CN103745216B - 一种基于空域特性的雷达图像杂波抑制方法 - Google Patents

Abstract

本发明公开了一种基于空域特性的雷达图像杂波抑制方法。本发明方法基于雷达运动目标在空域上的特性，在实现弱小目标检测的同时，对较强的杂波信息进行抑制。首先进行背景图像建模，然后进行背景差分处理，最后利用背景图像和前景图像中的马尔科夫随机场信息，剔除背景静止物体周围的杂波，实现基于空域特性的杂波抑制。本发明克服了传统杂波抑制方法仅仅依靠灰度值进行阈值分割的缺点，从空域上区分目标与杂波信息，最大限度地抑制了杂波干扰，适用于基于PPI雷达图像的弱小运动目标检测。

Description

一种基于空域特性的雷达图像杂波抑制方法

技术领域

本发明涉及一种基于空域特性的雷达图像杂波抑制方法，属于低空空域安全监视技术领域，涉及雷达图像处理与目标检测。

背景技术

一次雷达具有成本低、架设方便、独立工作性强等特点，是空域安全监视的重要手段。一次雷达本身不具备动目标检测的功能，成熟的雷达监视系统通常采用图像采集卡将雷达平面位置指示图像（平面回波显示图，PPI）传输给计算机，再由后端基于图像的目标检测算法对其进行处理，从中提取出动目标信息。由于系统监视的区域为低空空域，背景环境复杂，噪声干扰强，而被跟踪目标一般是回波信号较弱的小型飞行器，优良的目标检测算法成为提高系统探测能力的关键。

由于背景中的大部分物体（草地、树林、建筑物等）是非刚性的，因此背景物体回波具有一定的随机特性，经过背景差分的雷达图像中，除动目标外，在原先的背景区域尤其是边缘仍残留了大量杂波，且其强度一般较高，给弱小动目标的检测带来一定困难。通常，为提高系统的“检测率”，传统的目标检测算法会设定较低的阈值，同时也引入了大量杂波，通过采用优良的跟踪算法剔除杂波。但是，此种方案会给跟踪算法带来过重的负担，严重影响算法的效率，较难实现实时处理。

发明内容

本发明的目的在于提供了一种基于空域特性的雷达图像杂波抑制方法，该方法适用于基于雷达PPI图像的动目标检测，在目标检测环节最大程度地剔除杂波，降低虚警率。

本发明的基于空域特性的雷达图像杂波抑制方法，包括如下步骤：

步骤1，背景建模。

首先，将当前图像I^(k)之前的n帧图像相加并取平均值，得到背景图像B^(k)：

$B^{\left(k\right)}[x,y]=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{I}^{(k-i)}[x,y]---\left(1\right)$

其中，[x,y]表示二维图像中像素的坐标值，k表示帧数。

然后，以η为阈值对背景图像进行分割并标定为二值图像，得到二值化背景图像e_B为：

其中，二值图像中，静止背景物体标定为1，空域标定为0。

步骤2，背景差分。

首先，由当前图像I^(k)中减去背景图像B^(k)，获得前景图像F^(k)：

F^(k)[x,y]＝I^(k)[x,y]-B^(k)[x,y] (3)

然后，以θ为阈值对前景图像F^(k)进行分割，并标定为二值图像e_T：

步骤3，基于空域特性的杂波抑制。

对前景图像进行阈值分割并标定为二值图像e_S：

其中，p_B表示被检测像素为背景的先验概率，p_T表示被检测像素为前景的先验概率，阈值θ由位置先验概率p_B/p_T进行调节，由下式计算：

$\frac{p_B}{p_T}=\exp \left(\right|N_B[x,y]|-\mathrm{\α}\·|N_T[x,y]\left|\right)---\left(6\right)$

其中exp(·)为以1.1～2为底数的指数函数，N_B[x,y]和N_T[x,y]为以[x,y]为中心的马尔科夫随机场，α用于调节N_T[x,y]的权重，两个随机场由下式表示：

$\begin{array}{c}{N}_B[x,y]=\{(p,q)\∈N_{\mathrm{out}}[x,y]-N_{\mathrm{in}}[x,y]:e_B[p,q]=1\}\\ N_T[x,y]=\{(p.q)\∈N_{\mathrm{in}}[x,y]:e_T[p,q]=1\}\end{array}---\left(7\right)$

式中，N_in[x,y]为以[x,y]为中心，大小为w×l的矩形区域，N_out[x,y]为以[x,y]为中心，大小为W×L的矩形区域，W>w,L>l。(p,q)∈N_out[x,y]-N_in[x,y]表示像素（p,q）属于区域N_out[x,y]，但不属于区域N_in[x,y]，N_B[x,y]为该区域中满足e_B[p,q]=1的像素集合；(p,q)∈N_in[x,y]表示像素（p,q）属于区域N_in[x,y]，N_T[x,y]为该区域中满足e_T[p,q]=1的像素集合。

本发明的基于空域特性的雷达图像杂波抑制方法，克服了传统杂波抑制方法只针对所关注像素进行阈值分割的局限性，利用空域信息将动目标和杂波进行区分，最大限度地抑制了杂波干扰，适用于基于PPI雷达图像的弱小运动目标检测。本发明方法引入了位置先验概率pB/pT，对不同区域的像素采用不同的分割阈值，在保证检测率的同时大大降低了虚警率。

附图说明

图1是本发明的基于空域特性的雷达图像杂波抑制方法的示意图；

图2是本发明实施例的一帧原始雷达图像；

图3是本发明实施例的背景图像模型；

图4是本发明实施例的前景图像；

图5(a)是最终检测结果e_S，图5(b)是在原始图像中标定目标位置。

具体实施方式

下面结合附图中某雷达PPI图像序列的处理结果对本发明提出的杂波抑制方法进行图示和描述。

经过背景差分的雷达PPI图像仍然含有大量杂波，其来源主要是背景静止物体中部分像素灰度值的剧烈变化，本发明方法基于运动目标与背景杂波的空域特性进行杂波抑制，检测出弱小目标，如图1所示，本发明的基于空域特性的雷达图像杂波抑制方法包括具体步骤如下：

步骤1：背景建模，获取背景二值图像。

将当前第k帧图像I^(k)之前的n帧图像相加并取平均值，得到背景图像B^(k)，用下式表示：

$B^{\left(k\right)}[x,y]=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{I}^{(k-i)}[x,y]---\left(1\right)$

式中[x,y]表示二维图像中像素的坐标值。

对背景图像B^(k)进行阈值分割，并标定为二值图像，建立背景图像二值图像e_B，由下式表示：

η为用于阈值分割的阈值，二值图像中静止背景物体标定为1，空域标定为0。

基于原始雷达图像序列，由公式(1)和(2)得到的背景模型。本发明实施例中，n=10；公式(2)中，η=30。

如图2所示，为本发明实施例的一帧原始雷达图像I^(k)，箭头指向位置为待检测的目标。本发明实施例得到的背景图像e_B如图3所示。图3中的高亮区域是背景静止物体，标定的数值为1，其余部分标定为0。

步骤2：背景差分，获取前景图像及其二值图像。

由当前图像I^(k)中减去背景图像B^(k)，获得前景图像F^(k)：

F^(k)[x,y]＝I^(k)[x,y]-B^(k)[x,y] (3)

以θ为阈值对前景图像F^(k)进行分割，并获得二值图像e_T：

本发明实施例中设置θ=50，得到的前景图像F^(k)如图4所示。

步骤3：基于空域特性的杂波抑制。

步骤2中对前景图像进行阈值分割并标定为二值图像，前景图像中像素标定为运动目标（e_S[x,y]=1）必须满足两个条件：一是该像素灰度值大于一定阈值；二是该像素要位于背景图像模型中的空域位置。由下式表示：

式中，p_B表示被检测像素为背景的先验概率，p_T表示被检测像素为前景的先验概率，阈值θ由位置先验概率p_B/p_T进行调节，由下式计算：

$\frac{p_B}{p_T}=\exp \left(\right|N_B[x,y]|-\mathrm{\α}\·|N_T[x,y]\left|\right)---\left(6\right)$

其中，exp(·)为以1.1～2为底数的指数函数，N_B[x,y]和N_T[x,y]为以[x,y]为中心的马尔科夫随机场，α用于调节N_T[x,y]的权重，两个随机场由下式表示：

$\begin{array}{c}{N}_B[x,y]=\{(p,q)\∈N_{\mathrm{out}}[x,y]-N_{\mathrm{in}}[x,y]:e_B[p,q]=1\}\\ N_T[x,y]=\{(p.q)\∈N_{\mathrm{in}}[x,y]:e_T[p,q]=1\}\end{array}---\left(7\right)$

式中，N_in[x,y]为以[x,y]为中心，大小为w×l的矩形区域，N_out[x,y]为以[x,y]为中心，大小为W×L的矩形区域，w、l、W和L均为正数，W>w,L>l。(p,q)∈N_out[x,y]-N_in[x,y]表示像素（p,q）属于区域N_out[x,y]，但不属于区域N_in[x,y]，N_B[x,y]为该区域中满足e_B[p,q]=1（见公式(2)）的像素集合；(p,q)∈N_in[x,y]表示像素（p,q）属于区域N_in[x,y]，N_T[x,y]为该区域中满足e_T[p,q]=1（见公式(4)）的像素集合。

由公式(4)～(8)对前景图像F^(k)进行处理，得到最终的检测结果e_S。本发明实施例中，公式(5)中，θ=50；公式(6)中，指数底数为1.1，α=1；随机场大小设置为：w=8,l=8,W=1.5w,L=1.5l。如图5的(a)所示，是本发明实施例的最终检测结果e_S，(b)是在原始图像中标定目标位置，通过对比可知，利用本发明方法可将动目标和杂波进行区分，得到目标位置。

Claims (2)

1.一种基于空域特性的雷达图像杂波抑制方法，其特征在于，包括如下步骤：

步骤1，背景图像建模；

首先，将当前图像I^(k)之前的n帧图像相加并取平均值，得到背景图像B^(k)：

$B^{\left(k\right)}\[x,y\]=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{I}^{(k-i)}\[x,y\]---\left(1\right)$

其中，[x,y]表示二维图像中像素的坐标值，k表示帧数；

然后，以η为阈值对背景图像进行分割并标定为二值图像，得到二值化的背景图像e_B：

其中，静止背景物体标定为1，空域标定为0；

步骤2，背景差分；

首先，由当前图像I^(k)中减去背景图像B^(k)，获得前景图像F^(k)：

F^(k)[x,y]＝I^(k)[x,y]-B^(k)[x,y] (3)

然后，对前景图像F^(k)进行初步分割，获得二值图像e_T：

步骤3，基于空域特性的杂波抑制；

对前景图像进行阈值分割并标定为二值图像e_S：

其中，p_B表示被检测像素为背景的先验概率，p_T表示被检测像素为前景的先验概率，阈值θ由位置先验概率p_B/p_T进行调节，p_B/p_T表示为：

$\frac{p_B}{p_T}=\exp \left(\right|N_B\[x,y\]|-\mathrm{\α}\·|N_T\[x,y\]\left|\right)---\left(6\right)$

其中，exp(·)为以1.1～2为底数的指数函数，N_B[x,y]和N_T[x,y]为以[x,y]为中心的马尔科夫随机场，α用于调节N_T[x,y]的权重，两个随机场由下式表示：

$\begin{array}{c}{N}_B[x,y]=\{(p,q)\∈N_{\mathrm{out}}[x,y]-N_{\mathrm{in}}[x,y]:e_B[p,q]=1\}\\ N_T[x,y]=\{(p,q)\∈N_{\mathrm{in}}[x,y]:e_T[p,q]=1\}\end{array}---\left(7\right)$

其中，N_in[x,y]为以[x,y]为中心，大小为w×l的区域，N_out[x,y]为以[x,y]为中心，大小为W×L的区域，W>w,L>l；(p,q)∈N_out[x,y]-N_in[x,y]表示像素(p,q)属于区域N_out[x,y]，但不属于区域N_in[x,y]，N_B[x,y]为该区域中满足e_B[p,q]＝1的像素集合；(p,q)∈N_in[x,y]表示像素(p,q)属于区域N_in[x,y]，N_T[x,y]为该区域中满足e_T[p,q]＝1的像素集合。

2.根据权利要求1所述的基于空域特性的雷达图像杂波抑制方法，其特征在于，所述的阈值η＝30，阈值θ＝50。