CN108564054A - 一种基于cfar的精确溢油检测方法 - Google Patents
一种基于cfar的精确溢油检测方法 Download PDFInfo
- Publication number
- CN108564054A CN108564054A CN201810373026.9A CN201810373026A CN108564054A CN 108564054 A CN108564054 A CN 108564054A CN 201810373026 A CN201810373026 A CN 201810373026A CN 108564054 A CN108564054 A CN 108564054A
- Authority
- CN
- China
- Prior art keywords
- value
- cfar
- detection
- pixel
- threshold
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于CFAR的精确溢油检测方法,属于SAR图像处理领域。本发明首先利用全局CFAR对待检测区域进行粗检测,将疑似油膜的区域提取出得到油膜目标二值参考图。然后利用形态学滤波等方法对油膜目标二值参考图进行筛选,消除杂波的干扰。最后采用自适应窗口CFAR算法对滤波后的图像进行精检测,最终得到油膜区域。在二次检测中,采用的自适应空心滑窗尺寸由每一次待检测区域大小决定,其自适应性能根据待检测区域大小进行CFAR窗口的选取,进一步降低虚警率和提高二次检测的检测效率,因此兼顾了检测速度与检测性能。
Description
技术领域
本发明属于SAR图像处理领域,特别涉及一种基于CFAR的精确溢油检测方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天候、全天时监测能力,可连续实时监测大面积海面溢油情况,是海面溢油监测的重要手段。根据电磁散射理论,油膜覆盖区域形成的Bragg波抑制电磁波的后向散射致使收到雷达回波强度很低,因此,油膜覆盖区域在SAR图像上表现为较暗的斑点或条带。现阶段对复杂海面溢油检测方法的研究仍然以恒虚警方法(Constant False AlarmRate,CFAR)为主。传统CFAR算法需要遍历全图对所有像素进行局部阈值检测,算法的运算量大,运算速度慢,难以达到实时处理海量SAR图像数据的要求。
针对SAR图像溢油检测,特别是其中如何提高检测精度和速度的问题,现有技术中有两种方法。其一为两级快速CFAR算法,提高了检测速度,能够对大面积油膜区域进行检测,但其利用杂波估计门限时没有剔除目标区域,对于目标距离较近的情况,在一定程度上制约了检测效果。其二使用索引矩阵,可以自适应确定杂波环境进行杂波区域预审。但其滑窗大小不变,由经验决定,限制了检测效果。
发明内容
针对上述问题,本发明提供了一种基于CFAR的精确溢油检测方法,首先利用全局CFAR对待检测区域进行粗检测,将疑似油膜的区域提取出得到油膜目标二值参考图。然后利用形态学滤波等方法对油膜目标二值参考图进行筛选,消除杂波的干扰。最后采用自适应窗口CFAR算法对滤波后的图像进行精检测,最终得到油膜区域。在二次检测中,采用的自适应空心滑窗尺寸由每一次待检测区域大小决定,其自适应性能根据待检测区域大小进行CFAR窗口的选取,进一步降低虚警率和提高二次检测的检测效率,因此兼顾了检测速度与检测性能。
一种基于CFAR的精确溢油检测方法,包括以下步骤:
步骤1,确定全局阈值,得到二值参考图;
步骤2,对所述二值参考图进行形态学滤波,得到目标区域;
步骤3,对所述目标区域中的连通区域进行分类;
步骤4,设置滑窗尺寸,不同种类连通区域适配不同自适应尺寸的滑窗;
步骤5,计算CFAR检测器局部阈值,比较连通区域内每个像素点与所述局部阈值的大小,根据比较结果得到目标像素;
步骤6,对所有连通区域进行检测,生成结果。
进一步地,所述步骤1包括以下流程:
步骤11,获取图像;
步骤12,确定全局阈值;
步骤13,根据比较所述全局阈值和所述图像中所有像素值大小的结果,得到二值参考图。
进一步地,步骤13包括以下步骤:
步骤131,比较所述全局阈值与像素值的大小;
步骤132,若像素值小于所述全局阈值,则设置像素值为1;
步骤133,若像素值不小于所述全局阈值,则设置像素值为0;
步骤134,对所述图像中所有像素进行判断,生成二值参考图,所述二值参考图由0和1组成的01矩阵构成。
进一步地,步骤2通过以下方式实现:
基于膨胀和腐蚀操作处理所述二值参考图,选择预设大小的滑动窗口遍历所述二值参考图中每个点,若所述滑动窗口内值为1的像素个数小于预设阈值,则将所述滑动窗口当前停留位置内所有像素值为1的点像素值设为0,得到目标区域,所述目标区域由0和1组成的01矩阵构成。
进一步地,步骤3通过以下方式实现:
所述目标区域中有数个互不重叠的连通区域,根据每个连通区域的面积和相互之间的距离,对每个连通区域进行分类。
进一步地,步骤5包括以下步骤:
步骤51,计算得到局部阈值;
步骤52,对所述连通区域中所有像素点进行检测,比较像素值与所述局部阈值的大小;
步骤53,当像素值大于所述局部阈值时,该像素点为杂波像素;
步骤54,当像素值小于所述局部阈值时,该像素点为目标像素。
本发明的有益效果:本发明首先利用全局CFAR对待检测区域进行粗检测,将疑似油膜的区域提取出得到油膜目标二值参考图。然后利用形态学滤波等方法对油膜目标二值参考图进行筛选,消除杂波的干扰。最后采用自适应窗口CFAR算法对滤波后的图像进行精检测,最终得到油膜区域。在二次检测中,采用的自适应空心滑窗尺寸由每一次待检测区域大小决定,其自适应性能根据待检测区域大小进行CFAR窗口的选取,进一步降低虚警率和提高二次检测的检测效率,因此兼顾了检测速度与检测性能。与已有方法相比,该方法能够自适应调整滑窗大小,同时能够快速得到溢油检测结果。
附图说明
图1为本发明实施例的流程图。
图2为图1中步骤1的流程图。
图3为图2中步骤13的流程图。
图4为图1中步骤5的流程图。
具体实施方式
下面结合附图对本发明的实施例做进一步的说明。
本发明提供了一种基于CFAR的精确溢油检测方法,背景杂波分布使用β'分布,β'分布及其参数估计如下:
其中,分别是杂波分布函数f(I)的形状参数和尺度参数,I为像素单元。
以下讨论中,我们只考虑在单视SAR图像中具体的实施方式。实施方案中采用的试验图像来自TerraSAR-X卫星,图像分辨率为3m,大小为300×410。
具体实施方式如下:
请参阅图1,本发明具体通过以下步骤实现:
步骤1,确定全局阈值,得到二值参考图。
请参阅图2,步骤1通过以下流程实现:
步骤11,获取图像。
本发明实施例中,获取SAR图像。
步骤12,确定全局阈值。
本发明实施例中,设定全局恒虚警率Pgfa=0.1,根据
即
确定全局阈值Tg。
其中,全局恒虚警率可以设置为其他值,这里设置为较大的数值,尽可能将所有的潜在溢油区域检测出来,以保证能得到所有油膜可疑区域。
步骤13,根据比较所述全局阈值和所述图像中所有像素值大小的结果,得到二值参考图。
请参阅图3,步骤13通过以下流程实现:
步骤131,比较所述全局阈值与像素值的大小。
本实施例中,将SAR图像中所有像素值与全局阈值进行大小比较。
步骤132,若像素值小于所述全局阈值,则设置像素值为1。
本实施例中,若像素值小于全局阈值,则被标记为潜在溢油像素,像素值设置为1。
步骤133,若像素值不小于所述全局阈值,则设置像素值为0。
本实施例中,若像素值不小于全局阈值,则被标记为杂波像素,像素值设置为0。
步骤134,对所述图像中所有像素进行判断,生成二值参考图,所述二值参考图由0和1组成的01矩阵构成。
本实施例中,根据比较结果,生成二值参考图,二值参考图由像素点检测结果的0和1组成的01矩阵构成。
步骤2,对所述二值参考图进行形态学滤波,得到目标区域。
本实施例中,基于膨胀和腐蚀操作处理得到的二值参考图,使用大小为3×3的滑动窗口遍历矩阵中的每一个点,如果滑动窗口滑动过程中,窗口内值为1的像素个数小于预设阈值,则将当前窗口内所有值为1的点设置为值为0。
其中,f代表二维图像,B是一族根据需要设定的几何结构二进制元素,为膨胀算子,Θ为腐蚀算子。
膨胀和腐蚀操作可以剔除孤立点,填充中空区域,进而得到目标区域。
步骤3,对所述目标区域中的连通区域进行分类。
本实施例中,目标区域中根据1和0的分布,构成数个互补重叠的连通区域,定义测量标准,对连通区域进行分类。
本实施例中,将连通区域分为两类。设Di,j为连通区域i和j之间的距离,Si为连通区域i的面积,ST为结合杂波分布得到的面积阈值,此处根据实验图像及经验设为图像面积的1/10。
首先,计算每一个感兴趣区域的面积S,然后将其与结合杂波分布得到的面积阈值ST进行大小比较,当Si>ST时,连通区域i被分为I类。当Si<ST时,计算连通区域i和j之间的距离Di,j与连通区域i和j的半径ri和rj之间的关系,当Di,j>2(ri+rj)时,连通区域i被分为I类,反之,当Di,j<2(ri+rj)时,连通区域i被分为II类。
步骤4,设置滑窗尺寸,不同种类连通区域适配不同自适应尺寸的滑窗。
本实施例中,滑窗形状为中空的矩形,对于I类区域,外滑窗尺寸为与区域具有相同标准二阶中心矩的椭圆的长轴与短轴长度的1.2倍,与区域具有相同标准二阶中心矩的椭圆的长轴与短轴长度的1.2倍;对于II类区域,外滑窗尺寸为与区域具有相同标准二阶中心矩的椭圆的长轴与短轴长度的1.2倍,保护单元长度为与区域具有相同标准二阶中心矩的椭圆的长轴与短轴长度的1.1倍。
本实施例中,本步骤中滑窗尺寸的设置为自适应大小,针对不同的种类,滑窗根据区域本身的大小采用不同的自适应变化方法,不同大小相同分类的连通区域滑窗尺寸不同,相同大小不同分类的连通区域采用不同的自适应尺寸的滑窗。
步骤5,计算CFAR检测器局部阈值,比较连通区域内每个像素点与所述局部阈值的大小,根据比较结果得到目标像素。
请参阅图4,步骤5通过以下流程实现:
步骤51,计算得到局部阈值。
本实施例中,对Imn所对应的CFAR检测器滑窗背景单元根据
计算局部阈值Tl。其中,Imn为SAR图像中第m行第n列的像素单元,设定恒虚警率Pfa=0.01。保留与二值参考图中像素值为1对应的原图像背景窗中的像素值,用这些像素值估计杂波分布pc(I)。
步骤52,对所述连通区域中所有像素点进行检测,比较像素值与所述局部阈值的大小。
本实施例中,利用自适应滑窗对像素点进行检测,根据像素值与局部阈值的大小关系判断待检测单元。
步骤53,当像素值大于所述局部阈值时,该像素点为杂波像素。
本实施例中,当Imn>Tl时,表明该检测单元是杂波像素。
步骤54,当像素值小于所述局部阈值时,该像素点为目标像素。
本实施例中,当Imn<Tl时,表明该检测单元是目标像素。
对一个连通区域内,自适应滑窗对区域内所有像素完成检测,则该区域检测结束。
步骤6,对所有连通区域进行检测,生成结果。
本实施例中,对所有连通区域内的像素点进行检测,得到检测结果。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种基于CFAR的精确溢油检测方法,其特征在于,包括以下步骤:
步骤1,确定全局阈值,得到二值参考图;
步骤2,对所述二值参考图进行形态学滤波,得到目标区域;
步骤3,对所述目标区域中的连通区域进行分类;
步骤4,设置滑窗尺寸,不同种类连通区域适配不同自适应尺寸的滑窗;
步骤5,计算CFAR检测器局部阈值,比较连通区域内每个像素点与所述局部阈值的大小,根据比较结果得到目标像素;
步骤6,对所有连通区域进行检测,生成结果。
2.如权利要求1所述的基于CFAR的精确溢油检测方法,其特征在于,所述步骤1包括以下流程:
步骤11,获取图像;
步骤12,确定全局阈值;
步骤13,根据比较所述全局阈值和所述图像中所有像素值大小的结果,得到二值参考图。
3.如权利要求2所述的基于CFAR的精确溢油检测方法,其特征在于,步骤13包括以下步骤:
步骤131,比较所述全局阈值与像素值的大小;
步骤132,若像素值小于所述全局阈值,则设置像素值为1;
步骤133,若像素值不小于所述全局阈值,则设置像素值为0;
步骤134,对所述图像中所有像素进行判断,生成二值参考图,所述二值参考图由0和1组成的01矩阵构成。
4.如权利要求2所述的基于CFAR的精确溢油检测方法,其特征在于,步骤2通过以下方式实现:
基于膨胀和腐蚀操作处理所述二值参考图,选择预设大小的滑动窗口遍历所述二值参考图中每个点,若所述滑动窗口内值为1的像素个数小于预设阈值,则将所述滑动窗口当前停留位置内所有像素值为1的点像素值设为0,得到目标区域,所述目标区域由0和1组成的01矩阵构成。
5.如权利要求4所述的基于CFAR的精确溢油检测方法,其特征在于,步骤3通过以下方式实现:
所述目标区域中有数个互不重叠的连通区域,根据每个连通区域的面积和相互之间的距离,对每个连通区域进行分类。
6.如权利要求5所述的基于CFAR的精确溢油检测方法,其特征在于,步骤5包括以下步骤:
步骤51,计算得到局部阈值;
步骤52,对所述连通区域中所有像素点进行检测,比较像素值与所述局部阈值的大小;
步骤53,当像素值大于所述局部阈值时,该像素点为杂波像素;
步骤54,当像素值小于所述局部阈值时,该像素点为目标像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810373026.9A CN108564054B (zh) | 2018-04-24 | 2018-04-24 | 一种基于cfar的精确溢油检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810373026.9A CN108564054B (zh) | 2018-04-24 | 2018-04-24 | 一种基于cfar的精确溢油检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564054A true CN108564054A (zh) | 2018-09-21 |
CN108564054B CN108564054B (zh) | 2020-11-10 |
Family
ID=63536533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810373026.9A Active CN108564054B (zh) | 2018-04-24 | 2018-04-24 | 一种基于cfar的精确溢油检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564054B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102353A (zh) * | 2020-08-27 | 2020-12-18 | 普联国际有限公司 | 运动目标的分类方法、装置、设备及存储介质 |
CN112102353B (zh) * | 2020-08-27 | 2024-06-07 | 普联国际有限公司 | 运动目标的分类方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609709A (zh) * | 2012-02-03 | 2012-07-25 | 清华大学 | 一种基于极化sar数据融合的海面溢油分割方法 |
CN103971370A (zh) * | 2014-05-15 | 2014-08-06 | 中国科学院遥感与数字地球研究所 | 一种针对遥感大图像的海洋溢油智能检测方法 |
CN103984945A (zh) * | 2014-05-14 | 2014-08-13 | 武汉大学 | 一种光学遥感影像船只检测方法 |
CN107274410A (zh) * | 2017-07-02 | 2017-10-20 | 中国航空工业集团公司雷华电子技术研究所 | 自适应的人造目标恒虚警率检测方法 |
-
2018
- 2018-04-24 CN CN201810373026.9A patent/CN108564054B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609709A (zh) * | 2012-02-03 | 2012-07-25 | 清华大学 | 一种基于极化sar数据融合的海面溢油分割方法 |
CN103984945A (zh) * | 2014-05-14 | 2014-08-13 | 武汉大学 | 一种光学遥感影像船只检测方法 |
CN103971370A (zh) * | 2014-05-15 | 2014-08-06 | 中国科学院遥感与数字地球研究所 | 一种针对遥感大图像的海洋溢油智能检测方法 |
CN107274410A (zh) * | 2017-07-02 | 2017-10-20 | 中国航空工业集团公司雷华电子技术研究所 | 自适应的人造目标恒虚警率检测方法 |
Non-Patent Citations (1)
Title |
---|
辛冠希: ""基于RGB-D摄像机的同步定位与建图研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102353A (zh) * | 2020-08-27 | 2020-12-18 | 普联国际有限公司 | 运动目标的分类方法、装置、设备及存储介质 |
CN112102353B (zh) * | 2020-08-27 | 2024-06-07 | 普联国际有限公司 | 运动目标的分类方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108564054B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ao et al. | Detection and discrimination of ship targets in complex background from spaceborne ALOS-2 SAR images | |
Solberg et al. | Automatic detection of oil spills in ERS SAR images | |
Snellen et al. | Performance of multibeam echosounder backscatter-based classification for monitoring sediment distributions using multitemporal large-scale ocean data sets | |
Schwegmann et al. | Manifold adaptation for constant false alarm rate ship detection in South African oceans | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
CN107025654B (zh) | 基于全局迭代检查的sar图像自适应船只检测方法 | |
CN103995259B (zh) | 密集干扰环境下雷达目标自适应滤波融合检测方法 | |
CN108764163A (zh) | 多目标环境下基于灰度相关特性的cfar检测方法 | |
CN112365482B (zh) | 一种基于染色体三等分特征点定位的交叉染色体图像实例分割方法 | |
CN108133468B (zh) | 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法 | |
CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
CN108765403A (zh) | 一种多目标环境下的sar图像双参数cfar检测方法 | |
Corbane et al. | Fully automated procedure for ship detection using optical satellite imagery | |
Pastina et al. | Detection of ship targets in COSMO-SkyMed SAR images | |
CN107092933A (zh) | 一种合成孔径雷达扫描模式图像海冰分类方法 | |
CN106646469A (zh) | 基于变异系数法的sar船只检测优化方法 | |
Bashan et al. | Two-stage multiscale search for sparse targets | |
CN115330989A (zh) | 一种用于激光束切割的控制方法 | |
CN112881983B (zh) | 基于双边截断统计特性的sar图像舰船cfar检测方法 | |
CN107748361A (zh) | 基于截断杂波统计的sar图像双参数cfar检测方法 | |
CN106526545A (zh) | 一种鲁棒cfar检测器的检测方法 | |
Solberg et al. | Incorporation of prior knowledge in automatic classification of oil spills in ERS SAR images | |
CN109978855A (zh) | 一种遥感图像变化检测方法及装置 | |
US20210173067A1 (en) | Method for determining the detection threshold of a radar suited to a given environment | |
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 |
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 |