CN110110618A - 一种基于pca和全局对比度的sar目标检测方法 - Google Patents

一种基于pca和全局对比度的sar目标检测方法 Download PDF

Info

Publication number
CN110110618A
CN110110618A CN201910323751.XA CN201910323751A CN110110618A CN 110110618 A CN110110618 A CN 110110618A CN 201910323751 A CN201910323751 A CN 201910323751A CN 110110618 A CN110110618 A CN 110110618A
Authority
CN
China
Prior art keywords
pixel
super
global contrast
num
sar
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.)
Granted
Application number
CN201910323751.XA
Other languages
English (en)
Other versions
CN110110618B (zh
Inventor
于雪莲
李海翔
唐永昊
周云
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910323751.XA priority Critical patent/CN110110618B/zh
Publication of CN110110618A publication Critical patent/CN110110618A/zh
Application granted granted Critical
Publication of CN110110618B publication Critical patent/CN110110618B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (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)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

该发明公开了一种基于PCA和全局对比度的SAR目标检测方法，属于合成孔径雷达遥感技术目标检测领域，具体涉及利用主成分分析法和利用全局对比度想法结合的方法，生成SAR目标的显著图。本发明与传统的检测方法相比，采用超像素作为目标检测元，结合全局对比度的视觉注意模型，本发明可以取得更好的检测性能；本发明与传统的检测方法相比，检测所耗时间更短；本发明与传统的检测方法相比，在SAR图像中能更完整地保留目标原有形态。

Description

一种基于PCA和全局对比度的SAR目标检测方法
技术领域
本发明属于合成孔径雷达遥感技术目标检测领域，具体涉及利用主成分分析法和利用全局对比度想法结合的方法，生成SAR目标的显著图。
背景技术
合成孔径雷达是一种在遥感领域应用广泛的监测设备。它在海面监视、灾害监测、地质测绘等领域发挥着重要的作用。合成孔径雷达技术一般可分为成像技术和图像解译技术。但现在，图像解译技术似乎要远远落后于成像技术，这严重制约了SAR的进一步应用和发展。因而，研究先进的解译技术是很有必要的。
检测是SAR解译的重要环节和关键步骤，其结果将直接影响后续的鉴别、分类处理。在雷达信号处理中最为常见的检测技术是恒需警率检测(CFAR)，而具体到SAR检测中一般采用双参数CFAR。但是，CFAR的建立基础是对杂波正确建模，只有模型和实际杂波吻合时，CFAR的性能才会很好；而SAR图像的场景一般都会很复杂，这时很难对背景杂波进行理想的建模，所以，CFAR在实际应用中其性能并不总是很理想。
为了获得良好的SAR图像检测效果，近年来，不少学者将计算机视觉领域内的研究热点，视觉注意模型，引入到了SAR检测中。基于这些模型的显著性算法，在它们各自的检测任务中，确实展现出了不俗的性能。例如，zhang等人结合显著性和gamma分布，提出了一种适用于SAR图像的目标区域提取算法；Schwegmann等人将船只视为显著目标，对比了CFAR和经典显著性模型SR和FT的检测性能，后两者有着更好的表现；针对弱目标，Lai等人改进了ITTI显著性模型，新算法在准确率和时间复杂度上表现良好；Jin等人在飓风检测中，将显著性方法和模板匹配相融合，获得了优良的检测性能；Liu等人将线检测和显著性分析相结合，成功地应用到了SAR图像机场检测中。这些研究不仅仅顺利完成了各自的检测任务，还为SAR检测提供了新的发展方向。
发明内容
本发明的目的是为了克服已有的SAR图像目标检测中的不足，引入视觉注意模型以提高SAR图像目标检测的效果和效率。
本发明的基本思路是：鉴于视觉注意模型再光学图像上的成功应用，将其引用进SAR图像检测中来，并结合主成分分析方法，以提高SAR图像目标检测性能。
本发明的技术方案是，一种基于PCA和全局对比度的SAR目标检测方法，具体包括以下步骤：
步骤1：针对原始SAR图像，使用高斯滤波器对原始图像进行滤波；设矩阵A(m,n)为原始SAR图像，A(m,n)表示原始SAR图像(m,n)位置的元素，矩阵B表示高斯核，C表示滤波后得到的图像；滤波公式为如下所示：
其中，s∈[0,MA+MB-1]，t∈[0,NA+NB-1]，MA为矩阵A的行数，NA为矩阵A的列数，MB为矩阵B的行数，NB为矩阵B的列数，C(s,t)表示滤波后的图像坐标(s，t)位置的像素值；
步骤2：对滤波后的图像进行线性迭代聚类处理，分割为N个超像素{SP1,SP2,…,SPN}；
步骤3：对每个超像素进行特征提取；
步骤4：通过以下公式计算每一个超像素的全局对比度特征G(i)；
Wnum(j)＝num(j)/max(num)
其中，g(i)表示对全局对比度的量化，Wnum(j)表示归一化的第j个超像素，max(·)表示取最大值，G(i)为第i个超像素的全局对比度；T是确定全局对比度的阈值，依据g(i)的分布来人工选取；
步骤5：融合P(i)和G(i)，i＝1,…,N，利用下式生成显著图；
S(i)＝P(i)×G(i)i＝1,…,N
S(i)为第i个超像素的显著性值；然后对进行归一化处理，得到了显著图SM；
步骤6：计算显著目标区域；
步骤6a)将显著图SM中第i个元素sm(i)中的零元素剔除，组成新的数组x＝1，…，N1，其中N1表示将零元素剔除掉之后剩下的元素个数
步骤6b)按下式设置自适应阈值TD；
TD＝μ+kσ
其中，μ为的均值，σ为的标准差，k为经验常数；
步骤6c)在显著图上通过下式确定显著目标区域Img(x)；
高于阈值的地方就是显著目标区域。
进一步的，所述步骤3的具体方法为：
步骤3a)对每个超像素的内部像素按照灰度大小从高到低进行排序,得到像素排列矩阵；
步骤3b)取前M个像素排成一个M维的列向量代表各个超像素；其中；
M＝min({num(1),…,num(N)})
min(·)表示取最小值，{num(1),num(2),…,num(N)}为N个超像素包含的像素个数；
步骤3c)对步骤3b得到的结果取绝对值作为对应超像素的特征，即；
P(i)＝abs(ξ(i))i＝1,…,N
p(i)表示第i个超像素的特征，i为超像素序号，ξ(i)表示步骤3b提取的第i个超像素的前M个像素，abs(·)表示取绝对值；然后对P(i)进行归一化：P(i)＝Θ(P(i))，其中Θ(·)为归一化算子，将向量归一化到[0,255]，
Θ(P(i))＝(P(i)/max P(i))×255
max P(i)为P(i)中元素的最大值。
本发明与传统的SAR目标检测方法相比有以下优点：
1，本发明与传统的检测方法相比，采用超像素作为目标检测元，结合全局对比度的视觉注意模型，本发明可以取得更好的检测性能；
2，本发明与传统的检测方法相比，检测所耗时间更短；
3，本发明与传统的检测方法相比，在SAR图像中能更完整地保留目标原有形态。
附图说明：
图1为本发明流程示意图；
图2为用于测试的原始真实SAR图像，其中标注出了一些显著目标。用蓝色方框标注出显著目标；
图3为高斯滤波之后的图像；
图4为经过SLIC处理后被分割为若干超像素的图像；
图5为采取PCA之后的特征图；
图6为采取全局对比度特征图；
图7为本发明生成的显著图；
图8(a)和图8(b)分别为将原始图像经过双参数CFAR和本发明两种方法得到的检测结果。
具体实施方式：
下面结合实例对本发明做出进一步说明：
(一)实验条件
实验平台为MATLAB 2014b
实验数据本：来源于TerraSAR的一幅海面场景，其大小为670×320。
(二)仿真实验过程
步骤1：对原始图像图2进行高斯滤波，得到图3；
步骤2：对图3采取SLIC方法进行超像素分割，得到图4；
步骤3：对图4得到的每一块超像素块进行PCA处理，得到其特征图图5；
步骤4：对图5计算全局对比度，得到全局对比度特征图图6；
步骤5：融合图5与图6，得到显著图图7；
步骤6：对图7进行分割处理，得到目标检测的结果图8(b)；
步骤7：对原始图像图2进行传统CFAR检测处理，得到检测结果图图8
(a)；
步骤8：分别计算本发明和传统CFAR的检测时间
(三)实验结论分析：
为了评估目标检测性能，我们在同一MATLAB环境下进行检测，对比采用
传统CFAR检测算法对目标进行检测的结果。
如图(8)所示，我们能够明显直观的看到本发明方法的检测效果要比传
统CFAR方法的检测效果更好。同时，利用CFAR的检测时间为10.169秒，利用本发明方法的检测时间为3.106秒。
综上所述，本发明的检测方法利用更少的时间获得更佳的检测结果，性能要优于传统CFAR方法。

Claims (2)

1.一种基于PCA和全局对比度的SAR目标检测方法，具体包括以下步骤：
步骤1：针对原始SAR图像，使用高斯滤波器对原始图像进行滤波；设矩阵A(m,n)为原始SAR图像，A(m,n)表示原始SAR图像(m,n)位置的元素，矩阵B表示高斯核，C表示滤波后得到的图像；滤波公式为如下所示：
其中，s∈[0,MA+MB-1]，t∈[0,NA+NB-1]，MA为矩阵A的行数，NA为矩阵A的列数，MB为矩阵B的行数，NB为矩阵B的列数，C(s,t)表示滤波后的图像坐标(s，t)位置的像素值；
步骤2：对滤波后的图像进行线性迭代聚类处理，分割为N个超像素{SP1,SP2,…,SPN}；
步骤3：对每个超像素进行特征提取；
步骤4：通过以下公式计算每一个超像素的全局对比度特征G(i)；
Wnum(j)＝num(j)/max(num)
其中，g(i)表示对全局对比度的量化，Wnum(j)表示归一化的第j个超像素，max(·)表示取最大值，G(i)为第i个超像素的全局对比度；T是确定全局对比度的阈值，依据g(i)的分布来人工选取；
步骤5：融合P(i)和G(i)，i＝1,…,N，利用下式生成显著图；
S(i)＝P(i)×G(i)i＝1,…,N
S(i)为第i个超像素的显著性值；然后对进行归一化处理，得到了显著图SM；
步骤6：计算显著目标区域；
步骤6a)将显著图SM中第i个元素sm(i)中的零元素剔除，组成新的数组 其中N1表示将零元素剔除掉之后剩下的元素个数
步骤6b)按下式设置自适应阈值TD；
TD＝μ+kσ
其中，μ为的均值，σ为的标准差，k为经验常数；
步骤6c)在显著图上通过下式确定显著目标区域Img(x)；
高于阈值的地方就是显著目标区域。
2.如权利要求1所述的一种基于PCA和全局对比度的SAR目标检测方法，其特征在于所述步骤3的具体方法为：
步骤3a)对每个超像素的内部像素按照灰度大小从高到低进行排序,得到像素排列矩阵；
步骤3b)取前M个像素排成一个M维的列向量代表各个超像素；其中；
M＝min({num(1),…,num(N)})
min(·)表示取最小值，{num(1),num(2),…,num(N)}为N个超像素包含的像素个数；
步骤3c)对步骤3b得到的结果取绝对值作为对应超像素的特征，即；
P(i)＝abs(ξ(i))i＝1,…,N
p(i)表示第i个超像素的特征，i为超像素序号，ξ(i)表示步骤3b提取的第i个超像素的前M个像素，abs(·)表示取绝对值；然后对P(i)进行归一化：P(i)＝Θ(P(i))，其中Θ(·)为归一化算子，将向量归一化到[0,255]，
Θ(P(i))＝(P(i)/max P(i))×255
max P(i)为P(i)中元素的最大值。
CN201910323751.XA 2019-04-22 2019-04-22 一种基于pca和全局对比度的sar目标检测方法 Expired - Fee Related CN110110618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910323751.XA CN110110618B (zh) 2019-04-22 2019-04-22 一种基于pca和全局对比度的sar目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910323751.XA CN110110618B (zh) 2019-04-22 2019-04-22 一种基于pca和全局对比度的sar目标检测方法

Publications (2)

Publication Number Publication Date
CN110110618A true CN110110618A (zh) 2019-08-09
CN110110618B CN110110618B (zh) 2022-10-14

Family

ID=67486172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910323751.XA Expired - Fee Related CN110110618B (zh) 2019-04-22 2019-04-22 一种基于pca和全局对比度的sar目标检测方法

Country Status (1)

Country Link
CN (1) CN110110618B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110895333A (zh) * 2019-12-05 2020-03-20 电子科技大学 一种基于多普勒频率的77g车载雷达数据快速聚类方法
CN112766286A (zh) * 2021-02-05 2021-05-07 清华大学 一种基于sar图像全局-局部特征的舰船目标检测方法
CN112766032A (zh) * 2020-11-26 2021-05-07 电子科技大学 一种基于多尺度和超像素分割的sar图像显著图生成方法
CN113256720A (zh) * 2021-06-03 2021-08-13 浙江大学 一种同时检测sar图像船只及其尾迹的方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139028A (zh) * 2015-08-13 2015-12-09 西安电子科技大学 基于分层稀疏滤波卷积神经网络的sar图像分类方法
CN105427314A (zh) * 2015-11-23 2016-03-23 西安电子科技大学 基于贝叶斯显著性的sar图像目标检测方法
EP3022582A1 (en) * 2013-07-19 2016-05-25 Consiglio Nazionale Delle Ricerche Method for filtering of interferometric data acquired by synthetic aperture radar (sar)
CN106611427A (zh) * 2015-10-21 2017-05-03 中国人民解放军理工大学 基于候选区域融合的视频显著性检测方法
CN107424142A (zh) * 2017-03-30 2017-12-01 上海万如科技发展有限公司 一种基于图像显著性检测的焊缝识别方法
CN107784655A (zh) * 2016-12-28 2018-03-09 中国测绘科学研究院 一种自适应阈值的视觉注意模型sar舰船检测算法
CN108537102A (zh) * 2018-01-25 2018-09-14 西安电子科技大学 基于稀疏特征与条件随机场的高分辨sar图像分类方法
CN108573221A (zh) * 2018-03-28 2018-09-25 重庆邮电大学 一种基于视觉的机器人目标零件显著性检测方法
CN108830883A (zh) * 2018-06-05 2018-11-16 成都信息工程大学 基于超像素结构的视觉注意sar图像目标检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3022582A1 (en) * 2013-07-19 2016-05-25 Consiglio Nazionale Delle Ricerche Method for filtering of interferometric data acquired by synthetic aperture radar (sar)
CN105139028A (zh) * 2015-08-13 2015-12-09 西安电子科技大学 基于分层稀疏滤波卷积神经网络的sar图像分类方法
CN106611427A (zh) * 2015-10-21 2017-05-03 中国人民解放军理工大学 基于候选区域融合的视频显著性检测方法
CN105427314A (zh) * 2015-11-23 2016-03-23 西安电子科技大学 基于贝叶斯显著性的sar图像目标检测方法
CN107784655A (zh) * 2016-12-28 2018-03-09 中国测绘科学研究院 一种自适应阈值的视觉注意模型sar舰船检测算法
CN107424142A (zh) * 2017-03-30 2017-12-01 上海万如科技发展有限公司 一种基于图像显著性检测的焊缝识别方法
CN108537102A (zh) * 2018-01-25 2018-09-14 西安电子科技大学 基于稀疏特征与条件随机场的高分辨sar图像分类方法
CN108573221A (zh) * 2018-03-28 2018-09-25 重庆邮电大学 一种基于视觉的机器人目标零件显著性检测方法
CN108830883A (zh) * 2018-06-05 2018-11-16 成都信息工程大学 基于超像素结构的视觉注意sar图像目标检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
TAO LI ET AL.: "Target Detection by Exploiting Superpixel-Level Statistical Dissimilarity for SAR Imagery", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
孙君顶 等: "融合高低层多特征的显著性检测算法", 《液晶与显示》 *
张强: "基于视觉注意的SAR目标快速检测算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
张衡 等: "一种基于视觉显著性的SAR图像弱目标检测算法", 《电子信息对抗技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110895333A (zh) * 2019-12-05 2020-03-20 电子科技大学 一种基于多普勒频率的77g车载雷达数据快速聚类方法
CN110895333B (zh) * 2019-12-05 2022-06-03 电子科技大学 一种基于多普勒频率的77g车载雷达数据快速聚类方法
CN112766032A (zh) * 2020-11-26 2021-05-07 电子科技大学 一种基于多尺度和超像素分割的sar图像显著图生成方法
CN112766286A (zh) * 2021-02-05 2021-05-07 清华大学 一种基于sar图像全局-局部特征的舰船目标检测方法
CN112766286B (zh) * 2021-02-05 2021-09-14 清华大学 一种基于sar图像全局-局部特征的舰船目标检测方法
CN113256720A (zh) * 2021-06-03 2021-08-13 浙江大学 一种同时检测sar图像船只及其尾迹的方法
CN113256720B (zh) * 2021-06-03 2021-09-24 浙江大学 一种同时检测sar图像船只及其尾迹的方法

Also Published As

Publication number Publication date
CN110110618B (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN108460341B (zh) 基于集成深度卷积网络的光学遥感图像目标检测方法
CN110110618A (zh) 一种基于pca和全局对比度的sar目标检测方法
CN113065558A (zh) 一种结合注意力机制的轻量级小目标检测方法
CN109655825A (zh) 多传感器融合的数据处理方法、装置与多传感器融合方法
CN108875600A (zh) 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
CN108596108B (zh) 基于三元组语义关系学习的航拍遥感图像变化检测方法
CN103413151B (zh) 基于图正则低秩表示维数约简的高光谱图像分类方法
CN109255317A (zh) 一种基于双网络的航拍图像差异检测方法
CN110795982A (zh) 一种基于人体姿态分析的表观视线估计方法
CN106503170B (zh) 一种基于遮挡维度的图像库构建方法
CN109255286A (zh) 一种基于yolo深度学习网络框架的无人机光学快速检测识别方法
CN101882314A (zh) 基于超完备稀疏表示的红外小目标检测方法
CN105488541A (zh) 增强现实系统中基于机器学习的自然特征点识别方法
CN106295657A (zh) 一种视频数据结构化过程中提取人体高度特征的方法
CN108320310B (zh) 基于图像序列的空间目标三维姿态估计方法
CN111260687B (zh) 一种基于语义感知网络和相关滤波的航拍视频目标跟踪方法
CN106897730B (zh) 基于融合类别信息与局部保持投影的sar目标型号识别方法
CN106886754B (zh) 一种基于三角面片的三维场景下的物体识别方法及系统
CN110321869A (zh) 基于多尺度融合网络的人员检测和提取方法
CN113297982A (zh) 一种面向航拍改进kcf和dsst相结合的目标检测方法
CN111126508A (zh) 一种基于hopc改进的异源图像匹配方法
WO2023273337A1 (zh) 一种基于代表特征的遥感图像中的密集目标检测方法
CN105205826B (zh) 一种基于方向直线筛选的sar图像目标方位角估计方法
Chen A corner matching algorithm based on Harris operator
Majidi et al. Aerial tracking of elongated objects in rural environments

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20221014