《Clos交叉矩阵组播算法的研究.doc》由会员分享,可在线阅读,更多相关《Clos交叉矩阵组播算法的研究.doc(10页珍藏版)》请在金锄头文库上搜索。
1、11西安电子科技大学 本科生优秀毕业设计论文集基于模型的SAR图像桥梁目标识别计算机科学与技术专业 裴得利指导教师 权义宁摘 要 本文根据桥梁的模型和支持向量机实现对SAR图像中桥梁目标的检测和识别。首先利用自适应阈值的分割方法和数学形态学方法提取较完整的河流区域,在此基础上,根据桥梁模型在河流区域搜索疑似桥梁。将符合桥梁特征的疑似桥梁提取纹理特征,送入训练好的支持向量机进行最终辨识并将标记出最终结果和给出相应的信息。实验结果表明本算法可以准确的检测出SAR图像中的桥梁并给出相应信息,具有良好的实时性和准确率。关键词 SAR图像 图像分割 目标检测 支持向量机 桥梁识别Abstract Bas
2、ed on the model of the bridge and support vector machine (SVM), this paper proposes a bridge detection and recognition method in SAR (Synthetic Aperture Radar) image. After that, river contour is obtained using self adapting segment threshold and mathematics morphology method, within which may-be-br
3、idge targets will be searched for. Finally, based on the bridge model, the target that matches the bridge feature will be extracted for texture feature, and this feature will be sent into the trained SVM to make a final decision, obtaining the final result and corresponding information, such as posi
4、tion, angle and size. The test result shows that the method proposed can detect and recognize bridges in SAR image and give corresponding information with high accuracy rate and good real-time performance.Key Words SAR image segment detection SVM bridge recognition一、引言合成针孔雷达(Synthetic Aperture Radar
5、 ,SAR)具有分辨率高,全天时、全天候工作的特点,与可见光、红外传感器比较具有独特的优势和无法替代的作用,被广泛应用于工农业生产、科研和军事等领域。特别是在军事领域,广泛应用于全天候、全天时侦察,动目标显示,雷达成像,实时信息处理等。另一方面,桥梁是典型的人造地物目标,SAR图像中桥梁目标的自动识别在军事可以用于作战指挥、火力打击和打击效果评估等,具有非常重要的意义。由于SAR图像成像机理的特殊以及斑点噪声的影响,普通光学图像的图像处理和目标识别的经典算法直接应用于SAR图像效果并不一定理想。国内外对于SAR图像中桥梁的识别已经做了很多工作,大都基于桥梁建于河流这一先验知识基础上。总体来说,
6、这些方法可以分为以下三类:第一类利用河流的灰度特征直接进行阈值分割,然后通过形态学滤波方法细化河流轮廓,在此基础上利用桥梁的灰度特征或者梯度特征进行搜索最终确定桥梁2,3,6,7。第二类是利用多特征形成特征向量再用模糊聚类或者支持向量机分割水域,然后利用在这个区域内辨识桥梁目标1,5。第三类是基于SAR图像和光学图像的融合2,9,10。利用两种图像中提供的信息相互补充,综合两者的结果识别目标。在前人工作基础上提出本文的桥梁识别方法,同样基于桥梁在河流等水域之上这一先验知识,主要有预处理、水体分割、桥梁检测和桥梁识别几个步骤实现。水体分割过程中采用自适应阈值分割和形态学方法提高了算法的适应性,桥
7、梁检测阶段利用桥梁模型消除大部分虚警,使得后面更复杂的运算只对那些最有可能为桥梁的目标进行,提高算法的效率,最后的识别阶段,引入支持向量机以增加桥梁识别的准确率,取得了较好的效果。二、预处理SAR图像的一个突出的特点就是存在一种典型乘性噪声,称为“相干斑”(Speckle)噪声,这种噪声是分布目标所固有的,它的存在,掩盖了图像的精细结构,严重降低了图像的质量,为目标识别和图像解释造成困难。因此平滑图像并抑制噪声的预处理是一个不可缺少的过程。目前典型的SAR图像滤波方法有Lee滤波、Frost滤波、Kuan滤波和Gamma MAP滤波等,通过实验比较,本文选择Gamma MAP滤波对SAR图像进
8、行去噪处理。基于乘性噪声模型,假定地面后向散射系数呈高斯分布,Kuan等人提出最大后验概率算法(Maximum a Posteriori Probability, MAP)。在此基础上,Lopes等人用更符合实际情况的分布模型取代高斯分布,即假设地面目标雷达散射特性和相干斑都服从分布(因此简称Gamma MAP滤波算法)13-15。由Bayes准则知道 式(2-1)其中是基于实测强度I的条件后验概率分布,是受到污染的强度概率分布函数,是先验的概率分布函数,斑点滤波可以看成是在已知观测强度I求期望反射强度的最大后验概率(MAP)估计问题。至于,与无关,所以大多情况下不用考虑。于是有 式(2-2)
9、如果知道和就可以求出。一般的,可以认为高分辨率的SAR图像RCS服从Gamma分布 式(2-3)其中 v为阶参数,为RCS的均值对于单通道单极化L视SAR数据,可表示为: 式(2-4)由式2-2、2-3和2-4可得 式(2-5)对上式两边取对数并且对R求导,并令表达式为零,得: 式(2-6)其中阶参数v为:上述方法处理后,可以消除相干斑噪声,为图像中目标的检测和识别提供了良好的基础。三、桥梁的检测根据桥梁建立在河流这一先验知识,桥梁的识别,首先涉及到河流的分割,将河流区域定为感兴趣区域。在得到完整河流区域的基础上,我们首先建立桥梁模型,在河流区域根据桥梁特征搜索疑似目标。在前期桥梁的检测过程中
10、,利用AdaBoost的思想,逐步利用桥梁特征,将明显不是桥梁的目标去掉,减少虚警数目,使更为复杂的计算只对那些最有可能成为桥梁的目标进行,这样大大减少搜索范围,提高系统速度,同时有效的减少虚警。1桥梁模型从直观上讲,桥梁有很多特征,但是并不是所有特征都可以用于识别,也没有必要。从桥梁的众多特征中选取适于公式或数值表达的特征,建立一个桥梁的模型,用于桥梁的检测和识别。本文选取特征如下:1)横跨河流等水域。这是本文算法的基础,基于这样的假设,所以我们根据水域的特征先将河流分割出来,然后河流区域可能存在的桥梁。2)桥梁有较强的散射系数,具有高亮度值。桥梁是由钢铁和水泥构成的人工目标,呈现为高灰度值
11、的白色特征2。3)具有一定长宽比的矩形区域。桥梁的长宽比根据实际情况,应当在一个合理区间之内,据此可以排除在此之外的虚假目标。4)具有一定面积。根据图像的不同分辨率,换算之后在图像中桥梁的轮廓的面积也应当在某一区间之内,依此可以去掉面积过大或者过小的虚假目标。5)桥梁两侧为河流,故两侧同等大小矩形区域具有低亮度值。由于桥梁横跨河流,所以在平行河流方向上灰度变换较大,但是由于相干斑噪声的影响,变化区域较大,不适于直接利用梯度搜索。但是如图3.1所示,可以在桥梁轮廓外接核的两侧再求同等大小的矩形区域,根据两侧矩形灰度和分别与桥梁外接核灰度和的比值,可以消除部分虚警。图3.1 桥梁轮廓外借核及其相邻
12、的矩形2河流的分割本文采用根据图像直方图确定阈值的自适应阈值分割方法,克服固定阈值的缺点,同时算法简单易于实现。根据高分辨SAR图像中河流区域的特点,河流区域灰度较低且在图中面积较大,对于灰度直方图中的第一个波峰,文献6提出,TM图像直方图的第一个波谷出的值即为河流区域分割的阈值,以此分割河流和陆地,并通过形态学滤波的方法消除高亮度的桥梁造成的河流区域的不连通。文献2对该方法进行了改进并应用到SAR图像中,除用文献6中方法确定一个水体分割阈值外,利用桥梁的高亮度特性还确定了一个桥梁分割阈值,分割后由于包含了桥梁区域所以实现了水体的基本连通,最后用计数滤波器消除某些过渡区域的点。1)自适应阈值分
13、割本文结合两种文献的方法,对其进行了改进,提出根据灰度直方图确定水体分割阈值,同时根据桥梁的高亮度确定一个桥梁分割阈值,最后用形态学方法进行滤波得到完整河流区域。具体步骤如下:(1)对原始图像数据进行直方图统计,分为256级灰度,如图3.2(左);(2)对直方图进行平滑,消除局部抖动可能带来的误差,具体做法是将相邻的两级相加平均,。同时直方图的精度变为原来的一半,如图3.2(右)。(3)对平滑后的直方图作一阶差分h( z ) =h( z + 1) - h( z) ,从左至右检测一阶直方图中第一个由负到正的阶跃点,即为对应的波谷点,检测到的极小值点对应的灰度值即为要找的阈值。(4)通过实验确定桥
14、梁分割阈值为,。(5)对原始图像f ( x , y) 进行分割,分割规则如下: 图3.2 原始灰度直方图(左)及平滑后(右)2)河流轮廓的细化将分割之后图像二值化显示,分割效果如图3.4(左)所示,虽然将高亮度的桥梁包括在内,部分消除了对河流的不连通的影响,但是同时也使部分陆地上的高亮度区域落入目标区,形成很多噪声孔,因此通过中值滤波消除。由于桥梁两侧与水域的过渡区域亮度较低,仍有部分落在背景区域,造成河流区域的不连通,通过形态学的闭合运算,可用消除桥梁的影响,使河流区域完全连通,同时使陆地一些不能为滤波去掉的小孔填充。虽然闭合运算在消除部分噪声孔的同时,也使得部分噪声孔连通成为更大的噪声区域
15、,但这些可以通过后面的处理来消除。经过以上两步,河流轮廓已基本显现,同时还有一些相对较大面积的噪声区域,这些区域或是由于本身面积较大或是通过闭合运算将若干噪声孔连通起来形成较大面积,不能通过中值滤波和闭合运算将其填充,但是相对于连通的河流区域面积来说又较小,因此通过设置面积下限,将面积小于下限的区域去掉,效果如图3.4(右)。为增强本文方法的适应性,面积下限的设置不宜设置为绝对数值,故在本文中将根据经验将面积下限设置为整幅图像大小的1/200。图3.3 包含桥梁的SAR图像 图3.4 自适应阈值分割后的河流区域(左) 形态学滤波之后的河流区域(右)3桥梁的检测经过河流区域的分割,将存在桥梁的范围大大缩小,在此基础上根据桥梁模型中的高亮度、长宽比等简单特征在河流区域上搜索与之符合目标,称之为疑似桥梁,然后利用桥梁两侧同为低亮度河流特征,计算两侧与桥梁区域亮度比,进一步消除部分虚警。1)制作掩模矩阵为减少搜索区域,将搜索限定