CN107909595A - 基于幅度与能量聚集度乘积的海陆杂波场景分割方法 - Google Patents
基于幅度与能量聚集度乘积的海陆杂波场景分割方法 Download PDFInfo
- Publication number
- CN107909595A CN107909595A CN201710952935.3A CN201710952935A CN107909595A CN 107909595 A CN107909595 A CN 107909595A CN 201710952935 A CN201710952935 A CN 201710952935A CN 107909595 A CN107909595 A CN 107909595A
- Authority
- CN
- China
- Prior art keywords
- mrow
- distance
- ripple position
- msub
- amplitude
- 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
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于幅度与能量聚集度乘积的海陆杂波场景分割方法，其步骤是：将回波序列转化为灰度图像；建立距离‑波位坐标系；选取坐标系中所有的点，将所选点对应的距离‑波位作为距离‑波位分辨单元；计算每个距离‑波位分辨单元的幅度与能量聚集度乘积，得到幅度与能量聚集度矩阵；将矩阵转化为灰度图像；利用最大类间方差法分割灰度图像得到二值图像；采用12*4结构元素对二值图像进行形态学滤波，得到最终结果。本发明以幅度与能量聚集度乘积作为测度，充分体现了在运动或静止相参体制平台下海陆杂波的差异性，对海陆杂波场景进行分割得到更准确的结果。
Description
技术领域
本发明属于通信技术领域，更进一步涉及雷达信号处理技术领域中的一种基于幅度与能量聚集度乘积的海陆杂波场景分割方法。本发明可用于从雷达获取的回波数据生成海陆杂波场景的分割图像。
背景技术
海杂波背景下的目标检测技术是雷达应用技术中一个至关重要的研究方向，在军事和民用领域得到普遍应用。雷达在对海模式下工作时，扫描场景复杂且范围较大，雷达回波中往往包含着各种类型的杂波，包括海杂波、地杂波、岛礁杂波等。地杂波和岛礁杂波回波强度较强，严重影响着海杂波背景下的目标检测，复杂的杂波场景和杂波特性构成了海面目标检测的主要障碍。因此，在进行海杂波背景下的目标检测之前，必须对海陆杂波场景分割进行预处理。通过海陆杂波场景分割将地杂波和岛礁回波从雷达杂波中分离出去，在目标检测的过程中将地杂波和岛礁回波排除，减少了地杂波和岛礁回波对海杂波背景下的目标检测的影响。海陆杂波场景分割结果的质量好坏将直接影响海杂波背景下的目标检测性能。
与传统的图像分割方法不同，雷达杂波场景的分割包括了将雷达数据转化成灰度图像和灰度图像分割两部分。海杂波的能量相对比较分散而地杂波的强度要比海杂波的强度强很多且比较集中。雷达对海扫描探测时，接收机接收到的海杂波会随着海面环境、雷达工作频率、天线视角等多方面因素的变化表现出显著的非平稳、非高斯特性，其峰值也会随着时间不断地发生变化，这种海陆杂波场景分割往往是高计算代价的，难以满足实时海陆杂波场景分割的要求。利用人工的方法直接对杂波场景进行描绘分割无法满足实时场景分割的要求。
河海大学在其申请的专利文献“基于FCM的分块自适应图像分割方法”(专利申请号201310726876，授权公告号CN 103761726 B)中提出了一种基于FCM的分块自适应图像分割方法。该方法分别采用邻域平均法对待分割图像进行处理后利用基于FCM图像分割方法进行分割和基于标准FCM图像分割方法对待分割图像进行分割，对结果图进行分块处理，对图像区域块编号并计算每个图像区域块的方差，比较两幅分割图上相同位置的图像块方差，选择方差较小的图像块作为最后的分割结果。该方法充分考虑了待分割图像的灰度信息和空间信息，并对待分割图像分块自适应选择分块方法，提高了图像的分割质量，但是，该方法仍然存在的不足之处是，对于像素密度分布不均衡的图像不能精确分割，图像分割结果不理想。
北京航空航天大学在其申请的专利文献“一种基于小波变换和OTSU阈值的SAR图像海陆分割方法”(专利申请号201210536981.2，授权公告号CN 102968798 B)中提出了一种基于小波变换和OTSU阈值的SAR图像海陆分割方法。该方法利用小波变换的噪声平滑特性抑制SAR图像中的斑噪，进而采用一种非监督、最优化阈值的OTSU阈值方法粗略分割出陆地区域，并基于小波变换的多尺度分析特性，将各尺度下的检测结果进行合并，最后通过自动化的后续处理和边缘跟踪得到最终的SAR图像海陆分割结果。该方法综合利用了小波变换的斑噪抑制、多尺度分析功能和OTSU阈值算法的自适应和非监督的特性，在高分辨率SAR图像的适用性方面均有很大程度的提高，但是，该方法仍然存在的不足之处是，由于该方法对噪声仍比较敏感，导致该方法的鲁棒性较差，图像分割结果不均匀。
湖北工业大学拥有的专利技术“一种基于蝙蝠优化模糊聚类的图像分割方法”(专利申请号201410039711.X，授权公告号CN 103824285 B)中提出了一种基于蝙蝠优化模糊聚类的图像分割方法。该方法采用蝙蝠算法作为演化算法，很好的解决了传统FCM聚类分割方法过于依赖初始聚类中心的缺点，在很大程度上提高其收敛到全局最优解的概率。该方法采用十进制进行编码，计算快速便捷，在很大程度上提高了聚类分割效率，但是，该方法仍然存在的不足之处是，对于像素密度分布不均衡的图像不能精确分割，图像分割结果不理想。
江南大学拥有的专利技术“一种具备多视角学习能力的模糊聚类图像分割方法”(专利申请号201410525629.8，授权公告号CN 104282022 B)中提出了一种具备多视角学习能力的模糊聚类图像分割方法。该方法在传统的FCM聚类算法的基础上采用多视角学习能力方法，获取各视角下的聚类结果，通过集成决策方法获取图像分割结果，同时使用视角加权技术增强分割效果。该方法充分利用图像信息，能够有效地提取各视角图像的独立信息，挖掘各视角下图像的共性信息，提高了图像的分割质量，但是，该方法仍然存在的不足之处是，对于像素密度分布不均衡的图像不能精确分割，图像分割结果不理想。
发明内容
现有技术中仅使用幅度对海陆杂波场景进行分割，缺少了雷达回波数据中主要的相位信息，不能满足对海陆杂波场景分割的需求；现有技术中仅以能量聚集度为测度对海陆杂波场景进行分割，适合在非近海区域。在近海区域，海洋和陆地的能量聚集度值差异较小，无法正确分割这些区域。因此，本发明为了克服上述已有技术的不足，提出了基于幅度和能量聚集度融合的海陆杂波场景分割方法。基于地杂波的回波与能量聚集度值大，而海杂波的回波与能量聚集度值小的先验知识，本发明以幅度与能量聚集度的乘积为测度，相较于能量聚集度为测度的方法，更能充分体现海陆杂波的差异性。
本发明将雷达接收含有海陆杂波场景的回波序列转化为灰度图像，建立一个距离-波位坐标系，提取距离-波位坐标系中所有点，将所有点对应的距离-波位作为距离-波位分辨单元，用基于幅度与能量聚集度乘积的海陆杂波场景分割方法，对所有距离-波位分辨单元划分，达到海陆杂波场景分割的目的。
实现本发明目的的基本思路是：首先，将雷达接收含有海陆杂波场景的回波序列转化为灰度图像，建立一个距离-波位坐标系，提取距离-波位坐标系中所有的点，将所选点对应的距离-波位作为距离-波位分辨单元；然后，计算每个距离-波位分辨单元的幅度与能量聚集度的乘积，得到幅度与能量聚集度矩阵，将矩阵转化为灰度图像；最后，利用最大类间方差法得到阈值分割后的二值图像，采用12*4结构元素对二值图像进行形态学滤波，得到最终的海陆杂波场景分割图像。
为了实现上述目的，本发明的具体实现步骤如下：
(1)获取回波序列：
雷达接收含有海陆杂波场景的距离-波位-脉冲三维回波序列；
(2)建立距离-波位坐标系：
将回波序列转化为大小为M×L的灰度图像，建立一个距离-波位坐标系，其中，M表示距离维，L表示波位维；
(3)选取距离-波位分辨单元：
从距离-波位坐标系中任选一点，将该点所对应的距离-波位组成距离-波位分辨单元；
(4)计算幅度与能量聚集度矩阵：
(4a)利用幅度值公式，计算所选距离-波位分辨单元的幅度值；
(4b)按照下式，计算所选距离-波位分辨单元的能量聚集度值：
其中，ek表示所选的第k个距离-波位分辨单元的能量聚集度值，k＝1，2，...，P×Q，P表示距离-波位分辨单元中距离的总数，Q表示距离-波位分辨单元波位的总数，M表示过采样傅里叶变换系数，本发明中含有5个脉冲回波数据，当该系数取M＝4时，检测性能最佳，max{·}表示取最大值操作，l表示过采样傅里叶变换的多普勒通道序号，l＝1，2，...，MN，MN表示多普勒通道的总数，N表示回波序列的脉冲总数，|·|2表示取模值平方操作，yl表示所选的第k个距离-波位分辨单元经过采样傅里叶变换后的频域数据，yl＝oversample_DFT(xk，i)，oversample_DFT(·)表示取过采样傅里叶变换操作，xk，i表示所选的第k个距离-波位分辨单元的第i个脉冲数据，i表示回波序列的脉冲序号，i＝1，2，...N，∑表示求和操作；
(4c)按照下式，计算所选距离-波位分辨单元的幅度值与能量聚集度值的乘积：
其中，Rk表示所选的第k个距离-波位分辨单元的幅度值Pk与能量聚集度值ek的乘积，｜·|表示取幅值操作；
(4d)利用幅度与能量聚集度矩阵公式，计算幅度与能量聚集度矩阵中每个元素值；
(5)判断是否选取完距离-波位坐标系中所有的点，若是，则执行步骤(6)；否则，执行步骤(3)；
(6)将幅度与能量聚集度矩阵转化为灰度图像：
在matlab2014a中使用mat2gray语句将矩阵转化为灰度图像；
(7)产生二值图像：
(7a)利用最大类间方差法，获取灰度图像的最佳阈值；
(7b)判断灰度图像中任意像素点的像素值是否大于最佳阈值，若是，则执行步骤(7c)；否则，执行步骤(7d)；
(7c)将灰度图像中像素点的像素值大于最佳阈值的像素点的像素值置为1；
(7d)将灰度图像中像素点的像素值小于等于最佳阈值的像素点的像素值置为0；
(7e)将图像中所有像素点的像素值置1置0后的像素点组成二值图像；
(8)产生海陆杂波场景分割图像：
采用12*4结构元素对二值图像进行形态学滤波，得到最终的海陆杂波场景分割图像。
本发明与现有技术相比具有以下优点：
第一，由于本发明在海陆杂波场景图像分割的过程中，采用了幅度与能量聚集度乘积作为测度，充分体现了在运动或静止相参体制平台下海陆杂波的差异性，克服了现有技术不能正确分割密度分布不均衡的海陆杂波的不足，使得本发明提高了图像分割精度。
第二，由于本发明在海陆杂波场景图像分割的过程中，采用了最大类间方差阈值分割法对灰度图像进行阈值分割，其获取最佳阈值的过程是自适应的，不需要人为的设定任何参数，运算速度快，克服了现有技术对阈值选择的不足，使得本发明在图像灰度直方图没有明显的双峰或波谷时，也能获得最佳阈值得到较为满意的分割结果。
第三，由于本发明在海陆杂波场景图像分割的过程中，采用了形态学滤波对阈值分割后的二值图像进行处理，保证了分割结果中陆地区域和海洋区域的连通性，克服了现有技术分割散乱的不足，使得本发明提高了海陆杂波场景分割的质量。
附图说明
图1为本发明的流程图；
图2为本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
参照附图1对本发明的具体步骤做进一步的详细描述。
步骤1，雷达接收散射体返回含有距离-波位-脉冲的三维回波序列。
步骤2，建立距离-波位坐标系。
将回波序列转化为灰度图像，建立距离-波位坐标系。
步骤3，选取距离-波位分辨单元。
从距离-波位坐标系中任选一点，将该点所对应的距离-波位组成距离-波位分辨单元。
步骤4，计算幅度与能量聚集度矩阵。
利用幅度值公式，计算所选距离-波位分辨单元的幅度值；
所述的幅度值公式如下：
其中，Pk表示第k个距离-波位分辨单元的幅度值。
按照下式，计算所选距离-波位分辨单元的能量聚集度值：
按照下式，计算所选距离-波位分辨单元的幅度值与能量聚集度值的乘积：
利用幅度与能量聚集度矩阵公式，计算幅度与能量聚集度矩阵中每个元素值：
所述的幅度与能量聚集度矩阵公式如下：
Rpq＝log10(Rk)；
其中，Rpq表示幅度与能量聚集度矩阵中第p行第q列的元素值，p表示距离-波位分辨单元的距离序号，q表示距离-波位分辨单元的波位序号，log10表示以10为底的对数操作。
步骤5，判断是否选取完距离-波位坐标系中所有的点，若是，则执行步骤6，否则，执行步骤3。
步骤6，将幅度与能量聚集度矩阵转化为灰度图像。
步骤7，产生二值图像。
(7a)利用最大类间方差法，获取灰度图像的最佳阈值。
所述的最大类间方差法的具体步骤如下：
第一步，灰度图像包含S个灰度级，任取t门限将灰度图像划分为C1和C2两类，0≤t≤S-1，C1表示灰度图像中灰度值小于等于t的像素点集合，C1＝{1，2，...，t}，C2表示灰度图像中灰度值大于t的像素点集合，C2＝{t+1，t+2，...，S-1}；
第二步，按照下式，计算和的类间方差，
σ2(t)＝p1(μ1-μT)2+p2(μ2-μT)2
其中，σ2(t)表示C1和C2的类间方差，p1表示C1出现的概率，nλ表示灰度值为λ的像素点总数，W表示灰度图像的像素点总数，μ1表示C1的灰度均值，p2表示C2出现的概率，μ2表示C2的灰度均值，μT表示灰度图像的灰度均值，
第三步，按照下式，σ2(t)计算取得最大值时的阈值，
T＝Arg max{σ2(t)}
其中，T表示类间方差取得最大值时的阈值，Arg max表示取最大值对应变量操作；
第四步，将阈值T作为灰度图像的最佳阈值。
(7b)判断灰度图像中的像素点的像素值是否大于最佳阈值，若是，则执行步骤(7c)；否则，执行步骤(7d)。
(7c)将灰度图像中像素点的像素值中大于最佳阈值的像素点的像素值置为1。
(7d)将灰度图像中像素点的像素值小于等于最佳阈值的像素点的像素值置为0。
(7e)将图像中所有像素点的像素值置1置0后的像素点组成二值图像；
步骤8，产生海陆杂波场景分割图像。
所述的形态学滤波是指，采用12*4结构元素对二值图像进行开操作和闭操作，滤除二值图像中占据几个像素的孤立团，填充连片区域中的孔洞，陆地和海洋两场景区域被划分开来，得到最终的海陆杂波场景分割图像。
本发明的效果可通过以下仿真进一步说明：
1.仿真条件：
本发明的仿真实验是在计算机配置为core i7 3.40GHZ，内存8G，WINDOWS7系统和计算机软件配置为Matlab R2014a环境下进行的。
2.仿真内容：
本发明的仿真实验是使用两种现有技术(能量聚集度方法、标准模糊C均值方法)与本发明共三种方法，分别对雷达接收的含有海陆杂波场景的距离-波位-脉冲三维回波序列进行仿真。
图2(a)为计算雷达接收含有海陆杂波场景的距离-波位-脉冲三维回波序列幅度，转化幅度后得到的原始图像；
图2(b)为使用现有技术的能量聚集度方法得到的仿真图，其中图2(b)为使用相位线性度方法计算回波序列中所有距离-波位分辨单元的能量聚集度，将能量聚集度转化为灰度图像，利用最大类间方差法对灰度图像进行阈值处理，得到二值图像，采用12*4结构元素对二值图像进行形态学滤波，得到的海陆杂波场景分割图像；
图2(c)为使用现有技术的标准模糊C均值方法得到的仿真图，其中图2(c)为使用标准模糊C均值方法计算由回波序列转化的图像中的聚类中心和隶属度矩阵，通过最小化加权聚类目标函数来产生最佳的C区间，得到的海陆杂波场景分割图像；
图2(d)为使用本发明得到的仿真图，其中图2(d)为使用本发明方法计算回波序列中距离-波位分辨单元的幅度与能量聚集度矩阵，将矩阵转化为灰度图像，利用最大类间方差法对灰度图像进行阈值处理，得到二值图像，采用12*4结构元素对二值图像进行形态学滤波得到的海陆杂波场景分割图像；
3.仿真结果分析：
从图2(b)和图2(d)中可以看出，采用现有技术的能量聚集度的海陆分割杂波场景分割方法，导致很多需要被连通的孔洞散乱分布，结果过分割，分割质量较差。而本发明充分体现了海陆杂波的差异性，能够获得更精确的分割结果。
从图2(c)和图2(d)中可以看出，采用现有技术的FCM聚类的图像分割方法，不能正确分割密度分布不均衡的海陆杂波，分割质量较差。而本发明能够较好的分割密度分布不均衡的海陆杂波，能够获得更精确的分割结果。
Claims (5)
1.一种基于幅度与能量聚集度乘积的海陆杂波场景分割方法，其特征在于，采用幅度与能量聚集度乘积作为测度，充分体现了在运动或静止相参体制平台下海陆杂波的差异性，具体步骤包括如下：
(1)获取回波序列：
雷达接收含有海陆杂波场景的距离-波位-脉冲三维回波序列；
(2)建立距离-波位坐标系：
将回波序列转化为大小为M×L的灰度图像，建立一个距离-波位坐标系，其中，M表示距离维，L表示波位维；
(3)选取距离-波位分辨单元：
从距离-波位坐标系中任选一点，将该点所对应的距离-波位组成距离-波位分辨单元；
(4)计算幅度与能量聚集度矩阵：
(4a)利用幅度值公式，计算所选距离-波位分辨单元的幅度值；
(4b)按照下式，计算所选距离-波位分辨单元的能量聚集度值：
<mrow>
<msub>
<mi>e</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
<mi>N</mi>
</mrow>
</munder>
<mo>{</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>l</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>}</mo>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>M</mi>
<mi>N</mi>
</mrow>
</munderover>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>l</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
其中，ek表示所选的第k个距离-波位分辨单元的能量聚集度值，k＝1,2,...,P×Q，P表示距离-波位分辨单元中距离的总数，Q表示距离-波位分辨单元波位的总数，M表示过采样傅里叶变换系数，本发明中含有5个脉冲回波数据，当该系数取M＝4时，检测性能最佳，max{·}表示取最大值操作，l表示过采样傅里叶变换的多普勒通道序号，l＝1,2,...,MN，MN表示多普勒通道的总数，N表示回波序列的脉冲总数，|·|2表示取模值平方操作，yl表示所选的第k个距离-波位分辨单元经过采样傅里叶变换后的频域数据，yl＝oversample_DFT(xk,i)，oversample_DFT(·)表示取过采样傅里叶变换操作，xk,i表示所选的第k个距离-波位分辨单元的第i个脉冲数据，i表示回波序列的脉冲序号，i＝1,2,...N，∑表示求和操作；
(4c)按照下式，计算所选距离-波位分辨单元的幅度值与能量聚集度值的乘积：
<mrow>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<mo>*</mo>
<msub>
<mi>e</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>*</mo>
<mfrac>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
<mi>N</mi>
</mrow>
</munder>
<mo>{</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>l</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>}</mo>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>M</mi>
<mi>N</mi>
</mrow>
</munderover>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>l</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
其中，Rk表示所选的第k个距离-波位分辨单元的幅度值Pk与能量聚集度值ek的乘积，|·|表示取幅值操作；
(4d)利用幅度与能量聚集度矩阵公式，计算幅度与能量聚集度矩阵中每个元素值；
(5)判断是否选取完距离-波位坐标系中所有的点，若是，则执行步骤(6)；否则，执行步骤(3)；
(6)将幅度与能量聚集度矩阵转化为灰度图像；
(7)产生二值图像：
(7a)利用最大类间方差法，获取灰度图像的最佳阈值；
(7b)判断灰度图像中的像素点的像素值是否大于最佳阈值，若是，则执行步骤(7c)；否则，执行步骤(7d)；
(7c)将灰度图像中像素点的像素值中大于最佳阈值的像素点的像素值置为1；
(7d)将灰度图像中像素点的像素值小于等于最佳阈值的像素点的像素值置为0；
(7e)将图像中所有像素点的像素值置1置0后的像素点组成二值图像；
(8)产生海陆杂波场景分割图像：
采用12*4结构元素对二值图像进行形态学滤波，得到最终的海陆杂波场景分割图像。
2.根据权利要求1所述的基于幅度与能量聚集度乘积的海陆杂波场景分割方法，其特征在于：步骤(4a)中所述的幅度值公式如下：
<mrow>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>|</mo>
</mrow>
其中，Pk表示所选的第k个距离-波位分辨单元的幅度值。
3.根据权利要求1所述的基于幅度与能量聚集度乘积的海陆杂波场景分割方法，其特征在于：步骤(4d)中所述的幅度与能量聚集度矩阵公式如下：
Rpq＝log10(Rk)
其中，Rpq表示幅度与能量聚集度矩阵中第p行第q列的元素值，p表示距离-波位分辨单元的距离序号，p＝1,2,...,P，q表示距离-波位分辨单元的波位序号，q＝1,2,...,Q，log10表示以10为底的对数操作。
4.根据权利要求1所述的基于幅度与能量聚集度乘积的海陆杂波场景分割方法，其特征在于：步骤(7a)中所述的最大类间方差法的具体步骤如下：
第一步，灰度图像包含S个灰度级，任取门限t将灰度图像划分为C1和C2两类，C1表示灰度图像中灰度值小于等于t的像素点集合，C1＝{1,2,...,t}，C2表示灰度图像中灰度值大于t的像素点集合，C2＝{t+1,t+2,...,S-1}，0≤t≤S-1；
第二步，按照下式，计算C1和C2的类间方差，
σ2(t)＝p1(μ1-μT)2+p2(μ2-μT)2
其中，σ2(t)表示C1和C2的类间方差，p1表示C1出现的概率，nλ表示灰度值为λ的像素点总数，W表示灰度图像的像素点总数，μ1表示C1的灰度均值，p2表示C2出现的概率，μ2表示C2的灰度均值，μ(t)表示灰度图像的灰度均值，
第三步，按照下式，计算σ2(t)取得最大值时的阈值，
T＝Arg max{σ2(t)}
其中，T表示类间方差σ2(t)取得最大值时的阈值，Arg max表示取最大值对应变量操作；
第四步，将阈值T作为灰度图像的最佳阈值。
5.根据权利要求1所述的基于幅度与能量聚集度乘积的海陆杂波场景分割方法，其特征在于：步骤(8)中所述的形态学滤波是指，采用12*4结构元素对二值图像进行开操作和闭操作，滤除二值图像中占据几个像素的孤立团，填充连片区域中的孔洞，陆地和海洋两场景区域被划分开来，得到最终的海陆杂波场景分割图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710952935.3A CN107909595A (zh) | 2017-10-13 | 2017-10-13 | 基于幅度与能量聚集度乘积的海陆杂波场景分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710952935.3A CN107909595A (zh) | 2017-10-13 | 2017-10-13 | 基于幅度与能量聚集度乘积的海陆杂波场景分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107909595A true CN107909595A (zh) | 2018-04-13 |
Family
ID=61840589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710952935.3A Pending CN107909595A (zh) | 2017-10-13 | 2017-10-13 | 基于幅度与能量聚集度乘积的海陆杂波场景分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107909595A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108664980A (zh) * | 2018-05-14 | 2018-10-16 | 昆明理工大学 | 一种基于引导滤波和小波变换的太阳冕环结构识别方法 |
| CN109543589A (zh) * | 2018-11-16 | 2019-03-29 | 西安电子科技大学 | 基于初相-多普勒不变距离和knn的海陆场景分割方法 |
| CN114994763A (zh) * | 2022-05-26 | 2022-09-02 | 中国人民解放军海军工程大学 | 同频同向的连续海底地震波场波动成分分离方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105261028A (zh) * | 2015-11-17 | 2016-01-20 | 西安电子科技大学 | 基于能量聚集度测度的海陆杂波场景分割方法 |
| CN105427301A (zh) * | 2015-11-17 | 2016-03-23 | 西安电子科技大学 | 基于直流分量比测度的海陆杂波场景分割方法 |
| CN105913074A (zh) * | 2016-04-05 | 2016-08-31 | 西安电子科技大学 | 基于幅度与径向速度联合的sar图像动目标聚类方法 |
| CN106330805A (zh) * | 2016-08-29 | 2017-01-11 | 重庆会凌电子新技术有限公司 | 一种信号调制方式自动识别方法及系统 |
-
2017
- 2017-10-13 CN CN201710952935.3A patent/CN107909595A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105261028A (zh) * | 2015-11-17 | 2016-01-20 | 西安电子科技大学 | 基于能量聚集度测度的海陆杂波场景分割方法 |
| CN105427301A (zh) * | 2015-11-17 | 2016-03-23 | 西安电子科技大学 | 基于直流分量比测度的海陆杂波场景分割方法 |
| CN105913074A (zh) * | 2016-04-05 | 2016-08-31 | 西安电子科技大学 | 基于幅度与径向速度联合的sar图像动目标聚类方法 |
| CN106330805A (zh) * | 2016-08-29 | 2017-01-11 | 重庆会凌电子新技术有限公司 | 一种信号调制方式自动识别方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108664980A (zh) * | 2018-05-14 | 2018-10-16 | 昆明理工大学 | 一种基于引导滤波和小波变换的太阳冕环结构识别方法 |
| CN109543589A (zh) * | 2018-11-16 | 2019-03-29 | 西安电子科技大学 | 基于初相-多普勒不变距离和knn的海陆场景分割方法 |
| CN109543589B (zh) * | 2018-11-16 | 2021-02-02 | 西安电子科技大学 | 基于初相-多普勒不变距离和knn的海陆场景分割方法 |
| CN114994763A (zh) * | 2022-05-26 | 2022-09-02 | 中国人民解放军海军工程大学 | 同频同向的连续海底地震波场波动成分分离方法 |
| CN114994763B (zh) * | 2022-05-26 | 2024-04-30 | 中国人民解放军海军工程大学 | 同频同向的连续海底地震波场波动成分分离方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110244271B (zh) | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 | |
| CN107301432B (zh) | 基于时频分析的自适应辐射源调制识别方法 | |
| CN106468770B (zh) | K分布杂波加噪声下的近最优雷达目标检测方法 | |
| CN103279957B (zh) | 一种基于多尺度特征融合的遥感图像感兴趣区域提取方法 | |
| CN109188414A (zh) | 一种基于毫米波雷达的手势运动探测方法 | |
| CN108961255B (zh) | 基于相位线性度和功率的海陆噪声场景分割方法 | |
| CN104240203A (zh) | 基于小波变换和快速双边滤波的医学超声图像去噪方法 | |
| CN100439937C (zh) | 基于小波增强的合成孔径雷达图像船舰目标检测方法 | |
| CN106291492A (zh) | 一种基于精细杂波图的自适应目标检测方法 | |
| CN105427301B (zh) | 基于直流分量比测度的海陆杂波场景分割方法 | |
| CN107909595A (zh) | 基于幅度与能量聚集度乘积的海陆杂波场景分割方法 | |
| CN103886606B (zh) | 基于联合广义伽玛分布参数的sar图像分割方法 | |
| CN101482969B (zh) | 基于同质点计算的sar图像去斑方法 | |
| CN104316914A (zh) | 依赖形状参数的雷达目标自适应检测方法 | |
| CN105741262B (zh) | 基于能量聚集度测度的海陆杂波场景分割方法 | |
| CN106443593A (zh) | 基于相参雷达慢扫增强的自适应溢油信息提取方法 | |
| LeFeuvre et al. | Acoustic species identification in the Northwest Atlantic using digital image processing | |
| CN107610130A (zh) | 基于幅度与相位线性度之比的海陆杂波场景分割方法 | |
| CN117538881B (zh) | 一种声呐水体成像波束形成方法、系统、设备及介质 | |
| CN105741286B (zh) | 基于幅相联合的sar图像动目标阴影提取方法 | |
| CN109543589B (zh) | 基于初相-多普勒不变距离和knn的海陆场景分割方法 | |
| CN103426145A (zh) | 一种基于多分辨分析的合成孔径声纳相干斑噪声抑制方法 | |
| CN104537681A (zh) | 一种谱分离的视觉显著区域提取方法及系统 | |
| CN111736127B (zh) | 面向未知海域海杂波的源域生成和分布参数泛化方法 | |
| CN105844644B (zh) | 基于形态学中值导数的海陆杂波场景分割方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180413 |
|
| RJ01 | Rejection of invention patent application after publication |