CN106157299B - 一种sar图像人造目标提取方法 - Google Patents
一种sar图像人造目标提取方法 Download PDFInfo
- Publication number
- CN106157299B CN106157299B CN201610399415.XA CN201610399415A CN106157299B CN 106157299 B CN106157299 B CN 106157299B CN 201610399415 A CN201610399415 A CN 201610399415A CN 106157299 B CN106157299 B CN 106157299B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- histogram
- man
- sar
- 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
- 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
- Image Processing (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于相邻灰度直方图比的SAR人造目标提取方法。技术方案是:首先利用平移灰度数据构建变化检测量,生成标准灰度差异图像;在此基础上,利用差异数据的直方图特征计算出平移区域变化与未变化像素分割阈值,随后利用该阈值来求得目标分割阈值,最终实现对原始SAR图像的人造目标提取。本发明能够有效提高SAR图像中人造目标和杂波虚警的区分能力和检测方法的适应能力。
Description
技术领域
本发明属于图像处理技术领域,涉及一种SAR(Synthetic Aperture Radar,合成孔径雷达)图像人造目标提取方法,特别是涉及基于相邻灰度直方图比阈值选择的SAR图像人造目标提取方法。
背景技术
SAR图像解译技术内容丰富,针对不同的应用蔓延出很多分支。其中,引人注目的一个分支是:致力于解决从复杂的地物场景中有效提取出感兴趣的人造目标(如建筑物、车辆、舰船、飞机等)。人造目标主要由金属及混凝土构成,由于其具有较强的雷达回波,在SAR图像上表现为具有和周围环境反差较大的对比度。在SAR图像中,各种目标提取算法的构建本质上都是围绕目标与杂波电磁散射特性的差别进行的。因此,基于灰度特征的人造目标提取方法在目前所有提取方法中最为有效,其应用也最为广泛。SAR图像中人造目标提取的工作原理是对SAR图像中疑似目标像素选择合适的提取阈值,根据设定的判决条件对图像进行提取,满足条件的即为感兴趣目标,不符合条件的即为杂波虚警。
SAR图像人造目标提取的本质是根据人造目标和杂波的散射特性的不同所表现的特征差异来完成提取的。概括来说,SAR图像人造目标提取方法可分为以下几类:(1)基于对比度的一类提取算法;(2)基于图像的其它特征的一类提取算法;(3)基于复图像特征的一类提取算法。
基于对比度的人造目标提取算法主要有:(1)CFAR检测算法;(2)广义似然比检验(GLRT)检测算法;(3)能量环(PR)检测算法。CFAR方法是SAR图像人造目标提取领域研究最为广泛、最为深入,也是目前较为实用的一类方法。由于对比度仅仅是能够发掘人造目标与杂波电磁散射特性差异的一种特征,当然还存在图像的其它特征能够揭示这种差异。基于图像的其它特征的一类算法就是利用了两者在图像上表现出尺寸、形状、纹理等特征的差异来进行人造目标的提取。前两类算法实际上都只利用了幅度信息,损失了可用于人造目标提取的相位等信息,而基于复图像特征的人造目标提取算法则充分利用了幅度与相位信息,这方面有代表性的研究包括:(1)子孔径相干法;(2)相干空间滤波法。
虽然SAR图像人造目标提取算法在过去的近二十年里得到了蓬勃的发展,但这些方法都或多或少地都存在一些不足:基于对比度的人造目标提取算法对杂波统计模型的要求很高,某些算法还需要目标先验信息,检测阈值也无法自适应地选择。由于特征不易获取,基于图像其它特征的人造目标提取算法其实用性不足。基于复图像特征的人造目标提取算法绝大多数只具有低频SAR提取特色,对于高频SAR,通常不能提供算法必须的目标特征信息。
发明内容
本发明的目的是针对现有人造目标提取算法杂波统计建模能力不足、算法效率低、算法提取精度不足、算法自适应能力弱等缺点,提出一种基于相邻灰度直方图比阈值选择的SAR图像人造目标提取方法,能够有效提高SAR图像中人造目标和杂波虚警的区分能力和提取方法的适应能力。
本发明技术方案的思路是:首先利用SAR图像灰度数据构建变化检测量,生成标准灰度差异图像;在此基础上,利用标准灰度差异图像的直方图特征计算出标准灰度差异图像中变化与未变化像素的阈值,随后利用该阈值来获取人造目标提取的最终阈值,实现对SAR图像人造目标的提取。
为解决上述技术问题,本发明提出一种基于相邻灰度直方图比的SAR图像人造目标提取方法,技术方案包括下述过程:
在SAR图像中心区域选取参考图像,将参考图像对应的矩形边框在SAR图像中分别沿右下、右上、左下、左上四个方向平移相同像素值,获得四幅不同的待检测图像;
利用似然比变化检测量计算参考图像和每一幅待检测图像的差异图像,利用线性变换计算每幅差异图像的标准灰度差异图像,统计每幅标准灰度差异图像的直方图;
对每一幅标准灰度差异图像的直方图进行下述操作:在直方图峰值对应的灰度值到最大灰度值(通常为255)这个区间内,依次计算相邻灰度值的直方图比值,将第一个满足比值小于1所对应的灰度值作为原始阈值,统计标准灰度差异图像中原始阈值到最大灰度值255区间内变化的像素数目,记为标准灰度差异图像变化像素数;
在SAR图像的直方图中从灰度值255往下进行搜索统计,当下降到某一灰度值时,若上述搜索区间内的像素数目大于标准灰度差异图像变化像素数,则将该灰度值作为提取阈值,根据四幅标准灰度差异图像获得四个不同的提取阈值;
将上述四个提取阈值取平均作为最终阈值,最后利用该最终阈值对SAR图像进行提取获得二值图像,实现人造目标的提取。
采用本发明可以达到以下技术效果:
1、本发明在构建似然比变化检测量过程中涉及变化检测的思想,即通过平移原始图像获得不同的原始图像数据来构建变化检测量,从而生成标准差异图像数据,便于将目标从杂波背景中分离出来。
2、本发明无需对背景杂波进行统计建模,阈值的选取简单有效,相邻灰度直方图比的阈值选择算法具有明显的物理意义,算法简单、稳健、易实现,能够满足目标提取的实时化处理要求。
3、本发明自适应地计算提取阈值,即可得到包含潜在目标的二值图像,无需先验知识,不仅提取效果理想而且自适应性强。通过对SAR图像中强散射的人造目标进行提取,证明了该方法稳健、计算效率高、性能好。
附图说明
图1是SAR图像人造目标提取方法的流程图;
图2是隔离区以及参考图像选取示意图;
图3是SAR图像、参考图像、待检测图像以及标准灰度差异图像的示意图;
图4是标准灰度差异图像的直方图;
图5是直方图比值原始阈值选取方法示意图;
图6是SAR数据目标提取实验结果。
具体实施方式
下面结合附图对本发明的实施方式进行详细说明。
图1是SAR图像人造目标提取方法的流程图,包括构建变化检测量、自适应阈值选取、人造目标提取三个步骤:
第一步,构建变化检测量:
记SAR图像为I,尺寸为H×W,其左上角点坐标为(1,1),右下角点坐标为(H,W)。在SAR图像四周建立宽度为ΔH(ΔH>0)的隔离区,取图像中心数据块作为参考图像,记为I1,则I1的左上角点坐标为(ΔH+1,ΔH+1),右下角点坐标为(H-ΔH,W-ΔH),尺寸为(H-2ΔH)×(W-2ΔH)。通常,ΔH的选取根据图像I的大小来确定,一般不超过其短边长的百分之十。将参考图像I1的对应矩形边框沿水平方向和竖直方向在SAR图像I中进行平移,水平方向和竖直方向平移像素数均为ΔW(0<ΔW≤ΔH),因此,可沿右下、右上、左下、左上四个方向分别获得四幅平移数据I2_k,k=1,2,3,4。根据平移方向的不同(定义向右平移为正,向下平移为正)按公式一可确定I2_k左上角(LT)及右下角(RT)点坐标。平移数据I2_k,k=1,2,3,4为矩形,尺寸大小均为(H-2ΔH)×(W-2ΔH),将其视为变化检测中的待检测图像。
参考图像I1和待检测图像I2_k中位置坐标为(i,j)的像素灰度表示为I1(i,j)、I2_k(i,j)。利用公式二通过M×M(M为奇数,M=2m+1)大小窗口计算似然比变化检测量ηk(i,j),M的取值根据实际情况确定,一般不超过10。
其中ηk(i,j),k=1,2,3,4代表第k幅差异图像的像素灰度值;利用线性变换方法,将似然比变化检测量ηk(i,j)的取值范围按公式三线性变换至[0,255],得到第k幅标准灰度差异图像Dk,位置坐标为(i,j)的灰度值Dk(i,j)为;
其中ηk_max、ηk_min分别代表第k幅差异图像最大灰度值以及最小灰度值,[]代表四舍五入取整。
第二步,自适应阈值选取:
统计第k幅标准灰度差异图像Dk的直方图,令Tk_max为直方图中的峰值所对应的灰度值,由于最佳提取阈值即原始阈值处于直方图峰值右侧的下降通道,在直方图中统计区间[Tk_max,255]内每个灰度值的数目Nk(i),即获取Tk_max点右侧所有灰度值所对应的直方图,然后利用公式四计算直方图在区间[Tk_max,255]相邻点的比值Sk(i):
对相邻直方图比值Sk(i)进行搜索,将第一个满足比值Sk(i)<1所对应的灰度值作为原始阈值T0_k,这表明从该位置开始,直方图已经由单调递减区进行振荡区,该位置所对应的灰度值即为递减区与振荡区的过渡点。统计直方图在区间[T0_k,255]内所有像素数目,即第k幅标准灰度差异图像Dk中发生变化的像素数量CNk;在SAR图像I的直方图中从灰度值255往下进行搜索统计,当下降到某一灰度值G0_k时,若区间[G0_k,255]内所有像素数目CTk满足CTk>CNk,此时即认为提取阈值Tk=G0_k。
第三步,人造目标提取:
通过第二步利用四组标准灰度差异图像获得四个不同的提取阈值Tk,k=1,2,3,4,此时,最终阈值根据公式五计算所得:
用最终阈值T对SAR图像I进行提取得到二值图像B:即灰度值大于最终阈值T的像素赋值为1,否则为0;在二值图像B中设赋值为1的像素即为人造目标像素。
图2是隔离区以及参考图像选取示意图。外矩形包含部分为SAR图像I,内矩形包含部分为参考图像I1,画斜线的阴影部分代表隔离区。隔离区的宽度为ΔH。
图3至图5是利用本发明进行SAR图像人造目标提取实验的结果。
图3是SAR图像、参考图像、待检测图像以及标准灰度差异图像的示意图。(a)为SAR图像,图像大小为645×912像素。取ΔH=30,取ΔW=20,(b)为在SAR图像中心区域选取的参考图像,图像大小为585×852像素。(c)、(e)、(g)、(i)分别为将参考图像对应的矩形边框在SAR图像中向右下、右上、左下、左上各平移20个像素所获得的数据块,将其作为构建变化检测量的待检测图像。(d)、(f)、(h)、(j)为利用似然比变化检测量通过加5×5大小窗口(M=5)再经过线性变换后得到的标准灰度差异图像。
图4是标准灰度差异图像的直方图。(a)、(b)、(c)、(d)分别为四组标准灰度差异图的直方图,其峰值点对应的灰度值T1_max、T2_max、T3_max、T4_max均为1。
图5是利用直方图比值选取原始阈值的示意图。(a)、(b)、(c)、(d)分别为四组标准灰度差异图像直方图比值图,从(a)-(d)图中可以看出,第一个比值小于1的灰度值分别为32、37、31、32,因此原始阈值T0_1、T0_2、T0_3、T0_4分别为32、37、31、32;
图6是SAR图像目标提取实验结果,白色像素代表提取出来的人造目标。(a)-(d)分别为利用原始阈值T0_1、T0_2、T0_3、T0_4求得提取阈值T1、T2、T3、T4之后,然后对SAR图像提取所获得的结果图。在提取阈值的选取过程中,通过计算可以得出四组标准灰度差异图像中发生变化的像素数量CN1、CN2、CN3、CN4分别为24980、21274、30451、23985,统计SAR图像的直方图,可以发现当灰度值由255分别下降至72、79、63、74时,搜索区间范围的频数分别大于24980、21274、30451、23985,即提取阈值T1、T2、T3、T4分别为72、79、63、74。通过对四组提取阈值取平均可以得出最终阈值T为72,图(e)为最终获得的提取结果图。通过人造目标提取结果可以看出,人造目标与杂波背景分离效果突出,并且能够完全提取出感兴趣的人造目标,阈值选取过程无需考虑背景杂波的统计特性,说明本提取方法稳健。
Claims (1)
1.一种SAR图像人造目标提取方法,SAR是指合成孔径雷达,其特征在于,包括下述步骤:
在SAR图像中心区域选取参考图像,将参考图像对应的矩形边框在SAR图像中分别沿右下、右上、左下、左上四个方向平移相同像素值,获得四幅不同的待检测图像;
利用似然比变化检测量计算参考图像和每一幅待检测图像的差异图像,利用线性变换计算每幅差异图像的标准灰度差异图像,统计每幅标准灰度差异图像的直方图;
具体地,利用下述公式通过M×M大小窗口计算似然比变化检测量ηk(i,j),M的取值根据实际情况确定,M为奇数,M=2m+1:
其中,参考图像I1和待检测图像I2_k中位置坐标为(i,j)的像素灰度表示为I1(i,j)、I2_k(i,j),ηk(i,j)代表第k幅差异图像的像素灰度值,k=1,2,3,4;利用线性变换方法,将似然比变化检测量ηk(i,j)的取值范围按下述公式线性变换至[0,255],得到第k幅标准灰度差异图像Dk,位置坐标为(i,j)的灰度值Dk(i,j)为;
其中ηk_max、ηk_min分别代表第k幅差异图像最大灰度值以及最小灰度值,[]代表四舍五入取整;
对每一幅标准灰度差异图像的直方图进行下述操作:在直方图峰值对应的灰度值到最大灰度值这个区间内,依次计算相邻灰度值的直方图比值,将第一个满足比值小于1所对应的灰度值作为原始阈值,统计标准灰度差异图像中原始阈值到最大灰度值区间内变化的像素数目,记为标准灰度差异图像变化像素数;
具体地,统计第k幅标准灰度差异图像Dk的直方图,令Tk_max为直方图中的峰值所对应的灰度值,在直方图中统计区间[Tk_max,255]内每个灰度值的数目Nk(i),获取Tk_max点右侧所有灰度值所对应的直方图,然后利用下述公式计算直方图在区间[Tk_max,255]相邻点的比值Sk(i):
在SAR图像的直方图中从最大灰度值往下进行搜索统计,当下降到某一灰度值时,若上述搜索区间内的像素数目大于标准灰度差异图像变化像素数,则将该灰度值作为提取阈值,根据四幅标准灰度差异图像获得四个不同的提取阈值;
将上述四个提取阈值取平均作为最终阈值,最后利用该最终阈值对SAR图像进行提取获得二值图像,实现人造目标的提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610399415.XA CN106157299B (zh) | 2016-06-07 | 2016-06-07 | 一种sar图像人造目标提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610399415.XA CN106157299B (zh) | 2016-06-07 | 2016-06-07 | 一种sar图像人造目标提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106157299A CN106157299A (zh) | 2016-11-23 |
CN106157299B true CN106157299B (zh) | 2018-11-30 |
Family
ID=57352874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610399415.XA Active CN106157299B (zh) | 2016-06-07 | 2016-06-07 | 一种sar图像人造目标提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106157299B (zh) |
Citations (4)
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 |
EP2645329A1 (en) * | 2012-03-27 | 2013-10-02 | Westfälische Wilhelms-Universität Münster | Method and system for image segmentation |
CN104240257A (zh) * | 2014-09-30 | 2014-12-24 | 中国人民解放军国防科学技术大学 | 基于变化检测技术的sar图像舰船目标鉴别方法 |
CN105447488A (zh) * | 2015-12-15 | 2016-03-30 | 西安电子科技大学 | 基于素描线段拓扑结构的sar图像目标检测方法 |
-
2016
- 2016-06-07 CN CN201610399415.XA patent/CN106157299B/zh active Active
Patent Citations (4)
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 |
EP2645329A1 (en) * | 2012-03-27 | 2013-10-02 | Westfälische Wilhelms-Universität Münster | Method and system for image segmentation |
CN104240257A (zh) * | 2014-09-30 | 2014-12-24 | 中国人民解放军国防科学技术大学 | 基于变化检测技术的sar图像舰船目标鉴别方法 |
CN105447488A (zh) * | 2015-12-15 | 2016-03-30 | 西安电子科技大学 | 基于素描线段拓扑结构的sar图像目标检测方法 |
Non-Patent Citations (3)
Title |
---|
A c hange detection measure based on a likelihood ratio and statistical properties of SAR i ntensity images;BOLI XIONG 等;《Remote Sensing Letters》;20120531;第3卷(第3期);267-275 * |
SAR 图像配准及变化检测技术研究;熊博莅;《中国博士学位论文全文数据库 信息科技辑》;20140415(第04期);I136-61 * |
一种基于双阈值区域分割的SAR图像目标提取方法;刘开刚 等;《国外电子测量技术》;20080322;第27卷(第3期);3-6 * |
Also Published As
Publication number | Publication date |
---|---|
CN106157299A (zh) | 2016-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qu et al. | Novel detection method for infrared small targets using weighted information entropy | |
CN106355608B (zh) | 基于可变权重代价计算与S-census变换的立体匹配方法 | |
CN104504652A (zh) | 一种快速有效保留边缘及方向特征的图像去噪方法 | |
CN104463870A (zh) | 一种图像显著区域检测方法 | |
CN110490904B (zh) | 一种弱小目标检测与跟踪方法 | |
CN101441766B (zh) | 基于多尺度几何分析的sar图像融合方法 | |
CN108038856B (zh) | 基于改进多尺度分形增强的红外小目标检测方法 | |
CN104683783A (zh) | 一种自适应深度图滤波方法 | |
CN113420658A (zh) | 一种基于fcm聚类和otsu分割的sar图像海陆分割方法 | |
CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
CN106157299B (zh) | 一种sar图像人造目标提取方法 | |
Sha et al. | Gray level-median histogram based 2D Otsu's method | |
CN105528772B (zh) | 一种基于指导性滤波的图像融合方法 | |
CN106355576B (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
CN105828061B (zh) | 一种基于视觉掩蔽效应的虚拟视点质量评价方法 | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
CN105205485B (zh) | 基于多类类间最大方差算法的大尺度图像分割算法 | |
Yang et al. | Depth map generation using local depth hypothesis for 2D-to-3D conversion | |
CN107766878B (zh) | 一种基于Lab色彩空间K均值聚类的危险品检测方法 | |
CN103530887B (zh) | 一种基于多特征融合的河面图像区域分割方法 | |
CN114155425B (zh) | 基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法 | |
CN115424249A (zh) | 一种复杂背景下空中弱小目标自适应检测方法 | |
CN108401563B (zh) | 基于多尺度均值滤波和显著性检测的红外小目标检测方法 | |
CN108573236A (zh) | 基于离散分数布朗随机场的云天背景下红外弱小目标检测方法 | |
An et al. | Automatic recognition and feature extraction of rock blocks based on 3D point cloud data analytics |
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 |