CN107729903A - 基于区域概率统计和显著性分析的sar图像目标检测方法 - Google Patents
基于区域概率统计和显著性分析的sar图像目标检测方法 Download PDFInfo
- Publication number
- CN107729903A CN107729903A CN201710961362.0A CN201710961362A CN107729903A CN 107729903 A CN107729903 A CN 107729903A CN 201710961362 A CN201710961362 A CN 201710961362A CN 107729903 A CN107729903 A CN 107729903A
- Authority
- CN
- China
- Prior art keywords
- target
- sar image
- significance analysis
- probability
- values
- 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
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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于区域概率统计和显著性分析的SAR图像目标检测方法。所述方法在对SAR图像划分子区域的同时,将区域估计引入到显著性分析方法中。所述方法首先根据图像的统计信息对SAR图像进行粗分割,其次计算每个超像素块的目标存在概率以确定背景模板集合,接着考虑目标的随机分布,替换DSR模型的背景模板集,以减少稠密重构误差,最后通过使用改进的DSR模型实现目标的准确检测。本发明所述方法可以准确地检测目标,并且无需先验知识,应用范围广泛。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于区域概率统 计和显著性分析的SAR图像目标检测方法。
背景技术
SAR(Synthetic Aperture Radar,合成孔径雷达)是一种高分辨 率成像雷达,可以在能见度极低的气象条件下得到类似光学照相的 高分辨雷达图像。利用雷达与目标的相对运动把尺寸较小的真实天 线孔径用数据处理的方法合成为一个较大的等效天线孔径的雷达, 也称综合孔径雷达。合成孔径雷达的特点是分辨率高,能全天候、 全天时工作,能有效地识别伪装和穿透掩盖物。所得到的高方位分 辨力相当于一个大孔径天线所能提供的方位分辨力。合成孔径雷达 的首次使用是在20世纪50年代后期,装载在RB-47A和RB-57D战 略侦察飞机上。经过近60年的发展,合成孔径雷达技术已经比较成 熟,各国都建立了自己的合成孔径雷达发展计划,各种新型体制合 成孔径雷达应运而生,在民用与军用领域发挥重要作用。
目标检测是SAR图像解译应用的一大研究热点。与光学图像不 同,SAR图像成像结果存在诸多缺陷,例如受旁瓣效应影响导致的 图像模糊、噪声干扰强、目标随机分布等,增加了传统目标检测方 法的虚警率。
恒虚警率(constant false alarm rate,CFAR)检测算法是SAR图 像目标检测领域应用最广泛的一种检测算法,但CFAR检测算法只 是根据背景杂波的统计信息选取门限值,没有考虑目标的统计特性, 只是在检测过程中将目标作为背景统计特性的异常点,并且这些传 统的方法都是通过逐个像素点的计算来实现目标的检测,处理速度 慢,难以满足遥感图像实时处理的要求。
针对SAR图像目标检测受背景杂波和低分辨率干扰严重,大量 检测方法将背景区域筛选出来以缩小目标的搜索范围。根据目标大 小设置参考窗口大小以降低检测方法的错误率,假设背景杂波的统 计分布模型是高斯分布,在简单的情况下,该方法比基于固定窗口 的方法实现了更好的检测效果;利用基于非参数的Parzen窗口估计 杂波的概率密度函数,以达到满意的检测结果。然而,该方法仅适 用于小目标场景,因为杂波需要根据图像的整个像素集来估计;基 于两级CFAR的SAR图像船舶目标快速检测方法,全面提高了检测速度和准确性,该方法首先利用全局阈值定位潜在目标区域,然后 通过使用基于K分布的CFAR算法过滤伪目标区域;类似地,根据 SAR图像的直方图分布定位了潜在的目标区域,随后通过使用基于 G0分布模型的CFAR算法对目标区进行了精确的定位;使用矩保持 法分割SAR图像,大致定位目标,再通过使用广义似然比检测 (Generalized Likelihood RatioTeat,GLRT)方法精确检测目标区 域。总之,上述算法使用统计方法粗略估计了目标的潜在区域,然 后使用检测算法准确定位目标区域。然而,由于上述方法通常只适 用于某一种特定分布的杂波,故算法的应用范围受到限制。
显著性分析模拟人类视觉注意机制,以检测图像中感兴趣的区 域,可以快速定位目标。目前,显著性分析被广泛应用于目标检测 领域,选择适当的显著性模型是决定检测算法性能的关键。一种基 于稠密和稀疏重构(Dense and Sparse Reconstruction,DSR)的图像 显著性检测模型,称为DSR模型。为了充分利用图像的特征信息, DSR模型提取源图像四周的超像素作为背景模板,并构建背景字典。 根据稠密和稀疏重构误差进行显著性计算。虽然DSR方法适合于自 然景观,但如果目标靠近边界区域,则容易误判。此外,SAR图像中的目标分布是随机的,这限制了DSR模型的应用。
为了降低虚警率,更加准确地检测出SAR图像中的目标,本发 明提出了一种基于区域概率统计和显著性分析的SAR图像目标检测 算法。采用简单线性迭代聚类(SimpleLinear Iterative Clustering, SLIC)的新的超像素算法以有效生成超像素,SLIC对于边界的吻合 度和分割性能更优。之后,将DSR模型引入到SAR图像的显著性 目标检测中,并结合概率统计有效地减少虚警率。
发明内容
为了克服现有的SAR图像目标检测方法存在的不足,降低虚警 率,提高SAR图像目标检测的准确性,本发明提供一种基于区域概 率统计和显著性分析的SAR图像目标检测方法。所述方法首先根据 图像的统计信息对SAR图像进行粗分割,其次计算每个超像素块的目标存在概率以确定背景模板集合,接着考虑目标的随机分布,替 换DSR模型的背景模板集,以减少稠密重构误差,最后通过使用改 进的DSR模型实现目标的准确检测。本发明所述方法可以准确地检 测目标,并且无需先验知识,应用范围广泛。
为实现上述目标,本发明采用以下技术方案:
一种基于区域概率统计和显著性分析的SAR图像目标检测方 法,所述方法在对SAR图像划分子区域的同时,将区域估计引入到 显著性分析方法中,使得目标检测更为准确,有效地降低虚警率。
一种基于区域概率统计和显著性分析的SAR图像目标检测方 法,所述方法包括以下步骤:
1)、用SLIC方法对源图像进行分割。选择矢量[l,a,b,x,y]作为 像素的特征向量,[l,a,b]是lab空间的颜色矢量,[x,y]是像素的空间 位置。假设一个图像有N个像素,超像素个数通过控制参数k来确 定,超像素的网格宽度为距离测量因子dist计算如下。
其中,dlab代表颜色距离,dxy代表空间距离,m是调整因子,用 来调整dxy的权值。
2)、计算子快的目标存在概率:沿超像素划分子块,并计算各 子块的目标存在概率SD值。原始SD值来自源图像,其可以定义为 包含潜在目标的存在概率。预测的SD值来自去噪图像。通过计算 各子区域的原始SD值和预测SD值之间的差值来获得目标的存在概率。SD值计算方法如下:
①灰度分布的相似性是通过自信息来测量的。假设随机事件x 的概率是p(x),自信息由以下公式计算得到。
其中,P(SPj)是超像素SPj的概率,P(SPj(r))是像素SPj(r)的概 率。
②根据公式(6)筛选出异常信息。
其中,t是一个常量,μi和δi分别是均值和方差。
③原始SD值的计算公式为:
其中,a是检测到的异常点的数量,阈值θj=t·δj+μj。
由于大多数目标被视为异常信息,并且目标的存在增强了该超 像素的SD值,所以在除去异常信息之后,预测的SD值将会减小。
SDT=α·PSDj (8)
其中,PSDj是在子区域中除去异常点后的预测的SD值,α是 预测常数,用于估计每个子区域包含目标的概率。
3)、根据步骤2)所得的SD值,提取新的背景模板。
4)、用新提取的背景模板集替换原模板集,根据改进的DSR 方法获得新的显著图。
5)、通过阈值分割得到目标检测结果图。
本发明的优点和有益效果为:
1)本发明将区域概率统计和基于视觉注意机制的显著性目标检 测方法运用到遥感图像目标检测中,首先采用简单线性迭代聚类方 法将SAR源图像分割成子块,其次估计每个子块的目标存在概率并 提取背景区域,随后将背景子块聚类并替代DSR显著性模型中相应 的背景模板集。本发明所述方法对DSR背景模板进行了改进,使其 更加适应遥感图像;
2)为了改善传统检测方法通过逐个像素统计的方式,本发明先 采用SLIC方法将源图像分割成子块,利用局部估计来判断目标是否 存在于子块中,再将区域估计引入到DSR显著性分析方法中,结果 稠密重构误差明显降低。将区域概率统计和DSR显著性模型相结合, 在保证了SAR图像边缘完整性的同时还有效降低了虚警率,提高了 检测精度。
附图说明
图1为本发明所述方法工作流程示意图。
图2为本发明实施例所用的第1幅SAR图像
图3为本发明实施例所用的第2幅SAR图像
图4为本发明实施例所用的第3幅SAR图像
图5为本发明对比例基于瑞利分布的双参数CFAR检测方法 (TP-CFAR)对图2所示的SAR图像目标检测的结果图。
图6为本发明对比例基于瑞利分布的双参数CFAR检测方法 (TP-CFAR)对图3所示的SAR图像目标检测的结果图。
图7为本发明对比例基于瑞利分布的双参数CFAR检测方法 (TP-CFAR)对图4所示的SAR图像目标检测的结果图。
图8为本发明对比例有序统计量恒虚警检测(OS-CFAR)方法 对图2所示的SAR图像目标检测的结果图。
图9为本发明对比例有序统计量恒虚警检测(OS-CFAR)方法 对图3所示的SAR图像目标检测的结果图。
图10为本发明对比例有序统计量恒虚警检测(OS-CFAR)方法 对图4所示的SAR图像目标检测的结果图。
图11为本发明所述方法对图2所示的SAR图像进行检测的效 果图。
图12为本发明所述方法对图3所示的SAR图像进行检测的效 果图。
图13为本发明所述方法对图4所示的SAR图像进行检测的效 果图。
具体实施方式
一种基于区域概率统计和显著性分析的SAR图像目标检测方 法,所述方法在对SAR图像划分子区域的同时,将区域估计引入到 显著性分析方法中。
一种基于区域概率统计和显著性分析的SAR图像目标检测方 法,所述方法包括以下步骤:
1)、用SLIC方法对源图像进行分割;
2)、计算子快的目标存在概率:沿超像素划分子块,并计算各 子块的目标存在概率SD值;
3)、根据步骤2)所得的SD值,提取新的背景模板;
4)、用新提取的背景模板集替换原模板集,根据改进的DSR 方法获得新的显著图;
5)、通过阈值分割得到目标检测结果图。
实施例
参见图1至图5,本实施例选择三幅SAR图像作为处理对象, 并选择基于瑞利分布的双参数CFAR检测方法(TP-CFAR)和有序 统计量恒虚警检测(OS-CFAR)方法作为对比例对所述三幅SAR图 像进行处理,将处理结果与本发明所述方法的处理结果进行比较。 比较结果如表1至表3所示。
在表1-3所示的客观评价指标比较中,通过品质因数(Figure of Merit,FoM)和完整率(Integrity Rate,IR)来衡量不同检测方法 检测的图像质量,品质因数(FoM)和完整率(IR)越大,说明检 测的结果越准确,与人工解译目标越接近,效果越好。由表1-3中 数据可以看出,基于TP-CFAR和OS-CFAR方法的检测结果,有较 高的虚警目标和漏检目标。相比之下,本发明所提出的方法能够准 确地检测出所有目标,品质因数(FoM)和完整率(IR)都是最佳 的,而且目标结构相对比较完整,说明本发明所述方法有效地降低 了虚警率,具有更高的精度和鲁棒性。
表1目标检测结果统计(图2).
表2目标检测结果统计(图3).
表3目标检测结果统计(图4).
最后应说明的是:上述实施例仅仅是为清楚地说明本发明所作 的举例,而并非对实施方式的限定。对于所述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。而由此所引伸出的显 而易见的变化或变动仍处于本发明的保护范围之中。
Claims (5)
1.一种基于区域概率统计和显著性分析的SAR图像目标检测方法,其特征在于:所述方法在对SAR图像划分子区域的同时,将区域估计引入到显著性分析方法中。
2.如权利要求1所述的一种基于区域概率统计和显著性分析的SAR图像目标检测方法,其特征在于,所述方法包括以下步骤:
1)、用SLIC方法对源图像进行分割;
2)、计算子快的目标存在概率:沿超像素划分子块,并计算各子块的目标存在概率SD值;
3)、根据步骤2)所得的SD值,提取新的背景模板;
4)、用新提取的背景模板集替换原模板集,根据改进的DSR方法获得新的显著图;
5)、通过阈值分割得到目标检测结果图。
3.如权利要求1或2所述的一种基于区域概率统计和显著性分析的SAR图像目标检测方法,其特征在于:所述步骤1)中选择矢量[l,a,b,x,y]作为像素的特征向量,[l,a,b]是lab空间的颜色矢量,[x,y]是像素的空间位置。
4.如权利要求1或2所述的一种基于区域概率统计和显著性分析的SAR图像目标检测方法,其特征在于:所述步骤2)中,原始SD值来自源图像,其定义为包含潜在目标的存在概率,预测的SD值来自去噪图像,通过计算各子区域的原始SD值和预测SD值之间的差值来获得目标的存在概率。
5.如权利要求1或2所述的一种基于区域概率统计和显著性分析的SAR图像目标检测方法,其特征在于:所述步骤2)中,SD值计算方法如下:
①通过自信息来测量灰度分布的相似性;
②根据公式筛选出异常信息;
③根据公式计算原始SD值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710961362.0A CN107729903A (zh) | 2017-10-17 | 2017-10-17 | 基于区域概率统计和显著性分析的sar图像目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710961362.0A CN107729903A (zh) | 2017-10-17 | 2017-10-17 | 基于区域概率统计和显著性分析的sar图像目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107729903A true CN107729903A (zh) | 2018-02-23 |
Family
ID=61210605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710961362.0A Pending CN107729903A (zh) | 2017-10-17 | 2017-10-17 | 基于区域概率统计和显著性分析的sar图像目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107729903A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830883A (zh) * | 2018-06-05 | 2018-11-16 | 成都信息工程大学 | 基于超像素结构的视觉注意sar图像目标检测方法 |
CN110827311A (zh) * | 2019-11-05 | 2020-02-21 | 中铁十一局集团电务工程有限公司 | 一种基于成像法的电缆导体截面积测量方法及系统 |
CN115205825A (zh) * | 2022-07-15 | 2022-10-18 | 宜宾学院 | 基于改进yolov5的行车视频序列图像检测识别交通标志方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361340A (zh) * | 2014-11-04 | 2015-02-18 | 西安电子科技大学 | 基于显著性检测和聚类的sar图像目标快速检测方法 |
CN105809651A (zh) * | 2014-12-16 | 2016-07-27 | 吉林大学 | 基于边缘非相似性对比的图像显著性检测方法 |
-
2017
- 2017-10-17 CN CN201710961362.0A patent/CN107729903A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361340A (zh) * | 2014-11-04 | 2015-02-18 | 西安电子科技大学 | 基于显著性检测和聚类的sar图像目标快速检测方法 |
CN105809651A (zh) * | 2014-12-16 | 2016-07-27 | 吉林大学 | 基于边缘非相似性对比的图像显著性检测方法 |
Non-Patent Citations (3)
Title |
---|
RADHAKRISHNA ACHANTA 等: "SLIC Superpixels Compared to State-of-the-Art Superpixel Methods", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
SHUO LIU 等: "Target detection in complex scene of SAR image based on existence probability", 《EURASIP JOURNAL ON ADVANCES IN SIGNAL PROCESSING》 * |
XIAOHUI LI 等: "Saliency Detection via Dense and Sparse Reconstruction", 《2013 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830883A (zh) * | 2018-06-05 | 2018-11-16 | 成都信息工程大学 | 基于超像素结构的视觉注意sar图像目标检测方法 |
CN110827311A (zh) * | 2019-11-05 | 2020-02-21 | 中铁十一局集团电务工程有限公司 | 一种基于成像法的电缆导体截面积测量方法及系统 |
CN110827311B (zh) * | 2019-11-05 | 2023-07-21 | 中铁十一局集团电务工程有限公司 | 一种基于成像法的电缆导体截面积测量方法及系统 |
CN115205825A (zh) * | 2022-07-15 | 2022-10-18 | 宜宾学院 | 基于改进yolov5的行车视频序列图像检测识别交通标志方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | A modified faster R-CNN based on CFAR algorithm for SAR ship detection | |
Zhao et al. | A coupled convolutional neural network for small and densely clustered ship detection in SAR images | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
Hou et al. | Unsupervised change detection in SAR image based on gauss-log ratio image fusion and compressed projection | |
Nath et al. | A survey of image classification methods and techniques | |
CN110031843B (zh) | 基于roi区域的sar图像目标定位方法、系统、装置 | |
Williams et al. | Mine classification with imbalanced data | |
CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
CN109583293A (zh) | 星载sar图像中的飞机目标检测与鉴别方法 | |
CN108898065B (zh) | 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法 | |
CN109214439B (zh) | 一种基于多特征融合的红外图像结冰河流检测方法 | |
CN108957453A (zh) | 一种基于多目标跟踪的高精度动目标成像及识别方法 | |
CN108960190B (zh) | 基于fcn图像序列模型的sar视频目标检测方法 | |
CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
CN107742113B (zh) | 一种基于目标数量后验的sar图像集群目标检测方法 | |
CN106772379B (zh) | 基于傅里叶变换的双参数cfar舰船检测方法 | |
CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
Fu et al. | Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough transform | |
Tu et al. | Airport detection in SAR images via salient line segment detector and edge-oriented region growing | |
Li et al. | Ship target detection and recognition method on sea surface based on multi-level hybrid network | |
Li et al. | Outlier-robust superpixel-level CFAR detector with truncated clutter for single look complex SAR images | |
CN108509835B (zh) | 基于DFIC超像素的PolSAR图像地物分类方法 | |
CN109978855A (zh) | 一种遥感图像变化检测方法及装置 | |
CN107369163B (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 | |
Kurekin et al. | Use of Sentinel-l and Sentinel-2 for monitoring illegal fishing off Ghana |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180223 |