基于高斯概率和的ISAR卫星帆板检测方法技术

本发明专利技术属于空间目标部件检测技术领域，特别涉及基于高斯概率和的ISAR卫星帆板检测方法。该基于高斯概率和的ISAR卫星帆板检测方法包括以下步骤：得到卫星图像I1和卫星帆板图像I2；从卫星图像I1中提取到R个特征点，从卫星帆板图像I2中提取到T个特征点；针对卫星图像I1的每个特征点，设置对应的矩形窗口；依次进行第1次特征点匹配至第R次特征点匹配；在进行每次特征点匹配时，得出对应的高斯概率和Z1至ZR；从Z1至ZR中找出最大值Zt，得出卫星帆板检测的特征点，然后根据卫星帆板检测的特征点对卫星帆板进行检测；所述卫星帆板检测的特征点为：在进行第t次特征点匹配时，卫星图像I1中匹配成功的特征点。

【技术实现步骤摘要】
基于高斯概率和的ISAR卫星帆板检测方法
本专利技术属于空间目标部件检测
，特别涉及基于高斯概率和的ISAR卫星帆板检测方法。
技术介绍
ISAR(逆合成孔径雷达)成像技术已被广泛应用于机动目标成像以及机动目标的几何形态检测等领域。由于机动目标的成像平面在相对雷达视线上会发生变化，直接利用图像配准技术对ISAR图像进行整体配准会使得机动目标的部件检测具有一定困难，因此需要对接收的雷达回波信号加以处理并进行局部特征的配准，才能保证目标部件检测的准确性。在ISAR成像技术中，针对复杂的机动目标部件的检测问题，通常需要完备的部件的回波信号数据库，利用数据中目标的能量进行特征点的提取和分析，而部件回波信号数据库需要对各类需要检测的机动目标部件进行模拟仿真，从而得到相应的部件回波信号数据。在部件检测中,由于ISAR回波数据形成的图像中的特征点具有的机动目标部件的性能信息，通常可利用这类性能信息进行部件的检测，因此准确地提取出ISAR图像中的特征点并选择有效地选择可用的特征点至关重要，如果在图像中提取的特征点容易受到机动目标的姿态角变化的影响，就会造成后续特征匹配误差的增加，并导致机动目标部件检测的失败。为了解决这个问题，一些研究人员和学者提出了高效的图像特征点提取及特征匹配方法，包括利用图像中像素的梯度变化特性提取梯度变化量较大的像素点作为特征点，通过向量维数扩展方法得到相应的特征向量描述符用于特征点的匹配以及利用理想的盒式滤波器对图像进行多阶降采样，再将不同采样结果找出相对应的极值点作为特征点，最后通过特征描述符信息进行特征点的匹配等方法。但以上方法都是对高分辨率的图像进行特征点提取后的全局匹配，但对于机动目标中具有相似部件的情况而言，这种整幅图像下的全局特征点匹配会容易造成部件检测的失败。针对这个问题，现有技术主要包含以下两种方案：技术方案一是：CemUnsalan等人提出了一种基于高分辨率的卫星图像中建筑物和街道的检测方法。这种方法利用大量有效的特征点确定检测目标的最优特征点，能够有效地对人造目标进行特征点匹配，最后精确地检测出相应的目标。但是这种方法所使用的卫星图像具有很高的分辨率且提取的特征点信息与周围的点信息对比度明显，它在一定程度上类似与光学图像，是一种利用视觉效果原理获取的比较直观的图像。但是，对于一般情况下相对模糊和对比度不高的ISAR图像而言，如果直接上述方式对图像进行机动目标部件的检测，容易造成因提取的特征点性能不佳而导致的检测失败。技术方案二是：陶超等人提出了一种基于均值移动分割方法和Gabor纹理特征的方法，其首先对图像进行区域的分割，之后对每个分割的区域采用Gabor纹理特征进行聚类形成视觉词汇，最后通过区域分析找出其所属的归类。这种方法能够有效地通过图像分割方法，确定出相关有效的研究区域后，再对遥感影像中的纹理特征找出所需研究的目标，从而实现目标的检测。但是这种方法需要用于检测的图像具有较高的中的目标具有较高的边缘信息用于纹理特征的提取，而对于复杂运动的ISAR机动目标而言，不同的方位向视角下的成像结果差别很多，同一个部件目标在很小的姿态角度变化下也会产生较大的边缘信息的区别。这种情况会造成由于部件重叠、缺失导致的边缘混叠而使得最终的部件检测失败。
技术实现思路
本专利技术的目的在于提出基于高斯概率和的ISAR卫星帆板检测方法。本专利技术可以在ISAR图像分辨率不高、边缘信息不丰富及复杂机动目标中具有相似部件的情况下，有效地检测卫星帆板。实现本专利技术目的的技术思路是：通过利用雷达回波数据进行距离多普勒成像后得到图像的归一化数据，之后通过提取出有效稳健的目标特征点；之后根据卫星帆板的特征点位置坐标设计矩形窗口用于局部特征匹配的区域限定；然后以窗口的最近特征点作为复杂目标图像中窗口的定位点对图像特征点进行匹配后，再通过概率计算出每次正确匹配的高斯概率和，完成全部的特征点匹配后，以最大高斯概率和所对应的特征匹配结果作为最终部件检测的特征匹配结果，从而完成卫星帆板有效检测。为实现上述技术目的，本专利技术采用如下技术方案予以实现。基于高斯概率和的ISAR卫星帆板检测方法包括以下步骤：S1：利用逆合成孔径雷达获取卫星回波数据，通过仿真获取卫星帆板回波数据；分别对卫星回波数据和卫星帆板回波数据进行预处理，得到卫星图像I1和卫星帆板图像I2；S2：从卫星图像I1中提取到R个特征点，从卫星帆板图像I2中提取到T个特征点；S3：针对卫星图像I1的每个特征点，设置对应的矩形窗口，卫星图像I1的第k个特征点对应的矩形窗口中共有Hk个特征点，k取1至R，Hk为大于0的自然数；S4：依次进行第1次特征点匹配至第R次特征点匹配；进行第k次特征点匹配包括以下步骤：针对卫星图像I1的第k个特征点对应的矩形窗口，将其中所有的Hk个特征点与卫星帆板图像I2的T个特征点进行特征点匹配；在进行每次特征点匹配时，得出对应的高斯概率和；得出第k次特征点匹配时对应的高斯概率和包括以下步骤：在进行第k次特征点匹配时，针对匹配的每一对特征点，得出对应的高斯概率；将进行第k次特征点匹配时得出的所有高斯概率值相加，得出第k次特征点匹配时对应的高斯概率和Zk；S5：从Z1至ZR中找出最大值Zt，得出卫星帆板检测的特征点，然后根据卫星帆板检测的特征点对卫星帆板进行检测；所述卫星帆板检测的特征点为：在进行第t次特征点匹配时，卫星图像I1中匹配成功的特征点。本专利技术的特点和进一步改进在于：在步骤S1中，所述卫星回波数据表示为D1，所述卫星帆板回波数据表示为D2；利用距离多普勒成像方法分别对卫星回波数据D1和卫星帆板回波数据D2进行成像，得出卫星回波成像数据K1和卫星帆板回波成像数据K2；然后分别对卫星回波成像数据K1和卫星帆板回波成像数据K2进行高斯滤波，得出去噪后卫星回波成像数据X1和去噪后卫星帆板回波成像数据X2；对去噪后卫星回波成像数据X1进行归一化处理并生成对应的卫星图像I1，对去噪后卫星帆板回波成像数据X2进行归一化处理并生成对应的卫星帆板图像I2。在步骤S2中，从卫星图像I1中提取的R个特征点由以下两部分组成：利用SIFT方法在卫星图像I1中提取的特征点、以及利用SURF方法在卫星图像I1中提取的特征点；在从卫星图像I1中提取到R个特征点之后，得出卫星图像I1中提取的每个特征点的位置坐标、以及卫星图像I1中提取的每个特征点的描述符向量；卫星图像I1中提取的第k个特征点的位置坐标为(xk,yk)，xk为卫星图像I1中提取的第k个特征点的横坐标，yk为卫星图像I1中提取的第k个特征点的纵坐标，k取1至R；卫星图像I1中提取的每个特征点的描述符向量由N个元素组成；从卫星帆板图像I2中提取的T个特征点由以下两部分组成：利用SIFT方法在卫星帆板图像I2中提取的特征点、以及利用SURF方法在卫星帆板图像I2中提取的特征点；其中，利用SIFT方法在卫星帆板图像I2中提取的特征点为Q个，1≤Q≤T；在从卫星帆板图像I2中提取到T个特征点之后，得出卫星帆板图像I2中提取的每个特征点的位置坐标、以及卫星帆板图像I2中提取的每个特征点的描述符向量；卫星帆板图像I2中提取的第v个特征点的位置坐标为(av,rv)，av为卫星帆板图像I2中提取的第v个特征点的横本文档来自技高网...

【技术保护点】
基于高斯概率和的ISAR卫星帆板检测方法，其特征在于，包括以下步骤：S1：利用逆合成孔径雷达获取卫星回波数据，通过仿真获取卫星帆板回波数据；分别对卫星回波数据和卫星帆板回波数据进行预处理，得到卫星图像I1和卫星帆板图像I2；S2：从卫星图像I1中提取到R个特征点，从卫星帆板图像I2中提取到T个特征点；S3：针对卫星图像I1的每个特征点，设置对应的矩形窗口，卫星图像I1的第k个特征点对应的矩形窗口中共有Hk个特征点，k取1至R，Hk为大于0的自然数；S4：依次进行第1次特征点匹配至第R次特征点匹配；进行第k次特征点匹配包括以下步骤：针对卫星图像I1的第k个特征点对应的矩形窗口，将其中所有的Hk个特征点与卫星帆板图像I2的T个特征点进行特征点匹配；在进行每次特征点匹配时，得出对应的高斯概率和；得出第k次特征点匹配时对应的高斯概率和包括以下步骤：在进行第k次特征点匹配时，针对匹配的每一对特征点，得出对应的高斯概率；将进行第k次特征点匹配时得出的所有高斯概率值相加，得出第k次特征点匹配时对应的高斯概率和Zk；S5：从Z1至ZR中找出最大值Zt，得出卫星帆板检测的特征点，然后根据卫星帆板检测的特征点对卫星帆板进行检测；所述卫星帆板检测的特征点为：在进行第t次特征点匹配时，卫星图像I1中匹配成功的特征点。...

【技术特征摘要】
1.基于高斯概率和的ISAR卫星帆板检测方法，其特征在于，包括以下步骤：S1：利用逆合成孔径雷达获取卫星回波数据，通过仿真获取卫星帆板回波数据；分别对卫星回波数据和卫星帆板回波数据进行预处理，得到卫星图像I1和卫星帆板图像I2；S2：从卫星图像I1中提取到R个特征点，从卫星帆板图像I2中提取到T个特征点；在步骤S2中，从卫星图像I1中提取的R个特征点由以下两部分组成：利用SIFT方法在卫星图像I1中提取的特征点、以及利用SURF方法在卫星图像I1中提取的特征点；在从卫星图像I1中提取到R个特征点之后，得出卫星图像I1中提取的每个特征点的位置坐标、以及卫星图像I1中提取的每个特征点的描述符向量；卫星图像I1中提取的第k个特征点的位置坐标为(xk，yk)，xk为卫星图像I1中提取的第k个特征点的横坐标，yk为卫星图像I1中提取的第k个特征点的纵坐标，k取1至R；卫星图像I1中提取的每个特征点的描述符向量由N个元素组成；从卫星帆板图像I2中提取的T个特征点由以下两部分组成：利用SIFT方法在卫星帆板图像I2中提取的特征点、以及利用SURF方法在卫星帆板图像I2中提取的特征点；其中，利用SIFT方法在卫星帆板图像I2中提取的特征点为Q个，1≤Q≤T；在从卫星帆板图像I2中提取到T个特征点之后，得出卫星帆板图像I2中提取的每个特征点的位置坐标、以及卫星帆板图像I2中提取的每个特征点的描述符向量；卫星帆板图像I2中提取的第v个特征点的位置坐标为(av，rv)，av为卫星帆板图像I2中提取的第v个特征点的横坐标，rv为卫星帆板图像I2中提取的第v个特征点的纵坐标，v取1至T；卫星帆板图像I2中提取的每个特征点的描述符向量由N个元素组成；S3：针对卫星图像I1的每个特征点，设置对应的矩形窗口，卫星图像I1的第k个特征点对应的矩形窗口中共有Hk个特征点，k取1至R，Hk为大于0的自然数；S4：依次进行第1次特征点匹配至第R次特征点匹配；进行第k次特征点匹配包括以下步骤：针对卫星图像I1的第k个特征点对应的矩形窗口，将其中所有的Hk个特征点与卫星帆板图像I2的T个特征点进行特征点匹配；在进行每次特征点匹配时，得出对应的高斯概率和；得出第k次特征点匹配时对应的高斯概率和包括以下步骤：在进行第k次特征点匹配时，针对匹配的每一对特征点，得出对应的高斯概率；将进行第k次特征点匹配时得出的所有高斯概率值相加，得出第k次特征点匹配时对应的高斯概率和Zk；在步骤S4中，进行第k次特征点匹配包括以下步骤：卫星图像I1的第k个特征点对应的矩形窗口表示为第k个矩形窗口，针对第k个矩形窗口的第hk个特征点的描述符向量的每个元素，计算其与卫星帆板图像I2的第i个特征点的描述符向量的对应元素的欧式距离，从而得出对应的N个欧式距离，将对应的N个欧式距离之和表示为Ok，i(hk)，k取1至R，i取1至T，hk取1至Hk；然后将Ok，1(hk)至Ok，T(hk)组合成集合Ok(hk)，Ok(hk)＝{Ok，1(hk)，...，Ok，T(hk)}；计算集合Ok(hk)中元素的最小值与次小值的比值，如果所述比值小于0.95，则卫星帆板图像I2的T个特征点中与集合Ok(hk)中元素的最小值对应的特征点、以及第k个矩形窗口的第hk个特征点为一对匹配的特征点；如果所述比值大于或等于0.95，则在卫星帆板图像I2的T个特征点中，没有与第k个矩形窗口的第hk个特征点匹配的特征点；在步骤S4中，得出第k次特征点匹配时对应的高斯概率和包括以下步骤：在进行第k次特征点匹配时，针对匹配的每一对特征点的位置坐标，利用高斯概率函数得出对应的高斯概率；然后将进行第k次特征点匹配时得出的所有高斯概率值相加，得出第k次特征点匹配时对应的高斯概率和Zk；S5：从Z1至ZR中找出最大值Zt，得出卫星帆板检测的特征点，然后根据卫星帆板检测的特征点对卫星帆板进行检...

【专利技术属性】
技术研发人员：张磊，许志伟，吴敏，董祺，邢孟道，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61