CN104537675B - 一种sar图像双边cfar舰船目标检测方法 - Google Patents
一种sar图像双边cfar舰船目标检测方法 Download PDFInfo
- Publication number
- CN104537675B CN104537675B CN201510011762.6A CN201510011762A CN104537675B CN 104537675 B CN104537675 B CN 104537675B CN 201510011762 A CN201510011762 A CN 201510011762A CN 104537675 B CN104537675 B CN 104537675B
- Authority
- CN
- China
- Prior art keywords
- pixel
- value
- ship target
- formula
- joint
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种SAR图像双边CFAR舰船目标检测方法。技术方案是:第一步,基于选定的滑动窗计算SAR图像中每个像素点的核密度值,并通过线性变换转换为像素点相应的空间值;第二步,根据SAR图像中每个像素点的亮度值和空间值,计算每个像素点对应的联合值,并由所有的联合值形成联合图像;第三步,利用CFAR舰船目标检测方法对联合图像进行检测,得到舰船目标检测结果。本发明能够减少旁瓣和海杂波的影响,提高舰船目标检测的检测率并降低虚警率,同时具有方法简便、易于实现等优势。
Description
技术领域
本发明属于SAR(SyntheticApertureRadar,合成孔径雷达)图像目标检测技术领域,涉及一种联合SAR图像亮度分布和空间分布的双边CFAR(ConstantFalseAlarmRate,恒虚警率)舰船目标检测方法。
背景技术
SAR图像舰船目标检测是全球海洋环境和海上交通监视的一项重要应用之一。由于具有恒虚警率和自适应阈值的性质,CFAR检测已经成为SAR图像舰船目标检测中最为广泛使用的方法之一。标准CFAR检测利用概率密度函数和设定的虚警率计算出对应的阈值,通过比较像素值和阈值确定舰船目标。其中一个最重要的步骤是为背景设计一个数据模型,也就是说,确定一个相关的概率密度函数fpdf(x)。一旦确定了fpdf(x),阈值T根据设定的虚警率PFA就可以由下式给定:
因此,确定CFAR检测器是根据给定的PFA通过求解公式一得到阈值T的过程。然而,常规CFAR的数据模型只考虑亮度分布模型,也就是说x仅仅囊括像素亮度值的范围。目前,为了提高舰船目标检测的精度,研究者们通常采用提高亮度分布数据模型精度的办法。然而,将数据模型的精度提高到一个很高的水平通常是复杂和耗时的。此外,由于旁瓣和海杂波在亮度域可能和舰船目标表现相同,因此即使设计一个非常精确的分布模型来匹配数据,这也会造成虚警。由于在亮度域存在重叠的情况,常规CFAR方法通过一个大的阈值得到低的虚警率将会导致低的目标检测率,而通过一个小的阈值得到高的目标检测率将会造成高的虚警率。这说明对于CFAR检测数据模型仅仅考虑亮度分布是不够的。
在SAR图像中一个像素具有两个基本的属性:一个是亮度,另一个是位置。因此,SAR图像中舰船目标和背景的区别不仅存在于亮度域也存在于空间域。通常,舰船目标的亮点是连续并且集中在一小块区域的,而海杂波的空间分布往往是离散和随机的,旁瓣主要聚集在舰船目标周围,但是空间分布相对也具有离散性。核密度估计作为一种非参数密度估计模型,是一种重要的数据分析工具。而核密度作为SAR图像最重要的空间特征之一,可以用来有效显示前述舰船目标和背景亮点空间分布的区别。目前,许多研究试图通过核密度等空间特征来提高舰船目标检测的精度,但是它们都只是一种后处理,作为检测的补充手段而不是检测手段。
发明内容
本发明提供一种SAR图像双边CFAR舰船目标检测方法,通过联合SAR图像亮度分布和空间分布特征进行舰船目标检测,本方法能够减少旁瓣和海杂波的影响,提高舰船目标检测的检测率并降低虚警率,同时具有方法简便、易于实现等优势。
本发明的技术方案是:
第一步,基于选定的滑动窗计算SAR图像中每个像素点的核密度值,并通过线性变换转换为像素点相应的空间值。
第二步,根据SAR图像中每个像素点的亮度值和空间值,计算每个像素点对应的联合值,并由所有的联合值形成联合图像。
第三步,利用CFAR舰船目标检测方法对联合图像进行检测,得到舰船目标检测结果。
本发明的有益效果是:
1.采用本发明提出的技术方案,通过联合SAR图像的亮度分布和空间分布,可以有效避免舰船目标和背景由于在亮度域上重叠而无法区分的情况,提高舰船目标和背景的可分性。
2.由于综合了SAR图像的亮度信息和空间信息,舰船目标和背景在亮度域上重叠的情况得到减轻,因此对CFAR检测中必需的数据模型精度要求不高,一个粗糙的分布模型也能取得较好的检测效果。
3.通过联合SAR图像的亮度分布和空间分布,能够减少旁瓣和海杂波的影响,舰船目标更易被检测出来,舰船目标检测结果具有更高的检测率和更低的虚警率。
4.本发明方法通过联合SAR图像空间分布和亮度分布得到联合分布,然后对联合分布采用CFAR方法进行检测以提高舰船目标检测的精度,原理简单,便于实现。
附图说明
图1为本发明实验数据;
图2为本发明具体流程示意图;
图3为利用本发明实验数据得到的联合图像;
图4为最终舰船目标检测结果图。
具体实施方式
图1为一幅典型的TerraSAR-X图像。该图像拥有3.29m的方位分辨率和1.94m的距离分辨率。图像尺寸为1516×1413。图像极化模式为vv模式。
图2为本发明流程图,具体实施步骤如下:
第一步,基于选定的滑动窗计算SAR图像中每个像素点的核密度值,并通过归一化转换为像素点相应的空间值。
设定一个固定尺寸的滑动窗Ωx(w),其中x是窗的中心像素,w是窗的宽度。w由舰船目标和海杂波的尺寸决定,通常大于海杂波的尺寸而小于舰船目标尺寸的一半。对于SAR图像中每个像素x,计算以其为中心的滑动窗Ωx(w)内的(当x处于图像边缘时,通过镜像复制得到图像的缺失部分)每个像素xj与其的亮度差异,本发明中将像素x的亮度值命名为xrange,利用公式一或公式二得到像素x的核密度值fh(x):
上式中,n是滑动窗Ωx(w)内的像素总数,是像素xj的亮度值,h是带宽,表示核函数的宽度,其大小根据实际情况确定,本发明中将h设为1。
再通过线性变换将核密度值转换为空间值,即利用下式将像素x的核密度值转换为空间值xspatial:
第二步,根据SAR图像每个像素点的亮度值和空间值,计算每个像素点相应的联合值,得到所有的联合值形成联合图像。
利用下式计算每个像素x的联合值xcombined,
xcombined=xrangexspatial(公式四)
再利用下式计算像素x的平均联合值xcombined,
上式中,Ωx(w/2)表示以像素x为中心,宽度为w/2的滑动窗,表示像素xj的联合值。每个像素的平均联合值xcombined构成联合图像。
第三步,利用CFAR舰船目标检测方法对联合图像进行检测,得到舰船目标检测结果。
利用下式确定阈值T:
上式中,PFA根据实际情况和实际需要确定,fpdf(xcombined)是联合图像的概率密度函数,概率密度函数可以采用高斯分布或k分布等形式,分布参数由联合图像的像素值统计得到。
如果一个像素的联合值xcombined大于阈值T,则这个像素被认为是舰船目标点;否则,将被当成是一个背景点。
此外,还可使用双峰法计算阈值T。双峰法具体步骤可参考文献P.K.Sahoo,S.SoltaniandA.K.Wong,“Asurveyofthresholdingtechniques,”ComputerVision,GraphicsandImageProcessing,vol.41,no.2,pp.233-260,1988。
图3为利用本发明实验数据得到的联合图像,其中窗口宽度w设为7。通过比较图1和图3可以看出,在图1中,部分强舰船目标的旁瓣以及海杂波和舰船目标亮度相同,根据CFAR的原理可知这会造成无可避免的虚警;而在图3中,由于联合了亮度分布和空间分布,舰船目标和背景在联合联合图像中分布的重叠区域很小,二者的可分性得到增强。
图4为最终舰船目标检测结果图,图4为二值灰度图,亮度为1的像素对应舰船目标,亮度为0的像素对应背景,其中阈值T=39。由图4可以看出,本发明方法能够有效减少旁瓣和海杂波的影响,得到的舰船目标检测结果检测率较高,虚警率较低。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种SAR图像双边CFAR舰船目标检测方法,其中SAR是指合成孔径雷达,CFAR是指恒虚警率,其特征在于,包括下述步骤:
第一步,基于选定的滑动窗计算SAR图像中每个像素点的核密度值,并通过归一化转换为像素点相应的空间值:
设定一个固定尺寸的滑动窗Ωx(w),其中滑动窗以x为中心像素,w是滑动窗的宽度,w大于海杂波的尺寸而且小于舰船目标尺寸的一半;对于SAR图像中像素x,像素x的亮度值为xrange,利用公式一或公式二得到像素x的核密度值fh(x):
(公式一)
(公式二)
上式中,n是滑动窗Ωx(w)内的像素总数,是像素xj的亮度值,h是带宽,其大小根据实际情况确定;
利用下式将像素x的核密度值转换为空间值xspatial:
(公式三)
第二步,根据SAR图像每个像素点的亮度值和空间值,计算每个像素点相应的联合值,得到所有的联合值形成联合图像:
利用下式计算像素x的联合值xcombined:
xcombined=xrangexspatial(公式四)
利用下式计算像素x的平均联合值xcombined:
(公式五)
上式中,Ωx(w/2)表示以像素x为中心,宽度为w/2的滑动窗,表示像素xj的联合值;每个像素的平均联合值xcombined构成联合图像;
第三步,利用CFAR舰船目标检测方法对联合图像进行检测,得到舰船目标检测结果:
利用双峰法计算阈值或下式确定阈值T:
(公式六)
上式中,PFA根据实际情况和实际需要确定,fpdf(xcombined)是联合图像的概率密度函数;
如果一个像素的联合值xcombined大于阈值T,则这个像素被认为是舰船目标点;否则,将被当成是一个背景点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510011762.6A CN104537675B (zh) | 2015-01-10 | 2015-01-10 | 一种sar图像双边cfar舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510011762.6A CN104537675B (zh) | 2015-01-10 | 2015-01-10 | 一种sar图像双边cfar舰船目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104537675A CN104537675A (zh) | 2015-04-22 |
CN104537675B true CN104537675B (zh) | 2015-12-09 |
Family
ID=52853194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510011762.6A Active CN104537675B (zh) | 2015-01-10 | 2015-01-10 | 一种sar图像双边cfar舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104537675B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046706B (zh) * | 2015-07-13 | 2019-01-29 | 北京化工大学 | 基于有理多项式函数拟合海杂波的sar图像船只检测方法 |
CN104992159A (zh) * | 2015-07-13 | 2015-10-21 | 北京化工大学 | 基于高斯函数拟合海杂波的sar图像船只检测方法 |
CN107423734B (zh) * | 2016-05-23 | 2020-01-21 | 中国科学院计算技术研究所 | 一种sar图像海洋目标快速检测方法与装置 |
CN108764144B (zh) * | 2018-05-29 | 2021-09-07 | 电子科技大学 | 一种基于gpu的合成孔径雷达目标检测方法 |
CN108921076B (zh) * | 2018-09-21 | 2022-02-18 | 南京信息工程大学 | 基于图像的道面裂缝病害自适应恒虚警检测方法 |
CN112634222A (zh) * | 2020-12-17 | 2021-04-09 | 中国人民解放军火箭军工程大学 | 一种sar图像舰船目标检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8422738B1 (en) * | 2008-08-25 | 2013-04-16 | The United States Of America As Represented By The Secretary Of The Navy | Adaptive automated synthetic aperture radar vessel detection method with false alarm mitigation |
CN104237861A (zh) * | 2014-09-15 | 2014-12-24 | 电子科技大学 | 一种未知杂波背景下的cfar检测门限获取方法 |
-
2015
- 2015-01-10 CN CN201510011762.6A patent/CN104537675B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8422738B1 (en) * | 2008-08-25 | 2013-04-16 | The United States Of America As Represented By The Secretary Of The Navy | Adaptive automated synthetic aperture radar vessel detection method with false alarm mitigation |
CN104237861A (zh) * | 2014-09-15 | 2014-12-24 | 电子科技大学 | 一种未知杂波背景下的cfar检测门限获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104537675A (zh) | 2015-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104537675B (zh) | 一种sar图像双边cfar舰船目标检测方法 | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
Leng et al. | A bilateral CFAR algorithm for ship detection in SAR images | |
Xia et al. | Infrared small target detection based on multiscale local contrast measure using local energy factor | |
Chen et al. | Ship detection from coastal surveillance videos via an ensemble Canny-Gaussian-morphology framework | |
CN109117802B (zh) | 面向大场景高分遥感影像的舰船检测方法 | |
CN103208115B (zh) | 基于测地线距离的图像显著性区域检测方法 | |
CN102819740B (zh) | 一种单帧红外图像弱小目标检测和定位方法 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN110765912B (zh) | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 | |
CN108682004A (zh) | 一种基于局部信息的复杂背景下红外弱小目标检测方法 | |
CN103226820A (zh) | 改进的二维最大熵分割夜视图像融合目标检测算法 | |
CN111160293A (zh) | 基于特征金字塔网络的小目标船只检测方法及系统 | |
CN103871039A (zh) | 一种sar图像变化检测差异图生成方法 | |
CN104331886A (zh) | 基于高分辨sar图像的港口区域舰船检测方法 | |
CN105469393A (zh) | 基于决策融合的浅海水深多时相遥感影像反演方法 | |
CN108133468A (zh) | 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法 | |
CN105389799A (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
CN104268574A (zh) | 一种基于遗传核模糊聚类的sar图像变化检测方法 | |
CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
CN115063689A (zh) | 一种基于局部显著性增强的cfar舰船目标检测方法 | |
CN113362293A (zh) | 一种基于显著性的sar图像舰船目标快速检测方法 | |
CN106056115B (zh) | 一种非均匀背景下的红外小目标检测方法 | |
CN112329677B (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
CN104966296B (zh) | 滑窗N‑Smoothlets图像边缘检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |