CN104281854A - 高分辨率极化sar舰船目标与干扰目标鉴别方法 - Google Patents
高分辨率极化sar舰船目标与干扰目标鉴别方法 Download PDFInfo
- Publication number
- CN104281854A CN104281854A CN201410510199.2A CN201410510199A CN104281854A CN 104281854 A CN104281854 A CN 104281854A CN 201410510199 A CN201410510199 A CN 201410510199A CN 104281854 A CN104281854 A CN 104281854A
- Authority
- CN
- China
- Prior art keywords
- target
- ship
- scattering
- region
- conveyor screw
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了高分辨率极化SAR舰船目标与干扰目标鉴别方法,该技术属于SAR图像处理领域,用于剔除SAR图像舰船目标检测过程中疑似舰船的干扰目标造成的虚警。本发明综合利用舰船目标的极化信息和散射强度峰值与结构之间的关系,首先对舰船目标检测算法提取的目标切片进行Krogager极化分解,然后利用螺旋体散射比重与峰值区域的变化曲线计算得到目标结构复杂区域即目标峰值区域,提取峰值区域螺旋体散射比重形成鉴别统计量,利用经验门限进行判决,得到鉴别结果。该方法对高分辨率极化SAR图像中舰船目标与疑似舰船的干扰目标具有良好的鉴别能力,有利于减少SAR图像舰船目标检测过程中干扰目标造成的虚警,具有推广应用价值。
Description
技术领域
本发明涉及SAR图像处理领域中利用目标极化散射特性和结构特征进行舰船目标检测的方法,即高分辨率极化SAR舰船目标与干扰目标鉴别方法,可用于减少SAR图像舰船目标检测过程中干扰目标造成的虚警。
背景技术
合成孔径雷达(SAR)具有全天时、全天候、大范围和高分辨率的特点,在水面船只探测中是重要手段之一。目前SAR图像舰船目标检测主要用尺度形状特征、纹理特征、峰值特征等作为舰船目标鉴别的主要特征依据。相对于单通道SAR图像,极化SAR数据能更全面地描述目标的散射回波信息。利用极化SAR信息进行船只目标分析在海防、渔业监管和海上商业运输等有较高潜在应用价值。1990年挪威科学家Christoffersen等人利用SAR散射强度进行船只分类识别研究,依据船只各部分的散射强度来分析舰船的主体结构。1997年Osman等人结合BP神经网络对驱逐舰、护卫舰、补给船等进行了分类试验,取得了较好的分类效果。陈琪等人利用对比度、形状、纹理和分型特征等对港口区域舰船目标进行了鉴别,提升了检测结果正确率。杨慧等人利用H/A/α-Wishart分类对极化SAR图像船只进行了检测,能有效的保留船只的边缘信息。
为了进行高效快速地进行目标识别,一般需要对原始的数据进行有意义的特征提取。目前目标极化散射特征被广泛应用于SAR图像目标识别。但是在舰船目标检测中,单纯的通过目标极化散射特征无法有效的区分舰船目标和与其较为相似的岛礁、人造平台、防浪堤等干扰目标。因此在SAR图像舰船目标检测中,特别是在类舰船干扰目标较多的情况下,单纯的通过目标极化散射特征进行舰船目标检测无法有效的减少此类目标造成的虚警。在SAR图像中,根据目标的散射回波强度,可以提取目标的峰值信息。计科峰等人已证实利用峰值特征可以进行SAR图像目标识别。在舰船目标检测中,利用极化散射特性和峰值特征均具有各自的优点,但一直以来二者均分别单独地应用于舰船检测中,二者的优点没有很好的结合起来。
发明内容
1.要解决的技术问题
本发明的目的在于提供一种可以减少SAR图像舰船目标检测过程中干扰目标造成虚警的高分辨率极化SAR舰船目标与干扰目标鉴别方法。该鉴别方法将目标的峰值特征和极化散射特征相结合,首先从目标的结构上进行了分析,利用目标峰值点来寻找目标的复杂结构区域,即峰值区域,然后在此区域中进行Krogager极化散射分解,最后以峰值区域的螺旋体散射比重作为鉴别因子对舰船目标和干扰目标进行鉴别。单独利用峰值特征只能从几何位置分布来对目标的结构复杂区域位置进行分析,单独采用极化散射特征只能对目标各种散射体强度和结构分布做出大致的判断,对于鉴别一些类似舰船的干扰目标效果较差。本鉴别方法能从舰船目标的结构上出发,寻找舰船目标与海面干扰目标之间结构上差异最大的区域,并利用极化散射特征加以区别,因而本发明专利可以有效地减少高分辨率极化SAR图像舰船目标检测中的虚警。
2.技术方案
本发明所述的高分辨率极化SAR舰船目标与干扰目标鉴别方法,包括以下技术措施:首先利用Krogager极化相干分解方法对目标进行极化分解,得到目标的奇次、偶次散射和螺旋体散射分量。然后根据目标的散射回波强度求得目标的峰值点,按峰值点周围像元的回波强弱逐渐增大统计区域,并统计该区域螺旋体散射比重,得到螺旋体散射比重随统计区域扩大的变化情况。随后,根据建模得到的螺旋体散射比重变化曲线近似公式得到曲率为零的点,即目标的结构复杂区域边界,由此确定目标峰值区域。最后分析目标峰值区域的螺旋体散射比重,与给定的检测门限进行比较,若高于检测门限,则判决为舰船目标,否则判决为干扰目标。
3.有益效果
本发明相比背景技术具有如下的优点:
(1)该检测方法减少了SAR图像舰船目标检测中虚警的产生,提高了检测效果;
(2)该检测方法基于舰船目标特征设定了一种模拟螺旋体散射比重随统计区域大小变化的曲线模型,由此更精确的界定目标复杂区域边界;
(3)该检测方法将峰值特征和极化散射特征相结合,兼顾目标的结构特性和极化特征;
(4)该检测方法具有在复杂干扰背景中检测舰船目标的能力。
附图说明
说明书附图1是本发明的实施原理流程图,图1中标记的具体含义参见具体实施方式。
具体实施方式
以下结合说明书附图对本发明作进一步详细描述。参照说明书附图,本发明的具体实施方式分以下几个步骤:
(1)将高分辨率极化SAR图像数据输入计算装置1,计算装置1完成SAR图像中初步的目标检测功能,通过分析输入数据的能量图像,根据各个目标的基本几何特征(面积、长宽比、似圆度),初步排除明显的非舰船目标,得到初步判断后的目标切片数据。
(2)计算装置2接受计算装置1得到的目标切片数据,对目标切片对应的全极化信息进行Krogager极化分解,将目标分解为三个具有物理意义的相干分量之和,分别为球散射、二面角散射和螺旋体散射。
(3)计算装置3接受计算装置1得到的目标切片数据,首先将输入数据转化为能量图像,进而提取切片中目标的峰值点;计算装置4接受计算装置3中得到的目标能量图像和峰值点位置,按照目标各个像元的散射回波强度从大到小排序,以峰值点为中心,依次建立统计区域Dn(n∈[0,100]),Dn的像元数量占目标总像元数量的n%。
(4)计算装置5接受计算装置4得到的多组统计区域和计算装置2得到的目标Krogager极化分解后各散射分量,统计每个统计区域Dn的螺旋体散射比重,绘制螺旋体散射比重随统计区域扩大的变化曲线,并记录目标峰值点的散射回波强度S0和峰值点的螺旋体散射比重P0。
(5)计算装置6接受计算装置5得到的螺旋体散射比重随统计区域扩大的变化曲线、S0和P0,设定递增区域的平均散射能量强度和平均螺旋体散射比重随统计区域扩大呈指数递减,则Dn-Dn-1区域像元的平均散射能量和平均螺旋体散射比重为:
Sn=k·Sn-1=kn-1·S0
Pn=t·Pn-1=tn-1·P0
其中k、t分别为变化系数。则Dn区域像元平均能量和平均螺旋体散射能量分别为
Dn区域像元平均螺旋体散射能量比重为
已知目标的散射能量峰值S0和峰值点的螺旋体散射比重P0,通过搜索的方法得到与计算装置5中得到的目标实际螺旋体散射比重变化曲线误差最小的近似曲线。
(5)计算装置7接受计算装置6得到的目标螺旋体散射比重变化近似曲线,求取近似曲线下降速率最大时的统计区域,此时统计区域的边界即为目标结构复杂区域和简单区域的边界,该统计区域即目标峰值区域。
(6)计算装置8接受计算装置2的目标Krogager极化分解数据和计算装置7得到的目标峰值区域,计算目标峰值区域的螺旋体散射比重:
其中N为峰值区域像元的个数,kQi(Q∈{S,D,H})为目标Krogager分解后各散射类型的散射强度。
(7)比较器9将计算装置8得到的螺旋体散射比重ρH与判决门限K相比较以进行舰船目标与干扰目标之间的判决,判决门限K是由多组数据得到的经验值,本方法中为0.15。
(8)装置10接受比较器的输出结果,若比较器9中的螺旋体散射比重ρH高于判决门限K,则装置10显示判决结果为舰船目标;若比较器9中的螺旋体散射比重ρH低于判决门限K,则装置10显示判决结果为干扰目标。
Claims (3)
1.高分辨率极化SAR舰船目标与干扰目标鉴别方法,其特征在于包括以下技术措施:
(1)设定了界定高分辨率SAR舰船目标结构复杂区域与简单区域边界,即目标峰值区域的确定方法;
(2)设定了峰值区域螺旋体散射比重这一鉴别统计量,将鉴别统计量与判决门限进行比较,若高于判决门限,判决为舰船目标,否则判决为干扰目标。
2.如权利要求1所述的高分辨率极化SAR舰船目标与干扰目标鉴别方法,其中步骤“(1)设定了界定高分辨率SAR舰船目标结构复杂区域与简单区域边界,即目标峰值区域的确定方法”具有如下技术特征:根据SAR图像中目标螺旋体散射比重随统计区域扩大的变化曲线和统计区域散射能量随统计区域扩大变化曲线,设定递增区域的平均散射能量强度和平均螺旋体散射比重随统计区域扩大呈指数递减,设Dn(n∈[0,100])为占目标总像元数量的n%的统计区域,则Dn-Dn-1区域像元的平均散射能量和平均螺旋体散射比重为:
Sn=k·Sn-1=kn-1·S0
Pn=t·Pn-1=tn-1·P0
其中k、t分别为变化系数;则Dn区域像元平均能量和平均螺旋体散射能量分别为:
Dn区域像元平均螺旋体散射能量比重为:
通过搜索方法得到近似曲线,然后求取近似曲线下降速率最大时的统计区域,此时统计区域边界即为目标峰值区域。
3.权利要求1所述的高分辨率极化SAR舰船目标与干扰目标鉴别方法,其中步骤“(2)设定了峰值区域螺旋体散射比重这一鉴别统计量,将鉴别统计量与判决门限进行比较,若高于判决门限,判决为舰船目标,否则判决为干扰目标”具有如下技术特征:已知目标峰值区域,结合目标Krogager分解数据可得到峰值区域螺旋体散射比重ρH,即为鉴别统计量;判决门限K为多组SAR数据通过实验得到的经验值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410510199.2A CN104281854B (zh) | 2014-09-28 | 2014-09-28 | 高分辨率极化sar舰船目标与干扰目标鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410510199.2A CN104281854B (zh) | 2014-09-28 | 2014-09-28 | 高分辨率极化sar舰船目标与干扰目标鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104281854A true CN104281854A (zh) | 2015-01-14 |
CN104281854B CN104281854B (zh) | 2018-09-25 |
Family
ID=52256714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410510199.2A Active CN104281854B (zh) | 2014-09-28 | 2014-09-28 | 高分辨率极化sar舰船目标与干扰目标鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104281854B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069432A (zh) * | 2015-08-10 | 2015-11-18 | 中国人民解放军国防科学技术大学 | 一种基于极化目标分解的支持向量机舰船目标检测方法 |
CN105335765A (zh) * | 2015-10-20 | 2016-02-17 | 北京航天自动控制研究所 | 一种用于sar匹配的特征区域检测方法 |
CN106019244A (zh) * | 2016-06-20 | 2016-10-12 | 北京航空航天大学 | 基于正负斜率lfm波形正交极化雷达的抗移频干扰方法 |
CN106295503A (zh) * | 2016-07-25 | 2017-01-04 | 武汉大学 | 区域卷积神经网络的高分辨率遥感影像舰船目标提取方法 |
CN109871731A (zh) * | 2017-12-05 | 2019-06-11 | 上海齐耀重工有限公司 | 船舶检测的方法、装置及计算机存储介质 |
CN112147591A (zh) * | 2020-08-27 | 2020-12-29 | 清华大学 | 一种极化雷达海面舰船检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2115665A1 (en) * | 2007-02-06 | 2009-11-11 | AAI Corporation | Utilizing polarization differencing method for detect, sense and avoid systems |
CN102043958A (zh) * | 2010-11-26 | 2011-05-04 | 华中科技大学 | 一种高分辨率遥感图像多类目标检测识别方法 |
CN102262223A (zh) * | 2010-05-26 | 2011-11-30 | 中国科学院对地观测与数字地球科学中心 | 一种基于散射矩阵的相干目标分解方法 |
-
2014
- 2014-09-28 CN CN201410510199.2A patent/CN104281854B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2115665A1 (en) * | 2007-02-06 | 2009-11-11 | AAI Corporation | Utilizing polarization differencing method for detect, sense and avoid systems |
CN102262223A (zh) * | 2010-05-26 | 2011-11-30 | 中国科学院对地观测与数字地球科学中心 | 一种基于散射矩阵的相干目标分解方法 |
CN102043958A (zh) * | 2010-11-26 | 2011-05-04 | 华中科技大学 | 一种高分辨率遥感图像多类目标检测识别方法 |
Non-Patent Citations (3)
Title |
---|
丛瑜,周伟等: ""一种对港口影像进行船舰目标提取的方法"", 《计算机仿真》 * |
姚玮: ""高分辨率遥感图像多类目标识别研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王超、张红等: "《全极化合成孔径雷达图像处理》", 31 July 2008 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069432A (zh) * | 2015-08-10 | 2015-11-18 | 中国人民解放军国防科学技术大学 | 一种基于极化目标分解的支持向量机舰船目标检测方法 |
CN105069432B (zh) * | 2015-08-10 | 2018-06-29 | 中国人民解放军国防科学技术大学 | 一种基于极化目标分解的支持向量机舰船目标检测方法 |
CN105335765A (zh) * | 2015-10-20 | 2016-02-17 | 北京航天自动控制研究所 | 一种用于sar匹配的特征区域检测方法 |
CN106019244A (zh) * | 2016-06-20 | 2016-10-12 | 北京航空航天大学 | 基于正负斜率lfm波形正交极化雷达的抗移频干扰方法 |
CN106019244B (zh) * | 2016-06-20 | 2018-05-15 | 北京航空航天大学 | 基于正负斜率lfm波形正交极化雷达的抗移频干扰方法 |
CN106295503A (zh) * | 2016-07-25 | 2017-01-04 | 武汉大学 | 区域卷积神经网络的高分辨率遥感影像舰船目标提取方法 |
CN109871731A (zh) * | 2017-12-05 | 2019-06-11 | 上海齐耀重工有限公司 | 船舶检测的方法、装置及计算机存储介质 |
CN112147591A (zh) * | 2020-08-27 | 2020-12-29 | 清华大学 | 一种极化雷达海面舰船检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104281854B (zh) | 2018-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104281854A (zh) | 高分辨率极化sar舰船目标与干扰目标鉴别方法 | |
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN102722712B (zh) | 基于连续度的多尺度高分辨图像目标检测方法 | |
CN104392463B (zh) | 一种基于联合稀疏多尺度融合的图像显著区域检测方法 | |
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 | |
CN104408481B (zh) | 基于深度小波神经网络的极化sar图像分类方法 | |
CN108122008A (zh) | 基于稀疏表示和多特征决策级融合的sar图像识别方法 | |
CN103778412A (zh) | 一种基于局部三值模式自适应阈值的人脸识别方法 | |
Yang et al. | A novel false alarm suppression method for CNN-based SAR ship detector | |
CN107992818B (zh) | 一种光学遥感图像海面船只目标的检测方法 | |
CN109359661B (zh) | 一种基于卷积神经网络的Sentinel-1雷达图像分类方法 | |
CN104732215A (zh) | 一种基于信息向量机的遥感影像海岸线提取方法 | |
CN104331583B (zh) | 一种基于实测海杂波数据的多重分形建模方法 | |
CN103177458A (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN101482969B (zh) | 基于同质点计算的sar图像去斑方法 | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN103778627A (zh) | 一种基于sar图像的海域溢油检测方法 | |
CN105913090A (zh) | 基于sdae-svm的sar图像目标分类方法 | |
CN112462355A (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
Yang et al. | English character recognition based on feature combination | |
CN104408472A (zh) | 基于Wishart和SVM的极化SAR图像分类方法 | |
Yaohua et al. | A SAR oil spill image recognition method based on densenet convolutional neural network | |
CN103077499A (zh) | 基于相似块的sar图像预处理方法 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |