基于目标特征的全息雷达图像预处理与目标提取方法技术

本发明专利技术提供了一种基于目标特征的全息雷达图像预处理与目标提取方法，包括：首先利用目标辐射信息和轮廓信息进行自适应低通滤波和自适应图像锐化，降低图像噪声，提升图像分辨率。然后利用目标辐射强度特性对锐化图像快速划分感兴趣目标区域。最后对感兴趣目标区域进行目标特征提取，去除虚警区域，划分目标类型，最终实现目标物体特征分类。本发明专利技术的技术方案解决的技术问题是在保持原有成像结果的目标特性前提下，根据成像结果辐射、细节特性进行自适应图像锐化处理，获得更清晰的目标特性，然后利用图像目标特征实现更准确的目标检测性能。

【技术实现步骤摘要】
基于目标特征的全息雷达图像预处理与目标提取方法
本专利技术涉及全息成像探测雷达
，特别设计一种基于目标特征的全息雷达图像预处理与目标提取方法。
技术介绍
全息成像探测雷达(HolographicImagingRADAR)，属于主动成像范畴，其原理是利用辐射源发出的信号经目标反射被接收机接收后，和参考信号进行某种形式的相干获得全息数据，然后反演出目标区域的图像。利用全息成像技术对于物体进行成像，检测出掩藏于内层物品，实现无损伤检测。由于全息成像技术特性目前是无损检测成像雷达较为常用的技术，主要应用于砖混工事、墙面、钢筋混凝土、建筑物、沙土、工艺品等无损探测领域。对掩藏的物品进行清晰成像进而实现无损检测。由于成像系统的固有频率、系统成像口径的限制和目标物体周围背景介质不均等因素均会给成像结果带来降质，使得图像具有噪声、细节模糊等降质，使得目标直接成像结果较差，检测准确率低。因此，如何在成像结果后端引入图像快速预处理，提高成像结果的分辨率，获得更多的目标细节和更高的检测性能，是预处理过程首先需要解决的问题。在保留成像实时性的情况下，快速自适应的进行图像锐化，提高图像分辨率十分必要。且全息成像检测成像结果不只一个，多个结果全由人为进行识别使得工作过繁。如何利用图像预处理过程进行目标区域快速划分、目标特性提取、进行预分类，实现高效且准确的目标自动检测与分类也是全息雷达图像处理的重要环节。
技术实现思路
针对现有技术中的缺陷，本专利技术的技术方案解决的技术问题是根据原有成像结果辐射特性、细节的前提下提高图像的分辨率，获得更清晰的目标特性，进而进行更准确、快速的目标检测，提高检测精度和扩宽应用范围。根据本专利技术提供的一种基于目标特征的全息雷达图像预处理与目标提取方法，包括如下步骤：步骤S1：利用目标辐射信息和轮廓信息进行自适应低通滤波平滑处理和自适应图像锐化，降低图像噪声，提升图像分辨率；步骤S2：实现自适应低通滤波平滑处理和自适应图像锐化处理后，获得锐化图像fsharp(x,y)，利用锐化图像fsharp(x,y)中目标辐射强度和图像梯度表征的细节特性，实现快速疑似目标域提取，完成目标域感兴趣区域自动目标快速标记；步骤S3：对标记的疑似目标感兴趣区域fROI(x,y,n)进行角点特征、线特征、目标外形检测提取，剔除虚警目标域，并将真实目标域根据特征形态进行类型划分。优选地，步骤S1包括如下步骤：步骤101：利用成像系统获取的图像边缘特性选取截止频率Ωd，利用截止频率为Ωd的低通滤波器Hl(u,v)对原始图像f(x,y)进行平滑滤波，去除图像噪声，获得平滑图像fl(x,y)；Ωd＝α·maxF(u,v)(公式1)其中，Ωd表示截止频率；α表示截止频率限制参数，取值范围为(0,1)；F(u,v)为原始图像f(x,y)的频谱，(x,y)为图像平面横纵坐标，图像大小为W×L，则取值范围x∈[1,W]，y∈[1,L]，(u,v)为图像频域坐标；步骤102：根据图像边缘特性与图像辐射特性获取对比度拉伸函数参数，利用对比度拉伸函数进行自适应处理；对输入的平滑图像fl(x,y)进行图像自适应对比度拉伸获得对比度拉伸图像fs(x,y)，对比度拉伸选用函数为公式2所示：(公式2)其中，m为对比度拉伸函数中灰度转折参数，E为对比度陡降系数，两者分别由图像辐射统计特性和图像边缘饱和度确定，计算公式如下公式3、公式4所示：m＝Tm×max(|diff(hist(fl(x,y)))|)(公式3)其中,Tm为可调转折位置系数，diff(hist(fl(x,y)))为平滑图像fl(x,y)直方图差分；(公式4)其中,TE为可调陡降程度系数，edge(fl(x,y))为平滑图像fl(x,y)边缘；步骤103：将对比度拉伸处理过后的图像fs(x,y)进行边缘锐化，利用Laplace高通滤波器HLaplace(u,v)强化图像fs(x,y)边缘，获得锐化图像fsharp(x,y)如公式5所示；fsharp(x,y)＝fs(s,y)+HLaplace(fs(s,y))(公式5)；其中，HLaplace(fs(s,y))表示利用Laplace高通滤波器对强化图像fs(x,y)进行高通滤波后所得的强化图像边缘信息。优选地，步骤S2包括如下步骤：步骤201：采用Sobel梯度算子，提取锐化图像fsharp(x,y)归一化梯度Grad(x,y)，如公式6所示：Grad(x,y)＝{[(z7+2z8+z9)-(z1+2z2+z3)]2+[(z3+2z6+z9)-(z1+2z4+z7)]2}(公式6)其中，zi,i＝1,2,...,9,表示3×3的检测模板中对应的锐化图像灰度值，检测模板排序方式为按行排列；然后根据可调细节保持因子β，实现梯度细小毛刺剔除获得细节保持处理过后的归一化梯度Gradβ(x,y)，如公式7所示：(公式7)其中，Block为设置的具有8连通特性的检测模块，sum8(Grad(xB,yB))为检测模块内具有8连通特性梯度之和，细节保持度与β成正比，β取值范围[0,1]；Grad(xB,yB)表示具有8连通特性的检测模块的图像梯度，图像梯度获取采用Laplace高通滤波器进行计算，其中，xB表示图像平面横坐标，yB表示图像平面纵坐标，图像大小为W×L，则取值范围xB∈[1,W]，yB∈[1,L]；步骤202：利用Grad(x,y)与fsharp(x,y)联合直方图HG-fsharp(x,y)如公式8所示，采用Otsu算法，获得自适应目标保持二值化图像fbw(x,y)：HG-fsharp(x,y)＝hist(fsharp(x,y)×Gradβ(x,y))(公式8)其中，hist(·)表示图像直方图算子，hist(fsharp(x,y)×Gradβ(x,y))用以计算括号内联合图像fsharp(x,y)×Gradβ(x,y)的直方图分布；步骤203：针对二值化图像fbw(x,y)，采用连通域标记方式即将二值化图像中灰度值相同且无间断的闭合区域像素位置赋相同标记值，将具有相同标记值的区域视为连通域，实现对显著目标域的提取和定位，并利用归一化梯度函数Grad(x,y)对显著目标进行周围细节特性提取，然后根据连通域标记和细节特征获得感兴趣目标区域fROI(x,y,n)：fROI(x,y,n)n＝1,2,3,...,T(公式9)其中，n为目标标记索引，T表示感兴趣区域总个数，T同时表征此时成像范围内疑似目标个数。优选地，步骤S3包括如下步骤：步骤301：采用Harris角点特征提取算法完成目标感兴趣区域fROI(x,y,n)角点特征检测，并标记为具有角点目标区域，Harris算子Dharris(x,y,n)为Dharris(x,y,n)＝det(A(x,y,n))-k·tr2(A(x,y,n))(公式10)其中，det(.)为矩阵行列式，tr(.)表示矩阵的迹，k为经验常数，取0.04～0.06；A(x,y,n)定义如公式11所示(公式11)其中，W为高斯平滑模板，fROI-u(x,y,n)、fROI-v(x,y,n)、fROI-uv(x,y,n)分别为图像fROI(x,y,n)在水平方向u的偏导数、垂直方向v的偏导数、混合偏导数，设定阈值TH，当某本文档来自技高网...

【技术保护点】
一种基于目标特征的全息雷达图像预处理与目标提取方法，其特征在于，包括如下步骤：步骤S1：利用目标辐射信息和轮廓信息进行自适应低通滤波平滑处理和自适应图像锐化，降低图像噪声，提升图像分辨率；步骤S2：实现自适应低通滤波平滑处理和自适应图像锐化处理后，获得锐化图像fsharp(x,y)，利用锐化图像fsharp(x,y)中目标辐射强度和图像梯度表征的细节特性，实现快速疑似目标域提取，完成目标域感兴趣区域自动目标快速标记；步骤S3：对标记的疑似目标感兴趣区域fROI(x,y,n)进行角点特征、线特征、目标外形检测提取，剔除虚警目标域，并将真实目标域根据特征形态进行类型划分；步骤S1包括如下步骤：步骤101：利用成像系统获取的图像边缘特性选取截止频率Ωd，利用截止频率为Ωd的低通滤波器Hl(u,v)对原始图像f(x,y)进行平滑滤波，去除图像噪声，获得平滑图像fl(x,y)；Ωd＝α·maxF(u,v)      (公式1)其中，Ωd表示截止频率；α表示截止频率限制参数，取值范围为(0,1)；F(u,v)为原始图像f(x,y)的频谱，(x,y)为图像平面横纵坐标，图像大小为W×L，则取值范围x∈[1,W]，y∈[1,L]，(u,v)为图像频域坐标；步骤102：根据图像边缘特性与图像辐射特性获取对比度拉伸函数参数，利用对比度拉伸函数进行自适应处理；对输入的平滑图像fl(x,y)进行图像自适应对比度拉伸获得对比度拉伸图像fs(x,y)，对比度拉伸选用函数为公式2所示：...

【技术特征摘要】
1.一种基于目标特征的全息雷达图像预处理与目标提取方法，其特征在于，包括如下步骤：步骤S1：利用目标辐射信息和轮廓信息进行自适应低通滤波平滑处理和自适应图像锐化，降低图像噪声，提升图像分辨率；步骤S2：实现自适应低通滤波平滑处理和自适应图像锐化处理后，获得锐化图像fsharp(x,y)，利用锐化图像fsharp(x,y)中目标辐射强度和图像梯度表征的细节特性，实现快速疑似目标域提取，完成目标域感兴趣区域自动目标快速标记；步骤S3：对标记的疑似目标感兴趣区域fROI(x,y,n)进行角点特征、线特征、目标外形检测提取，剔除虚警目标域，并将真实目标域根据特征形态进行类型划分；步骤S1包括如下步骤：步骤101：利用成像系统获取的图像边缘特性选取截止频率Ωd，利用截止频率为Ωd的低通滤波器Hl(u,v)对原始图像f(x,y)进行平滑滤波，去除图像噪声，获得平滑图像fl(x,y)；Ωd＝α·maxF(u,v)(公式1)其中，Ωd表示截止频率；α表示截止频率限制参数，取值范围为(0,1)；F(u,v)为原始图像f(x,y)的频谱，(x,y)为图像平面横纵坐标，图像大小为W×L，则取值范围x∈[1,W]，y∈[1,L]，(u,v)为图像频域坐标；步骤102：根据图像边缘特性与图像辐射特性获取对比度拉伸函数参数，利用对比度拉伸函数进行自适应处理；对输入的平滑图像fl(x,y)进行图像自适应对比度拉伸获得对比度拉伸图像fs(x,y)，对比度拉伸选用函数为公式2所示：其中，m为对比度拉伸函数中灰度转折参数，E为对比度陡降系数，两者分别由图像辐射统计特性和图像边缘饱和度确定，计算公式如下公式3、公式4所示：m＝Tm×max(|diff(hist(fl(x,y)))|)(公式3)其中,Tm为可调转折位置系数，diff(hist(fl(x,y)))为平滑图像fl(x,y)直方图差分；其中,TE为可调陡降程度系数，edge(fl(x,y))为平滑图像fl(x,y)边缘；步骤103：将对比度拉伸处理过后的图像fs(x,y)进行边缘锐化，利用Laplace高通滤波器HLaplace(u,v)强化图像fs(x,y)边缘，获得锐化图像fsharp(x,y)如公式5所示；fsharp(x,y)＝fs(s,y)+HLaplace(fs(s,y))(公式5)；其中，HLaplace(fs(s,y))表示利用Laplace高通滤波器对对比度拉伸处理过后的图像fs(x,y)进行高通滤波后所得的强化图像边缘信息。2.根据权利要求1所述的基于目标特征的全息雷达图像预处理与目标提取方法，其特征在于，步骤S2包括如下步骤：步骤201：采用Sobel梯度算子，提取锐化图像fsharp(x,y)归一化梯度Grad(x,y)，如公式6所示：Grad(x,y)＝{[(z7+2z8+z9)-(z1+2z2+z3)]2+[(z3+2z6+z9)-(z1+2z4+z7)]2}(公式6)其中，zi,i＝1,2,...,9,表示3×3的检测模板中对应的锐化图像灰度值，检测模板排序方式为按行排列；然后根据可调细节保持因子β，实现梯度细小毛刺剔除获得细节保持处理过后的归一化梯度Gradβ(x,y)，如公式7所示：其中，Block为设置的具有8连通特性的检测模块，sum8(Grad(xB,yB))为检测模块内具有8连通特性梯度之和，细节保持度与β成正比，β取值范围[0,1]；Grad(xB,yB)表示具有8连通特性的检测模块的图像梯度，图像梯度获取采用Laplace高通滤波器进行计算，其中，xB表示图像平面横坐标，yB表示图像平面纵坐标，图像大小为W×L，则取值范围xB∈[1,W]，yB∈[1,L]；步骤202：利用Gradβ(x,y)与fsharp(x,y)联合直方图HG-fsharp(x,y)如公式8所示，采用Otsu算法，获得自适应目标保持二值化图像fbw(x,y)：HG-fsharp(x,y)＝hist(fsharp(x,y)×Gradβ(x,y))(公式8)其中，hist(·)表示图像直方图算子，hist(fsharp(x,y)×Gradβ(x,y))用以计算括号内联合图像fsharp(x,y)×Gradβ(x,y)的直方图分布；步骤203：针对二值化图像fbw(x,y)，采用连通域标记方式即将二值化图像中灰度值相同且无间断的闭合区域像素位置赋相同标记值，将具有相同标记值的区域视为连通域，实现对显著目标域的提取和定位，并利用归一化梯度函数Grad(x,y)对显著目标进行周围细节特性提取，然后根据连通域标记和细节特征获得感兴趣目标区域fROI(x,y,n)：fROI(x,y,n)n＝1,2,3,...,T(公式9)其中，n为目标标记索引，T表示感兴趣区域总个数，T同时表征此时成像范围内疑似目标个数。3.根据权利要求1所述的基于目标特征的全息雷达图像预处理与目标提取方法，其特征在于，步骤S3包括如下步骤：...

【专利技术属性】
技术研发人员：张文济，汪欢，吴美武，曹照清，
申请(专利权)人：中国电子科技集团公司第五十研究所，
类型：发明
国别省市：上海,31