CN105046706B - 基于有理多项式函数拟合海杂波的sar图像船只检测方法 - Google Patents

基于有理多项式函数拟合海杂波的sar图像船只检测方法 Download PDF

Info

Publication number
CN105046706B
CN105046706B CN201510409663.3A CN201510409663A CN105046706B CN 105046706 B CN105046706 B CN 105046706B CN 201510409663 A CN201510409663 A CN 201510409663A CN 105046706 B CN105046706 B CN 105046706B
Authority
CN
China
Prior art keywords
function
value
sar image
fitting
probability
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
Application number
CN201510409663.3A
Other languages
English (en)
Other versions
CN105046706A (zh
Inventor
郎海涛
朱旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Chemical Technology
Original Assignee
Beijing University of Chemical Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN201510409663.3A priority Critical patent/CN105046706B/zh
Publication of CN105046706A publication Critical patent/CN105046706A/zh
Application granted granted Critical
Publication of CN105046706B publication Critical patent/CN105046706B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10032Satellite or aerial image; Remote sensing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20076Probabilistic image processing

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

基于有理多项式函数拟合海杂波的SAR图像船只检测方法,其具体步骤如下,输入SAR图像,获得SAR图像数据值的概率分布函数f1(x);对概率分布函数f1(x)进行以a为底的对数运算,得到概率分布函数f2(x);采用分子为n阶,分母为m阶的有理多项式函数拟合函数f2(x),得到拟合函数f3(x);对以a为底f3(x)为指数的运算,得到拟合后的海杂波概率分布函数f4(x),对f4(x)进行归一化处理,得到归一化后的概率分布函数f5(x);通过阈值则判定为船只目标,否则为海杂波。本发明具有更好的拟合优度,将有理多项式函数拟合的海杂波概率密度函数与CFAR方法相结合,具有更好的目标检测效果。

Description

基于有理多项式函数拟合海杂波的SAR图像船只检测方法
技术领域
本发明属于遥感图像处理技术领域,具体涉及图像处理、海杂波的拟合、 CFAR检测算法。可应用于渔业监管、船只监测等方面。
背景技术
基于SAR图像的船只检测是海洋监测系统中的重要环节,利用海杂波分布概率密度函数的恒虚警率检测方法,是迄今为止发展最成熟的船只检测方法,已被应用于很多船只检测系统中[1]。该方法根据海杂波的概率分布函数(PDF:Probability DistributionFunction)计算累积分布函数(CDF:Cumulative Distribution Function),并结合预先设定的恒虚警率(CFAR),自适应的计算检测阈值,将船只目标从海洋背景中检测出来。
该方法的核心是精确地拟合SAR图像中海杂波分布的概率密度函数。早期的海杂波统计基于SAR成像相干斑模型,从相干斑的统计特性出发,建立了相干斑幅度、强度分别服从瑞利分布、负指数分布的模型[2]。随着SAR成像分辨率的提高,图像中不仅存在相干斑,还存在纹理信息,Ward等证明了二者之间满足乘性关系,进而在乘性模型框架下发展了K分布[3]、GO分布[4]等模型。除了上述基于相干斑先验假设的海杂波统计模型外,还发展了通过对真实SAR图像数据统计建模实验的验证而获得的模型,主要包括对数正态分布[5]、韦布尔分布[6]等模型。受SAR入射角、极化方式不同,以及天气、风速、海况变化等内外因素的影响,海杂波在SAR图像中的统计分布具有较大的差异,上述的海杂波建模方法均不能较好的适用于各种情况[7]。
参考文献
[1]Crisp D J.The state-of-the-art in ship detection in syntheticaperture radar imagery[R].Defence Science And Technology OrganisationSalisbury(Australia)Info Sciences Lab,2004.
[2]Oliver C,QueganS.Understanding synthetic aperture radar images[M].SciTech Publishing,2004.
[3]Ji Y,Zhang J,Meng J,et al.A new CFAR ship target detection methodin SAR imagery[J]ActaOceanologicaSinica,2010,29(1):12-16.
[4]鲁统臻,张杰,纪永刚等.基于GO分布的高海况SAR船只目标检测方法[J] 海洋科学进展,2011,29(2):186-195.
[5]WSzajnowskiEstimators of log-normal distribution parameters[J]IEEETrans Aerosp Electron Syst,1977,AES-13(5):533-536.
[6]Tsagaris V VozikisGetal.Ship detection modules based on ASAR andterassar data for Greek areas of interest[C].IEEE 2nd InternationalConference on Space Technology(ICST),2011:1-4.
[7]李永晨,刘浏.SAR图像统计模型综述[J]计算机工程与应用,2013, 49(13):180-186.
发明内容
一种基于有理多项式函数拟合海杂波的SAR图像船只检测方法,其具体步骤如下:
S1输入SAR图像,获得SAR图像数据值的概率分布函数f1(x)。SAR图像可以进行滤波处理也可以不进行滤波处理;SAR图像数据值是幅度值或强度值。
S2对S1所述的概率分布函数f1(x)进行以a为底的对数运算,得到经过对数运算后的概率分布函数f2(x)。对a不做特别要求,定义a=10;本操作主要目的为提高拟合精度,由经验可知,c=10更便于实际计算;即f2(x)=logaf1(x)。
S3采用分子为n阶,分母为m阶的有理多项式函数拟合函数f2(x),得到拟合函数f3(x)。此处的拟合函数是从统计分布得来的,由于SAR图像数据分布符合有理数拟合,故用有理函数作为函数形式拟合数据;
其中x为图像的灰度值,8位SAR图像取值范围为[0,255],16位SAR图像取值范围为[0,65535]。pn,qm为拟合函数f3(x)中待求的参数。
本发明中,对于8位SAR图像优先推荐n=3、m=3;此处参数的选择是由大量检测得到的经验数值,对普遍的图片有很好的拟合效果;对于16位SAR图像优先推荐n=0、m=3。
在f2(x)中均匀采样s个点,组成以下超定方程组:
通过求解以上超定方程组可以得到方程中p1,p2…pn;q1,q2…qm的值,进而得到f3(x) 的表达式。
S4对以a为底f3(x)为指数的运算,得到拟合后的海杂波概率分布函数f4(x)。即
S5对f4(x)进行归一化处理,即按幅度或者强度值将其归一化到[0,1]区间。得到归一化后的概率分布函数f5(x)。
S6根据归一化后的概率分布函数f5(x)计算累积分布密度F(x),这里
S7当虚警率Pfa为常数时,通过Pfa=1-F(Tn)可以求得阈值Tn。对于检测区域中的数据值,若大于阈值Tn,则判定为船只目标,否则为海杂波。
本发明提出基于有理多项式函数拟合海杂波概率密度函数的方法相较于传统的基于K分布、韦布尔(Weibull)分布的海杂波建模方法具有更好的拟合优度,将有理多项式函数拟合的海杂波概率密度函数与CFAR方法相结合,具有更好的目标检测效果。
附图说明
图1:方法实施流程图;
图2:Radarsat-2高分辨率SAR图像;
图3:原始数据分布;
图4:取对数后的数据值及其拟合曲线;
图5:检测结果;
图6:SAR图像对应的AIS匹配检验图。
具体实施方式
下面通过实施例对本发明作进一步说明,但不应以此限制本发明的保护范围。
其具体步骤如下:
S1输入高分辨率SAR图像(图2),获得SAR图像数据值的概率分布函数 f1(x)。
S2对S1所述的函数f1(x)进行以a为底的对数运算,得到对数运算后的函数f2(x)。此处取a=10,即f2(x)=log10f1(x)。
S3采用分子为0阶,分母为3阶的有理多项式函数拟合函数f2(x),得到拟合函数f3(x),这里
在中均匀采样100个点,组成以下超定方程组:
通过求解以上超定方程组可以得到方程中各参数的值:
p1=1.452e+07
q1=-2.591e+04
q2=1.393e+06
q3=-3.746e+05
进而得到的最终的拟合表达式。
拟合优度评价标准如下:
S3.1确定系数R-square:介绍R-square先介绍另外两个参数SSR和SST,因为确定系数就是由它们两个决定的。
S3.1.1 SSR(Sum of squares of the regression)即预测数据f4(xi)与原始数据均值之差的平方和,公式如下:
S3.1.2 SST(Total sum of squares)即原始数据f1(xi)和原始数据均值之差的平方和,公式如下:
“确定系数”是定义为SSR和SST的比值,故
“确定系数”是通过数据的变化来表征一个拟合的好坏。由上面的表达式可以知道“确定系数”的正常取值范围为[0,1],越接近1,表明这个拟合函数对数据拟合的越好。这里R-square为0.9899。
S4对f3(x)做以a为低,f3(x)为指数的指数运算,得到拟合后的海杂波概率分布函数f4(x)。这里a取10,即
S5对f4(x)进行归一化处理,即按幅度或者强度值将其归一化到[0,1]区间。得到归一化后的概率分布函数f5(x)。
S6根据拟合的海杂波的概率分布函数f5(x)计算累积分布函数F(x),这里
S7当虚警率Pfa为0.0001时,通过Pfa=1-F(Tn)可以求得阈值Tn=0.1117。对于检测区域中的数据值,若大于阈值Tn,则判定为船只目标,否则为海杂波。
S8将所得的结果与同步获取的AIS(Automatic Identification System)信息对比,得知检验结果的正确性。其中,算法性能根据正确检测目标数,漏检目标数,虚警目标数进行评价,参考品质因数(FoM)指标参数,其定义为:其中:Ntt为检测结果中正确的检测目标数,Nfa为虚警目标数,Ngt为实际的目标数。
Ntt=27,Nfa=0,Ngt=27
通过FoM的优异的性能,可以看出,船只检测效果良好。
图1的来源及信息:(图片由Radarsat-2提供)

Claims (1)

1.基于有理多项式函数拟合海杂波的SAR图像船只检测方法,其特征在于:其具体步骤如下,
S1输入SAR图像,获得SAR图像数据值的概率分布函数f1(x);SAR图像进行滤波处理也可以不进行滤波处理;SAR图像数据值是幅度值或强度值;
S2对S1所述的概率分布函数f1(x)进行以a为底的对数运算,得到经过对数运算后的概率分布函数f2(x);对a不做特别要求,定义a=10,即f2(x)=log10f1(x);
S3采用分子为n阶,分母为m阶的有理多项式函数拟合函数f2(x),得到拟合函数f3(x);此处的拟合函数是从统计分布得来的,由于SAR图像数据分布符合有理数拟合,故用有理函数作为函数形式拟合数据;
其中x为图像的灰度值,8位SAR图像取值范围为[0,255],16位SAR图像取值范围为[0,65535];pn,qm为拟合函数f3(x)中待求的参数;
本方法中,对于8位SAR图像,n=3、m=3;此处参数的选择是由大量检测得到的经验数值,对普遍的图片有很好的拟合效果;对于16位SAR图像,n=0、m=3;
在f2(x)中均匀采样s个点,组成以下超定方程组:
通过求解以上超定方程组得到方程中p1,p2…pn;q1,q2…qm的值,进而得到f3(x)的表达式;
S4对以a为底f3(x)为指数的运算,得到拟合后的海杂波概率分布函数f4(x);即
S5对f4(x)进行归一化处理,即按幅度值或者强度值将其归一化到[0,1]区间;得到归一化后的概率分布函数f5(x);
S6根据归一化后的概率分布函数f5(x)计算累积分布密度F(x),这里
S7当虚警率Pfa为常数时,通过Pfa=1-F(Tn)可以求得阈值Tn;对于检测区域中的数据值,若大于阈值Tn,则判定为船只目标,否则为海杂波。
CN201510409663.3A 2015-07-13 2015-07-13 基于有理多项式函数拟合海杂波的sar图像船只检测方法 Active CN105046706B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510409663.3A CN105046706B (zh) 2015-07-13 2015-07-13 基于有理多项式函数拟合海杂波的sar图像船只检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510409663.3A CN105046706B (zh) 2015-07-13 2015-07-13 基于有理多项式函数拟合海杂波的sar图像船只检测方法

Publications (2)

Publication Number Publication Date
CN105046706A CN105046706A (zh) 2015-11-11
CN105046706B true CN105046706B (zh) 2019-01-29

Family

ID=54453224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510409663.3A Active CN105046706B (zh) 2015-07-13 2015-07-13 基于有理多项式函数拟合海杂波的sar图像船只检测方法

Country Status (1)

Country Link
CN (1) CN105046706B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107728121B (zh) * 2017-08-30 2020-04-10 西安空间无线电技术研究所 一种基于可变窗的局部拟合优度检验方法
CN112991373A (zh) * 2021-02-26 2021-06-18 成都正和德能风险管理咨询有限公司 一种水灾损失评估方法及系统
CN112883329B (zh) * 2021-03-18 2022-03-08 中国海洋大学 一种混合双峰非高斯响应幅值概率分布模型
CN113052117B (zh) * 2021-04-06 2022-11-08 合肥工业大学 一种ais数据辅助的sar图像的瑞利cfar检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101493520A (zh) * 2009-01-16 2009-07-29 北京航空航天大学 一种基于二维Gamma分布的SAR图像变化检测方法
CN102024253A (zh) * 2009-09-23 2011-04-20 中国科学院电子学研究所 一种自适应生成sar图像统计分布的方法
CN102208017A (zh) * 2011-05-30 2011-10-05 西安电子科技大学 基于高分辨率合成孔径雷达图像的舰船检测方法
CN102938150A (zh) * 2012-11-20 2013-02-20 西安电子科技大学 基于自适应海杂波统计的sar图像舰船检测方法
CN103971370A (zh) * 2014-05-15 2014-08-06 中国科学院遥感与数字地球研究所 一种针对遥感大图像的海洋溢油智能检测方法
CN104537675A (zh) * 2015-01-10 2015-04-22 中国人民解放军国防科学技术大学 一种sar图像双边cfar舰船目标检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101493520A (zh) * 2009-01-16 2009-07-29 北京航空航天大学 一种基于二维Gamma分布的SAR图像变化检测方法
CN102024253A (zh) * 2009-09-23 2011-04-20 中国科学院电子学研究所 一种自适应生成sar图像统计分布的方法
CN102208017A (zh) * 2011-05-30 2011-10-05 西安电子科技大学 基于高分辨率合成孔径雷达图像的舰船检测方法
CN102938150A (zh) * 2012-11-20 2013-02-20 西安电子科技大学 基于自适应海杂波统计的sar图像舰船检测方法
CN103971370A (zh) * 2014-05-15 2014-08-06 中国科学院遥感与数字地球研究所 一种针对遥感大图像的海洋溢油智能检测方法
CN104537675A (zh) * 2015-01-10 2015-04-22 中国人民解放军国防科学技术大学 一种sar图像双边cfar舰船目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于模型相似度拟合的海杂波统计方法";赵荻 等;《海洋学报》;20150531;第37卷(第5期);112-120
"水陆交界区域SAR图像舰船目标检测技术";阚瀛芝;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141215(第12期);第2.3.3节、第3章

Also Published As

Publication number Publication date
CN105046706A (zh) 2015-11-11

Similar Documents

Publication Publication Date Title
Cordoba et al. Diagnosing atmospheric motion vector observation errors for an operational high‐resolution data assimilation system
CN107808383B (zh) 一种强海杂波下sar图像目标快速检测方法
CA2883637C (en) Method and apparatus for mapping and characterizing sea ice from airborne simultaneous dual frequency interferometric synthetic aperture radar (ifsar) measurements
CN103971127B (zh) 一种前视雷达成像海面目标关键点检测识别方法
CN105046706B (zh) 基于有理多项式函数拟合海杂波的sar图像船只检测方法
CN101727662A (zh) Sar图像非局部均值去斑方法
CN108171193B (zh) 基于超像素局部信息度量的极化sar舰船目标检测方法
CN110221266B (zh) 一种基于支持向量机的航海雷达目标快速检测方法
CN101881826A (zh) 扫描模式海杂波局部多重分形目标检测器
CN107255818A (zh) 一种两维多特征融合的水下目标快速检测方法
CN108133468B (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
JP6773606B2 (ja) レーダ装置及びそのレーダ信号処理方法
CN104834915A (zh) 一种复杂云天背景下小红外目标检测方法
CN108230375A (zh) 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法
Magraner et al. Detection in gamma-distributed nonhomogeneous backgrounds
CN106646469A (zh) 基于变异系数法的sar船只检测优化方法
Alves et al. A statistical analysis for wavelength-resolution SAR image stacks
CN105046707B (zh) 基于n阶多项式函数拟合海杂波的SAR图像船只检测方法
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
KR101770742B1 (ko) 클러터를 억제하는 표적 탐지 장치 및 그 방법
CN105204010A (zh) 低信杂比合成孔径雷达图像的地物目标检测方法
Fiche et al. Statistical analysis of low grazing angle high resolution X-band SAR sea clutter
Rosenberg et al. Characterisation of the tri-modal discrete sea clutter model
CN104992159A (zh) 基于高斯函数拟合海杂波的sar图像船只检测方法
Debes Advances in detection and classification for through-the-wall radar imaging

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