CN107644414A - 一种基于恒定统计和拉东变换的海面尾迹检测方法 - Google Patents
一种基于恒定统计和拉东变换的海面尾迹检测方法 Download PDFInfo
- Publication number
- CN107644414A CN107644414A CN201710746798.8A CN201710746798A CN107644414A CN 107644414 A CN107644414 A CN 107644414A CN 201710746798 A CN201710746798 A CN 201710746798A CN 107644414 A CN107644414 A CN 107644414A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- msub
- mtr
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种基于恒定统计和拉东变换的海面尾迹检测方法，包括以下步骤：采用红外探测器获取红外尾迹图像；对红外尾迹图像进行非均匀校正得到图像；对校正后的图像依次进行最大中值滤和模板滤波处理得到图像；对滤波后的图像归一化处理后采用阈值分割对图像进行二值化突出目标尾迹；采用拉东变换将尾迹图像通过线积分的形式变换到另一参数域中。
Description
技术领域
本发明涉及一种红外图像增强和目标检测技术特别是一种基于恒定统计和拉东变换的海面尾迹检测方法。
背景技术
遥感技术已广泛应用于农业、林业、海洋、军事等领域。随着遥感技术发展的同时，海量的遥感图像需要处理。而针对遥感图像中海面舰船(或水下运动物体)的有效检测和识别，分析舰船等的位置、面积、航向及航速等重要参数，更加具有战略和军事意义。
针对舰船(或水下运动物体)的检测，尤其利用红外技术获取的图像进行目标检测方面，国内外可参考的资料较少。对舰船的检测，一般通过检测其在海面形成的尾迹来检测舰船。水面运动舰船(或水中运动物体)在水面留下的痕迹被称为尾迹，在遥感图像中对运动舰船(或水下运动物体)的检测一般是通过两种方法来实现：一是直接在海面背景中检测舰船本身；二是检测舰船(或水下运动物体)在海面时产生的尾迹，再根据尾迹反演推出舰船等的位置和运动参数。通常采取第二种方法，主要有如下优势：
(1)尾迹相比舰船本身尺度更大，特征更加明显；
(2)尾迹没有运动偏移，可以指示舰船的真实位置；
(3)根据尾迹能够计算舰船的航速和航向。
目前，尾迹检测主要有三类算法：第一类方法是尾迹的线性特征，对图像在某些角度、某些方向进行能量积累体现这种能量的差别，主要采用Radon变换；第二类方法是根据有尾迹区域和背景海面在频谱中分布的不同来进行检测；第三类方法是根据图像中背景与尾迹区域的统计特征差异进行检测。其中，第一类基于Radon变换的方法是众多研究的主要方向，因为它可以将原始图像中的线性特征检测问题转化为变换域中的峰值和谷值点检测问题。
事实上，在进行大范围监测时，由于海水深度差异、浮游生物集中或海况变化较大等原因，造成图像中存在明显的明暗不均情况。尤其在一些复杂海洋环境的特殊情况下，图像的明暗不均情况会更加严重。如一些高纬度海面冰山区域。最后最重要的是，由于红外探测单元本身的响应不一致问题造成的图像非均匀性问题，带来的红外图像固定图案噪声(条纹噪声)。
发明内容
本发明提供了一种基于恒定统计和拉东变换的海面尾迹检测方法，该方法针对获取的图像噪声和尾迹检测问题，开展基于恒定统计算法和空域滤波实现图像的去噪和增强处理，通过拉东变换实现尾迹线性特征的检测，最终确定舰船(或水下运动物体)的位置等参数。
实现本发明目的的技术方案为：一种基于恒定统计和拉东变换的海面尾迹检测方法，包括以下步骤：
步骤1，采用红外探测器获取红外尾迹图像；
步骤2，对红外尾迹图像进行非均匀校正得到图像；
步骤3，对校正后的图像依次进行最大中值滤和模板滤波处理得到图像；
步骤4，对滤波后的图像归一化处理后采用阈值分割对图像进行二值化突出目标尾迹；
步骤5，采用拉东变换将尾迹图像通过线积分的形式变换到另一参数域中。
本发明与现有技术相比，其显著优点为：(1)基于场景的恒定统计非均匀校正方法能够利用场景信息，不需要校准源，且能够避免一段时间后参数漂移的问题，有效减少鬼影现象和快速的收敛的特性；(2)背景抑制部分，在中值滤波基础上提出了一种最大中值滤波法，在滤除噪声同时，考虑到图像各个方向上的灰度特性；(3)目标增强部分，利用特定的模板滤波突出目标区域；(4)尾迹检测部分，Radon变换由于积分过程在变换域中消除了噪声，变换域中的SNR要高于原图像，使得检测具有更好的鲁棒性。
下面结合说明书附图对本发明做进一步描述。
附图说明
图1是基于恒定统计和拉东变换的海面尾迹检测方法的流程图。
图2是仿真的原始红外尾迹图像的示意图。
图3是恒定统计非均匀校正后图像的示意图。
图4是非均匀性校正评价函数迭代图像的示意图。
图5是最大中值滤波后的图像的示意图。
图6是模板滤波增强后的图像的示意图。
图7是尾迹区域判定图像的示意图。
图8是基于Radon变换检测结果的示意图。
具体实施方式
结合图1，本发明提出的基于恒定统计和拉东变换的海面尾迹检测方法，首先对红外尾迹图像进行非均匀校正，其次通过最大中值滤波和模板滤波达到去除器噪声和增强目标的目的，将预处理后图像进行尾迹区域判定，最后基于Radon变换进行尾迹区域的线性检测，以此确定舰船(或水下运动物体)的位置、航向等参数。
实现上述基于恒定统计和拉东变换的海面尾迹检测方法的具体实施步骤如下：
步骤S101，对输入的图像进行恒定统计非均匀校正。红外探测器因其制造工艺等原因，普遍存在各探测器单元响应不一致的问题，采集的图像存在非均匀性，在图像上表现为固定图案噪声，需要对图像进行非均匀性校正。本发明采用恒定统计算法(ConstantStatistics)对红外图像进行非均匀性校正。
通过线性观察模型，对每个探测器用增益和偏置来描述一个自变量到一个因变量的转换。对于给定的n(n＝1,2,3,…)，第(i,j)焦平面探测元所接收到的辐射度为xi,j(n)，其输出yi,j(n)表示如下：
yi,j(n)＝gi,j(n)xi,j(n)+oi,j(n) (1)
式中，gi,j(n)和oi,j(n)分别是n时刻第(i,j)焦平面探测元的增益和偏置。假设每个像素的时间平均和标准差是恒定的，恒定统计算法产生一个零均值，单位平均偏差信号如下：
s表示增益的平均值，m表示偏置的平均偏差值，
式(1)可表示为：
每个像素的平均值和平均偏差，可以通过以下递归公式来计算：
上式中，指数λ＝1/n，并且用一个固定λ值来更好地估计增益和偏置的突变。
红外尾迹图像经过基于恒定统计的校正方法，降低了图像非均匀性，消除了图像条纹噪声，使图像信噪比得到较大的提升。
步骤S102，经恒定统计算法校正后，需要再对图像进行平滑处理。对红外图像进行最大中值滤波处理，将中心像素的灰度值取为水平、垂直、左45度、右45度四个方向上所得四个像素灰度中值中的最大值。最大中值滤波能够充分考虑到多个方向上的像素灰度分布，并更好地保留图像中目标的能量，在不破坏目标原有灰度特征的基础上高效去噪，使图像的信噪比得到进一步的提升。
对(2N+1)×(2N+1)的最大中值滤波模板，其计算公式为：
fmax-med(i,j)＝max(z1,z2,z3,z4) (5)
fmax-med(i,j)表示图像像素经过最大中值滤波后的像素灰度值，式(5)中，
其中，(i,j)为中心像素点坐标，med为取中值操作，max为取最大值操作，N表征模板尺寸大小，本发明方法中，取N＝2，即模板尺寸为5*5。
不同窗口获得的滤波效果不同，一般按照噪声、目标细节来选择。
步骤S103，对最大中值滤波后的图像，进行模板滤波处理。二维滤波器矩阵(卷积核)T定义如下：
将图像与模板进行卷积操作，得到滤波后图像。
式中为卷积计算，f为原图像，f'为滤波后图像。这里采用5×5的尺寸大小，模板中心系数16，周围像素系数为-1，保证滤波前后图像亮度保持不变。中心像素和周围像素之间有保护带，将图像与模板卷积，对于缓变的平坦背景能够有效地突出目标特点，增加了图像的动态范围。
步骤S104，尾迹区域判别。考虑到由于不同海况、海底地形或油膜污染等引起的海面背景的复杂性，在之前算法处理的基础上，对图像归一化处理，使仿真图像的灰度范围在[-1,1]之间。另一方面采用阈值分割对图像进行二值化，突出目标尾迹，同时减少了后期检测的计算量。
具体的该操作分为两个步骤：
步骤S1041，对图像进行灰度归一化处理。图像最大灰度值为fmax，归一化公式为：
f'(i,j)＝f(i,j)/fmax (9)
式中，f(i,j)和f'(i,j)分别为处理前后图像像素值，f'(i,j)范围为[-1,1]。
步骤S1042，对归一化的结果进行阈值分割。考虑图像目标和背景近似高斯分布，根据“3σ”准则，根据图像计算标准差为std，期望为μ，系数k一般取[2,3]之间，则分割阈值fthreshold＝μ+k·std。二值化操作的公式为：
式中fthreshold为二值化阈值，fseg(i,j)为分割后图像灰度值。此处，灰度值为1的像素点表示尾迹区域，而灰度值为0的像素点为海面背景区域。
步骤S105，尾迹检测。对阈值化后的图像进行尾迹检测，根据拉东变换(Radon变换)将尾迹图像通过线积分的形式变换到另一(ρ,θ)参数域中。二维欧式空间中的Radon变化定义为：
其中，式中D是整个x-y平面；θ-ρ平面为变换域平面，θ为从x轴到所检测直线的法线的角度，ρ为从原点到所检测直线的法线长度；I(x,y)为图像在(x,y)位置处的图像强度(即灰度值)；δ为Dirac函数，其定义如下：
图像平面内的每一条亮线(也可以是不连续的点)对应于变换域中的一个峰值，而图像平面内的每一条暗线对应于变换域中的一个谷值点，从而可以将原始图像平面中的线性特征检测问题转化为变换域中的峰/谷值点检测问题。
Radon变换的积分运算环节抵消了噪声所引起的亮度起伏，因此从直线检测方面看，Radon变换域空间较原图像空间域的SNR高。
本发明的效果可以通过以下仿真结果进一步说明：
考虑红外探测单元响应的不一致性和尾迹的仿真模型，实验仿真得到红外尾迹图像，如图2所示。由于非均匀性问题，图像上表现为条纹噪声，对图像采用基于恒定统计的非均匀校正，处理结果如图3所示，可以直观看出图像中条纹噪声已经有效抑制消除。通过定量的评价函数可以更加准确地看出处理效果和速度，这里采用最小均方误差MSE来衡量校正后图像质量，其定义如下：
其中，M×N为探测单元数量，f(i,j)为原图灰度值，f'(i,j)为校正后图像灰度值。非均匀校正评价结果如图4所示，可以看出随着迭代次数的增加，MSE值迅速减小收敛，图像质量得到明显改善，这是预处理的关键步骤。由于孤立的随机噪声的存在，利用最大中值滤波在保持目标原有灰度的情况下，滤除显著噪声，如图5所示。其次通过模板滤波突出目标特点，如图6所示。将滤波后图像进行尾迹区域判定，包含归一化和阈值化处理，得到尾迹的二值图像，中间的尾迹区域与背景的缓变区域相似，经过处理滤除，如图7所示。最后基于二值图像尾迹区域进行Radon变换，在图像中标记尾迹区域的线性特征，根据线性特征可以判定海面舰船的位置、航向等参数，如图8所示。
Claims (6)
1.一种基于恒定统计和拉东变换的海面尾迹检测方法，其特征在于，包括以下步骤：
步骤1，采用红外探测器获取红外尾迹图像；
步骤2，对红外尾迹图像进行非均匀校正得到图像；
步骤3，对校正后的图像依次进行最大中值滤和模板滤波处理得到图像；
步骤4，对滤波后的图像归一化处理后采用阈值分割对图像进行二值化突出目标尾迹；
步骤5，采用拉东变换将尾迹图像通过线积分的形式变换到另一参数域中。
2.根据权利要求1所述的方法，其特征在于，步骤2的具体过程在于：
步骤2.1，获取第(i,j)焦平面探测元所接收到的辐射度为xi,j(n)对应的输出yi,j(n)
yi,j(n)＝gi,j(n)xi,j(n)+oi,j(n) (1)
其中，gi,j(n)和oi,j(n)分别是n时刻第(i,j)焦平面探测元的增益和偏置；
步骤2.2，设每个像素的时间平均和标准差是恒定的，恒定统计算法产生一个零均值，则单位平均偏差信号如下：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>g</mi>
<mo>=</mo>
<mi>s</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>o</mi>
<mo>=</mo>
<mi>m</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
s表示增益的平均值，m表示偏置的平均偏差值，
根据式(2)式(1)式可表示为：
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>m</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤2.3，通过式(4)所示的递归公式获取每个像素的平均值和平均偏差
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>m</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>m</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&lambda;y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>s</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>s</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>m</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，指数λ＝1/n。
3.根据权利要求1所述的方法，其特征在于，步骤3中的最大中值滤波的具体过程在于：
对(2N+1)×(2N+1)的最大中值滤波模板，最大中值滤波的计算公式为：
fmax-med(i,j)＝max(z1,z2,z3,z4) (5)
fmax-med(i,j)表示图像像素经过最大中值滤波后的像素灰度值，式(5)中，
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>z</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>e</mi>
<mi>d</mi>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>z</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>e</mi>
<mi>d</mi>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>N</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mi>N</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>z</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>e</mi>
<mi>d</mi>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mi>N</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>N</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>z</mi>
<mn>4</mn>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>e</mi>
<mi>d</mi>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>N</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mi>N</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，(i,j)为中心像素点坐标，med为取中值操作，max为取最大值操作，N表征模板尺寸大小。
4.根据权利要求3所述的方法，其特征在于，对最大中值滤波后的图像，进行模板滤波处理，具体过程为：
步骤3.2.1，设计二维滤波器矩阵T
<mrow>
<mi>T</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>16</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤3.2.2，将最大中值滤波后的图像f与二维滤波器矩阵T进行卷积操作，得到滤波后图像
<mrow>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mi>f</mi>
<mo>&CircleTimes;</mo>
<mi>T</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
式中为卷积计算，f'表示为滤波后图像。
5.根据权利要求1所述的方法，其特征在于，步骤4的具体过程在于：
步骤4.1，采用式(9)对滤波后的图像进行灰度归一化处理
f'(i,j)＝f(i,j)/fmax (9)
式中，f(i,j)和f'(i,j)分别为处理前后图像像素值，f'(i,j)范围为[-1,1]。
步骤4.2，采用式(10)对归一化的结果进行阈值分割
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>s</mi>
<mi>e</mi>
<mi>g</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<msub>
<mi>f</mi>
<mrow>
<mi>t</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式中fthreshold为二值化阈值，fthreshold＝μ+k·std，std、μ分别为图像的标准差、期望，系数k取[2,3]之间，fseg(i,j)为分割后图像灰度值，
灰度值为1的像素点表示尾迹区域，而灰度值为0的像素点为海面背景区域。
6.根据权利要求1所述的方法，其特征在于，步骤5的具体过程在于：
对二值化后的图像，采用式(11)所示的拉东变换将尾迹图像通过线积分的形式变换到另一(ρ,θ)参数域中
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>,</mo>
<mi>&rho;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mo>&Integral;</mo>
<mo>&Integral;</mo>
</mrow>
<mi>D</mi>
</munder>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>-</mo>
<mi>x</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>-</mo>
<mi>y</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>y</mi>
<mi>d</mi>
<mi>x</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，式中D是整个x-y平面，θ-ρ平面为变换域平面，θ为从x轴到所检测直线的法线的角度，ρ为从原点到所检测直线的法线长度，I(x,y)为图像在(x,y)位置处的图像灰度值，δ为Dirac函数
<mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>-</mo>
<mi>x</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>-</mo>
<mi>y</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>=</mo>
<mi>x</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>+</mo>
<mi>y</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>&NotEqual;</mo>
<mi>x</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>+</mo>
<mi>y</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
图像平面内的每一条亮线或不连续的亮点对应于变换域中的一个峰值，图像平面内的每一条暗线对应于变换域中的一个谷值点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710746798.8A CN107644414A (zh) | 2017-08-27 | 2017-08-27 | 一种基于恒定统计和拉东变换的海面尾迹检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710746798.8A CN107644414A (zh) | 2017-08-27 | 2017-08-27 | 一种基于恒定统计和拉东变换的海面尾迹检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107644414A true CN107644414A (zh) | 2018-01-30 |
Family
ID=61110609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710746798.8A Pending CN107644414A (zh) | 2017-08-27 | 2017-08-27 | 一种基于恒定统计和拉东变换的海面尾迹检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107644414A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110852992A (zh) * | 2019-10-11 | 2020-02-28 | 中国科学院国家空间科学中心 | 一种基于顶帽变换和Radon变换的船只尾迹检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102542277A (zh) * | 2012-01-06 | 2012-07-04 | 中国人民解放军第二炮兵装备研究院第三研究所 | 一种海洋合成孔径雷达图像的舰船尾迹检测方法 |
| CN103985125A (zh) * | 2014-05-19 | 2014-08-13 | 清华大学 | 一种复杂背景sar图像舰船尾迹检测方法 |
| CN105574855A (zh) * | 2015-12-10 | 2016-05-11 | 南京理工大学 | 云背景下基于模板滤波和虚警抑制的红外小目标检测方法 |
| US20160379053A1 (en) * | 2015-06-23 | 2016-12-29 | University Of Electronic Science And Technology Of China | Method and Apparatus for Identifying Object |
| CN106485673A (zh) * | 2016-09-19 | 2017-03-08 | 电子科技大学 | 一种对海面sar图像的滤波方法 |
-
2017
- 2017-08-27 CN CN201710746798.8A patent/CN107644414A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102542277A (zh) * | 2012-01-06 | 2012-07-04 | 中国人民解放军第二炮兵装备研究院第三研究所 | 一种海洋合成孔径雷达图像的舰船尾迹检测方法 |
| CN103985125A (zh) * | 2014-05-19 | 2014-08-13 | 清华大学 | 一种复杂背景sar图像舰船尾迹检测方法 |
| US20160379053A1 (en) * | 2015-06-23 | 2016-12-29 | University Of Electronic Science And Technology Of China | Method and Apparatus for Identifying Object |
| CN105574855A (zh) * | 2015-12-10 | 2016-05-11 | 南京理工大学 | 云背景下基于模板滤波和虚警抑制的红外小目标检测方法 |
| CN106485673A (zh) * | 2016-09-19 | 2017-03-08 | 电子科技大学 | 一种对海面sar图像的滤波方法 |
Non-Patent Citations (3)
| Title |
|---|
| SUYOG D. DESHPANDE,ET AL: "《Max-mean and max-median filters for detection of small targets》", 《SIGNAL AND DATA PROCESSING OF SMALL TARGETS 1999》 * |
| 凌强等: "《空间自适应卷积核滤波红外弱小目标检测》", 《红外技术》 * |
| 孟思岐等: "《一种基于恒定统计的红外图像非均匀性校正算法》", 《应用光学》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110852992A (zh) * | 2019-10-11 | 2020-02-28 | 中国科学院国家空间科学中心 | 一种基于顶帽变换和Radon变换的船只尾迹检测方法 |
| CN110852992B (zh) * | 2019-10-11 | 2022-07-26 | 中国科学院国家空间科学中心 | 一种基于顶帽变换和Radon变换的船只尾迹检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
| CN102819740B (zh) | 一种单帧红外图像弱小目标检测和定位方法 | |
| CN102096824B (zh) | 基于选择性视觉注意机制的多光谱图像舰船检测方法 | |
| CN103617617B (zh) | 基于功率谱描述的水下图像质量评价测量方法 | |
| CN111681197A (zh) | 一种基于Siamese网络结构的遥感图像无监督变化检测方法 | |
| CN101727662A (zh) | Sar图像非局部均值去斑方法 | |
| CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
| CN108985304B (zh) | 一种基于浅剖数据的沉积层结构自动提取方法 | |
| CN106646469B (zh) | 基于变异系数法的sar船只检测优化方法 | |
| CN106841115A (zh) | 基于空间频率特征的海面溢油检测方法 | |
| CN109308713A (zh) | 一种基于前视声纳的改进核相关滤波水下目标跟踪方法 | |
| CN114820401B (zh) | 直方图变换与边缘信息融合的海上逆光红外图像增强方法 | |
| CN104537675B (zh) | 一种sar图像双边cfar舰船目标检测方法 | |
| CN103971370A (zh) | 一种针对遥感大图像的海洋溢油智能检测方法 | |
| CN105469393A (zh) | 基于决策融合的浅海水深多时相遥感影像反演方法 | |
| CN110706208A (zh) | 一种基于张量均方最小误差的红外弱小目标检测方法 | |
| CN110765912A (zh) | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 | |
| Chen et al. | A novel scheme for extracting sea surface wind information from rain-contaminated x-band marine radar images | |
| CN104574417A (zh) | 一种图像边缘灰度起伏性度量与自适应检测方法 | |
| CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
| CN109389593A (zh) | 一种红外图像小目标的检测方法、装置、介质及设备 | |
| CN108765439A (zh) | 一种基于无人水面艇的海天线检测方法 | |
| CN107369163A (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
| CN107644414A (zh) | 一种基于恒定统计和拉东变换的海面尾迹检测方法 | |
| CN107451608B (zh) | 基于多视幅度统计特性的sar图像无参考质量评价方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180130 |
|
| WD01 | Invention patent application deemed withdrawn after publication |