CN106204664B - 基于sar-lark特征的sar舰船目标检测方法 - Google Patents
基于sar-lark特征的sar舰船目标检测方法 Download PDFInfo
- Publication number
- CN106204664B CN106204664B CN201610570770.9A CN201610570770A CN106204664B CN 106204664 B CN106204664 B CN 106204664B CN 201610570770 A CN201610570770 A CN 201610570770A CN 106204664 B CN106204664 B CN 106204664B
- Authority
- CN
- China
- Prior art keywords
- pixel
- sar
- sliding window
- lark
- image
- 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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SAR的局部自适应回归核SAR‑LARK特征的舰船目标检测方法,主要解决现有SAR舰船检测方法高检测率下虚警较多的问题。其实现方案为:1.输入原始SAR幅度图像;2.基于均值比梯度算法计算SAR图像中每个像素点的SAR‑LARK特征矢量;3.基于SAR‑LARK特征矢量计算每个像素点的显著性大小,得到显著性图;4.对显著性图进行局部极大值点检测;5.将局部极大值点与设定的检测门限进行比较,得到最终检测结果。本发明能很好地捕获图像中目标和杂波的局部结构差异,在保持高的检测率的同时减少了虚警,提高了检测性能,可用于对地面目标和海面目标的检测与鉴别。
Description
技术领域
本发明属于雷达目标检测技术领域,特别涉及一种SAR图像舰船目标检测方法,可用于对地面目标和海面目标的检测与鉴别。
背景技术
合成孔径雷达SAR是一种能够在任何时候、任何天气环境下不间断进行工作的高分辨率雷达,可以全天时、全天候地对感兴趣的目标进行监测,是目前对地对海观测和军事侦察的重要手段。因而SAR舰船目标检测是SAR的一个重要应用领域。
现有的SAR舰船检测算法主要是基于恒虚警率CFAR思想的舰船检测算法,其算法以及改进算法诸如双参数CFAR,CA-CFAR等是当前该研究领域中使用最多的算法之一。在2009年,X.W.Xing等人基于CFAR思想提出了一种两阶段CFAR的舰船目标检测算法。这种基于恒虚警率CFAR思想的算法主要是基于海杂波统计特性分析,获取检测阈值,通过比较图像中像素点的强度值与检测阈值来实现舰船检测,比较简单直接。但这种检测算法的缺点是依赖于雷达回波的强度信息以及杂波的概率分布模型,对杂波分布参数估计不准,且由于强杂波区域的存在使得检测结果中出现大量的虚警。
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SAR的局部自适应回归核SAR-LARK特征的SAR舰船目标检测方法,以在保持高的检测率的条件下降低虚警的数目。
为实现上述目的,本发明的技术思路方案包括如下:
(1)输入一幅大小为M×N的SAR图像的幅度图像I,提取图像中每个像素点的SAR局部自适应回归核LARK特征矢量,即SAR-LARK特征矢量:
(1a)采用均值比梯度ROA算法计算幅度图像I中每个像素点的水平梯度和垂直梯度x1表示水平梯度方向,x2表示垂直梯度方向;
(1b)利用(1a)中的水平梯度和垂直梯度采用局域平均的方式计算幅度图像I中每个像素点的梯度协方差矩阵Ci;
(1c)以当前第i个像素点为中心构建一个P×P大小的滑窗Ωi,利用(1b)中的梯度协方差矩阵Ci,计算当前第i个像素点与Ωi滑窗内每个像素点的测地线距离m是滑窗内的第m个像素点,m=1,2,…,P2;
(1d)利用(1c)中的测地线距离计算当前第i个像素点与Ωi滑窗内每个像素点的相似性Ki,m,得到当前像素点的SAR-LARK特征矢量为:其中,[.]T表示转置;
(1e)重复(1c)和(1d),求得幅度图像I中所有像素点的SAR-LARK特征矢量集合fI={f1,…,fi,…,fMN};
(2)利用求得的SAR-LARK特征矢量集合fI,采用非参数化概率密度估计的方法计算幅度图像I中每个像素点的显著性值,得到显著性图像S;
(3)对显著性图像S进行局部极大值检测,得到显著性图像中的局部极大值点,将显著性图像S中的非极大值点置零,得到局部极大值图像Smax;
(4)设定一个0到1之间的检测门限t,将局部极大值图像Smax中每个像素点的值yi,i=1,2,…,MN与检测门限t进行比较,若yi>t,则此像素点为目标,若yi≤t,则此像素点为杂波。
本发明与现有技术相比,具有如下优点:
本发明改进了现有技术只考虑SAR图像中舰船目标和杂波幅度值差异以及原始LARK特征在SAR图像中受相干斑模型影响的问题,将在提取LARK特征中求解梯度时由原始的差分梯度改进为更加适合SAR图像的均值比梯度,使得提取的SAR-LARK特征能够更好地保持图像局部的结构信息,从而能在保持较高的检测率的同时降低虚警。
附图说明
图1为本发明的实现流程图;
图2为均值比两个方向示意图;
图3为本发明中实验所用的实测数据的SAR图像;
图4为本发明与现有的其他两种方法的ROC曲线对比图。
具体实施方式
下面结合附图对本发明的实施步骤和效果作进一步说明。
参照图1,本发明基于SAR-LARK特征的SAR舰船目标检测方法,其实现步骤如下:
步骤1,输入一幅大小为M×N的SAR图像的幅度图像I,提取幅度图像I中每个像素点的SAR-LARK特征矢量;
所述SAR-LARK特征矢量,是指基于SAR的局部自适应回归核特征矢量,其提取步骤如下:
(1a)以幅度图像I中第i个像素点为中心,取5×5滑窗,将此滑窗区域分为上、下、左、右四部分,上半部分为滑窗中心像素点以上的区域,下半部分为滑窗中心像素点以下的区域,左半部分为滑窗中心像素点以左的区域,右半部分为滑窗中心像素点以右的区域,如图2所示;
(1b)计算这四个区域的幅度均值分别为μ1、μ2、μ3、μ4,其中,i=1,2,…,MN;
(1c)利用(1b)中求得的μ1、μ2、μ3、μ4,采用均值比梯度ROA算法计算幅度图像I中每个像素点的水平梯度和垂直梯度
水平梯度:
垂直梯度:
其中,x1表示水平梯度方向,x2表示垂直梯度方向;
(1d)依次以幅度图像I中的每个像素点为中心,取大小为P×P的滑窗Ωi,利用(1c)中求得的水平梯度和垂直梯度采用局域平均的方式计算幅度图像I中每个像素点的梯度协方差矩阵Ci:
其中,m为此窗口内的第m个像素点,m=1,2,…,P2;
(1f)利用(1d)中求得的梯度协方差矩阵Ci,计算当前第i个像素点与Ωi滑窗内每个像素点的测地线距离
其中,Δxi,m是第i个像素点与Ωi滑窗内第m个像素点的坐标差异,Δxi,m=[dx1dx2]T,dx1是第i个像素点与Ωi滑窗内第m个像素点的水平方向坐标值之差,dx2是第i个像素点与Ωi滑窗内第m个像素点的垂直方向坐标值之差,Cm是滑窗内第m个像素点的梯度协方差矩阵;
(1g)利用(1f)中求得的测地线距离计算当前第i个像素点与Ωi滑窗内每个像素点的相似性:得到当前像素点的SAR-LARK特征矢量为其中,h是全局平滑参数;
(1h)重复(1f)和(1g),求得幅度图像I中所有像素的SAR-LARK特征矢量集合fI={f1,…,fi,…,fMN}。
步骤2,利用求得的SAR-LARK特征矢量集合fI,采用非参数化概率密度估计的方法计算幅度图像I中每个像素点的显著性值,得到显著性图像S。
(2a)计算幅度图像I中每个像素点对应的特征矩阵Fi,i=1,2,…,MN;
以第i个像素点为中心,取大小为L×L的滑窗,则Fi是由此滑窗内的每个像素点所对应的SAR-LARK特征矢量组成,即 是滑窗中第k个像素点对应的SAR-LARK特征矢量,k=1,2,…,L2;
(2b)以第i个像素点为中心,取大小为H×H的中央-周边区域Ri,利用(2a)中求得的每个像素点对应的特征矩阵Fi,计算幅度图像I每个像素点对应的Ri区域内的特征矩阵是由Ri区域内的所有像素点所对应的特征矩阵构成,即Fj是此区域内第j个像素点所对应的特征矩阵,j=1,2,…,H2;
(2c)根据特征矩阵计算幅度图像I中每个像素点显著性值Si:
其中,σ是局部加权参数,||.||F表示Frobenious范数;
(2d)根据(2c)所得的每个像素点的显著性值Si,得到显著性图像S:
步骤3,对显著性图像S中的每个像素点,寻找其四邻域内局部极大值点,将显著性图像S中的非极大值点置零,得到局部极大值图像Smax。
步骤4,设定一个0到1之间的检测门限t,将局部极大值图像Smax中每个像素点的值yi,i=1,2,…,MN与检测门限t进行比较,若yi>t,则此像素点为目标,若yi≤t,则此像素点为杂波。
本发明的效果通过以下实测数据的实验进一步说明:
1.实验数据:
实验中所用的数据为RADARSAT-2数据,距离维像素点的间隔为1.33m,方位维像素点的间隔为1.95m。在该数据中,选取远海区域中的3块目标较多的区域分别进行舰船检测,将三块区域的检测结果综合起来计算最终的检测结果。所选取的三块远海区域如图3中的(a)、(b)和(c)所示,这三块区域中共有41个舰船目标。其中图3(a)的SAR图像大小为3880×4608,图3(b)的SAR图像大小为1551×3699,图3(c)的SAR图像大小为2048×2878。
2.实验内容与结果:
实验1、对图3中的3组数据运用本发明的方法进行舰船目标检测,画出其ROC曲线,如图4中的实线所示;
实验2、对图3中的3组数据运用现有基于原始LARK特征方法进行舰船目标检测,画出其ROC曲线,如图4中的带星号的线所示;
实验3、对图3中的3组数据运用现有双参数CFAR进行舰船目标检测,画出其ROC曲线,如图4中的带圆圈的线所示。
本实验中的ROC曲线为检测率Pd随单位平方公里的虚警个数Nf的变化曲线,所采用的检测率Pd以及单位平方公里的虚警个数Nf的计算方式如下:
从图4可以看出,本发明的ROC曲线下积分面积大于现有两种算法的ROC曲线下积分面积。
另外,图4中的A,B,C三点分别为这三种方法在保证检测率Pd为1,虚警最少的工作点,从图4可以看出,要保证检测率为1,双参数CFAR的单位平方公里的虚警个数Nf最低为3.721,基于原始LARK特征检测算法最低的单位平方公里的虚警个数Nf为1.431,而本发明的单位平方公里的虚警个数Nf为0.9422。
从上述数据可以说明本发明对SAR图像舰船检测的性能更好。
Claims (5)
1.一种基于SAR-LARK特征的SAR图像舰船目标检测方法,包括:
(1)输入一幅大小为M×N的SAR图像的幅度图像I,提取图像中每个像素点的SAR局部自适应回归核LARK特征矢量,即SAR-LARK特征矢量:
(1a)采用均值比梯度ROA算法计算图像I中每个像素点的水平梯度和垂直梯度i=1,2,…,MN,x1表示水平梯度方向,x2表示垂直梯度方向;
(1b)利用(1a)中的水平梯度和垂直梯度采用局域平均的方式计算幅度图像I中每个像素点的梯度协方差矩阵Ci;
其中,Ωi为以第i个像素点为中心,大小为P×P的滑窗,m为此窗口内的第m个像素点,m=1,2,…,P2;
(1c)以当前第i个像素点为中心构建一个P×P大小的滑窗Ωi,利用(1b)中的梯度协方差矩阵Ci,计算当前第i个像素点与Ωi滑窗内每个像素点的测地线距离m是滑窗内的第m个像素点,m=1,2,…,P2;
(1d)利用(1c)中的测地线距离计算当前第i个像素点与Ωi滑窗内每个像素点的相似性Ki,m,得到当前像素点的SAR-LARK特征矢量为:fi=[Ki,1,…,Ki,m,…,Ki,P2]T,其中,[.]T表示转置;
(1e)重复(1c)和(1d),求得幅度图像I中所有像素点的SAR-LARK特征矢量集合fI={f1,…,fi,…,fMN};
(2)利用求得的SAR-LARK特征矢量集合fI,采用非参数化概率密度估计的方法计算幅度图像I中每个像素点的显著性值,得到显著性图像S;
(3)对显著性图像S进行局部极大值检测,得到显著性图像中的局部极大值点,将显著性图像S中的非极大值点置零,得到局部极大值图像Smax;
(4)设定一个0到1之间的检测门限t,将局部极大值图像Smax中每个像素点的值yi,i=1,2,…,MN与检测门限t进行比较,若yi>t,则此像素点为目标,若yi≤t,则此像素点为杂波。
2.根据权利要求1所述方法,其中步骤(1a)中采用均值比梯度ROA算法计算幅度图像I中每个像素点的水平梯度和垂直梯度利用下式计算
其中,μ1、μ2、μ3、μ4分别是以第i个像素点为中心的5×5滑窗中的上半部分、下半部分、左半部分、右半部分区域幅度均值,上半部分为滑窗中心像素点以上的区域,下半部分为滑窗中心像素点以下的区域,左半部分为滑窗中心像素点以左的区域,右半部分为滑窗中心像素点以右的区域。
3.根据权利要求1所述方法,其中步骤(1c)中当前第i个像素点与Ωi滑窗内每个像素点的测地线距离按如下公式计算:
其中,Δxi,m是第i个像素点与Ωi滑窗内第m个像素点的坐标差异,Δxi,m=[dx1 dx2]T,dx1是第i个像素点与Ωi滑窗内第m个像素点的水平方向坐标值之差,dx2是第i个像素点与Ωi滑窗内第m个像素点的垂直方向坐标值之差,Cm是滑窗内第m个像素点的梯度协方差矩阵。
4.根据权利要求1所述方法,其中步骤(1d)中所述的当前第i个像素点与Ωi滑窗内每个像素点的相似性Ki,m,按如下公式进行计算:
其中,h是全局平滑参数。
5.根据权利要求1所述方法,其中步骤(2)中计算幅度图像I的显著性图像S,按如下步骤进行:
5a)计算幅度图像I中每个像素点对应的特征矩阵Fi,i=1,2,…,MN;
以第i个像素点为中心,取大小为L×L的滑窗,则Fi是由此滑窗内的每个像素点所对应的SAR-LARK特征矢量组成,即fi k是滑窗中第k个像素点对应的SAR-LARK特征矢量,k=1,2,…,L2;
5b)根据5a)中求得的每个像素点对应的特征矩阵Fi,计算幅度图像I中每个像素点对应的中央-周边区域内的特征矩阵
Ri是以当前第i个像素点为中心,大小为H×H的滑窗区域,此区域即为第i个像素点对应的中央-周边区域,中央-周边区域内的特征矩阵是由此区域内的所有像素点所对应的特征矩阵构成,即Fj是此区域内第j个像素点所对应的特征矩阵,j=1,2,…,H2;
5c)根据特征矩阵计算幅度图像I中每个像素点显著性值Si:
其中,σ是局部加权参数,||.||F表示Frobenious范数;
5d)根据5c)所得的每个像素点的显著性值Si,得到显著性图像S,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610570770.9A CN106204664B (zh) | 2016-07-19 | 2016-07-19 | 基于sar-lark特征的sar舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610570770.9A CN106204664B (zh) | 2016-07-19 | 2016-07-19 | 基于sar-lark特征的sar舰船目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106204664A CN106204664A (zh) | 2016-12-07 |
CN106204664B true CN106204664B (zh) | 2019-03-08 |
Family
ID=57494466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610570770.9A Active CN106204664B (zh) | 2016-07-19 | 2016-07-19 | 基于sar-lark特征的sar舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204664B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111458683B (zh) * | 2020-04-23 | 2022-04-05 | 中船重工鹏力(南京)大气海洋信息系统有限公司 | 一种分区域雷达信号处理的方法 |
CN115019187B (zh) * | 2022-08-09 | 2022-11-22 | 中国科学院空天信息创新研究院 | 针对sar图像船舶目标的检测方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5035549B2 (ja) * | 2008-02-19 | 2012-09-26 | 大日本印刷株式会社 | 目標物検出システム |
CN103065320A (zh) * | 2013-01-09 | 2013-04-24 | 西安电子科技大学 | 基于恒虚警阈值的sar图像变化检测方法 |
CN103871031A (zh) * | 2014-03-07 | 2014-06-18 | 西安电子科技大学 | 基于核回归的sar图像相干斑抑制 |
CN105005798A (zh) * | 2014-04-24 | 2015-10-28 | 南京理工大学 | 一种基于局部相似结构统计匹配的目标识别方法 |
-
2016
- 2016-07-19 CN CN201610570770.9A patent/CN106204664B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5035549B2 (ja) * | 2008-02-19 | 2012-09-26 | 大日本印刷株式会社 | 目標物検出システム |
CN103065320A (zh) * | 2013-01-09 | 2013-04-24 | 西安电子科技大学 | 基于恒虚警阈值的sar图像变化检测方法 |
CN103871031A (zh) * | 2014-03-07 | 2014-06-18 | 西安电子科技大学 | 基于核回归的sar图像相干斑抑制 |
CN105005798A (zh) * | 2014-04-24 | 2015-10-28 | 南京理工大学 | 一种基于局部相似结构统计匹配的目标识别方法 |
Non-Patent Citations (4)
Title |
---|
A Fast Algorithm Based on Two-Stage CFAR for Detecting Ships in SAR Images;X.W. Xing 等;《Synthetic Aperture Radar》;20100108;第1-3页 |
Training-Free, Generic Object Detection Using Locally Adaptive Regression Kernels;Hae Jong Seo 等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20100930;第32卷(第9期);第506-509页 |
一种基于核回归的SAR图像自适应相干斑抑制方法;李新娜 等;《测绘学报》;20131031;第42卷(第5期);第729-737页 |
基于LARK特征提取的人脸检测方法;王寅 等;《电子科技》;20120615;第25卷(第6期);第1688-1704页 |
Also Published As
Publication number | Publication date |
---|---|
CN106204664A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | Infrared small target detection based on multiscale local contrast measure using local energy factor | |
CN104408482B (zh) | 一种高分辨率sar图像目标检测方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN105957054B (zh) | 一种图像变化检测方法 | |
CN109284704A (zh) | 基于cnn的复杂背景sar车辆目标检测方法 | |
CN111027496A (zh) | 基于空时联合局部对比度的红外弱小目标检测方法 | |
CN107516322A (zh) | 一种基于对数极空间的图像物体大小和旋转估计计算方法 | |
Fu et al. | A statistical approach to detect edges in SAR images based on square successive difference of averages | |
CN105372717A (zh) | 一种基于雷达和图像信号的fod融合探测方法及装置 | |
CN105866758A (zh) | 基于块白化杂波抑制的时频双特征海面小目标检测方法 | |
CN108345898A (zh) | 一种新型的线路绝缘子绝缘状态评估方法 | |
CN106204664B (zh) | 基于sar-lark特征的sar舰船目标检测方法 | |
CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
Ramkumar et al. | A Survey On Sar Images Using Image Processing Techniques | |
CN104268574A (zh) | 一种基于遗传核模糊聚类的sar图像变化检测方法 | |
CN108573280A (zh) | 一种无人船自主通过桥梁的方法 | |
CN106056115B (zh) | 一种非均匀背景下的红外小目标检测方法 | |
Shang et al. | PolSAR land classification by using quaternion-valued neural networks | |
CN105374017A (zh) | 一种结合极化分解向量统计分布的极化sar图像滤波方法 | |
Xu et al. | The comparative study of three methods of remote sensing image change detection | |
Li et al. | Multi-scale ships detection in high-resolution remote sensing image via saliency-based region convolutional neural network | |
CN112669332A (zh) | 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法 | |
CN108764016B (zh) | 基于旋转域特征与cnn的极化sar图像舰船检测方法 | |
CN108986108A (zh) | 一种基于素描线段聚集特性的sar图像样本块选择方法 | |
Duncan et al. | Relational entropy-based saliency detection in images and videos |
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 |