CN108765491A - 一种sar图像舰船目标检测方法 - Google Patents
一种sar图像舰船目标检测方法 Download PDFInfo
- Publication number
- CN108765491A CN108765491A CN201810546541.2A CN201810546541A CN108765491A CN 108765491 A CN108765491 A CN 108765491A CN 201810546541 A CN201810546541 A CN 201810546541A CN 108765491 A CN108765491 A CN 108765491A
- Authority
- CN
- China
- Prior art keywords
- super
- pixel
- patch
- sar image
- pixel patch
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—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
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
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
本发明公开了一种SAR图像舰船目标检测方法,其实现步骤为:确定待输入的SAR舰船图像,进行杂波抑制;接着用改进的SLIC超像素生成算法将SAR舰船图像分割成超像素块,然后计算各超像素块自信息值并设定阈值T1选出候选超像素块;计算候选超像素斑块四个方向的拓展邻域加权信息熵,设定拓展邻域加权信息熵增长率T2以剔除虚警候选超像素斑块;对检测结果进行Harris角点检测,设定角点数目T3进一步滤除虚警斑块,得到最终SAR图像舰船目标检测结果。本发明充分利用超像素分割、信息论检测、Harris角点检测相结合来实现SAR图像舰船目标检测,得到的检测结果显示本发明方法正确检测率高、虚警率和漏检率低,并且检测失真率低。
Description
技术领域
本发明涉及图像处理技术领域,具体的说是一种基于信息论与Harris角点检测相结合的SAR图像舰船目标检测方法和系统。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)成像不受天气、光照等条件的限制,可以对感兴趣目标进行全天候、全天时的侦察。1978年美国第一次从Seasat-1卫星的SAR图像上清晰地获取了舰船图像等信息。开展海面舰船目标检测方面的研究,对海上监测管理和及时获取军事情报信息非常重要。
进行舰船目标检测的方法很多,有基于分割方法、分形理论、小波分解、模板、似然比、多极化数据、恒虚警率(Constant False Alarm Rate,CFAR)等检测方法。其中,基于CFAR的检测算法应用最广泛,各国学者已经提出了一些基于SAR图像海面背景杂波统计分布模型的CFAR检测方法。这些杂波模型有高斯混合模型、瑞利分布模型、Weibull分布模型、Gamma分布模型、K分布模型、G0分布模型等。还有学者用双参数CFAR检测算法进行舰船目标检测,取得了较好效果。
基于背景杂波统计模型的CFAR和双参数CFAR舰船目标检测方法都是像素级别的检测,有一定的不足。在超像素概念被提出来后,基于超像素的SAR图像目标检测发展很迅速。有研究者提出了一种基于超像素的恒虚警率CFAR结合形态学处理的目标检测方法,但此方法缺点是需要利用滑窗对SAR图像中的超像素进行遍历处理,运算量大,且最终检测结果舰船目标形态有失真情况出现。还有研究者提出了一种基于像素分类的目标筛选方法,预设一定数量的不同类别目标组合,但在复杂海况下,背景和目标像素很难用该数量的不同类别全部代表,在平静海域中,该数量的不同类别又可能会存在冗余。
虽然有研究者使用信息论方法来检测SAR图像目标,但单纯的信息论方法检测在单一场景、不太复杂的环境下来检测还可以取得较好的效果,而在复杂情况下,往往要么有较低的检测率并伴有较高的漏检率,要么有较多的虚警,难以同时保证较高的检测率、较低的漏检率和较低的虚警率。此外,现有技术往往只注重检测之后的目标正确检测数目、虚警和漏检目标数目,而没有注意到检测结果中目标的原有形态有没有很好的保留。针对这一不足,创新性的定义了检测失真率这一指标来检验本发明检测方法和现有检测方法的检测性能。
Harris角点检测是一种高效的角点检测算法,虽然有许多光学图像检测上用到Harris角点检测,但用在SAR图像的角点检测的还非常少,暂未发现有研究者用来其对舰船目标进行虚警滤除。而一般海洋舰船目标有一定数量的角点,通过检测舰船目标角点数目,可进一步实现虚警滤除。并且结合超像素分割和信息论检测,往往SAR舰船目标的原有形态可以很好地保留,如果换成基于CFAR结合形态学处理的目标检测,得到的检测结果中舰船图像检测结果往往会失真,此时再对检测结果进行角点检测得到的不是原始SAR图像舰船目标的角点检测结果,会影响检测准确率。
发明内容
针对现有技术中存在的上述不足之处,本发明要解决的技术问题是提供一种SAR图像舰船目标检测方法,以提高SAR图像检测的检测率,降低虚警率和漏检率以及检测失真率,并且保留目标原有形态和对目标进行大体定位
本发明为实现上述目的所采用的技术方案是:一种SAR图像舰船目标检测方法,包括以下步骤:
对原始SAR舰船图像进行杂波抑制;
生成超像素斑块;
计算每个超像素斑块的自信息值;
根据所述自信息值进行离群值检测,得到候选超像素斑块;
对所述候选超像素斑块进行基于加权信息熵的虚警滤除;
对舰船目标进行Harris角点检测,并判断目标角点数目实现虚警滤除且对目标进行定位。
所述对原始SAR舰船图像进行杂波抑制之后还包括:判断SAR图像中有无陆地,若有则进行陆地屏蔽。
所述陆地屏蔽用最大类间方差阈值分割法和形态学腐蚀膨胀处理来得到,具体包括以下步骤:
根据最大类间方差阈值分割法获取一个阈值将整幅SAR图像进行二值化处理;
对二值化处理后的图像进行膨胀处理;
对膨胀处理后的图像进行腐蚀处理,去掉海面上不连续的目标,只保留陆地区域;
对腐蚀处理后的图像进行二次膨胀处理;
将二次膨胀处理后图像中的陆地区域灰度值置为255,海洋区域灰度值置为0;
将上一步骤处理后的图像作为掩膜,在杂波抑制后的图像上将陆地区域去掉,即可完成海陆分割,屏蔽陆地。
所述超像素斑块的自信息值为:
其中,a2为超像素斑块Sn中像素点的数量;PI(·)是SAR图像I的概率分布,Sn(k)是超像素斑块Sn中第k个像素点对应的灰度值。
所述离群值检测,包括以下步骤:
对超像素斑块的自信息值进行统计,建立对应的分布直方图;
求取对应的均值与方差;
对每个超像素斑块对应的自信息值进行离群值检测:
式中,H(Sn)为第n个超像素斑块Sn对应的自信息值,w为超像素斑块的数量;变量un和δn为第n个超像素斑块对应的自信息值直方图分布的均值和方差,变量T1为离群值检测阈值。
所述对候选超像素斑块进行基于加权信息熵的虚警滤除,包括以下步骤:
计算所述候选超像素斑块四个方向拓展邻域的加权信息熵;
判断候选超像素斑块属于目标超像素斑块还是背景超像素斑块。
所述候选超像素斑块四个方向拓展邻域ST(d)的加权信息熵E(ST(d))的计算公式为:
式中,是d方向拓展邻域灰度值均值,为d方向拓展邻域超像素斑块灰度值为r的概率。
所述判断候选超像素斑块属于目标超像素斑块还是背景超像素斑块,具体为:
其中,是拓展邻域加权信息熵增长率,T2是第二阈值,
V(ST)=argmin(E(ST(d)))-E(ST) (5)
E(ST(d))是候选超像素斑块四个方向拓展邻域ST(d)的加权信息熵,E(ST)是候选超像素斑块ST的加权信息熵。
所述对舰船目标进行Harris角点检测,包括以下步骤:
计算对所述候选超像素斑块进行基于加权信息熵的虚警滤除后的SAR图像在X和Y两个方向的梯度Ix、Iy,I表示SAR图像;
计算图像两个方向梯度的乘积,Ix 2=Ix·Ix,Iy=Iy·Iy,Ixy=Ix·Iy;
使用高斯函数对Ix 2、Iy 2和Ixy进行高斯加权,生成矩阵M的元素A、B、C:
式中,g表示高斯加权,
计算每个像素的Harris响应值R:
在3×3的邻域内进行非最大值抑制,局部最大值点即为图像中的角点。
所述判断目标角点数目实现虚警滤除,具体为:
判断目标角点数目是否小于阈值T3,如果是,则判为虚警并进行虚警滤除,若目标角点数目大于阈值T3,则将其判定为舰船目标。
本发明具有以下优点及有益效果:
1、本发明采用超像素作为处理单元,与传统的以像素作为处理单元的检测方法相比,本发明可以完整保留舰船目标的原有形态,目标检测失真率低,适用于更复杂、场景更大、包含更多目标的SAR图像目标检测。
2、本发明计算各超像素块自信息值并设定阈值T1选出候选超像素块,接着设定拓展邻域加权信息熵增长率T2剔除虚警候选超像素斑块得到检测结果;再设定角点数目T3进一步滤除虚警斑块,得到最终SAR图像目标检测结果。三个阈值设置,环环相扣,前面的检测中设定阈值,宁愿有较多的虚警也不要漏检,后续双重滤除,以使较高的检测率、较低的漏检率、较低的虚警率以及较低的检测失真率四者同时保证,且可对目标进行大体定位。
附图说明
图1为本发明方法一个实施例的流程图;
图2为候选超像素斑块四个方向拓展邻域;
图3(a)和(b)为测试的原始海洋舰船目标及其超像素斑块生成图;
图4为SAR图像超像素斑块的自信息值统计图;
图5(a)为离群值参数T1设为1.5时的候选斑块检测结果,图5(b)为拓展邻域加权信息熵增长率T2设为25%时的检测结果图;
图6为角点检测结果图;
图7为最终检测结果;
图8为基于两种CFAR结合形态学处理的检测结果图;其中,图8(a)和8(b)为基于Gamma分布的CFAR检测结果及其对应形态学处理结果图;图8(c)和8(d)为基于瑞利分布的CFAR检测结果及其对应形态学处理结果图;
图9为含有陆地的原始海洋舰船SAR图像;
图10(a)和(b)分别为原始图像的陆地屏蔽结果图和屏蔽结果图的超像素分割图;
图11为超像素斑块的自信息值统计图;
图12为离群值参数T1设定为1.4时的候选超像素斑块图;
图13为拓展邻域加权信息熵增长率T2设定为20%的检测结果图;
图14(a)和(b)分别为检测之后的Harris角点检测结果图和虚警标注图;
图15为角点数目T3设为1时最终的SAR图像舰船目标检测结果图;
图16为虚警率设为0.001时基于CFAR结合形态学处理的对比检测结果图;
图17为基于信息论结合形态学处理的检测结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明主要解决SAR图像舰船目标检测时正确检测率低、虚警率和漏检率高以及舰船目标原有形态没有得到完整保留的问题。其实现步骤为:确定待输入的SAR舰船图像,先进行杂波抑制;判断SAR图像中有无陆地,若有则进行陆地屏蔽,没有则无需此步骤。接着用改进的SLIC超像素生成算法将SAR舰船图像分割成超像素块,然后计算各超像素块自信息值并设定阈值T1选出候选超像素块;计算候选超像素斑块横撇竖捺四方向3×3的拓展邻域加权信息熵,设定拓展邻域加权信息熵增长率T2以剔除虚警候选超像素斑块;对检测结果进行Harris角点检测,设定角点数目T3进一步滤除虚警斑块,得到最终SAR图像舰船目标检测结果。本发明充分利用超像素分割、信息论检测、Harris角点检测相结合来实现SAR图像舰船目标检测,得到的检测结果显示本发明方法正确检测率高、虚警率和漏检率低,并且检测失真率低,即检测后的SAR图像舰船目标原有形态能够得到完整的保留,并且可对舰船目标大体定位。
本发明提供一种基于信息论与Harris角点检测相结合的SAR图像舰船目标检测方法,如图1所示,包括以下步骤:
步骤1:针对原始SAR舰船图像,先进行杂波抑制;判断SAR图像中有无陆地,若有则进行陆地屏蔽,没有则无需此步骤;
步骤1-1:若需要进行陆地屏蔽,则用最大类间方差阈值分割法(OTSU)和形态学腐蚀膨胀处理来得到;先根据最大类间方差阈值分割法获取一个阈值将整幅SAR图像进行二值化处理,接着对图像进行膨胀处理,以消除陆地区域中某些灰度值较小的区域部分;再对图像进行腐蚀处理,去掉海面上小块不连续的目标,只保留陆地区域;接着对图像再次进行膨胀处理,消除腐蚀过程中对陆地区域的影响,将陆地区域有效地分割出来;陆地区域灰度值为255,海洋区域灰度值为0,最后将最大类间方差阈值分割和形态学腐蚀膨胀处理后的图像作为掩膜,在原图上将陆地区域去掉,即可完成海陆分割,屏蔽陆地;
步骤2:基于改进的SLIC(Simple Linear Iterative Clustering,简单线性迭代聚类)算法生成超像素斑块;因为SLIC算法没有考虑SAR图像是灰度图像的特性,所以先对SLIC算法进行改进,调整光学图像中的颜色特征尺度使其能适用于SAR图像分割。
步骤3:计算每个超像素斑块的自信息值;根据自信息相关理论可得,包含像素点数目为a2的超像素斑块自信息值为:
其中,a2为超像素斑块Sn中像素点的数量;PI(·)是SAR图像I的概率分布,Sn(k)是超像素斑块Sn中第k个像素点对应的灰度值;m是对数所使用的底,当m取值为2时自信息值的单位为比特(bit),当m取值为自然数e时自信息值的单位为奈特(nat)。
步骤4:离群值检测,在所有超像素斑块自信息值求得的情况下,首先对数据进行统计,建立对应的分布直方图;然后求取对应的均值与方差,最后对每个超像素对应的自信息值进行离群值检测;超像素斑块自信息的离群值检测公式如下所示:
式中,H(Sn)为Sn对应的自信息值,并假设有w个超像素斑块;Sn是第n个超像素斑块,变量un和δn为第n个超像素斑块对应的自信息值直方图分布的均值和方差,变量T1为离群值检测阈值参数;
步骤5:基于加权信息熵的虚警滤除,对于SAR图像中用于测试的任意超像素斑块sT,以sr为中心获取其四周3×3的拓展邻域;获取四个方向上的邻域ST(d),其中d∈{1,2,3,4},四个拓展方向以及邻域如图2所示;
对于测试斑块sT,需要分别计算四个方向对应的加权信息熵;根据信息熵相关理论可得,测试超像素斑块sT的加权信息熵表达式为:
其中,变量为候选超像素斑块sT中灰度值r的概率,变量为候选超像素斑块灰度值均值;当时,令通过将公式(3)中的灰度值差异定义为可以扩大对加权信息熵值的影响,更好地突出具有潜在目标的局部区域;
四个方向拓展邻域ST(d)的加权信息熵E(ST(d))计算公式为:
式中,是d方向拓展邻域灰度值均值,为d方向拓展邻域超像素斑块灰度值r的概率。
候选超像素斑块与拓展邻域的加权信息熵之间的差异可由如下公式计算得到:
V(ST)=arg min(E(ST(d)))-E(ST) (5)
E(ST)是候选超像素斑块ST的加权信息熵。根据公式(4)和(5),用表示拓展邻域加权信息熵增长率,第二次选取阈值T2并与拓展邻域加权信息熵增长率比较,判断候选超像素斑块属于目标还是背景,实现虚警超像素斑块滤除;然后用表示拓展邻域加权信息熵增长率,与离群值检测类似,第二次选取阈值T2并与拓展邻域加权信息熵增长率比较,判断候选超像素斑块属于目标还是背景,实现虚警超像素斑块滤除;判定标准为:
步骤6:对舰船目标进行Harris角点检测,计算上述检测之后的SAR图像在X和Y两个方向的梯度Ix、Iy,其中:
计算图像两个方向梯度的乘积,其中Ix 2=Ix·Ix,Iy=Iy·Iy,Ixy=Ix·Iy;I表示SAR图像;
接着使用高斯函数对Ix 2、Iy 2和Ixy进行高斯加权,以点(x,y)为中心,窗口平移[u,v],高斯加权生成矩阵M的元素A、B、C:
式中,g表示高斯加权,
计算每个像素的Harris响应值R,并对小于某一阈值的R置为零:
R={R:det M-α(trace M)2<t} (7)
在3×3的邻域内进行非最大值抑制,局部最大值点即为图像中的角点;设定角点数目T3进一步滤除虚警,得到最终SAR图像目标检测结果且对目标进行定位。
计算四个方向的3×3的拓展邻域与候选超像素斑块之间最小的加权信息熵差异,包括如下步骤:
对于测试斑块sT,其加权信息熵表达式如上述公式(3)所示,即:
其中,变量为候选超像素斑块sT中灰度值r的概率,变量为候选超像素斑块灰度值均值;四个方向拓展邻域ST(d)的加权信息熵E(ST(d))计算公式如上述公式(4)所示,即:
式中,是d方向拓展邻域灰度值均值,为d方向拓展邻域超像素斑块灰度值r的概率;候选超像素斑块与拓展邻域的加权信息熵之间的差异可由如下公式计算得到,如式(5)所示:
V(ST)=argmin(E(ST(d)))-E(ST) (5)
用表示拓展邻域加权信息熵增长率,第二次选取阈值T2并与拓展邻域加权信息熵增长率比较,判断候选超像素斑块属于目标还是背景,实现虚警超像素斑块滤除。
利用Harris角点检测并判断目标角点数目实现虚警滤除且对目标进行大体定位,其特征在于利用角点特征来实现虚警滤除且对舰船目标进行大体定位;其中,响应值R表示为:
通过公式(8)完成了角点检测,将角点判断出来并标注出来。检测结果中有的目标没有角点,数目为0,有的目标有好几个角点,就是它们的角点数目不一样。如果角点数目小于阈值T3,就判断这个目标不是舰船目标,如果大于或等于阈值T3,就认为它是舰船目标。一般舰船目标大体呈长方形,有4、5个角点,没有角点或者很少角点则认为不是舰船目标,判为虚警。
三个阈值的连环设置可灵活调节,计算各超像素块自信息值并设定阈值T1选出候选超像素块,接着设定拓展邻域加权信息熵增长率T2剔除虚警候选超像素斑块得到检测结果;再设定角点数目T3进一步滤除虚警斑块,得到最终SAR图像目标检测结果;三个阈值设置,环环相扣,前面的检测中设定阈值,宁愿有较多的虚警也不要漏检,后续双重滤除,以使较高的检测率、较低的漏检率、较低的虚警率以及新定义的较低的检测失真率四者同时保证,且可对目标进行大体定位。
下面应用本发明的方法进行实验验证。
(一)实验条件
实验平台:Matlab R2016b,同一处理器为Intel Core i7-8700K、内存为32.0G的台式电脑。
(二)实测数据
本实验数据图3(a)为含有5个舰船目标的原始海洋舰船SAR图像,大小尺寸为361×292,对其进行超像素分割后得到图3(b);本实验数据图9为一幅含有陆地的海洋舰船SAR图像,大小尺寸为961×792,SAR图像含有舰船数目17个。
(三)仿真实验内容
仿真1,实验首先对原始舰船SAR图像进行杂波抑制处理,接着用改进的SLIC超像素分割对其进行处理,斑块区域边长SetpSize设为15个像素点,获取测试SAR图像的超像素斑块图。然后统计整个SAR图像数据的灰度值分布,再进行超像素斑块的自信息值分布统计和排序。
SAR图像超像素斑块生成图如上图3(b)所示,舰船目标被分成10个超像素斑块,且超像素块边缘与舰船目标边缘重合。超像素斑块的自信息值统计结果如下图4所示,可以看到有10个远离自信息值集中区域的自信息值,与舰船目标分为10个超像素斑块相符合。设定离群值参数T1为1.5,检测结果如图5(a)所示,图中有虚警超像素斑块。
仿真2,试验中用表示拓展邻域加权信息熵增长率,当增长率大于设定阈值T2时,判断为目标超像素块;反之,判断为背景。设定增长率阈值T2为25%,最终检测结果如图5(b)所示。
仿真3,对舰船目标进行Harris角点检测,设定参数α值为0.06,响应值R表示为:角点检测结果如图6所示,可以看到检测效果很好。角点数目T3设为3,最终检测结果如图7所示,由于舰船目标数目只有5个,在超像素和信息论检测阶段已经取得了很好的检测效果,Harris角点检测只起到了大体定位的作用。
为定量地评估目标检测性能,在同一Matlab运行环境下,对比用基于Gamma分布的CFAR检测算法和基于瑞利分布的CFAR检测算法对目标进行检测。CFAR检测采用CA-CFAR检测器,且检测之后用形态学处理方法对图像进行腐蚀和膨胀处理,尽可能地剔除虚警目标。
两种基于CFAR的检测结果如下图8所示,其中,舰船目标形态严重失真的用白色圆框标记,目标形态断裂的用白色菱形框标记,虚警目标由白色矩形框标记。
定义检测品质因子FoM来衡量检测效果,式中,Ngt、Nfa、Ntt分别为实际目标、虚警目标和目标正确检出个数。定义检测失真率为目标失真数目与实际总目标数目的比值,可以得到下表1:
表1三种检测算法检测性能对比
通过对比实验可知,本发明方法的检测性能优于基于Gamma分布的CFAR检测方法和基于瑞利分布的CFAR检测方法,目标物被全部检测出来,没有虚警目标,且目标原有形态得以完整保留。而另外两种基于CFAR检测算法的检测结果中则存在较多的虚警,有的舰船目标断裂,在形态学腐蚀膨胀处理后,检测结果中存在形态严重失真的舰船目标。
仿真4:含有陆地的海洋舰船SAR图像目标检测。选择一幅含有陆地的海洋舰船SAR图像,如图9所示,首先对其进行陆地屏蔽处理,用最大类间方差阈值分割法(OTSU)和形态学腐蚀膨胀处理得到图像作为掩膜,在原图上将陆地区域去掉,即可完成海陆分割,屏蔽陆地,陆地屏蔽结果如图10(a)所示;接着用改进的SLIC超像素分割算法对其进行处理,此时斑块区域边长SetpSize设为13个像素点,超像素斑块生成结果如图10(b)所示。
计算超像素斑块的自信息值,图11为超像素斑块的自信息值统计图;设定离群值参数T1为1.4,检测结果如图12所示,图中同样有虚警超像素斑块。接着用邻域加权信息熵滤除法对虚警超像素斑块进行滤除,设定邻域加权信息熵增长率T2为20%,检测结果如图13所示。
对检测结果图13进行Harris角点检测,检测结果如图14(a)所示,图14(b)标出虚警目标,可以看到白色矩形框标记的虚警目标1个角点也没有,角点数目T3设为1,滤除掉2个虚警目标之后得到最终的检测结果如图15所示;其中17个目标有16个被检测出来,无虚警目标及失真目标,即虚警率和检测失真率均为0%,目标原有形态得到了很好的保留。程序运行时间为29.0221秒。
图16为虚警率设为0.001时基于CFAR结合形态学处理的检测结果,程序运行时间为49.3102秒。图17为基于信息论结合形态学处理的检测结果,运行时间为31.6531秒。
其中,舰船目标形态严重失真的用白色圆框标记,虚警目标由白色矩形框标记,漏检目标在对应位置用白色三角框标记。可以看到两种对比方法的检测结果中均有虚警目标和漏检目标,且有一定数量的舰船目标形态严重失真。检测失真率及品质因数的定义同仿真3中的定义,三种检测方法的性能对比如下表2所示。
表2三种检测算法检测性能对比
综上所述,本发明对舰船目标的检测率高,虚警率低,漏检率低,目标检测失真率低,可以完整保留检测目标的原有形态且对目标进行有效的大体定位。另外,采用超像素作为处理单元,处理加权邻域斑块数量适中,算法运行效率高。仿真实验验证了本发明的正确性、有效性和可靠性。
Claims (10)
1.一种SAR图像舰船目标检测方法,其特征在于,包括以下步骤:
对原始SAR舰船图像进行杂波抑制;
生成超像素斑块;
计算每个超像素斑块的自信息值;
根据所述自信息值进行离群值检测,得到候选超像素斑块;
对所述候选超像素斑块进行基于加权信息熵的虚警滤除;
对舰船目标进行Harris角点检测,并判断目标角点数目实现虚警滤除且对目标进行定位。
2.根据权利要求1所述的一种SAR图像舰船目标检测方法,其特征在于,所述对原始SAR舰船图像进行杂波抑制之后还包括:判断SAR图像中有无陆地,若有则进行陆地屏蔽。
3.根据权利要求2所述的一种SAR图像舰船目标检测方法,其特征在于,所述陆地屏蔽用最大类间方差阈值分割法和形态学腐蚀膨胀处理来得到,具体包括以下步骤:
根据最大类间方差阈值分割法获取一个阈值将整幅SAR图像进行二值化处理;
对二值化处理后的图像进行膨胀处理;
对膨胀处理后的图像进行腐蚀处理,去掉海面上不连续的目标,只保留陆地区域;
对腐蚀处理后的图像进行二次膨胀处理;
将二次膨胀处理后图像中的陆地区域灰度值置为255,海洋区域灰度值置为0;
将上一步骤处理后的图像作为掩膜,在杂波抑制后的图像上将陆地区域去掉,即可完成海陆分割,屏蔽陆地。
4.根据权利要求1所述的一种SAR图像舰船目标检测方法,其特征在于,所述超像素斑块的自信息值为:
其中,a2为超像素斑块Sn中像素点的数量;PI(·)是SAR图像I的概率分布,Sn(k)是超像素斑块Sn中第k个像素点对应的灰度值。
5.根据权利要求1所述的一种SAR图像舰船目标检测方法,其特征在于,所述离群值检测,包括以下步骤:
对超像素斑块的自信息值进行统计,建立对应的分布直方图;
求取对应的均值与方差;
对每个超像素斑块对应的自信息值进行离群值检测:
式中,H(Sn)为第n个超像素斑块Sn对应的自信息值,w为超像素斑块的数量;变量un和δn为第n个超像素斑块对应的自信息值直方图分布的均值和方差,变量T1为离群值检测阈值。
6.根据权利要求1所述的一种SAR图像舰船目标检测方法,其特征在于,所述对候选超像素斑块进行基于加权信息熵的虚警滤除,包括以下步骤:
计算所述候选超像素斑块四个方向拓展邻域的加权信息熵;
判断候选超像素斑块属于目标超像素斑块还是背景超像素斑块。
7.根据权利要求6所述的一种SAR图像舰船目标检测方法,其特征在于,所述候选超像素斑块四个方向拓展邻域ST(d)的加权信息熵E(ST(d))的计算公式为:
式中,是d方向拓展邻域灰度值均值,为d方向拓展邻域超像素斑块灰度值为r的概率。
8.根据权利要求6所述的一种SAR图像舰船目标检测方法,其特征在于,所述判断候选超像素斑块属于目标超像素斑块还是背景超像素斑块,具体为:
其中,是拓展邻域加权信息熵增长率,T2是第二阈值,
V(ST)=arg min(E(ST(d)))-E(ST) (5)
E(ST(d))是候选超像素斑块四个方向拓展邻域ST(d)的加权信息熵,E(ST)是候选超像素斑块ST的加权信息熵。
9.根据权利要求1所述的一种SAR图像舰船目标检测方法,其特征在于,所述对舰船目标进行Harris角点检测,包括以下步骤:
计算对所述候选超像素斑块进行基于加权信息熵的虚警滤除后的SAR图像在X和Y两个方向的梯度Ix、Iy,I表示SAR图像;
计算图像两个方向梯度的乘积,Ix 2=Ix·Ix,Iy=Iy·Iy,Ixy=Ix·Iy;
使用高斯函数对Ix 2、Iy 2和Ixy进行高斯加权,生成矩阵M的元素A、B、C:
式中,g表示高斯加权,
计算每个像素的Harris响应值R:
在3×3的邻域内进行非最大值抑制,局部最大值点即为图像中的角点。
10.根据权利要求1所述的一种SAR图像舰船目标检测方法,其特征在于,所述判断目标角点数目实现虚警滤除,具体为:
判断目标角点数目是否小于阈值T3,如果是,则判为虚警并进行虚警滤除,若目标角点数目大于阈值T3,则将其判定为舰船目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810546541.2A CN108765491A (zh) | 2018-05-31 | 2018-05-31 | 一种sar图像舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810546541.2A CN108765491A (zh) | 2018-05-31 | 2018-05-31 | 一种sar图像舰船目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765491A true CN108765491A (zh) | 2018-11-06 |
Family
ID=64001107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810546541.2A Pending CN108765491A (zh) | 2018-05-31 | 2018-05-31 | 一种sar图像舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765491A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472788A (zh) * | 2018-11-20 | 2019-03-15 | 成都信息工程大学 | 一种飞机铆钉表面的伤痕检测方法 |
CN109871823A (zh) * | 2019-03-11 | 2019-06-11 | 中国电子科技集团公司第五十四研究所 | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 |
CN110232391A (zh) * | 2019-06-13 | 2019-09-13 | 西安电子科技大学 | 一种基于素描信息的光学遥感图像舰船轮廓提取方法 |
CN111047614A (zh) * | 2019-10-10 | 2020-04-21 | 南昌市微轲联信息技术有限公司 | 一种基于特征提取的复杂场景图像的目标角点提取方法 |
CN111667498A (zh) * | 2020-05-14 | 2020-09-15 | 武汉大学 | 一种面向光学卫星视频的运动舰船目标自动检测方法 |
CN111833399A (zh) * | 2019-04-17 | 2020-10-27 | 富华科精密工业(深圳)有限公司 | 基于鱼眼图像的目标检测方法及相关设备 |
CN111861918A (zh) * | 2020-07-14 | 2020-10-30 | 北京理工大学重庆创新中心 | 一种基于sar图像的海上溢油检测方法 |
CN112101250A (zh) * | 2020-09-18 | 2020-12-18 | 电子科技大学 | 一种基于上下文语义感知的近岸舰船目标检测方法 |
CN112634222A (zh) * | 2020-12-17 | 2021-04-09 | 中国人民解放军火箭军工程大学 | 一种sar图像舰船目标检测方法 |
CN112766287A (zh) * | 2021-02-05 | 2021-05-07 | 清华大学 | 一种基于密度审查的sar图像舰船目标检测加速方法 |
CN113284135A (zh) * | 2021-06-21 | 2021-08-20 | 河北工业大学 | 基于全局与局部上下文信息的sar舰船检测方法 |
CN113298839A (zh) * | 2021-05-18 | 2021-08-24 | 中国矿业大学 | 一种sar影像半自动阈值提取方法 |
CN113504521A (zh) * | 2021-07-08 | 2021-10-15 | 哈尔滨工业大学 | 一种用于多目标环境下的基于混合模型的恒虚警检测方法 |
CN113705505A (zh) * | 2021-09-02 | 2021-11-26 | 浙江索思科技有限公司 | 一种面向海洋渔业的船舶目标检测方法和系统 |
CN114419453A (zh) * | 2022-04-01 | 2022-04-29 | 中国人民解放军火箭军工程大学 | 一种基于电磁散射特征与拓扑构型的群目标检测方法 |
CN115661672A (zh) * | 2022-10-24 | 2023-01-31 | 中国人民解放军海军工程大学 | 基于GMM的PolSAR图像CFAR检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102676633A (zh) * | 2012-03-08 | 2012-09-19 | 天津大学 | 一种菌落自动计数方法 |
CN107067039A (zh) * | 2017-04-25 | 2017-08-18 | 西安电子科技大学 | 基于超像素的sar图像舰船目标快速检测方法 |
-
2018
- 2018-05-31 CN CN201810546541.2A patent/CN108765491A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102676633A (zh) * | 2012-03-08 | 2012-09-19 | 天津大学 | 一种菌落自动计数方法 |
CN107067039A (zh) * | 2017-04-25 | 2017-08-18 | 西安电子科技大学 | 基于超像素的sar图像舰船目标快速检测方法 |
Non-Patent Citations (3)
Title |
---|
BINGBING WU等: "A NOVEL METHOD OF CORNER DETECTOR FOR SAR IMAGES BASED ON BILATERAL FILTER", 《IGARSS 2016》 * |
林智莘: "SAR舰船快速检测系统设计", 《物联网技术》 * |
邓洋洋: "基于超像素和信息论的SAR图像目标检测研究", 《成都信息工程大学学报》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472788A (zh) * | 2018-11-20 | 2019-03-15 | 成都信息工程大学 | 一种飞机铆钉表面的伤痕检测方法 |
CN109472788B (zh) * | 2018-11-20 | 2022-03-22 | 成都信息工程大学 | 一种飞机铆钉表面的伤痕检测方法 |
CN109871823B (zh) * | 2019-03-11 | 2021-08-31 | 中国电子科技集团公司第五十四研究所 | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 |
CN109871823A (zh) * | 2019-03-11 | 2019-06-11 | 中国电子科技集团公司第五十四研究所 | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 |
CN111833399A (zh) * | 2019-04-17 | 2020-10-27 | 富华科精密工业(深圳)有限公司 | 基于鱼眼图像的目标检测方法及相关设备 |
CN110232391A (zh) * | 2019-06-13 | 2019-09-13 | 西安电子科技大学 | 一种基于素描信息的光学遥感图像舰船轮廓提取方法 |
CN111047614A (zh) * | 2019-10-10 | 2020-04-21 | 南昌市微轲联信息技术有限公司 | 一种基于特征提取的复杂场景图像的目标角点提取方法 |
CN111047614B (zh) * | 2019-10-10 | 2023-09-29 | 南昌市微轲联信息技术有限公司 | 一种基于特征提取的复杂场景图像的目标角点提取方法 |
CN111667498A (zh) * | 2020-05-14 | 2020-09-15 | 武汉大学 | 一种面向光学卫星视频的运动舰船目标自动检测方法 |
CN111861918A (zh) * | 2020-07-14 | 2020-10-30 | 北京理工大学重庆创新中心 | 一种基于sar图像的海上溢油检测方法 |
CN111861918B (zh) * | 2020-07-14 | 2023-09-15 | 北京理工大学重庆创新中心 | 一种基于sar图像的海上溢油检测方法 |
CN112101250A (zh) * | 2020-09-18 | 2020-12-18 | 电子科技大学 | 一种基于上下文语义感知的近岸舰船目标检测方法 |
CN112634222A (zh) * | 2020-12-17 | 2021-04-09 | 中国人民解放军火箭军工程大学 | 一种sar图像舰船目标检测方法 |
CN112766287B (zh) * | 2021-02-05 | 2021-09-17 | 清华大学 | 一种基于密度审查的sar图像舰船目标检测加速方法 |
CN112766287A (zh) * | 2021-02-05 | 2021-05-07 | 清华大学 | 一种基于密度审查的sar图像舰船目标检测加速方法 |
CN113298839B (zh) * | 2021-05-18 | 2023-08-15 | 中国矿业大学 | 一种sar影像半自动阈值提取方法 |
CN113298839A (zh) * | 2021-05-18 | 2021-08-24 | 中国矿业大学 | 一种sar影像半自动阈值提取方法 |
CN113284135A (zh) * | 2021-06-21 | 2021-08-20 | 河北工业大学 | 基于全局与局部上下文信息的sar舰船检测方法 |
CN113284135B (zh) * | 2021-06-21 | 2022-10-04 | 河北工业大学 | 基于全局与局部上下文信息的sar舰船检测方法 |
CN113504521A (zh) * | 2021-07-08 | 2021-10-15 | 哈尔滨工业大学 | 一种用于多目标环境下的基于混合模型的恒虚警检测方法 |
CN113705505A (zh) * | 2021-09-02 | 2021-11-26 | 浙江索思科技有限公司 | 一种面向海洋渔业的船舶目标检测方法和系统 |
CN113705505B (zh) * | 2021-09-02 | 2024-05-17 | 浙江索思科技有限公司 | 一种面向海洋渔业的船舶目标检测方法和系统 |
CN114419453A (zh) * | 2022-04-01 | 2022-04-29 | 中国人民解放军火箭军工程大学 | 一种基于电磁散射特征与拓扑构型的群目标检测方法 |
CN115661672A (zh) * | 2022-10-24 | 2023-01-31 | 中国人民解放军海军工程大学 | 基于GMM的PolSAR图像CFAR检测方法及系统 |
CN115661672B (zh) * | 2022-10-24 | 2023-03-14 | 中国人民解放军海军工程大学 | 基于GMM的PolSAR图像CFAR检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765491A (zh) | 一种sar图像舰船目标检测方法 | |
Ao et al. | Detection and discrimination of ship targets in complex background from spaceborne ALOS-2 SAR images | |
CN106384344B (zh) | 一种光学遥感图像海面舰船目标检测与提取方法 | |
CN105354541B (zh) | 基于视觉注意模型和恒虚警率的sar图像目标检测方法 | |
CN103886285B (zh) | 先验地理信息辅助下的光学遥感影像舰船检测方法 | |
CN105654091B (zh) | 海面目标检测方法及装置 | |
CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
Topouzelis et al. | Detection and discrimination between oil spills and look-alike phenomena through neural networks | |
CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN104408482B (zh) | 一种高分辨率sar图像目标检测方法 | |
CN107833220A (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN104951799B (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
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 | |
CN109978839A (zh) | 晶圆低纹理缺陷的检测方法 | |
CN109117802A (zh) | 面向大场景高分遥感影像的舰船检测方法 | |
CN108399361A (zh) | 一种基于卷积神经网络cnn和语义分割的行人检测方法 | |
CN110031843A (zh) | 基于roi区域的sar图像目标定位方法、系统、装置 | |
CN102867196A (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
CN106780504B (zh) | 一种基于距离保持水平集的牛肉图像中背长肌自动分割方法 | |
CN110414509A (zh) | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 | |
CN107862271A (zh) | 一种舰船目标的检测方法 | |
CN106772379A (zh) | 基于傅里叶变换的双参数cfar舰船检测方法 | |
CN108830883A (zh) | 基于超像素结构的视觉注意sar图像目标检测方法 | |
CN110223312A (zh) | 一种基于剪切波的sar图像边缘检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |