论文部分内容阅读
人类视觉系统具备高效的图像解译能力,能够快速地检测显著性区域,提取感兴趣目标。本文旨在将视觉注意机制理论应用于SAR图像解译中,提出适用于SAR图像的显著性检测方法。针对这一问题,本文总结分析了现有典型的显著性检测算法,并结合SAR图像的特性,提出基于显著性的SAR图像目标检测算法和尺度自适应的SAR图像显著性检测方法。本文主要工作包含以下几个方面:(1)总结分析了典型的显著性检测算法。首先重点分析了特征融合理论以及在此基础上提出来的Koch视觉注意生物神经学框架;讨论了显著性检测算法的客观评估指标;总结了四种典型的显著性检测算法的原理和计算方法,并使用上述算法分别对光学图像和SAR图像进行实验和评价。(2)提出了基于显著性的SAR图像目标检测算法。首先简要介绍了SAR图像背景杂波统计建模的方法,总结了SAR图像常用的背景杂波统计分布模型以及最优统计分布模型的选择准则。其次,总结分析了基于统计分布模型的双参数CFAR算法的算法流程和判决阈值的计算问题。再次,从视觉显著性理论出发,结合CFAR算法的窗口设计和SAR图像杂波背景统计建模方法,运用假设检验方法和贝叶斯定理设计基于显著性的SAR图像目标检测算法。最后,通过对比实验验证本文算法在虚警率、运算效率指标上优于基于统计分布模型的双参数CFAR算法。(3)提出了尺度自适应的SAR图像显著性检测方法。在Kadir显著区域检测算法基础上,结合SAR图像特性进行算法改进,提出了尺度自适应的SAR图像显著性检测方法。首先,重定义局部复杂度测度,解决信息熵度量方式不适合用于度量SAR图像局部复杂度测度这一问题。通过比率距离度量方式替代差值距离度量方式,克服SAR图像相干斑噪声,进而考虑了像素之间的空间分布,构造与空间分布相关的局部复杂度测度度量方法,该度量方法比信息熵度量方法更适用于SAR图像。其次,重定义了自差异性测度,选取了一种对于显著信息变化敏感的自差异性测度度量方法。再次,改进了显著性尺度确定方法,优化算法检测的准确性;最后,根据显著性测度和显著性尺度提出了显著图生成方法。实验结果验证了该算法比Kadir显著性检测算法更适用于SAR图像,并且,该算法的显著性检测效果优于四种典型的显著性检测算法。