CN101140324A - 海域合成孔径雷达图像点目标提取的方法 - Google Patents
海域合成孔径雷达图像点目标提取的方法 Download PDFInfo
- Publication number
- CN101140324A CN101140324A CNA2007100469279A CN200710046927A CN101140324A CN 101140324 A CN101140324 A CN 101140324A CN A2007100469279 A CNA2007100469279 A CN A2007100469279A CN 200710046927 A CN200710046927 A CN 200710046927A CN 101140324 A CN101140324 A CN 101140324A
- Authority
- CN
- China
- Prior art keywords
- matrix
- image
- noise
- point
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
一种图像处理技术领域的海域合成孔径雷达图像点目标提取的方法,包括如下步骤:计算原图像的点态赫尔德指数,将其二值模糊化增强;将处理结果作为独立成分分析方法的输入,得到图像的空间表达:基图像和独立成分;制定分离判据,对空间进行分离,获得噪声信号对应的噪声空间,以及非噪声信号对应的非噪声空间;使用非线性滤波算子对非噪声空间的独立成分进行增强,再将其和已经获得的基图像进行反演重构,得复原图;通过简单阈值分割给出海域原图像点目标的二值化提取结果。本发明对于海域合成孔径雷达图像强海杂波噪声具有良好的抑制效果,能够有效的完成点目标提取。
Description
技术领域
本发明涉及一种图像处理技术领域的方法,具体是一种海域合成孔径雷达图像点目标提取的方法。
背景技术
合成孔径雷达(SAR)是一种工作在微波波段的相干成像雷达,它在军用和民用方面已得到广泛应用,例如侦察、测量、海洋监视、动目标指示及动、静目标截获和识别、干涉测量和伪装识别以及提取等。它具有分辨率高,全天候工作,有效识别伪装和穿透掩盖物的优势。然而,其缺点在于雷达接收的散射信号相干性叠加,使成像以后的SAR图存在严重的散斑噪声。
对于海域成像图来讲,海杂波的存在严重增加了目标提取的难度,因为决定海杂波特性的主要参数有工作频率、极化方式、信号带宽、波束入射角、波束宽度、脉冲重复频率、雷达平台的运动速度等等,本来就已非常复杂。而合成孔径雷达本身不可避免的相干成像特性又使得海杂波成像后显示出更为严重的散斑性状,进一步影响对海域SAR图像的有效理解。因此,如何更好的解决强海杂波合成孔径雷达图像的点目标提取问题也一直受到人们的普遍关注。传统的点目标提取法一般基于以下两个方面:一是直方图阈值提取法,这类方法主要是立足于目标与周围环境的亮度差异,但是对于强海杂波SAR图的船只点目标提取来说,只使用亮度信息,无法区别目标与周围环境,因为海杂波的强烈散射使得合成孔径雷达成像结果显示出与目标几乎一致的亮度;另一类方法就是降噪再识别的方法。
经对现有技术的文献检索发现,Aapo Hyvrinen等在“Proceedings of IEEEInternational Joint Conference on Neural Networks(1998年IEEE神经网络国际联合会议),1998年第二卷,859-864”上发表的“Sparse code shrinkage forimage denoising(稀疏编码收缩用于图像噪声消除)”,该文中提出基于独立成分分析的稀疏编码去噪方法,具体方法为:将原始图像采样后得到的数据用独立成分分析算法得到该图像数据的稀疏编码表达,并提出稀疏编码收缩函数对该编码进行非线性阈值收缩处理,最后反演重构达到去噪效果。其不足在于:该法提出的收缩函数的设计以及相关参数的选择需要基于图像统计特性得到,需要先验知识,而实际很难获取精确的先验知识,多基于假设,这样就很容易造成降噪过度导致目标信息混淆,或者降噪不够导致噪声仍旧严重的困难。具体到海杂波的合成孔径雷达图像,该法也未注意到目标亮度信息的挖掘,故而实际应用中并不够完善。
发明内容
本发明针对上述现有技术的不足,提出了一种海域合成孔径雷达图像点目标提取的方法,使其首先赫尔德指数,对原图像进行二值模糊化增强,达到有效挖掘局部信息,实现“粗提取”区分亮度,其次基于独立成分分析,提出了空间分离法,进行噪声消除,更好地实现了图像复原和目标提取。
本发明是通过以下技术方案实现的,包括如下具体步骤:
步骤一,求取原图像的点态赫尔德指数图;
所述求取原图像的点态赫尔德指数图,具体如下:
首先定义三个测度μ,分别为μmax、μmin、μsum:
μmax(Ω)=max(I(x,y)),(x,y)∈Ω,μmax(Ω)代表区域Ω中的象素灰度最大值;
μmin(Ω)=min(I(x,y)),(x,y)∈Ω,μmin(Ω)代表区域Ω中的象素灰度最小值;
μsum(Ω)=sum(I(x,y)),(x,y)∈Ω,μsum(Ω)代表区域Ω中的象素灰度的和,
其中,I(x,y)表示一幅图像,Ω表示图像指定区域的象素点集合,
然后任选以上某一测度标准,设定以象素点为中心的n×n邻域窗口的大小范围,n取1,3,5,7……,将点对(log(n),log(μ))进行最小二乘数据拟合,斜率就是该象素点对应的赫尔德指数,记为: 得到一幅与原图像一样规模的赫尔德指数图。
步骤二,对步骤一所获得的赫尔德指数图进行二值模糊化增强;
赫尔德指数图虽有效保留了图像的重要信息,但也弱化了目标信息,为凸显目标信息,提出二值模糊化增强技术。
所述二值模糊化增强,具体如下:
①对赫尔德指数图进行阈值二值化操作,以最大限度将目标奇异点集合进行粗提取,制定判据如下:
其中,λ∈(0,1)是控制因子,H(x,y)是赫尔德指数图每点的象素值,Ω表示图像指定区域的象素点集合。
②对粗提取后的指数图像进行模糊化,即选择均值滤波器处理由步骤①获得的二值图。
所述的均值滤波器处理,是指以边长为d的正方形模板窗口在原图像上进行滑动卷积。
步骤三,采用独立成分分析方法,获得模糊化的赫尔德指数图的空间表达,获得组成该空间的基图像和独立成分;
所述独立成分分析方法,具体如下:
①图像采样,获取初始矩阵:采用m×m的子窗口对二值模糊化以后的赫尔德指数图进行规则的滑动采样,使采样窗口相互交叠,将每次采样子窗口所覆盖的原图的象素点按列取出,并存为一个长的列向量,按照采样顺序得到一个以这些列向量为列的矩阵,称为初始矩阵,记做X0。
②对初始矩阵预处理,预处理包括:去均值和白化,获得独立成分分析方法输入矩阵;
所述去均值,是指以初始矩阵X0的某一行向量为对象,计算其元素的平均值,将该行向量的元素都减去此值,获得新向量,将矩阵其它行都遵照此原则进行处理,获得新矩阵X;
所述白化,是指得到白化后的矩阵Z,Z=VX,其中,X为去均值后的新矩阵,V为白化矩阵,V=D-1/2ET,D为矩阵X的协方差矩阵E{XXT}的特征值组成的对角阵,E为E{XXT}的特征向量组成的正交阵。
③将白化后的矩阵Z作为独立成分分析方法的输入,求解混合矩阵W,使输出矩阵Y=WZ的各行向量之间相互独立。
所述求解混合矩阵W,具体如下:
(a)随机初始化任一单位列向量,其元素个数为矩阵Z的行向量个数,将此向量记做w(0),令k=1;
(b)令w(k)=E{z(w(k-1)Tz)3}-3w(k-1),z为矩阵Z的一列,E为矩阵z(w(k-1)Tz)3)的期望;
(c)w(k)归一化处理:w(k)=w(k)/‖w(k)‖;
(d)如果|w(k)|趋近于1,则输出w(k),否则返回到(b);
(e)上述迭代过程结束后,得到的w(k)再取转置为混合矩阵W的一个行向量,最终求得混合矩阵W。
由于Z=VX,Y=WZ,所以X=(WTV)-1Y,令(WTV)-1=A,Y=S,故有X=AS,矩阵A包含了原始数据的基信息,其每一列称作一个基向量,对应一个基图像,矩阵S体现了原始数据的稀疏表达,其每一行称作一个独立成分。
步骤四,根据分离规则对原始图像空间进行空间分离,分离出噪声空间而保留非噪声空间;
原始图像空间是由非噪声空间和噪声空间合成的,各空间均由各自的基图像和独立成分构成,并且两者数目相等,一一对应。
所述分离出噪声空间,是指将噪声空间的基图像和独立成分从原始图像空间中分离出去,通过给独立成分设置分离规则,实现空间分离。
所述分离规则,如下式:
其中,Sclean表示非噪声空间,Snoise表示噪声空间,i=1…n,n为独立成分的个数,sij表示矩阵S的第i行第j列的元素,si表示第i个独立成分,φi表示第i个基向量,且两者一一对应,N表示任一独立成分的采样点数,对一个已经获取了观测值的系统,N是定值,θ∈(0,1)是控制因子,它可以表征散斑被削减的力度,θ越大,削减程度越大,为了避免过削减,需要根据不同的实验对象确定。
将每个独立成分si代入上式,若满足式一,则该独立成分属于非噪声空间,那么其对应的基图像也属于非噪声空间;若满足式二,则该独立成分属于噪声空间,其对应的基图像也属于噪声空间。
步骤五,对非噪声空间的独立成分进行选择性增强;
所述选择性增强,是指采用可调增强算子(AEO)对非噪声空间的独立成分进行选择性增强,具体如下:
其中,sign(v)为符号函数,v∈[-1,1],v是实数,T1,T2,T3为函数自变量,T1表示死区临界点,小于T1的点代表强噪声,T1≤|v|≤T2是弱化区,进一步弱化噪声信号,T2≤|v|≤T3是强化区,代表非噪声信号的修复与增强,T3≤|v|≤1为平衡区,代表非噪声信号成分占优。
步骤六,对非噪声空间反演重构,得到复原图像;
所述反演重构,是指将非噪声空间的基向量矩阵与和其相对应的选择性增强后的独立成分矩阵相乘,反演得到非噪声空间对应的初始矩阵,该初始矩阵拥有与独立成分分析方法中图像采样的初始矩阵相同的行列数,将矩阵每行元素加上该行在独立成分分析方法的去均值中每行的平均值,采用规则的滑动采样方法还原该矩阵,并在交叠处取平均,便得到复原图像。
步骤七,对复原图像进行目标二值化提取。
所述对复原图像进行目标二值化提取,是指将复原图进行阈值分割,取最亮点象素值的0.8-0.9倍作为阈值,即获得二值化目标提取结果。
本发明工作时,计算原图像的点态赫尔德指数,将其二值模糊化增强,将处理结果作为独立成分分析方法(ICA)的输入,得到图像的空间表达:基图像和独立成分,制定分离判据,对空间进行分离,获得噪声信号对应的噪声空间,以及非噪声信号对应的非噪声空间,使用非线性滤波算子对非噪声空间的独立成分进行增强, 再将其和已经获得的基图像进行反演重构,得复原图,通过简单阈值分割给出海域SAR图像点目标的二值化提取结果。
与现有技术相比,本发明的有益效果在于:首先,从直观的角度来讲,传统方法不仅降噪效果十分有限,而且淹没了目标信息,导致了目标提取的失败,而本发明利用独立成分分析技术,从赫尔德指数图的视角入手考虑消噪问题,结合信号分离理论,不仅区分了亮度信息,而且保证了降噪的有效性,成功实现了目标信息的有效提取;其次,采用公认的标准差均值比率因子(一般值越小,去噪效果越好)对两种方法处理后的图象质量进行评价,本发明方法结果图像的标准差均值比率因子比传统方法小近30%。
附图说明
图1为本发明的工作原理示意图;
图2为本发明实施例的原始海域SAR图像;
图3为本发明实施例的原始图像的赫尔德指数图;
图4为本发明实施例的二值模糊化赫尔德指数图;
图5为本发明实施例的原始空间基图像;
图6为本发明实施例的空间分离结果示意图;
其中(a)为噪声基图像,共29幅;(b)为非噪声基图像,共35幅;
图7为本发明实施例的复原结果示意图;
图8为本发明实施例的目标提取二值图。
具体实施方式
下面结合附图对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图2所示,是本实施例一幅机载合成孔径雷达系统获取的大小为256×256的海域功率原图像。
如图1所示,本实施例包括如下具体步骤:
步骤一,求取原图像的点态赫尔德指数图;
定义三个测度μ,分别为μmax、μmin、μsum:
μmax(Ω)=max(I(x,y)),(x,y)∈Ω,μmax(Ω)代表区域Ω中的象素灰度最大值)
μmin(Ω)=min(I(x,y)),(x,y)∈Ω,(μmin(Ω)代表区域Ω中的象素灰度最小值)
μsum(Ω)=sum(I(x,y)),(x,y)∈Ω,(μsum(Ω)代表区域Ω中的象素灰度的和)
其中,I(x,y)表示一幅图像,Ω表示图像指定区域的象素点集合。
然后选择测度μsum,设定以象素点为中心的n×n邻域窗口的大小范围,n最小取1,最大取3或5,将点对(log(n),log(μ))进行最小二乘数据拟合,斜率就是该象素点对应的赫尔德指数,记为: 如图3所示,从而得到一幅与原图像一样规模的赫尔德指数图。
步骤二,对步骤一所获得的赫尔德指数图进行二值模糊化增强,具体如下:
①对赫尔德指数图进行阈值二值化操作,以最大限度将目标奇异点集合进行粗提取,制定判据如下:
其中,λ∈(0,1)是控制因子,本实施例中取λ=0.2,H(x,y)是赫尔德指数图每点的象素值,Ω表示图像指定区域的象素点集合。
②对粗提取后的指数图像进行模糊化,即选择均值滤波器处理由步骤①获得的二值图。
所述均值滤波器处理,是指以边长为d,d为象素个数,为奇数,本实施例中选边长d=3的正方形模板窗口在原图像上进行滑动卷积,并选择模板如下:
对赫尔德指数图二值模糊化结果如图4所示,与原始图像相比,在有效保留点目标的前提下,噪声得以一定程度抑止。
步骤三,采用独立成分分析方法,获得模糊化的赫尔德指数图的空间表达,即获得组成该空间的基图像和独立成分,具体如下:
①图像采样,获取初始矩阵:采用8×8的子窗口对二值模糊化以后的赫尔德指数图进行规则的滑动采样,采样规则为从左到右,从上到下,每相隔4个象素点采样一次,使采样窗口相互交叠,将每次采样子窗口所覆盖的原图的象素点按列取出,并存为一个长的列向量,按照采样顺序就得到一个以这些列向量为列的矩阵,称为初始矩阵,记做X0,由于图像为256×256,故初始矩阵X0大小为64×3969。
②初始矩阵预处理,预处理包括:去均值和白化,获得独立成分分析方法输入矩阵;
所述去均值,是指以初始矩阵X0的某一行向量为对象,计算其元素的平均值,将该行向量的元素都减去此值,获得新向量,将矩阵其它行都遵照此原则进行处理,获得新矩阵X,新矩阵X大小64×3969;
所述白化,是指得到白化后的矩阵Z,使得Z=VX,矩阵Z的大小仍为64×3969,其中,X为去均值后的新矩阵,V为白化矩阵,V=D-1/2ET,D为矩阵X的协方差矩阵E{XXT}的特征值组成的对角阵,E为E{XXT }的特征向量组成的正交阵。
③将白化后的矩阵Z作为独立成分分析方法的输入,求解混合矩阵W,使分输出矩阵Y=WZ的各行向量之间相互独立,具体如下:
(a)随机初始化任一单位列向量,其元素个数为矩阵Z的行向量个数。将此向量记做w(0),令k=1;
(b)令w(k)=E{z(w(k-1)Tz)3}-3w(k-1),z为矩阵Z的一列,E为矩阵z(w(k-1)Tz)3)的期望;
(c)w(k)归一化处理:w(k)=w(k)/‖w(k)‖;
(d)如果|w(k)|趋近于1,则输出w(k),否则返回到(b);
(e)上述迭代过程结束后,得到的w(k)再取转置为混合矩阵W的一个行向量,最终求得混合矩阵W。
由于Z=VX,Y=WZ,所以X=(WTV)-1Y,若令(WTV)-1=A,Y=S,故有X=AS,如图5所示,矩阵A包含了原始数据的基信息,其每一列称作一个基向量,对应一个基图像,A为64×64,共有64个基图像,矩阵S体现了原始数据的稀疏表达,其每一行称作一个独立成分,S大小为64×3969。
步骤四,根据分离规则对原始图像空间进行空间分离,分离出噪声空间而保留非噪声空间;
所述分离出噪声空间,是指将噪声空间的基图像和独立成分从原始图像空间中分离出去,基图像和独立成分一一对应,通过给独立成分设置分离规则,达到空间分离的目的。
所述分离规则,如下式:
其中,Sclean表示非噪声空间,Snoise表示噪声空间,i=1…n,n为独立成分的个数,sij表示矩阵S的第i行第j列的元素,si表示第i个独立成分,φi表示第i个基向量,且两者一一对应,N表示任一独立成分的采样点数,N=3969,对一个已经获取了观测值的系统,N是定值,θ∈(0,1)是控制因子,θ=0.3。
在实施例中,将每个独立成分si代入上式,若满足式一,则该独立成分属于非噪声空间,那么其对应的基图像也属于非噪声空间;若满足式二,则该独立成分属于噪声空间,其对应的基图像也属于噪声空间,分离完成后噪声空间基图像个数为29,如图6(a)所示,非噪声空间基图像个数为35,如图6(b)所示。
步骤五,对非噪声空间的独立成分进行选择性增强;
所述选择性增强,是指采用可调增强算子(AEO)对非噪声空间的独立成分进行选择性增强,具体如下:
其中,sign(v)为符号函数,v∈[-1,1],函数自变量为T1,T2,T3,T1表示死区临界点,小于T1的点代表强噪声,T1=0.2;T1-T2是弱化区,进一步弱化噪声信号,弱化区区间长度为0.2;T2-T3是强化区,代表非噪声信号的修复与增强,以避免信号损失,其区间长度为弱化区的1.5-2倍;T3≤|v|≤1为平衡区,代表非噪声信号成分占优区,不再抑制或增强,保持大小不变即可。
步骤六,对非噪声空间反演重构,得到复原图像;
所述反演重构,是指将非噪声空间的基向量矩阵与和其相对应的选择性增强后的独立成分矩阵相乘,反演得到非噪声空间对应的初始矩阵,该初始矩阵拥有与独立成分分析方法中图像采样的初始矩阵相同的行列数,将矩阵每行元素加上该行在独立成分分析方法的去均值中每行的平均值,采用规则的滑动采样方法还原该矩阵,并在交叠处取平均,将象素值除以4,便得到复原图像,如图7所示,下方中部的点目标得以有效保留,而噪声得以极大削弱。
步骤七,对复原图像进行目标二值化提取。
所述对复原图像进行目标二值化提取,是指将复原图进行阈值分割,取最亮点象素值的0.9倍作为阈值,即获得二值化目标提取结果,如图8所示,图中下方亮点就期望提取的点目标所在。
本实施例的有益效果在于,本实施例利用独立成分分析技术,从赫尔德指数图的视角入手考虑消噪问题,结合信号分离理论,不仅区分了亮度信息,而且保证了降噪的有效性,成功实现了目标信息的有效提取;其次,采用公认的标准差均值比率因子(一般值越小,去噪效果越好)对两种方法处理后的图象质量进行评价,本实施例结果图像的标准差均值比率因子较传统方法小近30%。
Claims (10)
1.一种海域合成孔径雷达图像点目标提取的方法,其特征在于,包括如下具体步骤:
步骤一,求取原图像的点态赫尔德指数图;
步骤二,对步骤一所获得的赫尔德指数图进行二值模糊化增强;
步骤三,采用独立成分分析方法获得模糊化的赫尔德指数图的空间表达,获得组成该空间的基图像和独立成分;
步骤四,根据分离规则对原始图像空间进行空间分离,分离出噪声空间而保留非噪声空间;
步骤五,对非噪声空间的独立成分进行选择性增强;
步骤六,对非噪声空间反演重构,得到复原图像;
步骤七,对复原图像进行目标二值化提取。
2.根据权利要求1所述的海域合成孔径雷达图像点目标提取的方法,其特征是,所述求取原图像的点态赫尔德指数图,具体如下:
首先定义三个测度μ,分别为μmax、μmin、μsum来计算赫尔德指数:
μmax(Ω)=max(I(x,y)),(x,y)∈Ω,μmax(Ω)代表区域Ω中的象素灰度最大值;
μmin(Ω)=min(I(x,y)),(x,y)∈Ω,μmin(Ω)代表区域Ω中的象素灰度最小值;
μsum(Ω)=sum(I(x,y)),(x,y)∈Ω,μsum(Ω)代表区域Ω中的象素灰度的和,
其中,I(x,y)表示一幅图像,Ω表示图像指定区域的象素点集合,
然后任选以上某一测度标准,设定以象素点为中心的n×n邻域窗口的大小范围,n取1,3,5,7……,将点对(log(n),log(μ))进行最小二乘数据拟合,斜率就是该象素点对应的赫尔德指数,记为: 从而得到一幅与原图像一样规模的赫尔德指数图像。
3.根据权利要求1所述的海域合成孔径雷达图像点目标提取的方法,其特征是,所述二值模糊化增强,具体如下:
①对赫尔德指数图进行阈值二值化操作,以最大限度将目标奇异点集合进行粗提取,制定判据如下:
其中,λ∈(0,1)是控制因子,H(x,y)是赫尔德指数图每点的象素值,Ω表示图像指定区域的象素点集合;
②对粗提取后的指数图像进行模糊化,即选择均值滤波器处理由步骤①获得的二值图;
所谓均值滤波器处理,即以边长为d的正方形模板窗口在原图像上进行滑动卷积。
4.根据权利要求1所述的海域合成孔径雷达图像点目标提取的方法,其特征是,所述采用独立成分分析方法,具体如下:
①图像采样,获取初始矩阵:采用m×m的子窗口对二值模糊化以后的赫尔德指数图进行规则的滑动采样,使采样窗口相互交叠,将每次采样子窗口所覆盖的原图的象素点按列取出,并存为一个长的列向量,这样,按照采样顺序就得到一个以这些列向量为列的矩阵,称为初始矩阵,记做X0;
②初始矩阵预处理,预处理包括:去均值和白化,获得独立成分分析方法输入矩阵;
所述去均值,是指以初始矩阵X0的某一行向量为对象,计算其元素的平均值,将该行向量的元素都减去此值,获得新向量,将矩阵其它行都遵照此原则进行处理,获得新矩阵X;
所述白化,是指得到白化后的矩阵Z,使得Z=VX,其中,X为去均值后的新矩阵,V为白化矩阵,V=D-1/2ET,D为矩阵X的协方差矩阵E{XXT}的特征值组成的对角阵,E为E{XXT}的特征向量组成的正交阵;
③将白化后的矩阵Z作为独立成分分析方法的输入,求解混合矩阵W,使输出矩阵Y=WZ的各行向量之间相互独立,
由于Z=VX,Y=WZ,所以X=(WTV)-1Y,令(WTV)-1=A,Y=S,故有X=AS,矩阵A包含了原始数据的基信息,其每一列称作一个基向量,对应一个基图像,矩阵S体现了原始数据的稀疏表达,其每一行称作一个独立成分。
5.根据权利要求4所述的海域合成孔径雷达图像点目标提取的方法,其特征是,所述求解混合矩阵W,具体如下:
(a)随机初始化任一单位列向量,其元素个数为矩阵Z的行向量个数,将此向量记做w(0),令k=l;
(b)令w(k)=E{z(w(k-1)Tz)3}-3w(k-1),z为矩阵Z的一列,E为矩阵z(w(k-1)Tz)3)的期望;
(c)w(k)归一化处理:w(k)=w(k)/‖w(k)‖;
(d)如果|w(k)|趋近于1,则输出w(k),否则返回到(b);
(e)上述迭代过程结束后,得到的w(k)再取转置为混合矩阵W的一个行向量,最终求得混合矩阵W。
6.根据权利要求1所述的海域合成孔径雷达图像点目标提取的方法,其特征是,所述分离出噪声空间,是指将噪声空间的基图像和独立成分从原始图像空间中分离出去,基图像和独立成分一一对应,通过给独立成分设置分离规则,实现空间的分离。
7.根据权利要求6所述的海域合成孔径雷达图像点目标提取的方法,其特征是,所述分离规则,如下式:
其中,Sclean表示非噪声空间,Snoise表示噪声空间,i=1…n,n为独立成分的个数,sij表示矩阵S的第i行第j列的元素,si表示第i个独立成分,φi表示第i个基向量,且两者一一对应,N表示任一独立成分的采样点数,对一个已经获取了观测值的系统,N是定值,θ∈(0,1)是控制因子,它表征散斑被削减的力度,θ越大,削减程度越大;
将每个独立成分si代入上式,若满足式一,则该独立成分属于非噪声空间,那么其对应的基图像也属于非噪声空间;若满足式二,则该独立成分属于噪声空间,其对应的基图像也属于噪声空间。
8.根据权利要求1所述的海域合成孔径雷达图像点目标提取的方法,其特征是,所述选择性增强,是指采用可调增强算子对非噪声空间的独立成分进行选择性增强,具体如下:
可调增强算子
其中,sign(v)是符号函数,v∈[-1,1],T1,T2,T3为函数自变量,T1表示死区临界点,小于T1的点代表强噪声,T1≤|v|≤T2是弱化区,进一步弱化噪声信号,T2≤|v|≤T3是强化区,代表非噪声信号的修复与增强,T3≤|v|≤1为平衡区,代表非噪声信号成分占优。
9.根据权利要求1所述的海域合成孔径雷达图像点目标提取的方法,其特征是,所述反演重构,是指将非噪声空间的基向量矩阵与和其相对应的选择性增强后的独立成分矩阵相乘,反演得到非噪声空间对应的初始矩阵,该初始矩阵拥有与独立成分分析方法中图像采样的初始矩阵相同的行列数,将矩阵每行元素加上该行在独立成分分析方法的去均值中每行的平均值,采用规则的滑动采样方法还原该矩阵,并在交叠处取平均,便得到复原图像。
10.根据权利要求1所述的海域合成孔径雷达图像点目标提取的方法,其特征是,所述对复原图像进行目标二值化提取,是指将复原图进行阈值分割,取最亮点象素值的0.8-0.9倍作为阈值,即获得二值化目标提取结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2007100469279A CN100547433C (zh) | 2007-10-11 | 2007-10-11 | 海域合成孔径雷达图像点目标提取的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2007100469279A CN100547433C (zh) | 2007-10-11 | 2007-10-11 | 海域合成孔径雷达图像点目标提取的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101140324A true CN101140324A (zh) | 2008-03-12 |
CN100547433C CN100547433C (zh) | 2009-10-07 |
Family
ID=39192350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2007100469279A Expired - Fee Related CN100547433C (zh) | 2007-10-11 | 2007-10-11 | 海域合成孔径雷达图像点目标提取的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100547433C (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101582160A (zh) * | 2009-06-18 | 2009-11-18 | 北京中星微电子有限公司 | 前景检测方法和装置以及自适应阈值调节方法和装置 |
CN101806887A (zh) * | 2010-03-19 | 2010-08-18 | 清华大学 | 基于空间跟踪滤波器的海杂波抑制和目标检测方法 |
CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
CN102147463A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种群智雷达海杂波预报系统及方法 |
CN102147465A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种混沌寻优雷达海上目标检测系统及方法 |
CN102147466A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种敏捷雷达数据处理系统及方法 |
CN102147464A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种鲁棒智能雷达海杂波预报系统及方法 |
CN102156278A (zh) * | 2011-03-03 | 2011-08-17 | 浙江大学 | 一种鲁棒雷达海上目标检测系统及方法 |
CN102183750A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种鲁棒雷达海杂波预报系统及方法 |
CN102183744A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种群智雷达海上目标检测系统及方法 |
CN102183749A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种自适应雷达海上目标检测系统及方法 |
CN102183751A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种智能雷达海上目标检测系统及方法 |
CN102183746A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种雷达海上目标检测系统及方法 |
CN102183747A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种敏捷雷达目标检测系统及方法 |
CN102183748A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种雷达海杂波预报系统及方法 |
CN102183752A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种自适应雷达海杂波预报系统及方法 |
CN102183745A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种智能雷达海杂波预报系统及方法 |
CN102183754A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种鲁棒智能雷达海上目标检测系统及方法 |
CN102183753A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种混沌寻优雷达海杂波预报系统及方法 |
CN102565772A (zh) * | 2010-12-20 | 2012-07-11 | 中国科学院电子学研究所 | 基于sar子孔径序列图像的海洋动态信息提取方法 |
CN102819012A (zh) * | 2012-08-21 | 2012-12-12 | 南京信息工程大学 | 一种基于非负ica的相控阵风廓线雷达信号处理方法 |
CN107092015A (zh) * | 2017-06-14 | 2017-08-25 | 南京航空航天大学 | 一种激光雷达回波信号散斑噪声的滤除方法 |
CN109741313A (zh) * | 2018-12-29 | 2019-05-10 | 南京信息工程大学 | 独立成分分析和卷积神经网络的无参考图像质量评价方法 |
RU2703522C1 (ru) * | 2018-12-21 | 2019-10-18 | Федеральное государственное бюджетное учреждение науки институт океанологии им. П.П. Ширшова Российской академии наук | Способ идентификации подводного гидродинамического источника по скоростному радиолокационному изображению морской поверхности |
CN110363796A (zh) * | 2018-05-25 | 2019-10-22 | 哈尔滨工程大学 | 基于轻量卷积神经网络结构的前视声纳运动目标跟踪方法 |
CN112884059A (zh) * | 2021-03-09 | 2021-06-01 | 电子科技大学 | 一种融合先验知识的小样本雷达工作模式分类方法 |
CN113111758A (zh) * | 2021-04-06 | 2021-07-13 | 中山大学 | 一种基于脉冲神经网络的sar图像舰船目标识别方法 |
-
2007
- 2007-10-11 CN CNB2007100469279A patent/CN100547433C/zh not_active Expired - Fee Related
Cited By (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101582160A (zh) * | 2009-06-18 | 2009-11-18 | 北京中星微电子有限公司 | 前景检测方法和装置以及自适应阈值调节方法和装置 |
CN101582160B (zh) * | 2009-06-18 | 2013-09-18 | 北京中星微电子有限公司 | 前景检测方法和装置以及自适应阈值调节方法和装置 |
CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
CN101807301B (zh) * | 2010-03-17 | 2012-11-07 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
CN101806887A (zh) * | 2010-03-19 | 2010-08-18 | 清华大学 | 基于空间跟踪滤波器的海杂波抑制和目标检测方法 |
CN101806887B (zh) * | 2010-03-19 | 2012-06-27 | 清华大学 | 基于空间跟踪滤波器的海杂波抑制和目标检测方法 |
CN102565772B (zh) * | 2010-12-20 | 2013-07-24 | 中国科学院电子学研究所 | 基于sar子孔径序列图像的海洋动态信息提取方法 |
CN102565772A (zh) * | 2010-12-20 | 2012-07-11 | 中国科学院电子学研究所 | 基于sar子孔径序列图像的海洋动态信息提取方法 |
CN102183747A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种敏捷雷达目标检测系统及方法 |
CN102183748B (zh) * | 2011-03-03 | 2012-07-25 | 浙江大学 | 一种雷达海杂波预报系统及方法 |
CN102183749A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种自适应雷达海上目标检测系统及方法 |
CN102183751A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种智能雷达海上目标检测系统及方法 |
CN102183746A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种雷达海上目标检测系统及方法 |
CN102183750A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种鲁棒雷达海杂波预报系统及方法 |
CN102183748A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种雷达海杂波预报系统及方法 |
CN102183752A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种自适应雷达海杂波预报系统及方法 |
CN102183745A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种智能雷达海杂波预报系统及方法 |
CN102183754A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种鲁棒智能雷达海上目标检测系统及方法 |
CN102183753A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种混沌寻优雷达海杂波预报系统及方法 |
CN102156278A (zh) * | 2011-03-03 | 2011-08-17 | 浙江大学 | 一种鲁棒雷达海上目标检测系统及方法 |
CN102156278B (zh) * | 2011-03-03 | 2012-07-04 | 浙江大学 | 一种鲁棒雷达海上目标检测系统及方法 |
CN102147464B (zh) * | 2011-03-03 | 2012-07-11 | 浙江大学 | 一种鲁棒智能雷达海杂波预报系统及方法 |
CN102147465B (zh) * | 2011-03-03 | 2012-07-11 | 浙江大学 | 一种混沌寻优雷达海上目标检测系统及方法 |
CN102147464A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种鲁棒智能雷达海杂波预报系统及方法 |
CN102147466B (zh) * | 2011-03-03 | 2012-07-18 | 浙江大学 | 一种敏捷雷达数据处理系统及方法 |
CN102147463B (zh) * | 2011-03-03 | 2012-07-18 | 浙江大学 | 一种群智雷达海杂波预报系统及方法 |
CN102183747B (zh) * | 2011-03-03 | 2012-07-25 | 浙江大学 | 一种敏捷雷达目标检测系统及方法 |
CN102183744B (zh) * | 2011-03-03 | 2012-07-25 | 浙江大学 | 一种群智雷达海上目标检测系统及方法 |
CN102183750B (zh) * | 2011-03-03 | 2012-07-25 | 浙江大学 | 一种鲁棒雷达海杂波预报系统及方法 |
CN102183744A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种群智雷达海上目标检测系统及方法 |
CN102183746B (zh) * | 2011-03-03 | 2012-07-25 | 浙江大学 | 一种雷达海上目标检测系统及方法 |
CN102183754B (zh) * | 2011-03-03 | 2012-07-25 | 浙江大学 | 一种鲁棒智能雷达海上目标检测系统及方法 |
CN102183745B (zh) * | 2011-03-03 | 2012-07-25 | 浙江大学 | 一种智能雷达海杂波预报系统及方法 |
CN102183753B (zh) * | 2011-03-03 | 2012-07-25 | 浙江大学 | 一种混沌寻优雷达海杂波预报系统及方法 |
CN102183752B (zh) * | 2011-03-03 | 2012-07-25 | 浙江大学 | 一种自适应雷达海杂波预报系统及方法 |
CN102147466A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种敏捷雷达数据处理系统及方法 |
CN102147463A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种群智雷达海杂波预报系统及方法 |
CN102183751B (zh) * | 2011-03-03 | 2013-01-23 | 浙江大学 | 一种智能雷达海上目标检测系统及方法 |
CN102183749B (zh) * | 2011-03-03 | 2013-01-23 | 浙江大学 | 一种自适应雷达海上目标检测系统及方法 |
CN102147465A (zh) * | 2011-03-03 | 2011-08-10 | 浙江大学 | 一种混沌寻优雷达海上目标检测系统及方法 |
CN102819012A (zh) * | 2012-08-21 | 2012-12-12 | 南京信息工程大学 | 一种基于非负ica的相控阵风廓线雷达信号处理方法 |
CN102819012B (zh) * | 2012-08-21 | 2014-05-28 | 南京信息工程大学 | 一种基于改进的非负ica的相控阵风廓线雷达信号处理方法 |
CN107092015A (zh) * | 2017-06-14 | 2017-08-25 | 南京航空航天大学 | 一种激光雷达回波信号散斑噪声的滤除方法 |
CN107092015B (zh) * | 2017-06-14 | 2019-07-19 | 南京航空航天大学 | 一种激光雷达回波信号散斑噪声的滤除方法 |
CN110363796A (zh) * | 2018-05-25 | 2019-10-22 | 哈尔滨工程大学 | 基于轻量卷积神经网络结构的前视声纳运动目标跟踪方法 |
RU2703522C1 (ru) * | 2018-12-21 | 2019-10-18 | Федеральное государственное бюджетное учреждение науки институт океанологии им. П.П. Ширшова Российской академии наук | Способ идентификации подводного гидродинамического источника по скоростному радиолокационному изображению морской поверхности |
CN109741313A (zh) * | 2018-12-29 | 2019-05-10 | 南京信息工程大学 | 独立成分分析和卷积神经网络的无参考图像质量评价方法 |
CN109741313B (zh) * | 2018-12-29 | 2023-08-22 | 南京信息工程大学 | 独立成分分析和卷积神经网络的无参考图像质量评价方法 |
CN112884059A (zh) * | 2021-03-09 | 2021-06-01 | 电子科技大学 | 一种融合先验知识的小样本雷达工作模式分类方法 |
CN112884059B (zh) * | 2021-03-09 | 2022-07-05 | 电子科技大学 | 一种融合先验知识的小样本雷达工作模式分类方法 |
CN113111758A (zh) * | 2021-04-06 | 2021-07-13 | 中山大学 | 一种基于脉冲神经网络的sar图像舰船目标识别方法 |
CN113111758B (zh) * | 2021-04-06 | 2024-01-12 | 中山大学 | 一种基于脉冲神经网络的sar图像舰船目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN100547433C (zh) | 2009-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101140324A (zh) | 海域合成孔径雷达图像点目标提取的方法 | |
Wang et al. | Generating high quality visible images from SAR images using CNNs | |
Yang et al. | Laffnet: A lightweight adaptive feature fusion network for underwater image enhancement | |
Wang et al. | Generative adversarial network-based restoration of speckled SAR images | |
Chen et al. | Semi-reference sonar image quality assessment based on task and visual perception | |
CN101141560A (zh) | 基于独立成分分析基图像的合成孔径雷达图像消噪方法 | |
Zi et al. | Thin cloud removal for multispectral remote sensing images using convolutional neural networks combined with an imaging model | |
Zhao et al. | An attention encoder-decoder network based on generative adversarial network for remote sensing image dehazing | |
Jing et al. | SAR image de-noising via grouping-based PCA and guided filter | |
Liu et al. | SAR image specle reduction based on a generative adversarial network | |
Wang et al. | An ensemble multi-scale residual attention network (EMRA-net) for image Dehazing | |
Zhao et al. | A multi-scale U-shaped attention network-based GAN method for single image dehazing | |
CN112215832B (zh) | Sar尾迹图像质量评估及自适应探测参数调整方法 | |
Zhu et al. | Hierarchical attention for ship detection in SAR images | |
Symolon et al. | Single-image super resolution using convolutional neural network | |
Verma et al. | FCNN: fusion-based underwater image enhancement using multilayer convolution neural network | |
Kumar et al. | Underwater Image Enhancement using deep learning | |
Zhang et al. | Infrared Small Target Detection Based on Four-Direction Overlapping Group Sparse Total Variation. | |
Shan et al. | Synthetic aperture radar images denoising based on multi-scale attention cascade convolutional neural network | |
Ma et al. | MHGAN: A Multi-Headed Generative Adversarial Network for Underwater Sonar Image Super-Resolution | |
CN111967292A (zh) | 一种轻量级的sar图像船只检测方法 | |
Cao et al. | CFMB-T: A cross-frequency multi-branch transformer for low-quality infrared remote sensing image super-resolution | |
Li et al. | Target detection of forward-looking scanning radar based on low-rank and sparse matrix decomposition | |
Amjadipour et al. | Estimation of Free Parameters of Morphological Profiles for Building Extraction Using SAR Images | |
Zhang et al. | The Influence of Different Saliency on Full-Reference Sonar Image Quality Evaluation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20091007 Termination date: 20121011 |