基于证据理论算法的SAR图像中检测建筑物方法

摘要

一种基于证据理论算法的SAR图像中检测建筑物的方法，其实现步骤为：(1)输入图像；(2)对输入的一幅含有待检测建筑物的合成孔径雷达SAR图像进行滤波；(3)获取显著图像；(4)获取500个注意焦点；(5)分割滤波后的图像；(6)计算每个连通区域的可信度；(7)判断每个连通区域的可信度是否大于0.5，若是，则执行步骤(9)，否则，执行步骤(8)；(8)删除连通区域；(9)输出最终检测结果。本发明采用判断每个连通区域的可信度，克服了过于依赖角线检测结果的准确度问题，具有提高检测精度的优点。可应用于高分辨率SAR图像中的建筑物的检测和识别。

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及目标识别技术领域中一种基于证据理论算法的合成孔径雷达SAR(Synthetic Aperture Radar)图像中检测建筑物的方法。本发明可应用于高分辨率SAR图像中的建筑物的检测和识别。

背景技术

SAR图像中的建筑物检测是SAR图像解译的重要内容，因此许多学者都针对该问题提出了不同的解决方法。根据SAR图像中信息的利用方式，SAR图像中的建筑物检测方法可分为基于纹理特征的方法，基于统计特征的方法和基于融合纹理特征和统计特征的方法。

A Ferro等多人在其发表的论文“Automatic Detection and Reconstruction ofBuilding Radar Footprints From Single VHR SAR Images”(Transactions onGeoscience and Remote Sensing，2013)中公开了一种基于对基础特征逐级验证的SAR图像中建筑物检测的方法。该方法首先对建筑物成像模型进行2维重建，然后通过验证SAR图像中建筑物的基础特征来进行逐级决策判定，最终得到建筑物的检测结果。该方法虽然利用SAR图像中建筑物的多种基础特征进行逐级判定，使检测结果更为准确。但是该方法仍然存在的不足是，该方法没有对相干斑噪声进行抑制，使检测结果容易受到相干斑噪声的影响，从而导致错检、漏检情况严重。

Su等多人在其发表的论文“A building detection algorithm based onfeature fusion in high resolution SAR images”(Acta Geodaetica EtCartographica Sinica,2014)中公开了一种基于视觉模型和多特征融合的SAR图像中建筑物的检测方法。该方法首先利用视觉注意模型对SAR图像进行处理，得到感兴趣区域，然后在感兴趣区域中提取建筑物的底层特征，最后根据提取到的底层特征逐级判定得到最终的检测结果。该方法虽然提取多种SAR图像中建筑物的多种基础特征，使检测的结果更加准确。但是该方法仍然存在的不足之处是，该方法过于依赖感兴趣区域提取的精确度，使得检测结果容易受到其他人工目标的干扰，从而导致错检、漏检情况严重。

中国空间技术研究院在其申请的专利文献“一种基于高分辨率SAR图像的城市地区建筑物检测方法”(专利申请号：201610109494.6，公开号：105787450A)中公开了一种基于角线检测和一维能量谱的SAR图像中建筑物的检测方法。该方法首先通过阈值分割提取SAR图像高亮区域进行角线检测，接着通过角线和二次散射线确定墙面叠掩区域并分离，然后对分离出的叠掩区域的纹理特性进行分析，转化成以角度为变量的一维能量谱，并找出能量谱最大值对应的角度，最后，以该角度为90°±3°作为建筑物判定为真的原则进行判定。该方法虽然综合利用图像亮度、几何形状、纹理特性等信息，使检测的结果更加准确。但是该方法仍然存在的不足之处是，该方法过于依赖角线检测结果的准确度，难以检测出图像中尺寸较小的建筑物，从而导致漏检情况严重。

发明内容

本发明的目的在于克服上述已有技术的不足，提出了一种基于证据理论算法的SAR图像中检测建筑物的方法。本发明与现有技术中其他合成孔径雷达SAR图像中检测建筑物技术相比，计算复杂度低，并且能够很好的克服由于受到相干斑噪声的影响，过于依赖感兴趣区域提取的精确度与过于角线检测结果的准确度造成的错检、漏检情况严重的问题，提高了检测精度。

本发明实现上述目的的思路是：先对输入的一幅含有待检测建筑物的合成孔径雷达SAR图像进行滤波；其次为克服过于依赖感兴趣区域提取的精确度与过于依赖角线检测结果的准确度问题，利用大津Otsu自动阈值法，对滤波后的图像进行分割，得到分割后的图像和连通区域，计算每个连通区域的可信度；最后判断每个连通区域的可信度是否大于0.5，若是，输出最终检测结果，否则，删除连通区域。

本发明实现的具体步骤如下：

包括如下步骤：

(1)输入图像：

输入一幅含有待检测建筑物的合成孔径雷达SAR图像；

(2)对输入的一幅含有待检测建筑物的合成孔径雷达SAR图像进行滤波；

(3)获取显著图像：

利用Itti的视觉注意力模型，获取输入图像的显著图像；

(4)获取500个注意焦点：

(4a)将显著图像中具有最大值的像素点作为当前的注意焦点；记录注意焦点的位置；

(4b)在显著图像中，以当前注意焦点为圆心，区域半径为半径的圆形区中所有的像素点的值设置为0；

(4c)判断是否已选取500个注意焦点，若是，则执行步骤(5)，否则，执行步骤(4a)；

(5)分割滤波后的图像：

利用大津Otsu自动阈值法，对滤波后的图像进行分割，得到分割后的图像和连通区域；

(6)按照下式，计算每个连通区域的可信度：

其中，Bel_i表示第i个连通区域的可信度，m₁表示连通区域的平均灰度值的概率，·表示相乘操作，m₂表示连通区域内注意焦点数量的概率，m₃表示连通区域的平均显著值的概率；

(7)判断每个连通区域的可信度是否大于0.5，若是，则执行步骤(9)，否则，执行步骤(8)；

(8)删除连通区域；

(9)输出最终检测结果。

本发明与现有技术相比具有以下优点：

第一，由于本发明对输入的一幅含有待检测建筑物的合成孔径雷达SAR图像进行滤波，克服了现有技术中由于没有对相干斑噪声进行抑制，使检测结果容易受到相干斑噪声的影响，从而导致错检、漏检情况严重的不足，使得本发明具有不受相干斑噪声的影响的优点，降低了检测结果中错检、漏检情况出现的频率。

第二，由于本发明用大津Otsu自动阈值法，对滤波后的图像进行分割，克服了现有技术中由于过于依赖感兴趣区域提取的精确度，使得检测结果容易受到其他人工目标的干扰，从而导致错检、漏检情况严重的不足，使得本发明具有不受感兴趣区域提取的精度影响的优点，降低了检测结果中错检、漏检情况出现的频率。

第三，由于本发明通过计算每个连通区域的可信度来检测合成孔径雷达SAR图像中建筑物，克服了现有技术中由于过于依赖角线检测结果的准确度，难以检测出图像中尺寸较小的建筑物，从而导致漏检情况严重的不足，使得本发明具有不受角线检测结果精度影响的优点，提高了本发明在合成孔径雷达SAR图像建筑物的检测领域的适应性。

附图说明

图1为本发明的流程图；

图2为本发明的仿真图。

具体实施方式

下面结合附图对本发明作进一步的详细描述。

参照图1，本发明的具体实施步骤如下。

步骤1，输入图像。

输入一幅含有待检测建筑物的合成孔径雷达SAR图像。

步骤2，对输入一幅含有待检测建筑物的合成孔径雷达SAR图像进行滤波。

所述对输入一幅含有待检测建筑物的合成孔径雷达SAR图像进行滤波是按照下式进行的：

其中，A表示对一幅含有待检测建筑物的合成孔径雷达SAR图像滤波后的图像，max表示取最大值操作，min表示取最小值操作，f表示输入的一幅含有待检测建筑物的合成孔径雷达SAR图像，表示做形态学膨胀操作，B₃表示尺寸为5的结构元素与尺寸为3的结构元素的差值，表示做形态学腐蚀操作，B₂表示尺寸为3的结构元素。

步骤3，获取显著图像。

利用Itti的视觉注意力模型，获取输入图像的显著图像。

所述的利用Itti的视觉注意力模型，获取输入图像的显著图像的步骤如下：

第一步，对输入的一幅含有待检测建筑物的合成孔径雷达SAR图像做傅里叶变换。

第二步，求傅里叶变换后图像的幅度谱。

第三步，求傅里叶变换后图像的相位谱。

第四步，按照下式，计算傅里叶变换后图像的幅度谱与幅度谱的局部平均滤波残差值：

R＝log A-h*log A

其中，R表示傅里叶变换后图像的幅度谱与幅度谱的局部平均滤波残差值，log表示取以10为底的自然对数操作，A表示傅里叶变换后图像的幅度谱，h表示局部平均滤波器，*表示卷积操作。

第五步，对局部平均滤波残差值与相位谱的和做逆傅里叶变换，得到特征图。

第六步，用高斯滤波器平滑特征图，得到显著图像。

步骤4，获取500个注意焦点,。

第一步，将显著图像中具有最大值的像素点作为当前的注意焦点；记录注意焦点的位置。

第二步，在显著图像中，以当前注意焦点为圆心，区域半径为半径的圆形区中所有的像素点的值设置为0。

所述的区域半径是按照下式计算得到的：

其中，r表示区域半径，·表示相乘操作，l表示显著图像的长度，w表示显著图像的宽度。

第三步，判断是否已选取500个注意焦点，若是，则执行步骤5，否则，执行第一步。

步骤5，分割滤波后的图像。

利用大津Otsu自动阈值法，对滤波后的图像进行分割，得到分割后的图像和连通区域。

步骤6，按照下式，计算每个连通区域的可信度：

其中，Bel_i表示第i个连通区域的可信度，m₁表示连通区域的平均灰度值的概率，·表示相乘操作，m₂表示连通区域内注意焦点数量的概率，m₃表示连通区域的平均显著值的概率。

所述的连通区域的平均灰度值的概率如下：

其中，m₁表示连通区域的平均灰度值的概率，n₁表示该连通区域的平均灰度值。

所述的连通区域内注意焦点数量的概率如下：

其中，m₂表示连通区域内注意焦点数量的概率，n₂表示该连通区域内的注意焦点数量。

所述的连通区域的平均显著值的概率如下：

其中，m₃表示连通区域的平均显著值的概率，n₃表示该连通区域的平均显著值。

步骤7，判断每个连通区域的可信度是否大于0.5，若是，则执行步骤9，否则，执行步骤8。

步骤8，删除连通区域。

步骤9，输出最终检测结果。

本发明的效果可通过以下仿真进一步说明。

1、仿真实验条件：

本发明的仿真试验是在主频2.GHZ的Intel Core(TM)i5-4210H CPU、内存12GB的硬件环境和MATLAB R2014b的软件环境下进行的。

2、仿真内容和仿真结果分析：

仿真内容包括本发明的方法和现有的基于对基础特征逐级验证的SAR图像中建筑物检测的方法，其中现有的这种方法是合成孔径雷达SAR图像中建筑物检测中引用较多的经典方法。

参照图2对本发明的仿真效果做进一步的描述。图2(a)是本发明仿真实验使用的一幅含有待检测建筑物的合成孔径雷达SAR图像，该图是2015年陕西阎良市部分城市区域P波段的合成孔径雷达SAR图像，来源于中电集团38所机载合成孔径雷达平台，合成孔径雷达SAR图像大小为256像素×256像素。

图2(b)是采用现有技术的基于对基础特征逐级验证的SAR图像中建筑物检测的方法，对图2(a)含有待检测建筑物的合成孔径雷达SAR图像中建筑物进行检测的仿真结果图，图2(c)是采用本发明的方法，对图2(a)含有待检测建筑物的合成孔径雷达SAR图像中建筑物进行检测的仿真结果图。

由图2(b)所示的仿真图可见，合成孔径雷达SAR图像中建筑物虽然大致可以得到有效检测，但由于受相干斑噪声与角线检测结果精度的影响，错检、漏检情况严重。

采用本发明的方法得到的仿真图2(c)，与图2(b)相比，大大减少了合成孔径雷达SAR图像中建筑物错检和漏检的情况，降低了相干斑噪声的影响，而且降低了角线检测结果精度和感兴趣区域提取精确度的影响，使检测结果更好地吻合真实地物。综上所述，表明本发明的方法在合成孔径雷达SAR图像中建筑物检测的问题上能获得更好的检测结果。