CN108596151A - 一种大场景sar图像中舰船目标切片快速提取方法 - Google Patents
一种大场景sar图像中舰船目标切片快速提取方法 Download PDFInfo
- Publication number
- CN108596151A CN108596151A CN201810442183.0A CN201810442183A CN108596151A CN 108596151 A CN108596151 A CN 108596151A CN 201810442183 A CN201810442183 A CN 201810442183A CN 108596151 A CN108596151 A CN 108596151A
- Authority
- CN
- China
- Prior art keywords
- initial
- target
- matrix
- cat
- point
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种大场景SAR图像中舰船目标切片快速提取方法,利用目标边缘信息和强散射源信息联合检测算法用于检测目标像素;利用边缘信息快速聚类算法实现对目标像素的快速聚类;利用目标背景快速分离方法实现对目标切片的快速提取。本发明提出的目标切片快速提取策略的优势在于:(1)较高的运行效率。由于将少量级的目标边缘像素替代目标全部像素进行聚类,并采用计算复杂度最低的曼哈顿距离作为距离判据,本发明的切片提取速度是现有方法的几倍甚至几十倍。(2)较低的虚警率,由于采用边缘信息和散射强源信息双重定位,以及对提取的单目标切片进行尺寸筛选等方式,本发明所提方法极大减小了将强杂波像素或其他非舰船目标误判为目标的可能性。
Description
技术领域
本发明涉及舰船目标检测的技术领域,具体涉及一种大场景SAR图像中舰船目标切片快速提取方法。
背景技术
长期以来,运用合成孔径雷达(Synthetic Aperture Radar,SAR)成像技术对舰船目标进行检测一直是监控海洋环境、维护海运交通安全的重要手段。而随着SAR成像技术的不断完善,获取的图像数据表现出海量、高分辨和大视场的特性。在如此巨量且动辄千万像素的SAR图像中,如何快速准确解译出舰船目标信息成为新的亟待解决的问题。目标切片自动提取技术作为SAR图像解译中的重要环节,它能够为后续舰船目标识别提供准确的位置和形状尺寸信息,因而成为解决这一问题的突破点。
目前目标切片提取技术主要分为目标像素检测和目标像素聚类两步进行。受限于现有目标检测算法大多只适用某种特定背景杂波下稀疏目标的检测,以及目标聚类算法在处理密集目标时效率低下等一些因素,已知的目标切片提取技术都达不到能够快速处理高分辨、大场景SAR图像的要求。基于此,本发明旨在提出一种目标切片快速提取方法,为该技术的发展提供一种新的思路。
与本发明相关的现有技术介绍如下:
1现有技术一的技术方案
恒虚警率(Constant False Alarm Rate,CFAR)类方法是目前广泛应用于SAR图像目标像素检测的方法,该类方法的主要思路在于:假设待检SAR图像背景杂波符合某一经典统计学模型,根据预先设置的虚警率,估算出目标像素区别于背景像素的阈值门限,将待检像素与阈值进行逐一比较,最终检测出所有目标。图1所示为CFAR类算法的一般处理流程,在此基础上,多位研究者针对算法的不足进行了改进:文献[1](G.Gao,L.Liu,L.J.Zhao,G.T.Shi,et al.,“An adaptive and fast CFAR algorithm based on automaticcensoring for target detection in high-resolution SAR images,”IEEETrans.Geosci.Remote Sens.,Vol.47,No.6,2009,pp.1685-1697.)根据G0分布能够广泛适用于多种杂波区域建模的特性,提出了一种基于G0分布的目标检测算法,该算法改善了CFAR类算法对于边缘杂波、多目标等复杂环境下目标检测虚警率高的问题。文献[2](B.Hou,X.Chen and L.Jiao,“Multilayer CFAR Detection of Ship Targets in VeryHigh Resolution SAR Images,”IEEE Geosciense and Remote Sensing Letters,Vol.12,No.4,2015,pp.811-815.)提出了一种Multilayer CFAR算法,该方法基于对数正态分布模型具有显著抑制相干斑噪声的特性,通过设置双重阈值检测目标强散射像素和弱散射像素,用弱散射像素填补的方式提高了CFAR类方法对目标像素提取的完整性。
现有技术一的缺点
随着研究者的不断改进,现有CFAR类算法对复杂背景的适应性显著增强,但此类方法仍存在以下不足之处:
(1)在目标像素检测环节,由于目标自身“遮挡”效应和外包覆材料电磁散射特性的差异,目标像素在大场景SAR图像中并不表现为统一的强度,单一的阈值很难将所有目标像素检测出来,而即便有研究者提出弱散射点填补的方案,但受限于弱散射点阈值设置的局限性,算法仍很难完全消除目标部分缺失或破碎现象。
(2)在目标像素聚类环节,该类方法通常需对所有目标像素进行欧式距离判别,将距离最大值满足特定阈值的像素进行聚类,因此算法在处理大场景密集目标的SAR图像时计算复杂度较高。
2现有技术二的技术方案
基于等高线(contour)的方法是另一种广泛应用于SAR图像目标像素检测的方法,该类方法的主要思路在于利用三维曲面的水平截面来表征二维边界,通过优化能量函数的方式,驱动三维函数不断演化,使封闭的等高线向目标边界移动,最后达到将目标像素从背景杂波中“分割”出来的目的。该类方法中比较有代表性的有:文献[3](M.Ben Salah,A.Mitiche,and I.Ben Ayed,“Multiregion Image Segmentation by Parametric KernelGraph Cuts”,IEEE Transactions on Image Processing,20(2),2011,pp.545-557.)提出了一种Kernel Graph Cuts方法,该方法不再假设输入图像符合某一特定的统计学模型,而是通过核函数迭代逐一估计出目标和当前背景的最优分离参数,根据最优解对应的等高线将目标分割出来。该方法的优点在于检出目标的切片较为完整且边缘具有良好的平滑性。此外,文献[4](J.Feng,Z.Cao,Y.Pi.“Multiphase SAR Image Segmentation withG0Statistical Model Based Active Contours”,IEEE Transactions on Geoscienceand Remote Sensing,51(7),2013,pp.4190-4199.)提出一种基于G0分布的水平集(LevelSet)方法,该方法通过G0分布模型和等高线类方法相结合的方式,先将水平集函数迭代以驱动边界曲线演化,再根据演化后的分割曲线和水平集函数更新各区域的G0分布参数,最终将目标像素从背景中分离出来。
现有技术二的缺点
该类方法有效解决了阈值检测类算法容易出现的目标像素缺失或破碎问题,但也存在一些不足:
(1)由于优化能量函数通常是求解强度、邻域差值等多个条件下的最优解,该最优解下小尺寸目标易被误作为背景杂波滤除,因此算法对于小尺寸目标漏检率较高。
(2)算法需要对整幅图像分区域进行多次迭代以驱动等高线向目标移动,单次迭代时间会随着SAR图像尺寸和目标数目的变化成几何倍数的增长,故而算法运行效率不高。
发明内容
本发明所需要解决的技术问题:针对现有检测算法在大场景SAR图像目标检测的不足,本发明提出一种目标切片快速提取技术,包括:(1)提出一种目标边缘信息和强散射源信息联合检测算法,用目标边缘信息和强散射源信息双重定位的方式解决现有检测算法可能出现“零星”杂波像素的问题,通过对边缘散射联合矩阵进行形态学操作,消除现有检测算法可能出现的目标像素缺失或破碎现象;(2)通过边缘信息快速聚类,用少量级的边缘像素快速聚类替代对目标全部像素聚类,解决现有目标聚类算法运行效率不高的问题;(3)采用一种目标背景快速分离的方法,通过对提取的单目标切片进行边缘和尺寸的筛选,在保证提取速度的同时确保目标切片提取的精度。
本发明解决上述技术问题采用的技术方案为:一种大场景SAR图像中舰船目标切片快速提取方法,具体的技术方案如下:
(1)利用目标边缘信息和强散射源信息联合检测方法,获取目标索引矩阵的边缘信息;
(2)利用边缘信息快速聚类算法,实现对目标边缘信息的快速聚类;
(3)通过目标背景快速分离,快速提取出大场景SAR图像中的所有目标切片。
其中,所述的目标边缘信息和强散射源信息联合检测方法,具体步骤如下:
步骤1-1:预处理,首先将原始SAR图像表征为一个二维空间矩阵I(x,y),其中x,y分别表示该矩阵的行列坐标。定义3×3滤波器w1对I(x,y)进行卷积(*表示),获得与原图像等尺寸矩阵F(x,y):
该步骤的主要目的在于削弱目标峰值强度过强对散射源阈值判定的影响。
步骤1-2:设置强散射源尺寸参数k,定义k×k的求和滤波器w2(w2矩阵元素均为1)对矩阵F(x,y)进行卷积,获得与原图像等尺寸矩阵FF(x,y):
FF(x,y)=F(x,y)*w2 (2)
步骤1-3:设置恒虚警率PFA,计算基于高斯分布的强散射源阈值Th1:
其中σ和μ分别代表矩阵F(x,y)的标准差和均值。
步骤1-4:根据强散射源阈值Th1对FF(x,y)进行全局二值化,将幅值高于Th1的像素判定为强散射源像素,否则为杂波像素,获得一幅与原图像等尺寸的强散射源矩阵E(x,y);
步骤1-5:采用文献[5](J.Canny,"A computational approach for edgedetection",IEEE Trans.Pattern Anal.Machine Intell.,Vol.pami-8,No.6,1986,pp.679-698.)的Canny边缘检测算子获取原SAR图像I(x,y)的边缘信息,获得到一幅与原图像等尺寸的二值边缘信息矩阵C(x,y),标记出边缘像素的坐标集M1=[m1,m2,...,mn],其中mi代表第i个边缘点的横纵坐标(si,ti),n为C(x,y)矩阵中总边缘像素数目;
步骤1-6:统计强散射源矩阵E(x,y)在坐标集M1处的邻域信息Q(i):
其中L为邻域范围边长,一般设置为L=3k;
步骤1-7:根据邻域信息剔除伪边缘像素,将Q(i)≤2的边缘像素从坐标集M中剔除,获取剔除伪边缘后的边缘信息矩阵C'(x,y)和边缘坐标集M2=[m'1,m'2,...,m'nn](nn为C'(x,y)矩阵中总边缘像素数目,m'代表每个边缘点的横纵坐标);
步骤1-8:将边缘像素矩阵C'(x,y)和散射强源矩阵E(x,y)取并运算得到联合矩阵Q(x,y):
Q(x,y)=C'(x,y)∪E(x,y) (5)
步骤1-9:设置半径为r的圆形模板Se,对联合矩阵Q(x,y)采用圆形模板Se进行形态学闭操作,得到目标索引矩阵J(x,y):
其中和Θ分别为形态学膨胀和腐蚀操作。
步骤1-10:采用四方位边缘检测算子提取目标索引矩阵J(x,y)的边缘信息,获取边缘矩阵JJ(x,y)和对应的边缘坐标点集M3=[m1”,m”2,...,m”q](q为JJ(x,y)矩阵中总边缘像素数目,m”代表每个边缘点的横纵坐标):
JJ(x,y)=max(|J(x,y)*w3|,|J(x,y)*w4|,J(x,y)*w5|,|J(x,y)*w6|) (9)
其中,所述采用的边缘信息快速聚类算法,其具体步骤如下:
步骤2-1:为实现快速聚类效果,本发明选用计算量最小的曼哈顿距离评价边缘点之间的位置关系:
D(m”i,m”j)=|s”i-s”j|+|t”i-t”j| (10)
步骤2-2:从步骤1-10获取的边缘点集M3中随机选取一点作为初始点Oinitial,标记Oinitial的聚类类别为Cat=1,令M”initial表示M3中的除去初始点Oinitial后的点集,计算初始点Oinitial到点集M”initial的曼哈顿距离:
D(Oinitial,M”initial)=[D(Oinitial,m”1),...,D(Oinitial,m”q)] (11)
步骤2-3:设置阈值Th2,判定D(Oinitial,M”initial)中是否存在小于Th2的点,如果存在,进入步骤2-4,如果不存在,跳转进入步骤2-6。
步骤2-4:将D(Oinitial,M”initial)中所有小于Th2的点作为新的初始点集Oinitial,标记点集Oinitial的聚类类别为Cat;更新点集M”initial,将点集中属于Oinitial的点剔除,计算初始点集Oinitial到点集M”initial的曼哈顿距离的最小集:
Dmin(Oinitial,M”initial)=[min(D(Oinitial,m”1)),...,min(D(Oinitial,m”e))] (12)
步骤2-5:判定Dmin(Oinitial,M”initial)中是否存在小于Th2的点,如果存在,跳转进入步骤2-4,如果不存在,进入步骤2-6;
步骤2-6:在点集M”initial中随机选一点作为新的初始点Oinitial,标记Oinitial的聚类类别为Cat=1+Cat,更新点集M”initial(将点集中属于Oinitial的点剔除)。如果M”initial为非空点集,根据式(11)计算D(Oinitial,M”initial)并跳转进入步骤2-3,如果M”initial为空集,进入步骤2-7。
步骤2-7:根据Cat对边缘点集M3进行聚类,得到聚类集[M1,...,Mmax(Cat)],其中Mi表示Cat同为i的点集;
其中,所述采用的目标背景快速分离,其具体步骤如下:
步骤3-1:根据步骤1-7中获得的边缘信息矩阵C'(x,y)剔除聚类集[M1,...,Mmax(Cat)]中不包含初始边缘信息的类别,更新Cat;
步骤3-2:计算聚类集[MCat(1),...,MCat(end)]中每一类在原始SAR图像I(x,y)中的位置信息和外接矩尺寸信息;
步骤3-3:根据目标实际尺寸大小,剔除尺寸过小或过大的类别,更新Cat;
步骤3-4:根据步骤3-2和3-3获取的位置和尺寸信息提取原始SAR图像I(x,y)中的目标矩形切片[ICat(1),…,ICat(end)],并提取相同位置下索引矩阵J(x,y)中的目标二值切片[JCat(1),…,JCat(end)]。
步骤3-5:将目标矩形切片[ICat(1),...,ICat(end)]和目标二值切片[JCat(1),...,JCat(end)]进行点乘运算,将目标切片从背景中分离,完成SAR图像中所有目标切片的提取。
本发明技术方案带来的有益效果为:
(1)具有较低的虚警率。所提出方法通过边缘信息和散射强源信息双重定位确定目标像素的方式,降低了算法将杂波像素误判为目标像素的可能性,通过对提取的单目标切片进行边缘和尺寸筛选,降低了将岛屿或者其他非舰船目标误判为舰船目标的可能性;
(2)具有较高的运行效率。由于将少量级的目标边缘像素替代目标全部像素进行聚类,并采用计算复杂度最低的曼哈顿距离作为类别判据,本发明的切片提取速度是现有方法的几倍甚至是几十倍。
(3)具有较高的目标切片提取精度,通过对边缘散射联合矩阵进行形态学处理等操作,一定程度上消除了目标像素缺失或破碎现象的发生;
(4)具有良好的适用性,由于舰船、车辆或坦克等人造目标均表现为强散射特性,本发明所提出方法不仅适用于海面舰船目标切片的快速提取,同样适用于陆地背景下人造目标切片的快速提取。
附图说明
图1为CFAR类算法一般处理流程图;
图2为本发明大场景SAR图像舰船目标切片快速提取方法流程图;
图3为新加坡港口的大场景TerraSAR-X图像;
图4为海陆分割和陆地掩膜处理后的新加坡港口TerraSAR-X图像;
图5为新加坡港口的TerraSAR-X图像的子图(演示图像);
图6为演示图像在采用本发明所提方法的阶段性处理结果,其中,图6(a)为演示图像强散射源像素检测结果;图6(b)为演示图像边缘检测结果;图6(c)为目标边缘信息和强散射源信息联合检测算法的检测结果;图6(d)为演示图像目标聚类结果;图6(e)为演示图像目标切片提取结果;
图7为演示图像采用文献[3]中方法的目标检测结果;其中,图7(a)为演示图像目标检测结果;图7(b)为演示图像目标切片提取结果;
图8采用本发明所提方法对整幅新加坡港口TerraSAR-X图像进行目标聚类后的结果;
图9采用本发明所提方法对为整幅新加坡港口TerraSAR-X图像进行目标切片提取的结果(以前16个目标切片为例)。
具体实施方式
下面结合附图和具体实例对本发明做进一步说明。
首先假设输入图像为一幅如图3所示的新加坡港口TerraSAR-X图像(图像分辨率为3m,尺寸为3141(斜距)×7251(方位))。需要说明的是,由于该图像中包含陆地背景,需先对图像进行海陆分割和陆地掩膜处理(该部分并不包含在本发明的处理环节中),处理后的图像如图4所示。此外,为了清楚演示本发明的中间处理过程,选用该大场景SAR图像的子图(图5)作为演示图像。
(1)目标边缘信息和强散射源信息联合检测方法(图2步骤1-10)
步骤1-1:预处理,首先将该大场景SAR图像表征为一个二维空间矩阵I(x,y),用3×3滤波器w1对I(x,y)进行卷积,获得与原图像等尺寸矩阵F(x,y);另外,预处理方法可替代为常用的噪斑抑制或目标增强算法。
步骤1-2:设置强散射源尺寸参数k=2,采用k×k的求和滤波器w2对矩阵F(x,y)进行卷积,获得与原图像等尺寸矩阵FF(x,y);
步骤1-3:设置恒虚警率PFA=10-6,根据式(3)计算强散射源阈值Th1;另外,基于高斯分布设置强散射源阈值可替代为基于对数正态分布、K分布、G0分布等多种统计模型设置强散射源阈值。
步骤1-4:根据强散射源阈值Th1对FF(x,y)进行全局二值化,将幅值高于Th1的像素判定为强散射源像素,否则为背景杂波像素,获得一幅与原图像等尺寸的强散射源矩阵E(x,y);
步骤1-5:设置Canny边缘检测算子的高低阈值为0.51和0.3。采用文献[4]中Canny边缘检测算子获取原SAR图像I(x,y)的边缘信息,获取与原图像等尺寸的二值边缘信息矩阵C(x,y)以及边缘点坐标集M1=[m1,m2,...,mn];
步骤1-6:根据式(4)统计强散射源矩阵E(x,y)在坐标集M1处的邻域信息Q(i);
步骤1-7:根据邻域信息剔除伪边缘像素,将Q(i)≤2的边缘像素从坐标集M中剔除,获取剔除伪边缘后的边缘信息矩阵C'(x,y)和边缘坐标集M2=[m'1,m'2,...,m'nn];
步骤1-8:根据式(5)计算边缘和强散射源联合矩阵Q(x,y);
步骤1-9:设置圆形模板Se的半径r=10,根据式(6)对联合矩阵Q(x,y)进行形态学闭操作,得到目标索引矩阵J(x,y);
步骤1-10:根据式(7-9)计算目标索引矩阵J(x,y)的边缘矩阵JJ(x,y)和对应的边缘坐标点集M3=[m1”,m”2,...,m”q];
(2)边缘信息快速聚类方法(图2步骤11-17)
步骤2-1:根据式(10)定义边缘点间的曼哈顿距离;
步骤2-2:在步骤110获取的边缘点集M3中随机选择一点作为初始点Oinitial,标记Oinitial的聚类类别为Cat=1,令M”initial表示M3中的除去初始点Oinitial后的点集,根据式(11)计算初始点Oinitial到点集M”initial的曼哈顿距离;
步骤2-3:设置Th2=5,判定D(Oinitial,M”initial)中是否存在小于Th2的点,如果存在,进入步骤2-4,如果不存在,跳转进入步骤2-6;
步骤2-4:将D(Oinitial,M”initial)中所有小于Th2的点作为新的初始点集Oinitial,标记点集Oinitial的聚类类别为Cat,更新点集M”initial,将点集中属于Oinitial的点剔除,根据式(12)计算初始点集Oinitial到点集M”initial的曼哈顿距离的最小集;
步骤2-5:判定Dmin(Oinitial,M”initial)中是否存在小于Th2的点,如果存在,跳转进入步骤2-4,如果不存在,进入步骤2-6;
步骤2-6:在点集M”initial中随机选一点作为新的初始点Oinitial,标记Oinitial的聚类类别为Cat=1+Cat,更新点集M”initial(将点集中属于Oinitial的点剔除)。如果M”initial为非空点集,根据式(11)计算D(Oinitial,M”initial)并跳转进入步骤2-3,如果M”initial为空集,进入步骤2-7;
步骤2-7:根据Cat对边缘点集M3进行聚类,得到聚类集[M1,...,Mmax(Cat)];
(3)目标背景快速分离方法(图2步骤18-23)
步骤3-1:根据步骤1-7中获得的边缘信息矩阵C'(x,y)剔除聚类集[M1,...,Mmax(Cat)]中不包含初始边缘信息的类别,更新Cat;
步骤3-2:计算聚类集[MCat(1),...,MCat(end)]中每一类在I(x,y)中的位置信息和外接矩尺寸信息;
步骤3-3:设置过小和过大尺寸阈值分别为2和10000,剔除尺寸过小或过大的类别,更新Cat;
步骤3-4:根据步骤3-2和3-3获取的位置和尺寸信息提取原始SAR图像I(x,y)中的目标矩形切片[ICat(1),...,ICat(end)],并提取相同位置下索引矩阵J(x,y)中的目标二值切片[JCat(1),...,JCat(end)]。
步骤3-5:将目标矩形切片[ICat(1),...,ICat(end)]和目标二值切片[JCat(1),...,JCat(end)]进行点乘运算,将目标切片从背景中分离,完成原始SAR图像中所有目标切片的提取。
图6给出了演示图像在采用本发明所提方法的关键环节处理结果,其中图6(a)为提取强散射源信息后的图像;图6(b)为用边缘检测算子提取边缘后的图像;图6(c)为边缘信息和散射强源信息双重定位并进行形态学闭运算处理后的图像,图中易见本发明采用的方法能够有效剔除离散虚警像素并消除了目标像素缺失或破碎现象;图6(d)为目标聚类后的检测结果;图6(e)为目标切片提取的最终结果。图7所示为文献[3]中方法的检测结果。通过比较两种方法的检测结果,易见:两种方法均能检测出大尺寸舰船目标,而采用文献[3]中方法对小尺寸舰船目标出现漏检现象,本发明所提出的方法成功检测出小尺寸舰船目标,且提取出更为完整的目标切片。
图8为整幅大场景SAR图像在采用本发明所提方法后的目标检测结果,整幅图像共检出舰船目标201艘。图9为整幅图像的目标切片提取结果,图中检出目标均无像素缺失或破碎现象,检出轮廓与目视目标图像轮廓基本一致。
在算法运行效率方面,为了便于比较,表1中对比了两种方法的运行时间(两种方法的运行时间均不包括海陆分割和海陆掩膜处理)。表中可知:本发明所提方法的运行效率约为文献[3]中检测算法的50倍,分析其效率差异的主要原因为:文献[3]中算法采用欧式距离作为聚类判据,计算复杂度高于本发明采用的曼哈度距离;文献[3]方法需对整幅SAR图像进行多次迭代,单次迭代时间随着SAR图像尺寸的变化会成几何倍数的增长。
表1本发明所提方法与文献[3]中方法的时间效率对比
Claims (4)
1.一种大场景SAR图像中舰船目标切片快速提取方法,其特征在于,该方法具体如下:
(1)利用目标边缘信息和强散射源信息联合检测方法,获取目标索引矩阵的边缘信息;
(2)利用边缘信息快速聚类算法,实现对目标边缘信息的快速聚类;
(3)通过目标背景快速分离,快速提取出大场景SAR图像中的所有目标切片。
2.根据权利要求1所述的一种大场景SAR图像中舰船目标切片快速提取方法,其特征在于:所述的目标边缘信息和强散射源信息联合检测方法,具体步骤如下:
步骤1-1:预处理,首先将原始SAR图像表征为一个二维空间矩阵I(x,y),其中x,y分别表示该矩阵的行列坐标,定义3×3滤波器w1对I(x,y)进行卷积,获得与原图像等尺寸矩阵F(x,y):
其中,*表示卷积;
步骤1-2:设置强散射源尺寸参数k,定义k×k的求和滤波器w2对矩阵F(x,y)进行卷积,w2矩阵元素均为1,获得与原图像等尺寸矩阵FF(x,y):
FF(x,y)=F(x,y)*w2 (2)
步骤1-3:设置恒虚警率PFA,计算基于高斯分布的强散射源阈值Th1:
其中σ和μ分别为矩阵F(x,y)的标准差和均值;
步骤1-4:根据强散射源阈值Th1对FF(x,y)进行全局二值化,将幅值高于Th1的像素判定为强散射源像素,否则为杂波像素,获得一幅与原图像等尺寸的强散射源矩阵E(x,y);
步骤1-5:采用Canny边缘检测算子获取原SAR图像I(x,y)的边缘信息,获得到一幅与原图像等尺寸的二值边缘信息矩阵C(x,y),标记出边缘像素的坐标集M1=[m1,m2,...,mn],其中mi代表第i个边缘点的横纵坐标(si,ti),n为C(x,y)矩阵中总边缘像素数目;
步骤1-6:统计强散射源矩阵E(x,y)在坐标集M1处的邻域信息Q(i):
其中L为邻域范围边长,一般设置为L=3k;
步骤1-7:根据邻域信息剔除伪边缘像素,将Q(i)≤2的边缘像素从坐标集M中剔除,获取剔除伪边缘后的边缘信息矩阵C'(x,y)和边缘坐标集M2=[m'1,m'2,...,m'nn],nn为C'(x,y)矩阵中总边缘像素数目,m'代表每个边缘点的横纵坐标;
步骤1-8:将边缘像素矩阵C'(x,y)和散射强源矩阵E(x,y)取并运算得到联合矩阵Q(x,y):
Q(x,y)=C'(x,y)∪E(x,y) (5)
步骤1-9:设置半径为r的圆形模板Se,对联合矩阵Q(x,y)采用圆形模板Se进行形态学闭操作,得到目标索引矩阵J(x,y):
其中和Θ分别为形态学膨胀和腐蚀操作;
步骤1-10:采用四方位边缘检测算子提取目标索引矩阵J(x,y)的边缘信息,获取边缘矩阵JJ(x,y)和对应的边缘坐标点集M3=[m″1,m″2,...,m″q]:
JJ(x,y)=max(|J(x,y)*w3|,|J(x,y)*w4|,J(x,y)*w5|,J(x,y)*w6|) (9)
其中,q为JJ(x,y)矩阵中总边缘像素数目,m”代表每个边缘点的横纵坐标。
3.根据权利要求1所述的一种大场景SAR图像中舰船目标切片快速提取方法,其特征在于:所述边缘信息快速聚类算法,其具体步骤如下:
步骤2-1:为实现快速聚类效果,选用计算量最小的曼哈顿距离评价边缘点之间的位置关系:
D(m″i,m″j)=|s″i-s″j|+|t″i-t″j| (10)
步骤2-2:从步骤1-10获取的边缘点集M3中随机选取一点作为初始点Oinitial,标记Oinitial的聚类类别为Cat=1,令M″initial表示M3中的除去初始点Oinitial后的点集,计算初始点Oinitial到点集M″initial的曼哈顿距离:
D(Oinitial,M″initial)=[D(Oinitial,m″1),...,D(Oinitial,m″q)] (11)
步骤2-3:设置阈值Th2,判定D(Oinitial,M″initial)中是否存在小于Th2的点,如果存在,进入步骤2-4,如果不存在,跳转进入步骤2-6;
步骤2-4:将D(Oinitial,M″initial)中所有小于Th2的点作为新的初始点集Oinitial,标记点集Oinitial的聚类类别为Cat;更新点集M″initial,将点集中属于Oinitial的点剔除,计算初始点集Oinitial到点集M″initial的曼哈顿距离的最小集:
Dmin(Oinitial,M″initial)=[min(D(Oinitial,m″1)),...,min(D(Oinitial,m″e))] (12)
步骤2-5:判定Dmin(Oinitial,M″initial)中是否存在小于Th2的点,如果存在,跳转进入步骤2-4,如果不存在,进入步骤2-6;
步骤2-6:在点集M″initial中随机选一点作为新的初始点Oinitial,标记Oinitial的聚类类别为Cat=1+Cat,更新点集M″initial,将点集中属于Oinitial的点剔除;如果M″initial为非空点集,根据式(11)计算D(Oinitial,M″initial)并跳转进入步骤2-3,如果M″initial为空集,进入步骤2-7;
步骤2-7:根据Cat对边缘点集M3进行聚类,得到聚类集[M1,...,Mmax(Cat)],其中Mi表示Cat同为i的点集。
4.根据权利要求1所述的一种大场景SAR图像中舰船目标切片快速提取方法,其特征在于:所述目标背景快速分离,其具体步骤如下:
步骤3-1:根据步骤1-7中获得的边缘信息矩阵C'(x,y)剔除聚类集[M1,...,Mmax(Cat)]中不包含初始边缘信息的类别,更新Cat;
步骤3-2:计算聚类集[MCat(1),...,MCat(end)]中每一类在原始SAR图像I(x,y)中的位置信息和外接矩尺寸信息;
步骤3-3:根据目标实际尺寸大小,剔除尺寸过小或过大的类别,更新Cat;
步骤3-4:根据步骤3-2和3-3获取的位置和尺寸信息提取原始SAR图像I(x,y)中的目标矩形切片[ICat(1),…,ICat(end)],并提取相同位置下索引矩阵J(x,y)中的目标二值切片[JCat(1),…,JCat(end)];
步骤3-5:将目标矩形切片[ICat(1),...,ICat(end)]和目标二值切片[JCat(1),...,JCat(end)]进行点乘运算,将目标切片从背景中分离,完成SAR图像中所有目标切片的提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810442183.0A CN108596151B (zh) | 2018-05-10 | 2018-05-10 | 一种大场景sar图像中舰船目标切片快速提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810442183.0A CN108596151B (zh) | 2018-05-10 | 2018-05-10 | 一种大场景sar图像中舰船目标切片快速提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596151A true CN108596151A (zh) | 2018-09-28 |
CN108596151B CN108596151B (zh) | 2022-02-11 |
Family
ID=63636831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810442183.0A Active CN108596151B (zh) | 2018-05-10 | 2018-05-10 | 一种大场景sar图像中舰船目标切片快速提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596151B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359595A (zh) * | 2018-10-17 | 2019-02-19 | 四川航天系统工程研究所 | 一种新型sar图像统计模型及其参数估计方法 |
CN109583293A (zh) * | 2018-10-12 | 2019-04-05 | 复旦大学 | 星载sar图像中的飞机目标检测与鉴别方法 |
CN110955259A (zh) * | 2019-11-28 | 2020-04-03 | 上海歌尔泰克机器人有限公司 | 无人机及其跟踪方法和计算机可读存储介质 |
CN111639623A (zh) * | 2020-06-09 | 2020-09-08 | 中国地质大学(武汉) | 结合空间距离约束的多尺度船企场景识别与提取方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968798A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
CN102968799A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 |
CN104036239A (zh) * | 2014-05-29 | 2014-09-10 | 西安电子科技大学 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
US20140307939A1 (en) * | 2013-04-15 | 2014-10-16 | Drvision Technologies Llc | Teachable object contour mapping for biology image region partition |
CN104166838A (zh) * | 2014-07-16 | 2014-11-26 | 西安电子科技大学 | 基于多层cfar的分层高分辨sar图像舰船检测方法 |
CN104376330A (zh) * | 2014-11-19 | 2015-02-25 | 西安电子科技大学 | 基于超像素散射机制的极化sar图像舰船目标检测方法 |
CN105354541A (zh) * | 2015-10-23 | 2016-02-24 | 西安电子科技大学 | 基于视觉注意模型和恒虚警率的sar图像目标检测方法 |
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
-
2018
- 2018-05-10 CN CN201810442183.0A patent/CN108596151B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968798A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
CN102968799A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 |
US20140307939A1 (en) * | 2013-04-15 | 2014-10-16 | Drvision Technologies Llc | Teachable object contour mapping for biology image region partition |
CN104036239A (zh) * | 2014-05-29 | 2014-09-10 | 西安电子科技大学 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
CN104166838A (zh) * | 2014-07-16 | 2014-11-26 | 西安电子科技大学 | 基于多层cfar的分层高分辨sar图像舰船检测方法 |
CN104376330A (zh) * | 2014-11-19 | 2015-02-25 | 西安电子科技大学 | 基于超像素散射机制的极化sar图像舰船目标检测方法 |
CN105354541A (zh) * | 2015-10-23 | 2016-02-24 | 西安电子科技大学 | 基于视觉注意模型和恒虚警率的sar图像目标检测方法 |
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
Non-Patent Citations (3)
Title |
---|
SHENGLI SONG 等: "Ship Detection in SAR Imagery via Variational Bayesian Inference", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
WEI AO 等: "Detection and Discrimination of Ship Targets in Complex Background From Spaceborne ALOS-2 SAR Images", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
XIANGGUANG LENG 等: "A Bilateral CFAR Algorithm for Ship Detection in SAR Images", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583293A (zh) * | 2018-10-12 | 2019-04-05 | 复旦大学 | 星载sar图像中的飞机目标检测与鉴别方法 |
CN109583293B (zh) * | 2018-10-12 | 2023-03-24 | 复旦大学 | 星载sar图像中的飞机目标检测与鉴别方法 |
CN109359595A (zh) * | 2018-10-17 | 2019-02-19 | 四川航天系统工程研究所 | 一种新型sar图像统计模型及其参数估计方法 |
CN110955259A (zh) * | 2019-11-28 | 2020-04-03 | 上海歌尔泰克机器人有限公司 | 无人机及其跟踪方法和计算机可读存储介质 |
CN110955259B (zh) * | 2019-11-28 | 2023-08-29 | 上海歌尔泰克机器人有限公司 | 无人机及其跟踪方法和计算机可读存储介质 |
CN111639623A (zh) * | 2020-06-09 | 2020-09-08 | 中国地质大学(武汉) | 结合空间距离约束的多尺度船企场景识别与提取方法 |
CN111639623B (zh) * | 2020-06-09 | 2022-04-26 | 中国地质大学(武汉) | 结合空间距离约束的多尺度船企场景识别与提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108596151B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN108596151A (zh) | 一种大场景sar图像中舰船目标切片快速提取方法 | |
CN105784713B (zh) | 基于机器视觉的密封圈表面缺陷检测方法 | |
CN103942803B (zh) | 基于sar图像的水域自动检测方法 | |
CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
CN106022288A (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN103778627B (zh) | 一种基于sar图像的海域溢油检测方法 | |
CN111091095B (zh) | 一种遥感图像中船只目标的检测方法 | |
CN105069460A (zh) | 一种isar图像舰船目标特征提取方法 | |
CN104599273B (zh) | 基于小波多尺度交叉运算的海空背景红外小目标检测方法 | |
CN108376403B (zh) | 基于霍夫圆变换的网格菌落图像分割方法 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
CN109766823A (zh) | 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法 | |
CN109816051B (zh) | 一种危化品货物特征点匹配方法及系统 | |
CN109961065B (zh) | 一种海面舰船目标检测方法 | |
Liu et al. | Infrared ship target segmentation through integration of multiple feature maps | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
CN110874825B (zh) | 一种复合绝缘子表面水迹二值图像提取方法 |
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 |