CN108399430B - 一种基于超像素和随机森林的sar图像舰船目标检测方法 - Google Patents

一种基于超像素和随机森林的sar图像舰船目标检测方法 Download PDF

Info

Publication number
CN108399430B
CN108399430B CN201810166712.9A CN201810166712A CN108399430B CN 108399430 B CN108399430 B CN 108399430B CN 201810166712 A CN201810166712 A CN 201810166712A CN 108399430 B CN108399430 B CN 108399430B
Authority
CN
China
Prior art keywords
pixel
super
ship target
random forest
node
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
CN201810166712.9A
Other languages
English (en)
Other versions
CN108399430A (zh
Inventor
崔宗勇
谭秀兰
曹宗杰
闵锐
皮亦鸣
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810166712.9A priority Critical patent/CN108399430B/zh
Publication of CN108399430A publication Critical patent/CN108399430A/zh
Application granted granted Critical
Publication of CN108399430B publication Critical patent/CN108399430B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/46—Analysis of texture based on statistical description of texture using random fields
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及高分辨SAR图像的检测技术领域，具体为一种基于超像素和随机森林的舰船目标检测方法。本发明融合了超像素分割与随机森林无监督聚类，将图像分块后进行聚类，准确检测出稀有舰船目标的同时，又较好地保留了船只的轮廓形状信息。较传统的CFAR舰船目标检测方法，本发明避开了杂波建模、参数估计、滑窗等耗时费力的操作。

Description

一种基于超像素和随机森林的SAR图像舰船目标检测方法
技术领域
本发明涉及高分辨SAR图像的检测技术领域，特别涉及一种船只形状信息低受损的检测方法：基于超像素和随机森林的SAR图像舰船目标检测。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)能全天时、全天候对地球进行实时监测。不同的地物目标有不同的散射特性，SAR图像能提供这种具有区分性的特征进行场景解译。高分辨SAR图像包含有更多的结构和形状信息和弱散射体，传统的检测方法很难检测出来。
船舶检测作为一种重要的海事应用，得到了广泛的研究。恒虚警率检测(CFAR)是最传统的SAR图像舰船检测技术。它基于假设检验，依据背景的分布，获得自适应阈值，从而把虚警率维持在预设的水平上。其性能取决于滑动窗口结构的设计、杂波统计模型的分布和模型参数估计。但是随着模型的复杂度增加，参数估计成为一个棘手的问题。某些模型的概率密度函数甚至没有封闭的表达式，因此传统的参数估计方法，如最大似然估计(ML)，将不再适用。避免杂波建模和参数估计等难题是目标检测的一个新思路。
把图像分块进行处理成为一种趋势。如果能给按照图像的边缘纹理进行切割，那么目标的轮廓信息就能被很好地保留，对于检测来说意义重大。随机森林是一种经典的集成学习模型，常常用来监督分类。但是分类需要大量的训练数据，而且在大多情况下，很难获得足够的数据用于训练。在无监督聚类的情况下，则不需要考虑数据量的问题，也不会出现过拟合现象。
发明内容
针对上述存在问题，避免检测方法受杂波建模和参数估计的影响，本发明提出了一种基于超像素和随机森林的SAR图像舰船目标检测方法，以实现准确检测舰船目标并保留其轮廓的目的。
本发明由以下步骤实现，其检测流程算法见附图1。
步骤1、设原图有N个像素，生成的超像素数目为k。对图像的像素进行采样，采样步长为初始化聚类中心其中为像素在CIE-Lab空间的颜色值，为像素坐标。
步骤2、将聚类中心移动到3×3邻域内的最小梯度位置。
步骤3、对每一个像素i，设置标签l(i)＝1，距离度量d(i)＝∞。
步骤4、对于Ck的2S×2S邻域里的每一个像素i，计算Ck和i之间的距离D；判断D是否小于d(i)。如果小于d(i)，就令d(i)＝D,l(i)＝k。计算D的公式为：
m用来调整dxy的权值，一般为1-20，在算法中设置为10。
步骤5、更新聚类中心，计算残差E
步骤6、对每一个聚类中心，重复步骤4和步骤5，直到E小于阈值。
步骤7、经过前六个步骤，得到SAR图像的超像素分割集合S＝{s1,s2,...,sN}。假设某一个像素区域为si，计算si在水平方向(0°)和垂直方向(90°)的灰度共生矩阵和
步骤8、分别计算步骤7所得到的和的角二阶矩和熵。其中，角二阶矩熵最终得到si的纹理特征
步骤9、对超像素集合S＝{s1,s2,...,sN}中的每一个超像素重复步骤7和步骤8，最终得到整幅图像的特征F＝{f1,f2,...,fN}。
步骤10、从1到4中产生两个随机数，假设为a1,a2。设置树的最大深度depth。
步骤11、计算a1和a2维度上的平均特征差
步骤12、把根结点S分成左右孩子结点，分裂准则为：
步骤13、将得到的左右孩子结点视为后续分裂的根节点，继续执行步骤10到步骤12，直到达到树的最大深度depth。
步骤14、选取所包含元素(超像素)最少的叶子节点，将其中每个超像素里的每一个像素灰度值置为255。其余的超像素区域置为0，由此检测显示出船只目标。
步骤1到步骤6是利用SLIC算法对SAR图像进行超像素分割的过程；步骤7到步骤9计算超像素块的纹理特征；步骤10到步骤14为创建随机森林，对超像素进行聚类的过程。本发明所利用的SLIC算法能生成紧凑、近似均匀的超像素，在运算速度，物体轮廓保持、超像素形状方面具有较高的水平，比较符合期望的分割效果。而使用随机森林进行无监督聚类，不需要考虑数据量的问题，并且综合每棵树的聚类结果，增强了检测结果的准确性。
综上所述，较传统的SAR舰船目标检测方法，本发明避开了杂波建模、参数估计、滑窗等耗时费力的操作，将图像分块后进行聚类，准确检测出稀有舰船目标的同时，又较好地保留了船只的轮廓形状信息。
附图说明
图1为本发明舰船检测流程；
图2为262×292像素大小的直布罗陀海峡SAR图像船只检测图；
图3为图2中标记船只的检测效果图；
图4为217×304像素大小的直布罗陀海峡SAR图像船只检测图；
图5为图4中标记船只的检测效果图。
具体实施方式
下面以两个截取自英国直布罗陀海峡、分辨率为3米的TerraSAR图像为例，对本发明做进一步说明。
将图2.(a)分割为1008个超像素区域，得到的划分结果如图2.(b)。不规则的划分保留了船只的轮廓信息。图2(d)是本发明的检测结果，它显示9个船只目标都被正确地检测到，并且它们的形状保存完好。然而，当采用通用的滑窗分割方法和基于灰度聚类的方法时，如图2.(c)所示，船只信息损失严重。为了查看检测结果的细节，我们在图2中标注了3个ship目标，其检测结果如图3所示。图3的第二行，是使用滑窗切割图像并直接利用像素灰度值作为聚类的特征所得到的结果，ship1,2和3仅仅是一些零散的亮块，很容易被误解为小的船舶目标。第三行显示出本发明在弱散射情况下，将船只作为整体完整地检测出来，保留了船舶结构。
图4.(a)中有更多的船舶目标，它们尺寸的差异较大。同样，使用SLIC算法将其分割成如图4.(b)所示的1800个超像素区域。本发明的结果显示正确的检测，而没有使用超像素分割和纹理特征聚类的方法，船只信息丢失严重，如图4.(c)。我们在图4中标注了两个船只目标，如图5所示。在图5的第二行中，利用滑窗切割以及灰度作为特征检测到的ship 1是完全错误的，ship 2的轮廓被扭曲，而第三行应用本发明的结果则保留了船舶结构信息。
基于超像素和随机森林的SAR图像舰船目标检测方法的优越性体现在对船只目标形状和轮廓上的较好保留，不需要大量的训练数据就能将船只作为一个整体检测出来，且回避了杂波建模、参数估计等棘手的问题。适用于形状结构信息丰富的高分辨SAR图像。

Claims (2)

1.一种基于超像素和随机森林的SAR图像舰船目标检测方法，其特征在于，包括以下步骤：
步骤1、定义原图有M个像素，生成的超像素目为N；对图像的像素进行采样，采样步长为初始化聚类中心Ck＝[lk,ak,bk,xk,yk]T，其中lk,ak,bk为像素在CIE-Lab空间的颜色值，xk,yk为像素坐标；
步骤2、将聚类中心移动到3×3邻域内的最小梯度位置；
步骤3、对每一个像素i，设置标签l(i)＝1，距离度量d(i)＝∞；
步骤4、对于聚类中心Ck的2S×2S邻域里的每一个像素i，计算Ck和像素i之间的距离D；判断D是否小于d(i)，若是，就令d(i)＝D,l(i)＝k；若否，则重复步骤4直至完成对所有像素的判断；计算D的公式为：
其中，li，ai，bi为像素i在CIE-Lab空间的颜色值，xi，yi为像素i的坐标；dlab表示颜色距离；dxy表示空间距离；m用来调整dxy的权值，取值范围为1-20；
步骤5、更新聚类中心，计算残差E；
步骤6、对每一个聚类中心，重复步骤4和步骤5，直到E小于阈值；
步骤7、得到SAR图像的超像素分割集合S＝{s1,s2,...,sN}，定义某一个像素区域为sq，计算sq在水平方向和垂直方向的灰度共生矩阵G0o和G90o；
步骤8、分别计算步骤7所得到的G0o和G90o的角二阶矩和熵，其中，角二阶矩熵最终得到sq的纹理特征fq＝(ASM0o,ENT0o,ASM90o,ENT90o)T，q＝1,...,N；G(p,j)为灰度共生矩阵G的第p行第j列的值，k为灰度共生矩阵行数；ASM0o和ENT0o分别为G0o的角二阶矩和熵，ASM90o，ENT90o分别为G90o的角二阶矩和熵；
步骤9、对超像素集合S＝{s1,s2,...,sN}中的每一个超像素重复步骤7和步骤8，最终得到整幅图像的特征F＝{f1,f2,...,fN}；
步骤10、创建随机森林：从1到4中产生两个随机数，定义为a1,a2，设置树的最大深度depth；
步骤11、计算a1和a2维度上的平均特征差δ(a1,a2),计算公式为：
步骤12、把根结点S分成左右孩子结点，分裂准则为：
其中，Sl和Sr分别为左孩子结点和右孩子结点；F(a1,v)是特征矩阵F的第a1行第v列的值，F(a2,v)同理；
步骤13、将得到的左右孩子结点视为后续分裂的根节点，继续执行步骤10到步骤12，直到达到树的最大深度depth；
步骤14、选取所包含元素最少的叶子节点，将其中每个超像素里的每一个像素灰度值置为255，其余的超像素区域置为0，由此检测显示出船只目标。
2.如权利要求1所述基于超像素和随机森林的SAR图像舰船目标检测方法，其特征在于：步骤14产生的是一幅二值图像，船只目标为白色，背景为黑色。
CN201810166712.9A 2018-02-28 2018-02-28 一种基于超像素和随机森林的sar图像舰船目标检测方法 Active CN108399430B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810166712.9A CN108399430B (zh) 2018-02-28 2018-02-28 一种基于超像素和随机森林的sar图像舰船目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810166712.9A CN108399430B (zh) 2018-02-28 2018-02-28 一种基于超像素和随机森林的sar图像舰船目标检测方法

Publications (2)

Publication Number Publication Date
CN108399430A CN108399430A (zh) 2018-08-14
CN108399430B true CN108399430B (zh) 2019-09-27

Family

ID=63096741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810166712.9A Active CN108399430B (zh) 2018-02-28 2018-02-28 一种基于超像素和随机森林的sar图像舰船目标检测方法

Country Status (1)

Country Link
CN (1) CN108399430B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886937B (zh) * 2019-01-29 2021-08-03 国家电网有限公司 基于超像素分割图像识别的绝缘子缺陷检测方法
CN111242061B (zh) * 2020-01-17 2021-03-16 电子科技大学 一种基于注意力机制的合成孔径雷达舰船目标检测方法
CN111311496B (zh) * 2020-03-25 2023-03-21 厦门汉印电子技术有限公司 图像分辨率快速调整方法和装置
CN112364730B (zh) * 2020-10-29 2023-01-17 济南大学 基于稀疏子空间聚类的高光谱地物自动分类方法及系统
CN112446881A (zh) * 2021-02-01 2021-03-05 北京小白世纪网络科技有限公司 一种病理图像分割的系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984953A (zh) * 2014-04-23 2014-08-13 浙江工商大学 基于多特征融合与Boosting决策森林的街景图像的语义分割方法
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
CN105701512A (zh) * 2016-01-14 2016-06-22 西安电子科技大学 一种基于bbo-mlp和纹理特征的图像分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105022990B (zh) * 2015-06-29 2018-09-21 华中科技大学 一种基于无人艇应用的水面目标快速检测方法
CN106651937B (zh) * 2016-10-19 2019-10-18 成都电科智达科技有限公司 一种基于超像素和场景预测的小型无人机目标检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984953A (zh) * 2014-04-23 2014-08-13 浙江工商大学 基于多特征融合与Boosting决策森林的街景图像的语义分割方法
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
CN105701512A (zh) * 2016-01-14 2016-06-22 西安电子科技大学 一种基于bbo-mlp和纹理特征的图像分类方法

Also Published As

Publication number Publication date
CN108399430A (zh) 2018-08-14

Similar Documents

Publication Publication Date Title
CN108399430B (zh) 一种基于超像素和随机森林的sar图像舰船目标检测方法
CN109345507B (zh) 一种基于迁移学习的大坝图像裂缝检测方法
CN111652321B (zh) 一种基于改进yolov3算法的海上船舶检测方法
EP3388978B1 (en) Image classification method, electronic device, and storage medium
CN110361778B (zh) 一种基于生成对抗网络的地震数据重建方法
CN111126202A (zh) 基于空洞特征金字塔网络的光学遥感图像目标检测方法
CN107016677A (zh) 一种基于fcn和cnn的云图分割方法
US10909281B2 (en) History matching of hydrocarbon production from heterogenous reservoirs
CN106570893A (zh) 一种基于相关滤波的快速稳健视觉跟踪方法
CN108154519A (zh) 眼底图像中血管的分割方法、装置及存储介质
CN112132012B (zh) 基于生成对抗网络的高分辨率sar船舶图像生成方法
CN109726649B (zh) 遥感影像云检测方法、系统及电子设备
CN106778687A (zh) 基于局部评估和全局优化的注视点检测方法
CN110569782A (zh) 一种基于深度学习目标检测方法
CN109359661B (zh) 一种基于卷积神经网络的Sentinel-1雷达图像分类方法
CN106408030A (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN103886606B (zh) 基于联合广义伽玛分布参数的sar图像分割方法
CN110751606B (zh) 一种基于神经网络算法的泡沫图像处理方法及系统
CN111539314A (zh) 面向云雾遮挡的海面目标显著性检测方法
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
Li et al. Dictionary optimization and constraint neighbor embedding-based dictionary mapping for superdimension reconstruction of porous media
CN112415514A (zh) 一种目标sar图像生成方法及装置
Yaohua et al. A SAR oil spill image recognition method based on densenet convolutional neural network

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