CN110031843B - 基于roi区域的sar图像目标定位方法、系统、装置 - Google Patents
基于roi区域的sar图像目标定位方法、系统、装置 Download PDFInfo
- Publication number
- CN110031843B CN110031843B CN201910386283.0A CN201910386283A CN110031843B CN 110031843 B CN110031843 B CN 110031843B CN 201910386283 A CN201910386283 A CN 201910386283A CN 110031843 B CN110031843 B CN 110031843B
- Authority
- CN
- China
- Prior art keywords
- roi
- area
- region
- image
- representing
- 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
- 238000001914 filtration Methods 0.000 claims abstract description 59
- 230000000877 morphologic effect Effects 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000004807 localization Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 18
- 230000000694 effects Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G01S13/9094—Theoretical aspects
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)
- Image Analysis (AREA)
Abstract
本发明属于海洋舰船、机场飞机和阵地汽车安防遥感检测领域,具体涉及一种基于ROI区域的SAR图像目标定位方法、系统、装置,旨在解决现有SAR图像目标检测效率和准确率低的问题。本系统方法包括获取待定位的SAR图像,作为输入信息;基于所述输入信息,通过滤波和非线性拉伸进行预处理,得到预处理图像;对预处理图像分割后进行形态学处理,并提取ROI区域;基于提取的ROI区域,通过粗过滤,获取可信度较高的区域;在所述待定位的SAR图像中,对所述可信度较高的区域位置标记,获取定位信息。本发明基于ROI区域提取方法实现了在复杂场景下SAR图像目标自动定位,有效解决了现有检测方法存在检测效率和准确率较差的技术问题。
Description
技术领域
本发明属于海洋舰船、机场飞机和阵地汽车安防遥感检测领域,具体涉及一种基于ROI区域的SAR图像目标定位方法、系统、装置。
背景技术
目前安防行业内较多使用的是合成孔径雷达(SAR),SAR成像系统随着搭载平台以一定的速度进行运动,然后以预定的速度、时间间隔向目标区域发射电磁波脉冲,并记录回波所携带的强度和相位信息,经过多次观测记录合成目标图像。由于遥感图像远距离和机载移动成像的特点,遥感图像场景中的目标一般较小,加之遥感图像本身具有严重的相干斑噪声和丰富的纹理信息,目标检测难度大,检测效率和准确率较差。
随着我国安防需求快速发展,目标定位工作日益增长,对目标鉴别精度要求不断提高。传统的SAR图像目标定位方法无法满足当前快速发展安防行业海洋舰船、机场飞机和阵地汽车目标定位需求。基于ROI区域的SAR图像目标定位是从大场景的SAR图像中尽可能快速的检测出可能包含目标的ROI区域,并作为任务提供给目标分类识别系统,ROI提取是SAR图像目标识别定位的基础。因此,基于ROI区域提高SAR图像处理系统的自动目标检测能力,准确发现并识别各类重要战略目标,实现SAR图像由数据向情报信息的快速转化成为新的课题。
发明内容
为了解决现有技术中的上述问题,即为了解决现有SAR图像目标检测效率和准确率低的问题,本发明第一方面,提出了一种基于ROI区域的SAR图像目标定位的方法,该方法包括:
步骤S10,获取待定位的SAR图像,作为输入信息;
步骤S20,基于所述输入信息,通过滤波和非线性拉伸进行预处理,得到预处理图像;
步骤S30,对预处理图像分割后进行形态学处理,并提取ROI区域;
步骤S40,基于提取的ROI区域,采用粗过滤,获取可信度较高的区域;
步骤S50,在所述待定位的SAR图像中,对所述可信度较高的区域进行位置标记,获取定位信息。
在一些优选的实施方式中,步骤S20中“通过滤波和非线性拉伸进行预处理”,其滤波方法为:采用增强型Lee滤波算法去除噪声;
非线性拉伸方法为:通过全局直方图均衡化对图像进行非线性拉伸,重新分配图像像元值。
在一些优选的实施方式中,所述的对预处理图像分割后进行形态学处理,其方法为:
采用二维OTSU分割预处理图像,获取最佳分割阈值,并基于该阈值将像素灰度值进行二值化,得到二值图;
对分割后的预处理图像进行形态学运算。
在一些优选的实施方式中,所述ROI区域,其提取方法为:
基于获取到的二值图区域划分,采用边界跟踪算法,提取边界并记录边界像素的位置;
获取所提取边界的最小外接矩形,并以该矩形所包围的区域作为所提取的ROI区域。
在一些优选的实施方式中,所述粗过滤,包括几何形态过滤、空间位置过滤、灰度特征过滤。
在一些优选的实施方式中,所述几何形态过滤计算方法为:
其中,L为ROI区域的最小外接矩形的长度,W为ROI区域的最小外接矩形的宽度,Rmax为ROI区域的最小外接矩形的最大长宽比,Amax为ROI区域的最小外接矩形的最大可能面积,Amin为ROI区域的最小外接矩形的最小可能面积。
在一些优选的实施方式中,所述空间位置过滤计算方法为:
(xo,yo)表示二值图提取的ROI区域的中心坐标,(xn,yn)表示形态学运算后得到的膨胀二值图提取的ROI区域的中心坐标,Areao代表二值图提取的ROI区域的最小外接矩形面积,Arean表示形态学运算后得到的膨胀二值图提取的ROI区域的最小外接矩形面积,To表示中心点的偏移阈值,Tarea表示面积的变化阈值。
在一些优选的实施方式中,所述灰度特征过滤计算方法为:
gin>Tin,gout<Tout
其中,gin表示ROI区域内的平均灰度值,gout表示ROI区域外接邻域的平均灰度值,Tin表示ROI区域内的灰度阈值,Tout表示ROI区域外接邻域的灰度阈值。
本发明的第二方面,提出了一种基于ROI区域的SAR图像目标定位的系统,该系统包括获取模块、预处理模块、提取模块、过滤模块、标记模块;
所述的获取模块,配置为获取待定位的SAR图像,作为输入信息;
所述的预处理模块,配置为基于所述输入信息,通过滤波和非线性拉伸进行预处理,得到预处理图像;
所述的提取模块,配置为对预处理图像分割后进行形态学处理,并提取ROI区域;
所述的过滤模块,配置基于提取的ROI区域,通过粗过滤,获取可信度较高的区域;
所述的标记模块,配置为在所述待定位的SAR图像中,对所述可信度较高的区域进行位置标记,获取定位信息。
本发明的第三方面,提出了一种存储装置,其中存储有多条程序,所述程序应用由处理器加载并执行以实现上述的基于ROI区域的SAR图像目标定位方法。
本发明的第四方面,提出了一种处理设置,包括处理器、存储装置;处理器,适用于执行各条程序;存储装置,适用于存储多条程序;所述程序适用于由处理器加载并执行以实现上述的基于ROI区域的SAR图像目标定位方法。
本发明的有益效果:
本发明可以高效、准确的进行目标定位。本发明基于ROI区域的SAR图像目标定位方法实现了在复杂场景下SAR图像目标自动定位和SAR图像中海陆分割、港口快速检测,进一步基于目标检测后返回的鉴别结果给出定位器在世界坐标系下的精确值。有效解决了现有的海洋舰船、机场飞机和阵地汽车检测方法存在检测效率和准确率较差的技术问题,进而实现了高效准确的海洋舰船、机场飞机和阵地汽车目标定位的技术效果。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述,本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于ROI区域的SAR图像目标定位方法的流程示意图;
图2是本发明一种实施例的基于ROI区域的SAR图像目标定位方法的框架示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明的基于ROI区域的SAR图像目标定位方法,包括以下步骤:
步骤S10,获取待定位的SAR图像,作为输入信息;
步骤S20,基于所述输入信息,通过滤波和非线性拉伸进行预处理,得到预处理图像;
步骤S30,对预处理图像分割后进行形态学处理,并提取ROI区域;
步骤S40,基于提取的ROI区域,通过粗过滤,获取可信度较高的区域;
步骤S50,在所述待定位的SAR图像中,对所述可信度较高的区域进行位置标记,获取定位信息。
为了更清晰地对本发明基于ROI区域的SAR图像目标定位方法进行说明,下面结合附图1对本发明方法一种实施例中各步骤进行展开详述。
下文优选实施例中,以海洋舰船为目标场景进行详述,当然,在其他实施例中,基于ROI区域的SAR图像目标定位方法中目标场景也可以选择机场飞机和阵地汽车。
步骤S10,获取待定位的SAR图像,作为输入信息。
在本实施例中,获取待定位的SAR图像,基于SAR图像的成像原理定义SAR图像数学模型。
SAR是主动式侧视雷达系统,成像几何属于斜距投影类型,SAR图像上的信息是地物目标对雷达波束的反映,主要是地物目标的后向散射形成的图像信息。根据SAR图像的成像原理定义SAR图像的数学模型如公式(1)所示:
I=R·u (1)
其中,I表示观测值,R表示不受噪声影响的SAR理想图像,u表示相干斑噪声分量。
步骤S20,基于所述输入信息,通过滤波和非线性拉伸进行预处理,得到预处理图像。
在本实施例中,基于SAR图像的数学模型对获取的SAR图像进行除噪和均匀像素点处理。具体步骤如下:
步骤S21,通过Lee滤波进行除噪,缓解相干斑对于SAR图像的影响。
Lee滤波算法的基本思想是利用图像的局部统计特性调整滤波器的输出,使滤波器针对图像自适应的进行改变。Lee滤波算法是基于乘性噪声模型,使用最小均方误差(MMSE)算法推导得出的。Lee滤波算法将公式(1)在附近展开,保留一阶系数,计算如公式(2)所示:
假设R的线性估计如公式(3)所示:
其中,E为数学期望。
要使得J最小,a和b满足式(5):
解得a和b的值如式(6)所示:
其中,var(I)为I的局部方差,var(R)为R的局部方差。
由于R和u相互独立,R和u的关系如公式(8)(9)所示:
对于给定的强度图像,一般是已知其视数L,由此可知σu 2如公式(10)所示:
其中,L为反射强度视数。
其中,系数k如公式(12)所示:
在均质区域,var(R)≈0,k≈0可知通常情况下,我们一般用滑窗内所有像素值的均值代表滑窗中心像素的估计值。而在异质区域,比如目标的边缘区域,var(R)相对于很大,因而即滑窗中心像素的估计值为原像素值。
对于传统的Lee滤波算法,使用的前提条件是斑点噪声正常发育,对于斑点噪声发育不成熟的区域,Lee滤波的效果很难保证。增强型Lee滤波算法对于不同的区域使用不同的滤波策略,主要表现为使用变差系数划分区域,如公式(13)(14)所示:
增强型Lee滤波算法可写成式(15):
其中,CI为观测数据I的标准差系数,Cmin为CI的最小值,Cmax为CI的最大值。
增强Lee滤波算法对SAR图像区域进行了区分处理,对不同区域采用不同的滤波方法,这样能较好的去除区域内的噪声,保留目标边缘信息。
步骤S22,通过全局直方图均衡化对SAR图像进行非线性拉伸,重新分配图像像元值。
将随机分布的图像直方图修改成均匀分布的直方图。基本思想是对原始图像的像素灰度做映射变换,使变换后图像灰度的概率密度呈均匀分布。这就意味着图像灰度的动态范围得到了增加,提高了图像的对比度。原来直方图中间的峰顶部分对比度得到增强,而两侧的谷底部分对比度降低,输出图像的直方图是一个较平的分段直方图:如果输出数据分段值较小的话,会产生粗略分类的视觉效果。SAR图像经过直方图均衡化后,图像灰度值显著提升,图像的辨识度提高。
步骤S30,对预处理图像分割后进行形态学处理,并提取ROI区域。
在本实例中,对预处理图像分割并进行形态学处理,提取ROI区域,目的在于提取到尽可能多的疑似候选区域。具体步骤如下:
步骤S31,对预处理之后的SAR图像进行分割。
图像分割是后续目标检测的基础,目标检测、目标识别都依赖于图像分割的质量。就本实例所研究的海洋、陆地分割而言,海域的分割将为后续目标的识别和舰船的检测创造条件。SAR图像目标散射特性分析可知,一般海况下,如果没有船舶、小岛等的干扰,SAR图像海面区域是均匀场景,其灰度值一般比其它物体低,呈现一片连续较黑的区域,海面灰度值的均值和方差要小于整幅图像的均值和方差。
阈值分割是指根据图像的特性设置相应的门限从而提取出感兴趣目标的过程。根据图像的灰度信息进行阈值分割是应用最广泛的一种图像分割方法。图像的阈值分割主要分为两个步骤:首先,确定最佳分割阈值;其次,将像素灰度值与分割阈值比较,实现区域的归属划分。
设图像中任一像素点的灰度值为I(x,y),同时按照一定的准则确定图像的最佳分割阈值I0,将图像分割为两个部分,分割后的图像表示如式(16)所示:
其中,G(x,y)=0表示黑色,G(x,y)=1表示白色。上式将图像分割为黑、白两色,称为图像的二值化。
实际情况中往往有大量的噪声干扰,使得仅利用一维灰度直方图无法观测到明显的波峰和波谷,因此无法获得较好的分割效果。基于二维灰度直方图的OTSU法利用了图像的灰度信息,而且考虑了图像中各像素点与其邻域空间的相关信息,具有较好的抗噪效果。
对于一幅M×N的灰度图像,用IG(x,y)表示图像上坐标为(x,y)的像素点的灰度值,IA(x,y)表示图像上坐标为(x,y)的像素点的k×k邻域平均灰度值,IA(x,y)的定义如公式(17)所示:
其中,m和n为变量,m=-(k-1)/2,n=-(k-1)/2。
这里把IG(x,y)和IA(x,y)组成的二元组(i,j)定义为二维直方图。该二维直方图定义在一个L×L大小的正方形区域,其横坐标表示图像像素的灰度值,纵坐标表示像素的邻域平均灰度值。二维直方图上任意一点的值定义为pij,由公式(18)进行确定。
设图像灰度级为1~L,二维直方图任意一点的值定义为pij,它表示二元组(i,j)发生的频率。假设图像被阈值(s,t)划分为两类C0和Cb,C0为前景目标,Cb为背景目标,对应的先验概率ω0(s,t)与ωb(s,t)分别如式(19)(20)所示:
其中,L为灰度级,相应的类内均值矢量m0和mb分别如式(21)(22)所示:
二维直方图的总均值矢量mT如式(23)所示:
其中,(mTi,mTj)为总均值矢量mT的矢量坐标。
假设二维直方图的副对角区域图像的概率忽略不计,于是总均值矢量mT满足公式(24)(25):
ω0+ωb≈1 (24)
mT≈ω0m0+ωbmb (25)
类间方差σB的定义如公式(26)所示:
使用σB的迹trσB作为类间方差的测度如公式(27)所示:
将(24)(25)式代入(27)式,迹trσB表示如公式(28)所示:
最佳阈值(s*,t*)则可由式(29)确定:
其中,1≤b0,s*,t*,bb≤L,f(x,y)为图像中像素点(x,y)的灰度值,g(x,y)为像素点k×k邻域的平均灰度值。
每对(s,t)计算两类先验概率和类内均值的计算复杂度为O(L2),且共有L2对(s,t),因而二维OTSU的总计算复杂度为O(L4)。
步骤S32,对分割后的SAR图像进行形态学处理。
经过海陆分割处理后的图像,己经将水域同陆地区域分割开了,其中,二值图水域标记白色,陆地标记黑色。但由于暗色调水域中的亮色调目标如船舶、小岛以及亮色调陆区域中的暗色调目标如湖泊、池塘、道路等的影响,被分割的区域中还存在许多水域的空洞和陆地上的小区域,这给后续处理带来麻烦。在此运用形态学的方法来去除这些干扰。
二值图像的基本形态学运算包括:腐蚀、膨胀、开运算和闭运算
步骤S33,对经过形态学处理的SAR图像进行ROI区域的提取。
SAR图像经过分割和形态学运算预处理,获得其二值图。提取二值图中的ROI区域,用以判断舰船可能的位置。舰船目标在SAR图像的二值图中以局部白色区域呈现。
通过边界提取算法可以得到物体的边界轮廓,而边界跟踪算法在提取边界的同时还能依次记录下边界像素的位置信息。
在本实施例中,运用边界跟踪算法对局部白色区域提取目标轮廓,计算目标的最小外接矩形,可以有效获取潜在目标的ROI区域。
基于SAR图像中目标的轮廓,获得目标的最小外接矩形计算方法,步骤如下:
步骤A331,按照直接计算方法计算某个轮廓区域的外接矩形,并记录外接矩形的长度、宽度和面积,获取最小外接矩形的RectMin,并得到其面积值赋给变量AreaMin,设置旋转角度α=0;
步骤A332,对轮廓区域进行旋转一个角度θ,按照步骤A331求取旋转后的最小外接矩形RectTmp,获得其面积值赋给变量AreaTmp;
步骤A333,设置旋转角α=α+θ,比较AreaTmp和AreaMin的大小,将小面积值赋给AreaMin,并将此时的旋转角赋值给β=α,矩形信息赋给RectMin=RectTmp;
步骤A334,循环执行步骤A332、步骤A333,最终获取一个最小的外接矩形RectMin以及与之对应的旋转角度α;
步骤A335,将计算出的矩形RectMin反旋转一个β角度,获得最小外接矩形。
通过对SAR图像的预处理并提取ROI区域可以获取大量的舰船备选区域。同时,也可以看到图像中出现了大量的虚警,同时标记出的目标区域检测效果也不佳。因为在背景中有大量的干扰,使得目标区域难以被突出辨认。
步骤S40,基于提取的ROI区域,通过粗过滤,获取可信度较高的区域。
在本实例中,基于舰船的尺寸、灰度以及其邻域的灰度特性,对初选的ROI区域进行过滤。这种方法首先利用先验知识,将舰船的尺寸、灰度以及其邻域的灰度约束在一个给定的范围内,然后利用阈值的方法对其进行过滤。这种方法尽可能的利用了舰船的特征,保证了较低的漏检率。具体步骤如下:
步骤S41,几何形态过滤
定义ROI区域的最小外接矩形的长度为L,宽度为W(L>W),面积为L×W,则最小外接矩形的长宽比为L/W。依据舰船的几何特征,ROI区域如果不满足设置的几何形态条件,则将其过滤。
依据舰船的几何特征,ROI区域应满足下列式(31)的约束:
其中,Rmax表示最大长宽比,Amax表示最小外接矩形的最大可能面积,Amin表示最小外接矩形的最小可能面积。
步骤S42,空间位置过滤
一般来说,相邻舰船的航行会间隔一定距离。倘若ROI区域周边很近的范围内,存在其他目标,说明这个ROI区域是虚警。通过这种方法可以过滤掉陆地上的大量错误目标。本实例通过形态学膨胀和轮廓提取的办法,判断ROI区域周边是否存在其他目标,具体步骤如下:
步骤A421,获取仅包含ROI区域最小外接矩形的二值图,ROI区域灰度值为1,其他区域灰度值为0;
步骤A422,对二值图做膨胀操作,增大ROI区域的范围;
步骤A423,分别从原始二值图上和膨胀后的二值图上提取某一个ROI区域及其一定局部范围内的图像块。ROI区域的中心的表示为(xo,yo),面积为Areao;
步骤A424,对膨胀后的二值图中的ROI区域进行轮廓提取和计算最小外接矩形,并得到其中心为(xn,yn),面积为Arean;
步骤A425,倘若ROI区域是独立的,膨胀后的二值图中的ROI区域的中心点和面积变化不大,否则会发生中心点的偏移和面积的增长。这个关系可用下式表示。那么,当ROI区域满足空间位置条件(To表示中心点的偏移阈值,Tarea表示面积的变化阈值)时,认为ROI区域是独立的,否则认为ROI区域与其他目标过近,需要被过滤掉。具体约束如式(32)所示:
步骤A426,遍历全部的ROI区域,基于步骤A421至步骤A425确定其是否具有独立性。若ROI区域独立,则保留,反之则剔除。
步骤S43,灰度特征过滤
舰船目标的灰度值显著特征中间亮,四周暗。对于ROI区域分别计算区域内的平均灰度值gin,和外接邻域的平均灰度值gout。当gin和gout满足灰度特征条件时(其中Tin表示ROI区域内的灰度阈值,Tout表示ROI区域外接邻域的灰度阈值),即可认为该ROI区域是疑似的舰船目标区域。具体灰度特征条件约束如式(33)所示:
gin>Tin,gout<Tout (33)
步骤S50,在所述待定位的SAR图像中,对所述可信度较高的区域进行位置标记,获取定位信息。
本发明属于海洋舰船、机场飞机和阵地汽车检测,需要给出待定位的SAR图像在世界坐标系下的精确值。在本实例中,返回到原始分辨率的待定位的SAR图像块中,对步骤S40中获取的可信度较高的区域采用矩形框或其他标志进行标记,并获取可信度较高区域的定位信息。
本发明第二实施例的一种基于ROI区域的SAR图像目标定位系统,如图2所示,包括:获取模块100、预处理模块200、提取模块300、过滤模块400、标记模块500;
获取模块100,配置为获取待定位的SAR图像,作为输入信息;
预处理模块200,配置为基于所述输入信息,通过滤波和非线性拉伸进行预处理,得到预处理图像;
提取模块300,配置为对预处理图像分割后进行形态学处理,并提取ROI区域;
过滤模块400,配置为基于提取的ROI区域,通过粗过滤,获取可信度较高的区域;
标记模块500,配置为在所述待定位的SAR图像中,对所述可信度较高的区域进行位置标记,获取定位信息。
所述技术领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的系统的具体的工作过程及有关说明,可以参考签署方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的基于ROI区域的SAR图像目标定位系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种存储装置,其中存储有多条程序,所述程序适用于由处理器加载并实现上述的基于ROI区域的SAR图像目标定位方法。
本发明第四实施例的一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于ROI区域的SAR图像目标定位方法。
所述技术领域的技术人员可以清楚的了解到,未描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考签署方法实例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (7)
1.一种基于ROI区域的SAR图像目标定位方法,其特征在于,该方法包括:
步骤S10,获取待定位的SAR图像,作为输入信息;
步骤S20,基于所述输入信息,通过滤波和非线性拉伸进行预处理,得到预处理图像;
步骤S30,对预处理图像分割后进行形态学处理,并提取ROI区域;
步骤S40,基于提取的ROI区域,通过粗过滤,获取可信度较高的区域;
步骤S50,在所述待定位的SAR图像中,对所述可信度较高的区域进行位置标记,获取定位信息;
所述粗过滤包括几何形态过滤、空间位置过滤、灰度特征过滤;
所述几何形态过滤计算方法为:
L/W<Rmax
Amin<L×W<Amax
其中,L为ROI区域的最小外接矩形的长度,W为ROI区域的最小外接矩形的宽度,Rmax为ROI区域的最小外接矩形的最大长宽比,Amax为ROI区域的最小外接矩形的最大可能面积,Amin为ROI区域的最小外接矩形的最小可能面积;
所述空间位置过滤计算方法为:
|(xo-xn)+(yo-yn)|<To
|Areao-Arean|<Tarea
(xo,yo)表示二值图提取的ROI区域的中心坐标,(xn,yn)表示形态学运算后得到的膨胀二值图提取的ROI区域的中心坐标,Areao代表二值图提取的ROI区域的最小外接矩形面积,Arean表示形态学运算后得到的膨胀二值图提取的ROI区域的最小外接矩形面积,To表示中心点的偏移阈值,Tarea表示面积的变化阈值;
所述灰度特征过滤计算方法为:
gin>Tin,gout<Tout
gin表示ROI区域内的平均灰度值,gout表示ROI区域外接邻域的平均灰度值,Tin表示ROI区域内的灰度阈值,Tout表示ROI区域外接邻域的灰度阈值。
2.根据权利要求1所述的基于ROI区域的SAR图像目标定位方法,其特征在于,步骤S20中滤波方法为:采用增强型Lee滤波算法去除噪声;
非线性拉伸方法为:通过全局直方图均衡化对图像进行非线性拉伸,重新分配图像像元值。
3.根据权利要求1所述的基于ROI区域的SAR图像目标定位方法,其特征在于,所述的对预处理图像分割并进行形态学处理,其方法为:
采用二维OTSU分割预处理图像,获取最佳分割阈值,并基于该阈值将像素灰度值进行二值化,得到二值图;
对分割后的预处理图像进行形态学运算。
4.根据权利要求3所述的基于ROI区域的SAR图像目标定位方法,其特征在于,所述ROI区域,其提取方法为:
基于获取到的二值图区域划分,采用边界跟踪算法,提取边界并记录边界像素的位置;
获取所提取边界的最小外接矩形,并以该矩形所包围的区域作为所提取的ROI区域。
5.一种基于ROI区域的SAR图像目标定位系统,其特征在于,该系统包括获取模块、预处理模块、提取模块、过滤模块、标记模块;
所述的获取模块,配置为获取待定位的SAR图像,作为输入信息;
所述的预处理模块,配置为基于所述输入信息,通过滤波和非线性拉伸进行预处理,得到预处理图像;
所述的提取模块,配置为对预处理图像分割后进行形态学处理,并提取ROI区域;
所述的过滤模块,配置为基于提取的ROI区域,采用粗过滤,输出可信度较高的区域;
所述的标记模块,配置为在所述待定位的SAR图像中,对所述可信度较高的区域进行位置标记,获取定位信息;
所述粗过滤包括几何形态过滤、空间位置过滤、灰度特征过滤;
所述几何形态过滤计算方法为:
L/W<Rmax
Amin<L×W<Amax
其中,L为ROI区域的最小外接矩形的长度,W为ROI区域的最小外接矩形的宽度,Rmax为ROI区域的最小外接矩形的最大长宽比,Amax为ROI区域的最小外接矩形的最大可能面积,Amin为ROI区域的最小外接矩形的最小可能面积;
所述空间位置过滤计算方法为:
|(x0-xn)+(y0-yn)|<To
|Areao-Arean|<Tarea
(xo,yo)表示二值图提取的ROI区域的中心坐标,(xn,yn)表示形态学运算后得到的膨胀二值图提取的ROI区域的中心坐标,Areao代表二值图提取的ROI区域的最小外接矩形面积,Arean表示形态学运算后得到的膨胀二值图提取的ROI区域的最小外接矩形面积,To表示中心点的偏移阈值,Tarea表示面积的变化阈值;
所述灰度特征过滤计算方法为:
gin>Tin,gout<Tout
gin表示ROI区域内的平均灰度值,gout表示ROI区域外接邻域的平均灰度值,Tin表示ROI区域内的灰度阈值,Tout表示ROI区域外接邻域的灰度阈值。
6.一种存储装置,其中存储有多条程序,其特征在于,所述程序应用由处理器加载并执行以实现权利要求1-4任一项所述的基于ROI区域的SAR图像目标定位方法。
7.一种处理装置,包括处理器、存储装置;处理器,执行各条程序;存储装置,存储多条程序;其特征在于,所述程序由处理器加载并执行以实现权利要求1-4任一项所述的基于ROI区域的SAR图像目标定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910386283.0A CN110031843B (zh) | 2019-05-09 | 2019-05-09 | 基于roi区域的sar图像目标定位方法、系统、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910386283.0A CN110031843B (zh) | 2019-05-09 | 2019-05-09 | 基于roi区域的sar图像目标定位方法、系统、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110031843A CN110031843A (zh) | 2019-07-19 |
CN110031843B true CN110031843B (zh) | 2020-12-25 |
Family
ID=67241764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910386283.0A Active CN110031843B (zh) | 2019-05-09 | 2019-05-09 | 基于roi区域的sar图像目标定位方法、系统、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110031843B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648341B (zh) * | 2019-09-19 | 2022-09-30 | 福建师范大学 | 一种基于尺度空间和子图的目标边界检测方法 |
CN110579486A (zh) * | 2019-10-18 | 2019-12-17 | 东莞市庆颖智能自动化科技有限公司 | 半导体硅晶柱内部瑕疵影像检测设备及方法 |
CN111368573A (zh) * | 2020-03-02 | 2020-07-03 | 凌云光技术集团有限责任公司 | 一种基于几何特征约束的定位方法 |
CN111626326B (zh) * | 2020-04-13 | 2024-02-02 | 广州博进信息技术有限公司 | 一种复杂背景下大区域多目标硅藻提取与识别方法 |
CN112036258B (zh) * | 2020-08-07 | 2022-05-13 | 广东海洋大学 | 基于投影零化递归神经网络的遥感图像目标检测算法 |
CN112418156B (zh) * | 2020-12-07 | 2022-09-30 | 北京航空航天大学 | 基于无监督分类的光学遥感图像海面舰船目标检测方法 |
CN112734788B (zh) * | 2021-01-07 | 2024-04-09 | 西安电子科技大学 | 高分辨sar飞机目标轮廓提取方法、系统、存储介质及设备 |
CN112837206B (zh) * | 2021-01-27 | 2023-10-20 | 厦门树冠科技有限公司 | 一种任意形状roi信息压缩处理方法、系统、介质及设备 |
CN113064167B (zh) * | 2021-03-17 | 2022-08-05 | 电子科技大学 | 一种基于兴趣区域检测的sar成像场景划分方法 |
CN114298916B (zh) * | 2021-11-11 | 2023-04-18 | 电子科技大学 | 一种基于灰度拉伸和局部增强的X-Ray图像增强方法 |
CN114549551A (zh) * | 2022-02-15 | 2022-05-27 | Oppo广东移动通信有限公司 | 图像的裁剪方法与装置、终端及可读存储介质 |
CN114779192B (zh) * | 2022-06-17 | 2022-09-20 | 中国科学院空天信息创新研究院 | Sar无场定标方法、装置、电子设备及存储介质 |
CN116740332B (zh) * | 2023-06-01 | 2024-04-02 | 南京航空航天大学 | 基于区域检测的星上空间目标部件中心定位和测角方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
US20100239170A1 (en) * | 2009-03-18 | 2010-09-23 | Asnis Gary I | System and method for target separation of closely spaced targets in automatic target recognition |
CN107369163A (zh) * | 2017-06-15 | 2017-11-21 | 西安微电子技术研究所 | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 |
CN109191420A (zh) * | 2018-07-02 | 2019-01-11 | 上海卫星工程研究所 | 一种船舶目标切片图像的roi压缩方法 |
-
2019
- 2019-05-09 CN CN201910386283.0A patent/CN110031843B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100239170A1 (en) * | 2009-03-18 | 2010-09-23 | Asnis Gary I | System and method for target separation of closely spaced targets in automatic target recognition |
CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
CN107369163A (zh) * | 2017-06-15 | 2017-11-21 | 西安微电子技术研究所 | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 |
CN109191420A (zh) * | 2018-07-02 | 2019-01-11 | 上海卫星工程研究所 | 一种船舶目标切片图像的roi压缩方法 |
Non-Patent Citations (1)
Title |
---|
基于FPGA特定背景条件下的目标图像检测算法设计与实现;张波;《中国优秀硕士学位论文全文数据库信息科技辑》;20170515(第5期);正文第17-28、34-37、46-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110031843A (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110031843B (zh) | 基于roi区域的sar图像目标定位方法、系统、装置 | |
Yang et al. | Ship detection from optical satellite images based on sea surface analysis | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
Zhai et al. | Inshore ship detection via saliency and context information in high-resolution SAR images | |
Qi et al. | A robust directional saliency-based method for infrared small-target detection under various complex backgrounds | |
US10497128B2 (en) | Method and system for sea background modeling and suppression on high-resolution remote sensing sea images | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
Jarabo-Amores et al. | Spatial-range mean-shift filtering and segmentation applied to SAR images | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
CN111008585B (zh) | 基于自适应分层高分辨sar图像的舰船目标检测方法 | |
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 | |
Hwang et al. | A practical algorithm for the retrieval of floe size distribution of Arctic sea ice from high-resolution satellite Synthetic Aperture Radar imagery | |
CN111353371A (zh) | 基于星载sar影像的海岸线提取方法 | |
CN110889843A (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
AlAzawee et al. | Using morphological operations—Erosion based algorithm for edge detection | |
CN107194896A (zh) | 一种基于邻域结构的背景抑制方法和系统 | |
CN113077514A (zh) | 一种sar图像船只弱尾迹增强与检测方法 | |
Buck et al. | Enhanced ship detection from overhead imagery | |
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 | |
CN111222470A (zh) | 基于多元高斯分布与PCANet的可见光遥感图像舰船检测方法 | |
Zehtabian et al. | Adaptive restoration of multispectral datasets used for SVM classification | |
CN110728311A (zh) | 一种图像处理方法、装置和存储介质 | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
Kondaveeti et al. | Abridged shape matrix representation for the recognition of aircraft targets from 2D ISAR imagery | |
Zhai et al. | Segmentation-based ship detection in harbor for SAR images |
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 |