一種適用于低分辨率下的實孔徑雷達機場目標圖像匹配定位算法

許多人在光明圖中研究了機場目標檢測的問題，主要是從機場的幾何結構中提取資源來識別目標。在sar圖像中，為了解決機場的目標識別的定位問題，提出了基于互相關測量的線性特征檢測算法，并在實際應用中取得了良好的效果。然而，在調整和定位機場跑道的端點時，基于灰色模式的模型匹配存在一定的局限性，尤其是在圖像質量差、信噪比低的情況下。一般,機場跑道在雷達圖像中表現有如下特征:a.跑道為灰度分布均勻的暗線條特征;b.機場周圍背景區(qū)域比機場區(qū)域亮;c.一般為雙跑道(主跑道和滑行道),表現為雷達圖像上平行且長度相一致的兩暗線條,且方向可知;d.兩暗線條之間的間距與機場跑道間距一致且可知.根據這些結構特征,本文提出了線特征濾波與對比度信息相結合的實孔徑雷達機場目標圖像匹配定位算法.實驗結果證明:即使在成像質量較差、圖像信噪比較低時,這種方法也能保證較高的正確匹配概率.1算法的原理1.1像素數的計算cij為了提取實時圖中跑道所在的直線,采用邊緣特征算子來增強實時圖,這里所用的邊緣提取算子實際上是一個互相關濾波器.圖像中任一位置處x0沿給定方向上的理想階躍邊緣的最佳逼近可由區(qū)域Ri和Rj組成,如圖1(a)所示.x0點處的濾波值根據下式計算:式中:ni和nj分別為區(qū)域Ri和Rj的像素數;cij=μi/μj為區(qū)域Ri和Rj之間的灰度均值比;γi和γj分別為區(qū)域Ri和Rj中灰度標準差和均值之比,表示了區(qū)域Ri和Rj中所有像素的灰度一致性.可以看出式(1)中ρij的值不僅依賴于區(qū)域Ri和Rj之間的對比度,而且也考慮到了各區(qū)域自身的一致性,它的大小對應了x0處圖像灰度變化和最佳近似邊緣的一致性,即反映原始圖中x0處沿d方向的線特征顯著性強弱.機場跑道在實孔徑雷達圖中有一定的寬度,為了提取具有一定寬度的線特征,可以利用等效為由兩個方向邊緣提取模板的3個區(qū)域構成的線特征模板,如圖1(b)所示.此時定義點x0處的線性濾波值式中:ρ等效為沿一定方向的線特征顯著性度量,當ρ大于一定的門限ρth時說明此處存在線特征.值得注意的是,經過上述互相關線特征濾波后,原表現為暗目標的機場跑道已化為亮目標.1.2主輔機場跑道間距在成像分辨率和成像方位相同的條件下,實時圖和參考圖中機場目標的方向和兩跑道間間距也是相同的,因此實時圖中機場目標的方向及兩跑道間距離可由參考圖提供.在實時圖中,沿已知的跑道方向進行上述線特征濾波后,通過Radon變換,可得到一組投影值,在這一組投影值中跑道處對應為局部極大值,然后可根據以下識別準則來確定主輔機場跑道所在直線的位置:a.機場兩跑道對應的投影位置為相鄰的兩局部最大值,且兩極大值相接近;b.兩局部極大值間隔與已知的機場跑道間距一致;c.主跑道對應的投影值最大.1.3機場跑道區(qū)域標定制備參考圖是為了匹配定位機場跑道的端點.參考圖由可見光圖像經過處理后獲得:提取機場特征后,用一定的灰度值對機場跑道區(qū)域加以標定,然后用數學形態(tài)學的方法對機場跑道區(qū)域進行膨脹,將膨脹出來的區(qū)域用另外的灰度值標定,代表機場周圍背景.匹配時參考圖的作用是標定實時圖中機場跑道及跑道周圍背景的幾何位置,以計算實時圖中對應位置像素的統(tǒng)計特征,并沒有用到參考圖的灰度信息,從而避免了由于可見光參考圖與實孔徑雷達實時圖對應區(qū)域灰度相關性不強帶來的誤匹配.1.4機場匹配定位算法經過前面所提到的線性濾波和Radon變換提取到實時圖中跑道所在的直線之后,讓參考圖的機場沿著實時圖機場跑道所在的直線滑動,僅在這些位置處對兩幅圖像進行匹配,這樣做不僅減少了運算量而且提高了算法的穩(wěn)定度.在實孔徑雷達圖中,機場表現為灰度分布均勻的暗線條特征,而且和周圍背景有較明顯的反差,這意味著機場所對應區(qū)域的方差最小,而和周圍背景的對比度最大.基于這種性質,在每一個匹配位置處統(tǒng)計實時圖中與參考圖對應的為機場跑道和周圍背景的像素點的灰度值,并分別計算出對應機場跑道、周圍背景的像素點的均值和標準差,分別記為:μA,σA,μB和σB.利用對比度的原理,選出|μB-μA|值最大的m個匹配位置,又由于實時圖中機場位置所對應的像素灰度分布均勻,因此再選出σA最小的n個位置.然后在這些點中進行進一步篩選,若m點和n點有交集,則在它們的交集中選μA值最小的那個點作為正確匹配點,反之若兩者沒有交集,則選m+n點中μA值最小的點作為正確匹配點.算法流程如圖2所示.2成像像質量下降到一定程度的匹配準確度針對50幅實孔徑雷達圖像,進行了機場目標的檢測與定位實驗,圖3為本算法對其中兩幅圖的檢測結果.如圖3所示,兩條直線為所檢測到的機場跑道所在的直線,小十字線表示左跑道上端點的理論位置,大十字線表示檢測定位出的機場左跑道上端點所在位置.由以上的兩個例子可以看出:當允許誤差為±5像素時,兩幅圖均正確定位了跑道端點.實際上,當對50幅實孔徑雷達圖做統(tǒng)計時,正確定位概率能達到70%.當成像質量下降到一定程度時,算法的改進已經很難再提高匹配準確度,這里圖像成像質量定義為所謂的圖像信噪比SSNR,有SSNR=|μa-μb|/σ,式中:μa為機場部分的灰度均值;μb為機場周圍背景的灰度均值;σ為背景部分的灰度方差.圖4為該算法在實時圖不同信噪比時的正確檢測定位概率,從中可以看出:圖像的信噪比SSNR對算法的定位結果有一定影響,隨著信噪比的提高,正確檢測定位概率也有了明顯提高.值得注意的是:這里只給出信噪比0.2到0.5的匹配實驗結果,對于信噪比低于0.2的情況(這在實孔徑雷達圖像匹配中經常發(fā)生)沒統(tǒng)計.因此,雖然圖4中各信噪比下的正確匹配概率均大于70%,但總體正確匹配概率仍只有70%.根據實孔徑雷達的成像原理,圖像的信噪比即實孔徑雷達圖的成像質量受到成像時機場在圖中位置及方向的影響,具體的定量解析關系還需在理論分析及大量實驗的基礎上才能給出.本文算法克服了經典的基于