CN105447488A - 基于素描线段拓扑结构的sar图像目标检测方法 - Google Patents
基于素描线段拓扑结构的sar图像目标检测方法 Download PDFInfo
- Publication number
- CN105447488A CN105447488A CN201510938357.9A CN201510938357A CN105447488A CN 105447488 A CN105447488 A CN 105447488A CN 201510938357 A CN201510938357 A CN 201510938357A CN 105447488 A CN105447488 A CN 105447488A
- Authority
- CN
- China
- Prior art keywords
- line segment
- sketch
- region
- sar image
- pixel
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
Abstract
本发明公开了一种基于素描线段拓扑结构的SAR图像目标检测方法,主要解决现有技术虚警率高的问题。其实现步骤是:1.根据SAR图像素描模型提取素描图,得到素描线段集合;2.构造素描线段的自适应几何结构窗口,计算素描线段的规整度和规整比率;3.选取种子线段集合;4.以种子线段的自适应几何结构窗口为基准进行区域扩充,提取素描图上的规整区域和SAR图像上对应的候选目标区域;5.剔除虚警目标区域,得到人工目标区域集合;6.构造人工目标区域的观测矩阵;7.采用低秩分解方法定位人工目标,实现SAR图像目标的检测。本发明降低了候选目标区域中的虚警目标比例,能有效的对SAR图像中不同类型的人工目标进行检测。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及一种SAR图像的目标检测方法,可用于后续SAR图像的目标定位与识别。
背景技术
合成孔径雷达SAR图像的目标检测主要是利用目标和背景在纹理与后向散射强度统计特性上的差异,从原始SAR图像中检测和提取出包含潜在目标的感兴趣区域,并在感兴趣区域中对人工目标进行定位,实现目标与背景的分离。SAR图像目标检测是进一步实现目标识别和跟踪的前提,是计算机视觉和智能控制等领域的热点研究课题。
目前,SAR图像的目标检测中最常用的方法是恒虚警率CFAR检测算法,CFAR以其简单、快速、实时性强的特点而被广泛应用于SAR图像目标检测中。其它可用于SAR图像目标检测的方法主要有以下三种:
一是用于检测SAR图像中具有特定尺寸地面目标的基于扩展分形的目标检测方法,二是利用BP神经网络进行舰船目标的检测与分类的方法,三是基于先验知识的SAR图像目标检测方法,这些方法都是根据不同类型的目标在SAR图像上的表征形式对目标建模来进行目标检测,是针对特定类型目标进行检测,对SAR图像的先验信息如目标的类型尺寸以及背景杂波的统计分布模型具有较大的依赖性。
近期刘芳、宋建梅提出了一种基于PrimalSketch算法的SAR图像目标检测方法(专利申请号201110102855.1,公开号CN102129559A)。该方法首先使用PrimalSketch模型得到表示原SAR图像稀疏结构信息的线段集合;根据人工目标的规整性特征对所有在PrimalSketch稀疏表示域上的线段定义规整度等属性集;然后根据线段属性选取种子线段集,并对种子线段按照一定的规则进行生长提取出候选目标区域;最后根据这些已检测到的候选目标区域的规整度和线密度,选择出感兴趣的目标区域,最终完成对目标的检测。该方法虽然可以较彻底的检测到桥梁、港口、建筑等不同类型的人工目标,适用于目标类型多且大小不一致的SAR图像目标检测,具有较强的通用性,但是由于该方法所使用的PrimalSketch模型是针对光学图像的压缩重构设计的,并不能很恰当的表征SAR图像中的边线特征,而且该方法使用递归的规则进行区域生长,在递归生长过程中线段误差的叠加,使得检测到的目标区域中包含较大比例的森林、土地和田野等虚警目标,影响了目标检测结果的准确性。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于素描线段拓扑结构的SAR图像目标检测方法,以提高后续SAR图像目标定位与识别的准确性。
为实现上述目的,本发明的技术方案如下:
(1)素描化SAR图像得到素描图,按照素描图中素描点的位置得到用来表示SAR图像稀疏结构信息的素描线段Si,i=1,...,n,n为素描线段的总条数;
(2)构造素描线段的自适应几何结构窗口,计算规整度Ri和规整比率RTi;
(3)根据规整度Ri的大小对素描线段Si进行排序,选取规整度大于阈值δ的素描线段构成种子线段集合E;
(4)定义区域扩充规则,以种子线段集合E中的每一条种子线段Ej的自适应几何结构窗口为基准进行区域扩充,将得到的矩形区域作为素描图上的规整区域,并将其映射在SAR图像上的区域作为候选目标区域;
(5)采用规整区域的线密度和候选目标区域的灰度方差特征,剔除虚警目标区域,得到人工目标区域集合;
(6)构造人工目标区域的观测矩阵;
(7)采用低秩分解的方法对观测矩阵进行分解,定位人工目标,得到最终的人工目标检测结果。
本发明与现有技术相比具有如下优点:
1.本发明采用SAR图像的素描模型,能够得到更好表示SAR图像稀疏结构特征的素描线段集合。
2.本发明所构造的自适应几何结构窗口,能够更好的表示素描线段邻域内的规整拓扑结构关系。
3.本发明在区域扩充时采用非递归策略,减少了在区域扩充时加入规整线段集合中的素描线段与种子线段之间的累积误差,使得候选目标区域中虚警目标的比例降低,能得到较为准确的目标检测结果。
附图说明
图1是本发明的实现流程图;
图2是本发明仿真实验使用的SAR原图像;
图3是本发明中根据SAR原图像的素描模型提取的素描图;
图4是本发明中素描线段的自适应几何结构窗口示意图;
图5是本发明的仿真实验得到的港口目标;
图6是本发明的仿真实验得到的桥梁目标;
图7是本发明的仿真实验得到的建筑物目标;
图8是本发明的仿真实验得到的虚警目标;
图9是本发明的仿真实验得到的目标检测结果图。
具体实施方式
以下结合附图对本发明实施例和效果做进一步说明。
参照图1,本发明的具体实施步骤如下:
步骤1,根据SAR素描模型素描化SAR图像,得到素描图。
所述的SAR素描模型,参见Jie-Wu等人于2014年发表在IEEETransactionsonGeoscienceandRemoteSensing杂志上的文章《LocalmaximalhomogenousregionsearchforSARspecklereductionwithsketch-basedgeometricalkernelfunction》,按照文中所述的SAR素描模型,提取SAR图像的素描图步骤如下:
(1.1)构造具有不同方向和尺度的边、线模板,并利用模板的方向和尺度信息构造各向异性高斯函数来计算该模板中每一点的加权系数,其中尺度个数取值为3~5,方向个数取值为18;
(1.2)输入图2所示的SAR图像,按照下式,计算模板不同区域对应在输入SAR图像中像素的均值和方差:
其中,μ表示区域Ω对应在输入SAR图像中像素的均值,Ω表示模板中的一个区域,g表示区域Ω中一个像素点的位置,∈表示属于符号,wg表示区域Ω中位置g处的权重系数,wg的取值范围为wg∈[0,1],Ag表示区域Ω中位置g对应在输入SAR图像中的像素值,ν表示区域Ω对应在输入SAR图像中像素的方差;
(1.3)计算输入SAR图像中每个像素对比值算子的响应值:
其中,R表示输入SAR图像中每个像素对比值算子的响应值,min{·}表示求最小值操作,a和b分别表示模板中任意两个不同区域的编号,μa和μb分别为根据(1.2)得到的表示区域a和区域b的输入SAR图像中对应像素的均值;
(1.4)计算输入SAR图像中每个像素对相关性算子的响应值:
其中,C表示合成孔径雷达SAR图像中每个像素对相关性算子的响应值,a和b分别表示模板中任意两个不同区域的编号,va和vb分别表示根据(1.2)得到的区域a和区域b对应在输入SAR图像中像素的方差,μa和μb分别表示根据(1.2)得到的区域a和区域b对应在输入SAR图像中像素的均值;
(1.5)根据(1.3)和(1.4)得到的结果,计算输入SAR图像中每个像素对各个模板的响应值:
其中,F表示输入SAR图像中每个像素对各个模板的响应值,R和C分别表示输入SAR图像中像素对比值算子和相关性算子的响应值;
(1.6)选择具有最大响应值的模板作为输入SAR图像中像素的模板,并将最大响应值作为该像素的强度,将具有最大响应值的模板的方向作为该像素的方向,获得输入图像的边线响应图和方向图;
(1.7)利用输入SAR图像中每个像素所选择的模板,获得其对应的的梯度图;
(1.8)按照下式,将边线响应图和梯度图归一化到[0,1]并进行融合,得到强度图:
其中,I表示强度图中的强度值,X表示边线响应图中的值,Y表示梯度图中的值;
(1.9)采用非极大值抑制方法,对强度图进行检测,得到建议草图;
(1.10)选取建议草图中具有最大强度的像素,将建议草图中与该最大强度的像素连通的像素连接形成建议线段,得到建议素描图;
(1.11)按照下式,计算建议素描图中素描线的编码长度增益CLG:
其中,CLG表示建议素描图中素描线的编码长度增益,p表示当前素描线邻域中像素的个数,t表示当前素描线邻域中像素的编号,At表示当前素描线邻域中第t个像素的观测值,At,0表示在当前素描线不能表示结构信息的假设下,该素描线邻域中第t个像素的估计值,ln(·)表示以e为底的对数操作,At,1表示在当前素描线能够表示结构信息的假设下,该素描线邻域中第t个像素的估计值;
(1.12)设定阈值T为5~50,选择编码长度增益CLG>T的建议素描线作为最终素描图中的素描线,获得输入合成孔径雷达SAR图像对应的素描图,在仿真实验中,设定阈值T为15。
通过上述步骤(1.2)-(1.12)所得到的素描图如图3所示。
步骤2,按照图3中素描点的位置得到素描线段。
素描图是由素描线组合而成的,而素描线是由多个素描线段拟合而成的,因此素描图可以看成是由素描线段组成的图形,其中每条素描线段由具有方向特性的素描点组成,每个素描点的方向为其所在素描线段的方向;
素描线段的方向由其起点和终点在图像坐标系中的位置计算得到,所以按照素描图中素描点的位置可以得到素描线段Si,i=1,...,n,n为素描线段的总条数,在图3所示的素描图中,n的取值为1340,素描线段用来表示SAR图像的稀疏结构信息。
步骤3,构造素描线段的自适应几何结构窗口,计算素描线段的规整度和规整比率。
(3.1)对素描线段Si中所有素描线段的长度进行直方图统计,记录直方图上峰值点所对应的线段长度为l,记录素描线段集合中的每条素描线段的长度为li,记录每条素描线段的方向为Orti,在仿真实验中统计得到的l取值为5;
(3.2)以素描线段Si的中点为中心,沿着该素描线段的方向Orti,扩充长边大小为li,宽边大小为2l+1的矩形窗口,将该矩形窗口作为中间窗口,分别计算该窗口中与素描线段Si具有平行关系的线段数hi和具有垂直关系的线段数vi,并将hi和vi分别作为Si的并排平行规整度和并排垂直规整度;
(3.3)以素描线段Si的起点为基准,沿着该素描线段的方向Orti,扩充长边大小为lp,宽边大小为2wp+1的矩形窗口,将该矩形窗口作为上半窗口,其中lp的取值范围为[5,10],wp的取值范围为[2,4];
(3.4)以素描线段Si的终点为基准,沿着该素描线段方向Orti的反方向,扩充长边大小为lp,宽边大小为2wp+1的矩形窗口,将该矩形窗口作为下半窗口,计算上半窗口和下半窗口中与素描线段Si具有平行关系的线段数hvi,并将其作为Si的级联平行规整度;
(3.5)用上述中间窗口、上半窗口和下半窗口共同构成素描线段Si的自适应几何结构窗口,用上述hi、vi、hvi求和后的值作为素描线段Si的规整度Ri,所构造的自适应几何结构窗口如图4所示;
(3.6)计算素描线段Si的规整比率:其中,RTi表示素描线段Si的规整比率,Ri表示素描线段Si的规整度,Ni表示自适应几何结构窗口中所有素描线段的总数;
步骤4,选取规整度满足条件的素描线段构成种子线段集合:
根据规整度Ri的大小对素描线段Si进行排序,选取规整度大于阈值δ的素描线段构成种子线段集合E,在仿真实验中,δ取值为1,即选择所有规整度大于等于2的素描线段构成种子线段集合。
步骤5,定义区域扩充规则,以种子线段集合E中的每一条种子线段Ej的自适应几何结构窗口为基准进行区域扩充,将得到的矩形区域作为素描图上的规整区域,并将其映射在SAR图像上的区域作为候选目标区域。
(5.1)将步骤3中计算得到的规整度作为种子线段Ej的初始规整度和初始规整比率将计算初始规整度的自适应几何结构窗口作为种子线段Ej进行区域扩充的初始窗口,并标记该窗口中与种子线段Ej具有平行或垂直关系的素描线段,其中j=1,...,m,m是种子线段的总数;
(5.2)比较种子线段Ej的三种规整度值:
如果并排平行规整度的值最大,则将垂直与Ortj的方向作为区域扩充的方向,
如果并排垂直规整度或者级联平行规整度的值最大,则将平行与Ortj的方向作为区域扩充的方向;
定义并排平行规整度或并排垂直规整度值最大时区域扩充的最大次数为ω0、步长为τ0,仿真实验中ω0取值为5,τ0取值为2个像素大小,级联平行规整度值最大时区域扩充的最大次数为ω1、步长为τ1,仿真实验中ω1取值为2,τ1取值为5个像素大小;
(5.3)按照种子线段Ej所对应的扩充步长,在初始窗口的基础上分别向其扩充方向两侧进行区域扩充,按照步骤3所述计算Ej在该窗口中的规整度和规整比率并比较与以及与值的大小:
若规整度的值不小于初始规整度的值,且规整比率的值不小于初始规整比率的值,则将扩充次数加1,标记扩充后的窗口中与Ej具有平行或垂直关系的素描线段,执行步骤(5.4);
否则,停止扩充,执行步骤(5.6);
(5.4)在上次扩充得到的窗口基础上分别向种子线段Ej扩充方向两侧再进行区域扩充,并更新Ej在该窗口中的规整度和规整比率,比较更新后规整度、规整比率和更新前对应值的大小:
若更新后的规整度不小于更新前的值,且更新后的规整比率不小于更新前的规整比率的值,则将扩充次数加1,并标记扩充后的窗口中与种子线段Ej具有平行或垂直关系的素描线段,执行步骤(5.5);
否则,停止扩充,执行步骤(5.6);
(5.5)判断当前扩充次数与种子线段Ej所对应的最大扩充次数的大小:若当前扩充次数小于等于最大扩充次数,返回步骤(5.4),否则,执行步骤(5.6);
(5.6)将扩充过程中标记的所有素描线段与种子线段Ej均加入到集合H中,集合H中的素描线段即为在种子线段Ej邻域内与其具有规整拓扑关系的线段;
(5.7)以种子线段Ej的中点为中心,分别沿着与种子线段Ej平行和垂直的方向向外扩充一个矩形区域,使素描线段集合H中的所有素描线段都包含在该矩形区域中,将该矩形区域作为素描图上的规整区域,并将其映射在SAR图像上的区域作为候选目标区域,如图5、图6、图7、图8所示。
图5所示为本实例提取到的桥梁目标区域,其中图5(a)、图5(c)、图5(e)、图5(g)和图5(i)是在图3上得到的候选目标区域,由在区域扩充过程中得到的与种子线段具有规整拓扑关系的素描线段的位置来确定区域的大小,图5(b)、图5(d)、图5(f)、图5(h)和图5(j)所示为这些区域在输入SAR图像即图2上所对应的区域。
图6所示为本实例提取到的港口目标区域,其中图6(a)、图6(c)、图6(e)和图6(g)是在图3上得到的候选目标区域,图6(b)、图6(d)、图6(f)和图6(h)所示为这些区域在输入SAR图像即图2上所对应的区域。
图7所示为本实例提取到的建筑物目标区域,其中图7(a)、图7(c)、图7(e)、图7(g)、图7(i)、图7(k)、图7(m)和图7(p)是在图3上得到的候选目标区域,其中包含了城区的建筑物聚集区域以及五角大楼的一部分,图7(b)、图7(d)、图7(f)、图7(h)、图7(j)、图7(l)、图7(n)和图7(q)所示为这些区域在输入SAR图像即图2上所对应的区域。
图8所示为本实例提取到的虚警目标区域即自然目标,其中图8(a)、图8(c)、图8(e)和图8(g)是在图3上得到的候选目标区域,图8(b)、图8(d)、图8(f)和图8(h)所示为这些区域在输入SAR图像即图2上所对应的区域。
步骤6,采用规整区域的线密度和候选目标区域的灰度方差特征,剔除虚警目标区域,得到人工目标区域集合。
(6.1)按照下式,计算每个规整区域的线密度:
其中,V表示规整区域内与种子线段具有平行和垂直关系的素描线段的长度之和,P表示规整区域内总的素描点数目;
(6.2)计算每个候选目标区域的灰度方差;
(6.3)将候选目标区域按照区域灰度方差值从大到小进行排序,将区域灰度方差值大于指定阈值τ的候选目标区域加入到人工目标区域集合中;
(6.4)将区域灰度方差值小于指定阈值τ的候选目标区域,按照其在素描图上对应的规整区域的线密度从小到大进行排序,将线密度小于指定阈值ω的规整区域对应在SAR图像上的候选目标区域加入到人工目标区域集合中,得到剔除虚警目标区域后的人工目标区域集合。
步骤7,构造人工目标区域的观测矩阵。
(7.1)提取素描图上与人工目标区域对应的规整区域中种子线段的方向,并将其作为滑窗指定方向;
(7.2)在组成人工目标区域的长边和宽边中,选择与滑窗指定方向一致的边作为滑窗指定边;
(7.3)设定滑窗步长为ρ个像素点,在SAR图像中沿着垂直于滑窗指定边的方向与其反方向各滑窗k次,得到人工目标区域对应的图像块集合;
(7.4)选择人工目标区域的顶点中y坐标值最小且唯一的像素点作为起始点,当y坐标值最小的像素点不唯一时,选择其中x坐标值最小的像素点作为起始点,沿着水平方向对人工目标区域进行拉列操作,得到列向量,使用该列向量构成观测矩阵的第一列;
(7.5)按照步骤(7.4)对图像块集合中的每个图像块进行拉列操作,得到列向量集合,使用该列向量集合作为观测矩阵中除第一列之外的其余列元素来构造人工目标区域的观测矩阵。
步骤8,采用低秩分解的方法对观测矩阵进行分解,定位人工目标,得到最终的人工目标检测结果。
(8.1)采用鲁棒主成份分析Rpca方法,对人工目标区域的观测矩阵进行低秩分解,得到观测矩阵对应的低秩矩阵和稀疏矩阵;
(8.2)采用步骤(7.4)中拉列操作的逆操作,将稀疏矩阵中的第一列向量还原为与人工目标区域大小和形状相同的矩阵,并将该矩阵中的非零元素进行标记得到人工目标区域的稀疏图;
(8.3)对稀疏图中的非零像素值进行直方图统计,将直方图上峰值点所对应的像素值乘以标记比率得到标记阈值,并将稀疏图中小于标记阈值的像素值置为0,将剩余非零像素在人工目标区域中所对应的位置进行标记,得到最终的人工目标检测结果,如图9所示。
图9所示为本实例最终的目标检测结果,其中图9(a)、图9(c)、图9(e)、图9(g)、图9(i)、图9(k)、图9(m)、图9(p)、图9(r)、图9(t)、图9(v)和图9(y)所示为在输入SAR图像即图2上所提取到的人工目标区域,图9(b)、图9(d)、图9(f)、图9(h)、图9(j)、图9(l)、图9(n)、图9(q)、图9(s)、图9(u)、图9(x)和图9(z)所示为相应区域中人工目标定位的结果。
从图5、图6、图7、图8和图9可见,本发明在根据SAR素描模型提取的素描图的基础上,对组成素描图的素描线段定义自适应几何结构窗口并计算规整度和规整比率,再在自适应几何结构窗口的基础上进行一定规则的区域扩充得到候选目标区域,最后采用基于素描图与低秩分解的SAR图像目标检测方法进行人工目标的定位,能够有效的检测到SAR图像中不同类型的人工目标,并且降低了目标区域中虚警目标的比例。
本实施例没有具体描述的部分都属于本技术领域的公知常识和公知技术,且以上例举仅仅是对本发明的举例说明,并不构成对本发明的保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (7)
1.一种基于素描线段拓扑结构的SAR图像目标检测方法,包括如下步骤:
(1)素描化SAR图像得到素描图,按照素描图中素描点的位置得到用来表示SAR图像稀疏结构信息的素描线段Si,i=1,...,n,n为素描线段的总条数;
(2)构造素描线段的自适应几何结构窗口,计算规整度Ri和规整比率RTi;
(3)根据规整度Ri的大小对素描线段Si进行排序,选取规整度大于阈值δ的素描线段构成种子线段集合E;
(4)定义区域扩充规则,以种子线段集合E中的每一条种子线段Ej的自适应几何结构窗口为基准进行区域扩充,将得到的矩形区域作为素描图上的规整区域,并将其映射在SAR图像上的区域作为候选目标区域;
(5)采用规整区域的线密度和候选目标区域的灰度方差特征,剔除虚警目标区域,得到人工目标区域集合;
(6)构造人工目标区域的观测矩阵;
(7)采用低秩分解的方法对观测矩阵进行分解,定位人工目标,得到最终的人工目标检测结果。
2.根据权利要求1所述的基于素描线段拓扑结构的SAR图像目标检测方法,其特征在于:其中步骤(1)中素描化SAR图像得到素描图,按如下步骤进行:
(1a)构造具有不同方向和尺度的边、线模板,并利用模板的方向和尺度信息构造各向异性高斯函数来计算该模板中每一点的加权系数,其中尺度个数取值为3~5,方向个数取值为18;
(1b)按照下式,计算模板不同区域对应在合成孔径雷达SAR图像中像素的均值和方差:
其中,μ表示区域Ω对应在合成孔径雷达SAR图像中像素的均值,Ω表示模板中的一个区域,g表示区域Ω中一个像素点的位置,∈表示属于符号,wg表示区域Ω中位置g处的权重系数,wg的取值范围为wg∈[0,1],Ag表示区域Ω中位置g对应在合成孔径雷达SAR图像中的像素值,ν表示区域Ω对应在合成孔径雷达SAR图像中像素的方差;
(1c)按照下式,计算合成孔径雷达SAR图像中每个像素对比值算子的响应值:
其中,R表示合成孔径雷达SAR图像中每个像素对比值算子的响应值,min{·}表示求最小值操作,a和b分别表示模板中任意两个不同区域的编号,μa和μb分别为根据(1b)得到的表示区域a和区域b的合成孔径雷达SAR图像中对应像素的均值;
(1d)按照下式,计算合成孔径雷达SAR图像中每个像素对相关性算子的响应值:
其中,C表示合成孔径雷达SAR图像中每个像素对相关性算子的响应值,a和b分别表示模板中任意两个不同区域的编号,va和vb分别表示根据(1b)得到的区域a和区域b对应在合成孔径雷达SAR图像中像素的方差,μa和μb分别表示根据(1b)得到的区域a和区域b对应在合成孔径雷达SAR图像中像素的均值;
(1e)根据(1c)和(1d)得到的结果,计算合成孔径雷达SAR图像中每个像素对各个模板的响应值:
其中,F表示合成孔径雷达SAR图像中每个像素对各个模板的响应值,R和C分别表示合成孔径雷达SAR图像中像素对比值算子和合成孔径雷达SAR图像中像素对相关性算子的响应值;
(1f)选择具有最大响应值的模板作为合成孔径雷达SAR图像中像素的模板,并将最大响应值作为该像素的强度,将具有最大响应值的模板的方向作为该像素的方向,获得合成孔径雷达SAR图像的边线响应图和方向图;
(1g)利用SAR图像中每个像素所选择的模板,获得合成孔径雷达SAR图像的梯度图;
(1h)按照下式,将边线响应图和梯度图归一化到[0,1]并进行融合,得到强度图:
其中,I表示强度图中的强度值,X表示边线响应图中的值,Y表示梯度图中的值;
(1i)采用非极大值抑制方法,对强度图进行检测,得到建议草图;
(1j)选取建议草图中具有最大强度的像素,将建议草图中与该最大强度的像素连通的像素连接形成建议线段,得到建议素描图;
(1k)按照下式,计算建议素描图中素描线的编码长度增益CLG:
其中,CLG表示建议素描图中素描线的编码长度增益,Σ表示求和操作,p表示当前素描线邻域中像素的个数,t表示当前素描线邻域中像素的编号,At表示当前素描线邻域中第t个像素的观测值,At,0表示在当前素描线不能表示结构信息的假设下,该素描线邻域中第t个像素的估计值,ln(·)表示以e为底的对数操作,At,1表示在当前素描线能够表示结构信息的假设下,该素描线邻域中第t个像素的估计值;
(1l)设定阈值T为5~50,选择编码长度增益CLG>T的建议素描线作为最终素描图中的素描线,获得输入合成孔径雷达SAR图像对应的素描图。
3.根据权利要求1所述的基于素描线段拓扑结构的SAR图像目标检测方法,其特征在于:其中步骤(2)中构造素描线段的自适应几何结构窗口,并计算规整度和规整比率,按如下步骤进行:
(2a)对素描线段Si中所有线段的长度进行直方图统计,记录直方图上峰值点所对应的线段长度为l,记录素描线段集合中的每条素描线段的长度为li,记录每条素描线段的方向为Orti;
(2b)以素描线段Si的中点为中心,沿着该素描线段的方向Orti,扩充长边大小为li,宽边大小为2l+1的矩形窗口,将该矩形窗口作为中间窗口,分别计算该窗口中与素描线段Si具有平行关系的线段数hi和具有垂直关系的线段数vi,并将hi和vi分别作为Si的并排平行规整度和并排垂直规整度;
(2c)以素描线段Si的起点为基准,沿着该素描线段的方向Orti,扩充长边大小为lp,宽边大小为2wp+1的矩形窗口,将该矩形窗口作为上半窗口,其中lp的取值范围为[5,10],wp的取值范围为[2,4];
(2d)以素描线段Si的终点为基准,沿着该素描线段方向Orti的反方向,扩充长边大小为lp,宽边大小为2wp+1的矩形窗口,将该矩形窗口作为下半窗口,计算上半窗口和下半窗口中与素描线段Si具有平行关系的线段数hvi,并将其作为Si的级联平行规整度;
(2e)用上述中间窗口、上半窗口和下半窗口共同构成素描线段Si的自适应几何结构窗口,用上述hi、vi、hvi求和后的值作为素描线段Si的规整度Ri;
(2f)计算素描线段Si的规整比率:其中,Ri表示素描线段Si的规整度,Ni表示自适应几何结构窗口中所有素描线段的总数。
4.根据权利要求1所述的基于素描线段拓扑结构的SAR图像目标检测方法,其特征在于:其中步骤(4)中依据种子线段的自适应几何结构窗口和区域扩充规则提取SAR图像的候选目标区域,按如下步骤进行:
(4a)将步骤(2)中计算得到的规整度作为种子线段Ej的初始规整度和初始规整比率将计算初始规整度的自适应几何结构窗口作为种子线段Ej进行区域扩充的初始窗口,并标记该窗口中与种子线段Ej具有平行或垂直关系的素描线段;
(4b)比较种子线段Ej的三种规整度值:
如果并排平行规整度的值最大,则将垂直与Ortj的方向作为区域扩充的方向,
如果并排垂直规整度或者级联平行规整度的值最大,则将平行与Ortj的方向作为区域扩充的方向;
定义并排平行规整度或并排垂直规整度值最大时区域扩充的最大次数为ω0、步长为τ0,级联平行规整度值最大时区域扩充的最大次数为ω1、步长为τ1;
(4c)按照种子线段Ej所对应的扩充步长,在初始窗口的基础上分别向其扩充方向两侧进行区域扩充,并按照步骤(2)计算Ej在该窗口中的规整度和规整比率并比较与以及与值的大小:
若规整度的值不小于初始规整度的值,且规整比率的值不小于初始规整比率的值,则将扩充次数加1,标记扩充后的窗口中与Ej具有平行或垂直关系的素描线段,执行步骤(4d);
否则,停止扩充,执行步骤(4f);
(4d)在上次扩充得到的窗口基础上分别向种子线段Ej扩充方向两侧再进行区域扩充,并更新Ej在该窗口中的规整度和规整比率,比较更新后规整度、规整比率和更新前对应值的大小:
若更新后的规整度不小于更新前的值,且更新后的规整比率不小于更新前的规整比率的值,则将扩充次数加1,并标记扩充后的窗口中与种子线段Ej具有平行或垂直关系的素描线段,执行步骤(4e);
否则,停止扩充,执行步骤(4f);
(4e)若当前扩充次数小于种子线段Ej所对应的最大扩充次数,执行步骤(4d),否则,执行步骤(4f);
(4f)将扩充过程中标记的所有素描线段与种子线段Ej均加入到集合H中。
(4g)以种子线段Ej的中点为中心,分别沿着与种子线段Ej平行和垂直的方向向外扩充一个矩形区域,使素描线段集合H中的所有素描线段都包含在该矩形区域中,将该矩形区域作为素描图上的规整区域,并将其映射在SAR图像上的区域作为候选目标区域。
5.根据权利要求1所述的基于素描线段拓扑结构的SAR图像目标检测方法,其特征在于:其中步骤(5)中剔除虚警目标区域,按如下步骤进行:
(5a)按照下式,计算每个规整区域的线密度:
其中,V表示规整区域内与种子线段具有平行和垂直关系的素描线段的长度之和,P表示规整区域内总的素描点数目;
(5b)计算每个候选目标区域的灰度方差;
(5c)将候选目标区域按照区域灰度方差值从大到小进行排序,将区域灰度方差值大于指定阈值τ的候选目标区域加入到人工目标区域集合中;
(5d)将区域灰度方差值小于指定阈值τ的候选目标区域,按照其在素描图上对应的规整区域的线密度从小到大进行排序,将线密度小于指定阈值ω的规整区域对应在SAR图像上的候选目标区域加入到人工目标区域集合中,得到剔除虚警目标区域后的人工目标区域集合。
6.根据权利要求1所述的基于素描线段拓扑结构的SAR图像目标检测方法,其特征在于:其中步骤(6)中构造人工目标区域的观测矩阵,按如下步骤进行:
(6a)提取素描图上与人工目标区域对应的规整区域中种子线段的方向,并将其作为滑窗指定方向;
(6b)在组成人工目标区域的长边和宽边中,选择与滑窗指定方向一致的边作为滑窗指定边;
(6c)设定滑窗步长为ρ个像素点,在SAR图像中沿着垂直于滑窗指定边的方向与其反方向各滑窗k次,得到人工目标区域对应的图像块集合;
(6d)选择人工目标区域的顶点中y坐标值最小且唯一的像素点作为起始点,当y坐标值最小的像素点不唯一时,选择其中x坐标值最小的像素点作为起始点,沿着水平方向对人工目标区域进行拉列操作,得到列向量,使用该列向量构成观测矩阵的第一列;
(6e)按照步骤(6d)对图像块集合中的每个图像块进行拉列操作,得到列向量集合,使用该列向量集合作为观测矩阵中除第一列之外的其余列元素来构造人工目标区域的观测矩阵。
7.根据权利要求1所述的基于素描线段拓扑结构的SAR图像目标检测方法,其特征在于:其中步骤(7)中采用低秩分解的方法进行人工目标的定位,按如下步骤进行:
(7a)采用鲁棒主成份分析Rpca方法,对人工目标区域的观测矩阵进行低秩分解,得到观测矩阵对应的低秩矩阵和稀疏矩阵;
(7b)采用步骤(6d)中拉列操作的逆操作,将稀疏矩阵中的第一列向量还原为与人工目标区域大小和形状相同的矩阵,并将该矩阵中的非零元素进行标记得到人工目标区域的稀疏图;
(7c)对稀疏图中的非零像素值进行直方图统计,将直方图上峰值点所对应的像素值乘以标记比率得到标记阈值,并将稀疏图中小于标记阈值的像素值置为0,将剩余非零像素在人工目标区域中所对应的位置进行标记,得到最终的人工目标检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510938357.9A CN105447488B (zh) | 2015-12-15 | 2015-12-15 | 基于素描线段拓扑结构的sar图像目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510938357.9A CN105447488B (zh) | 2015-12-15 | 2015-12-15 | 基于素描线段拓扑结构的sar图像目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105447488A true CN105447488A (zh) | 2016-03-30 |
CN105447488B CN105447488B (zh) | 2021-08-20 |
Family
ID=55557648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510938357.9A Active CN105447488B (zh) | 2015-12-15 | 2015-12-15 | 基于素描线段拓扑结构的sar图像目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447488B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157299A (zh) * | 2016-06-07 | 2016-11-23 | 中国人民解放军国防科学技术大学 | 一种sar图像人造目标提取方法 |
CN109165653A (zh) * | 2018-08-15 | 2019-01-08 | 西安电子科技大学 | 一种基于语义线段近邻连接的sar图像聚集区域的提取方法 |
CN110472472A (zh) * | 2019-05-30 | 2019-11-19 | 北京市遥感信息研究所 | 基于sar遥感图像的机场检测方法与装置 |
CN111681300A (zh) * | 2020-06-02 | 2020-09-18 | 西安电子科技大学 | 轮廓素描线组成的目标区域获取方法 |
CN116416417A (zh) * | 2023-06-09 | 2023-07-11 | 远洋装饰工程股份有限公司 | 基于增强现实的卫生间隐藏式排水结构辅助检修系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622598A (zh) * | 2012-01-13 | 2012-08-01 | 西安电子科技大学 | 基于区域标记与灰度统计的sar图像目标检测方法 |
CN103377465A (zh) * | 2013-03-21 | 2013-10-30 | 西安电子科技大学 | 基于素描图和核选择的sar图像降斑方法 |
CN103839074A (zh) * | 2014-02-24 | 2014-06-04 | 西安电子科技大学 | 一种基于素描线段信息和空间金字塔匹配的图像分类方法 |
CN103927730A (zh) * | 2014-01-22 | 2014-07-16 | 西安电子科技大学 | 基于Primal Sketch修正及矩阵填充的图像降噪方法 |
CN103955913A (zh) * | 2014-02-18 | 2014-07-30 | 西安电子科技大学 | 一种基于线段共生矩阵特征和区域图的sar图像分割方法 |
-
2015
- 2015-12-15 CN CN201510938357.9A patent/CN105447488B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622598A (zh) * | 2012-01-13 | 2012-08-01 | 西安电子科技大学 | 基于区域标记与灰度统计的sar图像目标检测方法 |
CN103377465A (zh) * | 2013-03-21 | 2013-10-30 | 西安电子科技大学 | 基于素描图和核选择的sar图像降斑方法 |
CN103927730A (zh) * | 2014-01-22 | 2014-07-16 | 西安电子科技大学 | 基于Primal Sketch修正及矩阵填充的图像降噪方法 |
CN103955913A (zh) * | 2014-02-18 | 2014-07-30 | 西安电子科技大学 | 一种基于线段共生矩阵特征和区域图的sar图像分割方法 |
CN103839074A (zh) * | 2014-02-24 | 2014-06-04 | 西安电子科技大学 | 一种基于素描线段信息和空间金字塔匹配的图像分类方法 |
Non-Patent Citations (1)
Title |
---|
JIE WU ET.AL.: ""Local Maximal Homogeneous Region Search for SAR Speckle Reduction With Sketch-Based Geometrical Kernel Function"", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157299A (zh) * | 2016-06-07 | 2016-11-23 | 中国人民解放军国防科学技术大学 | 一种sar图像人造目标提取方法 |
CN106157299B (zh) * | 2016-06-07 | 2018-11-30 | 中国人民解放军国防科学技术大学 | 一种sar图像人造目标提取方法 |
CN109165653A (zh) * | 2018-08-15 | 2019-01-08 | 西安电子科技大学 | 一种基于语义线段近邻连接的sar图像聚集区域的提取方法 |
CN110472472A (zh) * | 2019-05-30 | 2019-11-19 | 北京市遥感信息研究所 | 基于sar遥感图像的机场检测方法与装置 |
CN110472472B (zh) * | 2019-05-30 | 2022-04-19 | 北京市遥感信息研究所 | 基于sar遥感图像的机场检测方法与装置 |
CN111681300A (zh) * | 2020-06-02 | 2020-09-18 | 西安电子科技大学 | 轮廓素描线组成的目标区域获取方法 |
CN111681300B (zh) * | 2020-06-02 | 2023-03-10 | 西安电子科技大学 | 轮廓素描线组成的目标区域获取方法 |
CN116416417A (zh) * | 2023-06-09 | 2023-07-11 | 远洋装饰工程股份有限公司 | 基于增强现实的卫生间隐藏式排水结构辅助检修系统 |
CN116416417B (zh) * | 2023-06-09 | 2023-09-05 | 远洋装饰工程股份有限公司 | 基于增强现实的卫生间隐藏式排水结构辅助检修系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105447488B (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN105447488A (zh) | 基于素描线段拓扑结构的sar图像目标检测方法 | |
CN107657226B (zh) | 一种基于深度学习的人数估计方法 | |
CN105374033B (zh) | 基于脊波反卷积网络和稀疏分类的sar图像分割方法 | |
CN102096821B (zh) | 基于复杂网络理论的强干扰环境下的车牌识别方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN105389799A (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
CN101551851B (zh) | 一种红外图像目标识别方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN104392228A (zh) | 基于条件随机场模型的无人机图像目标类检测方法 | |
CN102842044B (zh) | 高分辨率可见光遥感图像变化检测方法 | |
CN105608456A (zh) | 一种基于全卷积网络的多方向文本检测方法 | |
CN103258324B (zh) | 基于可控核回归和超像素分割的遥感图像变化检测方法 | |
CN106611421A (zh) | 基于特征学习和素描线段约束的sar图像分割方法 | |
CN101950364A (zh) | 基于邻域相似度和阈值分割的遥感图像变化检测方法 | |
CN104700415B (zh) | 一种图像匹配跟踪中匹配模板的选取方法 | |
CN101901354B (zh) | 基于特征点分类的监控录像中实时多目标检测与跟踪方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN106611423A (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
CN104077609A (zh) | 一种基于条件随机场的显著性检测方法 | |
CN104408463A (zh) | 一种基于PanTex和直线特征的高分辨率建设用地图斑识别方法 | |
CN102129559B (zh) | 基于PrimalSketch算法的SAR图像目标检测方法 | |
CN104866853A (zh) | 一种足球比赛视频中的多运动员的行为特征提取方法 | |
CN104408472A (zh) | 基于Wishart和SVM的极化SAR图像分类方法 | |
CN102184554A (zh) | 基于激活区域背景感知的红外目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |