CN107423734A - 一种sar图像海洋目标快速检测方法与装置 - Google Patents
一种sar图像海洋目标快速检测方法与装置 Download PDFInfo
- Publication number
- CN107423734A CN107423734A CN201610344123.6A CN201610344123A CN107423734A CN 107423734 A CN107423734 A CN 107423734A CN 201610344123 A CN201610344123 A CN 201610344123A CN 107423734 A CN107423734 A CN 107423734A
- Authority
- CN
- China
- Prior art keywords
- window
- target
- interest
- sar image
- detection window
- 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.)
- Granted
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
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种SAR图像海洋目标快速检测方法,包括:1)使检测窗口在待检测的SAR图像中滑动;2)对于当前检测窗口,将该检测窗口中的每个像素的灰度与预设的灰度阈值比较,判断该像素是否为亮点;3)根据当前检测窗口中的亮点数目是否超过预设的亮点数目阈值,判断当前检测窗口是否为目标窗;4)将目标窗聚集成目标兴趣区。本发明能够在处理系统能力有限的前提下,有效地提高目标检测的速度。本发明能够在目标检测第二阶段有效阻止连续数据对聚集模块的冲击,提高模块的连续处理能力。本发明适合于FPGA实现,并且可以通过FPGA的并行处理来提高系统的运算能力和吞吐率。本发明便于灵活地调整检测窗口的大小。
Description
技术领域
本发明涉及图像目标识别技术,具体地说,本发明涉及一种合成孔径雷达(Synthetic Aperture Radar,简称SAR)图像海洋目标快速检测方法与装置。
背景技术
合成孔径雷达是一种高分辨率的微波侧视成像雷达,它利用距离向脉冲压缩原理及方位向合成孔径原理,实现了雷达照射区域直观的空间可视图像。合成孔径雷达除了具备遥感观测中常用的可见光和红外遥感器所具备的可进行大范围、高分辨率和快速观察的特点外,还具有全天时、全天候、穿透能力强等特点。特别是针对海洋背景的应用,由于水体的雷达反射系数很低,有利于提高舰船目标与海面背景的信噪比,因此合成孔径雷达成像在针对海面舰船目标的应用上本身就具有先天的优势,加之以合成孔径雷达成像不受光照和云层的影响,因此它逐渐成为最有发展前景的海洋观测手段之一。
伴随着合成孔径雷达技术的不断发展和分辨率不断提高,SAR图像的自动目标识别(Automatic Target Recognition,ATR)已经成为SAR图像解译领域的研究热点之一。SAR图像自动目标识别系统的目的是在无需人工干预的情况下,利用计算机对所收集的SAR数据进行自动分析,完成目标发现、定位和识别任务,进而分析判断目标所属种类。它涉及到的应用技术包括现代信号处理、模式识别、人工智能等。
美国是最早对SAR自动目标识别系统进行研究的国家。早在20世纪80年代,林肯实验室就开始进行SAR自动目标识别系统方面的研究,其最大的贡献之一就是提出了SAR自动目标识别的三级处理流程。该处理流程由于结构合理、处理效果优良,已经成为了SAR自动目标识别领域广泛认可和采用的框架。在此框架提出后,SAR自动目标识别领域绝大部分研究都是基于这个三级框架开展。图1示出了SAR自动目标识别三级框架的示意图,可以看出,SAR自动目标识别包括:目标检测、目标鉴别和目标分类三个步骤。
目标检测通常是SAR图像目标识别的第一步,其目的是从杂波背景中提取可能的目标兴趣区,这通常是目标识别中数据量最大的处理步骤。因此这一步的处理速度与质量决定了整个系统的目标识别速度和质量。
图2示出了目标检测的流程示意图。参考图2,目标检测主要分两个阶段,第一阶段是把符合目标特征的小块目标区域从杂波背景中提取出来;第二阶段将提取出来的分散小块目标区域,根据其位置特征聚集成接近目标尺度的大块目标兴趣区。目标检测第一阶段通常使用恒定虚警率检测方法(Constant False Alarm Rate,下文中简称CFAR)。其基本原理为:假定背景杂波符合某种概率分布模型,典型的有高斯分布、Gamma分布、K分布、Weibull分布等,然后根据背景杂波区数据估算出相关概率分布模型参数,在设定虚警率的前提下,利用杂波概率模型和虚警率计算出检测阈值,以像素群的灰度是否超过阈值区分目标和背景。
传统的CFAR算法通过滑动三个窗口完成对SAR图像中所有像素的检测。图3示出了传统CFAR算法窗口的示意图,可以看出CFAR算法窗口包括背景窗、保护窗和目标窗。根据CFAR检测原理,采用目标窗信号的平均能量与背景窗内噪声的平均能量比值(Signal to Clutter Ratio简称SCR)作为目标检测的判据,将该比值和设定的检测阈值做比较,以判断目标窗内数据是否为目标,随后以目标窗大小为单位移动目标窗至新位置,计算、判断,直至完成全图数据检测为止。在这个检测过程中,就可以提取出具有目标数据的那些目标窗。
SCR的具体计算公式如下:
其中,ClutterPower为背景窗内噪声的平均能量,TargetPower为目标窗内信号的平均能量,它们的计算公式分别为:
ClutterPower=meanclutter*meanclutter+stdclutter*stdclutter
TargetPower=meantarget*meantarget
其中,meanclutter为背景窗内各像素幅值的均值,stdclutter为背景窗内各像素幅值的标准差,meantarget为目标窗内各像素幅值的均值。
目标检测第二阶段主要功能是将CFAR的检测结果,根据要识别的目标尺寸,聚集成目标兴趣区(Regions of Interest,简称ROI)。目标兴趣区的尺寸由感兴趣的目标尺寸决定,一般来说,目标兴趣区是一个边长大于等于目标尺寸2倍的矩形或正方形区域。聚集阶段每收到一个CFAR算法所提取出的被判断为具有目标数据的目标窗,就将其坐标在已有的目标兴趣区列表中进行搜索和比较,判断其是否落在已有目标兴趣区内,如果落在已有目标兴趣区内则将其并入已有目标兴趣区,如果遍历后没有命中,则以其为中心新建一个目标兴趣区插入目标兴趣区列表中。
目前SAR自动目标识别领域的一个主要趋势就是逐渐尝试在星载SAR环境中完成自动目标识别的任务,从而达到真正意义上的大范围实时自动目标识别。然而,太空工作环境对处理系统体积、重量、功耗等方面均有较大的限制,因此当前迫切需要一种能够以较低的复杂度实现SAR图像目标快速检测的解决方案,以适应太空工作环境对处理系统的各种限制。
发明内容
因此,本发明的任务是克服现有技术的不足,提供一种能够以较低的复杂度实现SAR图像目标快速检测的解决方案。
根据本发明的另一个方面,提供了一种SAR图像海洋目标快速检测方法,包括下列步骤:
1)使检测窗口在待检测的SAR图像中滑动;
2)对于当前检测窗口,将该检测窗口中的每个像素的灰度与预设的灰度阈值比较,判断该像素是否为亮点;
3)根据当前检测窗口中的亮点数目是否超过预设的亮点数目阈值,判断当前检测窗口是否为目标窗;
4)将目标窗聚集成目标兴趣区。
不断重复步骤1)~4),直至检测窗口被遍历。其中,检测窗口每次滑动一个检测窗口的距离。
其中,所述步骤1)还包括,每次读取处于当前位置的检测窗口内的SAR图像的一组像素点的灰度;
所述步骤2)中,将当前所读取的所述的一组像素点的灰度并行地与预设的灰度阈值比较以判断出各个像素点是否为亮点。
其中,所述步骤2)中,将当前所读取的所述一组像素点的灰度并行地输入对应的比较器组进行比较,得出比较结果;
所述步骤3)包括下列子步骤:
31)将各个比较器的比较结果对应地累加到数目相同的累加器中;其中,对于任一比较器,如果比较结果是:灰度超过设定灰度阈值,则对应的累加器加1;
32)然后,将所有累加器的结果累加,得出当前检测窗口中的亮点数目;
33)判断当前检测窗口中的亮点数目是否超过预设的亮点数目阈值,如果是,将该检测窗口的唯一标识输出给聚集模块,然后执行步骤1)检测下一检测窗口,如果否,直接执行步骤1)检测下一检测窗口。
其中,所述步骤32)包括下列子步骤:
321)将所得到的所有累加器的值按顺序写入先入先出队列;
322)连续将所述先入先出队列中的数据读出,并将其输入后级累加器,得出当前检测窗口中的亮点数目。
其中,所述步骤3)还包括:认定当前检测窗口为目标窗后,输出代表当前检测窗口的坐标作为目标窗的唯一标识;
所述步骤4)中,根据目标窗的唯一标识将目标窗聚集成目标兴趣区。
其中,所述步骤4)包括下列子步骤:
41)将当前目标窗的坐标与前级Cache中预存的在先目标窗前一次命中的目标兴趣区的坐标比较,如果当前目标窗命中所述的前一次命中的目标兴趣区,直接舍弃当前目标窗,然后继续处理下一个目标窗;如果当前目标窗未命中所述的前一次命中的目标兴趣区,执行步骤42);
42)继续完成当前目标窗的聚集处,然后再处理下一个目标窗。
其中,所述步骤42)包括下列子步骤:
421)将当前目标窗送入一个先入先出队列待检,然后处理下一个目标窗;
422)提取先入先出队列中的目标窗,将该目标窗的坐标按从新到旧的次序依次与以堆栈方式缓存的在先目标兴趣区的坐标进行比较,一旦命中某个在先目标兴趣区的坐标,则舍弃该目标窗转而提取下一个目标窗进行比较,与此同时将最新命中的目标兴趣区的坐标放入所述的前级Cache中;
423)如果当前所提取的目标窗没有命中任何目标兴趣区,则以当前目标窗为基准新建一个目标兴趣区,该新建的目标兴趣区以当前目标窗为中心;
424)将新建的目标兴趣区插入栈顶,并同时将该目标兴趣区坐标放入所述的前级Cache中;
重复步骤422)~424)直至所有目标窗处理完毕。
根据本发明的另一个方面,提供了一种SAR图像海洋目标快速检测装置,包括:
恒定虚警率检测模块,用于使检测窗口在待检测的SAR图像中滑动;对于当前检测窗口,将该检测窗口中的像素的灰度与预设的灰度阈值比较,判断该像素是否为亮点;以及在当前检测窗口中的亮点数目超过预设的亮点数目阈值时,认定当前检测窗口为目标窗;和
聚集模块,用于将目标窗聚集成目标兴趣区。
其中,所述目标快速检测装置还包括:图像数据分发模块,用于对SAR图像进行分割得到多幅子图像,并将子图像分发给多个恒定虚警率检测模块进行处理;其中,所分割的每两个相邻的子图像之间均有一个目标兴趣区宽度的图像数据重叠。
其中,所述图像数据分发模块、恒定虚警率检测模块和聚集模块均使用FPGA实现。
根据本发明的又一个方面,提供了一种SAR图像海洋目标快速检测方法,包括下列步骤:
a)对SAR图像进行分割得到多幅子图像,所分割的每两个相邻的子图像之间均有一个目标兴趣区宽度的图像数据重叠;
b)并行地对于每个子图像进行海洋目标快速检测,所述海洋目标快速检测采用前文所述的SAR图像海洋目标快速检测方法实现。
与现有技术相比,本发明具有下列技术效果:
1、本发明能够在处理系统能力有限的前提下,有效地提高目标检测的速度。
2、本发明能够在目标检测第二阶段有效阻止连续数据对聚集模块的冲击,提高模块的连续处理能力。
3、本发明适合于FPGA实现,并且可以通过FPGA的并行处理来提高系统的运算能力和吞吐率。
4、本发明便于灵活地调整检测窗口的大小。
附图说明
以下,结合附图来详细说明本发明的实施例,其中:
图1示出了SAR自动目标识别三级框架的示意图;
图2示出了目标检测的流程示意图;
图3示出了传统CFAR算法窗口的示意图;
图4示出了本发明一个实施例的SAR图像目标识别系统的整体框图;
图5示出了本发明一个实施例中的主从FPGA拓扑结构图;
图6示出了本发明一个实施例中的SAR图像数据分块示意图;
图7示出了本发明一个实施例的目标检测模块的框图;
图8示出了本发明一个实施例中的单窗口CFAR检测算法的流程示意图;
图9示出了本发明一个实施例中的目标聚集算法的流程示意图。
具体实施方式
本发明针对海洋背景SAR图像数据的特性,对传统舰船目标检测算法进行改进,并对运算器的逻辑实现进行优化,使处理速度大幅提升。本发明可进一步推进SAR图像分析设备的小型化,有利于相关应用在航空航天方面的推广。
下面结合附图和具体实施例对本发明做进一步的描述。
图4示出了本发明一个实施例的SAR图像目标识别系统的整体框图,该目标识别系统包括底板、输入输出板、信号处理板、底板和带电源的定制机箱。其中输入输出板和信号处理板均安装在底板上,该底板作为输入输出板和信号处理板的通信平台。输入输出板负责数据分发以及预处理工作。信号处理板负责完成目标检测、识别算法的处理过程。为了进行SAR图像目标检测系统的测试,输入输出板与辅助测试设备连接,辅助测试设备包括信号源和记录器。信号源作为SAR图像目标检测系统原始数据的来源;记录器则记录处理结果,通过USB接口传输给PC机并显示。
本实施例中,信号处理板包括图像数据分发模块和多个目标检测模块,图像数据分发模块和目标检测模块均使用FPGA实现,下文中将作为图像数据分发模块的FPGA称为主FPGA,将实现目标检测模块功能的FPGA称为从FPGA。
图5示出了本发明一个实施例中的主从FPGA拓扑结构图,在该实施例中,从FPGA的数目为四。采用分布式存储,每个从FPGA配有各自DDR2存储器,SAR图像数据根据从FPGA数量均匀分块,经主FPGA分发给各从FPGA,并存储在各自DDR2存储器中。各从FPGA负责处理其存储的图像块数据。这种分布式存储方案,使多FPGA并行处理的架构得以实现。
具体来说,主FPGA以行为单位对图像进行分割得到四幅子图像,并将这四个子图像分发给四个从FPGA,每个从FPGA接收子图像数据并存储在该从FPGA相应的存储器中。为避免在图像分割线附近的目标的不同区域被发送到两个从FPGA中而影响目标聚集处理,本实施例中,给每个从FPGA多分发一个ROI宽度的图像数据。图6示出了一个实施例中的SAR图像数据分块示意图。其中,主FPGA采用分割块号模4的方法,将相邻四个分割块分配给相应的从FPGA,并且,每两个相邻分割块之间均有一个ROI宽度的图像数据重叠。从FPGA接收完图像后,将数据线性存储到各自的DDR2存储器中。在目标检测阶段,会根据单检测窗口大小,由地址模块负责产生读取DDR2的地址,然后从FPGA根据所产生的地址从相应的DDR2存储器中读取图像数据,进而完成目标检测。
上述多片FPGA并行处理系统架构,多片FPGA以主从式拓扑结构互联:一片FPGA作为主FPGA,负责数据流的控制和分发;多片FPGA作为从FPGA,每片从FPGA作为一个运算单元,负责处理整幅图像的一部分,所有从FPGA并行工作,共同完成整幅图像的处理,最后主FPGA汇总各从FPGA的处理结果。这种并行处理架构极大地提高了系统的运算能力和吞吐率,大幅提升了SAR图像目标识别系统的处理性能。
进一步地,图7示出了本发明一个实施例的目标检测模块的框图(如前文所述,目标检测模块由从FPGA实现)。如图7所示,该目标检测模块包括CFAR模块和聚集模块。其中,CFAR模块接收SAR图像数据,通过将像素灰度与像素灰度阈值比较,发现图像中的目标窗并将其输出给聚集模块。在一个例子中,以目标窗左上角坐标为该目标窗的唯一标识。也就是说,CFAR模块发现图像中的目标窗后,会将该目标窗的唯一标识输出给聚集模块。在将目标窗的唯一标识输出给聚集模块的同时,CFAR模块还给出一个脉冲信号,指示聚集模块读入该标识。聚集模块再根据接收的目标窗标识(即相应坐标)完成目标窗聚集,形成目标ROI区域。
本实施例中,CFAR模块使用了一种与传统CFAR算法截然不同的单窗口CFAR检测算法。如前文所述,传统CFAR算法使用三个窗口(包括背景窗、保护窗、目标窗)检测。这种检查算法中,窗口滑动时相邻背景窗口和保护窗口之间会形成重叠,造成数据大量重复。并且,传统CFAR算法在FPGA上实现时,通常采用多级先入先出队列(下文中简称为FIFO)缓存数据,每级FIFO缓存检测窗口的一行数据,而FIFO的深度一旦确定就不能改变,从而造成窗口大小不能改变,因此无法适应不同分辨率SAR图像的目标检测。
本实施例中的单窗口CFAR检测算法适用于在多个FPGA上进行长宽像素均为16(假设DDR2存储器的Burst长度为16Byte)的倍数的SAR图像CFAR检测。它将传统CFAR的三个检测窗口改为单个检测窗口,通过对像素灰度和“亮点”个数设置阈值来进行目标检测。即将灰度与阈值比较,将灰度在灰度阈值之上的像素认定为亮点,当当前的检测窗口中的亮点数量超过设定的亮点数目阈值时,则认为存在目标。
图8示出了该单窗口CFAR检测算法的流程示意图,该流程中涉及比较器组,累加器组和FIFO缓存,具体包括下列步骤:
步骤1:CFAR模块每次从对应的DDR2中读取SAR图像数据的16个像素点,即像素点组。
步骤2:将所读取的16个像素点输入比较器组进行比较。该比较器组包括16个像素灰度阈值比较器,这样每个像素点输入一个比较器,并行地得出比较结果。
步骤3:将比较结果对应地累加到16个累加器中。本实施例中比较器组的每个比较器均连接一个对应的累加器,这些累加器共16个,构成所述累加器组。对于每个比较器,当比较器的结果是当前像素点的灰度值超出该比较器所设置的灰度阈值时,则认为当前像素点是“亮点”(即灰度超过设定灰度阈值的像素点),此时累加器加1。假设检测窗口的大小是tgt_win_size行*16列,则tgt_win_size次读取像素组,即可通过累加器组的累加结果获得该检测窗口内的每一列像素的总“亮点”个数。
步骤4:将所得到的16个累加器的值按顺序写入先入先出队列(即FIFO)。
步骤5:连续将FIFO中的数据读出,并将其输入后级累加器。后级累加器的累加结果就是所有列像素的总“亮点”个数之和,也就是当前检测窗口中的总“亮点”个数。
步骤6:读取后级累加器的累加结果,将当前检测窗口中的总“亮点”个数N与“亮点”个数阈值进行比较,判断该检测窗口是否为目标窗。
本步骤中,可以使用一个计数器对后级累加器的累加次数进行计数,当计数器计到“亮点”个数阈值tgt_win_size时,停止后级累加器的累加。
步骤7:输出目标窗的左上角坐标。本步骤中,左上角坐标就是代表当前窗口(即目标窗)位置的标识。
上述单窗口CFAR检测算法能够避免因相邻背景窗口和保护窗口之间会形成重叠,造成数据大量重复的问题,极大地提高了图像的检测速度。同时,实际测试表明,上述单窗口CFAR检测算法也可以达到较好的准确度,满足应用要求。
进一步地,在一个实施例中,聚集模块采用了一种优化的目标聚集算法,图9示出了该目标聚集算法的流程示意图,具体包括下列步骤:
步骤101:目标窗坐标被送入聚集模块输入接口的同时,该目标窗直接与前级Cache内的ROI坐标进行比较,如果该目标窗命中Cache内的ROI,则视为命中已存在ROI并舍弃当前的目标窗,如果不命中则将目标窗送入FIFO待检。
步骤102:当目标窗经FIFO进入聚集模块,首先与栈顶的较新的ROI坐标进行比较,如果不命中则依次向栈底进行比较,一旦命中栈内某个ROI坐标,则舍弃该目标窗转而进行下一个目标窗的比较,与此同时将最新命中的ROI坐标放入前级Cache中。
步骤103:如果当前目标窗遍历了整个栈也没有ROI命中,则需要以当前目标窗为基准新建一个ROI。新建的ROI以当前目标窗为中心,并根据图像的边界保持原位或进行适当的平移,以保证ROI区域不会超出图像的范围。
步骤104:将新建的ROI插入栈顶,并同时将该ROI坐标放入前级Cache中。
步骤105:当整个图像的目标窗全部遍历完成则完成整个图像的目标检测过程,栈内的ROI坐标顺序输出给下一级,继续进行目标鉴别和分类。
上述目标聚集算法优化了目标聚集算法的逻辑实现,巧妙利用SAR图像数据的线性相关性特点,即相邻的数据对应的二维几何关系有极大概率也相邻,因此连续输入的多个目标窗命中同一个ROI的可能性极大。因此在数据入口处设置一个前级Cache以保存最新命中的ROI坐标,所有进入模块的目标窗与前级cache内的ROI坐标进行比较,如果新进的目标窗在这个ROI区域内,说明该目标窗命中已存在的ROI,则该目标窗被舍弃;如果新进目标窗未命中前级cache内的ROI,则该目标窗被送入输入FIFO。测试发现,通过这一机制,60%以上的目标窗直接会在前级cache处命中,不会被送入模块内部处理,这样就有效阻止了连续数据对聚集模块的冲击,提高模块的连续处理能力。
上述目标聚集算法还优化了聚集算法的存储逻辑。聚集算法需要存储和比较所有已建立的ROI坐标,因此该算法对访存效率十分敏感,在传统设计里为提高读写速度往往采用寄存器堆的模式实现,寄存器堆具有速度快的优点,但是也极大消耗逻辑器件资源。本方法使用片上固有的硬件资源BlockRAM,减小系统资源占用,相同存储深度的模块器件规模减小80%以上。为避免BlockRAM较小的存取带宽限制聚集算法模块的处理速度,本实施例同样利用SAR图像数据线性相关性的特点优化存储结构,采用类栈的先入先出机制,将最新的ROI置于栈顶,提高栈顶的命中率,大幅减少访存次数的同时,也减少了平均搜索深度。经过实际测试,本实施例的聚集算法模块较采用寄存器堆结构实现聚集算法模块,速度提高4.5倍,在实际数据测试中可以稳定做到2个时钟周期处理一对坐标,峰值时可以连续处理512个坐标,完全可以配合前级CFAR的处理速度,从而提升目标检测的综合性能。
进一步地,在一个实施例中,单检测窗口大小可以根据待检测图像的分辨率进行调整,通过主FPGA对待检测图像的统计特性进行分析,计算出从FPGA的CFAR检测模块应该采取的检测窗口大小以及两个阈值(灰度阈值和亮点数目阈值)等参数,并将参数传送给从FPGA。从FPGA根据接收到的参数调整窗口大小和检测阈值等。另外,在对一个图像块进行CFAR检测时,可以自动将图像块边缘不足一个窗口的部分舍弃。
最后应说明的是,以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制,本发明在应用上可以延伸为其它的修改、变化、应用和实施例,并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。
Claims (10)
1.一种SAR图像海洋目标快速检测方法,包括下列步骤:
1)使检测窗口在待检测的SAR图像中滑动;
2)对于当前检测窗口,将该检测窗口中的每个像素的灰度与预设的灰度阈值比较,判断该像素是否为亮点;
3)根据当前检测窗口中的亮点数目是否超过预设的亮点数目阈值,判断当前检测窗口是否为目标窗;
4)将目标窗聚集成目标兴趣区。
2.根据权利要求1所述的SAR图像海洋目标快速检测方法,其特征在于,所述步骤1)还包括,每次读取处于当前位置的检测窗口内的SAR图像的一组像素点的灰度;
所述步骤2)中,将当前所读取的所述的一组像素点的灰度并行地与预设的灰度阈值比较以判断出各个像素点是否为亮点。
3.根据权利要求2所述的SAR图像海洋目标快速检测方法,其特征在于,所述步骤2)中,将当前所读取的所述一组像素点的灰度并行地输入对应的比较器组进行比较,得出比较结果;
所述步骤3)包括下列子步骤:
31)将各个比较器的比较结果对应地累加到数目相同的累加器中;其中,对于任一比较器,如果比较结果是:灰度超过设定灰度阈值,则对应的累加器加1;
32)然后,将所有累加器的结果累加,得出当前检测窗口中的亮点数目;
33)判断当前检测窗口中的亮点数目是否超过预设的亮点数目阈值,如果是,将该检测窗口的唯一标识输出给聚集模块,然后执行步骤1)检测下一检测窗口,如果否,直接执行步骤1)检测下一检测窗口。
4.根据权利要求3所述的SAR图像海洋目标快速检测方法,其特征在于,所述步骤32)包括下列子步骤:
321)将所得到的所有累加器的值按顺序写入先入先出队列;
322)连续将所述先入先出队列中的数据读出,并将其输入后级累加器,得出当前检测窗口中的亮点数目。
5.根据权利要求4所述的SAR图像海洋目标快速检测方法,其特征在于,所述步骤3)还包括:认定当前检测窗口为目标窗后,输出代表当前检测窗口的坐标作为目标窗的唯一标识;
所述步骤4)中,根据目标窗的唯一标识将目标窗聚集成目标兴趣区。
6.根据权利要求1所述的SAR图像海洋目标快速检测方法,其特征在于,所述步骤4)包括下列子步骤:
41)将当前目标窗的坐标与前级Cache中预存的在先目标窗前一次命中的目标兴趣区的坐标比较,如果当前目标窗命中所述的前一次命中的目标兴趣区,直接舍弃当前目标窗,然后继续处理下一个目标窗;如果当前目标窗未命中所述的前一次命中的目标兴趣区,执行步骤42);
42)继续完成当前目标窗的聚集处,然后再处理下一个目标窗。
7.根据权利要求6所述的SAR图像海洋目标快速检测方法,其特征在于,所述步骤42)包括下列子步骤:
421)将当前目标窗送入一个先入先出队列待检,然后处理下一个目标窗;
422)提取先入先出队列中的目标窗,将该目标窗的坐标按从新到旧的次序依次与以堆栈方式缓存的在先目标兴趣区的坐标进行比较,一旦命中某个在先目标兴趣区的坐标,则舍弃该目标窗转而提取下一个目标窗进行比较,与此同时将最新命中的目标兴趣区的坐标放入所述的前级Cache中;
423)如果当前所提取的目标窗没有命中任何目标兴趣区,则以当前目标窗为基准新建一个目标兴趣区,该新建的目标兴趣区以当前目标窗为中心;
424)将新建的目标兴趣区插入栈顶,并同时将该目标兴趣区坐标放入所述的前级Cache中;
重复步骤422)~424)直至所有目标窗处理完毕。
8.一种SAR图像海洋目标快速检测装置,包括:
恒定虚警率检测模块,用于使检测窗口在待检测的SAR图像中滑动;对于当前检测窗口,将该检测窗口中的像素的灰度与预设的灰度阈值比较,判断该像素是否为亮点;以及在当前检测窗口中的亮点数目超过预设的亮点数目阈值时,认定当前检测窗口为目标窗;和
聚集模块,用于将目标窗聚集成目标兴趣区。
9.根据权利要求8所述的SAR图像海洋目标快速检测装置,其特征在于,所述目标快速检测装置还包括:图像数据分发模块,用于对SAR图像进行分割得到多幅子图像,并将子图像分发给多个恒定虚警率检测模块进行处理;其中,所分割的每两个相邻的子图像之间均有一个目标兴趣区宽度的图像数据重叠。
10.一种SAR图像目标快速检测方法,其特征在于,包括下列步骤:
a)对SAR图像进行分割得到多幅子图像,所分割的每两个相邻的子图像之间均有一个目标兴趣区宽度的图像数据重叠;
b)并行地对于每个子图像进行海洋目标快速检测,所述海洋目标快速检测基于权利要求1~7中任一项所述的SAR图像海洋目标快速检测方法实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610344123.6A CN107423734B (zh) | 2016-05-23 | 2016-05-23 | 一种sar图像海洋目标快速检测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610344123.6A CN107423734B (zh) | 2016-05-23 | 2016-05-23 | 一种sar图像海洋目标快速检测方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107423734A true CN107423734A (zh) | 2017-12-01 |
CN107423734B CN107423734B (zh) | 2020-01-21 |
Family
ID=60422257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610344123.6A Active CN107423734B (zh) | 2016-05-23 | 2016-05-23 | 一种sar图像海洋目标快速检测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423734B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509898A (zh) * | 2018-03-29 | 2018-09-07 | 中国电子科技集团公司第五十四研究所 | 一种基于图像流的近实时遥感图像在线目标检测方法 |
CN109117802A (zh) * | 2018-08-21 | 2019-01-01 | 东北大学 | 面向大场景高分遥感影像的舰船检测方法 |
CN109711552A (zh) * | 2019-03-27 | 2019-05-03 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种数据处理系统和电子设备 |
CN109886941A (zh) * | 2019-01-31 | 2019-06-14 | 天津大学 | 基于fpga的sar洪水影像变化检测方法 |
US11017275B2 (en) * | 2019-07-12 | 2021-05-25 | Wuyi University | Method and apparatus for multi-scale SAR image recognition based on attention mechanism |
CN115035128A (zh) * | 2022-08-10 | 2022-09-09 | 之江实验室 | 基于fpga的图像重叠滑窗分割方法及系统 |
US11972504B2 (en) | 2022-08-10 | 2024-04-30 | Zhejiang Lab | Method and system for overlapping sliding window segmentation of image based on FPGA |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604383A (zh) * | 2009-07-24 | 2009-12-16 | 哈尔滨工业大学 | 一种基于红外图像的海上目标检测方法 |
CN101872481A (zh) * | 2010-06-18 | 2010-10-27 | 北京航空航天大学 | 一种结合可见光图像信息的sar图像快速分割方法 |
CN102208017A (zh) * | 2011-05-30 | 2011-10-05 | 西安电子科技大学 | 基于高分辨率合成孔径雷达图像的舰船检测方法 |
CN103400156A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 |
CN103942803A (zh) * | 2014-05-05 | 2014-07-23 | 北京理工大学 | 基于sar图像的水域自动检测方法 |
CN104200202A (zh) * | 2014-08-30 | 2014-12-10 | 电子科技大学 | 一种基于累加感知机的人体上半身检测方法 |
CN104537675A (zh) * | 2015-01-10 | 2015-04-22 | 中国人民解放军国防科学技术大学 | 一种sar图像双边cfar舰船目标检测方法 |
CN104794726A (zh) * | 2015-05-04 | 2015-07-22 | 清华大学深圳研究生院 | 一种水下图像并行分割方法及装置 |
-
2016
- 2016-05-23 CN CN201610344123.6A patent/CN107423734B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604383A (zh) * | 2009-07-24 | 2009-12-16 | 哈尔滨工业大学 | 一种基于红外图像的海上目标检测方法 |
CN101872481A (zh) * | 2010-06-18 | 2010-10-27 | 北京航空航天大学 | 一种结合可见光图像信息的sar图像快速分割方法 |
CN102208017A (zh) * | 2011-05-30 | 2011-10-05 | 西安电子科技大学 | 基于高分辨率合成孔径雷达图像的舰船检测方法 |
CN103400156A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 |
CN103942803A (zh) * | 2014-05-05 | 2014-07-23 | 北京理工大学 | 基于sar图像的水域自动检测方法 |
CN104200202A (zh) * | 2014-08-30 | 2014-12-10 | 电子科技大学 | 一种基于累加感知机的人体上半身检测方法 |
CN104537675A (zh) * | 2015-01-10 | 2015-04-22 | 中国人民解放军国防科学技术大学 | 一种sar图像双边cfar舰船目标检测方法 |
CN104794726A (zh) * | 2015-05-04 | 2015-07-22 | 清华大学深圳研究生院 | 一种水下图像并行分割方法及装置 |
Non-Patent Citations (1)
Title |
---|
沈煌辉 等: ""面向图像转置和分块处理的一种高效内存访问策略"", 《计算机研究与发展》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509898A (zh) * | 2018-03-29 | 2018-09-07 | 中国电子科技集团公司第五十四研究所 | 一种基于图像流的近实时遥感图像在线目标检测方法 |
CN109117802A (zh) * | 2018-08-21 | 2019-01-01 | 东北大学 | 面向大场景高分遥感影像的舰船检测方法 |
CN109117802B (zh) * | 2018-08-21 | 2021-10-29 | 东北大学 | 面向大场景高分遥感影像的舰船检测方法 |
CN109886941A (zh) * | 2019-01-31 | 2019-06-14 | 天津大学 | 基于fpga的sar洪水影像变化检测方法 |
CN109711552A (zh) * | 2019-03-27 | 2019-05-03 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种数据处理系统和电子设备 |
US11017275B2 (en) * | 2019-07-12 | 2021-05-25 | Wuyi University | Method and apparatus for multi-scale SAR image recognition based on attention mechanism |
CN115035128A (zh) * | 2022-08-10 | 2022-09-09 | 之江实验室 | 基于fpga的图像重叠滑窗分割方法及系统 |
CN115035128B (zh) * | 2022-08-10 | 2022-11-08 | 之江实验室 | 基于fpga的图像重叠滑窗分割方法及系统 |
US11972504B2 (en) | 2022-08-10 | 2024-04-30 | Zhejiang Lab | Method and system for overlapping sliding window segmentation of image based on FPGA |
Also Published As
Publication number | Publication date |
---|---|
CN107423734B (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423734A (zh) | 一种sar图像海洋目标快速检测方法与装置 | |
CN110991311B (zh) | 一种基于密集连接深度网络的目标检测方法 | |
CN104766320B (zh) | 阈值化量测下的多伯努利滤波弱目标检测与跟踪方法 | |
CN106093946B (zh) | 一种适用于场面监视雷达的目标凝聚方法及装置 | |
CN108960198A (zh) | 一种基于残差ssd模型的交通标志检测与识别方法 | |
CN106680798B (zh) | 一种机载lidar航带重叠区冗余辨识及消除方法 | |
Mou et al. | Marine target detection based on improved faster R-CNN for navigation radar PPI images | |
CN107861107A (zh) | 一种适用于连续波雷达的双门限cfar与点迹凝聚方法 | |
CN111666944A (zh) | 一种红外弱小目标检测方法及装置 | |
CN106772352A (zh) | 一种基于Hough和粒子滤波的PD雷达扩展微弱目标检测方法 | |
CN109471072A (zh) | 基于fpga的单脉冲雷达二维cfar检测方法及系统 | |
CN106054173A (zh) | 基于递推Hough变换的微弱多目标检测前跟踪方法 | |
CN112906737B (zh) | 一种基于多辐射源基于密度特征聚类及识别的方法 | |
CN105866769B (zh) | 一种并行运算的多目标检测前跟踪方法 | |
CN110412609B (zh) | 一种多脉冲激光雷达目标检测方法 | |
CN107103283B (zh) | 一种sar图像舰船目标几何特征并行提取方法与装置 | |
Lei et al. | An improved object detection method for mitosis detection | |
Chen et al. | Marine target detection based on Marine-Faster R-CNN for navigation radar plane position indicator images | |
Wang et al. | A deep deformable residual learning network for SAR image segmentation | |
Huang et al. | Survey of target detection algorithms in SAR images | |
CN106324708B (zh) | 雨量记录图纸的数字化方法、装置 | |
CN111736156B (zh) | 一种基于天气雷达的逆风区识别方法与装置 | |
CN108985292A (zh) | 一种基于多尺度分割的sar图像cfar目标检测方法与系统 | |
CN105069780B (zh) | 一种基于SoPC的SAR图像水域检测实现方法 | |
CN106291500B (zh) | 基于fpga的片上系统及其目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |