论文部分内容阅读
逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)可对运动舰船目标进行远距离、全天时和全天候高分辨成像,是一种十分重要的战略防御手段。目标提取作为目标识别的前期准备工作,是图像目标解译的前提,对后续目标特征描述乃至分类识别造成直接影响。ISAR图像通常是针对单个运动目标的探测和识别,对目标细节和轮廓完整性要求更高。然而,在实际应用中,高分辨率ISAR图像往往会出现目标轮廓模糊,目标区域断裂、松散,条纹噪声干扰较严重等问题,这无疑给后续目标识别工作增加了难度。因此,本文旨在对高分辨ISAR图像舰船目标提取方法进行研究。本文实现目标提取的核心方法是恒虚警率(Constant False Alarm Rate,CFAR)算法,在进行CFAR检测之前,需要得到ISAR图像背景杂波最优统计模型。使用参量模型建模方法,分析了几种常用的杂波统计分布模型和参数估计方法,选用修正的均方误差检验方法对几种分布的拟合结果进行拟合优度检验。实测ISAR图像实验结果表明,gamma分布和韦布尔分布对ISAR图像背景分布拟合效果最优。随后分析了CFAR基本原理,选用更适合于ISAR图像的全局CFAR检测,使用gamma分布作为ISAR图像背景分布模型,实现基于像素级CFAR的ISAR像目标提取。针对ISAR像所特有的横条纹噪声干扰,本文分析了其产生原因和解决办法。使用形态学运算方法对CFAR检测之后的二值图进行后处理,一定程度抑制噪声并填补目标内部孔洞。使用分割准确率和残差图像对目标提取结果进行评价,实验结果表明,在使用传统像素级CFAR算法提取高分辨ISAR目标时,噪声抑制效果和目标完整性都不能满足要求,而使用固定形式的形态学运算具有不确定性,且会损失原有信息。为解决以上问题,本文结合像素周边环境信息,采用以图像块为单位的CFAR检测方法。分别使用马尔科夫随机场(Markov Random Field,MRF)和超像素两种方法实现ISAR图像过分割。针对传统简单线性迭代聚类(Simple Linear Iterative Cluster,SLIC)超像素生成方法对ISAR图像乘性噪声敏感的问题,本文引入灰度均值比对SLIC方法做出改进。使用加入乘性噪声前后的仿真ISAR图像进行对比验证,结果表明基于灰度均值比的改进SLIC超像素分割方法对ISAR图像的乘性噪声具有鲁棒性。分别利用MRF和改进的SLIC方法的图像过分割结果,使用gamma分布作为背景分布模型进行全局CFAR检测。实测ISAR图像的实验结果表明,基于区域CFAR检测方法相比于传统像素级CFAR检测目标提取准确率更高,而基于超像素的CFAR较基于MRF的CFAR运行时间更短。针对由ISAR图像局部散射特性较弱引起的目标断裂不连通问题,本文在传统目标聚类算法的基础上,提出了目标超像素聚类及连通方法,使其作为后处理环节应用于超像素CFAR检测后的二值图像。根据海上舰船目标实际情况实现目标超像素聚类,通过Radon变换提取船体中心线,围绕中心线并结合目标区域信息确定填补区域位置和形状,最终实现目标区域连通复原和噪声抑制。