CN106067027B - Sar图像序列特征提取方法 - Google Patents

Sar图像序列特征提取方法 Download PDF

Info

Publication number
CN106067027B
CN106067027B CN201610389835.XA CN201610389835A CN106067027B CN 106067027 B CN106067027 B CN 106067027B CN 201610389835 A CN201610389835 A CN 201610389835A CN 106067027 B CN106067027 B CN 106067027B
Authority
CN
China
Prior art keywords
curve
likelihood ratio
sub
aperture
circular track
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
CN201610389835.XA
Other languages
English (en)
Other versions
CN106067027A (zh
Inventor
洪文
李洋
薛斐腾
郭小洋
王建峰
郭胜龙
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.)
Institute of Electronics of CAS
Original Assignee
Institute of Electronics of CAS
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 Institute of Electronics of CAS filed Critical Institute of Electronics of CAS
Priority to CN201610389835.XA priority Critical patent/CN106067027B/zh
Publication of CN106067027A publication Critical patent/CN106067027A/zh
Application granted granted Critical
Publication of CN106067027B publication Critical patent/CN106067027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

一种圆迹SAR图像序列特征提取方法，包括：联合应用似然比和恒虚警检测实现对圆迹SAR初始图像的方位向多散射中心的检测、消除和非相干累加，得到新的圆迹SAR图像序列，并获得所述新的圆迹SAR图像的似然比曲线Λ(i)和子孔径消除曲线Ap(i)；通过对所述似然比曲线进行前向差分、编码和转码，并对编码后的特征进行合并类别数，得到多视向似然比特征；以及通过对子孔径消除曲线进行前向差分、编码和转码，并对编码后的特征进行合并类别数，得到多视向子孔径消除特征。

Description

SAR图像序列特征提取方法
技术领域
本发明涉及雷达图像处理领域，尤其涉及一种圆迹合成孔径雷达(SyntheticAperture Radar，SAR)图像序列的特征提取方法。
背景技术
目前，在圆迹SAR成像过程中，通常对各子孔径进行全相干累加全孔径图像。若目标对所有孔径都满足方位向同散射中心假设，全相干累加可以获得分辨率和信噪比最优的图像。然而，由于实际地物的散射特征仅在有限的方位角内保持稳定，方位向多散射中心的存在使得圆迹SAR出现新的特征。传统圆迹SAR图像应用并没有有效利用方位向多散射中心的特征。
发明内容
本发明实施例提供了一种圆迹SAR图像序列特征提取方法，包括：
步骤S1，联合应用似然比和恒虚警检测实现对圆迹SAR初始图像的方位向多散射中心的检测、消除和非相干累加，得到新的圆迹SAR图像序列，并获得所述新的圆迹SAR图像的似然比曲线和子孔径消除曲线；
步骤S2，通过对所述似然比曲线进行前向差分、编码和转码，并对编码后的特征进行合并类别数，得到多视向似然比特征；以及
步骤S3，通过对子孔径消除曲线进行前向差分、编码和转码，并对编码后的特征进行合并类别数，得到多视向子孔径消除特征。
针对传统图像合成方法未完全利用由圆迹SAR成像中各子孔径视向不同而产生的丰富的和视向相关的信息，根据本发明的技术方案，利用通过似然比检测、恒虚警检测获得的圆迹SAR图像序列进行圆迹SAR图像的多视向特征提取。通过重组原始的子孔径图像序列获得一种物理意义明确且和观测对象所处方位无关的数据，从序列图像中提取出随散射中心变化的多视向特征，应用差异性似然比和恒虚警检测中生成的随视向变化的差异性似然比曲线和子孔径消除曲线，分别对差异性似然比曲线和子孔径消除曲线进行前向差分、编码和转码，并合并类别数，获得多视向似然比特征和多视向子孔径消除特征。
附图说明
图1示出了根据本发明的SAR图像序列特征提取方法的流程图；
图2示出了根据本发明的提取SAR图像序列的差异性似然比特征的流程图；
图3示出了根据本发明的提取圆迹SAR图像序列的子孔径消除特征的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
图1示出了根据本发明的圆迹SAR图像序列特征提取方法的流程图。如图1所示，所述方法可以包括：
步骤S1，联合应用似然比和恒虚警检测实现对圆迹SAR初始图像序列的方位向多散射中心的检测、消除和非相干累加，得到新的圆迹SAR图像序列，并获得新的圆迹SAR图像的似然比曲线和子孔径消除曲线；
步骤S2，通过对似然比曲线进行前向差分、编码和转十进制码，并对编码后的特征进行合并类别数，得到多视向似然比特征；以及
步骤S3，通过对子孔径消除曲线进行前向差分、编码和转十进制码，并对编码后的特征进行合并类别数，得到多视向子孔径消除特征。
接下来将参考图2和图3来详细描述根据本发明的圆迹SAR图像序列特征提取方法。图2示出了根据本发明的提取SAR图像序列的差异性似然比特征的流程图，图3示出了根据本发明的提取圆迹SAR图像序列的子孔径消除特征的流程图。
首先，本领域技术人员可以理解，可以根据本领域公知的各种方法联合应用似然比和恒虚警检测实现对圆迹SAR初始图像序列的方位向多散射中心的检测、消除和非相干累加，得到新的圆迹SAR图像序列，并获得新的圆迹SAR图像序列中每个像素点随序列号变化的似然比大小和子孔径序号，构成似然比曲线和子孔径消除曲线。例如可以，参见Ferro-Famil L，Reigber A，Pottier E，et al..Scene characterization using subaperturepolarimetric SAR data[J].IEEE Transactions on Geoscience and Remote Sensing，2003，41(10)：2264-2276。
如图2所示，步骤S2具体可以包括：
在步骤S21，对似然比曲线进行前向差分。
同一类散射目标的似然比曲线绝对值差异较大，这是由于似然比计算过程中主要依赖散射强度信息。散射强度容易受到多种因素的影响，例如天线的散射方向图、地形坡度以及目标本身的介电常数和几何结构。由此可见，似然比曲线处理应以曲线特征提取及归一化为主，似然比曲线的变化趋势(上升、降低或不变)可以反映目标的方位向散射结构。因此需结合似然比曲线的前向差分运算及状态编码来提取曲线特征并归一化。若Λ(i)代表似然比曲线，其前向差分值可以被定义为：
ΔlogΛ(i)＝logΛ(i+1)-logΛ(i)
其中1≤i≤N，N为图像序列长度。
在步骤S22，对似然比曲线的前向差分值进行编码。由于同一类型地物的前向差分值在实际数据中的差异较大(和似然比相同，受到多种因素的共同作用)，但变化趋势表现出很强的模式性，且在模型分析中具有明确的含义。因此，将似然比曲线特征简化为变化趋势的三种状态：上升、降低或不变。为进一步应用于分类，可以将三种状态表达为三进制数Num，一组编码ki，i＝1，2，3…N-1，按照Num＝k1k2…组成三进制数，编码的位数可以根据应用需求来确定。其中，若ΔlogΛ(i)＝0，则编码ki＝0；若ΔlogΛ(i)＞0，则ki＝1；若ΔlogΛ(i)＜0，则ki＝2。
编码的重要性及可信度从左至右依次降低的。因此，若在后期应用时发现过度分割的现象或希望减少类别数，可以在编码阶段调整尾数的位数，以此来舍弃不重要或可信度差的编码。该编码是不同类型的散射目标和其自身似然比曲线变化趋势唯一匹配的“身份”信息，如同提取了每个散射目标的指纹信息。
然后，在步骤S23，对Num进行十进制转码。
在得到指纹信息后，将多位Num进一步转化为一个十进制数字Numd。三进制转十进制从编码右侧开始，令似然比差异较小的类型所对应的十进制数值比较接近。变化次数多的和变化次数少的类型所对应的十进制数值相差较大。相同变化次数但在不同迭代周期中发生的也有差别。
然后，在步骤S24，基于十进制编码Numd的直方图合并类别数目，从而获得多视向似然比特征。合并类别数目方法需根据应用需求决定。通过调整预设的直方图分辨间隔ΔL，可以调节特征合并类别过程中的敏感度。如果需要得到细小的特征差别，则令直方图间隔ΔL变小，敏感度调高。如果特征的类别合并结果有过度分类现象，则增大ΔL以降低敏感度。计算Numd和第l个类别之间的距离Lenl，l＝1，2…P，P是类别的数量。对距离进行排序得到最短距离Lenmin＝Lenx，则Numd被归类到第x个类别中。
如图3所示，步骤S3可以具体包括：
在步骤S31，对子孔径消除曲线进行前向差分。
除似然比外，新的圆迹SAR图像序列还产生了消除子孔径标号序列。被消除的子孔径标号代表了该散射中心的后向散射方向图主要覆盖方向。由于试验中的消除子孔径标号在[0，9]之间，因此图中把方位向同散射中心的孔径差异统一设置为10。曲线的特征不是非常明显，很难从中直接分辨不同地物类型。
基于前文对似然比曲线的分析，可以采用类似的思路来处理子孔径消除标号曲线。若假设子孔径的数量R是偶数，Ap(i)代表子孔径消除曲线，其前向差分值可以被定义为：
上式在计算相邻迭代之间的孔径个数差别ΔAp(i)时，需要考虑观测角度差是周期的。孔径标号差的周期是方位角π所对应的子孔径数量R/2，超过周期的需要通过|R-Ap(i+1)+Ap(i)|补偿回来，并且不区分正负值，只保留相对量。此外，当出现只有1次消除变化的情况时，将ΔAp(i)赋值为R/2+1。
然后，在步骤S32，对子孔径消除曲线的前向差分值进行编码。
和似然比曲线变化不同的是，子孔径消除标号曲线包含0.5·R+2个状态，即需要多进制编码，例如0.5·R+2进制编码。编码过程和似然比的前向差分值的编码过程类似。
然后，在步骤S33，对编码后的多位数进行十进制转码得到十进制数。转码过程和步骤S23类似。
然后，在步骤S34，基于十进制数的直方图进行合并类别数目，获得多视向子孔径消除特征。合并类别数的过程和步骤S24类似。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内。

Claims (7)

1.一种圆迹合成孔径雷达SAR图像序列特征提取方法，包括：
步骤S1，联合应用似然比和恒虚警检测实现对圆迹SAR初始图像的方位向多散射中心的检测、消除和非相干累加，得到新的圆迹SAR图像序列，并获得所述新的圆迹SAR图像的似然比曲线Λ(i)和子孔径消除曲线Ap(i)；
步骤S2，通过对所述似然比曲线进行前向差分、编码和转码，并对转码后的特征进行合并类别数，得到多视向似然比特征；以及
步骤S3，通过对子孔径消除曲线进行前向差分、编码和转码，并对转码后的特征进行合并类别数，得到多视向子孔径消除特征；
其中，所述步骤S3中对所述子孔径消除曲线Ap(i)进行前向差分包括：
在子孔径的数量R是偶数的情况下，通过计算所述子孔径消除曲线Ap(i)的前向差分值ΔAp(i)。
2.根据权利要求1所述的方法，其中，所述步骤S2中对所述似然比曲线进行前向差分包括
ΔlogΛ(i)＝logΛ(i+1)-logΛ(i)
其中1≤i≤N，N为图像序列长度，ΔlogΛ(i)表示似然比曲线前向差分值。
3.根据权利要求2所述的方法，其中，所述步骤S2中对所述似然比曲线进行编码包括将所述似然比曲线前向差分值编码为三进制数Num＝k1k2L，ki，i＝1，2，3L N-1，其中
若ΔlogΛ(i)＝0，则编码ki＝0；
若ΔlogΛ(i)＞0，则ki＝1；
若ΔlogΛ(i)＜0，则ki＝2。
4.根据权利要求3所述的方法，其中，所述步骤S2中对所述似然比曲线进行编码还包括：对Num进行十进制转码得到十进制数Numd，并基于十进制数Numd的直方图合并类别数目，从而获得多视向似然比特征。
5.根据权利要求1所述的方法，其中，所述步骤S3包括将子孔径消除曲线的前向差分值ΔAp(i)编码为多进制数据。
6.根据权利要求5所述的方法，还包括对所述多进制数据进行十进制转码得到十进制数，并基于十进制数的直方图进行合并类别数目，获得多视向子孔径消除特征。
7.根据权利要求5或6所述的方法，其中，所述多进制数据是0.5·R+2进制数据。
CN201610389835.XA 2016-06-03 2016-06-03 Sar图像序列特征提取方法 Active CN106067027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610389835.XA CN106067027B (zh) 2016-06-03 2016-06-03 Sar图像序列特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610389835.XA CN106067027B (zh) 2016-06-03 2016-06-03 Sar图像序列特征提取方法

Publications (2)

Publication Number Publication Date
CN106067027A CN106067027A (zh) 2016-11-02
CN106067027B true CN106067027B (zh) 2019-04-02

Family

ID=57420445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610389835.XA Active CN106067027B (zh) 2016-06-03 2016-06-03 Sar图像序列特征提取方法

Country Status (1)

Country Link
CN (1) CN106067027B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663399A (zh) * 2012-04-16 2012-09-12 北京博研新创数码科技有限公司 一种基于Hilbert曲线和LBP的图像局部特征提取方法
CN102999908A (zh) * 2012-11-19 2013-03-27 西安电子科技大学 基于改进视觉注意模型的sar机场分割方法
CN105286857A (zh) * 2015-09-29 2016-02-03 北京航空航天大学 一种可适应心电波形病理变化的r波快速检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663399A (zh) * 2012-04-16 2012-09-12 北京博研新创数码科技有限公司 一种基于Hilbert曲线和LBP的图像局部特征提取方法
CN102999908A (zh) * 2012-11-19 2013-03-27 西安电子科技大学 基于改进视觉注意模型的sar机场分割方法
CN105286857A (zh) * 2015-09-29 2016-02-03 北京航空航天大学 一种可适应心电波形病理变化的r波快速检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Scene characterization using subaperture polarimetric SAR data;Ferro-Famil等;《Geoscience and Remote Sensing》;20131031;第10卷(第41期);论文第1-4节 *
基于极化SAR的目标极化分解与散射特征提取研究;安文韬;《中国博士学位论文全文数据库 信息科技辑》;20110815(第8期);全文 *
多角度极化SAR图像中的非各向同性散射估计与消除方法研究;李洋等;《雷达学报》;20150630;第4卷(第3期);全文 *

Also Published As

Publication number Publication date
CN106067027A (zh) 2016-11-02

Similar Documents

Publication Publication Date Title
CN109636742B (zh) 基于对抗生成网络的sar图像和可见光图像的模式转换方法
CN102254319B (zh) 一种多层次分割的遥感影像变化检测方法
CN108389188B (zh) 一种稀疏高光谱异常目标检测方法
CN110988818B (zh) 基于条件生成式对抗网络的欺骗干扰模板生成方法
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
CN110210282B (zh) 一种基于非凸低秩稀疏分解的运动目标检测方法
CN109299720A (zh) 一种基于轮廓片段空间关系的目标识别方法
CN106461758A (zh) 带有优化的中间数据存储的雷达系统
Hamida et al. Deep learning for semantic segmentation of remote sensing images with rich spectral content
CN106128121A (zh) 基于局部特征分析的车辆排队长度快速检测算法
JP2019537151A (ja) 画像処理装置、画像処理方法及び画像処理プログラム
CN106529472B (zh) 基于大尺度高分辨率高光谱图像的目标探测方法及装置
CN103870836A (zh) 基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法
CN108230365B (zh) 基于多源差异图像内容融合的sar图像变化检测方法
CN108305265B (zh) 微弱小目标图像实时处理方法及系统
Xu et al. LMO-YOLO: A ship detection model for low-resolution optical satellite imagery
CN103559495A (zh) 一种高光谱溢油信息提取方法
Xu et al. COCO-Net: A dual-supervised network with unified ROI-loss for low-resolution ship detection from optical satellite image sequences
CN106067027B (zh) Sar图像序列特征提取方法
CN113111706B (zh) 一种面向方位角连续缺失的sar目标特征解缠与识别方法
CN112989940A (zh) 基于高分三号卫星sar影像的筏式养殖区提取方法
CN115792908B (zh) 一种基于高分多角度星载sar特征融合的目标检测方法
CN104881670A (zh) 一种用于sar方位角估计的快速目标提取方法
CN104112278A (zh) 基于协方差的多光谱图像实时配准方法
CN102800108A (zh) 基于局部约束最小二乘估计的视觉目标跟踪方法

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