CN104881670B - 一种用于sar方位角估计的快速目标提取方法 - Google Patents
一种用于sar方位角估计的快速目标提取方法 Download PDFInfo
- Publication number
- CN104881670B CN104881670B CN201510259388.1A CN201510259388A CN104881670B CN 104881670 B CN104881670 B CN 104881670B CN 201510259388 A CN201510259388 A CN 201510259388A CN 104881670 B CN104881670 B CN 104881670B
- Authority
- CN
- China
- Prior art keywords
- target
- value
- pixel
- chained list
- point
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于SAR方位角估计的快速目标提取方法,包括以下步骤:S1、确定种子阈值和生长阈值;S2、将灰度值大于种子阈值的像素点作为目标种子点;S3、将种子点周围灰度值大于生长阈值的像素点作为新的目标种子点,添加至目标链表;S4、将种子点周围满足设定的邻域条件的像素点作为新的目标种子点,添加至目标链表;S5、将表示图像像素点是否为目标点的二值矩阵作为最终的目标图像输出。本发明勿需对目标和噪声的分布情况进行假设,克服了传统方法分割精度不高的问题;采用基于目标链表的两次生长方式来寻找目标,在保证精度的同时,抑制了目标提取中的虚警现象,避免了后续的“伪”目标去除处理,提高了目标提取速度。
Description
技术领域
本发明涉及图像处理技术领域中的图像分割问题,具体涉及一种用于合成孔径雷达(Synthetic Aperture Radar,SAR)方位角估计的快速目标提取方法。
背景技术
合成孔径雷达具有全天时、全天侯和强穿透能力等优点,已经成为一种重要的军事侦查手段。近年来,利用高分辨率的SAR图像进行自动目标识别(Automatic TargetRecognition,ATR)的研究不断涌现。
SAR目标图像对雷达成像的方位非常敏感,同一目标在不同方位角下所得到的图像差别很大,在传统SAR ATR系统中存储了大量不同方位的SAR模板图像,通过将待识别目标与模板图像进行匹配来完成识别。因此,预先估计目标的方位角,可以有效地减少搜索图像的数量,提高ATR系统的识别效率和准确率。SAR方位角估计过程通常包括对目标提取和角度估计两个环节。目标提取是目标方位角估计的基础和关键,目标提取的效果和质量直接影响目标方位角的估计。目标提取越逼近真实目标,方位角估计就越准确。
图像目标提取可以看作是将图像中的前景目标与背景进行分割的过程,故原则上,图像分割方法都可以用于目标提取。目前主要的SAR图像分割方法有基于统计模型(如马尔可夫随机场(Markov Random Field,MRF)模型)的方法、基于活动轮廓模型的方法、区域生长法、聚类法、阈值法等。这些方法虽然都可以提取SAR目标,从而用于SAR方位角估计,但在提取精度或计算复杂度方面存在局限。基于统计模型的方法,在分割过程利用图像空间的局部相关性,能够达到较高的分割精度,但其计算量也很大,且算法优化困难,实用性欠佳;基于活动轮廓模型的方法,利用检测到的目标轮廓来划分目标和背景。该方法也能较准确地提取出目标,但目标轮廓的过程需要进行反复多次迭代,算法的计算复杂度高,时效性也不佳;上述其他方法的计算复杂度相对较低,但分割效果不理想,其中最常见的是阈值法,它是一种基于像素特征的分割方法。该方法的突出特点在于其计算复杂度低,分割速度快。阈值法一般假设图像由具有单峰灰度分布的目标和背景组成,在目标或背景内部的相邻像素间的灰度值高度相关,而在目标和背景交界处两边的像素值差异明显。阈值法通过判断图像像素值与设定阈值之间的大小关系来区分目标和背景。因此,阈值法的关键在于阈值的确定。典型的阈值分割方法有:极小值法、最小误差法、最大类间方差(Ostu)法、恒虚警率(Constant False Alarm Rate,CFAR)法等。极小值法假设目标和背景的灰度直方图的双峰之间存在明显峰谷,它借助求曲线的极小值确定分割的阈值;最小误差法假设目标和背景的概率密度函数为某种分布(如正态分布),它通过极小化误判概率来确定分割阈值;最大类间方差法通过使分割的两部分类间方差最大化来确定阈值,计算简单有效,但其致命的缺陷是当目标物与背景灰度差不明显时,会出现严重的误判;恒虚警法是实际应用中经常采用的方法,它是在保证某恒定虚警率情况下,利用像素的统计特性来估计阈值,在噪声干扰的情况下,会产生虚警和漏警,使分割出的目标中含有很多非目标点,同时恒虚警法对目标大小也十分敏感。总之,虽然阈值法具有较好的时效性,但由于SAR图像受到相干斑点噪声的污染,目前阈值法关于目标和背景灰度分布的假设不一定成立,其分割精度往往不高;另外,传统阈值法在确定阈值后,将灰度值大于阈值的所有像素点作为目标。由于噪声的存在,目标之外常常有少许像素点的灰度值也大于阈值,这些非目标点将被检测为目标,为去除这些“伪”目标,传统阈值法往往需要后续的处理,才能真正完成目标提取,这也增大了目标提取的计算复杂度。
发明内容
本发明的目的在于克服现有技术的不足,提供一种用于SAR方位角估计的快速目标提取方法。相对于其它基于阈值的SAR目标提取方法,该方法目标本身提取完整,大大抑制了虚警现象,目标提取精度高;同时该方法分割快速,且不需要进行后续的“伪”目标去除处理。
本发明的目的是通过以下技术方案来实现的:一种用于SAR方位角估计的快速目标提取方法,包括以下步骤:
S1、确定阈值:选取两个不同的图像区域,对其分别进行灰度直方图统计,然后通过两次直方图统计的相对变化,确定后续步骤所用的两个灰度阈值:种子阈值Troot和生长阈值Tgrow;
S2、添加目标种子:将图像中灰度值大于种子阈值Troot的像素点作为目标种子点,添加至目标链表;
S3、第一次生长:对当前目标链表中的种子点,将其周围灰度值大于生长阈值Tgrow的像素点作为新的目标种子点,添加至目标链表;对新添加的种子点,用同样的方式寻找新的目标种子点;
S4、第二次生长:对当前目标链表中的种子点,将其周围满足设定的邻域条件的像素点作为新的目标种子点,添加至目标链表;对新添加的种子点,用同样的方式寻找新的目标种子点;
S5、获取目标:将表示图像像素点是否为目标点的二值矩阵作为最终的目标图像输出。
进一步地,所述的步骤S1包括以下子步骤:
S11、找出图像中灰度值最大的像素点,设其坐标为(x0,y0),对应的灰度值为Imax;
S12、对图像数据进行归一化处理:将图像每一个像素点的灰度值除以Imax;
S13、进行灰度直方图统计,包括以下步骤:
S131、取左上角为(x0-d,y0-d)、右下角为(x0+d,y0+d)的正方形目标区域R,其中25<d<35,对区域R的像素值作第一次灰度直方图统计;
S132、设输入图像大小为M×N,对整个M×N图像区域的像素值做第二次灰度直方图统计;
S133、从最小灰度区间开始,将两次直方图统计中所有的对应灰度区间进行逐对比较,考察对应灰度区间统计值的相对大小,寻找统计值的相对变化小于图像总像素点数η倍的第一个灰度区间,将其中点的灰度值设置为种子阈值Troot;继续寻找统计值相对变化为零的第一个灰度区间,即两次统计值相等的第一个灰度区间,将其中点的灰度值设置为生长阈值Tgrow,其中,0.005≤η≤0.01。
进一步地,所述的步骤S2包括以下子步骤:
S21、设置一个目标链表,用来存储目标实体中的点的坐标,链表的每一个结点对应一个目标点坐标,初始时目标链表为空;设置一个大小为M×N的二值目标矩阵At,该矩阵每个元素对应于图像的每个像素点,其值表示该点是否为目标点,初始时目标矩阵的所有元素为0;设置一个大小为M×N的整数邻域矩阵Ab,该矩阵每个元素对应于图像的每个像素点,其值表示该点周围相邻的八个点中目标点的总个数,初始时邻域矩阵的所有元素为0;
S22、扫描目标区域R,将灰度值大于种子阈值Troot的像素点作为目标种子点,并将该点的坐标作为新结点添加至目标链表的尾部,再将目标矩阵At中该目标种子点所对应的元素值置为1,同时将该目标种子点周围相邻八个点在Ab中所对应的八个元素值均加1。
进一步地,所述的步骤S3包括以下子步骤:
S31、设定初始值为0的结点计数器;
S32、读取目标链表中的一个结点ai,每读取一个结点,结点计数器加1;
S33、考察ai对应目标点的相邻八个像素点,若某相邻像素点的灰度值大于生长阈值Tgrow且该像素点在目标矩阵At中的对应元素当前值为0,则将该相邻像素点在At中的对应元素值置为1,同时将该相邻像素点的坐标作为一新结点添加至目标链表的尾部,并将该相邻像素点周围相邻八个点在邻域矩阵Ab中所对应的八个元素值均加1;
S34、判断节点计数器的当前计数值与当前目标链表的长度,若当前计数值小于当前目标链表的长度,则转至步骤S32,否则结束操作。
进一步地,所述的步骤S4包括以下子步骤:
S41、设定初始值为0的结点计数器;
S42、读取目标链表中的一个结点ai,每读取一个结点,结点计数器加1;
S43、考察ai对应目标点的相邻八个像素点,若某相邻像素点在邻域矩阵Ab中所对应的值大于4且该点在目标矩阵At中的对应元素当前值为0,则将该相邻像素点在At中的对应元素值置为1,同时将该相邻像素点的坐标作为一新结点添加至目标链表的尾部,并将该相邻像素点周围相邻八个点在Ab中所对应的八个元素值均加1;
S44、判断节点计数器的当前计数值与当前目标链表的长度,若当前计数值小于当前目标链表的长度,则转至步骤S42,否则结束操作。
本发明的有益效果是:提供了一种基于灰度阈值的SAR目标提取方法,该方法目标提取精度高、速度快。在阈值确定中,勿需对目标和噪声的分布情况进行假设,克服了传统方法分割精度不高的问题;采用基于目标链表的两次生长方式来寻找目标,在保证精度的同时,大大抑制了目标提取中的虚警现象,避免了后续的“伪”目标去除处理,同时不需要像传统阈值法那样对所有像素进行扫描,从而提高了目标提取速度。
附图说明
图1为本发明实施例的原始SAR图像HB03807.000;
图2为本发明的快速目标提取方法流程图;
图3为本发明实施例的灰度直方图统计结果,其中图3(a)为本发明的区域R的像素作第一次灰度直方图,图3(b)为本发明对整个128×128的图像区域做第二次灰度直方图;
图4为本发明实施例在目标提取的不同阶段得到的目标图像,其中,图4(a)为步骤S2得到的目标图像,图4(b)为步骤S3得到的目标图像,图4(c)为步骤S4得到的目标图像;
图5为无后处理情况下对实施例图像进行目标提取的结果,其中,图5(a)为原始SAR图像,图5(b)为Ostu算法的目标提取结果图像,图5(c)为CFAR算法的目标提取结果图像,图5(d)为本发明算法第一次生长后得到的目标图像;
图6为有后处理情况下对实施例图像进行目标提取的结果,其中,图6(a)为原始SAR图像,图6(b)为Ostu算法加上后处理的目标提取结果图像,图6(c)为CFAR算法加上后处理的目标提取结果图像,图6(d)为本发明算法的最终目标提取结果图像;
图7为无后处理情况下对原始SAR图像HB03787.000进行目标提取的结果,其中,图7(a)为原始SAR图像,图7(b)为Ostu算法的目标提取结果图像,图7(c)为CFAR算法的目标提取结果图像,图7(d)为本发明算法第一次生长后得到的目标图像;
图8为有后处理情况下对原始SAR图像HB03787.000进行目标提取的结果,其中,图8(a)为原始SAR图像,图8(b)为Ostu算法加上后处理的目标提取结果图像,图8(c)为CFAR算法加上后处理的目标提取结果图像,图8(d)为本发明算法的最终目标提取结果图像。
具体实施方式
下面结合附图和具体实施例进一步描述本发明的技术方案。
本实施例以MSTAR数据库(Moving and Stationary Target Acquisition andRecognition,MSTAR)中原始SAR图像HB03807.000为例进行说明,该图像对应型号为SN9563的BMP2地面目标,成像的俯仰角为17°,如图1所示。
本发明提供一种用于SAR方位角估计的快速目标提取方法,其流程图如图2所示,该方法包括以下步骤:
S1、确定阈值:选取两个不同的图像区域,对其分别进行灰度直方图统计,然后通过两次直方图统计的相对变化,确定后续步骤所用的两个灰度阈值:种子阈值Troot和生长阈值Tgrow;具体包括以下子步骤:
S11、找出图像中灰度值最大的像素点,设其坐标为(x0,y0),对应的灰度值为Imax;本实施例中灰度值最大的像素点的坐标为(72,66),其对应的灰度值为Imax=174;
S12、对图像数据进行归一化处理:将图像每一个像素点的灰度值除以Imax;
S13、进行灰度直方图统计,包括以下步骤:
S131、取左上角为(x0-d,y0-d)、右下角为(x0+d,y0+d)的正方形目标区域R,其中25<d<35,对区域R的像素值作第一次灰度直方图统计,本实施例取d=30,目标区域R的左上角为(42,36),右下角为(102,96),对R内的像素值作第一次灰度直方图统计,其结果如图3(a)所示;
S132、设输入图像大小为M×N,对整个M×N图像区域的像素值做第二次灰度直方图统计;;本实施例中设输入图像大小为128×128,对整个128×128图像区域的像素值做第二次灰度直方图统计,其结果如图3(b)所示;
S133、从最小灰度区间开始,将两次直方图统计中所有的对应灰度区间进行逐对比较,考察对应灰度区间统计值的相对大小,寻找统计值的相对变化小于图像总像素点数η倍的第一个灰度区间,将其中点的灰度值设置为种子阈值Troot;继续寻找统计值相对变化为零的第一个灰度区间,即两次统计值相等的第一个灰度区间,将其中点的灰度值设置为生长阈值Tgrow,其中,0.005≤η≤0.01,本实施例中图像总像素点数为16384点,取η=0.005倍,得到Troot=0.165,Tgrow=0.105;
S2、添加目标种子:将图像中灰度值大于种子阈值Troot的像素点作为目标种子点,添加至目标链表;具体包括以下子步骤:
S21、设置一个目标链表,用来存储目标实体中的点(目标点)的坐标,链表的每一个结点对应一个目标点坐标,初始时目标链表为空;设置一个大小为128×128的二值目标矩阵At,该矩阵每个元素对应于图像的每个像素点,其值表示该点是否为目标点,初始时目标矩阵的所有元素为0;设置一个大小为128×128的整数邻域矩阵Ab,该矩阵每个元素对应于图像的每个像素点,其值表示该点周围相邻的八个点中目标点的总个数,初始时邻域矩阵的所有元素为0;
S22、扫描目标区域R,将灰度值大于种子阈值Troot的像素点作为目标种子点,并将该点的坐标作为新结点添加至目标链表的尾部,再将目标矩阵At中该目标种子点所对应的元素值置为1,同时将该目标种子点周围相邻八个点在Ab中所对应的八个元素值均加1;本实施例经过该步骤后得到目标链表长度为117,对应的目标图像如图4(a)所示;
S3、第一次生长:对当前目标链表中的种子点,将其周围灰度值大于生长阈值Tgrow的像素点作为新的目标种子点,添加至目标链表;对新添加的种子点,用同样的方式寻找新的目标种子点;具体包括以下子步骤:
S31、设定初始值为0的结点计数器;
S32、读取目标链表中的一个结点ai,每读取一个结点,结点计数器加1;
S33、考察ai对应目标点的相邻八个像素点,若某相邻像素点的灰度值大于生长阈值Tgrow且该像素点在目标矩阵At中的对应元素当前值为0,则将该相邻像素点在At中的对应元素值置为1,同时将该相邻像素点的坐标作为一新结点添加至目标链表的尾部,并将该相邻像素点周围相邻八个点在邻域矩阵Ab中所对应的八个元素值均加1;
S34、判断节点计数器的当前计数值与当前目标链表的长度,若当前计数值小于当前目标链表的长度,则转至步骤S32,否则结束操作;本实施例经过该步骤后得到目标链表长度为206,对应的目标图像如图4(b)所示;
S4、第二次生长:对当前目标链表中的种子点,将其周围满足设定的邻域条件的像素点作为新的目标种子点,添加至目标链表;对新添加的种子点,用同样的方式寻找新的目标种子点;具体包括以下步骤:
S41、设定初始值为0的结点计数器;
S42、读取目标链表中的一个结点ai,每读取一个结点,结点计数器加1;
S43、考察ai对应目标点的相邻八个像素点,若某相邻像素点在邻域矩阵Ab中所对应的值大于4且该点在目标矩阵At中的对应元素当前值为0,则将该相邻像素点在At中的对应元素值置为1,同时将该相邻像素点的坐标作为一新结点添加至目标链表的尾部,并将该相邻像素点周围相邻八个点在Ab中所对应的八个元素值均加1;
S44、判断节点计数器的当前计数值与当前目标链表的长度,若当前计数值小于当前目标链表的长度,则转至步骤S42,否则结束操作;
S5、获取目标:本实施例当前得到目标链表长度为293,将表示图像像素点是否为目标点的二值矩阵(目标矩阵)作为最终的目标图像输出,输出目标图像如图4(c)所示。
下面将本发明方法的目标提取效果与传统的Ostu法和CFAR法等进行比较。测试图像为目标提取难易程度不同的HB03807.000与HB03787.000两幅SAR图像,其中HB03807.000图像为本实施例图像,它的目标与背景灰度差别较大,容易区分,而HB03787.000图像的目标与背景灰度差别不明显,分割较困难。为更清楚地比较目标提取效果,实验中给出了无后处理和有后处理两种情况的结果比较。在无后处理情况,将本发明算法中的步骤S4去掉,用改后方法来与Ostu和CFAR法进行目标提取效果的比较;在有后处理情况,本文方法采用所提出的完整方法(即含有步骤S4),而Ostu和CFAR两种方法,则在分割后加入了滤波和实体填充等后处理步骤。
图5为无后处理情况下对实施例图像进行目标提取的结果,其中,图5(a)为原始SAR图像,图5(b)为Ostu算法的目标提取结果图像,图5(c)为CFAR算法的目标提取结果图像,图5(d)为本发明算法第一次生长后得到的目标图像。从图中可以看出,在目标与背景灰度差别较大,即目标比较明显时,三种方法都能将目标提取出来,但Ostu和CFAR两种方法,在目标的周围会识别出现一些“伪”目标。
图6为有后处理情况下对实施例图像进行目标提取的结果,其中,图6(a)为原始SAR图像,图6(b)为Ostu算法加上后处理的目标提取结果图像,图6(c)为CFAR算法加上后处理的目标提取结果图像,图6(d)为本发明算法的最终目标提取结果图像。可见,对Ostu和CFAR两种方法,“伪”目标基本除去了,但其目标边界很不规则,目标实体不如本文方法提取得饱满。
图7为无后处理情况下对原始SAR图像HB03787.000进行目标提取的结果,其中,图7(a)为原始SAR图像,图7(b)为Ostu算法的目标提取结果图像,图7(c)为CFAR算法的目标提取结果图像,图7(d)为本发明算法第一次生长后得到的目标图像。可以看出,在目标物与背景灰度差不明显时,Ostu法出现了严重的误判。在噪声干扰下,CFAR法也产生了很多虚警和漏警,使分割出的目标中含有很多非目标点。
图8为有后处理情况下对原始SAR图像HB03787.000进行目标提取的结果,其中,图8(a)为原始SAR图像,图8(b)为Ostu算法加上后处理的目标提取结果图像,图8(c)为CFAR算法加上后处理的目标提取结果图像,图8(d)为本发明算法的最终目标提取结果图像。Ostu法的效果仍然不理想,CFAR法却去除了一部分目标,而且在图像边界处仍存在“伪”目标点。本发明方法没有产生虚警,目标实体本身也提取得较完整。
下面将本发明方法提取目标的速度与传统方法进行比较。传统方法选取基于马尔可夫随机场统计模型的MRF方法、2009年《自然科学进展》发表的“基于全局活动轮廓模型的SAR图像分割方法”一文中提出的全局活动轮廓(Global Active Contour,GAC)分割方法,及Ostu和CFAR两种基于阈值分割的方法。对MSTAR数据库中SN9563系列的BMP2目标(共233幅图像)进行目标提取,表1列出了各方法对单幅图像的平均处理时间。测试机器为Intel(R)i3处理器,主频为2.53GHz。
表1各方法对单幅图像的平均处理时间(单位为秒)比较
可以看到,基于阈值的三种方法的处理速度明显快于基于统计模型的MRF方法和基于活动轮廓模型的GAC方法;而在基于阈值的方法中,本发明方法的速度又快于Ostu和CFAR。平均地,本发明方法目标提取速度是MRF的2171.70倍,是GAC的45.63倍。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.一种用于SAR方位角估计的快速目标提取方法,其特征在于,包括以下步骤:
S1、确定阈值:选取两个不同的图像区域,对其分别进行灰度直方图统计,然后通过两次直方图统计的相对变化,确定后续步骤所用的两个灰度阈值:种子阈值和生长阈值;
S2、添加目标种子:将图像中灰度值大于种子阈值的像素点作为目标种子点,添加至目标链表;
S3、第一次生长:对当前目标链表中的种子点,将其周围灰度值大于生长阈值的像素点作为新的目标种子点,添加至目标链表;对新添加的种子点,用同样的方式寻找新的目标种子点;
S4、第二次生长:对当前目标链表中的种子点,将其周围满足设定的邻域条件的像素点作为新的目标种子点,添加至目标链表;对新添加的种子点,用同样的方式寻找新的目标种子点;
S5、获取目标:将表示图像像素点是否为目标点的二值矩阵作为最终的目标图像输出。
2.根据权利要求1所述的快速目标提取方法,其特征在于,所述的步骤S1包括以下子步骤:
S11、找出图像中灰度值最大的像素点,设其坐标为(x0,y0),对应的灰度值为Imax;
S12、对图像数据进行归一化处理:将图像每一个像素点的灰度值除以Imax;
S13、进行灰度直方图统计,包括以下步骤:
S131、取左上角为(x0-d,y0-d)、右下角为(x0+d,y0+d)的正方形目标区域R,其中25<d<35,对区域R的像素值作第一次灰度直方图统计;
S132、设输入图像大小为M×N,对整个M×N图像区域的像素值做第二次灰度直方图统计;
S133、从最小灰度区间开始,将两次直方图统计中所有的对应灰度区间进行逐对比较,考察对应灰度区间统计值的相对大小,寻找统计值的相对变化小于图像总像素点数η倍的第一个灰度区间,将其中点的灰度值设置为种子阈值Troot;继续寻找统计值相对变化为零的第一个灰度区间,即两次统计值相等的第一个灰度区间,将其中点的灰度值设置为生长阈值Tgrow,其中,0.005≤η≤0.01。
3.根据权利要求2所述的快速目标提取方法,其特征在于,所述的步骤S2包括以下子步骤:
S21、设置一个目标链表,用来存储目标实体中的点的坐标,链表的每一个结点对应一个目标点坐标,初始时目标链表为空;设置一个大小为M×N的二值目标矩阵At,该矩阵每个元素对应于图像的每个像素点,其值表示该点是否为目标点,初始时目标矩阵的所有元素为0;设置一个大小为M×N的整数邻域矩阵Ab,该矩阵每个元素对应于图像的每个像素点,其值表示该像素点周围相邻的八个点中目标点的总个数,初始时邻域矩阵的所有元素为0;
S22、扫描目标区域R,将灰度值大于种子阈值Troot的像素点作为目标种子点,并将该点的坐标作为新结点添加至目标链表的尾部,再将目标矩阵At中该目标种子点所对应的元素值置为1,同时将该目标种子点周围相邻八个点在Ab中所对应的八个元素值均加1。
4.根据权利要求3所述的快速目标提取方法,其特征在于,所述的步骤S3包括以下子步骤:
S31、设定初始值为0的结点计数器;
S32、读取目标链表中的一个结点ai,每读取一个结点,结点计数器加1;
S33、考察ai对应目标点的相邻八个像素点,若某相邻像素点的灰度值大于生长阈值Tgrow且该像素点在目标矩阵At中的对应元素当前值为0,则将该相邻像素点在At中的对应元素值置为1,同时将该相邻像素点的坐标作为一新结点添加至目标链表的尾部,并将该相邻像素点周围相邻八个点在邻域矩阵Ab中所对应的八个元素值均加1;
S34、判断节点计数器的当前计数值与当前目标链表的长度,若当前计数值小于当前目标链表的长度,则转至步骤S32,否则结束操作。
5.根据权利要求4所述的快速目标提取方法,其特征在于,所述的步骤S4包括以下子步骤:
S41、设定初始值为0的结点计数器;
S42、读取目标链表中的一个结点ai,每读取一个结点,结点计数器加1;
S43、考察ai对应目标点的相邻八个像素点,若某相邻像素点在邻域矩阵Ab中所对应的值大于4且该点在目标矩阵At中的对应元素当前值为0,则将该相邻像素点在At中的对应元素值置为1,同时将该相邻像素点的坐标作为一新结点添加至目标链表的尾部,并将该相邻像素点周围相邻八个点在Ab中所对应的八个元素值均加1;
S44、判断节点计数器的当前计数值与当前目标链表的长度,若当前计数值小于当前目标链表的长度,则转至步骤S42,否则结束操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510259388.1A CN104881670B (zh) | 2015-05-20 | 2015-05-20 | 一种用于sar方位角估计的快速目标提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510259388.1A CN104881670B (zh) | 2015-05-20 | 2015-05-20 | 一种用于sar方位角估计的快速目标提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104881670A CN104881670A (zh) | 2015-09-02 |
CN104881670B true CN104881670B (zh) | 2018-03-13 |
Family
ID=53949157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510259388.1A Expired - Fee Related CN104881670B (zh) | 2015-05-20 | 2015-05-20 | 一种用于sar方位角估计的快速目标提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104881670B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296603B (zh) * | 2016-08-03 | 2019-03-05 | 哈尔滨工程大学 | 一种水下声纳图像的小目标检测方法 |
CN109766888B (zh) * | 2017-11-09 | 2022-12-16 | 天津理工大学 | 一种具有可控免疫生长域的红外图像目标提取方法 |
CN109344767B (zh) * | 2018-09-29 | 2021-09-28 | 重庆大学 | 一种基于多方位多特征协同表示的sar目标识别方法 |
CN109977964B (zh) * | 2019-02-25 | 2021-07-27 | 南京航空航天大学 | 一种基于深度生成模型的sar图像方位角特征提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6766037B1 (en) * | 1998-10-02 | 2004-07-20 | Canon Kabushiki Kaisha | Segmenting moving objects and determining their motion |
CN102194224A (zh) * | 2010-03-08 | 2011-09-21 | 王琛 | 一种光学遥感图像坦克群的识别方法 |
CN104091171A (zh) * | 2014-07-04 | 2014-10-08 | 华南理工大学 | 基于局部特征的车载远红外行人检测系统及方法 |
-
2015
- 2015-05-20 CN CN201510259388.1A patent/CN104881670B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6766037B1 (en) * | 1998-10-02 | 2004-07-20 | Canon Kabushiki Kaisha | Segmenting moving objects and determining their motion |
CN102194224A (zh) * | 2010-03-08 | 2011-09-21 | 王琛 | 一种光学遥感图像坦克群的识别方法 |
CN104091171A (zh) * | 2014-07-04 | 2014-10-08 | 华南理工大学 | 基于局部特征的车载远红外行人检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104881670A (zh) | 2015-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | An improved superpixel-level CFAR detection method for ship targets in high-resolution SAR images | |
CN109101897A (zh) | 水下机器人的目标检测方法、系统及相关设备 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN105160355B (zh) | 一种基于区域相关和视觉单词的遥感图像变化检测方法 | |
CN104881670B (zh) | 一种用于sar方位角估计的快速目标提取方法 | |
CN106709914A (zh) | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 | |
CN109359661B (zh) | 一种基于卷积神经网络的Sentinel-1雷达图像分类方法 | |
CN107092890A (zh) | 基于红外视频的舰船检测及跟踪方法 | |
CN107909002B (zh) | 基于海岸线匹配的红外遥感图像海陆分割方法 | |
CN111091095A (zh) | 一种遥感图像中船只目标的检测方法 | |
CN104240257A (zh) | 基于变化检测技术的sar图像舰船目标鉴别方法 | |
CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 | |
Wang et al. | Inshore ship detection using high-resolution synthetic aperture radar images based on maximally stable extremal region | |
CN110866926A (zh) | 一种红外遥感图像快速精细海陆分割方法 | |
CN110889843A (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
CN108399430A (zh) | 一种基于超像素和随机森林的sar图像舰船目标检测方法 | |
CN116051822A (zh) | 凹障碍的识别方法和装置、处理器及电子设备 | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
CN110232694B (zh) | 一种红外偏振热像阈值分割方法 | |
Sun et al. | Ship detection in SAR images based on multilevel superpixel segmentation and fuzzy fusion | |
CN115294322A (zh) | 水下船底可疑目标检测方法、装置、电子设备及可读介质 | |
CN111368865A (zh) | 遥感影像储油罐检测方法、装置、可读存储介质及设备 | |
CN112699842A (zh) | 宠物识别方法、装置、设备及计算机可读存储介质 | |
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 | |
CN111797940A (zh) | 一种基于海洋搜救的图像识别方法及相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180313 Termination date: 20210520 |