CN109461127B - 一种以解译为目的的sar图像稀疏正则化特征增强方法 - Google Patents
一种以解译为目的的sar图像稀疏正则化特征增强方法 Download PDFInfo
- Publication number
- CN109461127B CN109461127B CN201811228009.2A CN201811228009A CN109461127B CN 109461127 B CN109461127 B CN 109461127B CN 201811228009 A CN201811228009 A CN 201811228009A CN 109461127 B CN109461127 B CN 109461127B
- Authority
- CN
- China
- Prior art keywords
- sar image
- regularization
- feature enhancement
- value
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 79
- 230000008859 change Effects 0.000 claims abstract description 4
- 238000003384 imaging method Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种以解译为目的的SAR图像稀疏正则化特征增强方法,包括:建立基于稀疏正则化框架的SAR图像特征增强模型;采用基于L1/2范数的迭代阈值算法求解基于稀疏正则化框架的SAR图像特征增强模型,输出SAR图像特征增强结果。该SAR图像正则化特征增强方法以SAR图像目标检测为最终目标,通过设计的矩形窗检测器判断潜在目标区域和背景区域的特征增强变化情况,并对正则化参数进行自适应优化。最终获取的图像增强结果能够有效提升现有SAR目标检测算法的目标检测率,并降低虚警率。
Description
技术领域
本发明涉及合成孔径雷达图像处理技术,具体涉及一种以解译为目的的SAR图像稀疏正则化特征增强方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种分辨率极高的微波成像设备,采用脉冲压缩技术和合成孔径原理实现对地面场景的成像,具有全天候、全天时、远距离等特点,因此在环境监测、资源勘查、测绘以及战场侦查等领域都发挥着重要作用。SAR图像解译技术,即对SAR图像中感兴趣的区域或目标进行标记、识别和理解的技术,近些年来获得了飞速的发展。随着SAR图像分辨率的不断提高以及计算机技术的飞速发展,使得通过计算机实现对高分辨率SAR图像的自动目标检测和识别成为目前SAR图像解译技术的重要研究内容。然而,目前的自动SAR图像解译能力仍然不能满足我们对图像中感兴趣区域实现高精度检测和识别的需求。除了传统SAR图像解译方法的不足外,其更本质的原因是传统SAR成像的缺点导致的。传统SAR成像方法采用匹配滤波技术实现SAR图像在方位向和距离向的聚焦,其匹配过程在频域通过傅里叶变换的方式实现,这就导致最终的成像结果在距离向和方位向上均存在不同程度的旁瓣。当目标上的两个散射点距离与SAR的系统分辨率相近时,这两个点就会因为旁瓣的叠加而无法分辨。除此之外,旁瓣的叠加还会模糊目标的边缘区域,为后期的SAR图像分割和检测带来困难。因此,需要突破现有的SAR成像技术,才能在SAR图像解译领域实现突破性的进展。
压缩感知(Compressed Sensing,CS)理论及稀疏优化理论的提出为解决上述问题提供了新的思路和方法。一系列基于CS和稀疏优化理论的SAR成像方法被提出,如文章《Compressive radar imaging》(In Proc.IEEE Radar Conf.'07,Boston,MA,USA,2007:128-133.),《Sparse SAR imaging based on L1/2regularization》(Sci China Inf Sci,2012,55(11):1755-1775.),《Sparse microwave imaging:Principles andapplications》(Sci China Inf Sci,2012,55(3):1722-1754.)。实验表明,基于稀疏优化理论的SAR成像方法可以有效降低旁瓣,减小主瓣宽度,并实现高于雷达系统分辨率的超分辨成像。这些优点对SAR图像解译都有十分重要的帮助。然而,基于稀疏优化理论的SAR成像也面临诸多实际问题。其中最关键的问题就是较高的计算复杂度和庞大的观测矩阵维度,该问题在对大幅场景的稀疏SAR成像应用中变的更为突出。直接影响了稀疏SAR成像技术在SAR图像解译中的应用。
最近,中科院电子所提出了一种利用复图像数据进行SAR图像稀疏正则化增强的方法,如文章《Lq regularisation-based synthetic aperture radar image featureenhancement via iterative thresholding algorithm》(Electron.Lett.,2016,52(15)1336-1338.),《L1-Regularization-Based SAR Imaging and CFAR Detection viaComplex Approximated Message Passing,”》(IEEE Trans.Geosci.Remote Sens.,55(6),2017,3426-3440.)。该方法直接在基于匹配滤波的SAR成像结果上进行稀疏正则化处理,能够获得与稀疏正则化SAR成像方法相同的成像结果,且计算复杂度大大下降。更重要的是,该方法可以直接处理传统SAR图像数据,因而能够最大限度的利用现有的海量传统SAR图像库,从而大幅提高基于稀疏正则化SAR图像的图像解译能力。
在基于复图像数据的SAR稀疏正则化图像增强方法中,稀疏正则化参数的选取以及稀疏重构算法对最终图像增强的效果有非常重要的影响。稀疏正则化参数负责控制模型中正则化项的大小,从而控制输出图像结果的稀疏度,达到降低旁瓣,提高图像分辨率的目的。稀疏重构算法则决定了特征增强结果中哪些散射点需要通过重构保留下来,而哪些散射点需要舍弃。然而基于复图像数据的SAR稀疏正则化图像增强方法作为一项新兴的SAR图像处理技术,其现有的研究主要集中于如何获取更高的重构精度上,而忽略了图像增强的最终目标——利用图像增强结果更好的进行SAR图像目标解译。从已有文献来看,还没有以解译为目的进行正则化特征增强的方法出现。
发明内容
针对上述问题,本发明提出一种以解译为目的的SAR图像正则化增强方法。该方法的主要创新在于提出了一种新的基于目标前景和背景像素比率的正则化参数优化方法以及一种基于迭代软阈值(iteration soft thresholding algorithm,ITA)的L1/2范数重构算法。通过该方法对SAR图像进行正则化增强,再利用传统图像显著性检测的方法对输出图像进行目标检测,能够获得更高的目标检测率(probability of detection,PD)和较低的虚警率(false alarm rate,FAR)。
本发明提供一种以解译为目的的SAR图像稀疏正则化特征增强方法,包括下列步骤:
建立基于稀疏正则化框架的SAR图像特征增强模型;
采用基于L1/2范数的ITA算法求解第一步建立的SAR图像特征增强模型;
输出SAR图像特征增强结果。
优选的,基于稀疏正则化框架的SAR图像特征增强模型可以表示为:
Y=X+N (1)
其中Y为传统基于匹配滤波的SAR成像结果,X为经过稀疏正则化重构得到的特征增强结果,N为一个与X维数相同的矩阵,表示增强结果与原始图像的不同,其中包含系统噪声、待去除的旁瓣、背景杂波。
优选的,利用稀疏正则化理论,X可以通过下式进行求解:
基于L1/2范数的ITA算法,采用迭代阈值算法求解:
其中N为矩阵方位向维度,
公式(5)中,
优选的,正则化参数λ以目标检测为目的,利用原始SAR图像中的先验信息,自适应调整稀疏正则化参数λ方法获得,T取一个较小的阈值,T取值1×10-6。
优选的,设定λ初始值的选取准则为:
其中K表示成像场景的稀疏度,| |K+1表示第K+1个最大的幅度值,X(1)是X初始值。
优选的,自适应调整稀疏正则化参数λ方法包括:
步骤(1):设计一个矩形窗检测器,所述矩形窗检测器分为目标检测区域、背景保护区域以及背景检测区域,其中目标检测区域位于矩形窗检测器的中心位置;背景检测区域,负责检测图像背景的灰度统计信息;背景保护区域:负责区分目标检测区域与背景检测区域的一片保护区域;
步骤(2):预设原始SAR图像中的潜在目标长度为Lmax,选取L=1/2Lmax作为目标检测区域的边长,选取L作为目标检测区域与背景检测区域之间的间隔长度,选取L/2作为背景检测区域的宽度,利用该检测器计算潜在目标区域像素值和背景区域像素值之间的平均灰度比
其中Ptarget和Pclutter分别表示目标检测区域以及背景检测区域。表示第n+1次迭代时,图像X(n+1)中位于(x,y)处像素的灰度值,N(Ptarget)和N(Pclutter)则分别表示目标检测区域和背景检测区域中的像素个数;
优选的,正则化参数λ值迭代更新的具体步骤包括:
步骤①:利用SAR图像显著性检测方法获取原始SAR图像中的潜在目标;
步骤②:对于原始SAR图像中的某个单独潜在目标,利用设计好的矩形窗检测器通过公式(8)计算该区域的初始MIR值矩形窗检测器的中心位置选取该潜在目标区域中像素点的中心坐标,X初始值为X(1),通过公式(7)计算初始值λ(0),μ满足0<μ<1的条件;
步骤④:令n=n+1,重复步骤③直到λ值收敛。
优选的,选取μ=0.99。
优选的,具体步骤包括:
步骤S01:输入原始SAR图像;
步骤S02:进行原始SAR图像显著性检测;
步骤S03:获得潜在目标,目标长度设为Lmax;
步骤S04:根据步骤S03的目标长度,确定矩形窗检测器参数:选取L=1/2Lmax作为目标检测区域的边长,选取L作为目标检测区域与背景检测区域之间的间隔长度,选取L/2作为背景检测区域的宽度;
步骤S05:利用步骤S04的矩形窗检测器通过公式(8)计算该区域的初始MIR值矩形窗检测器的中心位置选取该潜在目标区域中像素点的中心坐标,X初始值为X(1),通过公式(7)计算初始值λ(0),μ满足0<μ<1的条件,然后设定迭代次数n=1,通过公式(3)-(6)计算得到重构结果X(n+1),然后通过公式(8)计算重构结果X(n+1)中对应区域新的
步骤S06:将和通过公式(9)更新正则化参数λ(n),令n=n+1,重复公式(3)-(6)计算得到重构结果X(n+1),然后通过公式(8)计算重构结果X(n+1)中对应区域新的并通过公式(9)更新正则化参数λ(n)直到λ值收敛;
步骤S07:梯度下降操作:将收敛的λ值代入公式(3);
步骤S08:ITA阈值迭代,通过公式(4)-(6)计算得到重构结果X(n+1);
步骤S09:更新重构结果X(n+1);
步骤S10:判断是否满足终止条件:将步骤S09得到的X(n+1)与上一次重构结果X(n)进行差值比较,当||X(n+1)-X(n)||F<T时,满足终止条件,进入步骤S11,否则返回步骤S05,重复S05~步骤S09;
步骤S11:输出SAR图像特征增强结果X(n+1)。
本发明具有以下有益效果:
(1)采用基于L1/2范数的ITA方法实现对SAR图像的重构,西安交通大学徐宗本院士在《L1/2 Regularization:A Thresholding Representation Theory and a FastSolver》(IEEE Trans.Neural Networks Learning Sys,2012,23(7),1013–1028)等文章中提出了当q=1/2时稀疏正则化方法拥有的一系列优秀性质。L1/2范数相比L1范数能够获得更稀疏的解,因而在SAR图像稀疏正则化增强中,利用L1/2范数能够更好的保护目标主散射点并获得灰度值更高的潜在目标区域,这对SAR图像检测是十分重要的。
(2)L1/2范数还拥有比L1范数更好的鲁棒性,因而能够更好地抑制噪声对图像检测的影响。
(3)采用L1/2范数稀疏正则化的方法对原始SAR图像进行特征增强,减小了图像旁瓣和杂波。
(4)针对目前SAR图像解译在面对传统SAR图像时遇到的困难,以及基于稀疏正则化的SAR图像增强方法在重构算法、正则化参数选择等方面面临的问题,本发明提出一种以解译为目的的SAR图像稀疏正则化增强方法。该方法以图像解译为目标,针对SAR图像目标检测对正则化参数进行自适应优化,获取的图像增强结果能够有效提升现有SAR目标检测算法的目标检测率,并降低虚警率。
(5)本发明以图像解译为目标,针对SAR图像目标检测对正则化参数进行自适应优化,获取的图像增强结果能够有效提升现有SAR目标检测算法的目标检测率。
(6)本发明对稀疏正则化SAR成像/图像处理技术在图像解译中的应用提供了新的方法和借鉴。
附图说明
图1示出本发明的矩形窗检测器示意图;
图2示出本发明所提方法的流程示意图;
图3示出基于匹配滤波的原始SAR图像;
图4示出Itti算法计算的原始SAR图像显著图;
图5(a)-图5(e)示出不同正则化参数下得到的SAR图像特征增强结果,图5(a)为λ=797时的特征增强结果,图5(b)为λ=1331时的SAR图像特征增强结果,图5(c)为λ=1584时的SAR图像特征增强结果,图5(d)为本发明所提方法得到的SAR特征增强结果;图5(e)为利用L1稀疏正则化重构方法得到的SAR特征增强结果;
图6示出利用本发明所提方法在不同迭代次数时对应的目标检测概率曲线图。
具体实施方式
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。下面结合附图和本发明的实施例,对本发明作进一步地描述。
以解译为目的的SAR图像稀疏正则化特征增强方法,包括下列步骤:
建立基于稀疏正则化框架的SAR图像特征增强模型;
采用基于L1/2范数的ITA算法求解第一步的SAR图像特征增强模型;
输出SAR图像特征增强结果。
下面详述一下,建立基于稀疏正则化框架的SAR图像特征增强模型:
基于稀疏正则化框架的SAR图像特征增强模型可以表示为:
Y=X+N (1)
其中Y为传统基于匹配滤波的SAR成像结果,X为经过稀疏正则化重构得到的特征增强结果,N为一个与X维数相同的矩阵,表示增强结果与原始图像的不同,其中包含系统噪声、待去除的旁瓣、背景杂波等等。利用稀疏正则化理论,X可以通过公式(2)进行求解:
其中表示矩阵的F范数,表示q(0<q≤1)范数,λ是正则化参数;公式(2)中等号右边的第一项称为数据保真项,表示特征增强结果与原始SAR图像的重构精度,而后一项称为正则化项,表示重构结果X的稀疏度。在传统稀疏正则化SAR成像中,一般要求重构结果尽可能的精确,也就是要求第一项的比值尽可能大。
对于范数参数q,一般认为q越趋近于0越能获得更好的稀疏结果,然而当q=0时公式(2)为一个非凸优化问题,求解难度较大。目前一般取q=1从而将该问题转化为一个凸优化问题求解。
下面详述一下,采用基于L1/2范数的ITA算法求解上述基于稀疏正则化框架的SAR图像特征增强模型:
采用迭代阈值算法求解上述建立的SAR图像特征增强模型。具体的,公式(2)可以通过一种迭代阈值算法公式(3)进行求解:
其中N为矩阵方位向维度。该向量中的形式由范数q决定,当q=1/2时,文章《L1/2 Regularization:A Thresholding Representation Theory and a FastSolver》(IEEE Trans.Neural Networks Learning Sys,2012,23(7),1013–1028)中推导得出公式(5):
其中:
每次得到X(n+1)后计算与上一次重构结果的差值,当||X(n+1)-X(n)||F<T时,输出最终的特征增强结果X(n+1)。作为本发明的示例性说明,T取一个较小的阈值,一般T取值1×10-6。
在本发明的公式(3)中,有两个很重要的参数μ和λ。μ负责控制ITA重构算法的收敛速度,而λ负责控制重构结果的稀疏度。它反映了图像重构的精度与图像稀疏性之间的关系,λ的大小会直接影响特征增强X的结果。目前,还没有一个针对λ最优的选取准则。在基于回波数据的L1/2范数SAR稀疏正则化成像算法中,设定λ的选取准则如公式(7):
其中K表示成像场景的稀疏度,| |K+1表示第K+1个最大的幅度值,X(1)是X初始值。由(7)可以看出,λ的选取与场景的稀疏度直接相关。在本发明中,我们的最终目标是通过调整λ的大小提高SAR图像目标检测的性能,因此,本发明在获取原始SAR图像先验信息的基础上,以目标检测为目的,利用原始SAR图像中的先验信息自适应调整稀疏正则化参数λ并建立一种以目标检测为目的λ自适应调整方法。
由于λ与重构结果的稀疏度有关,那么如果能够预先估计出图像中目标的稀疏性,就可以得到一个合理的λ值或范围。在传统SAR成像中我们是无法预先估计成像结果的稀疏性的,因为我们无法通过回波数据估计成像场景中感兴趣目标的数量、大小等信息。对于SAR图像特征增强而言,我们可以从原始SAR图像中获取大量关于目标的先验信息,并通过这些先验信息估计出场景大概的稀疏度。
为了估计场景的稀疏度,本发明设计了一个矩形窗检测器,如图1所示。自适应调整稀疏正则化参数λ方法包括:
步骤(1):该矩形窗检测器分为目标检测区域、背景保护区域以及背景检测区域,其中目标检测区域位于矩形窗的中心位置,目标检测区域周围是负责区分目标与背景的一片保护区域,称为背景保护区域。最外侧是背景检测区域,负责检测图像背景的灰度统计信息。对于原始SAR图像而言,我们可以获取该幅图像的分辨率信息和幅宽信息,并结合目标的基本尺寸信息(车辆的大致长度、宽度等),就可以获得目标长度在该幅图像中所占的最大像素值数量。
步骤(2):假设原始SAR图像中的目标该长度为Lmax,我们选取L=1/2Lmax作为目标检测区域的边长。同样的,选取L作为目标检测区域与背景检测区域之间的间隔长度,这样可以保证潜在目标区域中的像素值不会落到背景区域中。另外,选取L/2作为背景检测区域的宽度。
其中Ptarget和Pclutter分别表示目标检测区域以及背景检测区域。表示第n+1次迭代时,图像X(n+1)中位于(x,y)处像素的灰度值。N(Ptarget)和N(Pclutter)则分别表示目标检测区域和背景检测区域中的像素个数。对于如何获取潜在的潜在目标区域位置,本发明采用基于SAR图像显著性检测的方法获取。
步骤(3):在计算获得值后,正则化参数λ(n)的选取遵从如下的规则:自适应调整后的λ可以使重构图像中潜在目标区域的像素值得到最大限度的保留,并抑制背景区域中的像素值大小。根据该规则,每次迭代得到的λ值将使得矩形窗检测器中的平均灰度比Rm值增加,并最终收敛于某个值。公式(7)中λ与场景稀疏度K成反比,意味着λ与平均灰度比Rm成正比关系。在本发明中,设定λ的迭代准则如公式(9):
正则化参数λ迭代更新的具体步骤包括:
步骤①:利用SAR图像显著性检测方法获取原始SAR图像中的潜在目标。
步骤②:对于某个单独的潜在目标区域,利用设计好的矩形窗检测器通过公式(8)计算该区域的初始MIR值矩形窗检测器的中心位置选取该潜在目标区域中像素点的中心坐标,X初始值为X(1),通过公式(7)计算λ初始值λ(0)。
步骤④:令n=n+1,重复步骤③直到λ值收敛。
对于参数μ,在基于L1/2范数的ITA算法中,μ满足0<μ<1的条件。当μ从0到1逐渐变大时,算法收敛的速度逐渐加快。本发明中选取μ=0.99。
本发明详细流程如图2所示,具体步骤包括:
步骤S01:输入原始SAR图像;
步骤S02:进行原始SAR图像显著性检测;
步骤S03:获得潜在目标,目标长度设为Lmax;
步骤S04:根据步骤S03的目标长度,确定矩形窗检测器参数:选取L=1/2Lmax作为目标检测区域的边长,选取L作为目标检测区域与背景检测区域之间的间隔长度,选取L/2作为背景检测区域的宽度;
步骤S05:先利用步骤S04的矩形窗检测器通过公式(8)计算该区域的初始MIR值X初始值为X(1),通过公式(7)计算初始值λ(0),μ满足0<μ<1的条件,然后设定迭代次数n=1,通过公式(3)-(6)计算得到重构结果X(n+1),然后通过公式(8)计算重构结果X(n+1)中对应区域新的
步骤S06:将和通过公式(9)更新正则化参数λ(n),令n=n+1,重复公式(3)-(6)计算得到重构结果X(n+1),然后通过公式(8)计算重构结果X(n+1)中对应区域新的并通过公式(9)更新正则化参数λ(n)直到λ值收敛;
步骤S07:梯度下降操作:将收敛的λ值代入公式(3);
步骤S08:ITA阈值迭代,通过公式(4)-(6)计算得到重构结果X(n+1);
步骤S09:更新重构结果X(n+1);
步骤S10:判断是否满足终止条件:将步骤S09得到的X(n+1)与上一次重构结果X(n)进行差值比较,当||X(n+1)-X(n)||F<T时,满足终止条件,进入步骤S11,否则返回步骤S05,重复S05~步骤S09;
步骤S11:输出SAR图像特征增强结果X(n+1)。
验证实例:SAR图像稀疏正则化特征增强处理系统
实施例:如图3所示,选取美国MSTAR数据库中的高分辨率复数据SAR图像作为待处理原始图像。该图像分辨率为0.3m×0.3m,尺寸大小为1000×1000像素,场景中包含多个车辆目标以及其他背景。为了获取感兴趣车辆目标的位置信息从而确定本发明中矩形检测器的参数信息,选取Itti.L在《Computational Modeling of Visual Attention》(NatureReviews Neuroscience,2001,2(3):194-203.)中提出的Itti显著性检测算法对SAR图像进行显著性检测。图4是经过Itti算法计算后的SAR图像显著图,将图中的高亮矩形作为潜在目标区域。从图4中同样可以看出传统Itti算法对原始SAR图像的目标检测效果一般,高亮区域很模糊,且无法获取车辆目标的轮廓信息。接下来,利用本发明中提出的稀疏正则化特征增强方法对原始SAR图像进行处理,算法经过6次迭代最终收敛,其中正则化参数分别为[797,1160,1331,1456,1584,1773]。图5(a)-图5(e)显示了不同正则化参数下得到的SAR图像特征增强结果,其中5(a)为λ=797时的特征增强结果,5(b)为λ=1331时的SAR图像特征增强结果,5(c)为λ=1584时的SAR图像特征增强结果,5(d)为本发明所提方法得到的SAR特征增强结果。通过图5(a)-(d)可以看出,随着正则化参数λ的增大,特征增强结果越来越稀疏,对背景和杂波的抑制效果也越来越好,同时感兴趣目标部分的主体得到了较好的保留。当算法最终收敛时获得了最好的特征增强结果。
另外,利用传统的基于L1稀疏正则化的SAR图像特征增强方法与分发明所提方法进行对比。图5(e)给出了利用L1稀疏正则化重构方法得到的SAR特征增强结果。对比图5(d)和图5(e)可以看出,本发明所提方法能够重构获得更高的潜在目标区域灰度值,并最大程度的抑制背景区域,这与本发明中设计的矩形窗检测器的原理是一致的,从而证明了本发明的有效性和实用性。
图6同时给出了利用本发明所提方法在不同迭代次数时对应的目标检测概率曲线图。上述实验均证明了本发明所提方法的有效性。
Claims (5)
1.一种以解译为目的的SAR图像稀疏正则化特征增强方法,其特征在于:包括下列步骤:
建立基于稀疏正则化框架的SAR图像特征增强模型,所述SAR图像为通过合成孔径雷达获取的雷达观测范围内的二维图像,所述SAR的英文全称为Synthetic aperture radar;
采用基于L1/2范数的ITA算法求解所述的SAR图像特征增强模型,所述ITA算法为迭代阈值算法,是一种稀疏重构算法,所述ITA的英文全称为Iterative ThresholdingAlgorithm;
输出SAR图像特征增强结果;
所述基于稀疏正则化框架的SAR图像特征增强模型表示为:
Y=X+N 公式(1)
其中Y为传统基于匹配滤波的SAR成像结果,X为经过稀疏正则化重构得到的特征增强结果,N为一个与X维数相同的矩阵,表示增强结果与原始图像的不同,其中包含系统噪声、待去除的旁瓣或背景杂波;
利用稀疏正则化理论,X通过下式进行求解:
基于L1/2范数的ITA算法,采用迭代阈值算法求解:
其中n为迭代的次数,μ是收敛参数,是ITA算法中的阈值操作,每次得到X(n+1)后计算与上一次重构结果X(n)的差值,当||X(n+1)-X(n)||F<T时,输出最终的特征增强结果X(n +1),其中X(n)表示迭代计算第n次得到的特征增强结果X,T为阈值参数,其限定了两次迭代之间特征增强结果X的变化范围;自适应调整稀疏正则化参数λ方法包括:
步骤(1):设计一个矩形窗检测器,所述矩形窗检测器分为目标检测区域、背景保护区域以及背景检测区域,其中目标检测区域位于矩形窗检测器的中心位置;背景检测区域,负责检测图像背景的灰度统计信息;背景保护区域:负责区分目标检测区域与背景检测区域的一片保护区域;
步骤(2):预设原始SAR图像中的潜在目标长度为Lmax,选取L=1/2Lmax作为目标检测区域的边长,选取L作为目标检测区域与背景检测区域之间的间隔长度,选取L/2作为背景检测区域的宽度,利用该检测器计算潜在目标区域像素值和背景区域像素值之间的平均灰度比
其中Ptarget和Pclutter分别表示目标检测区域以及背景检测区域;表示第n+1次迭代时,图像X(n+1)中位于(x,y)处像素的灰度值,N(Ptarget)和N(Pclutter)则分别表示目标检测区域和背景检测区域中的像素个数;
3.根据权利要求1所述的一种以解译为目的的SAR图像稀疏正则化特征增强方法,其特征在于:所述正则化参数λ以目标检测为目的,利用原始SAR图像中的先验信息,自适应调整稀疏正则化参数λ方法获得,T取值1×10-6。
4.根据权利要求2所述的一种以解译为目的的SAR图像稀疏正则化特征增强方法,其特征在于:正则化参数λ值迭代更新的具体步骤包括:
步骤①:利用SAR图像显著性检测方法获取原始SAR图像中的潜在目标;
步骤②:对于原始SAR图像中的某个单独潜在目标,利用设计好的矩形窗检测器通过公式(7)计算该区域的初始MIR值矩形窗检测器的中心位置选取该潜在目标区域中像素点的中心坐标,X初始值为X(1),μ满足0<μ<1的条件;
步骤④:令n=n+1,重复步骤③直到λ值收敛。
5.根据权利要求4所述的一种以解译为目的的SAR图像稀疏正则化特征增强方法,其特征在于:选取μ=0.99。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811228009.2A CN109461127B (zh) | 2018-10-22 | 2018-10-22 | 一种以解译为目的的sar图像稀疏正则化特征增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811228009.2A CN109461127B (zh) | 2018-10-22 | 2018-10-22 | 一种以解译为目的的sar图像稀疏正则化特征增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109461127A CN109461127A (zh) | 2019-03-12 |
CN109461127B true CN109461127B (zh) | 2021-02-12 |
Family
ID=65607997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811228009.2A Active CN109461127B (zh) | 2018-10-22 | 2018-10-22 | 一种以解译为目的的sar图像稀疏正则化特征增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109461127B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865332B (zh) * | 2019-11-11 | 2023-06-27 | 山东大学 | 一种统一框架l2,p模型正交加速改进稀疏恢复方法 |
CN112330560B (zh) * | 2020-11-05 | 2024-02-20 | 中国科学院国家空间科学中心 | 一种合成孔径雷达数据图像可视化增强方法及系统 |
CN116167430B (zh) * | 2023-04-23 | 2023-07-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于均值感知稀疏的目标检测模型全局剪枝方法及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102788977A (zh) * | 2011-05-19 | 2012-11-21 | 中国科学院电子学研究所 | 基于l1/2正则化的合成孔径雷达成像方法 |
CN108627835A (zh) * | 2018-06-29 | 2018-10-09 | 中国科学院电子学研究所 | 全极化差分sar层析的目标重构方法 |
-
2018
- 2018-10-22 CN CN201811228009.2A patent/CN109461127B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102788977A (zh) * | 2011-05-19 | 2012-11-21 | 中国科学院电子学研究所 | 基于l1/2正则化的合成孔径雷达成像方法 |
CN108627835A (zh) * | 2018-06-29 | 2018-10-09 | 中国科学院电子学研究所 | 全极化差分sar层析的目标重构方法 |
Non-Patent Citations (1)
Title |
---|
基于马尔科夫链的单站SAR海面场景宽幅高分成像算法;倪嘉成等;《航空学报》;20161231;第3793-3802页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109461127A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
Çetin et al. | Feature-enhanced synthetic aperture radar image formation based on nonquadratic regularization | |
CN109035152B (zh) | 一种合成孔径雷达图像非局部均值滤波方法 | |
CN109461127B (zh) | 一种以解译为目的的sar图像稀疏正则化特征增强方法 | |
CN109581378B (zh) | 动目标检测方法、电子设备及存储介质 | |
Zhu et al. | SAR target classification based on radar image luminance analysis by deep learning | |
Zhou et al. | CANet: An unsupervised deep convolutional neural network for efficient cluster-analysis-based multibaseline InSAR phase unwrapping | |
CN103955701A (zh) | 多层次结合的多视合成孔径雷达图像目标识别方法 | |
CN113674308B (zh) | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 | |
CN107831473B (zh) | 基于高斯过程回归的距离-瞬时多普勒图像序列降噪方法 | |
Bi et al. | CNN-based target detection and classification when sparse SAR image dataset is available | |
Chen et al. | A novel infrared small target detection method based on BEMD and local inverse entropy | |
Hu et al. | An infrared target intrusion detection method based on feature fusion and enhancement | |
CN115015907A (zh) | 一种基于稀疏表示的粒子滤波检测前跟踪方法及装置 | |
Deng et al. | Amplitude-phase CNN-based SAR target classification via complex-valued sparse image | |
Zhang et al. | MSIF: Multisize inference fusion-based false alarm elimination for ship detection in large-scale SAR images | |
Cetin et al. | Evaluation of a regularized SAR imaging technique based on recognition-oriented features | |
Ni et al. | Saliency-based SAR target detection via convolutional sparse feature enhancement and Bayesian inference | |
CN115792908B (zh) | 一种基于高分多角度星载sar特征融合的目标检测方法 | |
Li et al. | Region adaptive morphological reconstruction fuzzy C-means for near-field 3-D SAR image target extraction | |
CN116843906A (zh) | 基于拉普拉斯特征映射的目标多角度本征特征挖掘方法 | |
Arivazhagan et al. | Optimal Gabor sub-band-based spectral kurtosis and Teager Kaiser energy for maritime target detection in SAR images | |
CN112734812B (zh) | 确定散射体数量的方法、装置、电子设备及存储介质 | |
CN113822361A (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
CN115131373B (zh) | 基于纹理特征和slic的sar图像分割方法 |
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 |