CN109031294B - 基于相似性检验的极化sar舰船目标检测方法 - Google Patents

基于相似性检验的极化sar舰船目标检测方法 Download PDF

Info

Publication number
CN109031294B
CN109031294B CN201810781493.5A CN201810781493A CN109031294B CN 109031294 B CN109031294 B CN 109031294B CN 201810781493 A CN201810781493 A CN 201810781493A CN 109031294 B CN109031294 B CN 109031294B
Authority
CN
China
Prior art keywords
pixel point
ship target
polarized sar
ship
matrix
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
CN201810781493.5A
Other languages
English (en)
Other versions
CN109031294A (zh
Inventor
陈思伟
代大海
李永祯
王雪松
肖顺平
陶臣嵩
崔兴超
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201810781493.5A priority Critical patent/CN109031294B/zh
Publication of CN109031294A publication Critical patent/CN109031294A/zh
Application granted granted Critical
Publication of CN109031294B publication Critical patent/CN109031294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/904—SAR modes
    • G01S13/9076—Polarimetric features in SAR
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9027—Pattern recognition for feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/904—SAR modes

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种基于相似性检验的极化SAR舰船目标检测方法，具体包括下述步骤：第一步，基于极化矩阵进行相似性检验；第二步，统计中心像素点邻域内的相似像素点个数；第三步，确定候选舰船目标像素点；第四步，形态学滤波处理；即可得到极化SAR舰船目标检测的最终检测结果图。本发明实现简单，实施方便，检测性能高，特别是对于舰船目标密集区域检测性能也可保障。

Description

基于相似性检验的极化SAR舰船目标检测方法
技术领域
本发明属于极化SAR(SyntheticApertureRadar，合成孔径雷达)成像遥感技术领域，涉及一种基于相似性检验的极化SAR舰船目标检测方法。
背景技术
极化SAR能够全天时全天候工作，已经成为对地观测领域的重要传感器。它通过获取全极化信息，为目标散射特性的准确解译和有效利用提供支撑。
舰船目标检测是极化SAR图像解译的应用之一，在海运交通、渔船管控、近岸侦查、远洋预警等民用和军用领域都有重要意义。现有的极化SAR舰船目标检测方法主要先从获取的全极化信息中得到检测特征，再利用检测器完成对舰船目标的分离与提取。在此过程中，为提高极化SAR舰船目标的检测性能，在提取或优选检测特征时，一般通过散射机理建模和解译等手段，从全极化信息中得到舰船目标和海面背景对比度较高的检测特征。文献Jing-Lu He,Ying-Hua Wang,Hong-Wei Liu,Ning Wang,Jian Wang,“A Novel AutomaticPolSAR Ship Detection Method Based on Superpixel-Level Local Information”,IEEE Geoscience and Remote Sensing Letters,vol.15,no.13,pp.384-388,Mar.2018即利用像素块之间的相似性作为检测特征，从而进行极化SAR舰船目标检测。然而，该方法在舰船目标密集区域的检测性能较低。针对这一问题，通过探究极化SAR图像中各像素点之间的相似性，发展一种基于相似性检验的极化SAR舰船目标检测方法具有重要意义。
发明内容
本发明要解决的技术问题是，提供一种基于相似性检验的极化SAR舰船目标检测方法。本发明方法可以直接用于相干斑滤波后的极化SAR图像进行检测处理，实现简单，实施方便，检测性能高，特别是对于舰船目标密集区域。
本发明的基本思路是：考虑极化SAR图像中每个像素点与以其为中心的邻域内各像素点的相似度参数，进而确定各邻域中心像素点的SPN(Similar Pixel Number，相似像素点个数)。对于内部结构较为复杂的舰船目标，其散射特性差异较大导致相应像素点的SPN较小；而对于均匀的海杂波背景，其散射特性较为相似导致相应像素点的SPN较大。因此，极化SAR图像中的舰船目标相对于海杂波背景在SPN的取值大小方面存在明显差异，SPN可作为使舰船目标和海面背景对比度提高的检测特征。本发明基于这种由相似性检验所得的检测特征，实现对极化SAR图像的舰船目标检测处理。
本发明的技术方案是：一种基于相似性检验的极化SAR舰船目标检测方法，具体包括下述步骤：
已知极化SAR图像中的任意像素点(i,j)，其对应的极化相干矩阵或极化协方差矩阵记为Xij，i＝1,2,…,I，j＝1,2,…,J(I为极化SAR图像的总行数，J为极化SAR图像的总列数)。在以该像素点(i,j)为中心的M×N大小的邻域内(M为邻域的行数，N为邻域的列数，两者均为奇数，且具体取值与极化SAR图像的分辨率和多视数目有关)，对极化矩阵Xij进行下面第一步至第三步的处理：
第一步，基于极化矩阵进行相似性检验：
针对极化矩阵Xij和其邻域内每一个像素点相应的极化矩阵X(i+m)(j+n)，
Figure BDA0001732696580000021
计算Xij与X(i+m)(j+n)之间的相似度参数lnQij-mn：
lnQij-mn＝6ln2+ln|Xij|+ln|X(i+m)(j+n)|-2ln|Xij+X(i+m)(j+n)|
其中，ln·表示取自然对数，|·|表示取矩阵行列式。
由上述公式可知，当m＝n＝0时，lnQij-mn＝0；否则，lnQij-mn＜0。
第二步，统计中心像素点邻域内的相似像素点个数：
对像素点(i,j)与其M×N邻域内每个像素点的相似度参数，进行如下判断：
如果lnQij-mn≥Th，则认为Xij对应的像素点与X(i+m)(j+n)对应的像素点相似；否则，认为Xij对应的像素点与X(i+m)(j+n)对应的像素点不相似。其中，Th为先验参数，与极化SAR图像分辨率和目标特性有关。
对像素点(i,j)，统计其M×N邻域内与之相似的像素点个数，记为SPNij。
第三步，确定候选舰船目标像素点：
对像素点(i,j)对应的SPNij，通过门限比较，判断其是否为候选舰船目标像素点，即：
当SPNij＜k×M×N时，将像素点(i,j)作为候选舰船目标像素点；否则，将像素点(i,j)作为非舰船目标像素点。其中，k为门限系数，与极化SAR图像分辨率以及M和N的取值有关，且一般有k≤0.5。
通过上述三个步骤即可得到候选舰船目标图像，其大小与原极化SAR图像大小一致，通常候选舰船目标像素点的灰度值取1，非舰船目标像素点的灰度值取0。此外，对于候选舰船目标图像的边缘像素的处理采用公知方法即可。
第四步，形态学滤波处理：
采用形态学滤波处理中的开处理方法对候选舰船目标图像进行处理，得到极化SAR舰船目标检测的最终检测结果图。
这是因为在前面步骤所得候选舰船目标图像中可能会存在一些孤立的候选舰船目标像素点，它们显然不是真正的舰船目标，需要被剔除掉。
本发明可取得以下技术效果：
本发明所述的基于相似性检验的极化SAR舰船目标检测方法，利用舰船目标像素点和海杂波背景像素点对应SPN取值大小的差异，实现极化SAR舰船目标检测。具体基于相干斑滤波后的极化SAR图像，对其中任意像素点，在以其为中心的邻域内进行相似性检验，进而得到相应的SPN；再将所有的SPN通过门限比较，得到候选舰船目标图像；最后利用形态学滤波的开处理方法，得到极化SAR舰船目标检测的最终检测结果图。本发明方法可以直接用于相干斑滤波后的极化SAR图像进行检测处理，实现简单，实施方便，检测性能高，特别是对于舰船目标密集区域。
附图说明
图1是本发明实施流程图；
图2是相干斑滤波后的极化SAR图像；
图3是SPN特征图；
图4是候选舰船目标图像；
图5是极化SAR舰船目标检测的最终检测结果图。
具体实施方式
为了更好地理解本发明的技术方案，以下结合附图对本发明的实施方式作进一步描述。
图1为本发明实施流程图。输入为相干斑滤波后的极化SAR图像，实施过程主要由四步组成：第一步，基于极化矩阵进行相似性检验；第二步，统计中心像素点邻域内的相似像素点个数；第三步，确定候选舰船目标像素点；第四步，形态学滤波处理，最终得到极化SAR舰船目标检测的最终检测结果图。
图2至图5是利用本发明方法对某系统在中国某海域舰船目标密集区域所获得的极化SAR图像进行舰船目标检测处理的过程及结果，已知该极化SAR图像中包括55个舰船目标。
图2为相干斑滤波后的极化SAR图像。对极化SAR图像采用SimiTest算法进行相干斑滤波，即可得到相干斑滤波后极化SAR图像中任意像素点对应的极化相干矩阵或极化协方差矩阵。
图3为SPN特征图。具体地，检测过程中利用的极化矩阵为极化相干矩阵。在第一步基于极化矩阵进行相似性检验时，邻域的大小为M＝15且N＝15。在第二步统计中心像素点邻域内的相似像素点个数时，相似度参数的门限取值为Th＝-2。在图3中，每个像素点的灰度值表示SPN取值，SPN取值越大，对应的灰度值越大，即在图像中显示越“白”。
图4为候选舰船目标图像。具体地，在第三步确定候选舰船目标像素点时，SPN的门限系数取值为k＝0.5。在图4中，灰度值取1的像素点表示候选舰船目标像素点，灰度值取0的像素点表示非舰船目标像素点。从图4可以看出，其中存在一些孤立的近似舰船目标像素点(即干扰像素点)被确定为候选舰船目标像素点。
图5为极化SAR舰船目标检测的最终检测结果图。具体地，在第四步形态学滤波处理时，开处理方法中的门限设定为10，即开处理方法剔除了像素点数目小于或等于10的孤立像素块。在图5中，“白色”(灰度值取1)表示最终检测得到的舰船目标，而“黑色”(灰度值取0)则表示非舰船目标。从该检测结果图可知，在该舰船目标密集区域，全部55个舰船目标全部都被正确检测出来，不存在虚警以及漏检。

Claims (2)

1.一种基于相似性检验的极化SAR舰船目标检测方法，SAR是指合成孔径雷达，
已知极化SAR图像中的任意像素点(i,j)，其对应的极化矩阵记为Xij，i＝1,2,,I，j＝1,2,,J；I为极化SAR图像的总行数，J为极化SAR图像的总列数；
其特征在于包括以下步骤：
在以该像素点(i,j)为中心的M×N大小的邻域内，M和N均为奇数，两者取值与极化SAR图像的分辨率和多视数目有关，对极化矩阵Xij进行下面第一步至第三步的处理：
第一步，基于极化矩阵进行相似性检验：
针对像素点(i,j)的M N邻域内每一个像素点相应的极化矩阵X(i+m)(j+n)，
Figure FDA0002567584730000011
计算Xij与X(i+m)(j+n)之间的相似度参数lnQij-mn：
ln Qij-mn＝6 ln 2+ln|Xij|+ln|X(i+m)(j+n)|-2 ln|Xij+X(i+m)(j+n)|
其中，ln表示取自然对数，| |表示取矩阵行列式；
第二步，统计中心像素点邻域内的相似像素点个数：
对像素点(i,j)与其M×N邻域内每个像素点的相似度参数，进行如下判断：
如果lnQij-mn≥Th，则认为Xij对应的像素点与X(i+m)(j+n)对应的像素点相似；否则，认为Xij对应的像素点与X(i+m)(j+n)对应的像素点不相似；其中，Th为先验参数，与极化SAR图像分辨率和目标特性有关；
对像素点(i,j)，统计其M×N邻域内与之相似的像素点个数，记为SPNij；
第三步，确定候选舰船目标像素点：
利用像素点(i,j)对应的SPNij，进行下述判断：
当SPNij＜k×M×N时，将像素点(i,j)作为候选舰船目标像素点；否则，将像素点(i,j)作为非舰船目标像素点；其中，k为门限系数，且k≤0.5；
通过上述三个步骤得到候选舰船目标图像；
第四步，形态学滤波处理：
采用形态学滤波处理中的开处理方法对候选舰船目标图像进行处理，得到极化SAR舰船目标检测的最终检测结果图。
2.根据权利要求1所述的基于相似性检验的极化SAR舰船目标检测方法，其特征在于极化矩阵为极化相干矩阵或极化协方差矩阵。
CN201810781493.5A 2018-07-17 2018-07-17 基于相似性检验的极化sar舰船目标检测方法 Active CN109031294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810781493.5A CN109031294B (zh) 2018-07-17 2018-07-17 基于相似性检验的极化sar舰船目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810781493.5A CN109031294B (zh) 2018-07-17 2018-07-17 基于相似性检验的极化sar舰船目标检测方法

Publications (2)

Publication Number Publication Date
CN109031294A CN109031294A (zh) 2018-12-18
CN109031294B true CN109031294B (zh) 2020-09-08

Family

ID=64643378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810781493.5A Active CN109031294B (zh) 2018-07-17 2018-07-17 基于相似性检验的极化sar舰船目标检测方法

Country Status (1)

Country Link
CN (1) CN109031294B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717876B (zh) * 2019-10-21 2022-08-02 中国人民解放军国防科技大学 一种sar图像相干斑滤波和目标检测一体化方法和装置
CN110865340B (zh) * 2019-12-04 2022-03-29 上海无线电设备研究所 一种基于极化特性辅助的海面角反射器干扰对抗方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637296A (zh) * 2012-04-23 2012-08-15 中国民航大学 基于相似性特征分类的极化sar图像斑点抑制方法
CN103617628A (zh) * 2013-12-16 2014-03-05 北京航空航天大学 基于极化方位角正割函数特征的舰船检测方法
CN106340028A (zh) * 2016-09-18 2017-01-18 中国人民解放军国防科学技术大学 基于相似性检验的极化sar图像边缘检测方法
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
CN107680061A (zh) * 2017-10-10 2018-02-09 中国人民解放军国防科技大学 基于相似性检验的双极化sar图像相干斑滤波方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637296A (zh) * 2012-04-23 2012-08-15 中国民航大学 基于相似性特征分类的极化sar图像斑点抑制方法
CN103617628A (zh) * 2013-12-16 2014-03-05 北京航空航天大学 基于极化方位角正割函数特征的舰船检测方法
CN106340028A (zh) * 2016-09-18 2017-01-18 中国人民解放军国防科学技术大学 基于相似性检验的极化sar图像边缘检测方法
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
CN107680061A (zh) * 2017-10-10 2018-02-09 中国人民解放军国防科技大学 基于相似性检验的双极化sar图像相干斑滤波方法

Also Published As

Publication number Publication date
CN109031294A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN111027496B (zh) 基于空时联合局部对比度的红外弱小目标检测方法
CN102609701B (zh) 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法
CN107025654B (zh) 基于全局迭代检查的sar图像自适应船只检测方法
Cui et al. PolSAR ship detection based on polarimetric correlation pattern
Fan et al. Floating raft aquaculture information automatic extraction based on high resolution SAR images
JP2008292449A (ja) 水中で対象物を検知し分類する自動目標識別システム
CN109031294B (zh) 基于相似性检验的极化sar舰船目标检测方法
CN110263646A (zh) 一种基于卷积神经网络的海面弱目标探测方法和系统
CN104240257A (zh) 基于变化检测技术的sar图像舰船目标鉴别方法
CN110390338A (zh) 一种基于非线性引导滤波与比率梯度的sar高精度匹配方法
Moniruzzaman et al. Imaging and classification techniques for seagrass mapping and monitoring: A comprehensive survey
Shang et al. Automatic overlapping area determination and segmentation for multiple side scan sonar images mosaic
Xu et al. The comparative study of three methods of remote sensing image change detection
CN117237430B (zh) 一种高精度多时序水深反演方法、计算设备及存储介质
CN105046706B (zh) 基于有理多项式函数拟合海杂波的sar图像船只检测方法
CN106960443B (zh) 基于全极化时序sar图像的非监督变化检测的方法及装置
Li et al. SAR image nearshore ship target detection in complex environment
CN105046707B (zh) 基于n阶多项式函数拟合海杂波的SAR图像船只检测方法
Berov et al. An optimised method for scuba digital photography surveys of infralittoral benthic habitats: a case study from the SW Black Sea Cystoseira-dominated macroalgal communities
CN108710816B (zh) 一种基于概率融合的极化sar图像建筑物检测方法
Misra et al. An approach for generation of multi temporal co-registered optical remote sensing images from Resourcesat-2/2A sensors
CN108764016B (zh) 基于旋转域特征与cnn的极化sar图像舰船检测方法
Wang et al. An inshore ship detection method in SAR images based on contextual fluctuation information
Ao et al. Coastline detection with time series of SAR images
CN104732190A (zh) 一种基于正交纹理相关分析的合成孔径声纳目标检测方法

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