CN108985292A - 一种基于多尺度分割的sar图像cfar目标检测方法与系统 - Google Patents

一种基于多尺度分割的sar图像cfar目标检测方法与系统 Download PDF

Info

Publication number
CN108985292A
CN108985292A CN201810503713.8A CN201810503713A CN108985292A CN 108985292 A CN108985292 A CN 108985292A CN 201810503713 A CN201810503713 A CN 201810503713A CN 108985292 A CN108985292 A CN 108985292A
Authority
CN
China
Prior art keywords
scale
image block
detection
segmentation
image
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
Application number
CN201810503713.8A
Other languages
English (en)
Inventor
刘修国
周欣
陈启浩
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN201810503713.8A priority Critical patent/CN108985292A/zh
Publication of CN108985292A publication Critical patent/CN108985292A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于多尺度分割的SAR图像CFAR目标检测方法及系统，将多尺度分割引入CFAR目标检测充分发挥了多尺度分割的优势，利用分割图像块作为检测窗口，保证了窗口内部背景的同质性，增强了窗口内部杂波统计建模的准确性，提高了检测的精度；同时，多尺度分割能够将异质背景或者其他人工地物划分为一个单独的图像块，在图像块内部通过自适应阈值的确定消除大部分的杂波，抑制了检测结果中的虚警；本发明能够在实际应用中保证检测精度，抑制虚警目标的产生，实现大场景的复杂地表杂波背景下的快速目标检测。

Description

一种基于多尺度分割的SAR图像CFAR目标检测方法与系统
技术领域
本发明涉及图像目标检测领域，更具体地说，涉及一种基于多尺度分割的SAR图像CFAR目标检测方法与系统。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式的微波遥感传感器，相比传统的可见光和热红外遥感手段，由于其不受云雨等天气的影响，因此具有全天时全天候的特点。较真实孔径雷达相比，合成孔径雷达具有更高的方位向分辨率。由于SAR技术的优良特性，越来越多的国家发展了自己的SAR传感器，包括加拿大的Radarsat2，德国的TerraSAR-X，日本的ALOS2和中国的GF-3，积累了大量的SAR图像数据。
然而由于SAR本身相干成像的特点，SAR图像上往往存在着大量的相干斑噪声，这成为SAR图像自动解译的主要困难。相对于海表舰船检测，陆地地表杂波尤为复杂，如何在复杂地表杂波背景下实现SAR图像目标检测，对于业内学者来说是一个重大挑战。
多尺度分割能够根据初始分割图像块的内部的异质度合并新成新的分割图像块，以满足图像块内部的异质度最小，图像块与图像块之间的异质度最大的原则，同时多尺度分割也是抑制SAR图像相干斑的一个重要手段。
CAFR方法是SAR图像目标检测领域使用最为广泛的方法之一。传统的CFAR方法包括CA-CFAR、GO-CFAR、SO-CFAR、OS-CFAR以及双参数CFAR方法，这一类CFAR都是建立在滑窗检测的基础上，检测速度慢，无法适应大范围全局的目标检测。CFAR快速检测方法包括全局CFAR、两级级联的CFAR检测方法以及多层CFAR检测方法，但这些方法往往只能实现海洋目标检测，对于场景更为复杂地表杂波检测能力不足。
发明内容
为了实现SAR图像复杂地表杂波背景下的目标检测，本发明提供了一种基于多尺度分割的SAR图像CFAR目标检测方法及系统，以兼顾检测速度与检测性能，抑制目标检测中产生的虚警。
根据本发明的其中一方面，本发明解决其技术问题所采用的技术方案是：构造一种基于多尺度分割的SAR图像CFAR目标检测方法，该方法包含如下步骤：
步骤1：获取原始的SAR幅度图像，使用SLIC超像素方法进行初始分割，得到初始分割后形成的多个初始分割图像块；
步骤2：依次计算各个初始分割图像块与各个相邻初始分割图像块的共同异质度，对于任意一初始分割图像块，将共同异质度最小的相邻初始分割图像块进行合并，得到多尺度分割后形成的多尺度分割图像块；
步骤3：将一个多尺度分割图像块作为一个检测窗口，在检测窗口内部进行G0分布的参数估计；
步骤4：根据参数估计结果，结合CFAR阈值方程求解检测阈值；
步骤5：根据求解出的检测阈值进行窗口内的目标检测；
步骤6:重复步骤3到步骤5，对每个多尺度分割图像块分别进行目标检测，以完成全局范围内的目标检测。
进一步地，在本发明的基于多尺度分割的SAR图像CFAR目标检测方法中，步骤1具体包括如下步骤：
步骤1.1：根据所述SAR幅度图像生成灰度图像；
步骤1.2：根据所述灰度图像在局部范围内完成K均值迭代聚类，生成初步超像素图像块；
步骤1.3：将图像块大小小于预设值的初步超像素图像块与相邻初步超像素图像块合并，生成所述初始分割的分割结果。
进一步地，在本发明的基于多尺度分割的SAR图像CFAR目标检测方法中，步骤2中，计算初始分割图像块之间的共同异质度的具体公式为：
式中：Var(x)表示初始分割图像块及与其相邻的初始分割图像块的内部所有像素的方差，表示初始分割图像块及与其相邻的初始分割图像块的内部所有像素的均值，cv表示变差系数，用来表征共同异质度大小。
进一步地，在本发明的基于多尺度分割的SAR图像CFAR目标检测方法中，步骤3具体包括如下步骤：
步骤3.1：遍历一多尺度分割图像块K，取出该多尺度分割图像块K包含的所有像素(K1,K2···Ki)的坐标值((x1,y1),(x2,y2)···(xi,yi))；
步骤3.2：遍历所述SAR幅度图像，从中依据坐标值((x1,y1),(x2,y2)···(xi,yi))取出所有像元值(A1,A2···Ai)作为参数估计的样本；
步骤3.3：采用基于梅林变换的对数累积量估计方法来实现G0分布参数估计，估计出待估计参数和参数估计时采用下述公式进行求解和
式中，和为G0分布中的待估参数，和分别为所述样本的1阶和2阶对数累积量，ψ(x)为digamma函数，ψ(k,x)表示k阶polygamma函数，L为等效视数，α为形状参数，取值必须小于0，γ为尺度参数，取值大于0，
进一步地，在本发明的基于多尺度分割的SAR图像CFAR目标检测方法中，步骤4中检测阈值为根据下述方程求解得出：
式中，pfa为人工设定的虚警，T为求解的检测阈值，为G0分布的累积分布函数；其中，
进一步地，在本发明的基于多尺度分割的SAR图像CFAR目标检测方法中，步骤5包括如下步骤：
将所有像元值A1,A2···Ai分别与求解出的检测阈值进行比较，如果像元值Ak大于求解出的检测阈值，则认为是目标，在将对应的像素赋值为1，否则认为是背景，在将对应的像素赋值为0；所有赋值为1的像素共同形成该多尺度分割图像块K的检测目标。
根据本发明的另一方面，本发明为解决其技术问题，还提供了一种基于多尺度分割的SAR图像CFAR目标检测系统，该系统包含如下模块：
初始分割模块，用于获取原始的SAR幅度图像，使用SLIC超像素方法进行初始分割，得到初始分割后形成的多个初始分割图像块；
多尺度分割模块，用于依次计算各个初始分割图像块与各个相邻初始分割图像块的共同异质度，对于任意一初始分割图像块，将共同异质度最小的相邻初始分割图像块进行合并，得到多尺度分割后形成的多尺度分割图像块；
参数估计模块，用于将一个多尺度分割图像块作为一个检测窗口，在检测窗口内部进行G0分布的参数估计；
阈值求解模块，用于根据参数估计结果，结合CFAR阈值方程求解检测阈值；
窗口目标检测模块，用于根据求解出的检测阈值进行窗口内的目标检测；
全局目标检测模块，用于重复调用参数估计模块、阈值求解模块以及窗口目标检测模块，对每个多尺度分割图像块分别进行目标检测，以完成全局范围内的目标检测。
进一步地，在本发明的基于多尺度分割的SAR图像CFAR目标检测系统中，参数估计模块具体包括如下子模块：
多尺度分割图像块遍历子模块，用于遍历一多尺度分割图像块K，取出该多尺度分割图像块K包含的所有像素(K1,K2···Ki)的坐标值((x1,y1),(x2,y2)···(xi,yi))；
SAR幅度图像遍历子模块，用于遍历所述SAR幅度图像，从中依据坐标值((x1,y1),(x2,y2)···(xi,yi))取出所有像元值(A1,A2···Ai)作为参数估计的样本；
参数估计求解子模块，用于采用基于梅林变换的对数累积量估计方法来实现G0分布参数估计，估计出待估计参数和参数估计时采用下述公式进行求解和
式中，和为G0分布中的待估参数，和分别为所述样本的1阶和2阶对数累积量，ψ(x)为digamma函数，ψ(k,x)表示k阶polygamma函数，L为等效视数，α为形状参数，取值必须小于0，γ为尺度参数，取值大于0，
进一步地，在本发明的基于多尺度分割的SAR图像CFAR目标检测系统中，所述阈值求解模块中检测阈值为根据下述方程求解得出：
式中，pfa为人工设定的虚警，T为求解的检测阈值，为G0分布的累积分布函数；其中，
进一步地，在本发明的基于多尺度分割的SAR图像CFAR目标检测系统中，所述窗口目标检测模块具体用于将所有像元值A1,A2···Ai分别与求解出的检测阈值进行比较，如果像元值Ak大于求解出的检测阈值，则认为是目标，在将对应的像素赋值为1，否则认为是背景，在将对应的像素赋值为0；所有赋值为1的像素共同形成该多尺度分割图像块K的检测目标；其中k＝1、2、3、…、i。
实施本发明的基于多尺度分割的SAR图像CFAR目标检测方法及系统，将多尺度分割引入CFAR目标检测充分发挥了多尺度分割的优势，利用分割图像块作为检测窗口，保证了窗口内部背景的同质性，增强了窗口内部杂波统计建模的准确性，提高了检测的精度；同时，多尺度分割能够将异质背景或者其他人工地物划分为一个单独的图像块，在图像块内部通过自适应阈值的确定消除大部分的杂波，抑制了检测结果中的虚警；本发明能够在实际应用中保证检测精度，抑制虚警目标的产生，实现大场景的复杂地表杂波背景下的快速目标检测。本发明与现有技术相比具有以下优点：
(1)将多尺度分割引入CFAR检测，使检测窗口内同质性更高，有利于参数估计及后续检测；
(2)每个像素仅参与一次参数解算，检测速度快；
(3)G0分布对于地表杂波拟合效果好，检测精度高，虚警率低。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例提供的一种基于多尺度分割的SAR图像CFAR目标检测方法的流程图；
图2是本发明基于多尺度分割的CFAR检测窗口示意图；
图3是本发明采用的G0分布对不同地表杂波的拟合情况；
图4是本发明使用的机载L波段HH极化SAR图像的输电塔架目标检测结果实例。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
请参考图1，本发明的实施例提供了种基于多尺度分割的SAR图像CFAR目标检测方法的流程图，该方法包含如下步骤：
步骤1：获取原始的SAR幅度图像，使用SLIC超像素作为初始分割，得到初始分割后形成的多个初始分割图像块。在本实施例中SAR幅度图像为彩色图像，但是本发明不限于此。初始分割的方法如下：
步骤1.1：根据SAR幅度图像的像元值，将图像拉伸为0-225的灰度图像，对于像元Ai，转化为灰度图像Gi的计算公式为：
步骤1.2：根据灰度图像在局部范围内完成K均值迭代聚类。确定期望的超像素大小g2，进而确定步长g，按照步长采样选取种子点，在每个中心种子点2g*2g局部范围内分别计算每个像素和对应种子点间的距离，根据该距离进行局部K均值迭代聚类，直至收敛或达到最大迭代次数，即生成超像素。
步骤1.3：将图像块大小小于预设值的初步超像素图像块与相邻初步超像素图像块合并，生成所述初始分割的分割结果。在本发明的另一些实施例中，步骤1.3可以不要，只保留步骤1.1、步骤1.2。
步骤2：依次计算各个初始分割图像块与各个相邻初始分割图像块的共同异质度，对于任意一初始分割图像块，将共同异质度最小的相邻初始分割图像块进行合并，得到多尺度分割后形成的多尺度分割图像块。具体步骤为：
步骤2.1：计算每一初始分割图像块与相邻初始分割图像块的共同异质度，具体计算公式为：
式中：Var(x)表示初始分割图像块及与其相邻的初始分割图像块的内部所有像素的方差，表示初始分割图像块及与其相邻的初始分割图像块的内部所有像素的均值，cv表示变差系数，用来表征图像块的异质度大小。
步骤2.2：比较当前初始分割图像块与不同相邻初始分割图像块间的异质度大小。在搜索当前初始分割图像块的相邻初始分割图像块时，需要搜索当前初始分割图像块边缘所有像素的邻域，当该像素的邻域存在其他初始分割图像块时，则认为该其他初始分割图像块与当前初始分割图像块相邻。
步骤2.3：比较当前初始分割图像块所有相邻初始分割图像块的共同异质度大小，如果共同异质度是所有相邻初始分割图像块中最小的，则合并这两个初始分割图像块。初始分割图像块的合并过程中整幅图像的平均异质度不断增加，每一初始分割图像块的大小也随之增大，而初始分割图像块的数量不断减少。本发明在合并初始分割图像块时，是依次对各个图像块为处理对象，将该处理对象与该处理对象相邻的具有最小共同异质度的相邻初始分割图像块合并的，若某个初始分割图像块在之前已经被合并，则后续不再以其为处理对象。
步骤3：将一个多尺度分割图像块作为一个检测窗口，在检测窗口内部进行G0分布的参数估计；参见图2，具体步骤为：
步骤3.1：遍历一多尺度分割图像块K，取出多尺度分割图像块K包含的所有像素(K1,K2···Ki)的坐标值((x1,y1),(x2,y2)···(xi,yi))；
步骤3.2：遍历上述SAR幅度图像，依据坐标值((x1,y1),(x2,y2)···(xi,yi))取出所有像元值(A1,A2···Ai)作为参数估计的样本；
G0幅度分布的概率密度函数如下：
式中，α为形状参数，其取值必须小于0，γ为尺度参数，需大于0，L为等效视数，一般由先验知识给出，因此需要估计的参数有α和γ。
步骤3.3：基于G0分布进行参数估计。G0分布参数估计采用基于梅林变换的对数累积量估计，具体的估计公式如下：
式中，和为G0分布中的待估参数，和分别为样本的1阶和2阶对数累积量，ψ(x)为digamma函数，ψ(k,x)表示k阶polygamma函数，通过数值方法求解上述方程，可以得到分布的参数估计结果。
步骤4：求解CFAR检测阈值的具体方程为：
式中，pfa为人工设定的虚警，T为求解的检测阈值，为G0分布的累积分布函数，其形式如下：
该式无法获得解析表达式，常用的方法是通过数值积分进行求解。
步骤5：根据检测阈值进行窗口内的目标检测的具体步骤为：
步骤5.1：遍历分割结果图像，取出多尺度分割图像块K包含的所有像素(K1,K2···Ki)的坐标值((x1,y1),(x2,y2)···(xi,yi))；
步骤5.2：遍历SAR幅度图像，依据坐标值((x1,y1),(x2,y2)···(xi,yi))取出所有像元值(A1,A2···Ai)，Ai与检测阈值T的大小，如果大于检测阈值，则认为是目标，在检测结果图像上赋为1，否则认为是背景，在检测结果图像上赋为0。
将多尺度分割引入CFAR目标检测充分发挥了多尺度分割的优势，利用分割多尺度分割图像块作为检测窗口，保证了窗口内部背景的同质性，增强了窗口内部杂波统计建模的准确性，提高了检测的精度；同时，多尺度分割能够将异质背景或者其他人工地物划分为一个单独的图像块，在图像块内部通过自适应阈值的确定消除大部分的杂波，抑制了检测结果中的虚警；该方法能够在实际应用中保证检测精度，抑制虚警目标的产生，实现大场景的复杂地表杂波背景下的快速目标检测。
下面结合实例对本发明的效果作进一步的描述。
1.实例内容：
本发明实例实验的结果如图4所示。图4(a)为美国SDelta地区的单视UAVSAR数据，图像的大小为2253×1178像素，极化方式为HH极化。其中，图像的方位向分辨率为2.2米，距离向分辨率为0.98米，共包含28个输电塔，均用矩形框出，除此之外图中还包含了建筑物和风车等人工地物，容易对输电塔架目标检测产生干扰；图4(b)为多尺度分割的结果图；图4(c)为最终的检测结果图，其中漏检目标用三角形框出，虚警目标用椭圆形框出。
2.实验结果与分析：
从图3(a)、图3(b)、图3(c)、图3(d)可以看出G0分布能够很好拟合不同类型的地表背景，有利于后续的CFAR目标检测；从图4(b)可以看出，利用多尺度分割的方法，使得同质区域能够出现在同一检测窗口中，有利于后续的CFAR目标检测；从图4(c)可以看出，基于多尺度分割的SAR图像CFAR目标检测方法能够与有效识别复杂地表背景下的输电塔架目标，并且抑制检测结果中出现的虚警，提高了检测速度。
本发明在传统CFAR检测的基础上，引入了多尺度分割，结合了滑窗CFAR方法和全局CFAR检测的优势，保证了检测窗口内部杂波的同质性，提高了检测的正确率，同时抑制了检测结果中的虚警，保证了检测效率。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种基于多尺度分割的SAR图像CFAR目标检测方法，其特征在于，包含如下步骤：
步骤1：获取原始的SAR幅度图像，使用SLIC超像素方法进行初始分割，得到初始分割后形成的多个初始分割图像块；
步骤2：依次计算各个初始分割图像块与各个相邻初始分割图像块的共同异质度，对于任意一初始分割图像块，将共同异质度最小的相邻初始分割图像块进行合并，得到多尺度分割后形成的多尺度分割图像块；
步骤3：将一个多尺度分割图像块作为一个检测窗口，在检测窗口内部进行G0分布的参数估计；
步骤4：根据参数估计结果，结合CFAR阈值方程求解检测阈值；
步骤5：根据求解出的检测阈值进行窗口内的目标检测；
步骤6:重复步骤3到步骤5，对每个多尺度分割图像块分别进行目标检测，以完成全局范围内的目标检测。
2.根据权利要求1所述的基于多尺度分割的SAR图像CFAR目标检测方法，其特征在于，步骤1具体包括如下步骤：
步骤1.1：根据所述SAR幅度图像生成灰度图像；
步骤1.2：根据所述灰度图像在局部范围内完成K均值迭代聚类，生成初步超像素图像块；
步骤1.3：将图像块大小小于预设值的初步超像素图像块与相邻初步超像素图像块合并，生成所述初始分割的分割结果。
3.权利要求1所述的基于多尺度分割的SAR图像CFAR目标检测方法，其特征在于，
步骤2中，计算初始分割图像块之间的共同异质度的具体公式为：
式中：Var(x)表示初始分割图像块及与其相邻的初始分割图像块的内部所有像素的方差，表示初始分割图像块及与其相邻的初始分割图像块的内部所有像素的均值，cv表示变差系数，用来表征共同异质度大小。
4.权利要求1所述的基于多尺度分割的SAR图像CFAR目标检测方法，其特征在于，
步骤3具体包括如下步骤：
步骤3.1：遍历一多尺度分割图像块K，取出该多尺度分割图像块K包含的所有像素(K1,K2···Ki)的坐标值((x1,y1),(x2,y2)···(xi,yi))；
步骤3.2：遍历所述SAR幅度图像，从中依据坐标值((x1,y1),(x2,y2)···(xi,yi))取出所有像元值(A1,A2···Ai)作为参数估计的样本；
步骤3.3：采用基于梅林变换的对数累积量估计方法来实现G0分布参数估计，估计出待估计参数和参数估计时采用下述公式进行求解和
式中，和为G0分布中的待估参数，和分别为所述样本的1阶和2阶对数累积量，ψ(x)为digamma函数，ψ(k,x)表示k阶polygamma函数，L为等效视数，α为形状参数，取值必须小于0，γ为尺度参数，取值大于0，
5.权利要求4所述的基于多尺度分割的SAR图像CFAR目标检测方法，其特征在于，
步骤4中检测阈值为根据下述方程求解得出：
式中，pfa为人工设定的虚警，T为求解的检测阈值，为G0分布的累积分布函数；其中，
6.权利要求4所述的基于多尺度分割的SAR图像CFAR目标检测方法，其特征在于，步骤5包括如下步骤：
将所有像元值A1,A2···Ai分别与求解出的检测阈值进行比较，如果像元值Ak大于求解出的检测阈值，则认为是目标，在将对应的像素赋值为1，否则认为是背景，在将对应的像素赋值为0；所有赋值为1的像素共同形成该多尺度分割图像块K的检测目标。
7.一种基于多尺度分割的SAR图像CFAR目标检测系统，其特征在于，包含如下模块：
初始分割模块，用于获取原始的SAR幅度图像，使用SLIC超像素方法进行初始分割，得到初始分割后形成的多个初始分割图像块；
多尺度分割模块，用于依次计算各个初始分割图像块与各个相邻初始分割图像块的共同异质度，对于任意一初始分割图像块，将共同异质度最小的相邻初始分割图像块进行合并，得到多尺度分割后形成的多尺度分割图像块；
参数估计模块，用于将一个多尺度分割图像块作为一个检测窗口，在检测窗口内部进行G0分布的参数估计；
阈值求解模块，用于根据参数估计结果，结合CFAR阈值方程求解检测阈值；
窗口目标检测模块，用于根据求解出的检测阈值进行窗口内的目标检测；
全局目标检测模块，用于重复调用参数估计模块、阈值求解模块以及窗口目标检测模块，对每个多尺度分割图像块分别进行目标检测，以完成全局范围内的目标检测。
8.权利要求7所述的基于多尺度分割的SAR图像CFAR目标检测系统，其特征在于，参数估计模块具体包括如下子模块：
多尺度分割图像块遍历子模块，用于遍历一多尺度分割图像块K，取出该多尺度分割图像块K包含的所有像素(K1,K2···Ki)的坐标值((x1,y1),(x2,y2)···(xi,yi))；
SAR幅度图像遍历子模块，用于遍历所述SAR幅度图像，从中依据坐标值((x1,y1),(x2,y2)···(xi,yi))取出所有像元值(A1,A2···Ai)作为参数估计的样本；
参数估计求解子模块，用于采用基于梅林变换的对数累积量估计方法来实现G0分布参数估计，估计出待估计参数和参数估计时采用下述公式进行求解和
式中，和为G0分布中的待估参数，和分别为所述样本的1阶和2阶对数累积量，ψ(x)为digamma函数，ψ(k,x)表示k阶polygamma函数，L为等效视数，α为形状参数，取值必须小于0，γ为尺度参数，取值大于0，
9.权利要求8所述的基于多尺度分割的SAR图像CFAR目标检测系统，其特征在于，所述阈值求解模块中检测阈值为根据下述方程求解得出：
式中，pfa为人工设定的虚警，T为求解的检测阈值，为G0分布的累积分布函数；其中，
10.权利要求8所述的基于多尺度分割的SAR图像CFAR目标检测系统，其特征在于，所述窗口目标检测模块具体用于将所有像元值A1,A2···Ai分别与求解出的检测阈值进行比较，如果像元值Ak大于求解出的检测阈值，则认为是目标，在将对应的像素赋值为1，否则认为是背景，在将对应的像素赋值为0；所有赋值为1的像素共同形成该多尺度分割图像块K的检测目标。
CN201810503713.8A 2018-05-23 2018-05-23 一种基于多尺度分割的sar图像cfar目标检测方法与系统 Pending CN108985292A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810503713.8A CN108985292A (zh) 2018-05-23 2018-05-23 一种基于多尺度分割的sar图像cfar目标检测方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810503713.8A CN108985292A (zh) 2018-05-23 2018-05-23 一种基于多尺度分割的sar图像cfar目标检测方法与系统

Publications (1)

Publication Number Publication Date
CN108985292A true CN108985292A (zh) 2018-12-11

Family

ID=64542629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810503713.8A Pending CN108985292A (zh) 2018-05-23 2018-05-23 一种基于多尺度分割的sar图像cfar目标检测方法与系统

Country Status (1)

Country Link
CN (1) CN108985292A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114973013A (zh) * 2022-05-25 2022-08-30 甘肃省地震局（中国地震局兰州地震研究所） 一种基于空间特征的sar图像电塔识别的推理方法
CN115063590A (zh) * 2022-07-08 2022-09-16 清华大学 基于sar图像超像素融合的cfar目标检测方法、装置和设备
CN116030352A (zh) * 2023-03-29 2023-04-28 山东锋士信息技术有限公司 融合多尺度分割和超像素分割的长时序土地利用分类方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6897802B1 (en) * 2003-11-10 2005-05-24 Raytheon Company Fusion of shape and multiscale features for unknown target rejection
CN101975940A (zh) * 2010-09-27 2011-02-16 北京理工大学 基于分割组合的sar图像自适应恒虚警率目标检测方法
CN102938150A (zh) * 2012-11-20 2013-02-20 西安电子科技大学 基于自适应海杂波统计的sar图像舰船检测方法
CN103593852A (zh) * 2013-11-29 2014-02-19 中国科学院光电研究院 基于同质图斑的高光谱影像异常探测方法
CN104680538A (zh) * 2015-03-09 2015-06-03 西安电子科技大学 基于超像素的sar图像cfar目标检测方法
CN105118065A (zh) * 2015-09-14 2015-12-02 中国民航大学 小波域极化距离变换的极化sar图像变化检测方法
CN105549009A (zh) * 2015-12-09 2016-05-04 电子科技大学 一种基于超像素的sar图像cfar目标检测方法
CN105913456A (zh) * 2016-04-12 2016-08-31 西安电子科技大学 基于区域分割的视频显著性检测方法
CN107122764A (zh) * 2017-05-22 2017-09-01 中国人民解放军国防科学技术大学 基于KpN模型的海上舰船目标检测方法
CN107180434A (zh) * 2017-05-23 2017-09-19 中国地质大学（武汉） 基于超像素和分形网络演化算法的极化sar图像分割方法
CN107527054A (zh) * 2017-09-19 2017-12-29 西安电子科技大学 基于多视角融合的前景自动提取方法
CN107808380A (zh) * 2016-12-28 2018-03-16 中国测绘科学研究院 一种基于G0和Gamma联合分布的多尺度高分辨率SAR影像水体分割方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6897802B1 (en) * 2003-11-10 2005-05-24 Raytheon Company Fusion of shape and multiscale features for unknown target rejection
CN101975940A (zh) * 2010-09-27 2011-02-16 北京理工大学 基于分割组合的sar图像自适应恒虚警率目标检测方法
CN102938150A (zh) * 2012-11-20 2013-02-20 西安电子科技大学 基于自适应海杂波统计的sar图像舰船检测方法
CN103593852A (zh) * 2013-11-29 2014-02-19 中国科学院光电研究院 基于同质图斑的高光谱影像异常探测方法
CN104680538A (zh) * 2015-03-09 2015-06-03 西安电子科技大学 基于超像素的sar图像cfar目标检测方法
CN105118065A (zh) * 2015-09-14 2015-12-02 中国民航大学 小波域极化距离变换的极化sar图像变化检测方法
CN105549009A (zh) * 2015-12-09 2016-05-04 电子科技大学 一种基于超像素的sar图像cfar目标检测方法
CN105913456A (zh) * 2016-04-12 2016-08-31 西安电子科技大学 基于区域分割的视频显著性检测方法
CN107808380A (zh) * 2016-12-28 2018-03-16 中国测绘科学研究院 一种基于G0和Gamma联合分布的多尺度高分辨率SAR影像水体分割方法
CN107122764A (zh) * 2017-05-22 2017-09-01 中国人民解放军国防科学技术大学 基于KpN模型的海上舰船目标检测方法
CN107180434A (zh) * 2017-05-23 2017-09-19 中国地质大学（武汉） 基于超像素和分形网络演化算法的极化sar图像分割方法
CN107527054A (zh) * 2017-09-19 2017-12-29 西安电子科技大学 基于多视角融合的前景自动提取方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ALEJANDRO CESAR FRERY 等: "A Model for Extremely Heterogeneous Clutter", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
ZHU ZHENG-WEI 等: "A MoLC+MoM-based G0 distribution parameter estimation method with application to synthetic aperture radar target detection", 《J. CENT. SOUTH UNIV.》 *
宋文青 等: "高分辨SAR图像自动区域检测目标检测算法", 《电子与信息学报》 *
赵明波 等: "SAR图像CFAR检测的快速算法综述", 《自动化学报》 *
赵荻 等: "基于模型相似度拟合的海杂波统计方法", 《海洋学报》 *
陈启浩: "面向对象的多源遥感数据分类技术研究与实现", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
鲁统臻 等: "基于G0分布的高海况SAR船只目标检测方法", 《海洋科学进展》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114973013A (zh) * 2022-05-25 2022-08-30 甘肃省地震局（中国地震局兰州地震研究所） 一种基于空间特征的sar图像电塔识别的推理方法
CN115063590A (zh) * 2022-07-08 2022-09-16 清华大学 基于sar图像超像素融合的cfar目标检测方法、装置和设备
CN116030352A (zh) * 2023-03-29 2023-04-28 山东锋士信息技术有限公司 融合多尺度分割和超像素分割的长时序土地利用分类方法

Similar Documents

Publication Publication Date Title
JP6759475B2 (ja) シーンの多次元特徴に基づく船舶検出方法及びシステム
Li et al. An improved superpixel-level CFAR detection method for ship targets in high-resolution SAR images
CN111582089A (zh) 基于卫星红外与可见光图像的海上目标信息融合方法
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
CN104834915B (zh) 一种复杂云天背景下小红外目标检测方法
CN105184804B (zh) 基于机载红外相机航拍图像的海面小目标检测方法
CN111666854B (zh) 融合统计显著性的高分辨率sar影像车辆目标检测方法
Lipschutz et al. New methods for horizon line detection in infrared and visible sea images
CN108985292A (zh) 一种基于多尺度分割的sar图像cfar目标检测方法与系统
Shaoqing et al. The comparative study of three methods of remote sensing image change detection
CN112487912B (zh) 基于改进YOLOv3的任意方向舰船检测方法
CN111611965B (zh) 一种基于Sentinel-2影像的陆表水体提取方法
CN108230375A (zh) 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法
CN115983141B (zh) 一种基于深度学习反演海浪波高的方法、介质及系统
CN113486819A (zh) 一种基于YOLOv4算法的船舶目标检测方法
CN114549642B (zh) 一种低对比度红外弱小目标检测方法
Ni et al. Hurricane eye morphology extraction from SAR images by texture analysis
CN112800932B (zh) 海上背景下显著船舶目标的检测方法及电子设备
CN113570554A (zh) 一种基于场景深度的单幅图像能见度检测方法
Raj et al. A novel Ship detection method from SAR image with reduced false alarm
CN105551029A (zh) 一种多光谱遥感图像舰船检测方法
CN115205216A (zh) 一种基于显著性和加权引导滤波的红外小目标检测方法
CN111008555B (zh) 一种无人机图像弱小目标增强提取方法
CN113379714A (zh) 基于深度卷积神经网络的光学遥感图像目标检测系统
CN112766032A (zh) 一种基于多尺度和超像素分割的sar图像显著图生成方法

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: 20181211