CN108985288B - 一种基于TGMSERs的SAR图像溢油检测方法 - Google Patents

一种基于TGMSERs的SAR图像溢油检测方法 Download PDF

Info

Publication number
CN108985288B
CN108985288B CN201810784566.6A CN201810784566A CN108985288B CN 108985288 B CN108985288 B CN 108985288B CN 201810784566 A CN201810784566 A CN 201810784566A CN 108985288 B CN108985288 B CN 108985288B
Authority
CN
China
Prior art keywords
target area
pixel intensity
pixel
binary reference
steps
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
CN201810784566.6A
Other languages
English (en)
Other versions
CN108985288A (zh
Inventor
杨建宇
张倩
王陈炜
李云
张永超
张寅�
黄钰林
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 CN201810784566.6A priority Critical patent/CN108985288B/zh
Publication of CN108985288A publication Critical patent/CN108985288A/zh
Application granted granted Critical
Publication of CN108985288B publication Critical patent/CN108985288B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种基于TGMSERs的SAR图像溢油检测方法，首先通过自适应方法得到像素强度的阈值基线；然后利用MSER检测器提取不同像素强度水平的候选目标区域，并生成对应的二值参考图；最后通过最大稳定准则判定目标区域；相比现有方法，本发明方法的自适应阈值基线和最大稳定准则能够在保证运算速度的同时提高检测性能。

Description

一种基于TGMSERs的SAR图像溢油检测方法
技术领域
本发明属于SAR图像目标检测领域，特别涉及一种SAR图像溢油检测技术。
背景技术
合成孔径雷达(SyntheticAperture Radar,SAR)是一种具有全天候、全天时工作能力的高分辨率微波成像雷达，广泛应用于军事侦察和灾情预报等诸多领域，是海面溢油监测的重要手段。由于SAR图像反映的是其观测范围内目标的电磁散射特性，而油膜覆盖区域形成的Bragg波会抑制电磁波的后向散射致使收到的回波强度很低，故油膜覆盖区域在SAR图像上表现为较暗的斑点或条带。现有SAR图像溢油检测方法主要包括基于概率模型的方法、基于图的方法和基于聚类的方法等，但现阶段所用方法普遍存在运算量大，检测精度低等问题，难以实现大幅SAR图像数据的实时处理和溢油区域的准确定位。
文献“Inshore ship detection using high resolution synthetic apertureradar images based on maximally stable extremal region,”(Journal ofAppliedRemote Sensing,vol.9,no.1,pp.095094,2015)使用基于最大稳定极值区域(MaximallyStable Extremal Region,MSER)的检测算法实现SAR图像中舰船目标的检测，MSER使用全局检测门限，使检测的速度得以保证。但其所用方法不能实现SAR目标的精确检测，且算法中各项参数均凭经验得到，不适用于SAR图像中溢油暗斑的检测。
文献“A Combination of Traditional and Polarimetric Features for OilSpill Detection Using TerraSAR-X，”.(IEEE Journal of Selected Topics inApplied Earth Observations&Remote Sensing,2016,9(11):4979-4990.)利用特征提取方法实现油膜的提取和分离，但是其检测速度不利于油膜的快速提取。
发明内容
为了解决上述问题，本发明提出了一种基于阈值引导的最大极值稳定区域(Thresholding-Guided Maximally Stable Extremal Regions,TGMSERs)的SAR图像溢油检测方法；相比现有方法，本发明方法的自适应阈值基线和最大稳定准则能够在保证运算速度的同时提高检测性能。
本发明采用的技术方案为：一种基于TGMSERs的SAR图像溢油检测方法，首先通过自适应方法得到像素强度的阈值基线；然后利用MSER检测器提取不同像素强度水平的候选目标区域，并生成对应的二值参考图；最后通过最大稳定准则判定目标区域。
进一步地，具体包括以下步骤：
步骤1，计算像素强度阈值基线，得到像素强度范围；
步骤2，根据像素强度范围，采用MSER检测，得到目标区域二值参考图；
步骤3，根据步骤S2得到的目标区域二值参考图，进行目标区域判定。
更进一步地，步骤1具体为：根据下式计算像素强度阈值基线imax和imin；
imax＝Floor(mean(I))
imin＝min(I)
其中，Floor(·)表示向下取整函数，mean(·)表示求取像素强度的均值，min(·)表示求取像素强度的最小值。
更进一步地，步骤2具体为：给定稳定范围Δ及稳定性阈值T，对位于像素强度范围[imin,imax)内的像素值i，以Δ为步长执行以下分步骤：
步骤21，计算图像I中像素强度小于i的像素个数|Pi|，
其中，Pi表示I中像素强度低于i的像素集合，|·|表示求取集合中所含像素的个数；
步骤22，计算稳定性ο(i)
ο(i)＝|Pi-Δ|/|Pi|
步骤23，判定潜在目标区域；若ο(i)＞T，则将集合Pi\Pi-Δ加入潜在目标区域；若ο(i)≤T，则将集合Pi\Pi-Δ移出潜在目标区域；
其中，Pi\Pi-Δ表示强度低于i且高于i-Δ的像素集合；
步骤24，生成目标区域二值参考图；遍历I中所有像素，将位于潜在目标区域的像素值置为1，位于潜在目标区域之外的像素值置为0，得到由1和0组成的目标区域二值参考图。
进一步地，步骤3具体为：将步骤2中各像素水平得到的目标区域二值参考图分别记为Qj，j＝1,2,…；根据最大稳定准则，得到最终目标区域，计算式如下：
Figure BDA0001733405400000021
其中，
Figure BDA0001733405400000022
表示Qj与Qj+1中目标区域交集的补集。
本发明的有益效果：本发明的一种基于TGMSERs的SAR图像溢油检测方法，利用自适应的全局阈值基线，在保证运算效率的同时避免SAR图像整体亮度水平的影响；利用最大稳定准则，对不同像素水平的潜在目标区域进行最终判定，提升检测精度的同时避免虚警目标的出现；与现有技术相比，本发明的方法具有较高的溢油检测速度和检测精度。
附图说明
图1为本发明的流程图。
图2为MSER检测的流程图。
图3为本实施例SAR图像不同情况下的原始场景；
其中，图3(a)为简单背景场景，图3(b)为弱对比度场景，图3(c)为油膜不均匀场景。
图4为本实施例目标检测结果；
其中，图4(a)为简单背景场景目标检测结果图，图4(b)为弱对比度场景目标检测结果图，图4(c)为油膜不均匀场景图目标检测结果图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
本实施例以单视SAR图像为例进行说明，采用的试验图像来自TerraSAR-X卫星，图像分辨率为3m*3m。本实施例中涉及的参数如表1所示。
表1参数列表
Figure BDA0001733405400000031
本发明的方案如图1所示，包括以下步骤：
步骤1、像素强度阈值基线计算。首先输入待检测SAR图像I，其大小为M×N。根据下式计算像素强度阈值基线imax和imin，
imax＝Floor(mean(I)) (1)
imin＝min(I) (2)
其中，Floor(·)表示向下取整函数，mean(·)表示求取像素强度的均值，min(·)表示求取像素强度的最小值。
步骤2、MSER检测。给定稳定范围Δ和稳定性阈值T，对位于像素强度范围[imin,imax)内的像素值i，如图2所示以Δ为步长执行以下子步骤：
步骤21、计算图像I中强度小于i的像素个数|Pi|，Pi表示I中强度低于i的像素集合，|·|表示求取集合中所含像素的个数；
步骤22、计算稳定性ο(i)，其中ο(i)＝|Pi-Δ|/|Pi|；
步骤23、判定潜在目标区域。若ο(i)＞T，则将集合Pi\Pi-Δ加入潜在目标区域；若ο(i)≤T，则将集合Pi\Pi-Δ移出潜在目标区域。
其中，Pi\Pi-Δ表示强度低于i且高于i-Δ的像素集合。
步骤24、生成二值参考图。遍历I中所有像素，将位于潜在目标区域的像素值置为1，位于潜在目标区域之外的像素值置为0，得到由1和0组成的目标区域二值参考图。
步骤3、目标区域判定。将步骤2中各像素通道生成得到的目标区域二值参考图分别记为Qj，j＝1,2,…。根据公式(3)所示最大稳定准则，得到最终目标区域。
Figure BDA0001733405400000041
其中，
Figure BDA0001733405400000042
表示通道Qj与Qj+1中目标区域交集的补集。
图4为本发明的检测方法结果，从结果可以看出在三种复杂场景下的油膜都被清晰的检测出来，在不同复杂环境下实现了良好的检测效果，图4(a)为简单背景下的检测结果，效果明显，图4(b)为弱对比情况下的检测结果，在肉眼较难分辨的情况下检测结果较好，图4(c)为目标油膜不均匀时的情况，可以看出，检测结果完整，轮廓清晰。
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。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (1)

1.一种基于TGMSERs的SAR图像溢油检测方法，其特征在于，首先通过自适应方法得到像素强度的阈值基线；然后利用MSER检测器提取不同像素强度水平的候选目标区域，并生成对应的二值参考图；最后通过最大稳定准则判定目标区域；具体包括以下步骤：
步骤1，计算像素强度阈值基线，得到像素强度范围；步骤1具体为：根据下式计算像素强度阈值基线imax和imin；
imax＝Floor(mean(I))
imin＝min(I)
其中，Floor(·)表示向下取整函数，mean(·)表示求取像素强度的均值，min(·)表示求取像素强度的最小值；
步骤2，根据像素强度范围，采用MSER检测，得到目标区域二值参考图；步骤2具体为：给定稳定范围Δ及稳定性阈值T，对位于像素强度范围[imin,imax)内的像素值i，以Δ为步长执行以下分步骤：
步骤21，计算图像I中像素强度小于i的像素个数|Pi|，
其中，Pi表示I中像素强度低于i的像素集合，|·|表示求取集合中所含像素的个数；
步骤22，计算稳定性o(i)
o(i)＝|Pi-Δ|/|Pi|
步骤23，判定潜在目标区域；若o(i)>T，则将集合Pi\Pi-Δ加入潜在目标区域；若o(i)≤T，则将集合Pi\Pi-Δ移出潜在目标区域；
其中，Pi\Pi-Δ表示强度低于i且高于i-Δ的像素集合；
步骤24，生成目标区域二值参考图；遍历I中所有像素，将位于潜在目标区域的像素值置为1，位于潜在目标区域之外的像素值置为0，得到由1和0组成的目标区域二值参考图；
步骤3，根据步骤S2得到的目标区域二值参考图，进行目标区域判定；步骤3具体为：将步骤2中各像素水平得到的目标区域二值参考图分别记为Qj，j＝1,2,…；根据最大稳定准则，得到最终目标区域，计算式如下：
Figure FDA0003529392610000021
其中，
Figure FDA0003529392610000022
表示Qj与Qj+1中目标区域交集的补集。
CN201810784566.6A 2018-07-17 2018-07-17 一种基于TGMSERs的SAR图像溢油检测方法 Active CN108985288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810784566.6A CN108985288B (zh) 2018-07-17 2018-07-17 一种基于TGMSERs的SAR图像溢油检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810784566.6A CN108985288B (zh) 2018-07-17 2018-07-17 一种基于TGMSERs的SAR图像溢油检测方法

Publications (2)

Publication Number Publication Date
CN108985288A CN108985288A (zh) 2018-12-11
CN108985288B true CN108985288B (zh) 2022-06-14

Family

ID=64549807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810784566.6A Active CN108985288B (zh) 2018-07-17 2018-07-17 一种基于TGMSERs的SAR图像溢油检测方法

Country Status (1)

Country Link
CN (1) CN108985288B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829858B (zh) * 2019-01-29 2022-10-18 大连海事大学 一种基于局部自适应阈值的船载雷达图像溢油监测方法
CN110889843B (zh) * 2019-11-29 2023-04-18 西安电子科技大学 基于最大稳定极值区域的sar图像舰船目标检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331886A (zh) * 2014-10-29 2015-02-04 中国人民解放军国防科学技术大学 基于高分辨sar图像的港口区域舰船检测方法
CN105759268A (zh) * 2016-03-24 2016-07-13 山东科技大学 基于多线程的sar图像cfar自适应快速检测方法
CN106557740A (zh) * 2016-10-19 2017-04-05 华中科技大学 一种遥感图像中油库目标的识别方法
CN106815851A (zh) * 2017-01-24 2017-06-09 电子科技大学 一种基于视觉测量的栅格圆形油位计自动读数方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8611662B2 (en) * 2011-11-21 2013-12-17 Nokia Corporation Text detection using multi-layer connected components with histograms

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331886A (zh) * 2014-10-29 2015-02-04 中国人民解放军国防科学技术大学 基于高分辨sar图像的港口区域舰船检测方法
CN105759268A (zh) * 2016-03-24 2016-07-13 山东科技大学 基于多线程的sar图像cfar自适应快速检测方法
CN106557740A (zh) * 2016-10-19 2017-04-05 华中科技大学 一种遥感图像中油库目标的识别方法
CN106815851A (zh) * 2017-01-24 2017-06-09 电子科技大学 一种基于视觉测量的栅格圆形油位计自动读数方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
An accurate oil slick detection method for SAR images;Qian Zhang 等;《2018 IEEE Radar Conference (RadarConf18)》;20180611;第0549-0552页 *
ID localization and recognition for railway oil tank wagon in the industrial scene;Xuezhi Xiang 等;《2016 12th World Congress on Intelligent Control and Automation (WCICA)》;20160929;第826-829页 *
基于区域特征匹配的扩展目标高精度跟踪;张建伟;《激光与光电子学进展》;20150510;第051004-1至051004-8页 *
基于机器视觉的液晶屏Mura缺陷检测方法;钱基德 等;《计算机科学》;20180630;第45卷(第6期);第296页摘要、298页4.3节 *
海洋卫星遥感溢油监测技术与应用研究;苏伟光;《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》;20090115;正文第40页3.4节第1段 *

Also Published As

Publication number Publication date
CN108985288A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
CN107025654B (zh) 基于全局迭代检查的sar图像自适应船只检测方法
CN103971127B (zh) 一种前视雷达成像海面目标关键点检测识别方法
CN107808383B (zh) 一种强海杂波下sar图像目标快速检测方法
Jarabo-Amores et al. Spatial-range mean-shift filtering and segmentation applied to SAR images
Gambardella et al. A physical full-resolution SAR ship detection filter
CN108985288B (zh) 一种基于TGMSERs的SAR图像溢油检测方法
CN115063689A (zh) 一种基于局部显著性增强的cfar舰船目标检测方法
Katarzyna Analysis of the objects images on the sea using Dempster-Shafer Theory
Messina et al. Modified Otsu's algorithm: A new computationally efficient ship detection algorithm for SAR images
Zhang et al. Marine radar monitoring IoT system and case study of target detection based on PPI images
Tello et al. Automatic detection of spots and extraction of frontiers in SAR images by means of the wavelet transform: Application to ship and coastline detection
Garren SAR focus theory of complicated range migration signatures due to moving targets
Boldt et al. SAR image segmentation using morphological attribute profiles
Yu et al. Automatic extraction of green tide using dual polarization Chinese GF-3 SAR images
Arivazhagan et al. Optimal Gabor sub-band-based spectral kurtosis and Teager Kaiser energy for maritime target detection in SAR images
Tian et al. Ship detection method for single-polarization synthetic aperture radar imagery based on target enhancement and nonparametric clutter estimation
Wang et al. Context semantic perception based on superpixel segmentation for inshore ship detection in SAR image
Pappas et al. Superpixel-guided CFAR detection of ships at sea in SAR imagery
CN108564054B (zh) 一种基于cfar的精确溢油检测方法
Lai et al. Weak target detection in SAR images via improved itti visual saliency model
Ferreira Bayesian land and sea segmentation of SAR images
Li et al. Ship detection based on surface fitting modeling for large range background of ocean images
CN115810113B (zh) 针对sar图像的显著特征提取方法及装置
Nafornita et al. Multilook SAR image enhancement using the dual tree complex wavelet transform
Yao Small target detection under the sea using multi-scale spectral residual and maximum symmetric surround

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