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和合成孔徑技術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成像技術被廣泛應用于環境監測、災害檢測、農業調查、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域[3-4].

然而隨著SAR技術的發展，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]提出了一種雙參數超像素的SAR目標檢測算法.

目前，隨著人們對神經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].根據觀測策略的不同，現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換為頻域數據，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計數據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域檢測方法.Yang等[14]結合視覺機制和深度學習模型，提出了一種多尺度神經網絡來提取目標顯著性區域.

基于上述分析，本文針對人眼視覺系統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，再根據超像素點之間的關聯關系，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上將圖像劃分為多個圖像子區域，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領域內的像素點梯度，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領域內的像素點分為同一類.

3) 計算種子點與其3×3領域內其他像素點在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.

經過上述步驟即可得到圖像的超像素分割結果，圖2所示為分別取N=100和200時的分割結果.可以看出，使用SLIC算法得到的分割結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.假設超像素點為sn，可以根據其與領域內超像素點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為

(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)為超像素的水平質心.

同理，可以得到超像素sn在垂直方向的形變為

(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；NN(sn)為超像素點sn的k近鄰.這里將非目標區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作為融合后的結果，則融合后的顯著圖為

(11)

式中：STi為顯著性結果；Fn為前景像素點；Bn為背景像素點；p為概率函數.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，并構建多尺度圖像檢測數據集進行仿真測試.數據集具體信息如表1所示.同時，本文使用M-Star數據集與MiniSAR數據集圖像進行定量和定性分析.

表1 SAR圖像檢測數據集Tab.1 SAR image detection data set

本文首先比較了不同顯著性檢測結果，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域，在增強目標區域顯著性的同時削弱背景像素的干擾.

圖3 顯著性檢測結果Fig.3 Saliency detection results

圖4為文中算法與現有算法進行SAR目標檢測的對比結果，依次為輸入圖像、本文算法結果、文獻[12]結果和文獻[13]結果.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域的同時能夠過濾掉背景噪聲，具有較低的虛警結果.本文獲取的顯著性檢測結果中存在部分殘缺區域，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，目標也可能被自身遮擋而無法反射回波，導致成像結果出現陰影，從而使得檢測結果出現殘缺.圖5為SAR圖像中存在多個目標時的檢測結果，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，檢測出的目標區域具有更完整的結構與更干凈的背景.

本文也使用加權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為加權系數，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據集上的加權F值結果.從表2中可以看出，所提算法在3個數據集上的加權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顯著性目標檢測結果Fig.4 SAR salient target detection results

圖5 多目標檢測結果Fig.5 Multi-target detection results

表2 加權F值比較結果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平臺運行的耗時結果，表3給出了不同算法處理RadarSat數據集(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]能節省將近90%的計算時間.

5 結 論

本文基于人眼視覺系統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域構成的集合，從而實現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聯關系.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圖像數據集上的顯著性檢測結果表明，所提出的方法明顯優于現有方法，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