CN106646469B - 基于变异系数法的sar船只检测优化方法 - Google Patents

基于变异系数法的sar船只检测优化方法 Download PDF

Info

Publication number
CN106646469B
CN106646469B CN201611185931.9A CN201611185931A CN106646469B CN 106646469 B CN106646469 B CN 106646469B CN 201611185931 A CN201611185931 A CN 201611185931A CN 106646469 B CN106646469 B CN 106646469B
Authority
CN
China
Prior art keywords
ship
image
potential
ship target
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.)
Active
Application number
CN201611185931.9A
Other languages
English (en)
Other versions
CN106646469A (zh
Inventor
李强子
王红岩
王娜
杜鑫
赵龙才
张源
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 Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth 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 Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201611185931.9A priority Critical patent/CN106646469B/zh
Publication of CN106646469A publication Critical patent/CN106646469A/zh
Application granted granted Critical
Publication of CN106646469B publication Critical patent/CN106646469B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Astronomy & Astrophysics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开基于变异系数法的SAR船只检测优化方法，包括如下步骤：(1)利用合成孔径雷达SAR获取遥感影像；(2)对步骤(1)中获取的遥感影像进行预处理；(3)对经过步骤(2)处理后的遥感影像中舰船目标进行检测提取，得到潜在船只目标；(4)利用变异系数法并以船舶长宽比、核密度估计值和目标像元个数作为船舶置信度的判别因子对经步骤(3)检测到的潜在船只目标进行优化。本发明计算量小、适用范围广且人为干扰因素小，不仅可以提高船舶检测结果的正确率，还可以节省大量的计算时间，同时还可以减少图像边缘的船舶目标漏检。

Description

基于变异系数法的SAR船只检测优化方法
技术领域
本发明涉及雷达目标识别技术领域，特别涉及一种基于变异系数法的SAR船只检测优化方法。
背景技术
船舶作为当代的四大交通工具之一，在海上交通运输中占据着重要的作用。合成孔径雷达(SAR)是一种高分辨率成像雷达，具有全天时、全天候和大范围监视的能力。由于海洋和船舰目标对雷达信号的反射特性不同，舰船金属的后向散射系数很大，而海洋的后向散射系数很小，在SAR影像中船舶表现为亮像素，而海洋则为暗背景，因此SAR成为了海上船只监测的重要技术手段，在维护海洋权益、提高海防预警能力等方面发挥着重要功能。目前，国际上利用海洋SAR成像技术进行船只研究的国家很多，加拿大和欧美一些发达国家海洋船只探测技术处于世界领先地，提出了多种成熟的SAR船只检测识别模型。目前，对于海面船舶目标的检测研究与应用最广泛的方法是基于杂波统计的恒虚警率(CFAR)检测方法。其中，双参数CFAR、基于K分布的CFAR等检测方法，因其适应性较强及简单易行等优点，成为近年来应用最多的CFAR检测算法。
双参数CFAR检测方法虽简单易行，但其是基于背景杂波满足高斯分布的假设上，实际上除非图像做过视数较大的多视平均，否则SAR图像的杂波一般不满足高斯分布。其次，该算法对的计算量较大、计算时间长、图像边缘的船舶目标易造成漏检。K-CFAR检测算法是通过设定的虚警率得到全局阈值来检测目标，只适用于局部变化小的情况，其统计的海杂波中常常会混有舰船部分，统计的参数并不是实际的真实值，对于距离很近的舰船会出现漏检。此外，形状参数可能为负值，计算修正的Bessel函数会消耗大量运算时间。
随着高分辨SAR传感器，尤其2007之后的TerraSAR-X、Radarsat-2等新一代高分辨率SAR传感器的发射运行，基于高分辨率SAR影像进行船只检测识别已经成为SAR船只检测的热点。在高分辨率SAR图像对海表背景和船舶目标记录更加清晰的同时，船舶旁瓣、海表波浪等信息也是清晰可见；海表漂浮物、小型岛屿及人工设施等更容易对船舶检测造成混淆。所以，高分辨率SAR为船舶检测带来更多机遇的同时也带了不少困难。有研究初步获取包括海杂波等在内的潜在目标，基于船舶几何特征，利用层次分析法优化检测结果。层次分析法是主观的权重分析方法，以经验为主，人为干扰因素过强，一定程度上会影响船舶检测结果的正确率。
发明内容
有鉴于此，本发明在于提供一种计算量小、适用范围广且人为干扰因素小的基于变异系数法的SAR船只检测优化方法，不仅可以提高船舶检测结果的正确率，还可以节省大量的计算时间，同时还可以减少图像边缘的船舶目标漏检。
为解决上述问题，本发明采用如下技术方案：基于变异系数法的SAR船只检测优化方法，包括如下步骤：
(1)利用合成孔径雷达SAR获取遥感影像；
(2)对步骤(1)中获取的遥感影像进行预处理；
(3)对经过步骤(2)处理后的遥感影像中舰船目标进行检测提取，得到潜在船只目标；
(4)利用变异系数法并以船舶长宽比、核密度估计阈值和目标像元个数作为船舶置信度的判别因子对经步骤(3)检测到的潜在船只目标进行优化。
上述基于变异系数法的SAR船只检测优化方法，步骤(1)中所获取的遥感影像为Radarsat-2高分辨率影像。
上述基于变异系数法的SAR船只检测优化方法，步骤(2)中对步骤(1)获取的Radarsat-2高分辨率影像依次进行聚焦处理、多视处理、图像配准，FROST滤波、地理编码和辐射定标。
上述基于变异系数法的SAR船只检测优化方法，在步骤(3)中，利用最佳香农熵双阈值经过步骤(2)处理后的遥感影像中船只目标进行检测，包括如下步骤：
(3.1)根据经步骤(2)处理后的Radarsat-2高分辨率影像的灰度直方图的熵找出最佳熵阈值；
(3.2)利用步骤(3.1)中所得的最佳熵阈值对经过步骤(2)处理后的Radarsat-2高分辨率影像进行分割，得到潜在船只目标。
上述基于变异系数法的SAR船只检测优化方法，在步骤(3.1)中，经步骤(2)处理后的Radarsat-2高分辨率影像的灰度范围为{0，1…，T3}，设置阈值T1和T2，T1＜T2，利用T1和T2将经步骤(2)处理后的Radarsat-2高分辨率影像分为A类图像、B类图像和C类图像，A类图像对应的灰度区间为{0，T1}，B类图像对应的灰度区间为{T1，T2}，C类图像对应的灰度区间为{T2，T3}；设A类图像出现的概率为PA，则A类图像出现的概率分布为P0/PA，P1/PA，…PT1/PA；设B类图像出现的概率为PB，则B类图像出现的概率分布为PT1+1/PB，PT1+2/PB，…PT2/PB；设C类图像出现的概率为PC，则C类图像出现的概率分布为PT2+1/PC，PT2+2/PC，…，PT3/PC；设Pi为灰度级为i的图像出现的概率，0≤i≤T3，A类图像出现的概率PA、B类图像出现的概率PB和C类图像出现的概率PC可分别通过下述公式表示：
式中：PA为A类图像出现的概率；
PB为B类图像出现的概率；
PC为C类图像出现的概率；
Pi为灰度级为i的图像出现的概率；
0≤i≤255；
T1＜T2；
A类图像的香农熵HA、B类图像的香农熵HB、C类图像的香农熵HC和经步骤(2)处理后的Radarsat-2高分辨率影像的总香农熵H可分别通过下述公式计算：
H＝HA+HB+HC (iv)
式中，HA为A类图像的香农熵；
HB为B类图像的香农熵；
HC为C类图像的香农熵；
H为经步骤(2)处理后的Radarsat-2高分辨率影像的总香农熵；
利用公式(iv)计算出最佳香农熵阈值T1和T2。
上述基于变异系数法的SAR船只检测优化方法，在步骤(3.2)中，利用步骤(3.1)中求得的最佳香农熵阈值T2对经步骤(2)处理后的Radarsat-2高分辨率影像进行检测，如果经步骤(2)处理后的Radarsat-2高分辨率影像中的任意一个像素Xi，j，若像素Xi，j的灰度值大于或等于T2，则将像素Xi，j判为潜在船只目标的像素，否则将像素Xi，j判为背景像素。
上述基于变异系数法的SAR船只检测优化方法，步骤(4)包括如下步骤：
(4.1)确定步骤(3)检测到的潜在船只目标的船舶长宽比、核密度估计阈值和目标像元个数；
(4.2)利用变异系数法确定步骤(4.1)中得出的潜在船只目标的船舶长宽比、核密度估计阈值和目标像元个数的权重，并计算得到潜在船只目标的特征置信度CL；
(4.3)利用步骤(4.3)中计算得到的潜在船只目标的特征置信度对经步骤(3)检测到的潜在船只目标进行优化。
上述基于变异系数法的SAR船只检测优化方法，在步骤(4.1)中：
根据经步骤(3)检测到的潜在船只目标通过Hough变化和最小外接矩形法计算出潜在船只目标的船舶长宽比；
根据经步骤(3)检测到的潜在船只目标利用下述公式计算出潜在船只目标的核密度估计阈值：
式中：是K四次核的密度估计函数；
d是波宽或窗口宽度h范围内属于同一潜在船只目标的像素之间的距离；
x是潜在船只目标中的一个像素；
K是潜在船只目标的核密度估计阈值；
根据经步骤(3)检测到的潜在船只目标利用Regiongrow区域生长法确定潜在船只目标的船舶目标像元个数，包括如下步骤：
(a)确定基点位置；
(b)设步骤(a)中确定的基点的像元的像素值为1，然后将临近基点且像素值为1的像元归入所述基点所在的生长区域，当遇到像素值为0的像元时，所述基点所在的生长区域停止扩大，即可得潜在船只目标；
(c)利用n_elements()函数统计步骤(2)中得到的潜在船只的像元个数。
上述基于变异系数法的SAR船只检测优化方法，在步骤(4.2)中，利用下述公式计算出潜在船只目标的船舶长宽比、核密度估计阈值和目标像元个数的权重以及潜在船只目标的特征置信度：
CL＝FV×PM (ix)
PM＝[0.10 0.35 0.55]T (x)
式中：vi是第i项指标的变异系数；
σi第i项指标的标准差；
是第i项指标的平均数；
Wi是第i项指标的权重；
FV是船舶的特征矢量；
PM是标准化之后的权向量；
T是矩阵转置符号。
本发明的有益效果是：
1.本发明适应性较强，简单易行，且不会使图像边缘的船舶目标出现漏检。
2.本发明可以降低人为干扰因素的影响，提高船舶检测结果的正确率。
3.本发明既保证了高的检测率，又有效剔除了海表杂波、系统噪声、目标旁瓣等易于产生虚警的假目标，具有一定的可靠性和实用性。
附图说明
图1为实验区原始数据图；
图2为实验区船只分布情况图；
图3为利用最佳香农熵双阈值法检测结果图；
图4为Hough变换示意图；
图5为潜在船只目标核密度估计值图；
图6(a)-图6(f)为实验区部分潜在船只目标优化结果图；
图7为研究区潜在船只目视解译结果图；
图8为最佳香农熵双阈值法初步检测结果图；
图9为本发明优化后的结果图。
具体实施方式
为清楚说明本发明中的方案，下面给出优选的实施例并结合附图详细说明。
实施例
1.优化对象的选取与预处理
本发明选取福建省福州市附近的东海海域中位于北纬26°5′-26.10°、东经119°46′-119°54′的海区作为实验区，并对该实验区的Radarsat-2高分辨率影像(空间分辨率为5米，如图1所示)进行检测优化处理。
由于原始影像是RAW数据，因此需对实验区的Radarsat-2高分辨率影像进行聚焦处理、多视处理、图像配准、FROST滤波、地理编码和辐射定标处理，以得到标准TIFF图像，如图2所示。
2.利用最佳香农熵双阈值对预处理后的Radarsat-2高分辨率影像进行初步检测
最佳熵阈值算法运用了信息论中的香农熵概念，使得图像中目标与背景的信息量最大，即是根据图像灰度直方图的熵找出最佳阈值，并以此为阈值对原图像进行分割，从而达到检测舰船目标的目的。由于此方法无需先验知识，因此对于非理想双峰直方图也能有效地确定其最佳阈值。
本实施例中，预处理后的Radarsat-2高分辨率影像(标准TIFF图像)的灰度范围为{0，1，…，255}，设置阈值T1和T2，T1＜T2，利用T1和T2将预处理后的Radarsat-2高分辨率影像分为A类图像、B类图像和C类图像，A类图像对应的灰度区间为{0，T1}，B类图像对应的灰度区间为{T1，T2}，C类图像对应的灰度区间为{T2，255}；设A类图像出现的概率为PA，则A类图像出现的概率分布为P0/PA，P1/PA，…PT1/PA；设B类图像出现的概率为PB，则B类图像出现的概率分布为PT1+i/PB，PT1+2/PB，…PT2/PB；设C类图像出现的概率为PC，则C类图像出现的概率分布为PT2+1/PC，PT2+2/PC，…，PT3/PC；设Pi为灰度级为i的图像出现的概率，0≤i≤255，A类图像出现的概率PA、B类图像出现的概率PB和C类图像出现的概率PC可分别通过下述公式表示：
式中：PA为A类图像出现的概率；
PB为B类图像出现的概率；
PC为C类图像出现的概率；
Pi为灰度级为i的图像出现的概率，0≤i≤255；
Ti＜T2。
根据香农熵的概念，A类图像的香农熵HA、B类图像的香农熵HB、C类图像的香农熵HC和预处理后的Radarsat-2高分辨率影像的总香农熵H可分别通过下述公式计算：
H＝HA+HB+HC (iv)
式中，HA为A类图像的香农熵；
HB为B类图像的香农熵；
HC为C类图像的香农熵；
H为预处理后的Radarsat-2高分辨率影像的总香农熵；
利用公式(iv)计算出最佳香农熵阈值T1和T2，使得总香农熵H取得最大值。由于船舶的散射较强，其灰度值较背景的灰度值高，因此利用T2最为检测阈值遍历预处理后的Radarsat-2高分辨率影像中的每一个像素Xi，j，若像素Xi，j的灰度值大于或等于T2，则将像素Xi，j判为潜在船只目标的像素，否则将像素Xi，j判为背景像素。
对于高分辨率SAR影像而言，船舶旁瓣、海表波浪等信息易对船舶检测造成混淆，即利用最佳香农熵双阈值对预处理后的Radarsat-2高分辨率影像初步检测结果中的潜在船只目标仍会与船舶旁瓣和海表波浪等信息发生混淆，因此本实施例中利用最佳香农熵双阈值对预处理后的Radarsat-2高分辨率影像进行初步检测得到的检测结果并不是十分理想，如图3所示。由图2和图3对比分析可知，该检测结果产生较多的虚警，因此需对利用最佳香农熵双阈值对预处理后的Radarsat-2高分辨率影像进行初步检测得到的检测结果进行进一步优化。
3.利用变异系数法并以船舶长宽比、核密度估计阈值和目标像元个数作为船舶置信度的判别因子对经初步检测得到检测结果中的潜在船只目标进行优化
3.1优化特征选择
为了对利用最佳香农熵双阈值对预处理后的Radarsat-2高分辨率影像进行初步检测得到检测结果进行优化，本实施例中选用船舶长宽比、核密度估计值和目标像元个数作为船舶置信度的判别因子。
3.1.1船舶长宽比
几何结构特征是SAR图像中船舶最直观的特征，其中，长度尺寸类特征是最简单，也是几何结构特征中应用最为广泛的特征之一。本实施例中选择的是船舶长度尺寸类特征中的船舶长宽比作为船舶的固有特征，船舶长宽比的取值在一定范围内。根据船舶的统计资料，船舶长宽比取值范围为[2.5，7.5]。在成像质量较差的区域，SAR图像上通常存在一些高亮噪声，利用船舶长宽比可以将部分虚警剔除。
而船舶的长度尺寸特征的提取方法主要有Hough变换、Radon变换、最小外接矩形法及最小二乘拟合直线方法等。本实施例中，利用最佳香农熵双阈值对预处理后的Radarsat-2高分辨率影像进行初步检测得到检测结果中的潜在船只目标通过Hough变化和最小外接矩形法计算出潜在船只目标的船舶长宽比。
Hough变换于1962年由Paul Hough提出，是图像处理中从图像中识别几何形状的基本方法之一，也是模式识别领域中对二值推那个进行直线检测的有效方法。如图4所示，在标准参数化方式下，图像空间中的直线表达为：
ρ＝x0cosθ+y0sinθ (xi)
式中，(x0，y0)是图像空间中的一个特征点；ρ是原点到直线的距离；θ是直线与x轴的夹角。
图像空间同一直线上的点转换到参数空间的曲线一定相交于一点，即参数空间各曲线的交点对应着图像空间的一条直线，这样，检测参数空间曲线交点就检测出了图像空间的直线，从而确定主轴方向。之后，利用最小外接矩形法求出潜在船只目标的船舶长宽比值。
3.1.2船舶核密度估计
核密度估计(kernel density estimation)是在概率论中用来估计未知的密度函数，属于非参数检验方法之一。该方法可以有效的展示数据的结构特征与性质，在模式识别领域具有重要作用。近年来不乏基于核密度在船舶检测上的研究与应用，而且核概率密度函数与多维高斯概率密度函数相比，更能反映船舶轨迹点空间概率密度分布。核密度估计的公式为：
式中，{Xn}为初步检测结果中潜在船只目标的集合；K为核函数，满足∫K(x)dx＝1；h是波宽或者窗口的宽度。
一些常用的核函数主要包括均匀核函数、三角核函数、伽马核函数四次核函数等。本实施例利用的是经典核函数中的四次核函数，其核密度估计公式为：
式中，是K四次核的密度估计函数；d是波宽h范围内属于同一潜在目标的像素之间的距离。
通过公式(v)即可计算出潜在船只目标核密度估计值。
核密度估计函数对波宽h的选择敏感度非常高，不同的h值得到的最终的密度结果差异较大。随着波宽h的增大，密度上的空间变化更加圆滑。反之，则空间变化更加尖锐。计算每个像素的核密度之后，需要对每个潜在船只目标的核密度估计进行均值化处理，得到属于每个潜在船只目标的核密度估计阈值，如公式(vi)：
对于初步检测的结果而言，潜在船只目标中存在有假目标。这些假目标主要包括潜在船只目标周边成像的旁瓣、海杂波所引起的SAR图像上的高亮斑块等。核密度优化可以排除假目标，降低虚警率，从而提高检测精度。本实施例利用K四次核函数计算得到每个潜在船只目标的核密度估计阈值。图5为其中4个潜在船只目标像素核密度估计分析计算的结果图。
3.1.3船舶目标像元数目
船舶目标像元个数是船舶在SAR影像上的直接表现，与潜在船只目标的船体大小密切相关。潜在船只目标像元个数越多，则越能排除高亮海表斑点、SAR成像半点以及海表杂波的影响，其被判断为真实船舶目标的可能性就越大。
本实施例中，根据检测到的潜在船只目标利用Regiongrow区域生长法确定潜在船只目标的船舶目标像元个数，包括如下步骤：
(a)确定基点位置；
(b)设步骤(a)中确定的基点的像元的像素值为1，然后将临近基点且像素值为1的像元归入所述基点所在的生长区域，当遇到像素值为0的像元时，所述基点所在的生长区域停止扩大，即可得潜在船只目标；
(c)利用n_elements()函数统计步骤(2)中得到的潜在船只的像元个数。
3.2利用变异系数法对潜在船只目标的船舶长宽比、核密度估计阈值和船舶像元个数进行赋权
本实施例中核密度估计值、船舶长宽比和目标像元个数三个特征在权重决策中重要程度不一。在这个多准则决策的问题中，特征的权重分配至关重要，是影响船舶监测结果优劣的关键。现有技术中，有人利用层次分析法。然而层次分析法是主观的权重决策分析方法，定性成分多，定量数据少，人为因素无法避免，不易令人信服。变异系数法是一种客观的权重分配方法，直接利用各个特征本身所包含的信息，通过计算得到特征的权重。该方法无人为因素干扰，客观、定量，具有可靠性。本文采用变异系数法为上述三个特征赋权。
3.2.1变异系数法
变异系数又称“标准差率”，是衡量资料中各观测值变异程度的另一个统计量。该方法是直接利用各项指标所包含的信息，通过计算得到指标的权重，是一种客观赋权的方法。此方法的基本做法是：在评价指标体系中，指标取值差异越大的指标，也就是越难以实现的指标，这样的指标更能反映被评价对象的差距。
各项指标的变异系数公式如下：
式中，vi是第i项指标的变异系数，也称为标准差系数，σi第i项指标的标准差，是第i项指标的平均数。
各项的权重为：
式中，Wi是第i项指标的权重。
3.2.2对潜在船只目标的船舶长宽比、核密度估计阈值和船舶像元个数进行赋权
利用船舶长宽比、核密度估计阈值和目标像元个数三个特征作为船舶置信度的判别因子，应用变异系数法确定各个特征的权重，计算得到船舶目标的特征置信度(confidence level，CL)，降低虚警率，改善检测效果。船舶目标特征置信度公式为：
CL＝FV×PM (ix)
式中，FV是船舶的特征矢量(feature vector)，PM是标准化之后的权向量(priority matrix)。
利用变异系数法求得权向量的表达式为：
PM＝[0.10 0.35 0.55]T (x)
式中：PM是标准化之后的权向量；
T是矩阵转置符号。
3.2.3对经初步检测得到检测结果中的潜在船只目标进行优化
利用变异系数法计算通过计算得到的潜在船只目标的核密度估计、潜在船只目标的长宽比以及潜在船只目标的像元个数的权重，并计算潜在船只目标的核密度估计、潜在船只目标的长宽比以及潜在船只目标的像元个数的特征矢量矩阵和权重矩阵的乘积，得到置信度，并通过多次试验获得不同的置信度值，以确定达到最佳优化效果的置信度取值。
本实施例所选实验区内部分潜在船只目标以及对应的船舶特征分析如图6(a)-图6(f)和表1所示。
表1实验区部分潜在船舶目标特征分析表
4.结果分析
对本研究区域进行目视判读解译，该区域共有船舶12艘。目视解译结果、最佳熵阈值初步检测结果、多特征优化结果分别如图7、图8和图9所示。
表2船只检测结果及评价
由图8和表2可知，利用最佳香农熵双阈值法初步检测到的结果检测率很低，存在着大量的虚警，如海表的漂浮物、海杂波造成的高亮图斑，船舶的金属材质构造产生的旁瓣及SAR成像过程中的噪声等。以上虚假目标的数目高达181，主要分布在海表波浪比较明显和成像质量较差的区域，主要原因分别海表杂波和系统噪声。在初步检测结果的基础上，通过对核密度、长宽比和像元个数三个船舶特征优化，分析船舶目标和虚假目标的特征值差异，确定最佳置信度，几乎完全排除了上述的非船舶目标(图9)，极大地提高了检测率，验证了本发明的有效性。而且特征置信度取值45％时，能够最大程度的区分船舶目标和虚警。
本发明利用最佳香农熵双阈值算法和变异系数法两者结合，对高分辨率SAR影像船舶检测并优化，同时利用目视解译方法验证了其有效性。本发明在最佳香农熵双阈值算法获取SAR图像船舶的初步检测结果基础上，选择了核密度、长宽比及像元数三个特征，利用变异系数法对初步检测结果进行优化，该方法既保证了高的检测率，又有效剔除了海表杂波、系统噪声、目标旁瓣等易于产生虚警的假目标，具有一定的可靠性和实用性。
上述实施例仅仅是为清楚地说明本发明创造所作的举例，而并非对本发明创造具体实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所引伸出的任何显而易见的变化或变动仍处于本发明创造权利要求的保护范围之中。

Claims (2)

1.基于变异系数法的SAR船只检测优化方法，其特征在于，包括如下步骤：
(1)利用合成孔径雷达SAR获取遥感影像；
(2)对步骤(1)中获取的遥感影像进行预处理；
(3)对经过步骤(2)处理后的遥感影像中舰船目标进行检测提取，得到潜在船只目标；
(4)利用变异系数法并以船舶长宽比、核密度估计阈值和目标像元个数作为船舶置信度的判别因子对经步骤(3)检测到的潜在船只目标进行优化；
步骤(1)中所获取的遥感影像为Radarsat-2高分辨率影像；
步骤(2)中对步骤(1)获取的Radarsat-2高分辨率影像依次进行聚焦处理、多视处理、图像配准，FROST滤波、地理编码和辐射定标；
在步骤(3)中，利用最佳香农熵双阈值对经过步骤(2)处理后的Radarsat-2高分辨率影像中舰船目标进行检测，包括如下步骤：
(3.1)根据经步骤(2)处理后的Radarsat-2高分辨率影像的灰度直方图的熵找出最佳熵阈值；
(3.2)利用步骤(3.1)中所得的最佳熵阈值对经过步骤(2)处理后的Radarsat-2高分辨率影像进行分割，得到潜在船只目标；
在步骤(3.1)中，经步骤(2)处理后的Radarsat-2高分辨率影像的灰度范围为{0，1…，T3}，设置阈值T1和T2，T1＜T2，利用T1和T2将经步骤(2)处理后的Radarsat-2高分辨率影像分为A类图像、B类图像和C类图像，A类图像对应的灰度区间为{0，T1}，B类图像对应的灰度区间为{T1，T2}，C类图像对应的灰度区间为{T2，T3}；设A类图像出现的概率为PA，则A类图像出现的概率分布为P0/PA，P1/PA，…PT1/PA；设B类图像出现的概率为PB，则B类图像出现的概率分布为PT1+1/PB，PT1+2/PB，…PT2/PB ；设C类图像出现的概率为PC，则C类图像出现的概率分布为PT2+1/PC，PT2+2/PC，…，PT3/PC；设Pi为灰度级为i的图像出现的概率，0≤i≤T3，A类图像出现的概率PA、B类图像出现的概率PB和C类图像出现的概率PC分别通过下述公式表示：
A类图像的香农熵HA、B类图像的香农熵HB、C类图像的香农熵HC和经步骤(2)处理后的Radarsat-2高分辨率影像的总香农熵H分别通过下述公式计算：
H＝HA+HB+HC (iv)
利用公式(iv)计算出最佳香农熵阈值T1和T2；
在步骤(3.2)中，利用步骤(3.1)中求得的最佳香农熵阈值T2对经步骤(2)处理后的Radarsat-2高分辨率影像进行检测，经步骤(2)处理后的Radarsat-2高分辨率影像中的任意一个像素Xi,j，像素Xi,j的灰度值大于或等于T2，则将像素Xi,j判为潜在船只目标的像素,否则将像素Xi,j判为背景像素；
步骤(4)包括如下步骤：
(4.1)确定步骤(3)检测到的潜在船只目标的船舶长宽比、核密度估计阈值和目标像元个数；
(4.2)利用变异系数法确定步骤(4.1)中得出的潜在船只目标的船舶长宽比、核密度估计阈值和目标像元个数的权重，并计算得到潜在船只目标的特征置信度CL；
(4.3)利用步骤(4.2)中计算得到的潜在船只目标的特征置信度对经步骤(3)检测到的潜在船只目标进行优化；
在步骤(4.1)中：
根据经步骤(3)检测到的潜在船只目标通过Hough变化和最小外接矩形法计算出潜在船只目标的船舶长宽比；
根据经步骤(3)检测到的潜在船只目标利用下述公式计算出潜在船只目标的核密度估计阈值：
式中：是K四次核的密度估计函数；
d是波宽或窗口宽度h范围内属于同一潜在船只目标的像素之间的距离；
x是潜在船只目标中的一个像素；
K是潜在船只目标的核密度估计阈值；
根据经步骤(3)检测到的潜在船只目标利用Regiongrow区域生长法确定潜在船只目标的船舶目标像元个数，包括如下步骤：
(a)确定基点位置；
(b)设步骤(a)中确定的基点的像元的像素值为1，然后将临近基点且像素值为1的像元归入所述基点所在的生长区域，当遇到像素值为0的像元时，所述基点所在的生长区域停止扩大，即可得潜在船只目标；
(c)利用n_elements()函数统计步骤(3)中得到的潜在船只的像元个数。
2.根据权利要求1所述的基于变异系数法的SAR船只检测优化方法，其特征在于，在步骤(4.2)中，利用下述公式计算出潜在船只目标的船舶长宽比、核密度估计阈值和目标像元个数的权重以及潜在船只目标的特征置信度：
CL＝FV×PM (ix)
PM＝[0.10 0.35 0.55]T (x)
式中：vi是第i项指标的变异系数；
σi是第i项指标的标准差；
是第i项指标的平均数；
Wi是第i项指标的权重；
FV是船舶的特征矢量；
PM是标准化之后的权向量；
T是矩阵转置符号；
i＝1,2,3...n，n为指标项总数。
CN201611185931.9A 2016-12-21 2016-12-21 基于变异系数法的sar船只检测优化方法 Active CN106646469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611185931.9A CN106646469B (zh) 2016-12-21 2016-12-21 基于变异系数法的sar船只检测优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611185931.9A CN106646469B (zh) 2016-12-21 2016-12-21 基于变异系数法的sar船只检测优化方法

Publications (2)

Publication Number Publication Date
CN106646469A CN106646469A (zh) 2017-05-10
CN106646469B true CN106646469B (zh) 2019-01-29

Family

ID=58835242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611185931.9A Active CN106646469B (zh) 2016-12-21 2016-12-21 基于变异系数法的sar船只检测优化方法

Country Status (1)

Country Link
CN (1) CN106646469B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107369163B (zh) * 2017-06-15 2020-12-01 西安微电子技术研究所 一种基于最佳熵双阈值分割的快速sar图像目标检测方法
CN108133468B (zh) * 2017-12-25 2021-09-03 南京理工大学 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法
CN108875636B (zh) * 2018-06-20 2022-03-01 中国电子科技集团公司第五十四研究所 一种基于辅助判别策略的合成孔径雷达图像海陆分割方法
CN109597067B (zh) * 2018-12-21 2023-05-09 创意银航(山东)技术有限公司 毫米波辐射计线列扫描低识别度目标的分析方法和系统
CN112200137B (zh) * 2020-10-29 2022-11-25 内蒙古工业大学 图像的识别方法及相应装置、存储介质及电子设备
CN115423702A (zh) * 2022-08-23 2022-12-02 自然资源部国土卫星遥感应用中心 制作大区域星载光学和sar影像dom的方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2182384A1 (en) * 2008-10-30 2010-05-05 GAP S.r.l. Method for processing sar images
CN102496034A (zh) * 2011-11-29 2012-06-13 南京师范大学 基于直线单词的高空间分辨率遥感图像词袋分类方法
CN103984945A (zh) * 2014-05-14 2014-08-13 武汉大学 一种光学遥感影像船只检测方法
CN105405133A (zh) * 2015-11-04 2016-03-16 河海大学 一种遥感影像变化检测方法
KR20160044801A (ko) * 2014-10-16 2016-04-26 한국해양과학기술원 선박 식별 방법
CN105608688A (zh) * 2014-11-07 2016-05-25 李福霞 一种多目标图像分解处理方法
CN106023133A (zh) * 2016-04-26 2016-10-12 武汉大学 一种基于多特征联合处理的高分辨率遥感影像水体提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2182384A1 (en) * 2008-10-30 2010-05-05 GAP S.r.l. Method for processing sar images
CN102496034A (zh) * 2011-11-29 2012-06-13 南京师范大学 基于直线单词的高空间分辨率遥感图像词袋分类方法
CN103984945A (zh) * 2014-05-14 2014-08-13 武汉大学 一种光学遥感影像船只检测方法
KR20160044801A (ko) * 2014-10-16 2016-04-26 한국해양과학기술원 선박 식별 방법
CN105608688A (zh) * 2014-11-07 2016-05-25 李福霞 一种多目标图像分解处理方法
CN105405133A (zh) * 2015-11-04 2016-03-16 河海大学 一种遥感影像变化检测方法
CN106023133A (zh) * 2016-04-26 2016-10-12 武汉大学 一种基于多特征联合处理的高分辨率遥感影像水体提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种基于改进Hough变换的直线快速检测算法;段汝娇等;《仪器仪表学报》;20101231;第31卷(第12期);2774-2780 *
基于结构特征分析的COSMO-SkyMed图像商用船舶分类算法;蒋少峰等;《遥感技术与应用》;20140831;第29卷(第4期);607-615 *
基于遗传算法的最佳熵阈值的图像分割;盛国芳等;《计算机工程与应用》;20030430(第12期);103-105 *

Also Published As

Publication number Publication date
CN106646469A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
CN106646469B (zh) 基于变异系数法的sar船只检测优化方法
Leng et al. A bilateral CFAR algorithm for ship detection in SAR images
Liao et al. Using SAR images to detect ships from sea clutter
Gangeskar An algorithm for estimation of wave height from shadowing in X-band radar sea surface images
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
CN103236063B (zh) 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法
CN103971127B (zh) 一种前视雷达成像海面目标关键点检测识别方法
CN108133468B (zh) 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法
CN112766221B (zh) 基于船舶方向和位置多任务的sar图像船舶目标检测方法
CN108734111A (zh) Sar图像海面舰船识别方法
CN105205484B (zh) 基于曲波变换与维纳滤波的合成孔径雷达目标检测方法
CN110889843B (zh) 基于最大稳定极值区域的sar图像舰船目标检测方法
CN106156758B (zh) 一种sar海岸图像中海岸线提取方法
CN110263646A (zh) 一种基于卷积神经网络的海面弱目标探测方法和系统
Hou et al. SAR image ship detection based on visual attention model
Liu et al. Comparison of wave height measurement algorithms for ship-borne X-band nautical radar
CN115984778A (zh) 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法
Rey et al. Use of the Dempster-Shafer algorithm for the detection of SAR ship wakes
CN113673385A (zh) 基于红外图像的海面舰船检测方法
CN112101250A (zh) 一种基于上下文语义感知的近岸舰船目标检测方法
CN105204010A (zh) 低信杂比合成孔径雷达图像的地物目标检测方法
Iervolino et al. A new GLRT-based ship detection technique in SAR images
Meng et al. A novel ship CFAR detection algorithm based on adaptive parameter enhancement and wake-aided detection in SAR images
Liu et al. Shadowing-analysis-based wave height measurement from ship-borne X-band nautical radar images
CN114373135A (zh) 基于局部显著性特征度量的舰船目标检测方法

Legal Events

Date Code Title Description
PB01 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