CN102622598B - 基于区域标记与灰度统计的sar图像目标检测方法 - Google Patents
基于区域标记与灰度统计的sar图像目标检测方法 Download PDFInfo
- Publication number
- CN102622598B CN102622598B CN201210011612.1A CN201210011612A CN102622598B CN 102622598 B CN102622598 B CN 102622598B CN 201210011612 A CN201210011612 A CN 201210011612A CN 102622598 B CN102622598 B CN 102622598B
- Authority
- CN
- China
- Prior art keywords
- region
- image
- target
- pixel
- made target
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于区域标记与灰度统计的SAR图像目标检测方法。利用Primal Sketch模型提取的原SAR图像的结构信息,在不依赖于目标形状、目标特性及背景特性等先验信息的情况下成功检测到较彻底地包含了原SAR图像中的所有人工目标的人工目标潜在区域,又充分利用了原SAR图像灰度信息和SAR人工目标区域的像素呈明暗相间分布的特征,结合OTSU图像阈值化算法,有效地剔除了虚警目标区域,降低了人工目标检测结果的虚警率;实现了目标区域内人工目标较为准确的定位,解决了虚警率高,目标区域内人工目标难以准确定位的SAR图像目标检测技术问题,处理速度快。可用于SAR图像处理及计算机视觉领域的目标检测。
Description
技术领域
本发明属于图像处理技术领域,涉及一种SAR图像目标检测方法,具体是一种基于区域标记与灰度统计的SAR图像目标检测方法,可用于SAR图像处理及计算机视觉领域的目标检测。
背景技术
目标检测的主要任务是确定出感兴趣的目标位置,实现目标与背景的分离。目标检测的方法可划分为:单帧图像目标检测和多帧序列图像目标检测两大类。目前的目标检测方法一般都局限于一定的应用环境,而且目标检测方法的有效性依赖于目标特性、背景特性以及应用环境等先验知识,检测结果的好坏取决于目标及背景的鉴别能力。
SAR图像目标检测是SAR图像目标识别的基础。由于SAR图像不同于光学图像,首先SAR图像不能很好地描述目标的轮廓和细节;其次SAR目标对方位角特别敏感。因此,对不同的目标及不同照射方位下所形成的SAR图像,其背景散射强度与目标散射强度各不相同。所以,如何从SAR图像中提取目标的有效信息一直是SAR图像解译的难点。
近期刘芳、宋建梅提出一种基于Primal Sketch模型的SAR图像目标检测方法。它首先运用Primal Sketch模型得到原SAR图像的Primal Sketch图,然后利用人工目标的规整性特征在Primal Sketch图上提取可能存在人工目标的区域,再结合这些区域的规整度等特征进行后处理,最终得到人工目标的检测结果。该目标检测方法突破了一般的目标检测方法对于先验信息的依赖,可以在没有目标类型、目标特性及背景特性等先验信息的情况下实现对桥梁、港口和建筑物等多种类型的人工目标的统一检测,检测方法具有较强的通用性。
上述方法虽然能够很好地摆脱对于图像先验信息的依赖,仅利用SAR图像的结构信息较彻底地、快速检测到图像中疑似人工目标区域,但由于该检测方法利用的图像特征较为单一,检测到的目标区域集合中包含较多的虚警目标,而在后处理中剔除虚警目标时,该检测方法采用的仍然仅是规整度、规整比率等反应图像结构信息的手段和方法,不能有效剔除虚警目标区域;且在定位人工目标潜在区域时,该方法只是简单地通过得到的规整线段集合中线段的坐标来确定最终的区域范围,导致提取的目标区域内包含了较多的自然目标信息,其主要存在以下缺陷:
1)目标检测的结果虚警率较高,检测到的人工目标潜在区域集合中含有较多的森林、田野等自然目标区域,不利于图像的后续处理,如准确的人工目标识别;
2)没有进行目标区域内人工目标的定位,检测到的目标区域内含有很大比例的森林、田野、水域等自然目标信息;人工目标定位的不准确,不利于实际应用,如目标的精确搜索等应用。
发明内容
本发明的目的在于克服上述已有技术的不足,提出一种基于区域标记与灰度统计的SAR图像目标检测方法,以减小人工目标检测结果的虚警率,并结合SAR人工目标的灰度信息对人工目标进行更为准确的定位。
本发明的技术方案是首先利用Primal Sketch模型得到表示原SAR图像结构信息的Primal Sketch图,依据人工目标的规整性特征在Primal Sketch图上提取可能存在人工目标的区域,对应地在原SAR图像上提取人工目标潜在区域。然后本发明在所提取的人工目标潜在区域的基础上,利用SAR图像灰度信息,SAR人工目标区域的像素呈明暗相间分布的特征和SAR人工目标的灰度特征,结合OTSU图像阈值化算法,剔除虚警目标区域,并通过对目标区域内的人工目标进行定位,得到定位较准确的人工目标区域。具体步骤包括如下:
(1)对输入SAR图像运用Primal Sketch模型得到其Primal Sketch图,即用以表示原SAR图像结构信息的线段集合S,对线段集合S中的每一条线段都定义其规整度与规整比率属性,再利用SAR人工目标的规整性特征,在Primal Sketch图上提取可能存在人工目标(规整度不为0)的m个区域标记Tk,k=1,2,...,m,m是人工目标区域划分的个数,这里,使用的方法虽然可以较彻底地、快速找到图像中疑似人工目标区域,但是这些目标区域集合中还存在大量森林、田野等自然目标区域,而在含有人工目标的目标区域内还含有大量的非人工目标信息。
(2)根据在Primal Sketch图上提取的区域标记Tk,k=1,2,...,m,提取原SAR图像上对应的人工目标潜在区域Rk,k=1,2,...,m。
(3)利用SAR人工目标区域的像素呈明暗相间分布的特征,结合原SAR图像的OTSU图像阈值化算法结果,对阈值化后的图像进行划窗,对每一幅划窗内明暗像素占总像素数目的比值进行直方图统计,忽略直方图两端的极端情况,取直方图的峰值点对应的比值作为剔除虚警目标的阈值T。
(4)对人工目标潜在区域Rk,k=1,2,...,m,统计区域Rk内明暗像素点的数目占区域Rk的总像素数目的比值,如果该比值小于给定的阈值T,则认为该区域为虚警目标区域而予以剔除,由保留下来的区域得到虚警率较低的区域集合Gk,k=1,2,...,n,n≤m,本发明不再单纯依赖于SAR图像的结构信息,而是又利用了原SAR图像的灰度信息,能有效地剔除目标区域集合中的虚警目标区域,大大降低了检测结果的虚警率。
(5)利用SAR人工目标的灰度特征,结合OTSU图像阈值化算法,对区域集合Gk,k=1,2,...,n内的人工目标进行定位,并标记已确认的人工目标区域,得到最终的人工目标检测结果G′k,k=1,2,...,n。原目标区域内含有大量的自然目标信息,在原SAR图像的Primal Sketch图中无法区分提取区域中的人工目标,考虑到SAR人工目标的灰度特征,本发明利用了原SAR图像的灰度信息,实现了目标区域内人工目标的较为准确的定位,得到了定位较准确的新的人工目标区域。
已有技术利用Primal Sketch模型提取的原SAR图像的结构信息,能够不依赖于目标形状、目标特性及背景特性等先验信息,成功检测到桥梁、港口和建筑物等多种人工目标。但是它还存在高虚警率、目标定位不准确的问题。本发明利用这一点,使用原SAR图像的结构信息得到虚警率较高、对人工目标定位不够准确的人工目标潜在区域,这些区域较彻底地包含了原SAR图像中的所有人工目标,而且不依赖先验信息,在此基础上,本发明又充分利用了原SAR图像灰度信息和SAR人工目标区域的像素呈明暗相间分布的特征,结合OTSU图像阈值化算法,有效地剔除了虚警目标区域,降低了人工目标检测结果的虚警率;实现了目标区域内人工目标的较为准确的定位,解决了虚警率较高,得到的目标区域内人工目标难以准确定位的SAR图像目标检测技术问题。
本发明的实现还在于:其中步骤(3)所述的确定用于剔除虚警目标区域的阈值T,按照如下步骤进行:
(3a)对原SAR图像运用OTSU图像阈值化算法,得到阈值化后的图像Y,其中在运用OTSU图像阈值化算法时,选取分割的类别数为3,即将原图像分割成具有低像素值、中间像素值和高像素值的3类像素,分割原SAR图像的最佳阈值k1*和k2*由下式得到:
其中ω0是低值像素的出现概率,ω1是中间值像素的出现概率,ω2是高值像素的出现概率;μ0是低值像素的期望值,μ1是中间值像素的期望值,μ2是高值像素的期望值,μT是原SAR图像的期望值;对任意给定的分割阈值k1和k2,它们均满足下式:
ω0μ0+ω1μ1+ω2μ2=μT,ω0+ω1+ω2=1;
(3b)对阈值化图像Y进行划窗处理,划窗大小为h*h,窗口交叉h/2个像素,对窗口内明暗像素占总像素数目的比值进行直方图统计,忽略直方图两端的极端情况,取直方图的峰值点对应的比值作为剔除虚警目标的阈值T。
现有技术只利用原SAR图像的Primal Sketch图中的结构信息,能够不依赖于待检测目标和背景的先验信息,较彻底地、快速检测到疑似人工目标区域,但得到的检测结果中具有较多的虚警目标区域,而在后处理中采用的依旧只是规整度、规整率等结构信息,无法有效地剔除虚警目标区域,使得最后的检测结果虚警率较高;本发明在此基础上,通过对原SAR图像灰度信息的充分利用,可以大大降低检测结果的虚警率。
本发明的实现还在于:其中步骤(5)所述的对人工目标潜在区域集合Gk,k=1,2,...,n内的人工目标进行定位,是按照如下步骤进行:
(5a)对人工目标潜在区域Gk,k=1,2,...,n,在区域Gk上运用OTSU图像阈值化算法,得到阈值化后的区域图像Y′k,其中在运用OTSU图像阈值化算法时,选取分割的类别数为3,即将原图像分割成具有低像素值、中间像素值和高像素值的3类像素,假设分割区域的最佳阈值为t1和t2,0<t1<t2<L;
(5b)将阈值化图像Y′k中像素值大于t2的像素置为白色,小于等于t2的像素置为黑色,得到二值区域图像Y″k;
(5c)对二值图像Y″k运用区域生长算法得到一系列的高亮连通区域,在运用区域生长算法时,选取二值图像Y″k内的白色像素点为种子,以一个较小的值,如0.01作为生长阈值,如果某个高亮连通区域的像素总数目小于阈值T′,T′为10,因为步骤(1)采用的基于种子线段的生长中选取种子线段时,种子线段的长度要求大于等于5,一个人工目标至少要由两条线段描述,所以每一个检测到的人工目标都要求大于10像素,所以T′的大小选取10,则将该高亮连通区域从区域Gk中剔除出去,这样做的目的是剔除那些由于噪声或虚警造成的小斑块,最终由保留下来的高亮连通区域作为区域Gk的人工目标定位结果;
(5d)对每个区域Gk,k=1,2,...,n重复(5a)到(5c)的过程,即定位人工目标,得到最终的人工目标检测结果G′k,k=1,2,...,n,并在原SAR图像上标注。
现有技术从图像中提取的目标区域内包含了较多的自然目标信息,又没有进行区域内人工目标的定位,导致检测到的人工目标定位不准确;本发明在此基础上,通过对原SAR图像灰度信息的充分利用,对目标区域内的人工目标进行定位,并标记已确认的人工目标区域,得到定位较准确的人工目标区域。
本发明与现有技术相比具有如下优点:
1)本发明利用Primal Sketch模型得到表示原SAR图像结构信息的Primal Sketch图,再依据人工目标的规整性特征在Primal Sketch图上提取可能存在人工目标的区域,这些区域较彻底地包含了原SAR图像上所有的人工目标,然后充分利用SAR人工目标区域的像素呈明暗相间分布的特征,对不符合该特征的虚警目标区域进行剔除,有效地降低了目标检测结果的虚警率。
2)本发明利用SAR人工目标的灰度特征,结合OTSU图像阈值化算法,将区域内的像素分为3类像素,对这3类像素赋值得到区域的二值图像,利用区域生长算法得到区域内的高亮连通区域,标记大小大于一定阈值的高亮区域,以实现对目标区域内人工目标的定位,得到定位较准确的人工目标区域。
3)本发明是直接在原SAR图像的Primal Sketch图和原SAR图像上进行操作,且过程中采用的OTSU图像阈值化算法和区域生长算法,处理速度快,实现了SAR图像目标的快速检测。
附图说明
图1是本发明基于区域标记与灰度统计的SAR图像目标检测方法框图;
图2是本发明中的仿真实验使用的原SAR图像及其Primal Sketch图;
图3是对图2(a)的OTSU阈值化分割结果图;
图4是在图3上进行划窗得到的窗口内明暗像素占总像素的比值的直方图统计结果;
图5是本发明中的仿真实验特征剔除的6个虚警目标区域示例;
图6是本发明中的仿真实验得到5个桥梁目标示例;
图7是本发明中的仿真实验得到的2个港口目标示例;
图8是本发明中的仿真实验得到的6个建筑物目标示例;
具体实施方式
实施例1
本发明是一种基于区域标记与灰度统计的SAR图像目标检测方法,主要用于对SAR图像进行人工目标的检测及准确定位。因为SAR特殊的相干成像机制,导致得到的SAR图像具有非直观性和图像信息冗余等特点,不能很好地描述目标的轮廓和细节,图像中目标和背景鉴别能力不强,因此SAR图像目标检测对先验信息依赖大,计算量高,且对噪声敏感;专利201110102855的研究通过Primal Sketch模型提取原SAR图像结构信息,依据人工目标的规整性特征提取可能存在人工目标的区域,实现了不依赖先验信息、对噪声鲁棒、可以对多种人工目标进行统一检测的SAR图像目标检测方法;因为其具有不依赖先验信息的优势,本发明在此基础上,通过利用原SAR图像的灰度信息,SAR人工目标区域的像素呈明暗相间分布的特征和SAR人工目标的灰度特性,结合OTSU图像阈值化算法,降低了检测结果的虚警率,实现了对检测到的目标区域内人工目标的较为准确的定位。
参照图1,本发明的实施步骤如下:
步骤1对输入图像I,参见图2(a),运用Primal Sketch模型得到其Primal Sketch图,即用以表示原SAR图像结构信息的线段集合S,对线段集合S中的每一条线段都定义其规整度与规整比率属性,再利用SAR人工目标的规整性特征,在PrimalSketch图上提取可能存在人工目标(规整度不为0)的m个区域标记Tk,k=1,2,...,m,实验中m为68。
(1a)对原SAR图像运用Primal Sketch模型得到用以表示SAR图像结构信息的线段集合S;
(1b)定义并计算线段集合S中所有线段的规整度和规整比率;
(1c)根据规整度的大小对线段集合S中的线段进行排序,对于规整度相等的线段再按规整比率的大小排序,选取前m条线段作为种子线段集Ek,k=1,2,...,m,m为68;
(1d)以种子线段Ek,k=1,2,...,m为基准进行区域生长,得到候选目标区域集合Tk,k=1,2,...,m。
步骤2根据在Primal Sketch图上提取的区域标记Tk,k=1,2,...,m提取原SAR图像上对应的人工目标潜在区域Rk,k=1,2,...,m
步骤3利用SAR人工目标区域的像素呈明暗相间分布的特征,结合OTSU图像阈值化算法,采用划窗的方法,对每一幅划窗内明暗像素占总像素的比值进行直方图统计,以确定用于剔除虚警目标区域的阈值T,实验中T为0.43:
(3a)对原SAR图像I运用OTSU图像阈值化算法,得到阈值化后的图像Y,其中在运用OTSU图像阈值化算法时,选取分割的类别数为3,以将原图像分割成具有低像素值、中间像素值和高像素值的3类像素,分割的最佳阈值k1*和k2*由下式得到:
其中ω0是低值像素的出现概率,ω1是中间值像素的出现概率,ω2是高值像素的出现概率;μ0是低值像素的期望值,μ1是中间值像素的期望值,μ2是高值像素的期望值,μT是原SAR图像的期望值;对任意给定的分割阈值k1和k2,它们均满足下式:
ω0μ0+ω1μ1+ω2μ2=μT,ω0+ω1+ω2=1;
(3b)对阈值化后的图像Y进行划窗处理,划窗大小为h*h,窗口交叉h/2个像素,实验中划窗大小为10*10,窗口交叉5个像素,具体对窗口内明暗像素占总像素数目的比值进行直方图统计,忽略直方图两端的极端情况,取直方图的峰值点对应的比例值T作为剔除虚警目标的阈值,T为0.43;
步骤4对人工目标潜在区域Rk,k=1,2,...,m,统计区域Rk内明暗像素点的数目占区域Rk的总像素数目的比例,如果该比例值小于给定的阈值T,则认为该区域为虚警目标区域而予以剔除,由保留下来的区域得到虚警率较低的区域集合Gk,k=1,2,...,n,n为52。
步骤5利用SAR人工目标的灰度特征,结合OTSU图像阈值化算法,对区域Gk,k=1,2,...,n内的人工目标进行较为准确的定位,并标记已确认的人工目标区域,得到最终的人工目标检测结果G′k,k=1,2,...,n:
(5a)对区域Gk运用OTSU图像阈值化算法,得到阈值化后的区域图像Y′k,其中在运用OTSU图像阈值化算法时,选取分割的类别数为3,以将原图像分割成具有低像素值、中间像素值和高像素值的三类像素,假设分割阈值为t1和t2,0<t1<t2<L,L=255,即0<t1<t2<255;
(5b)将阈值化图像Y′k中像素值大于t2的像素置为白色,小于t2的像素置为黑色,得到二值图像Y″k;
(5c)对二值图像Y″k运用区域生长算法得到一系列的高亮连通区域(在运用区域生长算法时,选取二值图像Y″k内的白色像素点为种子,以一个较小的值,如0.01作为生长阈值),如果某个高亮连通区域的像素总数目小于阈值T′,T′为10,则将该高亮连通区域从区域Gk中剔除出去,这样做的目的是剔除那些由于噪声或虚警造成的小斑块,最终由保留下来的高亮连通区域作为区域Gk的人工目标定位结果;
(5d)对每个区域Gk,k=1,2,...,n重复(5a)到(5c)的过程,即定位人工目标,得到最终的人工目标检测结果G′k,k=1,2,...,n。
实施例2
基于区域标记与灰度统计的SAR图像目标检测方法,同实施例1。
结合附图并通过以下仿真的数据和图像对本发明进一步说明。
1.仿真条件
(1)仿真实验使用的SAR图像截取自Washington D.C.图像,参见附图2(a),高为472,宽为740,图像中包含桥梁、港口和建筑物等人工目标,也包含森林,海面和田野等自然目标,仿真实验的目的是检测出图像中所有类型的人工目标;
(2)判断线段之间的位置关系时涉及到误差区间,仿真实验设置误差区间为15度,即如果两条线段之间的夹角小于15度,则认为它们是平行的关系,若果两条线段之间的夹角大于75度并且小于105度,则认为两者垂直。
(3)确定用于剔除虚警目标区域的阈值T时,划窗大小为h*h,窗口交叉h/2个像素,本例中划窗大小为10*10,窗口交叉5个像素。
(4)对区域内的人工目标进行较为准确定位时,生成一系列高亮连通区域的生长算法中采用的生长阈值为0.01。
2.仿真内容与结果
本次仿真运用本发明的SAR图像目标检测方法,首先利用Primal Sketch模型得到的Primal Sketch图,参见附图2(b),利用人工目标的规整性特征在Primal Sketch图上得到可能存在人工目标的区域标记,根据这些区域标记在原SAR图像上提取对应的人工目标潜在区域,共有68个区域,在这68个区域中,包含有36个人工目标区域和32个虚警目标区域,虚警率为32/68;然后在原SAR图像上利用SAR人工目标区域内的像素呈明暗相间分布的特征,结合OTSU图像阈值化算法,原SAR图像OTSU阈值化分割结果见图3所示,在阈值化后的图像上划窗,统计窗口内明暗像素与总像素数目的比值的直方图,见图4所示,忽略直方图两端的极端情况,取直方图的峰值点对应的比值作为剔除虚警目标的阈值T,得到剔除虚警目标的阈值T,T为0.43,确定要剔除的虚警目标区域,共正确剔除了16个虚警目标区域,本例通过图5(a)-图5(f)展示了其中的6个虚警区域。参见图5(d),它在Primal Sketch图中的线段具有很高的规整性,所以被检测为人工目标潜在区域,但是因为该区域只含有极少量的人工目标,区域内明暗像素占总像素数目的比值很小,见图3所示,纵观图2(a),重点人工目标主要是图像左下方的城市、河流上的桥梁、以及图像上方的五角大楼和港口,本发明通过上述操作成功地将该区域判为虚警目标区域并予以剔除,该区域位于图2(a)正上方,是本发明剔除的16个虚警目标区域之一。本发明再利用原SAR图像上SAR人工目标的灰度特征,对剩余的52个区域,结合OTSU图像阈值化算法,得到区域的二值图像,通过检测高亮连通区域对区域内的人工目标进行准确定位,得到最终的目标检测结果,仿真实验得到的目标区域较多,共有52个,其中包括36个人工目标区域和16个虚警目标区域,虚警率为16/52,检测结果的虚警率大大降低。本例中选择其中的5个桥梁目标、2个港口目标、6个建筑物目标分别示于图6、图7和图8,其中,图6(a)、图6(c)、图6(e)、图6(g)、图6(i)、图7(a)、图7(c)、图8(a)、图8(c)、图8(e)、图8(g)、图8(i)、图8(k)为未经定位的原始目标区域,图6(b)、图6(d)、图6(f)、图6(h)、图6(j)、图7(b)、图7(d)、图8(b)、图8(d)、图8(f)、图8(h)、图8(j)、图8(l)是准确定位以后的人工目标区域,仿真实验中人工目标采用绿色标记。
从图6~图8可见,运用本发明的SAR图像目标检测方法得到的目标检测结果区域中,不但包括了各种类型的人工目标,即桥梁、港口和建筑物,并且目标检测的结果虚警率大大降低,且人工目标的定位也较为准确。
实施例3
基于区域标记与灰度统计的SAR图像目标检测方法,同实施例1-2。
图5(a)所示的区域为原SAR图像图2(a)中右侧的一块草地灌木区域,其在图2(b)上对应的区域内具有较多的平行线段、共线线段以及垂直相交线段,即该区域的结构信息具有高规整度与高规整率,所以其被检测为人工目标潜在区域,本发明通过对图2(a)进行OTSU阈值化分割,分割结果见图3所示,该区域内像素不具备呈明暗相间分布的特性,其在图3中对应的区域中明暗像素占总像素数目的比值小于前面得到的用于剔除虚警目标区域的阈值T,所以判断该区域不是人工目标区域,即是虚警目标区域,剔除。
图5(b)~图5(f)均为剔除了的虚警目标区域,本实验中共剔除了16个虚警目标区域。
实施例4
基于区域标记与灰度统计的SAR图像目标检测方法,同实施例1-3。
图6(a)所示的区域为原SAR图像图2(a)中河流左上方包含桥梁的一个区域,其在图2(b)上对应的区域内具有较多的平行线段、共线线段,使得该区域的结构信息具有高规整度与高规整率,所以其被检测为人工目标潜在区域,本发明通过对图2(a)进行OTSU阈值化分割,分割结果见图3所示,该区域内像素呈明暗相间分布,且其在图3中对应的区域中明暗像素占总像素数目的比值大于前面得到的用于剔除虚警目标区域的阈值T,所以判断该区域是人工目标区域,不剔除。
从图2(b)提取该区域时,只简单地通过得到的规整线段集合中线段的坐标来确定最终的区域范围,提取到的区域内含有大面积的水域,草地以及森林等非人工目标信息,本发明通过对该区域进行OTSU阈值化处理,得到其二值图像,并利用区域生长算法在该区域内得到该区域内的一系列高亮连通区域,若某一高亮连通区域大小小于10,则不标记,否则标记为人工目标,由此实现该区域内人工目标,即区域内桥梁的定位,得到新的较为准确的人工目标区域。见图6(b)中所标记的区域,本发明由此得到原SAR图像河流左上方定位较准确的一个桥梁区域。
同样的处理方法,图6(c)~图6(j)给出了本发明检测到并标记出的其中4个桥梁目标。
实施例5
基于区域标记与灰度统计的SAR图像目标检测方法,同实施例1-4。
图7(a)所示的区域为原SAR图像图2(a)中间的一个港口区域,其在图2(b)上对应的区域内具有一组平行线段,使得该区域的结构信息具有高规整度与高规整率,所以其被检测为人工目标潜在区域,本发明通过对图2(a)进行OTSU阈值化分割,分割结果见图3所示,该区域内像素呈明暗相间分布,且其在图3中对应的区域中明暗像素占总像素数目的比值大于前面得到的用于剔除虚警目标区域的阈值T,所以判断该区域是人工目标区域,不剔除。
从图2(b)提取该区域时,只简单地通过得到的规整线段集合中线段的坐标来确定最终的区域范围,提取到的区域内含有一定面积的水域,本发明通过对该区域进行OTSU阈值化处理,得到其二值图像,并利用区域生长算法在该区域内得到该区域内的一系列高亮连通区域,若某一高亮连通区域大小小于10,则不标记,否则标记为绿色,由此实现该区域内人工目标,即区域内码头的定位,得到新的较为准确的人工目标区域。见图7(b)中绿色标记的区域,由此得到是原SAR图像中间的定位较准确的一个港口区域。
同样的处理方法,图7(c)、图7(d)给出了本发明检测到并标记出的其中一个港口目标。
实施例6
基于区域标记与灰度统计的SAR图像目标检测方法,同实施例1-5。
图8(a)所示的区域为原SAR图像图2(a)左下边的一个建筑物区域,其在图2(b)上对应的区域内具有较多的平行线段与垂直相交线段,使得该区域的结构信息具有高规整度与高规整率,所以其被检测为人工目标潜在区域,本发明通过对图2(a)进行OTSU阈值化分割,分割结果见图3所示,该区域内像素呈明暗相间分布,且其在图3中对应的区域中明暗像素占总像素数目的比值大于我们前面得到的用于剔除虚警目标区域的阈值T,所以判断该区域是人工目标区域,不剔除。
从图2(b)提取该区域时,只简单地通过得到的规整线段集合中线段的坐标来确定最终的区域范围,提取到的区域内含有大面积的草地,树木等非人工目标信息,本发明通过对该区域进行OTSU阈值化处理,得到其二值图像,并利用区域生长算法在该区域内得到一系列高亮连通区域,若某一高亮连通区域大小小于10,则不标记,否则标记为绿色,由此实现该区域内人工目标,即区域内建筑物的定位,得到新的较为准确的人工目标区域。见图8(b)中绿色标记的区域,由此得到是原SAR图像河流左下方定位较准确的一个建筑物区域。
同样的处理方法,图8(c)~图8(l)给出了本发明检测到并标记出的其中5个建筑物目标。
综上所述,本发明的基于区域标记和灰度统计的SAR图像目标检测方法通用性强,能够较彻底地、快速正确检测出原SAR图像中多种类别的人工目标,即桥梁、港口和建筑物,且由于充分利用了图像的结构和灰度信息,目标检测的结果虚警率较低,检测得到的人工目标定位也较为准确。
Claims (3)
1.一种基于区域标记与灰度统计的SAR图像目标检测方法,首先利用PrimalSketch模型得到表示原SAR图像结构信息的Primal Sketch图,依据人工目标的规整性特征在Primal Sketch图上提取可能存在人工目标的区域,对应地在原SAR图像上提取人工目标潜在区域,其特征在于:然后基于所提取的人工目标潜在区域,利用SAR图像灰度信息,结合OTSU图像阈值化算法,剔除虚警目标区域,并对目标区域内的人工目标进行定位,并标记已确认的人工目标区域;包括如下步骤:
(1)对输入SAR图像运用Primal Sketch模型得到其Primal Sketch图,即用以表示原SAR图像结构信息的线段集合S,对线段集合S中的每一条线段都定义其规整度与规整比率属性,再利用SAR人工目标的规整性特征,在Primal Sketch图上提取可能存在人工目标的m个区域标记Tk,k=1,2,...,m,m是人工目标区域划分的个数;
(2)根据在Primal Sketch图上提取的区域标记Tk,k=1,2,...,m,提取原SAR图像上对应的人工目标潜在区域Rk,k=1,2,...,m;
(3)利用SAR人工目标区域的像素呈明暗相间分布的特征,结合原SAR图像的OTSU图像阈值化算法结果,对OTSU阈值化后的图像进行划窗,对每一幅划窗内明暗像素占总像素数目的比值进行直方图统计,忽略直方图两端的极端情况,取直方图的峰值点对应的比值作为剔除虚警目标区域的阈值T;
(4)对人工目标潜在区域Rk,k=1,2,...,m,统计区域Rk内明暗像素点的数目占区域Rk的总像素数目的比值,如果该比值小于剔除虚警目标区域的阈值T,则认为该区域为虚警目标区域而予以剔除,由保留下来的区域得到虚警率较低的人工目标区域集合Gk,k=1,2,...,n,n≤m;
(5)利用SAR人工目标的灰度特征,结合OTSU图像阈值化算法,对区域集合Gk,k=1,2,...,n内的人工目标进行定位,并标记已确认的人工目标区域,得到最终的人工目标检测结果G′k,k=1,2,...,n。
2.根据权利要求1所述的SAR图像目标检测方法,其中步骤(3)所述的确定用于剔除虚警目标区域的阈值T,按照如下步骤进行:
(2a)对原SAR图像运用OTSU图像阈值化算法,得到阈值化后的图像Y,其中在运用OTSU图像阈值化算法时,选取分割的类别数为3,即将原图像分割成具有低像素值、中间像素值和高像素值的3类像素,分割原SAR图像的最佳阈值k1*和k2*由下式得到:
其中ω0是低值像素的出现概率,ω1是中间值像素的出现概率,ω2是高值像素的出现概率;μ0是低值像素的期望值,μ1是中间值像素的期望值,μ2是高值像素的期望值,μT是原SAR图像的期望值;对任意给定的分割阈值k1和k2,它们均满足下式:
ω0μ0+ω1μ1+ω2μ2=μT,ω0+ω1+ω2=1;
(2b)对阈值化后的图像Y进行划窗处理,划窗大小为h*h,窗口交叉h/2个像素,对窗口内明暗像素占总像素数目的比值进行直方图统计,忽略直方图两端的极端情况,取直方图的峰值点对应的比值作为剔除虚警目标区域的阈值T。
3.根据权利要求1所述的SAR图像目标检测方法,其中步骤(5)所述的对人工目标区域集合Gk,k=1,2,...,n内的人工目标进行定位,是按照如下步骤进行:
(3a)对人工目标区域Gk,k=1,2,...,n,在区域Gk上运用OTSU图像阈值化算法,得到阈值化后的区域图像Y′k,其中在运用OTSU图像阈值化算法时,选取分割的类别数为3,即将原图像分割成具有低像素值、中间像素值和高像素值的3类像素,假设分割区域的最佳阈值为t1和t2,0<t1<t2<L,L是图像的灰度级;
(3b)将阈值化图像Y′k中像素值大于t2的像素置为白色,小于t2的像素置为黑色,得到二值区域图像Y″k;
(3c)对二值图像Y″k运用区域生长算法得到一系列的高亮连通区域,在运用区域生长算法时,选取二值图像Y″k内的白色像素点为种子,以0.01作为生长阈值,如果某个高亮连通区域的像素总数目小于阈值T′,则将该高亮连通区域从区域Gk中剔除出去;
(3d)对每个区域Gk,k=1,2,...,n重复(3a)到(3c)的过程,即定位人工目标,得到最终的人工目标检测结果G′k,k=1,2,...,n,并在原SAR图像上标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210011612.1A CN102622598B (zh) | 2012-01-13 | 2012-01-13 | 基于区域标记与灰度统计的sar图像目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210011612.1A CN102622598B (zh) | 2012-01-13 | 2012-01-13 | 基于区域标记与灰度统计的sar图像目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102622598A CN102622598A (zh) | 2012-08-01 |
CN102622598B true CN102622598B (zh) | 2014-07-09 |
Family
ID=46562508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210011612.1A Active CN102622598B (zh) | 2012-01-13 | 2012-01-13 | 基于区域标记与灰度统计的sar图像目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102622598B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198479B (zh) * | 2013-03-27 | 2015-09-02 | 西安电子科技大学 | 基于语义信息分类的sar图像分割方法 |
CN103294792B (zh) * | 2013-05-13 | 2016-02-10 | 西安电子科技大学 | 基于语义信息和极化分解的极化sar地物分类方法 |
CN103345635A (zh) * | 2013-07-31 | 2013-10-09 | 哈尔滨工业大学 | 一种基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法 |
CN103714353B (zh) * | 2014-01-09 | 2016-11-23 | 西安电子科技大学 | 基于视觉先验模型的极化sar图像分类方法 |
CN103955692B (zh) * | 2014-04-30 | 2017-07-21 | 北京理工大学 | 结合灰度与拓扑特征的sar图像水域检测虚警剔除方法 |
CN105205485B (zh) * | 2015-09-11 | 2018-09-18 | 浙江工商大学 | 基于多类类间最大方差算法的大尺度图像分割算法 |
CN105528787A (zh) * | 2015-12-07 | 2016-04-27 | 清华大学 | 基于水平集分割的极化sar图像桥梁检测方法和装置 |
CN105447488B (zh) * | 2015-12-15 | 2021-08-20 | 西安电子科技大学 | 基于素描线段拓扑结构的sar图像目标检测方法 |
CN105741284B (zh) * | 2016-01-28 | 2018-10-26 | 中国船舶重工集团公司第七一〇研究所 | 一种多波束前视声纳目标检测方法 |
CN106157299B (zh) * | 2016-06-07 | 2018-11-30 | 中国人民解放军国防科学技术大学 | 一种sar图像人造目标提取方法 |
CN109886980B (zh) * | 2019-03-04 | 2023-04-14 | 电子科技大学 | 一种基于邻域强度纹理编码的红外图像卷云检测方法 |
CN110634151B (zh) * | 2019-08-01 | 2022-03-15 | 西安电子科技大学 | 一种单目标跟踪方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156984B (zh) * | 2011-04-06 | 2013-03-06 | 南京大学 | 一种利用自适应阈值分割确定最优标记图像的方法 |
CN102129559B (zh) * | 2011-04-22 | 2012-10-24 | 西安电子科技大学 | 基于PrimalSketch算法的SAR图像目标检测方法 |
-
2012
- 2012-01-13 CN CN201210011612.1A patent/CN102622598B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN102622598A (zh) | 2012-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102622598B (zh) | 基于区域标记与灰度统计的sar图像目标检测方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN101975940B (zh) | 基于分割组合的sar图像自适应恒虚警率目标检测方法 | |
Gerónimo et al. | 2D–3D-based on-board pedestrian detection system | |
CN108090429B (zh) | 一种分级前脸卡口车型识别方法 | |
CN107346420A (zh) | 一种基于深度学习的自然场景下文字检测定位方法 | |
CN102915433B (zh) | 基于字符组合的车牌定位和识别方法 | |
CN105260749B (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
CN106682629A (zh) | 一种复杂背景下身份证号识别算法 | |
CN109800698A (zh) | 基于深度网络的图标检测方法 | |
CN101634706B (zh) | 高分辨率sar图像中桥梁目标的自动检测方法 | |
CN104851086A (zh) | 一种针对缆索表面缺陷的图像检测方法 | |
CN104951799A (zh) | 一种sar遥感影像溢油检测识别方法 | |
Leyk et al. | Saliency and semantic processing: Extracting forest cover from historical topographic maps | |
CN109447111B (zh) | 一种基于子类训练样本的遥感监督分类方法 | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN105894037A (zh) | 一种基于sift训练样本提取的遥感图像全监督分类方法 | |
CN102360503B (zh) | 基于空间贴近度和像素相似性的sar图像变化检测方法 | |
CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN104168462B (zh) | 基于图像角点集特征的摄像头场景变换检测方法 | |
CN102129559A (zh) | 基于Primal Sketch算法的SAR图像目标检测方法 | |
CN102968786B (zh) | 一种非监督的遥感图像潜在目标区域检测方法 | |
CN102063726B (zh) | 一种运动目标分类方法和系统 | |
CN110458019A (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 |
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 |