CN104408482A - 一种高分辨率sar图像目标检测方法 - Google Patents

Abstract

本发明实施例公开一种高分辨率SAR图像目标检测方法，应用于图像处理技术领域，主要解决现有以解决现有的SAR图像目标检测方法的检测虚警较高及定位不准确的缺陷。该方法包括：对原始SAR图像进行重叠分块，获得多个子图像；提取训练样本的特征对分类器进行训练，用训练后的分类器对多个所述子图像进行目录分类；获得目录类别为包含目标的子图像的像素的加权稀有性特征，对所述包含目标的子图像进行阈值分割，对分割后的二值图像进行形态学处理，获得目录类别为包含目标的子图像的感兴趣区域ROI对所述ROI进行修正，获得目标检测结果。本发明应用于目标类型多的高分辨SAR图像目标检测。

Description

一种高分辨率SAR图像目标检测方法

技术领域

本发明属于图像处理技术领域，涉及一种高分辨率SAR图像目标检测方法。可用于高分辨SAR图像、计算机视觉及智能控制领域中的目标检测与识别。

背景技术

合成孔径雷达(SAR)图像目标检测是利用目标的灰度、纹理、形状、边缘和方向等信息在SAR图像中确定其位置，将目标与背景分离的图像处理技术。SAR图像目标检测是进一步目标识别的前提，是目前智能控制和计算机视觉领域研究的热点问题。由于SAR成像的特殊性，使得SAR图像与光学图像有很大的不同，例如SAR图像包含更多的冗余信息，存在斑点噪声，SAR目标对方位角十分敏感等。所以，如何从SAR图像中准确检测出目标一直是SAR图像解译的难点。

随着SAR图像分辨率不断提高，目标信息呈现爆炸性增长，目标检测的难点主要有：(1)图像场景越来越复杂，需处理的数据量越来越大；(2)目标由原来单通道单极化中低分辨率图像上的点目标，变为具有丰富细节特征和散射特征的面目标，目标特征的种类和不稳定性增加；(3)图像包含的冗余信息增多，如果对图像所有像素进行处理，运算速度会受到影响。

基于恒虚警的CFAR方法是经典的SAR图像目标检测方法。该方法是在图像全局或局部背景已知的条件下，估计背景的杂波分布参数，自适应地选取检测的阈值，然后利用固定大小的滑动窗口遍历图像，判断像素是否属于目标。当图像细节信息不明显，背景较均匀时，该方法能够在没有目标类型、目标特性及背景特性等先验信息的情况下实现对目标的检测，并且能够取得较好的检测结果。

CFAR方法虽然能够在简单利用图像幅度信息的情况下较准确的检测出目标，但是对于高分辨SAR图像来说，细节信息非常丰富，此情况下CFAR主要存在以下缺陷：

(1)目标检测虚警较高，不适于细节信息丰富的高分辨SAR图像。CFAR方法简单的利用图像的幅度信息进行目标检测，当背景像素的灰度值与目标的灰度值接近时会被错判为目标，导致检测结果出现较高的虚警。同时，检测结果易受噪声的影响，不利于图像的后续处理，如目标识别。

(2)检测出的是图像中所有的疑似目标区域，对于真实的目标定位不准确。

发明内容

本发明实施例提供一种高分辨率SAR图像目标检测方法，以解决现有的SAR图像目标检测方法的检测虚警较高及定位不准确的缺陷。

本发明的第一方面提供一种高分辨SAR图像目标检测方法，包括：

对输入的原始SAR图像进行重叠分块，获得多个子图像；

提取训练样本的特征对分类器进行训练，用训练后的分类器对多个所述子图像进行目录分类；

获得目录类别为包含目标的子图像的像素的加权稀有性特征，对所述包含目标的子图像进行阈值分割，对分割后的二值图像进行形态学处理，获得目录类别为包含目标的子图像的感兴趣区域ROI；

对所述ROI进行修正，获得目标检测结果。

根据第一方面，在第一种可能的实现方式中，所述对输入的原始SAR图像进行重叠分块包括：

按照公式1对原始SAR图像进行重叠分块；

其中，m,n分别为原始SAR图像的长和宽，分块的尺寸为x×x，p％为重叠率，得到的子图像记为S_i,i＝1,2,...,N，N为获得多个子图像的数目。

根据第一方面，在第二种可能的实现方式中，所述提取训练样本的特征对分类器进行训练，用训练后的分类器对多个所述子图像进行目录分类，包括：

确定目录类别数，其中由先验信息可以得到SAR图像中包含的目标类型数为M，每一种目标类型对应两种目录类别，即包含此目标和不包含此目标，所以，总的目录类别共有2M个，每个目录类别记为C_q,q∈2M，其中C₁,C₂,...,C_M为包含目标的目录类别标号；

分别针对所述2M个目录类别随机选取训练样本并提取特征向量；

提取所述子图像的特征向量，对所述子图像进行目录分类。

根据第一方面的第二种可能的实现方式，在第三种可能的实现方式中，所述分别针对所述2M个目录类别随机选取训练样本并提取特征向量，包括：

对每个训练样本提取韦伯局部描述特征WLD作为特征向量，记为并对分类器进行训练；

相应的，所述提取所述子图像的特征向量，对所述子图像进行目录分类，包括：

提取所述子图像的WLD特征，利用训练好的分类器对所述子图像进行目录分类。

根据第一方面，在第四种可能的实现方式中，所述对所述包含目标的子图像进行阈值分割，包括：

对所述包含目标的子图像进行阈值分割，设定阈值为Th_u，按下式对图像进行分割，分割后的图像记为BW，如公式2：

$\mathrm{BW}=\left\{\begin{array}{c}1,U_k\≥{\mathrm{Th}}_u\\ 0,U_k\≥{\mathrm{Th}}_u\end{array}\right.---\left(2\right)$

公式2中，U_k为第k个像素的加权稀有值。

根据第一方面，在第五种可能的实现方式中，所述加权稀有性特征，包括：

计算第k个像素点的空间分布权值，记为ω_k，k＝m_sub*n_sub，ω_k计算如公式3：

${\mathrm{\ω}}_k=\sqrt{{(I_k-I_0)}^2+{(I_k-I_0)}^2}+\frac{\underset{j=1}{\overset{\mathrm{num}}{\mathrm{\Σ}}}\sqrt{{(I_k-I_j)}^2+{(I_k-I_j)}^2}}{\mathrm{num}}---\left(3\right)$

其中，公式3中，m_sub,n_sub分别为子图像长和宽，I_k为子图像第k个像素的灰度值，I₀为子图像中心像素的像素值，num为子图像中与I_k相等的像素点的个数；

计算第k个像素点的稀有值，记为u_k，k＝m_sub*n_sub，u_k计算如公式4：

$u_k=\left\{\begin{array}{cc}255,& \frac{m_{\mathrm{sub}}*n_{\mathrm{sub}}}{{\mathrm{un}}_k}\&GreaterEqual;255\\ \frac{m_{\mathrm{sub}}*n_{\mathrm{sub}}}{{\mathrm{un}}_k},& \frac{m_{\mathrm{sub}}*n_{\mathrm{sub}}}{{\mathrm{un}}_k}<255\end{array}\right.---\left(4\right)$

其中，公式4中，m_sub,n_sub分别为子图像长和宽，un_k为子图像中第k个像素出现的次数；

计算第k个像素点的加权稀有值，记为U_k，k∈m*n，U_k计算如公式5；

U_k＝ω_k*u_k    (5)

根据第一方面，在第六种可能的实现方式中，所述对所述ROI进行修正包括：

获得的ROI个数记为L，第t个ROI为ROI_t；

判断ROI_s,s∈L与ROI_t,t∈L是否为连通区域，其中，s≠t。若ROI_s与ROI_t为连通区域，则对它们进行合并，得到一个新的ROI；重复此步骤，直到遍历完所有的ROI。

本发明实施例提供的高分辨率SAR图像目标检测方法，通过对图像进行重叠分块，得到尺寸统一的子图像，然后对所有的子图像进行目录化，也就是根据子图像是否包含目标以及包含目标的类型对其进行目录分类，图像目录化后得到一个包含所有子图像的目录。最后从目录中选择包含目标的子图像进行目标检测，得到感兴趣的区域(ROI)，对ROI进行修正得到最终的检测结果，去除冗余信息，减少了复杂背景对目标检测的影响，使目标检测的针对性增强，得到的结果更加准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1是本发明实施例提供的高分辨SAR图像目标检测的流程图；

图2是本发明的仿真实验使用的原始SAR图像；

图3是使用CFAR算法对图像进行目标检测的结果；

图4是本发明所用的图像分块示意图；

图5是本发明使用的μ_l,μ_r,μ_d,μ_u所包含像素的具体位置示意图；

图6是本发明对子图像目录分类后的结果图，C₁类为草地包含目标、C₂类为草地不含目标、C₄类为田地不含目标、C₆类为森林不含目标、C₈类为湖泊不含目标；

图7是本发明对类C₁包含目标的子图像进行目标检测的结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

本发明的目的在于克服现有的SAR图像目标检测方法的检测虚警较高及定位不准确的不足，提出一种基于高分辨SAR图像目录分类的目标检测方法。图像目录分类是在原始图像分块的基础上，根据分块得到的子图像中所包含信息的不同，把子图像分到不同的目录类别下。目录分类的优势体现在：(1)去除冗余信息。图像进行目录分类后，只需对包含目标的子图像进行目标检测，减少了需要处理的数据量，保证了检测算法的实时性；(2)减少了复杂背景对目标检测的影响，使目标检测的针对性增强，得到的结果更加准确。

本发明的技术方案是首先对图像进行重叠分块，得到尺寸统一的子图像，然后对所有的子图像进行目录化，也就是根据子图像是否包含目标以及包含目标的类型对其进行目录分类，图像目录化后得到一个包含所有子图像的目录。最后从目录中选择包含目标的子图像进行目标检测，得到感兴趣的区域(ROI)，对ROI进行修正得到最终的检测结果。下面对本实施例进行详细说明。图1是本发明实施例提供的高分辨SAR图像目标检测方法的流程图。参考图1，该方法主要包括以下步骤：

步骤10，对输入的原始SAR图像进行重叠分块，获得多个子图像。

参考公式1，

公式1中，m,n分别为原始SAR图像的长和宽，分块的尺寸为x×x，p％为重叠率，得到的子图像记为S_i,i＝1,2,...,N，N为获得多个子图像的数目。

步骤20，提取训练样本的特征对分类器进行训练，用训练后的分类器对多个子图像进行目录分类，目录分类的类别包括包含目标和不包含目标。

首先，确定目录类别数：由先验信息可以得到SAR图像中包含的目标类型数为M，每一种目标类型对应两种目录类别，即包含此目标和不包含此目标，所以，总的目录类别共有2M个，每个目录类别记为C_q,q∈2M，其中C₁,C₂,...,C_M为包含目标的目录类别标号。

其次，选择训练样本并提取特征向量：分别针对2M个目录类别随机选取训练样本。对每个训练样本提取韦伯局部描述特征(WLD)作为特征向量，记为并对分类器进行训练。对于W×W窗口内的像素，WLD特征计算如公式2：

$\mathrm{WLD}\left(w_c\right)=\arctan \left[\underset{j=0}{\overset{W^2-1}{\mathrm{\&Sigma;}}}\frac{w_j-w_c}{w_c}\right]+\arctan 2\left(\frac{{\mathrm{\&mu;}}_l-{\mathrm{\&mu;}}_r}{{\mathrm{\&mu;}}_d-{\mathrm{\&mu;}}_u}\right)---\left(2\right)$

公式2中，w_c为窗口内的中心像素，w_j为窗口内的第j个像素，μ_l,μ_r,μ_d,μ_u分别为中心像素左方所有像素的均值、右方所有像素的均值、下方所有像素的均值和上方所有像素的均值。通过使用WLD特征，不仅包含了方位信息，而且体现了像素点与其邻域像素的差异性，能够较准确的表征目标。

最后，提取子图像的WLD特征，利用训练好的分类器对其进行目录分类。目录分类结束后，对于不属于任一类别的子图像予以舍弃。

步骤30、获得目录类别为包含目标的子图像的像素的加权稀有性特征，对包含目标的子图像进行阈值分割，对分割后的二值图像进行形态学处理，获得目录类别为包含目标的子图像的感兴趣区域(Region OfInterest)。

目录类别中，包含目标的子图像是标号为C₁,C₂,...,C_M的子图像。

对于一幅图像，目标像素的个数相对于背景像素的个数较少，且目标像素通常是聚集在一起而不是分散的分布在图像中，同时目标的灰度值大于背景的灰度值。根据上述分析，计算像素的加权稀有性特征，记为U。得到每个像素的加权稀有值后，对图像进行阈值分割，设定阈值为Th_u，按下式对图像进行分割，分割后的图像记为BW，如公式3：

$\mathrm{BW}=\left\{\begin{array}{c}1,U_k\&GreaterEqual;{\mathrm{Th}}_u\\ 0,U_k\&GreaterEqual;{\mathrm{Th}}_u\end{array}\right.---\left(3\right)$

公式3中，U_k为第k个像素的加权稀有值。对分割得到的二值图像BW进行形态学开闭运算、腐蚀膨胀等处理，得到准确表征图像感兴趣区域的二值模板。此模板中像素值为1的区域对应原始图像中的感兴趣区域ROI。

步骤40，对ROI进行修正，获得目标检测结果。

获得的ROI个数记为L，第t个ROI为ROI_t。

判断ROI_s,s∈L与ROI_t,t∈L是否为连通区域，其中，s≠t。若ROI_s与ROI_t为连通区域，则对它们进行合并，得到一个新的ROI。重复此步骤，直到遍历完所有的ROI。

在上述方案基础上，步骤30中，加权稀有性特征的计算如公式4：

计算第k个像素点的空间分布权值，记为ω_k，k＝m_sub*n_sub，ω_k计算如公式4：

${\mathrm{\&omega;}}_k=\sqrt{{(I_k-I_0)}^2+{(I_k-I_0)}^2}+\frac{\underset{j=1}{\overset{\mathrm{num}}{\mathrm{\&Sigma;}}}\sqrt{{(I_k-I_j)}^2+{(I_k-I_j)}^2}}{\mathrm{num}}---\left(4\right)$

公式4中，m_sub,n_sub分别为子图像长和宽，I_k为子图像第k个像素的灰度值，I₀为子图像中心像素的像素值，num为子图像中与I_k相等的像素点的个数。

计算第k个像素点的稀有值，记为u_k，k＝m_sub*n_sub，u_k计算如公式5：

$u_k=\left\{\begin{array}{cc}255,& \frac{m_{\mathrm{sub}}*n_{\mathrm{sub}}}{{\mathrm{un}}_k}\&GreaterEqual;255\\ \frac{m_{\mathrm{sub}}*n_{\mathrm{sub}}}{{\mathrm{un}}_k},& \frac{m_{\mathrm{sub}}*n_{\mathrm{sub}}}{{\mathrm{un}}_k}<255\end{array}\right.---\left(5\right)$

公式5中，m_sub,n_sub分别为子图像长和宽，un_k为子图像中第k个像素出现的次数。

计算第k个像素点的加权稀有值，记为U_k，k∈m*n，U_k计算如公式6：

U_k＝ω_k*u_k    (6)

本发明与现有技术相比具有如下优点：

1、检测方法降低了图像的冗余信息，缩短了检测时间，提高了算法的执行效率。

本发明从对全局图像的处理转到对子图像进行处理，引入图像目录分类，将尺寸统一的子图像分类到不同的目录下，利用先验知识对不包含目标的子图像进行滤除，大大减少了需处理的数据量，保证了算法执行的效率。

2、目标检测结果准确，虚警率降低。

本发明对图像进行重叠分块，将高分辨SAR图像划分为尺寸统一的子图像，对每个子图像来说背景相对均匀，在此基础上对图像进行目标检测，得到的检测结果更加精确。

3、目标检测方法通用性强。

本发明引入的图像目录分类方法可以把子图像划分到相应的目录类别，可人为指定需要处理的目标类别，取出其中的子图像进行目标检测。适用于各种复杂场景的高分辨SAR图像。

下面举具体实施例举例说明本发明的效果。

图1是本发明实施例提供的高分辨SAR图像目标检测的流程图；

图2是本发明的仿真实验使用的原始SAR图像；

图3是使用CFAR算法对图像进行目标检测的结果；

图4是本发明所用的图像分块示意图；

图5是本发明使用的μ_l,μ_r,μ_d,μ_u所包含像素的具体位置示意图；

图6是本发明对子图像目录分类后的结果图，C₁类为草地包含目标、C₂类为草地不含目标、C₄类为田地不含目标、C₆类为森林不含目标、C₈类为湖泊不含目标；

图7是本发明对类C₁包含目标的子图像进行目标检测的结果。

参照图1，本发明的具体实施方式如下：

步骤1，对输入的SAR图像进行重叠分块，块的尺寸为x×x，重叠率人为设定为p％，得到的子图像为S_i,i＝1,2,...,N，N为子图像总数。在本实施例中，x＝200，p＝25。

步骤2，对子图像进行目录分类：

(2a)计算训练样本的韦伯局部描述特征(WLD)作为表征图像的特征向量对SVM分类器进行训练。对于W×W窗口内的像素，WLD的计算公式如下:

$\mathrm{WLD}\left(w_c\right)=\arctan \left[\underset{j=0}{\overset{W^2-1}{\mathrm{\&Sigma;}}}\frac{w_j-w_c}{w_c}\right]+\arctan 2\left(\frac{{\mathrm{\&mu;}}_l-{\mathrm{\&mu;}}_r}{{\mathrm{\&mu;}}_d-{\mathrm{\&mu;}}_u}\right)$

本实施例中，高分辨SAR图像场景类别M＝4，分别为草地、田地、森林和湖泊。目录类别为2*M＝8，分别为草地包含目标(C₁)、草地不含目标(C₂)、田地包含目标(C₃)、田地不含目标(C₄)、森林包含目标(C₅)、森林不含目标(C₆)、湖泊包含目标(C₇)及湖泊不含目标(C₈)。

(2b)提取子图像S_i的WLD特征输入SVM，得到S_i的所属类别标号。分类结束后，对于不属于任一类别的子图像予以舍弃。分类结束后，C₁类1幅子图像，C₂类包含12幅子图像，C₃，C₅，C₇类包含0幅子图像，C₄类包含6幅子图像，C₆类包含9幅子图像，C₈类包含5幅子图像。

步骤3，根据先验知识选择类C₁目录下的子图像。计算子图像像素的加权稀有值，记为：

$u_k=\left\{\begin{array}{cc}255,& \frac{{200}^2}{{\mathrm{un}}_k}\&GreaterEqual;255\\ \frac{{200}^2}{{\mathrm{un}}_k},& \frac{{200}^2}{{\mathrm{un}}_k}<255\end{array}\right.$

${\mathrm{\&omega;}}_k=\sqrt{{(I_k-I_0)}^2+{(I_k-I_0)}^2}+\frac{\underset{j=1}{\overset{\mathrm{num}}{\mathrm{\&Sigma;}}}\sqrt{{(I_k-I_j)}^2+{(I_k-I_j)}^2}}{\mathrm{num}}$

U_k＝ω_k*u_k

其中，un_k为子图像中第k个像素出现的次数，I_k为子图像第k个像素的灰度值，I₀为子图像中心像素的像素值，num为子图像中与I_k相等的像素点的个数，k∈200²。设定阈值为Th_u＝180，按下式对图像进行分割，分割后的图像记为BW：

$\mathrm{BW}=\left\{\begin{array}{c}1,U_k\&GreaterEqual;{\mathrm{Th}}_u\\ 0,U_k\&GreaterEqual;{\mathrm{Th}}_u\end{array}\right.$

对BW进行形态学开闭运算、腐蚀膨胀等处理，得到准确表征图像的ROI模板。

步骤4，对ROI进行修正，得到最终的目标检测结果：

(4a)假设经过步骤3后，得到的ROI个数为L，记第t个ROI为ROI_t；

(4b)判断ROI_s,s∈L与ROI_t,t∈L是否为连通区域，其中，s≠t。若ROI_s与ROI_t为连通区域，则将它们合并为一个新的连通区域。重复此步骤，直到遍历完所有的ROI。本实验中最终的ROI用蓝色矩形框表示。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (7)

1.一种高分辨率SAR图像目标检测方法，其特征在于，包括：

对输入的原始SAR图像进行重叠分块，获得多个子图像；

提取训练样本的特征对分类器进行训练，用训练后的分类器对多个所述子图像进行目录分类；

获得目录类别为包含目标的子图像的像素的加权稀有性特征，对所述包含目标的子图像进行阈值分割，对分割后的二值图像进行形态学处理，获得目录类别为包含目标的子图像的感兴趣区域ROI；

对所述ROI进行修正，获得目标检测结果。

2.根据权利要求1所述的方法，其特征在于，所述对输入的原始SAR图像进行重叠分块包括：

按照公式1对原始SAR图像进行重叠分块；

其中，m,n分别为原始SAR图像的长和宽，分块的尺寸为x×x，p％为重叠率，得到的子图像记为S_i,i＝1,2,...,N，N为获得多个子图像的数目。

3.根据权利要求1所述的方法，其特征在于，所述提取训练样本的特征对分类器进行训练，用训练后的分类器对多个所述子图像进行目录分类，包括：

确定目录类别数，其中由先验信息得到SAR图像中包含的目标类型数为M，每一种目标类型对应两种目录类别，即包含此目标和不包含此目标，所以，总的目录类别共有2M个，每个目录类别记为C_q,q∈2M，其中C₁,C₂,...,C_M为包含目标的目录类别标号；

分别针对所述2M个目录类别随机选取训练样本并提取特征向量；

提取所述子图像的特征向量，对所述子图像进行目录分类。

4.根据权利要求3所述的方法，其特征在于，所述分别针对所述2M个目录类别随机选取训练样本并提取特征向量，包括：

对每个训练样本提取韦伯局部描述特征WLD作为特征向量，记为并对分类器进行训练；

相应的，所述提取所述子图像的特征向量，对所述子图像进行目录分类，包括：

提取所述子图像的WLD特征，利用训练好的分类器对所述子图像进行目录分类。

5.根据权利要求1所述的方法，其特征在于，所述对所述包含目标的子图像进行阈值分割，包括：

对所述包含目标的子图像进行阈值分割，设定阈值为Th_u，按下式对图像进行分割，分割后的图像记为BW，如公式2：

$\mathrm{BW}=\left\{\begin{array}{cc}1,& U_k\&GreaterEqual;{\mathrm{Th}}_u\\ 0,& U_k\&GreaterEqual;{\mathrm{Th}}_u\end{array}\right.---\left(2\right)$

公式2中，U_k为第k个像素的加权稀有值。

6.根据权利要求1所述的方法，其特征在于，所述加权稀有性特征，包括：

计算第k个像素点的空间分布权值，记为ω^k，k＝m_sub*n_sub，ω^k计算如公式3：

${\mathrm{\&omega;}}_k=\sqrt{{(I_k-I_0)}^2+{(I_k-I_0)}^2}+\frac{\underset{j=1}{\overset{\mathrm{mun}}{\mathrm{\&Sigma;}}}\sqrt{{(I_k-I_j)}^2+{(I_k-I_j)}^2}}{\mathrm{num}}---\left(3\right)$

其中，公式3中，m_sub,n_sub分别为子图像长和宽，I_k为子图像第k个像素的灰度值，I₀为子图像中心像素的像素值，num为子图像中与I_k相等的像素点的个数；

计算第k个像素点的稀有值，记为u^k，k＝m_sub*n_sub，u^k计算如公式4：

$u_k=\left\{\begin{array}{cc}255,& \frac{m_{\mathrm{sub}}*n_{\mathrm{sub}}}{{\mathrm{un}}_k}\&GreaterEqual;255\\ \frac{m_{\mathrm{sub}}*n_{\mathrm{sub}}}{{\mathrm{un}}_k},& \frac{m_{\mathrm{sub}}*n_{\mathrm{sub}}}{{\mathrm{un}}_k}<255\end{array}\right.---\left(4\right)$

其中，公式4中，m_sub,n_sub分别为子图像长和宽，un^k为子图像中第k个像素出现的次数；

计算第k个像素点的加权稀有值，记为U_k，k∈m*n，U_k计算如公式5；

U_k＝ω_k*u_k   (5)

7.根据权利要求1所述的方法，其特征在于，所述对所述ROI进行修正包括：

获得的ROI个数记为L，第t个ROI为ROI_t；

判断ROI_s,s∈L与ROI_t,t∈L是否为连通区域，其中，s≠t。若ROI_s与ROI_t为连通区域，则对它们进行合并，得到一个新的ROI；重复此步骤，直到遍历完所有的ROI。