CN104166838B - 基于多层cfar的分层高分辨sar图像舰船检测方法 - Google Patents
基于多层cfar的分层高分辨sar图像舰船检测方法 Download PDFInfo
- Publication number
- CN104166838B CN104166838B CN201410338661.5A CN201410338661A CN104166838B CN 104166838 B CN104166838 B CN 104166838B CN 201410338661 A CN201410338661 A CN 201410338661A CN 104166838 B CN104166838 B CN 104166838B
- Authority
- CN
- China
- Prior art keywords
- sliding window
- pixel
- naval vessel
- point
- size
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种高分辨SAR图像舰船检测方法,主要解决分辨率提高后的舰船检测问题。其检测过程为:估计对数正态分布参数;根据估计分布求出阈值;提取中SAR图像中的强散射目标点;去除强散射目标点,求出剩余点的对数正态分布参数;多次迭代直至最大迭代次数;根据高分辨率下舰船的特性对强散射点进行闭合和初步的滤除单强散射点;根据先验知识,依次用不同大小的滑窗滤除尺寸明显不可能是舰船的虚假强散射点;用比舰船略大的滑窗检测舰船;提取目标的轮廓;对轮廓图进行填充,从而去除掉舰船内部因为人造目标等造成的弱散射点。本发明具有计算速度快,提取的目标轮廓清晰准确,以及能够保证与原舰船尺寸大小一致的优点。
Description
技术领域
本发明属于图像处理领域,针对高分辨SAR提出了一套完整的检测方法,可用于军事舰船检测。
背景技术
合成孔径雷达是一种利用微波进行感知的主动传感器,也是微波遥感设备中发展最迅速和最有成效的传感器之一。和光学、红外等其他传感器相比,合成孔径雷达(SAR)是一个积极的成像系统,可以全天候日夜运行。SAR图像广泛的应用分为民用和军用。在军用方面,SAR图像可以对战场进行侦查,特别是舰船检测。在较高的分辨率下可以对舰船进行检测,然后实现远距离打击。SAR作为一种主动式微波遥感系统,生成的二维像和别的遥感图像特别是和光学图像相比,具有自己很多的特点。SAR图像主要反映了目标的两类特征:一是目标的结构特性,即目标的表面粗糙度(纹理)、几何结构(尺寸、轮廓、直径)和分布方位;二是目标的电磁散射特性(介电特性、极化特性)。因此,目标所成的‘像’很大程度上依赖于雷达系统参数,如工作波长、入射角、入射时的极化方向、地物表面粗糙度、地物目标的几何形状和走向、地物材料的复介电常数等。
SAR图像服从一定的统计分布。经典的舰船检测算法是CFAR算法:
根据经典的统计检测理论,在给定的虚警该流程的情况下,根据SAR图像背景所服从的统计分布求取其阈值,然后将SAR图像像素值与该阈值做比较,大于阈值的则为目标,反之则为背景。根据不同的统计分布可以形成不同的CFAR检测,根据CFAR检测器的不同也可以形成不同的CFAR检测。常用的统计分布有对数正态分布、瑞利分布、伽马分布、Weibull分布以及混合高斯分布等。常用的CFAR检测器有CA-CFAR检测器、GO-CFAR检测器、SO-CFAR检测器和OS-CFAR检测器等。
但随着SAR图像分辨率的提高,舰船的尺寸与特点在不断变化,对中低分辨率有效的方法对高分辨算法可能不在适合。根据CFAR算法检测出来的舰船通常会出现漏洞及断裂等现象。
发明内容
本发明的目的在于针对目前SAR图像分辨率的不断提高,SAR图像已由中低分辨率向高分辨率和超高分辨率转变,舰船在图像中更清晰,场景更复杂而提出新的分层次检测方法。首先提出了多层CFAR算法,然后提出了虚警目标的排除算法以及舰船轮廓的提取,最后提出了对SAR图像轮廓的填充。
实现多层CFAR技术方案是:根据已有SAR图像,把目标强散射点从图像中去除,从而得到更真实的背景分布,从而采用CFAR算法得到更准确的强散射目标点。根据先验知识排除虚假目标,检测出有效目标,提取出其轮廓并进行填充。其具体实现过程如下:
1)对整幅SAR图像根据对数累积量法(MoLC)法求出对数正态分布参数;
2)根据所求出的分布计算SAR图像阈值,对全局图像逐点判断是否为强散射目标点,如果为强散射目标点,另该像素点为1,否则为0;
3)去除2)步骤所求出的强散射目标点;
4)重复1)到3)步骤直到最大迭代次数;
5)对上面所得到的图像进行逐点判断,计算该点邻域的8个像素点和,如果大于4,则判断为强散射目标点,小于4则判断为背景点;
6)依据舰船尺寸的先验知识,依次选择一定尺寸的滑窗滤除SAR图像中的虚假目标;
7)依据舰船尺寸的先验知识,选择一定尺寸的窗口寻找舰船目标坐标;
8)根据坐标和7)步骤滑窗大小,画出舰船轮廓图;
9)根据8)步骤轮廓图,对轮廓图进行填充。
10)得到检测结果。
本发明与现有技术相比具有以下优点:
(1)采用全局CFAR算法,具有更快的运行速度;
(2)多层CFAR算法,能够把更多的像素点归为强散射目标点,从而去除了传统CFAR算法检测高分辨率SAR图像时候所出现的船体断裂,空洞点较多等缺点;
(3)正确的利用先验知识,从而达到在复杂场景中进行舰船的检测。
(4)舰船轮廓的提取和填充去除了舰船的空洞现象。
附图说明
图1是本发明的流程示意图;
图2是本发明在一幅简单地海面背景SAR图像上的仿真结果图;
图3是本发明在一幅有海堤和漂浮物的SAR图像上的仿真结果图;
图4是本发明在一幅复杂背景SAR图像上的仿真结果图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤一、设待处理SAR图像为M,设定一与M的维数相同的矩阵I,并把矩阵I所有元素置为1;
步骤二、根据对数累积量法(MoLC)对M图像求对数正态分布参数;
对图像M分别求出k1=E{ln(u)},k2=E{(ln(u-k1))2},其中u表示SAR图像中像素点的灰度值。则mn=k1,其中mn,sigma为对数正态分布参数。
步骤三、根据所求出的对数正态分布参数计算图像M阈值,根据阈值对图像M内所有像素点逐点判断是否为强散射目标点,如果图像M的像素值大于图像M阈值,则为强散射目标点,将矩阵I中与强散射目标点对应的元素的值置为0;
根据所求出的对数正态分布参数计算SAR图像阈值T包括:根据公式采用数值分析法求得SAR图像阈值T,其中,x表示图像的灰度分布,其范围在0到灰度级之间,其中,8位的SAR图像的灰度级是256,16位的SAR图像的灰度级为65536,f(x)表示SAR图像所服从的对数正态分布,pfa表示恒虚警率(根据经验给定,通常设定为千分之一)。
步骤四、去除步骤三中判断出的强散射目标点,即更新图像M中的像素值;
把步骤三中矩阵I与图像M对应点相乘,得到新的图像M,则去除了M图像中的强散射目标点。
步骤五、重复步骤二到步骤四到一定的迭代次数,得到一个二值化图像M,执
行步骤六;
一定的迭代次数可以根据经验给定,例如10次左右,也可以根据一定的指标,
例如最后一次去除的强散射目标点小于第一去除的强散射目标点的10%。
步骤六、对二值化图像M进行逐像素点判断,计算该像素点邻域的8个像素点的灰度值之和,如果该像素点邻域的8个像素点的灰度值之和大于或等于4,则判断为强散射目标点,小于4则判断为背景点,得到的图像为I_new;
步骤七、依据舰船尺寸的先验知识,依次选择一定尺寸的滑窗滤除SAR图像中的虚假目标;
实现该步骤的具体过程如下:
(7a)依据舰船尺寸的先验知识,依次用一定尺寸的滑窗(滑窗大小通常为舰船尺寸的四分之一)在图像I_new上滑动,把另一个和表示SAR图像的矩阵尺寸相同的矩阵I_panduan1中所有元素全置为0,I_panduan1表示图像像素点是否为某虚假目标组成部分;
(7b)计算I_panduan1矩阵中与SAR图像滑窗相对应的那一部分矩阵元素的和,如果为0,则计算由步骤五所得I_new图像中滑窗边缘像素点灰度值之和,如果为0则计算I_new图像中滑窗内部像素点灰度的和,不为0则把I_new图像中滑窗内部像素点赋给I_panduan1相对应的点,并把I_new图像中该滑窗内所有的像素点的灰度全部置0;
(7c)如果6b)中的I_panduan1矩阵中与SAR图像滑窗相对应的那一部分矩阵元素的和不为0,则跳过I_new图像中的该像素点的判断;如果I_new图像中滑窗边缘像素点灰度值之和不为0,则跳过I_new图像中的该像素点的判断;如果I_new图像中滑窗内部像素点之和为0,则跳过该像素点的判断;
步骤八、依据舰船尺寸的先验知识,选择一定尺寸的滑窗寻找舰船坐标,即当以SAR某一像素点为中心做滑窗时,能把该舰船包括时该像素点的横纵坐标,该步骤的具体过程如下:
(8a)依据舰船尺寸的先验知识,用比舰船尺寸稍大的滑窗在图像I_new中寻找舰船目标,把一与图像尺寸相同的矩阵I_panduan2置为0;
(8b)根据8a)的滑窗在图像上逐点滑动,计算I_panduan2中滑窗位置内部像素点和,如果为0,则计算I_new图像中相对应的滑窗边缘像素点的和,如果为0则计算I_new图像中相对应的滑窗内部像素点灰度值的和,如果不为0,记下该滑窗中心点的坐标,同时把图像上该滑窗中的所有像素点值赋给I_panduan2上相应的点,其目的是为了防止以以某像素点为中心检测到舰船后,再以该点下一点重复检测该舰船;
(8c)如果I_panduan2不为0则跳过I_new图像中该像素点的判断;如果滑窗内所有边缘像素点的灰度值之和不为0则跳过I_new图像中该像素点的判断;如果滑窗内部像素点的灰度值之和为0则跳过I_new图像中该像素点的判断;
步骤九、根据步骤七寻找到的舰船坐标和滑窗大小,画出舰船轮廓图;
该步骤的具体过程如下:
(9a)依据步骤8a)~步骤8c)得到的舰船坐标和滑窗大小,确定滑窗在I_new中的位置,在滑窗中从上方向下沿着纵轴寻找像素值不为0的点,如果像素值为1则纵坐标加1,储存像素坐标,继续寻找下一个纵坐标,最后得到一组坐标为I_up(x,y);
(9b)依次从下、左和右重复步骤8a)依次得到坐标I_down(x,y),I_right(x,y),I_left(x,y);
(9c)根据步骤9a)~步骤9b)所得的坐标画出轮廓图;
步骤十、把一个与I_new图像尺寸相同的矩阵I_jiegu中所有元素全部置0,根据步骤七得到的滑窗坐标点和步骤八得到的轮廓图坐标I_right(x,y)和I_left(x,y),I_down(x,y)和I_up(x,y),在I_jieguo矩阵中对在这个坐标范围的点置1,得到填充后的二值化图像,图像中像素值为1的点所构成的图形即为目标舰船。
本发明的的效果可通过以下仿真进一步说明:
1仿真内容:应用本发明方法分别对简单海面场景、有海浪的海面场景以及有复杂场景的舰船分别进行了检测。
2仿真实验结果
A简单海面背景SAR图像舰船检测的实验结果
用本方法对简单海面背景SAR图像舰船进行了检测,其效果图如图2所示。图2(a)为原始的SAR图像,该SAR图像海面背景比较干净,仅有一艘舰船及一个干扰物;图2(b)为多层CFAR进行检测的结果;图2(c)为对舰船轮廓的提取图;图2(d)为对舰船轮廓的填充图。由图2结果可以发现,本发明能够很准确的检测到舰船,检测舰船的边缘与原图像舰船边缘一致性好,同时排除了左下角的虚假目标。
B有海堤和漂浮物的SAR图像舰船检测的实验结果
用本发明对有海浪和漂浮物的SAR图像进行检测,其效果图如图3所示。图3(a)为原始的SAR图像,该SAR图像中有三只舰船,以及一些漂浮物和海堤;图3(b)为多层CFAR算法的检测结果;图3(c)为舰船轮廓提取图;图3(d)为舰船轮廓图的填充图。由图3可见本发明能够很准确的检测到舰船,检测的舰船的边缘与原图边缘一致性好,排除了漂浮物以及海堤的影响。
C复杂背景SAR图像舰船检测结果图
用本发明对有复杂背景的SAR图像进行检测,其效果图如图4所示。图4(a)为原始的SAR图像,该SAR图像中有较多的舰船以及陆地;图4(b)为多层CFAR算法的检测结果;图4(c)为舰船轮廓提取图;图4(d)为舰船轮廓图的填充图。由图3可见本发明能够很准确的检测到舰船,检测的舰船的边缘与原图边缘一致性。
Claims (3)
1.一种基于多层CFAR的分层高分辨SAR图像舰船检测方法,包括如下步骤:
1)对整幅SAR图像根据对数累积量法法求出对数正态分布参数;
2)根据所求出的分布计算SAR图像阈值,对全局图像逐点判断是否为强散射目标点,如果像素值大于阈值,该像素点强散射目标点,灰度值设为1,否则为0;
3)去除2)步骤所求出的强散射目标点;
4)对原始SAR图像重复1)到3)步骤直到最大迭代次数,得到新图像M;
5)对上面所得到的图像M进行逐点判断,计算该像素点邻域的8个像素值和,如果大于等于4,则判断为强散射目标点,把该像素点设置为1,小于4则判断为背景点,设置为0;
6)依据舰船尺寸的先验知识,依次选择一定尺寸的滑窗滤除SAR图像中的虚假目标;
7)依据舰船尺寸的先验知识,选择一定尺寸的窗口寻找舰船目标坐标;
8)根据坐标和7)步骤滑窗大小,画出舰船轮廓图;
9)根据8)步骤轮廓图,对轮廓图进行填充;
10)得到检测结果;
其中步骤6)按如下过程进行:
(6a)依据舰船尺寸的先验知识,依次用一定尺寸的滑窗在图像I_new上滑动,把另一个和表示SAR图像的矩阵尺寸相同的矩阵I_panduan1中所有元素全置为0,I_panduan1表示图像像素点是否为某虚假目标组成部分,其中,一定尺寸的滑窗的大小为舰船尺寸的四分之一;
(6b)计算I_panduan1矩阵中与SAR图像滑窗相对应的那一部分矩阵元素的和,如果为0,则计算由步骤五所得I_new图像中滑窗边缘像素点灰度值之和,如果为0则计算I_new图像中滑窗内部像素点灰度的和,不为0则把I_new图像中滑窗内部像素点赋给I_panduan1相对应的点,并把I_new图像中该滑窗内所有的像素点的灰度全部置0;
(6c)如果( 6b)中的I_panduan1矩阵中与SAR图像滑窗相对应的那一部分矩阵元素的和不为0,则跳过I_new图像中的该像素点的判断;如果I_new图像中滑窗边缘像素点灰度值之和不为0,则跳过I_new图像中的该像素点的判断;如果I_new图像中滑窗内部像素点之和为0,则跳过该像素点的判断。
2.根据权利要求1所述的舰船检测方法,其中步骤7)按如下过程进行:
(7a)依据舰船尺寸的先验知识,用比舰船尺寸稍大的滑窗在图像I_new中寻找舰船目标,把一与图像尺寸相同的矩阵I_panduan2置为0;
(7b)根据( 7a)的滑窗在图像上逐点滑动,计算I_panduan2中滑窗位置内部像素点和,如果为0,则计算I_new图像中相对应的滑窗边缘像素点的和,如果为0则计算I_new图像中相对应的滑窗内部像素点灰度值的和,如果不为0,记下该滑窗中心点的坐标,同时把图像上该滑窗中的所有像素点值赋给I_panduan2上相应的点,其目的是为了防止以以某像素点为中心检测到舰船后,再以该点下一点重复检测该舰船;
(7c)如果I_panduan2不为0则跳过I_new图像中该像素点的判断;如果滑窗内所有边缘像素点的灰度值之和不为0则跳过I_new图像中该像素点的判断;如果滑窗内部像素点的灰度值之和为0则跳过I_new图像中该像素点的判断。
3.根据权利要求1所述的舰船检测方法,其中步骤8)按如下过程进行:
(8a)依据步骤( 7a)~步骤( 7c)得到的舰船坐标和滑窗大小,确定滑窗在I_new中的位置,在滑窗中从上方向下沿着纵轴寻找像素值不为0的点,如果像素值为1则纵坐标加1,储存像素坐标,继续寻找下一个纵坐标,最后得到一组坐标;
(8b)依次从下、左和右重复步骤( 8a)依次得到三组坐标;
(8c)根据步骤( 8a)~步骤( 8b)所得的坐标画出轮廓图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410338661.5A CN104166838B (zh) | 2014-07-16 | 2014-07-16 | 基于多层cfar的分层高分辨sar图像舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410338661.5A CN104166838B (zh) | 2014-07-16 | 2014-07-16 | 基于多层cfar的分层高分辨sar图像舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104166838A CN104166838A (zh) | 2014-11-26 |
CN104166838B true CN104166838B (zh) | 2017-07-14 |
Family
ID=51910642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410338661.5A Active CN104166838B (zh) | 2014-07-16 | 2014-07-16 | 基于多层cfar的分层高分辨sar图像舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104166838B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105405132A (zh) * | 2015-11-04 | 2016-03-16 | 河海大学 | 基于视觉反差和信息熵的sar图像人造目标检测方法 |
CN106485269B (zh) * | 2016-09-28 | 2019-08-20 | 武汉大学 | 基于混合统计分布与多部件模型的sar图像目标检测方法 |
CN106815553B (zh) * | 2016-12-13 | 2019-07-23 | 华中科技大学 | 一种基于边缘匹配的红外前视图像舰船检测方法 |
CN107862271B (zh) * | 2017-10-31 | 2021-05-25 | 西安电子科技大学 | 一种舰船目标的检测方法 |
CN107942329B (zh) * | 2017-11-17 | 2021-04-06 | 西安电子科技大学 | 机动平台单通道sar对海面舰船目标检测方法 |
CN108596151B (zh) * | 2018-05-10 | 2022-02-11 | 北京航空航天大学 | 一种大场景sar图像中舰船目标切片快速提取方法 |
CN113820712B (zh) * | 2021-09-07 | 2023-07-28 | 中山大学 | 一种基于强散射点的舰船目标定位方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8094886B1 (en) * | 2009-10-07 | 2012-01-10 | Sandia Corporation | Thermal wake/vessel detection technique |
CN103400156A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 |
-
2014
- 2014-07-16 CN CN201410338661.5A patent/CN104166838B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8094886B1 (en) * | 2009-10-07 | 2012-01-10 | Sandia Corporation | Thermal wake/vessel detection technique |
CN103400156A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 |
Non-Patent Citations (2)
Title |
---|
SAR图像舰船目标检测算法研究;刘佳媛;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140430(第4期);第30、41-63页 * |
Ship Detection for High-Resolution SAR Images Based on Feature Analysis;Chao Wang等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20140131;第11卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104166838A (zh) | 2014-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104166838B (zh) | 基于多层cfar的分层高分辨sar图像舰船检测方法 | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN105354541B (zh) | 基于视觉注意模型和恒虚警率的sar图像目标检测方法 | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
CN108510467A (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN104834915B (zh) | 一种复杂云天背景下小红外目标检测方法 | |
CN101833753A (zh) | 基于改进贝叶斯非局部均值滤波器的sar图像去斑方法 | |
CN107862271B (zh) | 一种舰船目标的检测方法 | |
CN115063689A (zh) | 一种基于局部显著性增强的cfar舰船目标检测方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
Ding et al. | Coastline detection in SAR images using multiscale normalized cut segmentation | |
Park et al. | Active-passive data fusion algorithms for seafloor imaging and classification from CZMIL data | |
Isiacik Colak et al. | Coastline zone extraction using Landsat-8 OLI imagery, case study: Bodrum Peninsula, Turkey | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
CN114998365A (zh) | 一种基于极化干涉sar的地物分类方法 | |
Li et al. | Building detection in sar images based on bi-dimensional empirical mode decomposition algorithm | |
CN107835998A (zh) | 用于识别数字图像中的表面类型的分层平铺方法 | |
CN105204010A (zh) | 低信杂比合成孔径雷达图像的地物目标检测方法 | |
CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
Zhai et al. | Segmentation-based ship detection in harbor for SAR images | |
Zhao et al. | Automatic extraction of floating ice at Antarctic continental margin from remotely sensed imagery using object-based segmentation | |
CN112766032A (zh) | 一种基于多尺度和超像素分割的sar图像显著图生成方法 | |
Li et al. | Ship detection based on surface fitting modeling for large range background of ocean images | |
CN105069775B (zh) | 基于傅里叶级数的sar图像船只检测方法 | |
Carman et al. | A comparison of fixed threshold CFAR and CNN ship detection methods for S-band NovaSAR images |
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 |