CN105549009B - 一种基于超像素的sar图像cfar目标检测方法 - Google Patents
一种基于超像素的sar图像cfar目标检测方法 Download PDFInfo
- Publication number
- CN105549009B CN105549009B CN201510903913.9A CN201510903913A CN105549009B CN 105549009 B CN105549009 B CN 105549009B CN 201510903913 A CN201510903913 A CN 201510903913A CN 105549009 B CN105549009 B CN 105549009B
- Authority
- CN
- China
- Prior art keywords
- mrow
- pixel
- super
- msub
- mtd
- 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
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于合成孔径雷达(SAR)图像处理领域,涉及一种基于超像素的SAR图像恒虚警率(CFAR)目标检测方法。本发明通过对SAR图像进行超像素分割,然后利用超像素灰度建立杂波统计模型,最后确定超像素滑窗,进行基于超像素的CFAR检测。本发明充分有效利用了高分辨SAR图像中目标呈现面目标的特性,检测后的二值图中,目标是连续的,并且能够很好的保持目标的边缘,算法稳定性较高;同时,本发明降低了第二级CFAR检测的运算量,能够有效提高图像处理速度。
Description
技术领域
本发明属于合成孔径雷达(SAR)图像处理领域,涉及一种基于超像素的SAR图像恒虚警率(CFAR)目标检测方法。
背景技术
合成孔径雷达能够获得地物高分辨二维图像,是一种重要的对地观测手段。
在军事领域,其优点体现在:第一,SAR使用主动微波成像,并具有一定的穿透能力,能够有效实现多种目标的探测;第二,SAR系统可以对目标进行高分辨成像,有助于对机场、桥梁、舰船、坦克、装甲车等军事目标属性进行检测与识别;第三,SAR具有全天时全天候的工作特点,适合在各种恶劣的战场条件下完成侦查任务。
SAR图像目标检测是自动目标识别中的关键技术,是SAR图像解译应用的一大热点。随着检测器的速度、精度等各个方面的提高,从不同角度切入的SAR图像目标检测算法大量涌现。如针对高分辨率下目标周围背景杂波均匀但不满足高斯分布时会产生较大CFAR损失的问题,发展了基于不同背景分布的CFAR检测算法;针对目标周围杂波非均匀以及多目标(目标间在空间很靠近)时算法不稳定问题,发展了OS-CFAR、VI-CFAR以及基于分割的CFAR等检测器;针对双参数CFAR的局部滑窗导致算法的速度偏慢问题,发展了并行CFAR技术以及全局CFAR算法。此外,在利用其它特征方面陆续发展了基于扩展分形特征的目标检测算法、利用多分辨率的目标检测算法以及结合各种数学工具如利用神经网络、隐马尔可夫模型,支持向量机等目标检测算法。相关研究反映了SAR图像目标检测技术的研究进展,但针对复杂环境条件下实用化的目标检测问题仍需要开展更加深入具体的研究工作。
目前,随着SAR技术水平的不断发展,SAR系统分辨率越来越高,有助于获得更加精细的目标信息。但是,图像分辨率的不断提高也给SAR目标检测带来了困难:由于目标尺寸大于雷达距离分辨单元,目标的多个散射中心扩展到不同距离单元,回波能量被分散,导致单个距离单元内信噪比降低。此外,扩展目标具有面积大、外形复杂和灰度不均匀等特性。常规的基于像素的CFAR检测算法应用于扩展目标检测时存在明显缺陷:第一,由于目标的灰度值在一个范围内起伏,所以检测结果的某些较低灰度值的目标像素会漏检,出现目标断裂和不连续现象;第二,由于SAR图像中固有相干斑噪声的随机特性,检测后结果中出现较多虚警目标;第三,检测过程需要对整幅SAR图像的像素遍历处理,会造成很大运算量,消耗大量运算时间。总之,目前对SAR图像的处理方法大多以像素为单位,并未考虑像素之间的空间组织关系,难以适用于高分辨SAR图像扩展目标检测。
超像素生成算法在图像处理中有广泛应用。该方法将图像局部邻域中许多相似像素组合在一起,将它们作为一个新的基本单元来替代原有像素,该基本单元称之为超像素。它利用像素之间特征的相似程度将像素分组,将像素聚合成超像素可以获得数据中的局部冗余信息,降低了无关像素对最终决策的影响。因此,鉴于超像素的优势,在本专利中我们提出了一种基于超像素的SAR图像CFAR目标检测算法。
发明内容
针对上述存在问题或不足,为了克服基于像素的CFAR检测结果中目标出现断裂,虚警较多的缺点。本发明提供了一种基于超像素的SAR图像CFAR目标检测方法,该方法的基本思路是:首先,在SAR图像中生成超像素,然后利用超像素的灰度建立杂波统计模型,确定超像素滑窗,最后进行CFAR检测。在处理后的二值图中,它能很好的保持目标的边缘,并且目标是连续的。此外这种算法还具有较快的处理速度,同时能减少相干斑噪声对检测结果的影响。
该基于超像素的SAR图像CFAR目标检测方法,如图1所示,包括以下步骤:
步骤1、在SAR图像中生成超像素:对不同超像素赋予不同的编号,构成一个超像素的所有像素数量,称为超像素的面积,构成该超像素的所有像素灰度的均值称为超像素的灰度,在预设超像素数量时,考虑目标的大小,预设的超像素数量大于等于1个;
步骤2、对SAR图像进行基于超像素的杂波统计建模,建立两种基于超像素的杂波统计模型,即混合Gamma分布和Gamma分布;
步骤2-1、推导超像素的灰度的条件概率密度函数:
在多视条件下,由相干斑模型可知,SAR图像像素灰度值服从Gamma分布,设超像素由N个像素构成,它们的灰度分别为X1,X2,…XN,Xi~Γ(α,β),i=1,2,…N,且是相关的,其中Xi~Γ(α,β)表示Xi服从参数为α,β的Gamma分布;
根据Mohamed-Slim Alouini的推论可得:
设是N个相关的参数为α,β的Gamma随机变量的集合,设ρij表示任意两个随机变量Xi和Xj的相关系数,Cov(Xi,Xj)表示任意两个随机变量Xi和Xj的协方差,Var(Xi)表示Xi的方差,Var(Xj)表示Xj的方差,Y表示上述N个Gamma随机变量的和,记为
0≤ρij≤1;i,j=1,2,…,N (4)
得到Y的概率密度函数如下:
其中,λ1=min{λn},min{·}表示求最小值,是对角矩阵A=βC的特征值集合,C是一个N×N维数有限的正数矩阵,即相关系数矩阵,如公式(6)所示
系数δk由公式(7)获得
当ρij=1,i=j且ρij=0,i≠j时,矩阵C的N个特征值都为1,则矩阵A的特征值都为β,λ1=λ2=…=λN=β,(7)式中就只有δ0=1,其余的系数δk都为0,此时(5)式就变成一个Gamma随机变量的概率密度函数,即Y~Γ(Nα,β),此时Y恰好是N个独立的Gamma随机变量的和的分布,因此,我们可以得出,当相关系数ρij趋近于零时,精确的概率密度函数和近似的概率密度函数的差异忽略;根据SAR图像的像素间的相关系数表达式,随着两个像素的距离增大,相关系数以Sinc函数快速减小,可知,用Gamma分布来近似Y的分布是合理的;
根据Gamma分布的性质式可知,如果Y服从Gamma分布,那么超像素的灰度也服从Gamma分布,记为所以可以直接用实测数据的一阶矩和二阶矩估计和σn,获得fZ|N(z|n):
其中Γ(·)是Gamma函数;
步骤2-2、得到超像素的面积的概率分布函数:
对SAR图像进行超像素分割后,得到大小不同的超像素面积,用Gamma分布来拟合超像素面积n,其概率密度函数如下:
步骤2-3、得到基于超像素的杂波统计模型,混合Gamma分布:
由概率论与统计学的相关理论,可得下式
对应超像素面积为n时超像素灰度条件概率密度函数中的参数,max表示超像素面积的最大值,min表示超像素面积的最小值,称随机变量Z服从混合Gamma分布。
由(7)式可知,当min=max=1时,即每个超像素的面积为1,超像素变为像素,此时fN(1)=1,f(z)=fZ|N(z|1),即为输入SAR图像的像素灰度的概率密度函数;所以,分割的超像素数量越多,超像素的面积越小,混合Gamma分布就越接近Gamma分布,当一个超像素就变成了一个像素时,就变成为输入的SAR图像灰度分布,所以Gamma分布是混合Gamma分布的极限分布;
步骤3、进行全局CFAR检测:用混合Gamma分布对整幅SAR图像的灰度建立基于超像素的统计模型,用矩估计法来估计混合Gamma分布的参数,获得全局阈值,设Pfa是虚警概率,由下式可得阈值
其中f(z)是超像素灰度的概率密度函数,即混合Gamma分布,T是阈值,在此阶段,超像素灰度大于T的作为候选目标超像素;
步骤4、建立邻接矩阵:用图论中的概念,把每个超像素作为一个点,如果超像素i与超像素j邻接,矩阵的(i,j)元为1,否则为0;
步骤5、根据邻接矩阵确定超像素滑窗,然后访问保护区和杂波区:把超像素当做是图论中的点,任意两个点邻接,则它们之间连一条边,边的权值为1,以某个超像素为起点,距离L=1的所有超像素为终点,这些终点构成集合A,A所构成的区域称为保护区;距离L=2的所有超像素为终点,这些终点构成的集合B称为杂波区;
步骤6、进行局部CFAR检测:用Gamma分布对待测试超像素周围的杂波区建模,估计参数,获得阈值;进一步去除虚警,筛选出最终的目标,设Pfa是虚警概率,由下式可得阈值
其中,g(z)是超像素灰度的概率密度函数,即Gamma分布,T是阈值,大于阈值的超像素被判为目标超像素,小于阈值被判为背景超像素;
步骤7:根据步骤6的结果,获得两阶段CFAR检测后的二值图像。
综上所述,相较现有的SAR图像CFAR目标检测方法,本发明具有以下优点:第一,能减少相干斑对检测结果的影响;第二,能很好的保持目标的边界,使目标具有很好的连续性;第三,较快的处理速度。
附图说明
图1为本发明SAR图像CFAR检测算法流程图;
图2第一幅SAR图的像素灰度值拟合图;
图3第一幅SAR图的超像素面积拟合图;
图4第一幅SAR图的超像素灰度拟合图;
图5超像素面积较小时,Gamma和混合Gamma分布的拟合图;
图6第二幅SAR图的的像素灰度值拟合图;
图7第二幅SAR图的超像素面积拟合图;
图8超像素面积较小时,Gamma和混合Gamma分布的拟合图;
图9含有目标的SAR图;
图10基于超像素CFAR检测后的二值图;
图11基于像素CFAR检测后的二值图。
具体实施方式
下面以SLIC超像素分割法为例,结合附图与实施例对本发明做进一步的说明。
实验所用的第一幅SAR图像是一幅地物比较均匀的图像。该图像由以下几种地物构成:绝大部分区域的农作物,少量的道路,树木,建筑物。
输入的第一幅SAR图像的分辨率为8192×3650,像素的灰度拟合图如图2,把它分割为211056个超像素时,超像素的面积拟合图如图3,超像素灰度拟合图如图4;分割为804110个超像素时,即超像素面积较小时,拟合结果图如图5,可以看出此时Gamma分布和混合 Gamma分布的拟合效果相当,都有很好的拟合效果,与步骤2的理论推导相符和,此时超像素的面积均值为37.18。
实验所用的第二幅SAR图像是一幅地物一般不均匀的图像。该图像由以下几种地物构成:大量的建筑群,大量的农作物区域,还有草地,还有成遍的树林,还有道路。
输入的第二幅SAR图像的分辨率为8192×3650,像素的灰度拟合图如图6,把它分割为487195个超像素时,超像素的面积拟合图如图7,超像素灰度拟合图如图8,可以看出此时Gamma分布和混合Gamma分布的拟合效果相当,都有很好的拟合效果,与步骤2的理论推导相符和,此时超像素的面积均值为61.37。
经过实验,混合Gamma分布对基于超像素的均匀杂波,一般不均匀杂波都有很高的拟合精度,与超像素的面积大小无关;当超像素的面积较小时,Gamma分布对基于超像素的均匀杂波,一般不均匀杂波也有很高的拟合精度。
使用一幅含有目标的SAR图像(图9)对比本文提出的目标检测算法和基于像素的CFAR目标算法的检测效果。在设置相同的名义虚警概率时,使用基于超像素CFAR检测后的二值图如图10,使用基于像素CFAR检测后的二值图如图11,图11的虚警明显多于图10,图11中的目标断裂,而图10中的目标连续。
Claims (1)
1.一种基于超像素的SAR图像CFAR目标检测方法,包括以下步骤:
步骤1、在SAR图像中生成超像素:对不同超像素赋予不同的编号,构成一个超像素的所有像素数量,称为超像素的面积,构成该超像素的所有像素灰度的均值称为超像素的灰度,在预设超像素数量时,考虑目标的大小,预设的超像素数量大于等于1个;
步骤2、对SAR图像进行基于超像素的杂波统计建模,建立两种基于超像素的杂波统计模型,即混合Gamma分布和Gamma分布;
步骤2-1、推导超像素的灰度的条件概率密度函数:
在多视条件下,由相干斑模型可知,SAR图像像素灰度值服从Gamma分布,设超像素由N个像素构成,它们的灰度分别为X1,X2,…XN,Xi~Γ(α,β),i=1,2,…N,且是相关的,其中Xi~Γ(α,β)表示Xi服从参数为α,β的Gamma分布;
根据Mohamed-Slim Alouini的推论可得:
设是N个相关的参数为α,β的Gamma随机变量的集合,设ρij表示任意两个随机变量Xi和Xj的相关系数,Cov(Xi,Xj)表示任意两个随机变量Xi和Xj的协方差,Var(Xi)表示Xi的方差,Var(Xj)表示Xj的方差,Y表示上述N个Gamma随机变量的和,记为
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>C</mi>
<mi>o</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mi>V</mi>
<mi>a</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>V</mi>
<mi>a</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mfrac>
<mo>,</mo>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mn>1</mn>
<mo>;</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>N</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
得到Y的概率密度函数如下:
<mrow>
<msub>
<mi>f</mi>
<mi>Y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&lambda;</mi>
<mi>n</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>&infin;</mi>
</munderover>
<mfrac>
<mrow>
<msub>
<mi>&delta;</mi>
<mi>k</mi>
</msub>
<msup>
<mi>y</mi>
<mrow>
<mi>N</mi>
<mi>&alpha;</mi>
<mo>+</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>y</mi>
<mo>/</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
</mrow>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>&lambda;</mi>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mi>&alpha;</mi>
<mo>+</mo>
<mi>k</mi>
</mrow>
</msubsup>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mi>&alpha;</mi>
<mo>+</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,λ1=min{λn},min{·}表示求最小值,是对角矩阵A=βC的特征值集合,C是一个N×N维数有限的正数矩阵,即相关系数矩阵,如公式(6)所示
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<msqrt>
<msub>
<mi>&rho;</mi>
<mn>12</mn>
</msub>
</msqrt>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msqrt>
<msub>
<mi>&rho;</mi>
<mrow>
<mn>1</mn>
<mi>N</mi>
</mrow>
</msub>
</msqrt>
</mtd>
</mtr>
<mtr>
<mtd>
<msqrt>
<msub>
<mi>&rho;</mi>
<mn>21</mn>
</msub>
</msqrt>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msqrt>
<msub>
<mi>&rho;</mi>
<mrow>
<mn>2</mn>
<mi>N</mi>
</mrow>
</msub>
</msqrt>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msqrt>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>N</mi>
<mn>1</mn>
</mrow>
</msub>
</msqrt>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
系数δk由公式(7)获得
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&delta;</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mi>&alpha;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</munderover>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&lambda;</mi>
<mi>j</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mi>i</mi>
</msup>
<mo>&rsqb;</mo>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
当ρij=1,i=j且ρij=0,i≠j时,矩阵C的N个特征值都为1,则矩阵A的特征值都为β,λ1=λ2=…=λN=β,(7)式中就只有δ0=1,其余的系数δk都为0,此时(5)式就变成一个Gamma随机变量的概率密度函数,即Y~Γ(Nα,β),此时Y恰好是N个独立的Gamma随机变量的和的分布,因此,我们可以得出,当相关系数ρij趋近于零时,精确的概率密度函数和近似的概率密度函数的差异忽略;根据SAR图像的像素间的相关系数表达式,随着两个像素的距离增大,相关系数以Sinc函数快速减小,可知,用Gamma分布来近似Y的分布是合理的;
根据Gamma分布的性质式可知,如果Y服从Gamma分布,那么超像素的灰度也服从Gamma分布,记为所以可以直接用实测数据的一阶矩和二阶矩估计和σn,获得fZ|N(z|n):
其中Γ(·)是Gamma函数;
步骤2-2、得到超像素的面积的概率分布函数:
对SAR图像进行超像素分割后,得到大小不同的超像素面积,用Gamma分布来拟合超像素面积n,其概率密度函数如下:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>&beta;</mi>
<mi>&alpha;</mi>
</msup>
</mrow>
</mfrac>
<msup>
<mi>n</mi>
<mrow>
<mi>&alpha;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>n</mi>
<mo>/</mo>
<mi>&beta;</mi>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
步骤2-3、得到基于超像素的杂波统计模型,混合Gamma分布:
由概率论与统计学的相关理论,可得下式
对应超像素面积为n时超像素灰度条件概率密度函数中的参数,max表示超像素面积的最大值,min表示超像素面积的最小值,称随机变量Z服从混合Gamma分布;
由(7)式可知,当min=max=1时,即每个超像素的面积为1,超像素变为像素,此时fN(1)=1,f(z)=fZ|N(z|1),即为输入SAR图像的像素灰度的概率密度函数;所以,分割的超像素数量越多,超像素的面积越小,混合Gamma分布就越接近Gamma分布,当一个超像素就变成了一个像素时,就变成为输入的SAR图像灰度分布,所以Gamma分布是混合Gamma分布的极限分布;
步骤3、进行全局CFAR检测:用混合Gamma分布对整幅SAR图像的灰度建立基于超像素的统计模型,用矩估计法来估计混合Gamma分布的参数,获得全局阈值,设Pfa是虚警概率,由下式可得阈值
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>a</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mi>T</mi>
<mi>&infin;</mi>
</msubsup>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>z</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
其中f(z)是超像素灰度的概率密度函数,即混合Gamma分布,T是阈值,在此阶段,超像素灰度大于T的作为候选目标超像素;
步骤4、建立邻接矩阵:用图论中的概念,把每个超像素作为一个点,如果超像素i与超像素j邻接,矩阵的(i,j)元为1,否则为0;
步骤5、根据邻接矩阵确定超像素滑窗,然后访问保护区和杂波区:把超像素当做是图论中的点,任意两个点邻接,则它们之间连一条边,边的权值为1,以某个超像素为起点,距离L=1的所有超像素为终点,这些终点构成集合A,A所构成的区域称为保护区;距离L=2的所有超像素为终点,这些终点构成的集合B称为杂波区;
步骤6、进行局部CFAR检测:用Gamma分布对待测试超像素周围的杂波区建模,估计参数,获得阈值;进一步去除虚警,筛选出最终的目标,设Pfa是虚警概率,由下式可得阈值
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>a</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mi>T</mi>
<mi>&infin;</mi>
</msubsup>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>z</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,g(z)是超像素灰度的概率密度函数,即Gamma分布,T是阈值,大于阈值的超像素被判为目标超像素,小于阈值被判为背景超像素;
步骤7:根据步骤6的结果,获得两阶段CFAR检测后的二值图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510903913.9A CN105549009B (zh) | 2015-12-09 | 2015-12-09 | 一种基于超像素的sar图像cfar目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510903913.9A CN105549009B (zh) | 2015-12-09 | 2015-12-09 | 一种基于超像素的sar图像cfar目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105549009A CN105549009A (zh) | 2016-05-04 |
CN105549009B true CN105549009B (zh) | 2017-12-15 |
Family
ID=55828318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510903913.9A Expired - Fee Related CN105549009B (zh) | 2015-12-09 | 2015-12-09 | 一种基于超像素的sar图像cfar目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105549009B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646465A (zh) * | 2016-10-21 | 2017-05-10 | 郑州云海信息技术有限公司 | 一种级联恒虚警检测方法及装置 |
CN107145874B (zh) * | 2017-05-13 | 2021-06-04 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN108985292A (zh) * | 2018-05-23 | 2018-12-11 | 中国地质大学(武汉) | 一种基于多尺度分割的sar图像cfar目标检测方法与系统 |
CN109270529B (zh) * | 2018-12-07 | 2020-06-05 | 电子科技大学 | 基于虚拟天线的前视阵列sar高分辨成像方法及系统 |
CN111242061B (zh) * | 2020-01-17 | 2021-03-16 | 电子科技大学 | 一种基于注意力机制的合成孔径雷达舰船目标检测方法 |
CN111311718B (zh) * | 2020-01-19 | 2023-05-26 | 北京环境特性研究所 | 一种基于图论的散射中心关联方法和装置 |
CN111398913B (zh) * | 2020-04-07 | 2022-08-05 | 电子科技大学 | 一种基于双prf的视频sar动目标回波过滤方法 |
CN112924966B (zh) * | 2021-01-25 | 2022-04-22 | 电子科技大学 | 一种太赫兹视频sar实时处理系统 |
CN117420553B (zh) * | 2023-12-13 | 2024-03-12 | 南京理工大学 | 一种针对海面目标扫描雷达的超分辨率成像方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927551A (zh) * | 2014-04-21 | 2014-07-16 | 西安电子科技大学 | 基于超像素相关矩阵的极化sar图像半监督分类方法 |
CN104376330A (zh) * | 2014-11-19 | 2015-02-25 | 西安电子科技大学 | 基于超像素散射机制的极化sar图像舰船目标检测方法 |
CN104680538A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于超像素的sar图像cfar目标检测方法 |
CN105005987A (zh) * | 2015-06-23 | 2015-10-28 | 中国人民解放军国防科学技术大学 | 基于广义gamma分布的SAR图像超像素生成方法 |
-
2015
- 2015-12-09 CN CN201510903913.9A patent/CN105549009B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927551A (zh) * | 2014-04-21 | 2014-07-16 | 西安电子科技大学 | 基于超像素相关矩阵的极化sar图像半监督分类方法 |
CN104376330A (zh) * | 2014-11-19 | 2015-02-25 | 西安电子科技大学 | 基于超像素散射机制的极化sar图像舰船目标检测方法 |
CN104680538A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于超像素的sar图像cfar目标检测方法 |
CN105005987A (zh) * | 2015-06-23 | 2015-10-28 | 中国人民解放军国防科学技术大学 | 基于广义gamma分布的SAR图像超像素生成方法 |
Non-Patent Citations (2)
Title |
---|
Superpixel-Based Classification With an Adaptive Number of Classes for Polarimetric SAR Images;Bin Liu et al.;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20130228;第51卷(第2期);第907-924页 * |
基于超像素时空显著性的运动目标检测算法;云红全 等;《红外技术》;20150531;第37卷(第5期);第404-410页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105549009A (zh) | 2016-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105549009B (zh) | 一种基于超像素的sar图像cfar目标检测方法 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN103020978B (zh) | 结合多阈值分割与模糊聚类的sar图像变化检测方法 | |
Ghamisi et al. | Multilevel image segmentation based on fractional-order Darwinian particle swarm optimization | |
Tang et al. | Characterizing traffic time series based on complex network theory | |
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN103198480B (zh) | 基于区域和Kmeans聚类的遥感图像变化检测方法 | |
CN102938072B (zh) | 一种基于分块低秩张量分析的高光谱图像降维和分类方法 | |
Zhou et al. | Detection of ground straw coverage under conservation tillage based on deep learning | |
CN103955926A (zh) | 基于Semi-NMF的遥感图像变化检测方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN113256667B (zh) | 一种基于Otsu与联合分布的SAR图像舰船目标检测方法 | |
CN104751185A (zh) | 基于均值漂移遗传聚类的sar图像变化检测方法 | |
CN106815323A (zh) | 一种基于显著性检测的跨域视觉检索方法 | |
CN106203521A (zh) | 基于差异图自步学习的sar图像变化检测方法 | |
CN103400368A (zh) | 基于图论和超像素的并行快速sar图像分割方法 | |
CN116012364B (zh) | Sar图像变化检测方法和装置 | |
CN102073867A (zh) | 一种遥感图像分类方法及装置 | |
CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
CN104680549B (zh) | 基于高阶邻域tmf模型的sar图像变化检测方法 | |
CN107341449A (zh) | 一种基于云块特征变化的静止气象卫星降水估算方法 | |
Ghamisi et al. | Extending the fractional order Darwinian particle swarm optimization to segmentation of hyperspectral images | |
CN104392209A (zh) | 一种目标与背景的图像复杂度评价模型 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 |
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 | ||
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: 20171215 Termination date: 20211209 |