CN109635730A - 基于异常检测与双层筛选机制的sar图像舰船检测方法 - Google Patents
基于异常检测与双层筛选机制的sar图像舰船检测方法 Download PDFInfo
- Publication number
- CN109635730A CN109635730A CN201811516049.7A CN201811516049A CN109635730A CN 109635730 A CN109635730 A CN 109635730A CN 201811516049 A CN201811516049 A CN 201811516049A CN 109635730 A CN109635730 A CN 109635730A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- pixel
- region
- background
- 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
Links
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
基于异常检测与双层筛选机制的SAR图像舰船检测方法,包括a、检测预处理阶段:通过提取光谱向量,将SAR图像转换成高光谱类型图像,再利用高光谱异常检测算法来提取感兴趣目标区域,该区域包括了所有可能存在舰船的区域;(1)进行图像转换:将待处理图像按像素取滑框,进行遍历,得到由原始图像每个像元的光谱向量组成的转换图像数据,即完成了图像转换;本发明的优点是:将SAR图像转换成高光谱类型图像,进而采用高光谱图像异常检测算法实现舰船目标检测的预处理,得到感兴趣区域二值图,在此基础上,采用双层筛选机制,实现了背景杂波的准确建模和舰船目标的快速检测。
Description
技术领域
本发明涉及基于异常检测与双层筛选机制的SAR图像舰船检测方法,属于检测方法技术领域。
背景技术
舰船目标检测是合成孔径雷达( Synthetic Aperture Radar,SAR) 图像在海域监测应用中的关键技术。目前,恒虚警率( Constant False Alarm Rate,CFAR) 方法仍是该领域中研究最为广泛、也是较为实用的一类方法,其中智能 CFAR检测在多目标环境、非均匀杂波区域等复杂环境下能够获得良好的检测效果。智能 CFAR检测算法大多通过筛选机制去除背景中高亮度目标像素,然后在进行背景杂波参数估计,比如基于自动筛选的智能 CFAR算法、基于迭代筛选策略( Iterative Censoring Scheme, ICS)的目标检测算法。前者需要根据先验知识事先确定筛选深度,这通常很难取到最佳值;后者的ICS收敛速度较慢,多次迭代加剧了运算量。这些智能检测方法在杂波背景建模阶段都对滑框中的像素进行了不同程度的筛选,但仍有部分灰度值较低的目标像素被误判为背景而保留下来,降低了筛选的准确性,导致参数估计产生误差。
发明内容
针对上述问题,本发明在分析舰船目标和海域背景特点的基础上,提出一种新的舰船目标检测方法,不仅具有较好的检测性能,并且能够有效地消除虚警目标和十字型旁瓣,能完整地提取舰船目标像素,目标结构保真度高。
为实现本发明的目的,本发明采用的技术方案是:
基于异常检测与双层筛选机制的SAR图像舰船检测方法,包括
a、检测预处理阶段:通过提取光谱向量,将SAR图像转换成高光谱类型图像,再利用高光谱异常检测算法来提取感兴趣目标区域,该区域包括了所有可能存在舰船的区域;
(1)进行图像转换:将待处理图像按像素取滑框,进行遍历,得到由原始图像每个像元的光谱向量组成的转换图像数据,即完成了图像转换;
(2)进行异常检测:根据SAR图像中,舰船所对应的像素灰度值在其空间邻域上变化比较大,因此,它们对应于高光谱图像中的光谱向量呈现比较大的起伏;而背景杂波恰恰相反,它们在空间邻域上的像素灰度值变化表现更加平滑,对应于高光谱图像中的光谱向量呈现为水平变化,其起伏程度远小于舰船目标;
此外,在舰船外侧边缘处,存在一定宽度的条带状区域,其像素灰度值在空间邻域上呈现和舰船区域类似的特性,因此将该区域也归结到舰船区域,该区域的存在为后续检测过程中的局部滑框提供了自适应的保护窗口。这样,利用高光谱异常检测器能够区别这2种不同的光谱向量模式,从而实现舰船和背景杂波的初步分离,在分离过程中,起伏较大的光谱向量会提取出来作为感兴趣区域,再做进一步处理;
b、目标检测阶段:基于双层筛选的思路来进行舰船检测;
(1)背景杂波参数估计时筛选目标像素:在杂波背景建模过程中,筛选检测预处理阶段得到的所有感兴趣区域像素,利用剩余的像素进行杂波背景建模;
(2)目标检测时筛选背景像素:在检测过程中,筛选背景杂波区域,只对感兴趣区域中的像元进行检验,提高检测效率;
(3)具体检测算法步骤如下:
a) 利用异常检测得到感兴趣区域二值图和原始SAR图像求取目标原图和杂波背景原图;
b) 对单个像素进行判决,若像素灰度值大于0,利用杂波背景原图所对应的滑框区域内非零像素进行背景杂波分布的参数估计,在给定的虚警率下,求取阈值,根据目标原图像素灰度值与阈值大小关系,判定像素为目标或背景;
c)遍历完所有像素,最后输出结果。
本发明的优点是:将 SAR图像转换成高光谱类型图像,进而采用高光谱图像异常检测算法实现舰船目标检测的预处理,得到感兴趣区域二值图,在此基础上,采用双层筛选机制,实现了背景杂波的准确建模和舰船目标的快速检测。
附图说明
图1是本发明基于异常检测与双层筛选机制的SAR图像舰船检测方法的流程图;
图2 是滑框示意图;
图3是舰船和背景杂波等不同像元对应的光谱向量。
具体实施方式
下面结合附图及实施例对本发明作进一步的说明。
本发明基于异常检测与双层筛选机制的SAR图像舰船检测方法,包括a、检测预处理阶段:通过提取光谱向量,将SAR图像转换成高光谱类型图像,再利用高光谱异常检测算法来提取感兴趣目标区域,该区域包括了所有可能存在舰船的区域;
(1)进行图像转换:将待处理图像按像素取滑框,进行遍历,得到由原始图像每个像元的光谱向量组成的转换图像数据,即完成了图像转换;
(2)进行异常检测:根据SAR图像中,舰船所对应的像素灰度值在其空间邻域上变化比较大,因此,它们对应于高光谱图像中的光谱向量呈现比较大的起伏;而背景杂波恰恰相反,它们在空间邻域上的像素灰度值变化表现更加平滑,对应于高光谱图像中的光谱向量呈现为水平变化,其起伏程度远小于舰船目标,如图3所示;
此外,在舰船外侧边缘处,存在一定宽度的条带状区域,如图3所示,其像素灰度值在空间邻域上呈现和舰船区域类似的特性,因此将该区域也归结到舰船区域,该区域的存在为后续检测过程中的局部滑框提供了自适应的保护窗口。这样,利用高光谱异常检测器能够区别这2种不同的光谱向量模式,从而实现舰船和背景杂波的初步分离,在分离过程中,起伏较大的光谱向量会提取出来作为感兴趣区域,再做进一步处理;
b、目标检测阶段:基于双层筛选的思路来进行舰船检测;
(1)背景杂波参数估计时筛选目标像素:在杂波背景建模过程中,筛选检测预处理阶段得到的所有感兴趣区域像素,利用剩余的像素进行杂波背景建模;
(2)目标检测时筛选背景像素:在检测过程中,筛选背景杂波区域,只对感兴趣区域中的像元进行检验,提高检测效率;
(3)具体检测算法步骤如下:
a)利用异常检测得到感兴趣区域二值图和原始SAR图像求取目标原图和杂波背景原图;
b)对单个像素进行判决,若像素灰度值大于0,利用杂波背景原图所对应的滑框区域内非零像素进行背景杂波分布的参数估计,在给定的虚警率下,求取阈值,根据目标原图像素灰度值与阈值大小关系,判定像素为目标或背景;
c)遍历完所有像素,最后输出结果。
Claims (1)
1.基于异常检测与双层筛选机制的SAR图像舰船检测方法,其特征是:包括
a、检测预处理阶段:通过提取光谱向量,将SAR图像转换成高光谱类型图像,再利用高光谱异常检测算法来提取感兴趣目标区域,该区域包括了所有可能存在舰船的区域;
(1)进行图像转换:将待处理图像按像素取滑框,进行遍历,得到由原始图像每个像元的光谱向量组成的转换图像数据,即完成了图像转换;
(2)进行异常检测:根据SAR图像中,舰船所对应的像素灰度值在其空间邻域上变化比较大,因此,它们对应于高光谱图像中的光谱向量呈现比较大的起伏;而背景杂波恰恰相反,它们在空间邻域上的像素灰度值变化表现更加平滑,对应于高光谱图像中的光谱向量呈现为水平变化,其起伏程度远小于舰船目标;
此外,在舰船外侧边缘处,存在一定宽度的条带状区域,其像素灰度值在空间邻域上呈现和舰船区域类似的特性,因此将该区域也归结到舰船区域,该区域的存在为后续检测过程中的局部滑框提供了自适应的保护窗口;这样,利用高光谱异常检测器能够区别这2种不同的光谱向量模式,从而实现舰船和背景杂波的初步分离,在分离过程中,起伏较大的光谱向量会提取出来作为感兴趣区域,再做进一步处理;
b、目标检测阶段:基于双层筛选的思路来进行舰船检测;
(1)背景杂波参数估计时筛选目标像素:在杂波背景建模过程中,筛选检测预处理阶段得到的所有感兴趣区域像素,利用剩余的像素进行杂波背景建模;
(2)目标检测时筛选背景像素:在检测过程中,筛选背景杂波区域,只对感兴趣区域中的像元进行检验,提高检测效率;
(3)具体检测算法步骤如下:
a)利用异常检测得到感兴趣区域二值图和原始SAR图像求取目标原图和杂波背景原图;
b)对单个像素进行判决,若像素灰度值大于0,利用杂波背景原图所对应的滑框区域内非零像素进行背景杂波分布的参数估计,在给定的虚警率下,求取阈值,根据目标原图像素灰度值与阈值大小关系,判定像素为目标或背景;
c)遍历完所有像素,最后输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811516049.7A CN109635730A (zh) | 2018-12-12 | 2018-12-12 | 基于异常检测与双层筛选机制的sar图像舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811516049.7A CN109635730A (zh) | 2018-12-12 | 2018-12-12 | 基于异常检测与双层筛选机制的sar图像舰船检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109635730A true CN109635730A (zh) | 2019-04-16 |
Family
ID=66073120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811516049.7A Pending CN109635730A (zh) | 2018-12-12 | 2018-12-12 | 基于异常检测与双层筛选机制的sar图像舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635730A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354541A (zh) * | 2015-10-23 | 2016-02-24 | 西安电子科技大学 | 基于视觉注意模型和恒虚警率的sar图像目标检测方法 |
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN106886760A (zh) * | 2017-01-24 | 2017-06-23 | 北京理工大学 | 一种基于空谱信息结合的高光谱舰船检测方法 |
-
2018
- 2018-12-12 CN CN201811516049.7A patent/CN109635730A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN105354541A (zh) * | 2015-10-23 | 2016-02-24 | 西安电子科技大学 | 基于视觉注意模型和恒虚警率的sar图像目标检测方法 |
CN106886760A (zh) * | 2017-01-24 | 2017-06-23 | 北京理工大学 | 一种基于空谱信息结合的高光谱舰船检测方法 |
Non-Patent Citations (1)
Title |
---|
翟亮等: "基于异常检测与双层筛选机制的SAR图像舰船检测方法", 《计算机工程》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dai et al. | A modified CFAR algorithm based on object proposals for ship target detection in SAR images | |
CN108460382B (zh) | 基于深度学习单步检测器的光学遥感图像舰船检测方法 | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
Pelich et al. | AIS-based evaluation of target detectors and SAR sensors characteristics for maritime surveillance | |
Cui et al. | On the iterative censoring for target detection in SAR images | |
CN107274401B (zh) | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 | |
CN107025654B (zh) | 基于全局迭代检查的sar图像自适应船只检测方法 | |
US20120328161A1 (en) | Method and multi-scale attention system for spatiotemporal change determination and object detection | |
CN106170819A (zh) | 一种合成孔径雷达图像舰船目标快速检测方法 | |
CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
CN110221266B (zh) | 一种基于支持向量机的航海雷达目标快速检测方法 | |
CN107274410B (zh) | 自适应的人造目标恒虚警率检测方法 | |
CN108133468B (zh) | 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
CN110706208A (zh) | 一种基于张量均方最小误差的红外弱小目标检测方法 | |
CN115965862A (zh) | 基于掩码网络融合图像特征的sar舰船目标检测方法 | |
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 | |
CN107464255B (zh) | 一种基于信息量与多尺度异常检测的船舶目标检测方法 | |
Akbari et al. | Iceberg detection in open water and sea ice using C-band radar polarimetry | |
Xu et al. | Marine radar oil spill monitoring technology based on dual-threshold and c–v level set methods | |
CN110503631B (zh) | 一种遥感图像变化检测方法 | |
Lei et al. | Ship extraction using post CNN from high resolution optical remotely sensed images | |
CN109635730A (zh) | 基于异常检测与双层筛选机制的sar图像舰船检测方法 | |
CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
Song et al. | Change detection of surface water in remote sensing images based on fully convolutional network |
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: 20190416 |