则程度，M_i,j,L取值越大，平滑窗内像素幅度的起伏越剧烈，具有更大的不规则性。

第二步：计算平滑窗内质量的概率

设M∈{M_i,j,L}，n(M,L)表示当质量M_i,j,L＝M且平滑窗边长为L时，平滑窗的总数目，则质量M_i,j,L的概率为；