CN108875636B - 一种基于辅助判别策略的合成孔径雷达图像海陆分割方法 - Google Patents
一种基于辅助判别策略的合成孔径雷达图像海陆分割方法 Download PDFInfo
- Publication number
- CN108875636B CN108875636B CN201810634058.XA CN201810634058A CN108875636B CN 108875636 B CN108875636 B CN 108875636B CN 201810634058 A CN201810634058 A CN 201810634058A CN 108875636 B CN108875636 B CN 108875636B
- Authority
- CN
- China
- Prior art keywords
- land
- segmentation
- area
- sea
- result
- 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
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于辅助判别策略的合成孔径雷达(简称SAR)图像海陆分割方法,涉及合成孔径雷达(简称SAR)海上目标智能解译领域。包括以下步骤:1)对输入SAR影像I进行直方图均衡化;2)利用OTSU分割算法与分块核密度估计,迭代滤除强海洋杂波;3)利用种子点生长算法提取候选陆地区域掩膜;4)利用CFAR算法提取影像I中、候选陆地区域范围内的舰船候选目标;5)根据CFAR对陆地区域和海岸线附近CFAR检测结果的异常特性,对候选陆地区域进行校验,剔除由复杂海况造成的错误分割。本发明可以有效克服OTSU算法在复杂海陆场景下错误分割的缺陷。
Description
技术领域
本发明涉及合成孔径雷达(简称SAR)海上目标智能解译领域,尤其是一种SAR图像海陆分割方法,实现SAR图像海陆快速分割,可适用于复杂场景、不同载荷、不同分辨率的SAR图像,具有较强的鲁棒性和分割结果自主诊断能力。
技术背景
SAR图像海陆分割是实现SAR海上目标智能检测的关键环节。海陆分割通常所采用的方法包括如下几种:①基于OTSU二值分割的方法;②基于超像素分割的方法;③基于水平集水域提取的方法;④基于活动轮廓的方法;⑤基于边缘检测的方法。以上方法在使用中,均存在一定的缺陷。
1)其中,超像素分割方法和水平集水域提取方法计算量较大且难以适应复杂场景,基于活动轮廓的方法泛化能力较差,基于边缘检测的方法易受海岸复杂场景和内陆起伏地形的影响;
2)基于OTSU二值分割的方法在实际中使用较为广泛,借助于SAR图像滤波算法和种子点生长算法,通常情况下可以快速、高效的实现海陆分割。然而经SAR图像滤波算法平滑处理后,OTSU算法易将强海杂波区域误分割为陆地,导致错误分割结果,尤其是在图像中存在少量陆地区域或没有陆地区域的场景;
本发明在OTSU算法的基础上,采用分块核密度估计、小阈值滤除、迭代计算等步骤可以有效的降低强海杂波区域对海陆分割结果的影响,借助快速CFAR目标检测对分割结果进行辅助判别,可进一步提高复杂场景下分割结果的准确性。
发明内容
为了克服已有SAR图像海陆分割方法复杂度高、难以适应复杂场景、泛化能力差的不足,本发明提供一种基于辅助判别策略的SAR图像海陆分割方法,具有较强的鲁棒性和分割结果自主诊断能力,可适用于复杂场景、不同载荷、不同分辨率的SAR图像。
本发明解决其技术问题所采用的技术方案是:
一种基于辅助判别策略的合成孔径雷达图像海陆分割方法,所述分割方法包括以下步骤:
(1)对输入SAR图像进行直方图均衡化,利用OTSU分割算法对直方图均衡化后的SAR图像进行海面和陆地的初次分割,分割结果记为B;
(2)将分割结果B按c×c进行分块处理,并计算每个分块的核密度,B中所有分块的核密度估计结果记为C;其中,c=20/R,R为SAR图像分辨率,当c为小数时,进位取整;
(3)使用设定小阈值T1对分块的核密度估计结果C进行阈值滤除操作,同时将阈值滤除处理后的核密度估计结果C赋值给分割结果B;
(4)返回步骤(3),重复设定次数n,得到新的分割结果D;
(5)将新的分割结果D与步骤(1)得到的分割结果B做矩阵点乘运算,修正由分块计算的造成的误差,并利用种子点生长算法提取联通水域;并将联通水域中面积小于设定阈值Th1的区域填充;
(6)利用种子点生长算法提取非水域中所有面积大于Th1的联通区域,并分别标记为陆地;
(7)利用CFAR算法直接对输入SAR图像进行舰船目标检测,并计算检测结果的最小外包矩形;根据CFAR对陆地目标检测结果的特点,特别是在海岸线附近和陆地区域的异常结果,如果检测结果中存在最小外包矩形面积大于Th1的对象,则判定陆地区域为真,输出最终的海陆分割结果,程序结束;
(8)如果检测结果中不存在最小外包矩形面积大于Th1的对象,则对陆地区域内的CFAR检测出的“舰船目标”进行设定次数m次抽样,并利用训练好的Faster-RCNN舰船检测模型对抽样样本进行验证;如果检测为舰船的概率大于TPf,则判定陆地区域为假,将该区域更新为水域;否则,判定陆地区域为真,输出最终的海陆分割结果,程序结束。
其中,步骤(2)中核密度的计算方法如下:将B中任意一个单元块记为矩阵Ω,P(Ω)记为Ω的核密度,则有:
其中,步骤(4)中,n的取值范围是[1,10]。
其中,步骤(3)中所述的T1取值范围是[5~20]。
其中,步骤(5)中所述的Th1取值是(200/R)2~(300/R)2,其中R为图像分辨率。
其中,步骤(8)中所述,对陆地区域内的检测目标进行m次有放回抽样,其中m取值范围是m>5。
其中,步骤(8)中所述,TPf取值范围是实际训练好的Faster-RCNN舰船检测模型精度的0.4~0.8倍。
本发明与现有技术相比具有以下技术优势:
1)利用CFAR目标检测对分割结果进行辅助判别,可以有效克服OTSU算法在无陆地(或少陆地)、存在大片强海杂波区域等复杂场景下错误分割的缺陷;
2)采用分块计算策略,分块核密度小阈值滤除策略,可以有效的降低复杂海况对海陆分割的影响,提高海陆分割算法的鲁棒性;
附图说明
图1为本发明实现框图;
图2左侧为陆地且海面较复杂的1m分辨率SAR原始图像,右侧是无陆地且海面较复杂的10m分辨率SAR原始图像;
图3分别是本发明陆地区域提取结果;
图4是本发明快速CFAR检测器原理图;
图5本发明借助快速CFAR目标检测对分割结果进行辅助判别的结果。
下面参见附图1~5,进一步详细说明本发明的详细内容:
本发明一种基于辅助判别策略的合成孔径雷达图像海陆分割方法,实现框图如图1所示,
1)SAR图像质量增强对输入SAR影像I进行直方图均衡化,均衡化结果记为A,设影像的宽度为W,高度为H,参见图2;图2中,左边SAR图像中存在陆地且海杂波较复杂,右边SAR图像中不存在陆地且海杂波也比较复杂;
2)首先利用OTSU分割算法将SAR图像进行二分类;接着,利用分块核密度估计算法增强分割效果,具体步骤如下:
2.1)对矩阵A进行OTSU二值化,并将结果归一化为0-1矩阵,结果记为B;
2.2)对B进行分块处理,并计算各区块核密度,结果记为C;对B进行分块核密度估计,具体的操作步骤如下:
2.2.1)对B按c×c进行分块处理,单元块记为Ω。其中c=20/R,R为SAR图像分辨率,当c为小数时,进位取整;
2.2.2)用每个小单元块内的元素的均值估计Ω的核密度值P(Ω),假设B中任意一个单元块记为矩阵Ω,则有:
2.2.3)对B所有分块按照2.2.2)的计算方法进行核密度估计,记B的核密度估计结果为C;
2.2.4)使用小阈值T1对C进行过滤操作,结果记为C1。其中,T1取值为5~20;
2.2.5)将C1赋值给B,重复步骤2.2.2)~2.2.5),重复n次,n的取值范围是1~10;记上述分块和密度估计的结果为D。
3)针对上一步利用分块核密度计算得到的海陆分割结果,首先需要将D与B做矩阵点乘运算,修正由分块计算的造成的误差;然后利用种子点生长算法提取联通水域,并填充水域范围内的空洞;最后,基于联通水域提取结果获得陆地候选区域。
进一步,先通过提取水域,再提取陆地候选区域,是原因:在二值化的结果中,船只就造成里水面出现孔洞的主要原因,这种由船只造成的孔洞,规律性很明显;而陆地上存在明暗地形、河流等,这些复杂地形会造成陆地上的空洞。为了快速、准确的提取完整陆地区域,首先把海洋提取出来,并填充孔洞。剩下的区域作为陆地候选区域。具体操作如下:
3.1)将D与B做矩阵点乘运算,修正由分块计算的造成的误差,结果记为E;
E=D*B
3.2)利用种子点生长算法提取E中联通水域;接着将联通水域中面积小于Th1的区域填充,并将填充后联通水域与非水域二值化处理;其中Th1取值是(200/R)2~(300/R)2,其中R为图像分辨率。
进一步,传统典型舰船的长度一般为160~300米左右,宽度一般为20~40米(如下表所示),舰船目标的面积范围约为3200~12000平方米左右。因此,选择Th1取值是(200/R)2~(300/R)2,以确保滤除阈值大于舰船目标面积。
表1典型舰船尺度表
3.3)利用种子点生长算法提取非水域中所有面积大于Th1的联通区域,并分别标记为候选陆地区域,如图3所示,图3中采用不同的亮度标记不同的陆地候选区域。其中,左侧图像中存在2处由强海杂波区域造成的虚假陆地掩膜,右侧图像因复杂海况和卫星成像质量原因造成了大面积虚假陆地掩膜;
4)利用CFAR算法和深度学习舰船目标检测算法对OTSU海陆分割结果进行校准。
进一步的,CFAR算法是借助CFAR检测器对海水进行建模,并分割海水和舰船的算法,其通常仅针对海陆分割之后的水域进行建模。如图4所示,CFAR检测器通常分为保护区和海杂波区域,假设舰船目标长度为b,通常以2b×2b区域作为目标保护区,用外围海杂波区域来统计海杂波模型的分布参数。
由于海岸线附近,海水与陆地的杂波分布存在较大差异,因此CFAR算法处理海岸线附近区域时会产生明显的异常检测;同时,由于陆地地形复杂,对陆地区域进行CFAR检测也易造成明显的异常检测。其中异常检测指与海上舰船检测结果相比存在明显差异:(1)针对陆地的检测结果中,目标的最小外包矩形存在远大于舰船目标尺度的情况,且所有矩形框的长宽比、面积等特征与舰船目标相差较大;(2)针对海岸线的检测情况,由于陆地和海水的杂波分布差异较大,因此在海岸线附近,检测结果通常呈现“长条带”、“阶梯形状”等情况。
具体步骤如下:
4.1)利用CFAR算法直接对输入SAR图像进行舰船目标检测,提取检测结果的最小外包矩形,并计算最小外包矩形的面积;
4.2)如果检测结果中存在最小外包矩形面积大于Th1的对象,则判定陆地区域为真,输出最终海陆分割结果,参见图5左侧最终结果,程序结束;
4.3)如果检测结果中不存在最小外包矩形面积大于Th1的对象,则对陆地区域内的检测目标进行m次有放回抽样,具体抽样方法如下所述:
4.3.1)如果陆地掩膜范围内检测目标小于10个,则每次采用有放回抽样,共抽样m次;
4.3.2)如果陆地掩膜范围内检测目标大于10个,则每次采用无放回抽样,共抽样m次;
4.4)利用训练好的Faster-RCNN舰船检测模型对抽样样本进行舰船检测;如果检测为舰船的概率大于TPf,则判定陆地区域为假,将该区域更新为水域,输出最终的海陆分割结果,程序结束,参见图5右侧最终结果;否则,判定陆地区域为真,输出最终海陆分割结果,程序结束;其中TPf取值范围是实际训练好的Faster-RCNN舰船检测模型精度的0.4~0.8倍。
Claims (6)
1.一种基于辅助判别策略的合成孔径雷达图像海陆分割方法,其特征在于:所述的分割方法包括以下步骤:
(1)对输入SAR图像进行直方图均衡化,利用OTSU分割算法对直方图均衡化后的SAR图像进行海面和陆地的初次分割,分割结果记为B;
(2)将分割结果B按c×c进行分块处理,并计算每个分块的核密度,B中所有分块的核密度估计结果记为C;其中,c=20/R,R为SAR图像分辨率,当c为小数时,进位取整;
(3)使用设定小阈值T1对分块的核密度估计结果C进行阈值滤除操作,同时将阈值滤除处理后的核密度估计结果C赋值给分割结果B;
(4)返回步骤(3),重复设定次数n,得到新的分割结果D;
(5)将新的分割结果D与步骤(1)得到的分割结果B做矩阵点乘运算,修正由分块计算造成的误差,并利用种子点生长算法提取联通水域;并将联通水域中面积小于设定阈值Th1的区域填充;
(6)利用种子点生长算法提取非水域中所有面积大于Th1的联通区域,并分别标记为陆地;
(7)利用CFAR算法直接对输入SAR图像进行舰船目标检测,并计算检测结果的最小外包矩形;根据CFAR对陆地目标检测结果的特点,特别是在海岸线附近和陆地区域的异常结果,如果检测结果中存在最小外包矩形面积大于Th1的对象,则判定陆地区域为真,输出最终的海陆分割结果,程序结束;
(8)如果检测结果中不存在最小外包矩形面积大于Th1的对象,则对陆地区域内的CFAR检测出的“舰船目标”进行设定次数m次抽样,并利用训练好的Faster-RCNN舰船检测模型对抽样样本进行验证;如果检测为舰船的概率大于TPf,则判定陆地区域为假,将该区域更新为水域;否则,判定陆地区域为真,输出最终的海陆分割结果,程序结束;
其中,步骤(2)中核密度的计算方法如下:
将B中任意一个单元块记为矩阵Ω,P(Ω)记为Ω的核密度,则有:
2.如权利要求1所述的一种基于辅助判别策略的合成孔径雷达图像海陆分割方法,其特征在于:步骤(4)中,n的取值范围是[1,10]。
3.如权利要求1所述的一种基于辅助判别策略的合成孔径雷达图像海陆分割方法,其特征在于:步骤(3)中所述的T1取值范围是[5~20]。
4.如权利要求1所述的一种基于辅助判别策略的合成孔径雷达图像海陆分割方法,其特征在于:步骤(5)中所述的Th1取值是(200/R)2~(300/R)2,其中R为图像分辨率。
5.如权利要求1所述的一种基于辅助判别策略的合成孔径雷达图像海陆分割方法,其特征在于:步骤(8)中所述,对陆地区域内的检测目标进行m次有放回抽样,其中m取值范围是m>5。
6.如权利要求1所述的一种基于辅助判别策略的合成孔径雷达图像海陆分割方法,其特征在于:步骤(8)中所述,TPf取值范围是实际训练好的Faster-RCNN舰船检测模型精度的0.4~0.8倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810634058.XA CN108875636B (zh) | 2018-06-20 | 2018-06-20 | 一种基于辅助判别策略的合成孔径雷达图像海陆分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810634058.XA CN108875636B (zh) | 2018-06-20 | 2018-06-20 | 一种基于辅助判别策略的合成孔径雷达图像海陆分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875636A CN108875636A (zh) | 2018-11-23 |
CN108875636B true CN108875636B (zh) | 2022-03-01 |
Family
ID=64339953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810634058.XA Active CN108875636B (zh) | 2018-06-20 | 2018-06-20 | 一种基于辅助判别策略的合成孔径雷达图像海陆分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875636B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866926B (zh) * | 2019-10-24 | 2022-12-20 | 北京航空航天大学 | 一种红外遥感图像快速精细海陆分割方法 |
CN114241336B (zh) * | 2021-12-30 | 2022-09-20 | 河南祥宇工程勘察设计有限公司 | 一种基于动态低分辨遥感图像的河湖水域确权划界方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646469A (zh) * | 2016-12-21 | 2017-05-10 | 中国科学院遥感与数字地球研究所 | 基于变异系数法的sar船只检测优化方法 |
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 |
CN107564027A (zh) * | 2017-10-25 | 2018-01-09 | 中国电子科技集团公司第五十四研究所 | 一种合成孔径雷达图像的边缘矢量计算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10223816B2 (en) * | 2015-02-13 | 2019-03-05 | Here Global B.V. | Method and apparatus for generating map geometry based on a received image and probe data |
-
2018
- 2018-06-20 CN CN201810634058.XA patent/CN108875636B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646469A (zh) * | 2016-12-21 | 2017-05-10 | 中国科学院遥感与数字地球研究所 | 基于变异系数法的sar船只检测优化方法 |
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 |
CN107564027A (zh) * | 2017-10-25 | 2018-01-09 | 中国电子科技集团公司第五十四研究所 | 一种合成孔径雷达图像的边缘矢量计算方法 |
Non-Patent Citations (7)
Title |
---|
On semiparametric clutter estimation for ship detection in synthetic aperture radar iamges;yi cui等;《IEE Transactions on Geoscience and Remote sensing》;20130531;第51卷(第5期);摘要 * |
Ship detection for high-Resolution SAR images based on feature anlysis;wang chao等;《IEEE Geoscience and remote sensing letters》;20140131;第11卷(第1期);摘要 * |
中国图像工程:2009;章毓晋;《中国图象图形学报》;20100516(第05期);摘要 * |
基于Faster-RCNN和多分辨率SAR的海上舰船目标检测;胡炎等;《无线电工程》;20180205;第48卷(第02期);摘要 * |
基于变异系数法的SAR船舶检测优化研究;王娜等;《遥感技术与应用》;20170415(第02期);摘要 * |
基于星载SAR的海上溢油检测研究进展;李颖等;《海洋通报》;20170615;第36卷(第03期);摘要 * |
面向小目标图像的快速核密度估计图像阈值分割算法;王骏等;《自动化学报》;20121015;第38卷(第10期);摘要 * |
Also Published As
Publication number | Publication date |
---|---|
CN108875636A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN105513041B (zh) | 一种大幅面遥感图像海陆分割的方法及系统 | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
CN104077777B (zh) | 一种海面舰船目标检测方法 | |
CN107025654B (zh) | 基于全局迭代检查的sar图像自适应船只检测方法 | |
CN108846844B (zh) | 一种基于海天线的海面目标检测方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN113920448B (zh) | 洪水淹没信息提取方法、装置、电子设备及存储介质 | |
CN111368599B (zh) | 遥感图像海面舰船检测方法、装置、可读存储介质及设备 | |
CN112580383B (zh) | 二维码识别方法、装置、电子设备及存储介质 | |
CN108875636B (zh) | 一种基于辅助判别策略的合成孔径雷达图像海陆分割方法 | |
CN108764132B (zh) | 一种湖泊湿地遥感图像误差检测方法 | |
CN111091095A (zh) | 一种遥感图像中船只目标的检测方法 | |
CN103971370A (zh) | 一种针对遥感大图像的海洋溢油智能检测方法 | |
CN106803078B (zh) | 一种sar图像舰船目标分割方法 | |
CN112669301A (zh) | 一种高铁底板脱漆故障检测方法 | |
CN117557584B (zh) | 水体提取方法、装置、电子设备及存储介质 | |
CN115294322A (zh) | 水下船底可疑目标检测方法、装置、电子设备及可读介质 | |
CN117994666A (zh) | 一种结合残差网络和边缘检测的海冰识别方法 | |
CN104881670B (zh) | 一种用于sar方位角估计的快速目标提取方法 | |
CN103186900A (zh) | 一种InSAR水体和阴影区域自动提取和识别的方法 | |
CN113344148A (zh) | 一种基于深度学习的海上舰船目标识别方法 | |
CN117115193A (zh) | 基于行抑制的红外舰船定位方法 | |
CN116597164A (zh) | 一种基于计算机视觉的港口船舶水线检测方法 | |
CN111783656A (zh) | 一种基于统计特性预分割的自适应红外小目标检测方法 |
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 |