CN104036515A - 基于单幅sar图像的车辆目标高度估计方法 - Google Patents
基于单幅sar图像的车辆目标高度估计方法 Download PDFInfo
- Publication number
- CN104036515A CN104036515A CN201410305473.2A CN201410305473A CN104036515A CN 104036515 A CN104036515 A CN 104036515A CN 201410305473 A CN201410305473 A CN 201410305473A CN 104036515 A CN104036515 A CN 104036515A
- Authority
- CN
- China
- Prior art keywords
- image
- subimage
- value
- pixel
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于单幅SAR图像的车辆目标高度估计方法,主要解决现有技术估计精度和稳健性差的问题。其实现步骤为:(1)用阈值分割的图像处理方式通过设置不同的阈值获取SAR图像中三类样本;(2)将SAR图像和三类样本带入MRF模型,根据最大似然准则和ICM算法得到分割图像;(3)利用分割图像中阴影区域的像素集合得到目标沿方位向的粗略高度矢量,并对最大的几个值进行判别和修正,以去除高度奇异值;(4)联合目标与阴影区域的间隔,更新高度矢量,并将高度矢量的最大值作为车辆目标高度的估计值。本发明减小了人工干预,提高了雷达俯仰角、目标方位角和非主体性变化的稳健性和精确性,可用于SAR目标检测和识别。
Description
技术领域
本发明属于雷达目标识别技术领域,涉及一种基于单幅SAR图像的车辆目标高度估计方法,为车辆目标检测及分类识别提供重要的特征信息。
背景技术
雷达成像技术自20世纪50年代发展以来,技术不断成熟,成像分辨率不断提高,目前已经在军事、测绘、灾害等多方面有广泛的应用。合成孔径雷达SAR具有全天候、全天时、多视向、多俯仰角的观测能力,成为目前对地观测和军事侦察的重要手段。因而,SAR图像的处理和识别成为雷达领域研究的热点。
车辆目标如坦克、装甲车等都是SAR对地观测中的重点监测对象,该类目标的检测和识别是SAR研究领域的重要问题。不同车辆目标的几何结构不同,因而其高度是一个重要的几何特征,可用于车辆目标的检测和识别工作。
在SAR地面静止目标的感兴趣区域ROI切片图像中,通常包含三个区域:目标区域、阴影区域和背景区域。Raffaella Guida等人在文献Height Retrieval of IsolatedBuildings From Single High-Resolution SAR Images中对三维真实场景与二维SAR图像对应的几何关系有详细的原理说明。虽然三维真实场景与二维SAR图像存在一定的几何对应关系,但从二维SAR图像出发想反演出三维真实场景通常是比较困难的。然而,通常情况下,目标的最高处是可以近似与阴影在距离向的最远端相对应,这就使得利用SAR图像提取目标的高度特征成为可能。
对于单幅SAR图像来说,现有高度估计方法仅利用阴影区域,取其在距离向的最长距离对应于目标的高度。此类算法存在三方面的问题:
第一,受雷达俯仰角与目标在距离向长高比的影响,与目标高度相对应的区域不仅包括无散射回波的纯阴影区域,还包括由三次散射形成的区域。三次散射形成的区域在SAR图像中通常位于目标与阴影区域的间隔部分,其强度较弱,但不可忽视。然而,现有技术没有考虑此问题。
第二,SAR成像受雷达俯仰角、目标方位角的影响较大。同一目标在不同的俯仰角或不同方位角下的成像结果差别较大,单纯利用阴影区域并不能获得较稳健的结果;此外,当目标本身发生非主体性变化时,如装甲车顶部架设机枪、坦克炮筒发生扭转等,阴影最远端与目标主体高度的对应将出现更大的偏差。现有的利用单幅SAR图像提取车辆目标高度特征的技术在这些方面稳健性较差。
第三,精确的高度估计依赖于精确的图像分割。传统的阈值分割算法虽然实现简单,但得到的分割结果粗糙;马尔可夫随机场MRF模型可良好地应用于SAR图像分割中,但现有该类技术需要人工获取样本,即目标区域、阴影区域和背景区域的样本信息,极大地影响了运算效率。
发明内容
本发明的目的在于针对上述现有技术的不足,提供一种基于单幅SAR图像估计车辆目标高度的方法,以减少人工干预,提高不同俯仰角、不同方位角、目标非主体性变化的稳健性和精确性。
本发明是这样实现的:
一、技术思路
先用阈值分割的图像处理方式通过设置不同的阈值以获取SAR图像ROI切片中的三类样本,采用MRF模型,根据最大似然准则和Iterated Conditional Modes算法ICM得到分割图像;利用阴影区域的像素集合得到目标沿方位向的粗略的高度矢量,并对最大的几个值进行甄别以去除由纯阴影区域造成的高度奇异值;联合目标与阴影区域的间隔部分,更新高度矢量,以获得车辆目标的高度。
二、技术方案
本发明的实现步骤包括如下:
A.获取训练样本:
A1)输入SAR图像感兴趣区域的幅度图像:G={gx,y|1≤x≤M,1≤y≤N},其中,M为图像的行数,N为图像的列数,gx,y代表幅度图像G中位于(x,y)处的像素;
A2)对幅度图像G依次进行直方图均衡化和平滑滤波,得到变换后的图像I;
A3)利用阈值分割的方式对变换后的图像I进行粗划分,得到五个粗划分子图像T1、T2、T3、T4和T5,其中,T1表示与变换后的图像I相比目标区域缩小的第一个粗划分子图像;T2和T3分别表示与变换后的图像I相比阴影区域缩小的第二个和第三个粗划分子图像,且第二个粗划分子图像T2的阴影区域大于第三个粗划分子图像T3;T4表示与变化后的图像I相比目标区域扩大的第四个粗划分子图像;T5表示与变换后的图像I相比阴影区域扩大的第五个粗划分子图像;
A4)对所述的五个粗划分子图像T1、T2、T3、T4和T5依次做形态学开运算、二值化处理和聚类处理,分别得到五个精细划分子图像T1′、T2′、T3′、T4′和T5′;
A5)利用所述的五个精细划分子图像T1′、T2′、T3′、T4′和T5′,得到目标的训练样本模板P1=T1′,阴影的训练样本模板P2=T2′-T3′,背景的训练样本模板P3=A-(T4′+T5′),其中,A为M×N的矩阵,A(x,y)表示矩阵A中位于(x,y)处的元素,当11≤x≤M-10,11≤y≤N-10时,A(x,y)=1,否则,A(x,y)=0;
A6)将所述的三个训练样本模板P1、P2和P3分别与原幅度图像G做像素点乘运算,依次得到目标、阴影和背景的训练样本图像Pt、Ps和Pb;
B.图像分割:
B1)对幅度图像G依次做中值滤波和高斯滤波,得到预处理后的图像J={jx,y|1≤x≤M,1≤y≤N},其中,jx,y表示图像J中(x,y)处的元素值;
B2)将幅度图像G、预处理后的图像J以及所述的三个训练样本图像Pt、Ps和Pb带入马尔可夫随机场模型,根据最大似然准则和ICM算法对预处理后的图像J进行分割,得到分割图像Z,
C.利用分割图像Z中的阴影区域得到目标沿方位向的高度矢量:
C1)将分割图像Z的第x行表示为x∈[1,M],分别统计Zx中属于阴影区域的像素个数sx,属于目标区域的像素个数tx,以及目标区域与阴影区域间隔的像素个数gapx;
C2)利用步骤C1)的统计数,计算分割图像Z的阴影区域所对应的高度矢量d=[d1,d2,...dx,...,dM],1≤x≤M;
D.对高度矢量d中最大的五个值做判别,以去除高度奇异值:
D1)将高度矢量d中最大值记为dn,1≤n≤M,判别dn与其相邻元素之差是否小于一个预先设定的判别门限ε,即判别条件为dn-dn-1<ε且dn-dn+1<ε,若满足判别条件,保留这个值并结束判别,否则,执行如下操作:
删去元素dn并更新高度矢量为d′=[d1,d2,...dn-1,dn+1,...,dM],再从更新后的高度矢量d′中找到最大值dp,1≤p≤M,重复判别过程,直至满足判别条件或最大的五个值全部被删去时结束判别;
D2)判别结束后,将此时高度矢量中的最大值赋予步骤D1)中被删去的各元素,得到去除了奇异值的高度矢量
E.利用分割图像Z中目标区域与阴影区域的间隔对去除了奇异值的高度矢量进行修正,得到目标高度估计值。
本发明与现有技术相比具有以下优点:
(1)本发明改进了现有高度估计方法未考虑三次散射区域与高度间对应关系的问题,引入了阴影与目标的间隔,使得图像中用于反演目标真实高度的区域大小更为真实,从而使这种反演具有更真实的物理含义。
(2)本发明改进了现有技术未考虑由阴影区域得到的高度矢量的最大值的真实性,对由阴影区域得到的高度矢量中最大的五个值做出判别并修正,以使最终的结果对于雷达俯仰角、目标方位角以及目标非主体性变化有更高的精确性和稳健性。
(3)本发明采用马尔可夫随机场模型进行图像分割,分割的区域轮廓光滑,且对于大批量的数据而言,无需人工获取训练样本,提高了运算效率。
附图说明
图1是本发明的实现流程图。
具体实施方式
参照图1,本发明的实现步骤如下:
步骤1,获取训练样本。
1a)输入SAR图像感兴趣区域的幅度图像:G={gx,y|1≤x≤M,1≤y≤N},其中,M为图像的行数,N为图像的列数,gx,y代表幅度图像G中位于(x,y)处的像素;
1b)对幅度图像G进行直方图均衡化,得到直方图均衡化后的图像G(1)=histeq(G),其中,histeq(·)表示直方图均衡化操作;
1c)用邻域平均法对直方图均衡化后的图像G(1)做平滑滤波,得到变化后的图像I,其中,G(1)(x,y)表示图像G(1)中位于(x,y)处的像素值,K为除本点(x,y)外的8-邻域中各像素点的集合;
1d)利用阈值分割的方式对变换后的图像I进行粗划分,得到五个粗划分子图像T1、T2、T3、T4和T5:
1d1)根据目标区域和阴影区域与原图像的相应区域尽可能接近的原则,人工选定目标阈值αt和阴影阈值αs;
1d2)任意设定一个第一新目标阈值:βt>αt,将变换后的图像I中所有小于第一新目标阈值βt的像素值置0,得到与变换后的图像I相比目标区域缩小的第一个粗划分子图像T1;
1d3)任意设定一个第一新阴影阈值:βs1<αs,将变换后的图像I中所有小于第一新阴影阈值βs1的像素值置1,得到与变换后的图像I相比阴影区域缩小的第二个粗划分子图像T2;
1d4)任意设定一个第二新阴影阈值:βs2<βs1<αs,将变换后的图像I中所有小于第二新阴影阈值βs2的像素值置1,得到与变换后的图像I相比阴影区域缩小第三个粗划分子图像T3,且第二个粗划分子图像T2的阴影区域大于第三个粗划分子图像T3;
1d5)任意设定一个第二新目标阈值:γt<αt,将变换后的图像I中所有小于第二新目标阈值γt的像素值置0,得到与变化后的图像I相比目标区域扩大的第四个粗划分子图像T4;
1d6)任意设定一个第三新阴影阈值:γs>αs,将变换后的图像I中所有小于第三新阴影阈值γs的像素值置1,得到与变换后的图像I相比阴影区域扩大的第五个粗划分子图像T5;
需要说明的是,对于同一雷达获取的同批数据来说,仅需人工设定一次阈值,即只需要对第一幅图像人工设定阈值,该组阈值适用于后续的同批数据;
1e)用4×4的结构元对所述的第一个粗划分子图像T1和第四个粗划分子图像T4做形态学开运算,分别得到第一个形态学子图像T1″和第四个形态学子图像T4″,用3×3的结构元对所述第二个粗划分子图像T2、第三个粗划分子图像T3和第五个粗划分子图像T5做形态学开运算,分别得到第二个形态学子图像T2″、第三个形态学子图像T3″、和第五个形态学子图像T5″;
1f)对所述的五个形态学子图像T1″、T2″、T3″、T4″和T5″做二值化处理,得到对应的五个二值子图像T1′″、T2′″、T3′″、T4′″和T5′″:
1f1)将所述的第一个形态学子图像T1″中所有非0像素值置1,得到第一个二值子图像T1′″;
1f2)将所述的第二个形态学子图像T2″中所有非1像素值置0,得到第二个二值子图像T2′″;
1f3)将所述的第三个形态学子图像T3″中所有非1像素值置0,得到第三个二值子图像T3′″;
1f4)将所述的第四个形态学子图像T4″中所有非0像素值置1,得到第四个二值子图像T4′″;
1f5)将所述的第五个形态学子图像T5″中所有非1像素值置0,得到第五个二值子图像T5′″;
1g)对所述的五个二值子图像T1′″、T2′″、T3′″、T4′″和T5′″做聚类处理,得到五个精细划分后的子图像T1′、T2′、T3′、T4′和T5′:
1g1)以第一个二值子图像T1′″为例:
标记第一个二值子图像T1′″中各连通区域,连通区域的总个数为num,将第l个连通区域记为Fl,l∈{1,2,…,num};
统计各连通区域的像素点个数,得到集合C={c1,c2,...,cl,...,cmum},其中,cl为第l个连通区域的像素点个数;
找到集合C中的最大值cm所对应的连通区域Fm,m∈{1,2,…,num},将第一个二值子图像T1′″中第m个连通区域的像素值置1,其它像素值置0,得到第一个精细划分子图像T1′;
1g2)对其它四个二值子图像T2′″、T3′″、T4′″和T5′″采用与第一个二值子图像T1′″相同的处理方式,分别获得其它四个精细划分子图像T2′、T3′、T4′和T5′;
1h)利用所述的五个精细划分子图像T1′、T2′、T3′、T4′和T5′,得到目标的训练样本模板P1=T1′,阴影的训练样本模板P2=T2′-T3′,背景的训练样本模板P3=A-(T4′+T5′),其中,A为M×N的矩阵,A(x,y)表示矩阵A中位于(x,y)处的元素,当11≤x≤M-10,11≤y≤N-10时,A(x,y)=1,否则,A(x,y)=0;
需要说明的是,对第二个精细划分子图像和第三个精细划分子图像做差,是为了取幅度图像G中阴影区域相对边缘的像素作为阴影像素的样本,因为这个区域能够更好的区分阴影与背景,使得后续的分割图像中能更好的保留阴影的轮廓细节;
1i)将所述的三个训练样本模板P1、P2和P3分别与原幅度图像G做像素点乘运算,依次得到目标、阴影和背景的训练样本图像Pt、Ps和Pb。
步骤2,图像分割。
2a)对幅度图像G做中值滤波,得到中值滤波后的图像G(2)={G(2)(x,y)}:
其中G(2)(x,y)是中值滤波后的图像G(2)中坐标为(x,y)处的像素值,采用如下公式获得:
G(2)(x,y)=med{G(x-a,y-b),(a,b)∈O},
式中,med{·}为取中值操作,O为3×3的模板,a为行偏移量,b为列偏移量;
2b)对中值滤波后的图像G(2)做高斯滤波,得到预处理后的图像J={J(x,y)}:
其中J(x,y)是预处理后的图像J中坐标为(x,y)处的像素值,采用如下公式获得:
J(x,y)=G(2)(x,y)*H(x,y),
式中,G(2)(x,y)为中值滤波后的图像G(2)中坐标为(x,y)处的像素值,H(x,y)为高斯低通模板,*为图像卷积运算;
2c)用矩估计的方法对所述的目标、阴影和背景的训练样本图像Pt、Ps和Pb中的非零元素进行伽马分布参数估计,进而得到目标、阴影和背景的概率密度函数;利用该目标、阴影和背景的概率密度函数,求出每一个像素点J(x,y)基于目标、阴影和背景这三个类别的条件概率密度函数p(jx,y|ax,y),ax,y∈{1,2,3},其中ax,y为类别编号,1代表阴影类别,2代表背景类别,3代表目标类别,jx,y表示图像J中(x,y)处的像素值;
2d)根据最大似然准则初步判定各像素所属的类别,并赋予各像素与类别编号相同的值,得到初始标记图像Q={qx,y|1≤x≤M,1≤y≤N},其中,qx,y表示图像Q中(x,y)处的像素值,qx,y∈{1,2,3};
2e)利用预处理后的图像J和初始标记图像Q,计算似然能量与先验能量之和: 其中,E(1)(jx,y)代表(x,y)处的似然能量,E(2)(qx,y,qx′,y′)代表(x,y)处的先验能量,V表示(x,y)的5×5邻域集合;用ICM的方法得到该能量最小时各像素的类别编号,并赋予各像素与类别编号相同的值,得到最终的类别标记图像R;
2f)将最终的类别标记图像R中所有不等于1的像素值置0后,依次用2×2的结构元进行形态学开运算和聚类,得到仅含阴影区域的分割图像S;
2g)将最终的类别标记图像R中所有不等于3的像素值置0,所有等于3的像素值置1后,依次用2×2的结构元进行形态学开运算和聚类,得到仅含目标区域的分割图像T;
2h)对仅含阴影区域的分割图像S和仅含目标区域的分割图像T求和,得到分割图像分割图像Z中阴影区域和目标区域的像素值均为1,像素值为0的区域为背景。
步骤3,利用分割图像Z中的阴影区域得到目标沿方位向的高度矢量。
3a)将分割图像Z表示为Z=[Z1;Z2;...;Zx;...;ZM],x∈[1,M],其中,表示分割图像Z的第x行,统计出Zx中属于阴影区域的像素个数sx,属于目标区域的像素个数tx,以及目标区域在距离向的最远端与阴影区域在距离向的最近端之间的像素个数gapx,当Zx中不同时存在阴影像素与目标像素时,令gapx为0;
需要说明的是,分割图像Z的行对应距离向,分割图像Z的列对应方位向,阴影区域位于距离向的远端,而目标区域位于距离向的近端;
3b)对每一个1≤x≤M,由步骤3a)得到的统计数sx计算出一个高度值dx,dx=sx×sinθ×pixelspacing,其中,θ为雷达俯仰角,pixelspacing为SAR图像在距离向的像素间隔,进而可以得到与分割图像Z的阴影区域所对应的高度矢量d=[d1,d2,...dx,...,dM],1≤x≤M。
步骤4,对高度矢量d中最大的五个值做判别,以去除高度奇异值。
4a)将高度矢量d中最大值记为dn,1≤n≤M,判别dn与其相邻元素之差是否小于一个预先设定的判别门限ε,即判别条件为dn-dn-1<ε且dn-dn+1<ε,若满足判别条件,保留这个值并结束判别,否则,执行如下操作:
删去元素dn并更新高度矢量为:d′=[d1,d2,...dn-1,dn+1,...,dM],再从更新后的高度矢量d′中找到最大值dp,1≤p≤M,重复判别过程,直至满足判别条件或最大的五个值全部被删去时结束判别;
4b)判别结束后,将此时高度矢量中的最大值赋予步骤4a)中被删去的各元素,得到去除了奇异值的高度矢量
步骤5,利用分割图像Z中目标区域与阴影区域的间隔对去除了奇异值的高度矢量进行修正,得到目标高度估计值。
5a)对每一个1≤x≤M,由步骤3a)得到的统计数gapx计算出一个修正值ux,ux=w×gapx×sinθ×pixelspacing,其中,w为比例系数,w∈(0,1),进而得到修正矢量u=[u1,u2,...,ux,...,uM];
5b)对去除了奇异值的高度矢量和修正矢量u求和,得到最终的高度矢量h中的最大值hmax为目标高度的估计值。
本发明的效果通过以下对实测数据的实验进一步说明:
1.实验场景与参数:
实验所用的实测数据为公开的MSTAR数据集。本实验所用为T72SN132型号坦克在俯仰角为15°下的196幅不同方位角的SAR图像和17°下的232幅不同方位角的SAR图像。所有数据中方位角相同的图像共138组,每一组包括两幅SAR图像,此两幅SAR图像的俯仰角分别为15°和17°。SAR图像在距离向的像素间距为0.202148米。T72坦克的主体高度真实值为2.19米。
实验设定的参数如下:
第一新目标阈值:βt=1.05;第一新阴影阈值:βs1=0.33;第二新阴影阈值:βs2=0.15;第二新目标阈值:γt=0.6;第三新阴影阈值:γs=0.5;判别门限ε=0.05;比例系数w=0.5。
2.实验内容与结果:
用本发明的方法和现有方法对所有图像中的目标进行高度估计实验,结果如表1所示。
表1. 实验结果
由表1所给出数据可以发现:
1)本发明提高了高度估计的精度和对方位角变化的稳健性。
在雷达俯仰角为15°时:本发明方法得到的196个高度估计结果与T72坦克主体高度真实值的偏差绝对值的平均值为0.1662米,低于现有方法的0.2266米;本发明方法得到的196个高度估计结果的标准差为0.1725米,低于现有方法的0.1867米;
在雷达俯仰角为17°时:本发明方法得到的232个高度估计结果与T72坦克主体高度真实值的偏差绝对值的平均值为0.1849米,低于现有方法的0.2882米;本发明方法得到的232个高度估计结果的标准差为0.1631米,低于现有方法的0.1827米。
2)本发明提高了对俯仰角变化的稳健性。
在方位角相同时,本发明得到的138组在不同俯仰角下结果绝对偏差的平均值为0.0895米,低于现有方法的0.1198米。
综上可知,本发明能够更精确地提取车辆目标的主体高度,且对于不同方位角、俯仰角和目标非主体性变化都有更好的稳健性。
Claims (9)
1.一种基于单幅SAR图像的车辆目标高度估计方法,包括:
A.获取训练样本:
A1)输入SAR图像感兴趣区域的幅度图像:G={gx,y|1≤x≤M,1≤y≤N},其中,M为图像的行数,N为图像的列数,gx,y代表幅度图像G中位于(x,y)处的像素;
A2)对幅度图像G依次进行直方图均衡化和平滑滤波,得到变换后的图像I;
A3)利用阈值分割的方式对变换后的图像I进行粗划分,得到五个粗划分子图像T1、T2、T3、T4和T5,其中,T1表示与变换后的图像I相比目标区域缩小的第一个粗划分子图像;T2和T3分别表示与变换后的图像I相比阴影区域缩小的第二个和第三个粗划分子图像,且第二个粗划分子图像T2的阴影区域大于第三个粗划分子图像T3;T4表示与变化后的图像I相比目标区域扩大的第四个粗划分子图像;T5表示与变换后的图像I相比阴影区域扩大的第五个粗划分子图像;
A4)对所述的五个粗划分子图像T1、T2、T3、T4和T5依次做形态学开运算、二值化处理和聚类处理,分别得到五个精细划分子图像T1′、T2′、T3′、T4′和T5′;
A5)利用所述的五个精细划分子图像T1′、T2′、T3′、T4′和T5′,得到目标的训练样本模板P1=T1′,阴影的训练样本模板P2=T2′-T3′,背景的训练样本模板P3=A-(T4′+T5′),其中,A为M×N的矩阵,A(x,y)表示矩阵A中位于(x,y)处的元素,当11≤x≤M-10,11≤y≤N-10时,A(x,y)=1,否则,A(x,y)=0;
A6)将所述的三个训练样本模板P1、P2和P3分别与原幅度图像G做像素点乘运算,依次得到目标、阴影和背景的训练样本图像Pt、Ps和Pb;
B.图像分割:
B1)对幅度图像G依次做中值滤波和高斯滤波,得到预处理后的图像J={jx,y|1≤x≤M,1≤y≤N},其中,jx,y表示图像J中(x,y)处的元素值;
B2)将幅度图像G、预处理后的图像J以及所述的三个训练样本图像Pt、Ps和Pb带入马尔可夫随机场模型,根据最大似然准则和ICM算法对预处理后的图像J进行分割,得到分割图像Z,
C.利用分割图像Z中的阴影区域得到目标沿方位向的高度矢量:
C1)将分割图像Z的第x行表示为x∈[1,M],分别统计Zx中属于阴影区域的像素个数sx,属于目标区域的像素个数tx,以及目标区域与阴影区域间隔的像素个数gapx;
C2)利用步骤C1)的统计数,计算分割图像Z的阴影区域所对应的高度矢量d=[d1,d2,...dx,...,dM],1≤x≤M;
D.对高度矢量d中最大的五个值做判别,以去除高度奇异值:
D1)将高度矢量d中最大值记为dn,1≤n≤M,判别dn与其相邻元素之差是否小于一个预先设定的判别门限ε,即判别条件为dn-dn-1<ε且dn-dn+1<ε,若满足判别条件,保留这个值并结束判别,否则,执行如下操作:
删去元素dn并更新高度矢量为d′=[d1,d2,...dn-1,dn+1,...,dM],再从更新后的高度矢量d′中找到最大值dp,1≤p≤M,重复判别过程,直至满足判别条件或最大的五个值全部被删去时结束判别;
D2)判别结束后,将此时高度矢量中的最大值赋予步骤D1)中被删去的各元素,得到去除了奇异值的高度矢量
E.利用分割图像Z中目标区域与阴影区域的间隔对去除了奇异值的高度矢量进行修正,得到目标高度估计值。
2.根据权利要求1所述的方法,其中步骤A2)所述的对幅度图像G依次进行直方图均衡化和平滑滤波,按如下步骤进行:
A21)对幅度图像G进行直方图均衡化,得到直方图均衡化后的图像G(1)=histeq(G),其中,histeq(·)表示直方图均衡化操作;
A22)用邻域平均法对直方图均衡化后的图像G(1)做平滑滤波,得到变化后的图像I,其中,G(1)(x,y)表示图像G(1)中位于(x,y)处的像素值,K为除本点(x,y)外的8-邻域中各像素点的集合。
3.根据权利要求1所述的方法,其中步骤A3)所述的利用阈值分割的方式对变换后的图像I进行粗划分,按如下步骤进行:
A31)根据目标区域和阴影区域与原图像的相应区域尽可能接近的原则,人工选定目标阈值αt和阴影阈值αs;
A32)任意设定一个第一新目标阈值:βt>αt,将变换后的图像I中所有小于第一新目标阈值βt的像素值置0,得到第一个粗划分子图像T1;
A33)任意设定一个第一新阴影阈值:βs1<αs,将变换后的图像I中所有小于第一新阴影阈值βs1的像素值置1,得到第二个粗划分子图像T2;
A34)任意设定一个第二新阴影阈值:βs2<βs1<αs,将变换后的图像I中所有小于第二新阴影阈值βs2的像素值置1,得到第三个粗划分子图像T3;
A35)任意设定一个第二新目标阈值:γt<αt,将变换后的图像I中所有小于第二新目标阈值γt的像素值置0,得到第四个粗划分子图像T4;
A36)任意设定一个第三新阴影阈值:γs>αs,将变换后的图像I中所有小于第三新阴影阈值γs的像素值置1,得到第五个粗划分子图像T5。
4.根据权利要求1所述的方法,其中步骤A4)所述的对五个粗划分子图像T1、T2、T3、T4和T5依次做形态学开运算、二值化处理和聚类处理,按如下步骤进行:
A41)对所述五个粗划分子图像T1、T2、T3、T4和T5做形态学开运算,依次得到对应的五个形态学子图像T1″、T2″、T3″、T4″和T5″;
A42)将所述的第一个形态学子图像T1″中所有非0像素值置1,得到第一个二值子图像T1′″;将所述的第二个形态学子图像T2″中所有非1像素值置0,得到第二个二值子图像T2′″;将所述的第三个形态学子图像T3″中所有非1像素值置0,得到第三个二值子图像T3′″;将所述的第四个形态学子图像T4″中所有非0像素值置1,得到第四个二值子图像T4′″;将所述的第五个形态学子图像T5″中所有非1像素值置0,得到第五个二值子图像T5′″;
A43)以第一个二值子图像T1′″为例:
标记第一个二值子图像T1′″中各连通区域,连通区域的总个数为num,将第l个连通区域记为Fl,l∈{1,2,…,num};
统计各连通区域的像素点个数,得到集合C={c1,c2,...,cl,...,cnum},其中,cl为第l个连通区域的像素点个数;
找到集合C中的最大值cm所对应的连通区域Fm,m∈{1,2,…,num},将第一个二值子图像T1′″中第m个连通区域的像素值置1,其它像素值置0,得到第一个精细划分子图像T1′;
对其它四个二值子图像T2′″、T3′″、T4′″和T5′″采用与第一个二值子图像T1′″相同的处理方式,分别获得其它四个精细划分子图像T2′、T3′、T4′和T5′。
5.根据权利要求1所述的方法,其中所述步骤B1)中对幅度图像G做中值滤波,通过如下公式进行:
G(2)(x,y)=med{G(x-a,y-b),(a,b)∈O},
其中,med{·}为取中值操作,O为3×3的模板,a为行偏移量,b为列偏移量,G(2)(x,y)为中值滤波后的图像中坐标为(x,y)处的像素值。
6.根据权利要求1所述的方法,其中所述步骤B1)中对中值滤波后的图像做高斯滤波,通过如下公式进行:
J(x,y)=G(2)(x,y)*H(x,y),
其中G(2)(x,y)为中值滤波后的图像中坐标为(x,y)处的像素值,H(x,y)为高斯低通模板,*为图像卷积运算,J(x,y)为预处理后的图像J中坐标为(x,y)处的像素值。
7.根据权利要求1所述的方法,其中步骤B2)所述的根据最大似然准则和ICM算法对预处理后的图像J进行分割,按如下步骤进行:
B21)利用目标、阴影和背景的训练样本图像Pt、Ps和Pb中的非零元素,分别拟合出目标、阴影和背景的概率密度函数,利用该目标、阴影和背景的概率密度函数,求出每一个像素点J(x,y)基于目标、阴影和背景这三个类别的条件概率密度函数p(jx,y|ax,y),ax,y∈{1,2,3},其中ax,y为类别编号,1代表阴影类别,2代表背景类别,3代表目标类别;
B22)根据最大似然准则初步判定各像素所属的类别,并赋予各像素与类别编号相同的值,得到初始标记图像Q={qx,y|1≤x≤M,1≤y≤N},其中,qx,y表示图像Q中(x,y)处的像素值,qx,y∈{1,2,3};
B23)利用预处理后的图像J和初始标记图像Q,计算似然能量与先验能量之和: 其中,E(1)(jx,y)代表(x,y)处的似然能量,E(2)(qx,y,qx′,y′)代表(x,y)处的先验能量,V表示(x,y)的5×5邻域集合;用ICM的方法得到该能量最小时各像素的类别编号,并赋予各像素与类别编号相同的值,得到最终的类别标记图像R;
B24)将最终的类别标记图像R中所有不等于1的像素值置0后,用2×2的结构元对其做形态学开运算,再对其做聚类处理,得到仅含阴影区域的分割图像S;
B25)将最终的类别标记图像R中所有不等于3的像素值置0,所有等于3的像素值置1后,用2×2的结构元对其做形态学开运算,再对其做聚类处理,得到仅含目标区域的分割图像T;
B26)对仅含阴影区域的分割图像S和仅含目标区域的分割图像T求和,得到分割图像
8.根据权利要求1所述的方法,其中步骤C2)所述的计算分割图像Z的阴影区域所对应的高度矢量,按如下步骤进行:
C21)对每一个1≤x≤M,由步骤C1)得到的统计数sx计算出一个高度值dx,dx=sx×sinθ×pixelspacing,其中,θ为雷达俯仰角,pixelspacing为SAR图像在距离向的像素间隔,进而可以得到与分割图像Z的阴影区域所对应的高度矢量d=[d1,d2,...dx,...,dM],1≤x≤M。
9.根据权利要求1所述的方法,其中步骤E)所述的利用分割图像Z中目标区域与阴影区域的间隔对去除了奇异值的高度矢量进行修正,得到目标高度估计值,采用如下步骤进行:
E1)对每一个1≤x≤M,由步骤C1)得到的统计数gapx计算出一个修正值ux,ux=w×gapx×sinθ×pixelspacing,其中,w为比例系数,w∈(0,1),进而得到修正矢量u=[u1,u2,...,ux,...,uM];
E2)对去除了奇异值的高度矢量和修正矢量u求和,得到最终的高度矢量h中的最大值hmax即为目标高度的估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410305473.2A CN104036515B (zh) | 2014-06-30 | 2014-06-30 | 基于单幅sar图像的车辆目标高度估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410305473.2A CN104036515B (zh) | 2014-06-30 | 2014-06-30 | 基于单幅sar图像的车辆目标高度估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104036515A true CN104036515A (zh) | 2014-09-10 |
CN104036515B CN104036515B (zh) | 2017-01-11 |
Family
ID=51467274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410305473.2A Active CN104036515B (zh) | 2014-06-30 | 2014-06-30 | 基于单幅sar图像的车辆目标高度估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104036515B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023254A (zh) * | 2015-07-22 | 2015-11-04 | 北京航空航天大学 | 一种合成孔径雷达图像的高度重建方法 |
CN106836410A (zh) * | 2017-02-22 | 2017-06-13 | 刘萍 | 智慧家庭服务系统 |
CN107169533A (zh) * | 2017-06-14 | 2017-09-15 | 大连海事大学 | 一种超像素的概率因子tmf的sar图像海岸线检测算法 |
CN110706261A (zh) * | 2019-10-22 | 2020-01-17 | 上海眼控科技股份有限公司 | 车辆违章检测方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8711030B2 (en) * | 2011-10-30 | 2014-04-29 | Raytheon Company | Single-pass Barankin Estimation of scatterer height from SAR data |
CN103577826A (zh) * | 2012-07-25 | 2014-02-12 | 中国科学院声学研究所 | 合成孔径声纳图像的目标特征提取方法和识别方法及提取装置和识别系统 |
CN103186900B (zh) * | 2013-03-26 | 2015-09-02 | 中国科学院电子学研究所 | 一种InSAR水体和阴影区域自动提取和识别的方法 |
CN103400137B (zh) * | 2013-08-23 | 2016-06-22 | 中国科学院遥感与数字地球研究所 | 一种sar图像的建筑物几何参数提取方法 |
-
2014
- 2014-06-30 CN CN201410305473.2A patent/CN104036515B/zh active Active
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023254A (zh) * | 2015-07-22 | 2015-11-04 | 北京航空航天大学 | 一种合成孔径雷达图像的高度重建方法 |
CN106836410A (zh) * | 2017-02-22 | 2017-06-13 | 刘萍 | 智慧家庭服务系统 |
CN107354981A (zh) * | 2017-02-22 | 2017-11-17 | 刘萍 | 智慧家庭服务系统 |
CN106836410B (zh) * | 2017-02-22 | 2017-12-05 | 日照市岚盾智慧城市运营服务有限公司 | 智慧家庭服务系统 |
CN107169533A (zh) * | 2017-06-14 | 2017-09-15 | 大连海事大学 | 一种超像素的概率因子tmf的sar图像海岸线检测算法 |
CN107169533B (zh) * | 2017-06-14 | 2021-01-15 | 大连海事大学 | 一种超像素的概率因子tmf的sar图像海岸线检测算法 |
CN110706261A (zh) * | 2019-10-22 | 2020-01-17 | 上海眼控科技股份有限公司 | 车辆违章检测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104036515B (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN101814144B (zh) | 遥感图像中无水桥梁目标识别方法 | |
CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN110097093A (zh) | 一种异源图像精确匹配方法 | |
CN105139015B (zh) | 一种遥感图像水体提取方法 | |
CN101551851B (zh) | 一种红外图像目标识别方法 | |
CN103364410B (zh) | 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法 | |
CN106778551B (zh) | 一种高速路段及城市道路车道线识别方法 | |
CN102830404B (zh) | 基于距离像的激光成像雷达地面目标识别方法 | |
CN104574375A (zh) | 结合彩色和深度信息的图像显著性检测方法 | |
CN103080979B (zh) | 从照片合成肖像素描的系统和方法 | |
CN103632167B (zh) | 类地重力场环境下单目视觉空间识别方法 | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
CN105427301B (zh) | 基于直流分量比测度的海陆杂波场景分割方法 | |
CN110648342A (zh) | 基于nsst显著性检测及图割的泡沫红外图像分割方法 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN105654085A (zh) | 一种基于图像技术的弹孔识别方法 | |
CN108416798B (zh) | 一种基于光流的车辆距离估计方法 | |
CN104036515B (zh) | 基于单幅sar图像的车辆目标高度估计方法 | |
CN106991686A (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN111080696A (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
CN104182968A (zh) | 宽基线多阵列光学探测系统模糊动目标分割方法 | |
CN112241956B (zh) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 | |
CN102411776A (zh) | 基于统计学和分形维数的机器人视觉图像分割方法 | |
CN104392209A (zh) | 一种目标与背景的图像复杂度评价模型 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |