CN104361340A - 基于显著性检测和聚类的sar图像目标快速检测方法 - Google Patents
基于显著性检测和聚类的sar图像目标快速检测方法 Download PDFInfo
- Publication number
- CN104361340A CN104361340A CN201410612484.5A CN201410612484A CN104361340A CN 104361340 A CN104361340 A CN 104361340A CN 201410612484 A CN201410612484 A CN 201410612484A CN 104361340 A CN104361340 A CN 104361340A
- Authority
- CN
- China
- Prior art keywords
- yardstick
- image
- binary map
- target
- sar image
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开了一种基于显著性检测和聚类的SAR图像目标快速检测方法,主要解决现有SAR图像目标检测技术中检测速度慢和杂波虚警高的问题。其实现步骤为:对SAR图像A建立强度通道高斯金字塔;根据目标尺寸对高斯金字塔的尺度进行选择;根据选择的尺度对所选尺度下的SAR图像建立强度显著图;在强度显著图上依次确定当前最显著区域,并得到一幅标注所有显著区域的二值图;对该二值图进行形态学滤波和聚类操作后根据目标区域面积范围进行面积剔除处理;利用剔除面积后的聚类二值图像进行疑似目标切片提取操作,最终完成SAR图像目标检测过程。本发明具有检测速度快和虚警率低的优点,适用于SAR图像目标的快速检测。
Description
技术领域
本发明属于雷达目标检测领域,尤其涉及在合成孔径雷达SAR图像中快速、有效地检测地面车辆、飞机的方法。
背景技术
雷达成像技术是20世纪50年代发展起来的,在以后的60年里得到了突飞猛进的发展,目前,已经在军事、农林、地质、海洋、灾害、绘测等诸多方面得到广泛的应用。
合成孔径雷达SAR是一种利用微波进行感知的主动传感器,其与红外、光学等其他传感器相比,SAR成像不受光照、天气等条件的限制,可以对感兴趣的目标进行全天候、全天时的观测。因而SAR成为目前对地观测和军事侦察的重要手段,SAR图像自动目标识别受到越来越广泛的关注。
SAR自动目标识别ATR方法通常采取美国林肯实验室提出的三级处理流程。该流程采用一种分层注意机制,其实现过程是:首先,对整幅SAR图像进行检测处理,除去图像中明显不是目标的区域,得到潜在目标区域;然后,对潜在的目标区域进行目标鉴别处理,以剔除其中的自然杂波虚警,或剔除明显比目标大或者小的区域;通过目标的检测和鉴别阶段,得到目标感兴趣区域ROI;最后,再对目标ROI进行分类识别。在这种处理机制中,数据处理方法越来越复杂,因此计算量会越来越大,但需要处理的数据量却是在逐步减少的,这样就能提高目标识别系统的效率。
SAR图像目标检测是SARATR这种匠心独具的流程设计中的第一步,其重要性不言而喻。如何快速有效的检测出潜在目标区域也是近年来SAR图像解译应用的一大研究热点。
现有文献中提出了很多SAR图像目标检测方法,例如双参数恒虚警CFAR检测算法、广义似然比检验检测算法、神经网络检测算法、隐马尔可夫模型检测算法、支持向量机检测算法。在现有的这些SAR图像目标检测方法中,双参数CFAR检测算法应用最为广泛。
双参数CFAR检测算法是一种传统的SAR图像目标检测方法,该方法应用的前提是在SAR图像上目标与背景杂波具有较高的对比度。双参数CFAR检测算法中设置了目标窗口、保护窗口和背景窗口这3个窗口。其中,目标窗口是可能含有目标像素的窗口,保护窗口是为了防止目标像素混入背景杂波中而设置的窗口,背景窗口是含有背景杂波的窗口。传统的双参数CFAR是基于背景杂波的统计分布模型是高斯分布的假设。通过滑动窗口,对SAR图像中的每个像素进行遍历。在每次滑动窗口的过程中,通过计算背景窗口内的所有像素的均值和方差来对背景杂波进行参数估计并以此来确定一个阈值,如果目标窗口内的像素大于这个阈值就认为是目标像素,否则就认为其是杂波像素。由于背景杂波的统计分布模型并不一定服从高斯分布、对背景杂波进行参数估计耗时、SAR图像中每个像素点相同对待的原因,造成了这种方法存在杂波统计模型参数估计不准确、检测时间过长、虚警率高的缺点。
发明内容
本发明针对上述现有技术的不足,提出了一种基于显著性检测和聚类的SAR图像目标快速检测方法。
基于显著性检测和聚类处理的SAR图像目标快速检测方法的实现方案具体包括以下步骤:
(1)对一幅SAR图像A不断地进行下采样和高斯低通滤波处理,得到m层强度通道高斯金字塔,其中m≥2,该高斯金字塔的第一层尺度为σ=1,第二层尺度为σ=2,依此类推,第m层尺度为σ=m;
(2)根据检测目标的任务要求,由待检测目标的尺寸确定后续做中心-周边差处理所需要的p个中心尺度和q个尺度差;
(3)根据步骤(2)得到的中心尺度和尺度差确定强度通道高斯金字塔对应的尺度,并对所确定尺度下对应的p×q幅图像进行插值操作,使插值后的图像大小与SAR图像A的尺寸一致;
(4)根据中心尺度和尺度差这两个参数对步骤(3)得到的p×q幅图像进行中心-周边差处理,并对中心-周边差处理后的图像归一化,得到p×q幅强度特征图{Fi},其中,i=1,2,...,p×q,Fi表示第i幅强度特征图;
(5)对p×q幅强度特征图{Fi}进行线性叠加,并对叠加后的图像进行归一化,得到一幅强度显著图C;
(6)计算强度显著图C中的所有像素均值α和标准差β,得到后续确定当前最显著区域的阈值:T=α+K×β,其中K是用来控制虚警率的常系数;
(7)在步骤(5)中得到的强度显著图C上根据终止阈值T依次确定当前最显著区域,并得到N幅标注当前最显著区域的二值图{Ej},其中,j=1,2,...,N,Ej表示第j幅二值图;
(8)将N幅标注当前最显著区域的二值图{Ej}进行线性叠加,得到一幅标注所有显著区域的总体二值图V;
(9)对总体二值图V进行形态学滤波,得到形态学滤波后的二值图X;
(10)根据目标尺寸设置聚类距离dmax,对滤波后的二值图X进行聚类处理,得到聚类后的二值图J;
(11)根据聚类后每一类区域像素点个数,对聚类后的二值图J中不满足目标面积要求的类进行像素点置零操作,即面积剔除处理,得到剔除面积后的二值图Y;
(12)根据剔除面积后的二值图Y,在SAR图像A上进行切片提取处理,得到疑似目标切片。
本发明与现有技术相比,具有以下优点:
1.检测速度快
传统的双参数CAFR检测方法在检测时,由于要先对杂波进行统计建模,然后对每个像素点进行滑窗,并且在每次滑窗时需要估计参考窗内杂波的模型参数,因而在大图场景中检测效率低,不利于在需要实时检测的SARATR系统中的应用。而本发明中所采取的方法是基于视觉注意机制的显著性检测,利用目标先验尺寸,只在强度通道金字塔下选取了几个合适的中心尺度和尺度差,没有颜色通道和方向通道,并通过插值处理使得能够在其中心-周边差处理后突出目标,弱化杂波背景,因此,在视觉转移即寻找最强点的过程中能够迅速注意到疑似目标区域并进行后续处理,避免了双参数CFAR处理中各个点和区域同样对待的弊端,可以在较短的时间内迅速找到疑似目标区域,检测速度大大加快。
2.虚警率低
现有的双参数CFAR检测方法要检测到所有的目标,则必需要设置很大的虚警率因而会产生较多的杂波虚警,造成最终提取的疑似目标切片数目也多,虚警率高。而本发明根据目标先验尺寸,通过尺度选择并进行中心-周边差处理,充分利用了目标的强度显著性特征,使得目标区域优先被检测到,并结合聚类处理,在保证高检测率的情况下最终提取的疑似目标切片数目少,极大的降低了虚警率。
附图说明
图1是本发明的实现流程图;
图2是本发明实验中使用的分辨率为0.1016m×0.1016m的原始SAR图像;
图3是用现有方法对图2下采样1次后的分辨率为0.2032m×0.2032m的SAR图像;
图4是用本发明方法对图3处理得到的4个疑似目标切片在图2上对应位置显示的结果;
图5是用本发明方法对图4上的4个疑似目标切片放大图;
图6是用双参数CFAR检测方法对图3处理得到的10个疑似目标切片在图2上对应位置显示的结果;
图7是用双参数CFAR检测方法对图6上的10个疑似目标切片放大图;
具体实施方式
参照图1,本发明的实现步骤如下:
步骤1,对一幅SAR图像A建立强度通道高斯金字塔。
1a)初始化:将一幅SAR图像A作为下一步的输入图像Z;
1b)对待下采样的输入SAR图像Z进行下采样处理,即取SAR图像Z中偶数列和偶数行的像素点,得到下采样后的SAR图像B;
1c)对下采样后的SAR图像B进行高斯低通滤波操作,得到滤波后的SAR图像L;
1d)将滤波后的SAR图像L作为1a)中待下采样的输入SAR图像Z,并重复步骤1b)-1c),直到滤波后的SAR图像L的行数或者列数为1;
1e)将经过步骤1a)-1d)得到的SAR图像与原始的SAR图像A相加,一共得到m幅图像,将这些图像按照尺寸大小降序排列,得到m层强度通道高斯金字塔,其中m≥2,该高斯金字塔的第一层尺度为σ=1,第二层尺度为σ=2,依此类推,第m层尺度为σ=m。
步骤2,确定中心尺度c和尺度差δ。
2a)在强度通道高斯金字塔的σ=1-3这3个尺度中选取p个中心尺度c,其中,p为整数,且1≤p≤3;
2b)根据目标在SAR图像A中距离维的长度lr和方位维的长度la,计算目标在SAR图像A中的对角线长度为:其中长度的度量单位为像素点个数;
2c)从σ=4开始,以1为步长增大σ的值,当的值减小到最接近0时的尺度即为检测目标需要的最优周围尺度sy;
2d)将最优周围尺度sy和最优周围尺度sy相邻的1到2个尺度作为周围尺度s;
2e)根据中心尺度c和周围尺度s得到q个尺度差为:δ=|c-s|。
步骤3,插值处理。
根据得到的中心尺度和尺度差确定强度通道高斯金字塔对应的尺度,并对所确定尺度下对应的p×q幅图像进行插值操作,使插值后的SAR图像大小与SAR图像A的尺寸一致,其中,插值操作就是利用已知临近像素点的灰度值来产生未知像素点的灰度值,以便由原始图像再生出具有高分辨率的图像。通常采用的插值方法有:最近临插值,双线性插值,三次样条插值等。需要说明的是,本发明采用最近临插值,但不限于这种插值方法。
步骤4,建立强度特征图。
4a)对插值后的p×q进行中心-周边差处理,通过如下公式进行:
I(c,s)=|I(c)-I(s)|
其中,I(c)为选取的p个主尺度中的一个尺度下图像的强度,I(s)为选取的q个周围尺度中的一个尺度下图像的强度,I(c,s)为这两个尺度下图像做差处理后图像的强度;
4b)对中心-周边差处理后的图像进行归一化,并得到p×q幅强度特征图{Fi},其中,i=1,2,...,p×q,Fi表示第i幅强度特征图,归一化是通过如下公式进行:
其中,I(c,s)为中心-周边差处理后的图像强度值,I(c,s)min为中心-周边差处理后的图像最小强度值,I(c,s)max为中心-周边差处理后的图像最大强度值,N(I(c,s))为归一化后图像强度值。
步骤5,对p×q幅强度特征图{Fi}进行线性叠加,并对叠加后的图像进行归一化,得到一幅强度显著图C。
5a)按如下公式对p×q幅强度特征图{Fi}进行叠加:
其中,I(Fi)是步骤4中第i幅强度特征图的强度,表示p×q幅强度特征图进行线性叠加后的结果;
5b)对强度特征图线性叠加后的结果进行归一化,按如下公式;
其中,为强度特征图线性叠加后的图像强度,为强度特征图线性叠加后的图像强度最小值,为强度特征图线性叠加后的图像强度最大值,为归一化后得到的强度显著图C的图像强度。
步骤6,计算视觉转移的终止阈值T:
T=α+K×β,
其中,α是强度显著图C的均值,β是强度显著图C的方差,K是控制虚警率的常系数,本发明中,K为实数,且5≤K≤50。
步骤7,在步骤5得到的强度显著图C上根据终止阈值T依次确定当前最显著区域,并得到N幅标注当前最显著区域的二值图。
7a)在强度显著图C中搜索当前最强点M,根据M的强度值设定分割阈值Se:
Se=R×I(M),
其中,I(M)是当前最强点M的强度值,R是分割比例系数,0<R<1;
7b)根据分割阈值Se对显著图C做阈值分割,得到一幅分割后的二值图G;
7c)将分割后的二值图G中除M点所在连通区域以外的其他所有像素点置零,得到一幅标注当前最显著区域的二值图E;
7d)搜索得到标注当前最显著区域的二值图E像素值为1的位置,并将强度显著图C上与其对应位置的像素点置零;
7e)重复步骤7a)-7d),直到M的强度值小于最显著区域阈值T为止,此时共得到N幅标注当前最显著区域的二值图{Ej},其中,j=1,2,...,N,Ej表示第j幅标注当前最显著区域的二值图。
步骤8,将N幅标注当前最显著区域的二值图{Ej}进行线性叠加,得到一幅标注所有显著区域的总体二值图V,其数学表达式如下:
其中,I(Ej)是第j幅标注当前最显著区域的二值图Ej的强度,I(V)是标注所有显著区域的总体二值图V的强度。
步骤9,形态学滤波。
对标注所有显著区域的总体二值图V进行形态学滤波,得到形态学滤波后的二值图X,其中,进行形态学滤波的具体处理是闭操作,闭操作的目的是平滑边界,连接窄的缺口,填充凹处,从而使叠加后得到的整体二值图区域连通性更好,便于后续利用面积剔除虚警的处理。
步骤10,聚类处理。
7a)根据步骤2b)中目标在SAR图像A中对角线的长度l,设置聚类最大距离dmax,使得dmax=l;
7b)对步骤9中形态学滤波后的二值图X进行区域标定,其中,将二值图X中的像素值为0的所有区域标注为0,其他非0连通区域按照1,2,3,...顺序依次进行标定;
7c)不断地任意取2个连通区域,如果两区域像素之间的最大距离小于dmax,则合并区域进行聚类处理,直到所有区域取完为止,得到聚类后的二值图J。
步骤11,对聚类后的二值图J进行面积剔除处理。
11a)设实际最大感兴趣目标的真实长度为Lmax,宽度为Wmax,实际最小感兴趣目标的真实长度为Lmin,宽度为Wmin,图像的分辨率为ΔR,目标区域的像个数或面积S存在上界Smax,其表达式为:
S同时也存在下界,其表达式为:
11b)遍历聚类后的二值图J,对聚类后每个标定的区域,统计其像素值为1的像素个数,作为该区域的面积,若面积不满足目标面积范围ST={S|Smin<S<Smax},则该区域各个像素点置零,去除该类,得到剔除面积后的二值图Y。
步骤12,切片提取处理,得到疑似目标切片。
在经过步骤11处理得到的剔除面积后的二值图Y上求得每一类区域的质心,并且找到它们在原始SAR图像A上对应的坐标。然后根据最大目标尺寸设置切片的大小为Q,在原始SAR图像上以这些位置为中心提取边长为Q的正方形区域作为疑似目标切片,至此,SAR图像的目标检测工作完成。其中,二值图Y每一类区域的质心在原始SAR图像上对应的坐标求解公式如下:
其中,(cenx,ceny)为二值图Y每一类区域的质心在原始SAR图像上对应的坐标,(x(b),y(b))为二值图上每一类区域中每一像素点的坐标,b=1,2,...,k,k为每一类区域的像素点个数。
本发明的效果可以通过以下实验进一步说明:
1.实验条件
实验运行平台:MATLAB R2012a,Intel(R)Core(TM)i7-4770 CPU3.40GHZ,Windows7旗舰版。
实验所用数据是美国Sandia MiniSAR数据集中MiniSAR20050519p0009image005数据,原始SAR图像如图2所示,其分辨率为0.1016m×0.1016m,由于分辨率较高,为了加快SAR图像处理速度,对其进行1次下采样后得到如图3所示的低分辨率SAR图像,其分辨率为0.2032m×0.2032m。本实验使用的数据里面含有2个飞机目标,尺寸较大的是C-130运输飞机,尺寸较小的是Osprey直升机,其所处的场景是平坦的陆地另外有一些建筑物。
实验中,本发明检测方法的参数设置:主尺度c为{1,2},尺度差δ为{4,5,6},控制虚警率的常系数K=12.3,分割比例系数R=0.21,最小目标区域面积Smin=900,最大目标区域面积Smax=4162,聚类距离dmax=170,切片大小Q=410。
实验中,双参数CFAR检测方法的参数设置:控制CFAR虚警率的Kcfar=4.0,保护窗半长mG=170,背景窗半长mB=171,最小目标区域面积Smin=900,最大目标区域面积Smax=4162,目标最大长度Len=149,切片大小Q=410。
2.实验内容:
实验1,用本发明方法对图2进行目标检测并提取切片,结果如图4和图5所示,其中,图4是用本发明方法对图3处理得到的4个疑似目标切片在图2上对应位置显示的结果,图5(a)、图5(b)是杂波切片放大图,分别对应图4中标号1、2的切片,图5(c)、图5(d)是目标切片放大图,分别对应图4中标号3、4的切片;
实验2,用传统的双参数CFAR检测方法对图2进行目标检测并提取切片,双参数CFAR检测的具体操作参照2013年西安电子科技大学李礼的硕士毕业论文《SAR目标检测与鉴别算法研究及软件设计》中的第二章“SAR目标检测方法研究”,检测结果如图6和图7所示。其中,图6是用双参数CFAR检测方法对图3处理得到的10个疑似目标切片在图2上对应位置显示的结果,图5(a)、图5(b)、图5(c)、图5(d)、图5(e)、图5(h)、图5(i)、图5(j)是杂波切片放大图,分别对应图6中标号为1、2、3、4、5、8、9、10的切片,图7(f)、图7(g)是目标切片放大图,分别对应图6中标号为6、7的切片。
实验1与实验2的结果分析如表1:
表1 本发明方法和双参数CFAR对图2检测情况对比
由表1可以看出,针对实验所用的SAR图像数据,本发明应用基于显著性检测和聚类的新方法进行了目标检测并提取了切片,实验结果表明本发明的检测方法具有良好的性能。此法相比于传统的双参数CFAR检测并聚类处理目标检测的方法来说,不仅能够保证较高的检测率和较低的虚警率,而且相同平台下的算法执行时间约为双参数CFAR检测的1/200。
由本实验的检测结果可以看出,本发明的SAR图像目标检测方法具有算法执行速度快、虚警率低的优点,是一种快速并且有效的检测方法,更符合SARATR系统第一步目标检测的初衷,具有良好的应用前景。
Claims (8)
1.基于显著性检测和聚类的SAR图像目标快速检测方法,包括如下步骤:
(1)对一幅SAR图像A不断地进行下采样和高斯低通滤波处理,得到m层强度通道高斯金字塔,其中m≥2,该高斯金字塔的第一层尺度为σ=1,第二层尺度为σ=2,依此类推,第m层尺度为σ=m;
(2)根据检测目标的任务要求,由待检测目标的尺寸确定后续做中心-周边差处理所需要的p个中心尺度和q个尺度差;
(3)根据步骤(2)得到的中心尺度和尺度差确定强度通道高斯金字塔对应的尺度,并对所确定尺度下对应的p×q幅图像进行插值操作,使插值后的图像大小与SAR图像A的尺寸一致;
(4)根据中心尺度和尺度差这两个参数对步骤(3)得到的p×q幅图像进行中心-周边差处理,并对中心-周边差处理后的图像归一化,得到p×q幅强度特征图{Fi},其中,i=1,2,...,p×q,Fi表示第i幅强度特征图;
(5)对p×q幅强度特征图{Fi}进行线性叠加,并对叠加后的图像进行归一化,得到一幅强度显著图C;
(6)计算强度显著图C中的所有像素均值α和标准差β,得到后续确定当前最显著区域的终止阈值:T=α+K×β,其中K是用来控制虚警率的常系数;
(7)在步骤(5)中得到的强度显著图C上根据终止阈值T依次确定当前最显著区域,并得到N幅标注当前最显著区域的二值图{Ej},其中,j=1,2,...,N,Ej表示第j幅二值图;
(8)将N幅标注当前最显著区域的二值图{Ej}进行线性叠加,得到一幅标注所有显著区域的总体二值图V;
(9)对总体二值图V进行形态学滤波,得到形态学滤波后的二值图X;
(10)根据目标尺寸设置聚类距离dmax,对滤波后的二值图X进行聚类处理,得到聚类后的二值图J;
(11)根据聚类后每一类区域像素点个数,对聚类后的二值图J中不满足目标面积要求的类进行像素点置零操作,即面积剔除处理,得到剔除面积后的二值图Y;
(12)根据剔除面积后的二值图Y,在SAR图像A上进行切片提取处理,得到疑似目标切片。
2.根据权利要求1所述的方法,其中步骤(1)所述的对一幅SAR图像A不断地进行下采样和高斯低通滤波处理,得到m层强度通道高斯金字塔,按如下步骤进行:
1a)初始化:将SAR图像A作为下一步的输入图像Z;
1b)对待下采样的输入SAR图像Z进行下采样处理,即取SAR图像Z中偶数列和偶数行的像素点,得到下采样后的SAR图像B;
1c)对下采样后的SAR图像B进行高斯低通滤波操作,得到滤波后的SAR图像L;
1d)将滤波后的SAR图像L作为1a)中待下采样的输入SAR图像Z,并重复步骤1b)-1c),直到滤波后的SAR图像L的行数或者列数为1;
1e)将经过步骤1a)-1d)得到的SAR图像与原始的SAR图像A相加,一共得到m幅图像,将这些图像按照尺寸大小降序排列,得到m层强度通道高斯金字塔。
3.根据权利要求1所述的方法,其中步骤(2)中所述的由待检测目标的尺寸确定后续做中心-周边差处理所需要的p个中心尺度和q个尺度差,按如下步骤进行:
2a)在强度通道高斯金字塔的σ=1-3这3个尺度中选取p个中心尺度c,其中,p为整数且1≤p≤3;
2b)设目标在SAR图像A中的对角线长度为lr是目标在SAR图像A中距离维的长度,la是目标在SAR图像A中方位维的长度,在这里长度的度量单位为像素点个数;
2c)从σ=4开始,以1为步长增大σ的值,当的值减小到最接近0时的尺度即为检测目标需要的最优周围尺度sy;
2d)将最优周围尺度sy和最优周围尺度sy相邻的1到2个尺度作为周围尺度s;
2e)根据中心尺度c和周围尺度s得到q个尺度差为:δ=|c-s|。
4.根据权利要求1所述的方法,其中所述步骤(4)中对得到的p×q幅图像进行中心-周边差处理,通过如下公式进行:
I(c,s)=|I(c)-I(s)|
其中,I(c)为选取的p个主尺度中的一个尺度下图像的强度,I(s)为选取的q个周围尺度中的一个尺度下图像的强度,I(c,s)为这两个尺度下图像做差处理后图像的强度。
5.根据权利要求1所述的方法,其中所述步骤(4)中对中心-周边差处理后的图像归一化,通过如下公式进行:
其中,I(c,s)为中心-周边差处理后的图像强度值,I(c,s)min为中心-周边差处理后的图像最小强度值,I(c,s)max为中心-周边差处理后的图像最大强度值,N(I(c,s))为归一化后图像强度值。
6.根据权利要求1所述的方法,其中所述步骤(7)中在强度显著图C上根据终止条件T依次确定当前最显著区域,并得到N幅标注当前最显著区域的二值图{Ej},按如下步骤进行:
7a)在强度显著图C中搜索当前最强点M,根据M的强度值设定分割阈值Se:
Se=R×I(M)
其中,I(M)是当前最强点M的强度值,R是分割比例系数,0<R<1;
7b)根据分割阈值Se对显著图C做阈值分割,得到一幅分割后的二值图G;
7c)将分割后的二值图G中除M点所在连通区域以外的其他所有像素点置零,得到一幅标注当前最显著区域的二值图E;
7d)搜索得到标注当前最显著区域的二值图E像素值为1的位置,并将强度显著图C上与其对应位置的像素点置零;
7e)重复步骤7a)-7d),直到M的强度值小于最显著区域终止阈值T为止,此时共得到N幅标注当前最显著区域的二值图{Ej},其中,j=1,2,...,N,Ej表示第j幅标注当前最显著区域的二值图。
7.根据权利要求1所述的方法,其中所述步骤(10)根据目标尺寸设置聚类距离dmax,对滤波后的二值图X进行聚类处理,得到聚类后的二值图J,按如下步骤进行:
7a)根据步骤2b)中目标在SAR图像A中对角线的长度l,设置聚类最大距离dmax,使得dmax=l;
7b)对形态学滤波后的二值图X进行区域标定,其中,将二值图X中的像素值为0的所有区域标注为0,其他非0连通区域按照1,2,3,...顺序依次进行标定;
7c)不断地任意取2个连通区域,如果两区域像素之间的最大距离小于dmax,则合并区域进行聚类处理,直到所有区域取完为止,得到聚类后的二值图J。
8.根据权利要求1所述的方法,其中所述步骤(11)对聚类后的二值图J中不满足目标面积要求的类进行像素点置零操作,按如下步骤进行:
8a)设实际最大感兴趣目标的真实长度为Lmax,宽度为Wmax,实际最小感兴趣目标的真实长度为Lmin,宽度为Wmin,图像的分辨率为ΔR,目标区域的像个数或面积S存在上界Smax,其表达式为:
S同时也存在下界,其表达式为:
8b)遍历聚类后的二值图J,对聚类后每个标定的区域,统计其像素值为1的像素个数,作为该区域的面积,若面积不满足目标面积范围ST={S|Smin<S<Smax},则该区域各个像素点置零,去除该类,得到剔除面积后的二值图Y。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410612484.5A CN104361340B (zh) | 2014-11-04 | 2014-11-04 | 基于显著性检测和聚类的sar图像目标快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410612484.5A CN104361340B (zh) | 2014-11-04 | 2014-11-04 | 基于显著性检测和聚类的sar图像目标快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104361340A true CN104361340A (zh) | 2015-02-18 |
CN104361340B CN104361340B (zh) | 2017-10-27 |
Family
ID=52528598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410612484.5A Active CN104361340B (zh) | 2014-11-04 | 2014-11-04 | 基于显著性检测和聚类的sar图像目标快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104361340B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899584A (zh) * | 2015-06-29 | 2015-09-09 | 宁波江丰生物信息技术有限公司 | 一种基于模糊思想的染色切片识别方法 |
CN105427314A (zh) * | 2015-11-23 | 2016-03-23 | 西安电子科技大学 | 基于贝叶斯显著性的sar图像目标检测方法 |
CN106296695A (zh) * | 2016-08-12 | 2017-01-04 | 西安理工大学 | 基于显著性的自适应阈值自然目标图像分割抽取算法 |
CN106569630A (zh) * | 2016-09-30 | 2017-04-19 | 南京仁光电子科技有限公司 | 一种检测触控系统屏幕触点数目的方法 |
CN107229918A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种基于全卷积神经网络的sar图像目标检测方法 |
CN107247930A (zh) * | 2017-05-26 | 2017-10-13 | 西安电子科技大学 | 基于cnn和选择性注意机制的sar图像目标检测方法 |
CN107729903A (zh) * | 2017-10-17 | 2018-02-23 | 内蒙古科技大学 | 基于区域概率统计和显著性分析的sar图像目标检测方法 |
CN107766810A (zh) * | 2017-10-10 | 2018-03-06 | 湖南省测绘科技研究所 | 一种云、影检测方法 |
CN109544452A (zh) * | 2018-04-18 | 2019-03-29 | 中国计量大学 | 视觉感知饱和策略的图像自适应缩小方法 |
CN109949332A (zh) * | 2017-12-20 | 2019-06-28 | 北京京东尚科信息技术有限公司 | 用于处理图像的方法和装置 |
CN110310264A (zh) * | 2019-06-25 | 2019-10-08 | 北京邮电大学 | 一种基于dcnn的大尺度目标检测方法、装置 |
WO2019222889A1 (zh) * | 2018-05-21 | 2019-11-28 | 华为技术有限公司 | 一种图像特征提取方法及装置 |
CN110633595A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种利用双线性插值的目标检测方法和装置 |
CN111008647A (zh) * | 2019-11-06 | 2020-04-14 | 长安大学 | 一种样本提取及基于空洞卷积与残差链接的图像分类方法 |
CN112836707A (zh) * | 2021-01-11 | 2021-05-25 | 西安电子科技大学 | 一种isar图像空中目标长度特征提取方法 |
CN115810113A (zh) * | 2023-02-10 | 2023-03-17 | 南京隼眼电子科技有限公司 | 针对sar图像的显著特征提取方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065136A (zh) * | 2013-01-29 | 2013-04-24 | 中国电子科技集团公司第二十八研究所 | 一种基于视觉注意机制的sar图像协同目标识别方法 |
US20140086503A1 (en) * | 2009-01-14 | 2014-03-27 | A9.Com, Inc. | Method and system for encoding an image using normalized feature vectors |
CN103996209A (zh) * | 2014-05-21 | 2014-08-20 | 北京航空航天大学 | 一种基于显著性区域检测的红外舰船目标分割方法 |
-
2014
- 2014-11-04 CN CN201410612484.5A patent/CN104361340B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140086503A1 (en) * | 2009-01-14 | 2014-03-27 | A9.Com, Inc. | Method and system for encoding an image using normalized feature vectors |
CN103065136A (zh) * | 2013-01-29 | 2013-04-24 | 中国电子科技集团公司第二十八研究所 | 一种基于视觉注意机制的sar图像协同目标识别方法 |
CN103996209A (zh) * | 2014-05-21 | 2014-08-20 | 北京航空航天大学 | 一种基于显著性区域检测的红外舰船目标分割方法 |
Non-Patent Citations (2)
Title |
---|
LAURENT TTTI: "computational modelling of visual attention", 《MACMILLAN MAGAZINE LTD》 * |
宋平等: "基于聚类与均匀分布的图像显著性特征检测算法研究", 《微型机与应用》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899584A (zh) * | 2015-06-29 | 2015-09-09 | 宁波江丰生物信息技术有限公司 | 一种基于模糊思想的染色切片识别方法 |
CN105427314B (zh) * | 2015-11-23 | 2018-06-26 | 西安电子科技大学 | 基于贝叶斯显著性的sar图像目标检测方法 |
CN105427314A (zh) * | 2015-11-23 | 2016-03-23 | 西安电子科技大学 | 基于贝叶斯显著性的sar图像目标检测方法 |
CN106296695A (zh) * | 2016-08-12 | 2017-01-04 | 西安理工大学 | 基于显著性的自适应阈值自然目标图像分割抽取算法 |
CN106296695B (zh) * | 2016-08-12 | 2019-05-24 | 西安理工大学 | 基于显著性的自适应阈值自然目标图像分割抽取算法 |
CN106569630B (zh) * | 2016-09-30 | 2019-01-22 | 南京仁光电子科技有限公司 | 一种检测触控系统屏幕触点数目的方法 |
CN106569630A (zh) * | 2016-09-30 | 2017-04-19 | 南京仁光电子科技有限公司 | 一种检测触控系统屏幕触点数目的方法 |
CN107247930A (zh) * | 2017-05-26 | 2017-10-13 | 西安电子科技大学 | 基于cnn和选择性注意机制的sar图像目标检测方法 |
CN107229918A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种基于全卷积神经网络的sar图像目标检测方法 |
CN107766810A (zh) * | 2017-10-10 | 2018-03-06 | 湖南省测绘科技研究所 | 一种云、影检测方法 |
CN107766810B (zh) * | 2017-10-10 | 2021-05-14 | 湖南省测绘科技研究所 | 一种云、影检测方法 |
CN107729903A (zh) * | 2017-10-17 | 2018-02-23 | 内蒙古科技大学 | 基于区域概率统计和显著性分析的sar图像目标检测方法 |
CN109949332A (zh) * | 2017-12-20 | 2019-06-28 | 北京京东尚科信息技术有限公司 | 用于处理图像的方法和装置 |
CN109544452A (zh) * | 2018-04-18 | 2019-03-29 | 中国计量大学 | 视觉感知饱和策略的图像自适应缩小方法 |
WO2019222889A1 (zh) * | 2018-05-21 | 2019-11-28 | 华为技术有限公司 | 一种图像特征提取方法及装置 |
CN110633595A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种利用双线性插值的目标检测方法和装置 |
CN110633595B (zh) * | 2018-06-21 | 2022-12-02 | 北京京东尚科信息技术有限公司 | 一种利用双线性插值的目标检测方法和装置 |
CN110310264A (zh) * | 2019-06-25 | 2019-10-08 | 北京邮电大学 | 一种基于dcnn的大尺度目标检测方法、装置 |
CN110310264B (zh) * | 2019-06-25 | 2021-07-20 | 北京邮电大学 | 一种基于dcnn的大尺度目标检测方法、装置 |
CN111008647A (zh) * | 2019-11-06 | 2020-04-14 | 长安大学 | 一种样本提取及基于空洞卷积与残差链接的图像分类方法 |
CN111008647B (zh) * | 2019-11-06 | 2022-02-08 | 长安大学 | 一种样本提取及基于空洞卷积与残差链接的图像分类方法 |
CN112836707A (zh) * | 2021-01-11 | 2021-05-25 | 西安电子科技大学 | 一种isar图像空中目标长度特征提取方法 |
CN115810113A (zh) * | 2023-02-10 | 2023-03-17 | 南京隼眼电子科技有限公司 | 针对sar图像的显著特征提取方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104361340B (zh) | 2017-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104361340A (zh) | 基于显著性检测和聚类的sar图像目标快速检测方法 | |
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 | |
CN105427314A (zh) | 基于贝叶斯显著性的sar图像目标检测方法 | |
CN105608691B (zh) | 一种高分辨率sar影像单体建筑提取方法 | |
CN108776779B (zh) | 基于卷积循环网络的sar序列图像目标识别方法 | |
CN105160309B (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
CN110599537A (zh) | 基于Mask R-CNN的无人机图像建筑物面积计算方法及系统 | |
CN105389550B (zh) | 一种基于稀疏指引与显著驱动的遥感目标检测方法 | |
CN109614936B (zh) | 遥感图像飞机目标的分层识别方法 | |
CN102129573A (zh) | 基于字典学习和稀疏表示的sar图像分割方法 | |
CN103996198A (zh) | 复杂自然环境下感兴趣区域的检测方法 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN111915583B (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN102214290B (zh) | 车牌定位方法及车牌定位模板训练方法 | |
CN105354824A (zh) | 基于区域提取的双参数恒虚警检测方法 | |
Yin et al. | Spherical coordinates based methods of ground extraction and objects segmentation using 3-D LiDAR sensor | |
CN104794440A (zh) | 一种基于多分块多尺度lbp的假指纹检测方法 | |
CN105005761A (zh) | 一种结合显著性分析的全色高分辨率遥感图像道路检测方法 | |
Peng et al. | Incorporating generic and specific prior knowledge in a multiscale phase field model for road extraction from VHR images | |
CN114332644A (zh) | 一种基于视频卫星数据的大视场交通密度获取方法 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
CN102800101A (zh) | 一种星载红外遥感图像机场roi快速检测方法 | |
CN107835998A (zh) | 用于识别数字图像中的表面类型的分层平铺方法 | |
CN106997460A (zh) | 基于深度曲线波卷积网络的sar目标识别方法 | |
CN111832463A (zh) | 一种基于深度学习的交通标志检测方法 |
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 |