基于顯著性檢測的合成孔徑雷達目標檢測算法

范 越， 解 鋒

(海軍工程大學 電子工程學院， 武漢 430033)

合成孔徑雷達(SAR)綜合利用脈沖壓縮技術(shù)和合成孔徑技術(shù)來獲取高分辨率圖像[1]，其具有強穿透的特點，可以對隱藏在廢墟和植被下的目標進行檢測偵查[2]，因此，SAR成像技術(shù)被廣泛應用于環(huán)境監(jiān)測、災害檢測、農(nóng)業(yè)調(diào)查、建筑測繪、軍事目標識別及對地面目標實施打擊等民用與軍事領(lǐng)域[3-4].

然而隨著SAR技術(shù)的發(fā)展，SAR圖像中的邊緣信息、紋理信息和形狀信息越來越豐富，其大范圍成像特點也使得圖像中包含的目標類型和場景越來越多[5].而傳統(tǒng)的人工處理方法已無法有效、迅速地分析SAR圖像中的大量信息，因此，基于圖像分割的SAR圖像目標檢測算法被提出.Dong等[6]提出了一種基于熵的SAR目標檢測算法；Yue等[7]提出了一種雙參數(shù)超像素的SAR目標檢測算法.

目前，隨著人們對神經(jīng)解剖學和認知心理學的研究逐漸深入，越來越多基于視覺注意的顯著性目標提取算法被提出[8-9].根據(jù)觀測策略的不同，現(xiàn)有顯著性目標檢測模型可以分為圖模型、頻域模型、貝葉斯模型和認知模型[10].其中，圖模型先對超像素分割后的圖像建立模型，然后使用馬爾科夫鏈來獲取最終的顯著性圖；頻域模型使用二維傅里葉變換將輸入圖像轉(zhuǎn)換為頻域數(shù)據(jù)，在頻域提取目標的顯著圖并逆變換到空間域來獲取最終的顯著性圖[11]；貝葉斯模型利用圖像的先驗統(tǒng)計數(shù)據(jù)對顯著性圖進行建模；認知模型先采用高斯金字塔策略來模擬人眼的感受野，再融合圖像的亮度、方向和顏色等特征來獲取最終的顯著性圖[12].此外，Coelho等[13]提出了一種基于全局對比度的顯著性區(qū)域檢測方法.Yang等[14]結(jié)合視覺機制和深度學習模型，提出了一種多尺度神經(jīng)網(wǎng)絡(luò)來提取目標顯著性區(qū)域.

基于上述分析，本文針對人眼視覺系統(tǒng)對多尺度圖像進行非均勻采樣的特點，提出了一種基于顯著性檢測的合成孔徑雷達目標檢測算法.采用超像素分割算法對SAR圖像進行超像素分割，再根據(jù)超像素點之間的關(guān)聯(lián)關(guān)系，分別提取SAR圖像的3種顯著性映射，由貝葉斯估計得到SAR圖像的精確顯著性映射，最后通過融合這些顯著性映射而得到顯著圖.

1 算法整體框架

本文基于人眼視覺系統(tǒng)對多尺度圖像進行非均勻采樣的特點，把SAR圖像分割為不同的超像素.以超像素為單位提取局部對比度顯著性、像素緊湊度顯著性和全局唯一性顯著性映射.通過融合三種像素級別的精確顯著性映射得到最終的顯著圖.該算法整體框架如圖1所示.

2 超像素分割

超像素分割是一種圖像過分割的方法，其在不破壞圖像中物體邊界信息的基礎(chǔ)上將圖像劃分為多個圖像子區(qū)域，即超像素.每個超像素通常由一系列位置相鄰，且具有相似亮度、顏色或紋理的像素點組成.超像素分割算法可以分為基于圖論的算法(例如Ncut算法、Graph-based算法)及基于梯度下降的算法(例如SLIC算法).其中SLIC算法具有參數(shù)少、特征易表示和運行速度快的特點，因此本文使用SLIC算法對SAR圖像進行超像素分割，具體步驟為：

圖1 算法整體框架Fig.1 Overall framework of algorithm

2) 更新種子點，計算每個種子點3×3領(lǐng)域內(nèi)的像素點梯度，并將梯度最小的點作為新的種子點，同時將新種子點的3×3領(lǐng)域內(nèi)的像素點分為同一類.

3) 計算種子點與其3×3領(lǐng)域內(nèi)其他像素點在Lab上的空間距離ds和顏色距離dc，則有

(1)

(2)

(3)

4) 重復上述步驟2)和3)，直至像素點的中心不再變化.

5) 為了減少孤立像素點的數(shù)量，使用連通分量算法將孤立像素點分配給鄰近的超像素點.

經(jīng)過上述步驟即可得到圖像的超像素分割結(jié)果，圖2所示為分別取N=100和200時的分割結(jié)果.可以看出，使用SLIC算法得到的分割結(jié)果邊界線能夠較好地貼合目標邊緣.

圖2 SLIC超像素分割算法示例Fig.2 Example of SLIC super pixel segmentation algorithm

3 顯著性檢測與融合

不同于傳統(tǒng)的顯著性目標檢測算法，本文利用超像素作為基本特征提取單位，基于超像素分別提取得到SAR圖像的局部對比度顯著性、像素緊湊度顯著性和全局唯一性顯著性映射.

3.1 局部對比度顯著性映射

SAR的成像機理使得圖像中的目標區(qū)域灰度值較小，因此文中利用局部對比度分析檢測SAR圖像中存在的目標.假設(shè)超像素點為sn，可以根據(jù)其與領(lǐng)域內(nèi)超像素點si的直方圖相交距離來定義局部對比度LC.

為了加快計算速度，本文使用層級傳播的方式來計算sn與si的直方圖相交距離，即

LC(sn)=(hsn-hsi)2

(4)

(5)

(6)

式中：L(sn)為超像素包含的像素點總和；h為超像素直方圖分布.

3.2 像素緊湊度顯著性映射

一般SAR圖像中的目標在空域上具有緊湊的構(gòu)型，因此本文使用超像素點的形變損失來定義目標的緊湊度顯著性.超像素sn在水平方向上的形變?yōu)?/p>

(7)

式中：X為像素點的水平坐標；Xh為歸一化后的水平坐標；|X|sn=∑LC(x)；Mh(sn)為超像素的水平質(zhì)心.

同理，可以得到超像素sn在垂直方向的形變?yōu)?/p>

(8)

式中：Y為像素點的垂直坐標；Yv為歸一化后的垂直坐標；|Y|sn=∑LC(y)；Mv(sn)為超像素的垂直質(zhì)心.

綜上可得SAR圖像目標的緊湊度顯著性表達式為

AS=1-Cv(sn)-Ch(sn)

(9)

3.3 全局唯一性顯著性映射

在大尺度SAR圖像中，目標通常是稀疏存在的，本文根據(jù)該特點提出了全局唯一性顯著性.具體地，對于超像素sn，全局唯一性顯著性定義為

(10)

式中：dist()為距離計算函數(shù)；NN(sn)為超像素點sn的k近鄰.這里將非目標區(qū)域的超像素點作為背景超像素，文中只在背景超像素點中尋找最近鄰像素.

3.4 顯著性映射融合

在得到SAR圖像的局部對比度顯著性、像素緊湊度顯著性和全局唯一性顯著性映射后，本文使用貝葉斯估計對3種顯著性映射進行融合來獲取更精細的顯著圖.將超像素點sn作為先驗信息，使用si作為融合后的結(jié)果，則融合后的顯著圖為

(11)

式中：STi為顯著性結(jié)果；Fn為前景像素點；Bn為背景像素點；p為概率函數(shù).計算二值化STi可以得到最終的顯著性映射為

ST=∑STi

(12)

4 仿真與實驗結(jié)果

為了驗證本文所提出方法的有效性，本文采集30張包含不同機場目標的SAR圖像，并構(gòu)建多尺度圖像檢測數(shù)據(jù)集進行仿真測試.數(shù)據(jù)集具體信息如表1所示.同時，本文使用M-Star數(shù)據(jù)集與MiniSAR數(shù)據(jù)集圖像進行定量和定性分析.

表1 SAR圖像檢測數(shù)據(jù)集Tab.1 SAR image detection data set

本文首先比較了不同顯著性檢測結(jié)果，如圖3所示，依次為：局部對比度顯著性、像素緊湊度顯著性、全局唯一性顯著性、融合結(jié)果.從圖3中可以看出，融合后的顯著性映射能夠明顯修正目標區(qū)域，在增強目標區(qū)域顯著性的同時削弱背景像素的干擾.

圖3 顯著性檢測結(jié)果Fig.3 Saliency detection results

圖4為文中算法與現(xiàn)有算法進行SAR目標檢測的對比結(jié)果，依次為輸入圖像、本文算法結(jié)果、文獻[12]結(jié)果和文獻[13]結(jié)果.從圖4中可以看出，相比于其他算法，本算法在獲取更為完整的目標區(qū)域的同時能夠過濾掉背景噪聲，具有較低的虛警結(jié)果.本文獲取的顯著性檢測結(jié)果中存在部分殘缺區(qū)域，這是因為場景目標在SAR成像時，每一部分具有不同的散射系數(shù)，目標也可能被自身遮擋而無法反射回波，導致成像結(jié)果出現(xiàn)陰影，從而使得檢測結(jié)果出現(xiàn)殘缺.圖5為SAR圖像中存在多個目標時的檢測結(jié)果，其中最小超像素的尺寸均為35像素.從圖5可看出，本文算法能夠較好地抑制背景噪聲的影響，檢測出的目標區(qū)域具有更完整的結(jié)構(gòu)與更干凈的背景.

本文也使用加權(quán)F值定量比較了所提出算法的性能，其計算方式為

(13)

式中：β為加權(quán)系數(shù)，一般取1；P為準確率；R為召回率.表2給出了不同算法在各種數(shù)據(jù)集上的加權(quán)F值結(jié)果.從表2中可以看出，所提算法在3個數(shù)據(jù)集上的加權(quán)F值均要高于其他算法，表明本文算法能夠更精確地檢測出SAR圖像中的目標，從而減少目標的虛警率.

圖4 SAR顯著性目標檢測結(jié)果Fig.4 SAR salient target detection results

圖5 多目標檢測結(jié)果Fig.5 Multi-target detection results

表2 加權(quán)F值比較結(jié)果Tab.2 Comparison results of weighted F values

考慮到SAR目標檢測的實時性需求，本文也比較了不同算法在Matlab平臺運行的耗時結(jié)果，表3給出了不同算法處理RadarSat數(shù)據(jù)集(1 510×3 800)圖片的平均耗時.從表3中可以看出，在相同運行平臺上，本文算法具有最快的計算速度，相比于文獻[12]能節(jié)省將近90%的計算時間.

5 結(jié) 論

本文基于人眼視覺系統(tǒng)對多尺度圖像進行非均勻采樣的特點，提出了一種基于顯著性檢測的合成孔徑雷達目標檢測算法.使用超像素分割算法將SAR圖像表示成不同大小的像素點區(qū)域構(gòu)成的集合，從而實現(xiàn)迅速地場景目標劃分.通過提取圖像的局部對比度顯著性、像素緊湊度顯著性和全局唯一性顯著性映射，來提取超像素特征與挖掘超像素點之間的關(guān)聯(lián)關(guān)系.使用貝葉斯估計融合3種顯著性圖，以得到像素級精度的顯著性映射.在3種SAR圖像數(shù)據(jù)集上的顯著性檢測結(jié)果表明，所提出的方法明顯優(yōu)于現(xiàn)有方法，能夠更精確地檢測出SAR圖像中的目標，抑制噪聲干擾并減少目標的虛警率.

表3 算法計算時間比較Tab.3 Comparison of algorithm calculation time s