CN105069775B - 基于傅里叶级数的sar图像船只检测方法 - Google Patents
基于傅里叶级数的sar图像船只检测方法 Download PDFInfo
- Publication number
- CN105069775B CN105069775B CN201510409323.0A CN201510409323A CN105069775B CN 105069775 B CN105069775 B CN 105069775B CN 201510409323 A CN201510409323 A CN 201510409323A CN 105069775 B CN105069775 B CN 105069775B
- Authority
- CN
- China
- Prior art keywords
- fourier space
- probability
- sea clutter
- distribution
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
基于傅里叶级数的SAR图像船只检测方法,该方法首先获得SAR图像数据值分布的概率分布函数f1(x)。对所述的概率分布函数进行以c为底的对数运算,得到f2(x);采用n阶傅里叶级数拟合f2(x),n阶的傅里叶级数表达式;对f3(x)做以c为底数、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);根据拟合的海杂波的概率分布函数f4(x)计算累积分布函数F(x);通过阈值判定为船只目标,否则为海杂波。通过本方式拟合的海杂波分布模型,其拟合数据精度较高。
Description
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检测算法等方面。可应用于渔业监管、船只监测等方面。
背景技术
合成孔径雷达(SAR)具有全天时、全天候、大范围的观测能力,已成为海洋监测的有效手段。基于SAR图像的船只检测是海洋监测系统中的重要环节,在海洋交通管理、环境保护、渔业管理、打击非法移民等应用中发挥着重要的作用[1]。基于海杂波分布概率密度函数的恒虚警率检测方法,是迄今为止发展的最成熟的船只检测方法,已被应用于很多实际的船只检测系统中[2]。该方法根据海杂波的概率分布函数(Probability DistributionFunction-PDF)计算累积分布函数(Cumulative Distribution Function-CDF),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图像的海杂波分布的概率分布函数。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,建立了相干斑幅度服从瑞利分布,强度服从负指数分布的模型[3]。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[4],进而在乘性模型框架下发展了K分布[5][6]、G0分布[7][8]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[9]、韦布尔分布[10]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,上述的海杂波拟合方法均不能较好的适用于各种情况[11,12]。
本发明提出基于傅里叶级数拟合海杂波的方法拟合优度优异,将傅里叶级数拟合的海杂波分布与CFAR方法相结合,针对高分辨率、复杂海况SAR图像,具有很好的船只检测效果。
参考文献
[1]Brusch S.,Lehner S.,Fritz T.,et al.Ship surveillance withTerraSAR-X[J].IEEE Transactions on Geoscience andRemote Sensing,2011,49(3):1092-1103.
[2]Crisp D J.The state-of-the-art in ship detection in syntheticaperture radar imagery[R].Defence ScienceAnd Technology OrganisationSalisbury(Australia)Info Sciences Lab,2004.
[3]Oliver C,Quegan S.Understanding synthetic aperture radar images[M].SciTech Publishing,2004.
[4]Ward K D.Compound representation of high resolution sea clutter[J].Electronics letters,1981,17(16):561-563.
[5]Ji Y,Zhang J,Meng J,et al.A new CFAR ship target detection methodin SAR imagery[J].Acta Oceanologica Sinica,2010,29(1):12-16.
[6]Jakeman E,Pusey P N.A model for non-Rayleigh sea echo[J].Antennasand Propagation,IEEE Transactions on,1976,24(6):806-814.
[7]Frery,A.C,Muller,H.-J.,Yanasse,C.C.F.,et al.A Model for ExtremelyHeterogeneous Clutter[J].IEEE Transactions On Geoscience And Remote Sensing,1997,35(3):648-659.
[8]鲁统臻,张杰,纪永刚等.基于G0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.Lu Tongzhen,Zhang Jie,Ji YongGang,etc.Ship TargetDetection Algorithm Based on G0Distribution for SAR Images under Rough SeaConditions[J].Advances In Marine Science,2011,29(2):186-195.
[9]W.Szajnowski.Estimators oflog-normal distribution parameters[J].IEEE Trans.Aerosp.Electron.Syst.,1977,AES-13(5):533–536.
[10]Tsagaris,V.,Vozikis,G.,et al.Ship detection modules based on ASARand terassar data for Greek areas of interest[C].IEEE 2nd InternationalConference on Space Technology(ICST),2011:1-4.
[11]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.
Li Yongchen,Liu Liu.Review of statistical models of SAR image[J].Computer Engineering andApplications,2013,49(13):180-186.
[12]Gao G.Statistical modeling of SAR images:A survey[J].Sensors,2010,10(1):775-795.
发明内容
本发明针对上述基本模型不适合高分辨率SAR图像的不足,提供一种基于傅里叶级数的SAR图像船只检测方法,具有很好的船只检测效果。
本发明的技术关键有:对获取后的海杂波分布函数进行取对数处理,使海杂波的拟合更加精准;采用傅里叶级数拟合取对数后的海杂波分布的概率分布函数。
为实现上述目的,本发明采用的技术方案具体实现步骤包括如下:
①获得SAR图像数据值分布的概率分布函数f1(x)。SAR图像进行滤波处理或不进行滤波处理;SAR图像数据值是后向散射系或是幅度值、强度值。
②对①所述的概率分布函数进行以c为底的对数运算,得到f2(x)。对c不做特别要求,推荐c=10。本操作的目的是为提高拟合精度,由经验可知,c=10更便于实际计算。
f2(x)=logc f1(x)
其中,f1(x)为SAR图像数值分布的概率分布函数;c为对f1(x)取对数的底数。
③采用n阶傅里叶级数拟合f2(x),n阶的傅里叶级数表达式:
(n定义为大于等于2、小于等于8的自然数)
其中,n为傅里叶级数的阶数,a0、ai、bi、ω为傅里叶级数的系数;
得到拟合函数f3(x)。在f2(x)中均匀采样100个数据点,n阶傅里叶级数有2n+2个未知量,当n取8时,未知量为18,100个采样数据点,足够进行函数拟合。为求解拟合函数提供一种方法,构造了超定方程,由于所用采样数据点十分丰富,因此得到超定方程的解及其贴近真实的海杂波分布,通过超定方程解出各项系数a0、ai、bi、ω。
④对f3(x)做以c为底数、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)。
通过①~④步操作,本发明利用傅里叶级数来拟合海杂波分布,a0、ai、bi、ω主要决定了拟合函数的形状,n在一定程度上决定了拟合的精度,由于海杂波具备自干扰的特性,因此n的取值并非越大越好。
⑤根据拟合的海杂波的概率分布函数f4(x)计算累积分布函数F(x),此处
⑥当虚警率Pfa为常数时,通过Pfa=1-F(Tn)求得阈值Tn。Pfa取值取决于对最后检测结果精度的要求,一般取0.0001,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。
通过本方式拟合的海杂波分布模型,其拟合数据精度较高,傅里叶级数模型拟合优度优异,将傅里叶级数拟合的海杂波分布与CFAR方法相结合,具有很好的船只检测效果。三角函数系具有正交性,傅里叶级数虽然只是简单的sin函数、cos函数的组合,但是其曲线可以较好的拟合海杂波的分布,是非常优异的海杂波拟合模型。
附图说明
图1是本发明的流程示意图;
图2是本发明具体实施例中所使用的Radarsat-2高分辨SAR图像;
图3是本发明拟合曲线图
图4是本发明具体实施例中检测结果;
图5是本发明具体实施方式中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。
下面将本发明方法各主要步骤的原理说明如下:
本实施例中n阶傅里叶级数取n=5。选用的SAR图像为图1。
①输入图像,进行归一化处理,将图像数据值值归一化到[0,1]。
②获得图像数据值分布的概率分布函数f1(x)。
③对f1(x)进行以10为底的对数运算,得到f2(x)。
f2(x)=log10f1(x)
④采用6阶傅里叶级数拟合f(x2),得到拟合函数f(x3)。在f(x2)中均匀采样100个数据点。构造超定方程,得到超定方程的解,从而解出各项系数a0、ai、bi、ω。
5阶的傅里叶级数表达式:
超定方程:
f(x)的系数为:
a0=-1.999 ω=0.015
a1=-4.924 b1=10.14
a2=4.542 b2=11.03
a3=8.604 b3=2.482
a4=3.417 b4=-2.506
a5=-0.02698 b5=-0.9755
采用RMSE,R-square评价拟合函数的拟合优度RMSE(均方根):计算公式如下
RMSE越接近于0,说明模型拟合效果越好
R-square(确定系数):计算公式如下
R-square越接近于0,说明模型拟合效果越好
拟合优度:
RMSE:0.2475 R-square:0.9928
⑤对f3(x)做以10为底数、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)。
拟合曲线如图3。
⑥根据拟合的海杂波的概率分布函数f4(x)计算累积分布密度F(x)。
⑦设虚警率Pfa=0.0001,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。
⑧将所得的结果与同步获取的AIS信息对比,得知检验结果。参考数据为AIS匹配数据图像如图5。
评价方法:
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
通过优异的FoM性能可知船只检测效果良好。
Claims (1)
1.基于傅里叶级数的SAR图像船只检测方法,其特征在于:
本方法采用的技术方案具体实现步骤包括如下,
①获得SAR图像数据值分布的概率分布函数f1(x);SAR图像进行滤波处理或不进行滤波处理;SAR图像数据值是后向散射系数、幅度值或强度值;
②对①所述的概率分布函数进行以c为底的对数运算,得到f2(x);c=10;
f2(x)=logc f1(x)
其中,f1(x)为SAR图像数值分布的概率分布函数;c为对f1(x)取对数的底数;
③采用n阶傅里叶级数拟合f2(x),n阶的傅里叶级数表达式:
其中n为大于等于2、小于等于8的自然数;
其中,n为傅里叶级数的阶数,a0、ai、bi、ω为傅里叶级数的系数;
得到拟合函数f3(x);为求解拟合函数提供一种方法,构造超定方程,由于所用采样数据点十分丰富,因此得到超定方程的解及其贴近真实的海杂波分布,通过超定方程解出各项系数a0、ai、bi、ω;
④对f3(x)做以c为底数、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);
通过①~④步操作,利用傅里叶级数来拟合海杂波分布,a0、ai、bi、ω决定了拟合函数的形状;
⑤根据拟合的海杂波的概率分布函数f4(x)计算累积分布函数F(x),此处
⑥当虚警率Pfa为常数时,通过Pfa=1-F(Tn)求得阈值Tn;Pfa取0.0001,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510409323.0A CN105069775B (zh) | 2015-07-13 | 2015-07-13 | 基于傅里叶级数的sar图像船只检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510409323.0A CN105069775B (zh) | 2015-07-13 | 2015-07-13 | 基于傅里叶级数的sar图像船只检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069775A CN105069775A (zh) | 2015-11-18 |
CN105069775B true CN105069775B (zh) | 2018-12-04 |
Family
ID=54499133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510409323.0A Active CN105069775B (zh) | 2015-07-13 | 2015-07-13 | 基于傅里叶级数的sar图像船只检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069775B (zh) |
Families Citing this family (1)
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718870A (zh) * | 2009-11-13 | 2010-06-02 | 西安电子科技大学 | 图像域的高速、微弱目标航迹检测方法 |
CN104361197A (zh) * | 2014-09-24 | 2015-02-18 | 杭州电子科技大学 | 基于舰船辐射噪声mfcc特征的水声目标识别方法 |
-
2015
- 2015-07-13 CN CN201510409323.0A patent/CN105069775B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718870A (zh) * | 2009-11-13 | 2010-06-02 | 西安电子科技大学 | 图像域的高速、微弱目标航迹检测方法 |
CN104361197A (zh) * | 2014-09-24 | 2015-02-18 | 杭州电子科技大学 | 基于舰船辐射噪声mfcc特征的水声目标识别方法 |
Non-Patent Citations (6)
Title |
---|
A new CFAR ship target detection method in SAR imagery;JI Yonggang,et al.;《Acta Oceanol》;20100131;第29卷(第1期);12-16 * |
SAR图像统计模型综述;李永晨,刘浏;《计算机工程与应用》;20130130;第49卷(第13期);180-186 * |
基于G0分布的高海况SAR 船只目标检测方法;鲁统臻等;《海洋科学进展》;20110430;第29卷(第2期);第187-190页,第1节和第2节 * |
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》;20141215;18-48 * |
采用不变矩傅氏级数表示的步态识别;袁海滨等;《中国图象图形学报》;20081231;第13卷(第12期);第2232页2.2.3节 * |
雷达相关杂波的建模与仿真研究;沈慧芳, 赖宏慧;《雷达科学与技术》;20091231;第7卷(第6期);447-451 * |
Also Published As
Publication number | Publication date |
---|---|
CN105069775A (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hou et al. | Multilayer CFAR detection of ship targets in very high resolution SAR images | |
CN106170819B (zh) | 一种合成孔径雷达图像舰船目标快速检测方法 | |
CA2883637C (en) | Method and apparatus for mapping and characterizing sea ice from airborne simultaneous dual frequency interferometric synthetic aperture radar (ifsar) measurements | |
CN102968799B (zh) | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
Yang et al. | A novel false alarm suppression method for CNN-based SAR ship detector | |
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 | |
JP2008292449A (ja) | 水中で対象物を検知し分類する自動目標識別システム | |
CN105160648B (zh) | 基于小波和恒虚警率的雷达目标及阴影分割方法 | |
CN104166838B (zh) | 基于多层cfar的分层高分辨sar图像舰船检测方法 | |
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 | |
Koppel et al. | Sentinel-1 for urban area monitoring—Analysing local-area statistics and interferometric coherence methods for buildings' detection | |
Magraner et al. | Detection in gamma-distributed nonhomogeneous backgrounds | |
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 | |
Li et al. | Building detection in sar images based on bi-dimensional empirical mode decomposition algorithm | |
CN105069775B (zh) | 基于傅里叶级数的sar图像船只检测方法 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
Ji et al. | A new CFAR ship target detection method in SAR imagery | |
Ruiz et al. | A quality control algorithm for the Osaka phased array weather radar | |
CN112989940A (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
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 | |
Wang et al. | An inshore ship detection method in SAR images based on contextual fluctuation information | |
CN104992159A (zh) | 基于高斯函数拟合海杂波的sar图像船只检测方法 | |
Fein-Ashley et al. | Benchmarking deep learning classifiers for sar automatic target recognition | |
Fiche et al. | Statistical analysis of low grazing angle high resolution X-band SAR sea clutter |
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 |