CN105427314A - 基于贝叶斯显著性的sar图像目标检测方法 - Google Patents
基于贝叶斯显著性的sar图像目标检测方法 Download PDFInfo
- Publication number
- CN105427314A CN105427314A CN201510817936.8A CN201510817936A CN105427314A CN 105427314 A CN105427314 A CN 105427314A CN 201510817936 A CN201510817936 A CN 201510817936A CN 105427314 A CN105427314 A CN 105427314A
- Authority
- CN
- China
- Prior art keywords
- pixel
- sar image
- likelihood
- original sar
- super
- 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
- 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
Abstract
本发明公开了一种基于贝叶斯显著性的SAR图像目标检测方法,主要解决现有SAR图像目标检测技术中检测准确率低及检测二值图上目标结构不完整的问题。其实现步骤为:对原始SAR图像进行超像素分割;利用超像素分割结果分别构建先验显著图、前景似然图、背景似然图;在贝叶斯框架下融合先验显著图、前景似然图、背景似然图的结果得到贝叶斯后验显著图;对该贝叶斯后验显著图进行分割得到含有疑似目标区域的二值图;对二值图进行聚类、虚警区域移除后在原始SAR图像上提取疑似目标切片,完成SAR图像目标检测。本发明相比于双参数CFAR检测具有检测准确率高和检测二值图上目标结构较完整的优点,适用于复杂场景下SAR图像目标检测。
Description
技术领域
本发明属于雷达目标检测领域,尤其涉及一种SAR图像目标检测方法,可用于地面车辆目标检测。
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时、全天候的观测。因而SAR成为目前对地观测和军事侦察的重要手段,SAR图像自动目标识别技术受到越来越广泛的关注。
SAR自动目标识别ATR技术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和部分人造杂波虚警;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SAR自动目标识别ATR中的第一步,其重要性不言而喻。如何准确并有效地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。
在现有的SAR图像目标检测方法中,双参数恒虚警CFAR检测算法应用最为广泛。
双参数CFAR检测算法是一种经典的像素级的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。虽然双参数CFAR是广泛应用的经典SAR图像目标检测算法,但其主要存在两方面的问题:首先,由于背景杂波的统计分布模型并不一定服从高斯分布,复杂场景下的SAR图像尤为明显,导致这种目标检测方法存在杂波统计模型参数估计不准确导致其容易产生虚警和漏警,目标检测准确率较低;其次,由于双参数CFAR是一种像素级的目标检测方法,没有考虑目标的结构信息,检测得到的二值图上目标像素点较离散、结构不完整,导致这种目标检测方法提取的疑似目标切片中存在大量的只切到部分目标的切片,且多数目标没有位于切片的中央,目标检测精度较低。
发明内容
本发明的目的在于针对上述现有技术的不足,提出了一种基于贝叶斯显著性的SAR图像目标检测方法,以减少虚警和漏警,提高SAR图像目标检测的准确率和精度。
实现上述目的的技术方案包括如下:
(1)对一幅尺寸为W×H的原始SAR图像A进行超像素分割,得到超像素{ri},i=1,...,N,其中,N为超像素的个数;
(2)对每个超像素rk计算其基于全局对比的先验显著度pg(rk),得到与原始SAR图像A尺寸相同的先验图C,并对先验图C进行最大值归一化处理得到先验显著图D;
(3)利用基于尺度选择的中心-周边差法,对原始SAR图像A进行处理得到似然显著图E,对似然显著图E分割得到标注原始SAR图像A的前景区域F和背景区域B的二值图V;
(4)分别统计原始SAR图像A的前景区域F和背景区域B的像素点的强度值出现的频率,得到前景强度直方图Hf和背景强度直方图Hb;
(5)分别根据前景强度直方图Hf和背景强度直方图Hb计算原始SAR图像A上每个像素点z(j)的前景似然概率值pf(z(j))和背景似然概率值pb(z(j)),其中,j=1,2,...,W×H,然后把原始SAR图像A每个像素点z(j)的前景似然概率值pf(z(j))和背景似然概率值pb(z(j))分别按照原始SAR图像A每个像素点z(j)所在的对应位置进行排列,得到与原始SAR图像A尺寸相同的前景似然图Mf和背景似然图Mb;
(6)在贝叶斯框架下根据先验显著图D、前景似然图Mf、背景似然图Mb,计算原始SAR图像A每个像素点z(j)的贝叶斯后验概率值pB(z(j)),其中,j=1,2,...,W×H,然后把每个像素点z(j)的贝叶斯后验概率值pB(z(j))按照原始SAR图像A每个像素点z(j)的对应位置进行排列,得到与原始SAR图像A尺寸相同的贝叶斯后验显著图P;
(7)对贝叶斯后验显著图P进行分割得到标注有贝叶斯后验显著图P前景和背景的二值图O;
(8)根据感兴趣的目标尺寸设置最大聚类距离dmax,用该最大聚类距离dmax对标注有贝叶斯后验显著图P前景和背景的二值图O进行聚类处理,得到聚类后的二值图Q;
(9)统计聚类后的二值图Q中每一聚类区域像素点个数,对聚类后的二值图Q中不满足目标面积要求的聚类进行置零操作,即去除虚警区域,得到去除虚警区域后的二值图Y;
(10)根据去除虚警区域后的二值图Y,在原始SAR图像A上进行切片提取处理,得到疑似目标切片,即原始SAR图像A最终的目标检测结果。
本发明与现有技术相比,具有以下优点:
1.检测准确率高
本发明是基于贝叶斯显著性的SAR图像目标检测方法,该方法与传统的双参数CFAR目标检测方法不同的是其不需要对杂波进行统计建模。本发明由于引入了超像素,使得构建SAR图像先验显著图时不是寻找显著的单个强散射点而是寻找显著的强散射区域-超像素,可以有效的防止目标像素的漏检;同时由于采用贝叶斯框架融合先验图和观测似然概率图得到贝叶斯显著图,可以综合考虑先验显著图和基于尺度选择的中心-周边差法得到的显著图的结果,贝叶斯显著图可以相对完整地凸显原先在原始SAR图像上离散的车辆目标,以及和目标强度相当的建筑物、树木等强杂波,最终可以采用聚类、去除虚警区域等后续操作将大部分不符合目标先验尺寸的建筑物、树木等杂波虚警去除,保留感兴趣的目标。
2.检测二值图上物体结构完整,检测精度高
本发明是基于贝叶斯显著性的SAR图像目标检测方法,由于超像素的引入以及贝叶斯框架融合两种显著图的原因使得其得到的二值图中目标结构相对完整,区域连通性较好,在聚类等后续处理中很容易将同一个目标聚为一类,而由聚类结果提取的切片中目标大多也位于切片的中心,检测精度较高,有利于SARATR的第二阶段-目标鉴别的特征提取。
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原始SAR图像;
图3是本发明方法对图2检测得到的去除虚警区域后的二值图;
图4是本发明方法对图2处理提取的疑似目标切片在图2对应位置上显示的结果;
图5是用传统的双参数CFAR检测方法图2检测得到的去除虚警区域后的二值图;
图6是用传统的双参数CFAR检测方法对图2提取的疑似目标切片在图2对应位置上显示的结果。
具体实施方式
以下结合附图对发明的实施例和效果作进一步详细描述。
参照图1,本发明的实现步骤如下:
步骤1,对一幅输入原始SAR图像A进行超像素分割。
超像素的概念是光学图像领域学者Ren等人于2003年首次提出的。所谓超像素,是指具有相似纹理、亮度、颜色等特征的相邻像素构成的图像块。
超像素分割是按照相似性准则将图像划分成具有特殊语义的不同超像素。利用图像中像素点之间的相似程度对像素点进行分组得到的超像素,不仅可以获得图像的结构信息,而且可以降低后续图像处理的复杂度。
在这里对SAR图像A进行超像素分割的目的有两个:一是为了得到具有结构信息的超像素块,避免传统CFAR检测方法仅仅考虑单个像素强度差异的弊端;二是为了给后续建立先验显著图、似然图等操作进行预处理并大大减少了后续处理的运算量。
光学图像领域应用最广泛的超像素分割算法是简单线性迭代聚类SLIC算法,虽然其在光学图像上应用效果良好,但是SAR图像与光学图像成像机理差异较大,SAR图像是基于散射体后向散射电磁波强度成像的,SAR图像受到斑点噪声等影响在其上的物体多成“点云”状,难以直接应用简单线性迭代聚类SLIC对其产生边界贴合度较好的超像素分割。因此,本发明采用了西安电子科技大学由王英华、余文毅等人于2015.06.03公开的公开号为CN104680181A的发明专利“基于似然比特征的SAR图像超像素分割方法”,对输入原始SAR图像A进行超像素分割。该方法是基于SAR图像的特点在传统的简单线性迭代聚类SLIC的基础上对其聚类时像素的相似性评价准则进行了改进,可以产生边界贴合度较好的SAR图像超像素分割结果,得到超像素{ri},i=1,...,N,其中,N为超像素的个数。
步骤2,构建先验显著图。
光学图像中现有的先验显著图的构建方法是由卢湖川等人于2014提出的基于局部对比的先验显著图构建法,而对于目标像素点较为离散的SAR图像先验显著图的构建来说,为了更完整地突出其上散射强度较高的目标,本实例采用由程明明等人于2015年发表的文章“GlobalContrastbasedSalientRegiondetection,Ming-MingChenget.al.,IEEETPAMI,2015”中的基于全局对比的先验显著图构建法,该方法的具体操作步骤如下:
2a)对每个超像素rk计算其基于全局对比的先验显著度pg(rk),得到与原始SAR图像A尺寸相同的先验图C,其中,超像素rk的基于全局对比的先验显著度pg(rk)的计算方式如下:
其中,Ds(rk,ri)表示第k个超像素与第i个超像素在空间上的欧氏距离,常数σs是空间欧氏距离加权对于第k个超像素先验显著度的贡献程度,其值越小第k个超像素与第i个超像素之间的空间欧氏距离对第k个超像素先验显著度的贡献越大;权值w(ri)是第i个超像素的像素点个数,其值越大说明对于第k个超像素的先验显著度贡献程度越高;Dr(rk,ri)是第k个超像素与第i个超像素强度分布直方图之间的欧氏距离,其主要表征两个超像素之间的强度差异,强度差异越大说明第k个超像素的先验显著度越高;
2b)对先验图C进行最大值归一化处理,得到先验显著图D,
其中,最大值归一化的计算公式为:IC(j)表示先验图C上的第j个像素点的强度,max(IC)表示先验图C上的最大强度值,ID(j)表示先验显著图D的第j个像素点的强度,由于先验图C的所有像素点的强度值都是非负数,因此,ID(j)的取值范围为0≤ID(j)≤1。
步骤3,基于尺度选择的中心-周边差法得到似然显著图E,并对该似然显著图进行分割,得到标注原始SAR图像A的前景区域F和背景区域B的二值图V。
似然显著图E的构建目的是将感兴趣的车辆目标凸显出来,同时压低不感兴趣的建筑物、树木、草地等杂波的强度。
光学图像中现有的似然显著图的构建方法是由卢湖川等人于2014年提出的基于“凸包”的构建方法,然而应用该方法构建大场景下的SAR图像的似然显著图是比较困难的。基于似然显著图E的构建的目的,杜兰、王兆成等于2015年02月18日公开了公开号为CN104361340A的发明专利“基于显著性检测和聚类的SAR图像目标快速检测方法”,其主要思想是充分利用感兴趣目标的尺寸先验信息,对原始SAR图像A建立强度通道高斯金字塔并根据目标尺寸对高斯金字塔的尺度进行选择,并根据选择的尺度对所选尺度下的SAR图像建立强度显著图。利用该方法构建强度显著图,并按步骤2b)中的方式进行归一化,得到似然显著图E,其中,似然显著图E的强度值IE取值范围为:0≤IE≤1;
3a)以步骤(1)中得到的原始SAR图像A的N个超像素区域{ri}为掩膜,对似然显著图E进行区域划分,得到区域{rE,i},i=1,2,...,N;
3b)计算似然显著图E上每个区域{rE,i}的强度均值{mE,i},i=1,2,...,N,即:
其中,Ii,j表示似然显著图E上区域rE,i的第j个像素点的强度,ni表示区域rE,i内的像素点个数;
3c)根据强度均值{mE,i}构建其强度频率分布直方图HE,找到其右截尾面积αE处所对应的强度值T,其中,0<αE<0.1,然后利用T作为阈值与似然显著图E上各个区域{rE,i}的强度均值{mE,i}进行比较:
若mE,i≥T,则对似然显著图E上第i个区域内的所有像素点置1,该区域为前景区域,若mE,i<T,则对似然显著图E上第i个区域内的所有像素点置0,该区域为背景区域。
在比较完所有区域{rE,i}与阈值T的上述关系后,即可得到与原始SAR图像A尺寸相同且标注原始SAR图像A的前景区域F和背景区域B的二值图V。
步骤4,构建前景强度直方图Hf和背景强度直方图Hb。
统计原始SAR图像A的前景区域F中0到255之间的强度值出现的次数{N1(z)},z=0,1,...,255,得到前景强度直方图Hf,同样,统计原始SAR图像A的背景区域B中0到255之间的强度值出现的次数{N0(z)},z=0,1,...,255,得到背景强度直方图Hb。
步骤5,构建前景似然图Mf和背景似然图Mb。
5a)根据前景强度直方图Hf,计算原始SAR图像A上每个像素点z(j)的前景似然概率值pf(z(j)):
其中,N1(z(j))为原始SAR图像A的第j个像素点强度值在前景强度直方图Hf中出现的次数,为前景区域F总像素点个数;
5b)根据背景强度直方图Hb,计算原始SAR图像A上每个像素点z(j)的背景似然概率值pb(z(j)):
其中,N0(z(j))为原始SAR图像A的第j个像素点强度值在背景强度直方图Hb中出现的次数,为背景区域B总像素点个数;
5c)把原始SAR图像A每个像素点z(j)的前景似然概率值pf(z(j))和背景似然概率值pb(z(j))分别按照原始SAR图像A每个像素点z(j)所在的对应位置进行排列,得到与原始SAR图像A尺寸相同的前景似然图Mf和背景似然图Mb。
步骤6,构建贝叶斯后验显著图P。
计算原始SAR图像A上的每个像素点z(j)的贝叶斯后验显著度p(z(j))按下式进行:
其中,p(ri(z(j)))是原始SAR图像A上的第j个像素点所在的超像素ri的先验显著度,1-p(ri(z(j)))是原始SAR图像A上的第j个像素点所在的超像素ri的先验非显著概率,pf(z(j))是原始SAR图像A上的第j个像素点的前景似然概率,pb(z(j))是原始SAR图像A上的第j个像素点的背景似然概率;
把每个像素点z(j)的贝叶斯后验概率值pB(z(j))按照原始SAR图像A每个像素点z(j)的对应位置进行排列,即得到与原始SAR图像A尺寸相同的贝叶斯后验显著图P。
步骤7,贝叶斯后验显著图P的分割。
对贝叶斯后验显著图P按步骤3a)-3c)的方式进行分割得到标注有贝叶斯后验显著图P的前景和背景的二值图O,其中,决定分割阈值的贝叶斯后验显著图P的直方图右截尾面积设为αP,0<αP<0.1。
步骤8,对标注有贝叶斯后验显著图P的前景和背景的二值图O进行聚类处理。
8a)根据感兴趣的目标最大先验尺寸设置聚类距离dmax;
8b)对步骤7中标注有贝叶斯后验显著图P的前景和背景的二值图O进行区域标定,其中,将二值图O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;
8c)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Q。
步骤9,去除虚警区域。
统计聚类后每一聚类区域像素点个数,对聚类后的二值图Q中不满足目标面积要求的聚类进行像素点置零操作,即去除虚警区域处理,得到去除虚警区域后的二值图Y;
9a)设感兴趣目标的实际最大真实长度为Lmax,宽度为Wmax,原始SAR图像A的距离维和方位维分辨率都为ΔR,目标区域的像素个数或面积S存在上界Smax,其表达式为:
目标区域面积S同时也存在下界,其表达式为:
其中,K是一个经验常数,本实例中其值取为5。
9b)遍历聚类后的二值图Q,对每个聚类区域统计像素点个数,作为该区域的面积S,若面积S满足S<Smin或者S>Smax,则该聚类各个像素点置零,去除该类,得到去除虚警区域后的二值图Y。
步骤10,切片提取处理,得到疑似目标切片。
10a)计算去除虚警区域后的二值图Y上每一聚类区域的质心坐标(cenx,ceny):
其中,x(b),y(b)为去除虚警区域后的二值图Y上每一类区域中每一像素点的坐标,b=1,2,...,Nb,Nb为去除虚警区域后的二值图Y上每一类区域的像素点个数;
10b)根据最大目标尺寸设置正方形切片的边长为Cs,在原始SAR图像A上以二值图Y上每一聚类区域的质心坐标(cenx,ceny)为中心,提取边长为Cs的正方形区域作为疑似目标切片,至此,SAR图像A的目标检测工作完成。
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:MATLABR2012a,Intel(R)Core(TM)i5-4590CPU3.3GHZ,Windows7旗舰版。
实验所用数据是美国SandiaMiniSAR数据集中MiniSAR20050519p0005image003实测高分辨率SAR图像数据,其分辨率为0.1016m×0.1016m,距离维像素点个数为1638,方位维像素点个数为2510,如图2所示,其中,虚线矩形区域为感兴趣的车辆目标区域。其他区域的建筑物、树木、草地都是不感兴趣的杂波。对于检测任务来说,希望检测出所有的车辆目标,同时尽可能的减少杂波虚警的产生。由图2可以看出,此SAR图像的信杂比是比较低的,同时车辆目标聚集程度很高。
实验中,本发明目标检测方法的参数设置:超像素分割的个数N=10000,先验图计算中控制空间距离加权的常数σs=50,似然显著图E的直方图右截尾面积为αE=0.02,贝叶斯后验图P的直方图右截尾面积为αP=0.08,最大目标区域面积Smax=1000,最小目标区域面积Smin=200,聚类距离dmax=47,切片大小Cs=128。
实验中,传统的双参数CFAR目标检测方法的参数设置:下采样次数r=2,控制CFAR虚警率的KCFAR=2.5,对应的虚警率为0.62%,保护窗半长mG=12,背景窗半长mB=13,最大目标区域面积最小目标区域面积目标最大长度thrLen=11,切片大小
2.实验内容:
实验1,用本发明检测方法对图2进行目标检测,其中,对图2进行处理得到的去除虚警区域后的二值图如图3所示,然后根据图3上各个聚类区域的质心位置对图2提取疑似目标切片如图4所示。
图3中的虚线椭圆表示难以去除的虚警区域,实线椭圆表示一处漏警车辆目标区域,由图3可以看出,大部分的建筑物虚警区域都被去除,保持了较为完整的车辆目标。
图4中矩形框表示疑似目标切片,实线椭圆表示一个漏警车辆目标,由图4可以看出建筑物区域没有虚警切片出现,同时多数车辆目标位于切片的中央。
实验2,用传统的双参数CFAR检测方法对图2进行目标检测,其中,对图2进行处理得到的去除虚警区域后的二值图如图5所示,然后根据图5上各个聚类区域的质心位置对图2提取疑似目标切片如图6所示。
图5中虚线椭圆表示难以去除的虚警区域,实线椭圆表示一处漏警车辆目标区域,可以看出二值图上存在不少的建筑物虚警区域,而大部分的车辆目标结构不完整。
图6中矩形框表示疑似目标切片,实线椭圆表示一个漏警车辆目标,可以看出建筑物区域存在大量的虚警切片,同时大部分车辆目标没有位于切片中心位置。
双参数CFAR检测的具体操作请参照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”。
实验1与实验2的切片级检测结果如表1:
表1本发明方法和双参数CFAR对图2切片级检测结果对比
由表1及图3-6的实验结果可以看出,针对实验所用的复杂场景下的实测SAR图像数据,本发明的检测方法相比于传统的双参数CFAR目标检测方法具有良好的性能:
第一,本发明方法检测得到的二值图上杂波结构较完整,由聚类、去除虚警区域等操作可以去除大量的建筑物、树木等杂波虚警,因此,本发明在保证较低的漏警数的同时其虚警切片数比传统的双参数CFAR要少;
第二,本发明方法检测得到的二值图上车辆目标结构较完整因而聚类精度更高,在不增加漏警的前提下,提取的目标切片数量较少,即减少了目标附近相互重叠的大量重复切片,可以降低后续鉴别以及识别的计算量,同时,其提取的目标切片中的车辆目标多位于切片的中央,便于后续提取鉴别特征。
综上,相比于传统的双参数CFAR目标检测方法本发明在复杂场景下具有更好的SAR图像目标检测能力,具有良好的应用前景。
Claims (7)
1.基于贝叶斯显著性的SAR图像目标检测方法,包括如下步骤:
(1)对一幅尺寸为W×H的原始SAR图像A进行超像素分割,得到超像素{ri},i=1,...,N,其中,N为超像素的个数;
(2)对每个超像素rk计算其基于全局对比的先验显著度pg(rk),得到与原始SAR图像A尺寸相同的先验图C,并对先验图C进行最大值归一化处理得到先验显著图D;
(3)利用基于尺度选择的中心-周边差法,对原始SAR图像A进行处理得到似然显著图E,对似然显著图E分割得到标注原始SAR图像A的前景区域F和背景区域B的二值图V;
(4)分别统计原始SAR图像A的前景区域F和背景区域B的像素点的强度值出现的频率,得到前景强度直方图Hf和背景强度直方图Hb;
(5)分别根据前景强度直方图Hf和背景强度直方图Hb计算原始SAR图像A上每个像素点z(j)的前景似然概率值pf(z(j))和背景似然概率值pb(z(j)),其中,j=1,2,...,W×H,然后把原始SAR图像A每个像素点z(j)的前景似然概率值pf(z(j))和背景似然概率值pb(z(j))分别按照原始SAR图像A每个像素点z(j)所在的对应位置进行排列,得到与原始SAR图像A尺寸相同的前景似然图Mf和背景似然图Mb;
(6)在贝叶斯框架下根据先验显著图D、前景似然图Mf、背景似然图Mb,计算原始SAR图像A每个像素点z(j)的贝叶斯后验概率值pB(z(j)),其中,j=1,2,...,W×H,然后把每个像素点z(j)的贝叶斯后验概率值pB(z(j))按照原始SAR图像A每个像素点z(j)的对应位置进行排列,得到与原始SAR图像A尺寸相同的贝叶斯后验显著图P;
(7)对贝叶斯后验显著图P进行分割得到标注有贝叶斯后验显著图P前景和背景的二值图O;
(8)根据感兴趣的目标尺寸设置最大聚类距离dmax,用该最大聚类距离dmax对标注有贝叶斯后验显著图P前景和背景的二值图O进行聚类处理,得到聚类后的二值图Q;
(9)统计聚类后的二值图Q中每一聚类区域像素点个数,对聚类后的二值图Q中不满足目标面积要求的聚类进行置零操作,即去除虚警区域,得到去除虚警区域后的二值图Y;
(10)根据去除虚警区域后的二值图Y,在原始SAR图像A上进行切片提取处理,得到疑似目标切片,即原始SAR图像A最终的目标检测结果。
2.根据权利要求1所述的方法,其中步骤(2)中对每个超像素rk计算其基于全局对比的先验显著度pg(rk),按下式进行:
其中,Ds(rk,ri)表示第k个超像素与第i个超像素在空间上的欧氏距离,σs是控制空间欧氏距离对于第k个超像素先验显著度的贡献程度的常数,w(ri)是第i个超像素的像素点个数,Dr(rk,ri)是第k个超像素与第i个超像素的强度分布直方图之间的欧氏距离。
3.根据权利要求1所述的方法,其中步骤(2)所述的对先验图C进行最大值归一化处理,按下式进行:
其中,IC(j)表示先验图C上的第j个像素点的强度,max(IC)表示先验图C上的最大强度值,ID(j)表示先验显著图D上第j个像素点的强度。
4.根据权利要求1所述的方法,其中步骤(3)中对似然显著图E分割得到标注原始SAR图像A的前景区域F和背景区域B的二值图V,按如下步骤进行:
3a)以步骤(1)中得到的原始SAR图像A的N个超像素区域{ri}为掩膜,对似然显著图E进行区域划分,得到区域{rE,i},i=1,2,...,N;
3b)计算似然显著图E上每个区域{rE,i}的强度均值{mE,i},i=1,2,...,N,即
其中,Ii,j表示似然显著图E上区域rE,i的第j个像素点的强度,ni表示区域rE,i内的像素点个数;
3c)根据强度均值{mE,i}构建其强度频率分布直方图HE,找到其右截尾面积αE处所对应的强度值T,其中,0<αE<0.1,然后利用T作为阈值与似然显著图E上各个区域{rE,i}的强度均值{mE,i}进行比较:
若mE,i≥T,则对似然显著图E上第i个区域内的所有像素点置1,该区域为前景区域,若mE,i<T,则对似然显著图E上第i个区域内的所有像素点置0,该区域为背景区域。
在比较完所有区域{rE,i}与阈值T的上述关系后,即可得到与原始SAR图像A尺寸相同且标注原始SAR图像A的前景区域F和背景区域B的二值图V。
5.根据权利要求1所述的方法,其中所述步骤(5)中计算原始SAR图像A上每个像素点z(j)的前景似然概率值pf(z(j)),按下式进行:
其中,N1(z(j))为原始SAR图像A的第j个像素点的强度值在前景强度直方图Hf中出现的次数,为前景区域F总像素点个数。
6.根据权利要求1所述的方法,其中所述步骤(5)中计算原始SAR图像A上每个像素点z(j)的背景似然概率值pb(z(j))的,按下式进行:
其中,N0(z(j))为原始SAR图像A的第j个像素点强度值在背景强度直方图Hb中出现的次数,为背景区域B总像素点个数。
7.根据权利要求1所述的方法,其中所述步骤(6)中计算原始SAR图像A每个像素点z(j)的贝叶斯后验显著度pB(z(j)),按下式进行:
其中,p(ri(z(j)))是原始SAR图像A上的第j个像素点所在的超像素ri的先验显著度,1-p(ri(z(j)))是原始SAR图像A上的第j个像素点所在的超像素ri的先验非显著概率,pf(z(j))是原始SAR图像A上的第j个像素点的前景似然概率,pb(z(j))是原始SAR图像A上的第j个像素点的背景似然概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510817936.8A CN105427314B (zh) | 2015-11-23 | 2015-11-23 | 基于贝叶斯显著性的sar图像目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510817936.8A CN105427314B (zh) | 2015-11-23 | 2015-11-23 | 基于贝叶斯显著性的sar图像目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105427314A true CN105427314A (zh) | 2016-03-23 |
CN105427314B CN105427314B (zh) | 2018-06-26 |
Family
ID=55505494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510817936.8A Active CN105427314B (zh) | 2015-11-23 | 2015-11-23 | 基于贝叶斯显著性的sar图像目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105427314B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127197A (zh) * | 2016-04-09 | 2016-11-16 | 北京交通大学 | 一种基于显著标签排序的图像显著性目标检测方法 |
CN106682679A (zh) * | 2016-06-24 | 2017-05-17 | 大连理工大学 | 一种基于水平集超像素和贝叶斯框架的显著性检测方法 |
CN106709463A (zh) * | 2016-12-29 | 2017-05-24 | 武汉大学 | 基于分层语义的sar图像分类方法 |
CN106780507A (zh) * | 2016-11-24 | 2017-05-31 | 西北工业大学 | 一种基于超像素分割的滑动窗口快速目标检测方法 |
CN106874917A (zh) * | 2017-02-22 | 2017-06-20 | 南京邮电大学 | 一种基于Harris角点的显著性目标检测方法 |
CN106960434A (zh) * | 2017-03-03 | 2017-07-18 | 大连理工大学 | 一种基于被包围状态和贝叶斯模型的图像显著性检测方法 |
CN107025672A (zh) * | 2017-03-30 | 2017-08-08 | 上海理工大学 | 一种基于改进凸包的显著性检测方法 |
CN107274401A (zh) * | 2017-06-22 | 2017-10-20 | 中国人民解放军海军航空工程学院 | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 |
CN107967492A (zh) * | 2017-12-18 | 2018-04-27 | 西北工业大学 | 一种结合似物性检测的贝叶斯显著性检测方法 |
CN108133218A (zh) * | 2017-12-14 | 2018-06-08 | 内蒙古科技大学 | 红外目标检测方法、设备及介质 |
CN109146001A (zh) * | 2018-09-14 | 2019-01-04 | 西安电子科技大学 | 多视角isar图像融合方法 |
CN109636784A (zh) * | 2018-12-06 | 2019-04-16 | 西安电子科技大学 | 基于最大邻域和超像素分割的图像显著性目标检测方法 |
CN109884607A (zh) * | 2019-03-21 | 2019-06-14 | 杭州电子科技大学 | 一种基于fpga的合成孔径地址码生成方法 |
CN110110618A (zh) * | 2019-04-22 | 2019-08-09 | 电子科技大学 | 一种基于pca和全局对比度的sar目标检测方法 |
CN111025296A (zh) * | 2019-12-27 | 2020-04-17 | 湖南华诺星空电子技术有限公司 | 一种基于车载雷达的路径规划方法 |
CN111624567A (zh) * | 2019-02-28 | 2020-09-04 | 杭州海康威视数字技术股份有限公司 | 一种恒虚警检测方法及装置 |
CN111666854A (zh) * | 2020-05-29 | 2020-09-15 | 武汉大学 | 融合统计显著性的高分辨率sar影像车辆目标检测方法 |
CN111680565A (zh) * | 2020-05-08 | 2020-09-18 | 湖北航天技术研究院总体设计所 | 一种基于sar图像的港口区域舰船目标检测方法 |
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 |
CN114519778A (zh) * | 2022-03-02 | 2022-05-20 | 中国科学院空天信息创新研究院 | 多角度sar数据的目标三维重构方法、装置、设备及介质 |
CN116258697A (zh) * | 2023-02-22 | 2023-06-13 | 浙江大学 | 基于粗标注的儿童皮肤病图像自动分类装置和方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361340A (zh) * | 2014-11-04 | 2015-02-18 | 西安电子科技大学 | 基于显著性检测和聚类的sar图像目标快速检测方法 |
-
2015
- 2015-11-23 CN CN201510817936.8A patent/CN105427314B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361340A (zh) * | 2014-11-04 | 2015-02-18 | 西安电子科技大学 | 基于显著性检测和聚类的sar图像目标快速检测方法 |
Non-Patent Citations (3)
Title |
---|
LAN DU等: "Robust statistical recognition and reconstruction scheme based on hierarchical Bayesian learning of HRR radar target signal", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
ZHAOCHENG WANG等: "Multi-scale target detection in SAR image based on visual attention model", 《SYNTHETIC APERTURE RADAR (APSAR), 2015 IEEE 5TH ASIA-PACIFIC CONFERENCE ON》 * |
谢惠杰等: "尺度自适应的SAR图像显著性检测方法", 《计算机工程与应用》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127197A (zh) * | 2016-04-09 | 2016-11-16 | 北京交通大学 | 一种基于显著标签排序的图像显著性目标检测方法 |
CN106682679A (zh) * | 2016-06-24 | 2017-05-17 | 大连理工大学 | 一种基于水平集超像素和贝叶斯框架的显著性检测方法 |
CN106682679B (zh) * | 2016-06-24 | 2019-08-09 | 大连理工大学 | 一种基于水平集超像素和贝叶斯框架的显著性检测方法 |
CN106780507B (zh) * | 2016-11-24 | 2019-05-10 | 西北工业大学 | 一种基于超像素分割的滑动窗口快速目标检测方法 |
CN106780507A (zh) * | 2016-11-24 | 2017-05-31 | 西北工业大学 | 一种基于超像素分割的滑动窗口快速目标检测方法 |
CN106709463A (zh) * | 2016-12-29 | 2017-05-24 | 武汉大学 | 基于分层语义的sar图像分类方法 |
CN106709463B (zh) * | 2016-12-29 | 2019-09-17 | 武汉大学 | 基于分层语义的sar图像分类方法 |
CN106874917A (zh) * | 2017-02-22 | 2017-06-20 | 南京邮电大学 | 一种基于Harris角点的显著性目标检测方法 |
CN106960434A (zh) * | 2017-03-03 | 2017-07-18 | 大连理工大学 | 一种基于被包围状态和贝叶斯模型的图像显著性检测方法 |
CN107025672A (zh) * | 2017-03-30 | 2017-08-08 | 上海理工大学 | 一种基于改进凸包的显著性检测方法 |
CN107274401A (zh) * | 2017-06-22 | 2017-10-20 | 中国人民解放军海军航空工程学院 | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 |
CN108133218A (zh) * | 2017-12-14 | 2018-06-08 | 内蒙古科技大学 | 红外目标检测方法、设备及介质 |
CN107967492A (zh) * | 2017-12-18 | 2018-04-27 | 西北工业大学 | 一种结合似物性检测的贝叶斯显著性检测方法 |
CN109146001A (zh) * | 2018-09-14 | 2019-01-04 | 西安电子科技大学 | 多视角isar图像融合方法 |
CN109146001B (zh) * | 2018-09-14 | 2021-09-10 | 西安电子科技大学 | 多视角isar图像融合方法 |
CN109636784A (zh) * | 2018-12-06 | 2019-04-16 | 西安电子科技大学 | 基于最大邻域和超像素分割的图像显著性目标检测方法 |
CN109636784B (zh) * | 2018-12-06 | 2021-07-27 | 西安电子科技大学 | 基于最大邻域和超像素分割的图像显著性目标检测方法 |
CN111624567A (zh) * | 2019-02-28 | 2020-09-04 | 杭州海康威视数字技术股份有限公司 | 一种恒虚警检测方法及装置 |
CN109884607A (zh) * | 2019-03-21 | 2019-06-14 | 杭州电子科技大学 | 一种基于fpga的合成孔径地址码生成方法 |
CN110110618A (zh) * | 2019-04-22 | 2019-08-09 | 电子科技大学 | 一种基于pca和全局对比度的sar目标检测方法 |
CN110110618B (zh) * | 2019-04-22 | 2022-10-14 | 电子科技大学 | 一种基于pca和全局对比度的sar目标检测方法 |
CN111025296A (zh) * | 2019-12-27 | 2020-04-17 | 湖南华诺星空电子技术有限公司 | 一种基于车载雷达的路径规划方法 |
CN111680565A (zh) * | 2020-05-08 | 2020-09-18 | 湖北航天技术研究院总体设计所 | 一种基于sar图像的港口区域舰船目标检测方法 |
CN111680565B (zh) * | 2020-05-08 | 2022-06-07 | 湖北航天技术研究院总体设计所 | 一种基于sar图像的港口区域舰船目标检测方法 |
CN111666854B (zh) * | 2020-05-29 | 2022-08-30 | 武汉大学 | 融合统计显著性的高分辨率sar影像车辆目标检测方法 |
CN111666854A (zh) * | 2020-05-29 | 2020-09-15 | 武汉大学 | 融合统计显著性的高分辨率sar影像车辆目标检测方法 |
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 |
CN114519778A (zh) * | 2022-03-02 | 2022-05-20 | 中国科学院空天信息创新研究院 | 多角度sar数据的目标三维重构方法、装置、设备及介质 |
CN114519778B (zh) * | 2022-03-02 | 2022-11-22 | 中国科学院空天信息创新研究院 | 多角度sar数据的目标三维重构方法、装置、设备及介质 |
CN116258697A (zh) * | 2023-02-22 | 2023-06-13 | 浙江大学 | 基于粗标注的儿童皮肤病图像自动分类装置和方法 |
CN116258697B (zh) * | 2023-02-22 | 2023-11-24 | 浙江大学 | 基于粗标注的儿童皮肤病图像自动分类装置和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105427314B (zh) | 2018-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105427314A (zh) | 基于贝叶斯显著性的sar图像目标检测方法 | |
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 | |
CN104361340B (zh) | 基于显著性检测和聚类的sar图像目标快速检测方法 | |
CN109583293B (zh) | 星载sar图像中的飞机目标检测与鉴别方法 | |
CN105261017B (zh) | 基于路面约束的图像分割法提取行人感兴趣区域的方法 | |
CN103500338B (zh) | 基于车载激光扫描点云的道路斑马线自动提取方法 | |
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN105608691B (zh) | 一种高分辨率sar影像单体建筑提取方法 | |
CN104463877B (zh) | 一种基于雷达影像与电子海图信息的岸线配准方法 | |
CN102945378B (zh) | 一种基于监督方法的遥感图像潜在目标区域检测方法 | |
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 | |
CN102968799A (zh) | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 | |
Wang et al. | An overview of 3d object detection | |
Yin et al. | Spherical coordinates based methods of ground extraction and objects segmentation using 3-D LiDAR sensor | |
CN110210418A (zh) | 一种基于信息交互和迁移学习的sar图像飞机目标检测方法 | |
Liu et al. | Multi-type road marking recognition using adaboost detection and extreme learning machine classification | |
CN105354824A (zh) | 基于区域提取的双参数恒虚警检测方法 | |
CN114463362A (zh) | 一种基于深度学习的三维避碰声呐障碍物检测方法及系统 | |
CN107463944B (zh) | 一种利用多时相高分辨率sar图像的道路信息提取方法 | |
Guo et al. | KD-tree-based euclidean clustering for tomographic SAR point cloud extraction and segmentation | |
Li et al. | Pedestrian liveness detection based on mmwave radar and camera fusion | |
Wang et al. | A deep deformable residual learning network for SAR image segmentation | |
CN102800101A (zh) | 一种星载红外遥感图像机场roi快速检测方法 | |
Ju et al. | A novel fully convolutional network based on marker-controlled watershed segmentation algorithm for industrial soot robot target segmentation | |
Sirmacek et al. | Road detection from remotely sensed images using color features |
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 |