CN110309793A - 一种基于图像比特分层解译的sar目标识别方法 - Google Patents
一种基于图像比特分层解译的sar目标识别方法 Download PDFInfo
- Publication number
- CN110309793A CN110309793A CN201910599701.4A CN201910599701A CN110309793A CN 110309793 A CN110309793 A CN 110309793A CN 201910599701 A CN201910599701 A CN 201910599701A CN 110309793 A CN110309793 A CN 110309793A
- Authority
- CN
- China
- Prior art keywords
- sar image
- image
- bit
- sar
- interpretation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims description 8
- 229910002056 binary alloy Inorganic materials 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000007493 shaping process Methods 0.000 abstract description 6
- 230000001427 coherent effect Effects 0.000 abstract description 5
- 238000001914 filtration Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于合成孔径雷达(Synthetic Aperture Radar,SAR)图像解译、目标识别领域,具体为一种基于图像比特分层解译的SAR目标识别方法。本发明中原始SAR图像经过比特分层处理能够抑制SAR图像散斑,并能保持SAR图像局部特征信息,然后通过特征提取方法从分层解译后的SAR图像中提取出鉴别特征,能够有效地改善识别精度;特别适用于高俯仰角SAR图像识别。本发明通过使用比特分层解译完成原始SAR图像的预处理,提高类间差,能够有效的解决SAR图像俯仰角增大后,图像的相干斑噪声较大的情况,因此本发明对于高俯仰角SAR图像数据集能够实现较高准确率的SAR图像目标识别。
Description
技术领域
本发明属于合成孔径雷达(Synthetic Aperture Radar,SAR)图像解译、目标识别领域,具体为一种基于图像比特分层解译的SAR目标识别方法。
背景技术
随着SAR成像技术的不断发展,高分辨SAR图像已在遥感领域应用非常广泛;SAR目标识别是合成孔径雷达的研究热点之一。特征提取和分类器设计是SAR目标识别中至关重要的两步操作,但由于独特的SAR相干成像机制,SAR图像中会包含诸如目标、目标背影、杂波、背景等复杂信息,因此在SAR图像稳健特征提取方面面临重大挑战。
为了抑制SAR图像相干散斑对SAR目标识别的影响,早期的学者已提出图像滤波算法例如Lee,Kuan,Frost滤波器等;但是这些算法存在参数估计问题,并且这些滤波算法可能会损失SAR图像的局部特征信息;而目标的局部信息对SAR图像,尤其是对在大俯仰角下条件下采集的SAR图像识别是非常有用的。
比特分层(Bit Slicing)是一种图像分层解译技术,已在光学图像上得到广泛应用。具体来说,通过将图像像素点转化为8位二进制计数方法,每一位对应一个比特层,从低维到高维对应于比特分层的1-8层,每一个比特层图像均为“0”、“1”二进制图像,该方法能够提取图像中的高阶特征,并能尽可能地保持目标的局部特征。鉴于此,本发明提出一种基于比特分层的SAR目标识别方法,通过比特分层处理原始图像,可抑制SAR图像散斑并保持了图像局部特征,然后利用全局特征提取方法进行稳健特征提取,从而改善目标识别性能。
发明内容
本发明的目的在于针对强散斑对SAR目标识别的影响提供一种基于图像比特分层解译的SAR目标识别方法;本发明中,原始SAR图像经过比特分层处理能够有效抑制SAR图像散斑,并能保持SAR图像局部特征信息,然后通过特征提取方法从分层解译后的SAR图像中提取出判别特征,能够有效地改善识别精度。
为实现上述目的,本发明采用的技术方案为:
一种基于图像比特分层解译的SAR目标识别方法,包括以下步骤:
步骤1:对原始SAR图像进行比特分层预处理,得到数据集;具体过程为:
步骤1.1:对单幅SAR图像中所有像素点执行8位二进制转化,每个像素点得到8位二进制数,抽取每个像素点的8位二进制数的最高位(最左侧一位)对应构成比特分层的第8比特层,标记为I;如图2所示;
步骤1.2:将第8比特层I与其原始SAR图像G完成点乘运算,得到经过比特分层预处理的图像R:
其中,表示点乘运算,两个相同维度的矩阵对应元素相乘;
步骤1.3:将经过比特分层预处理后的图像R执行向量化、归一化处理;
步骤2:对步骤1得到的数据集进行全局特征提取(PCA),得到判别特征集;
步骤3:采用分类器针对判别特征集完成目标识别。
需要说明的是,本发明中,所述步骤1.1中,经过二进制处理后,一幅SAR图像转化为8幅比特图像,比特图像为0-1二进制图像,之所以选取二进制编码的原因是:像素值的取值范围为[0,255],转化为二进制能够保证该取值范围内的所有像素就能被表示,二进制为编码方法中精度最高的编码方法,通过图2可知,一幅SAR图像经过比特分层后,图像的目标区域逐渐明显,能够保证相干斑噪声被抑制,目标区域得到增强。
所述步骤1.2中,比特分层的第8层图像与原始图像点乘运算,能够将原始SAR图像中对应的像素值直接映射为能够用于分类的SAR图像。这样做的有益效果是:点乘运算实现原始对应元素直接相乘,第8层二进制图像为最高位的二进制数,“0”,“1”值与原始大小不同的像素值相乘,实现图像的重要高阶信息的原封不动的保留,无用信息直接与0相乘过滤消除,使得SAR图像目标信息最大化保留,有利于提高分类的准确率。
综上所述,本发明的有益效果在于:通过使用比特分层解译完成原始SAR图像的预处理,提高类间差,能够有效的解决SAR图像俯仰角增大后,图像的相干斑噪声较大的情况,因此本发明对于高俯仰角SAR图像数据集能够实现较高准确率的SAR图像目标识别。
附图说明
图1本发明一种基于图像比特分层解译的SAR识别方法流程图;
图2本发明实施例中单幅SAR图像进过比特分层的结果示意图;
图3本发明实施例中步骤1.2运算过程示意图。
具体实施方式
以下结合附图和实施例对本发明做详细阐述。
本发明提供一种基于图像比特分层解译的SAR识别方法,其流程如图1所示,原始SAR图像经过比特分层处理能够抑制SAR图像散斑,并能保持SAR图像局部特征信息,然后通过特征提取方法从分层解译后的SAR图像中提取出鉴别特征,能够有效地改善识别精度;特别适用于高俯仰角SAR图像识别。
具体包括以下步骤:
假设SAR图像的某一像素点值为M,计算其对应的8位二进制数表示方式,每一位的0,1值记为xi,i=1,2,...,8,则该像素点值可表示为:
M=xm-12m-1+xm-22m-2+...+x121+x020
其中,m为对应比特层数,x表示像素值转化为二进制后对应位置的取值,M为对应的原始像素值;
步骤1:对原始SAR图像进行比特分层预处理,得到数据集;具体过程为:
步骤1.1:对单幅SAR图像中所有像素点执行8位二进制转化,每个像素点得到8位二进制数,抽取每个像素点的8位二进制数的最高位(最左侧一位)对应构成比特分层的第8比特层,标记为I;如图2所示;
步骤1.2:将第8比特层I与其原始SAR图像G完成点乘运算,得到经过比特分层预处理的图像R:
其中,表示点乘运算,两个相同维度的矩阵对应元素相乘;如图3所示;
步骤1.3:将经过比特分层预处理后的图像R执行向量化、归一化处理;
步骤2:对步骤1得到的数据集进行全局特征提取(PCA),得到判别特征集;
由于SAR图像维度较高的原因,经过比特分层后去除了大量相干斑噪声,需要对形成的数据集执行全局特征提取,保证用于分类的特征均为具有高判别性的特征;
步骤3:采用分类器针对判别特征集完成目标识别;分类器分类实现目标识别,通过支持向量机的分类,完成高精度的SAR图像目标识别。
本实施例中,验证方法采用MSTAR标准数据集,采用三个不同类别的地面目标:2S1、BRDM_2、ZSU23_4,图像大小统一采用128×128像素,PCA降维维度设为90维;训练测试样本分布如表1所示:
表1
表2给出了使用比特分层预处理的识别结果与未使用比特分层的识别结果的对比表,统一采用SVM分类,未采用比特分层的直接进行向量化,归一化,PCA维数约简到90维,采用比特分层的在直接向量化步骤前加入本发明中的比特分层处理;
表2
表3给出了一些其他算法得到的识别结果,HF代表Ding等人提出的分层融合算法,LRDLSR为Dong等人提出的低阶基于字典学习的稀疏表征方法,ERT为极端决策树算法,RAN代表残差注意神经网络,与本发明使用的比特分层方法得到的识别结果对比,可知在比特分层处理后能够有效的提升对于高俯仰角数据集的识别能力。
表3
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (1)
1.一种基于图像比特分层解译的SAR目标识别方法,包括以下步骤:
步骤1:对原始SAR图像进行比特分层预处理,得到数据集;具体过程为:
步骤1.1:对单幅SAR图像中所有像素点执行8位二进制转化,每个像素点得到8位二进制数,抽取每个像素点的8位二进制数的最高位对应构成比特分层的第8比特层I;
步骤1.2:将第8比特层I与其原始SAR图像G完成点乘运算,得到经过比特分层预处理的图像R:
其中,表示点乘运算;
步骤1.3:将经过比特分层预处理后的图像R执行向量化、归一化处理;
步骤2:对步骤1得到的数据集进行全局特征提取,得到判别特征集;
步骤3:采用分类器针对判别特征集完成目标识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910599701.4A CN110309793A (zh) | 2019-07-04 | 2019-07-04 | 一种基于图像比特分层解译的sar目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910599701.4A CN110309793A (zh) | 2019-07-04 | 2019-07-04 | 一种基于图像比特分层解译的sar目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309793A true CN110309793A (zh) | 2019-10-08 |
Family
ID=68078845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910599701.4A Pending CN110309793A (zh) | 2019-07-04 | 2019-07-04 | 一种基于图像比特分层解译的sar目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309793A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385316A (zh) * | 2023-06-01 | 2023-07-04 | 深圳市嘉润原新显科技有限公司 | 多目标图像动态捕捉方法及相关装置 |
CN117115468A (zh) * | 2023-10-19 | 2023-11-24 | 齐鲁工业大学(山东省科学院) | 基于人工智能的图像识别方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070160305A1 (en) * | 2006-01-12 | 2007-07-12 | Gary Demos | Efficient bit-exact lossless image coding residual system |
CN101483777A (zh) * | 2008-12-19 | 2009-07-15 | 西安电子科技大学 | 基于自适应多尺度Bandelet包的SAR图像去噪压缩方法 |
US20090279800A1 (en) * | 2008-05-09 | 2009-11-12 | Kabushiki Kaisha Toshiba | Image compression apparatus, image expansion apparatus, and image processing apparatus |
CN103955701A (zh) * | 2014-04-15 | 2014-07-30 | 浙江工业大学 | 多层次结合的多视合成孔径雷达图像目标识别方法 |
CN105405118A (zh) * | 2015-10-16 | 2016-03-16 | 哈尔滨工程大学 | 基于量子衍生混合蛙跳的水下声纳图像目标检测方法 |
CN107274424A (zh) * | 2017-06-15 | 2017-10-20 | 新疆大学 | 一种彩色图像的分割方法及装置 |
US20180034476A1 (en) * | 2016-07-29 | 2018-02-01 | Western Digital Technologies, Inc. | Hierarchical variable code rate error correction coding |
CN108734171A (zh) * | 2017-04-14 | 2018-11-02 | 国家海洋环境监测中心 | 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法 |
CN109409222A (zh) * | 2018-09-20 | 2019-03-01 | 中国地质大学(武汉) | 一种基于移动端的多视角人脸表情识别方法 |
CN109492570A (zh) * | 2018-11-02 | 2019-03-19 | 电子科技大学 | 一种基于多尺度稀疏表示的sar图像目标识别方法 |
US20190102653A1 (en) * | 2017-09-29 | 2019-04-04 | Konica Minolta Laboratory U.S.A., Inc. | Local connectivity feature transform of binary images containing text characters for optical character/word recognition |
-
2019
- 2019-07-04 CN CN201910599701.4A patent/CN110309793A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070160305A1 (en) * | 2006-01-12 | 2007-07-12 | Gary Demos | Efficient bit-exact lossless image coding residual system |
US20090279800A1 (en) * | 2008-05-09 | 2009-11-12 | Kabushiki Kaisha Toshiba | Image compression apparatus, image expansion apparatus, and image processing apparatus |
CN101483777A (zh) * | 2008-12-19 | 2009-07-15 | 西安电子科技大学 | 基于自适应多尺度Bandelet包的SAR图像去噪压缩方法 |
CN103955701A (zh) * | 2014-04-15 | 2014-07-30 | 浙江工业大学 | 多层次结合的多视合成孔径雷达图像目标识别方法 |
CN105405118A (zh) * | 2015-10-16 | 2016-03-16 | 哈尔滨工程大学 | 基于量子衍生混合蛙跳的水下声纳图像目标检测方法 |
US20180034476A1 (en) * | 2016-07-29 | 2018-02-01 | Western Digital Technologies, Inc. | Hierarchical variable code rate error correction coding |
CN108734171A (zh) * | 2017-04-14 | 2018-11-02 | 国家海洋环境监测中心 | 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法 |
CN107274424A (zh) * | 2017-06-15 | 2017-10-20 | 新疆大学 | 一种彩色图像的分割方法及装置 |
US20190102653A1 (en) * | 2017-09-29 | 2019-04-04 | Konica Minolta Laboratory U.S.A., Inc. | Local connectivity feature transform of binary images containing text characters for optical character/word recognition |
CN109409222A (zh) * | 2018-09-20 | 2019-03-01 | 中国地质大学(武汉) | 一种基于移动端的多视角人脸表情识别方法 |
CN109492570A (zh) * | 2018-11-02 | 2019-03-19 | 电子科技大学 | 一种基于多尺度稀疏表示的sar图像目标识别方法 |
Non-Patent Citations (2)
Title |
---|
PRIYADARSINI等: "Efficient Face Recognition in Video by Bit Planes Slicing", 《JOURNAL OF COMPUTER SCIENCES》 * |
武晔: "视觉导航智能车的道路识别及障碍物检测算法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385316A (zh) * | 2023-06-01 | 2023-07-04 | 深圳市嘉润原新显科技有限公司 | 多目标图像动态捕捉方法及相关装置 |
CN116385316B (zh) * | 2023-06-01 | 2023-08-08 | 深圳市嘉润原新显科技有限公司 | 多目标图像动态捕捉方法及相关装置 |
CN117115468A (zh) * | 2023-10-19 | 2023-11-24 | 齐鲁工业大学(山东省科学院) | 基于人工智能的图像识别方法及系统 |
CN117115468B (zh) * | 2023-10-19 | 2024-01-26 | 齐鲁工业大学(山东省科学院) | 基于人工智能的图像识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728200B (zh) | 一种基于深度学习的实时行人检测方法及系统 | |
CN108427920B (zh) | 一种基于深度学习的边海防目标检测方法 | |
CN113673425B (zh) | 一种基于Transformer的多视角目标检测方法及系统 | |
CN110852182B (zh) | 一种基于三维空间时序建模的深度视频人体行为识别方法 | |
Zhang et al. | Road recognition from remote sensing imagery using incremental learning | |
CN112733822A (zh) | 一种端到端文本检测和识别方法 | |
CN110516525A (zh) | 基于gan和svm的sar图像目标识别方法 | |
CN114758288A (zh) | 一种配电网工程安全管控检测方法及装置 | |
CN113408584A (zh) | Rgb-d多模态特征融合3d目标检测方法 | |
CN110309793A (zh) | 一种基于图像比特分层解译的sar目标识别方法 | |
CN111008979A (zh) | 一种鲁棒的夜晚图像语义分割方法 | |
CN111259733A (zh) | 一种基于点云图像的船舶识别方法及装置 | |
Wang et al. | Traffic sign detection algorithm based on improved YOLOv4 | |
CN116091764A (zh) | 一种基于融合变换网络的云图像分割方法 | |
Sun et al. | Image target detection algorithm compression and pruning based on neural network | |
Giroux et al. | T-fftradnet: Object detection with swin vision transformers from raw ADC radar signals | |
CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
Wang et al. | Based on the improved YOLOV3 small target detection algorithm | |
GONG et al. | Non-segmented Chinese license plate recognition algorithm based on deep neural networks | |
CN116343041A (zh) | 一种基于hrrp与sar数据特征级融合的舰船分类方法 | |
Sun et al. | The recognition framework of deep kernel learning for enclosed remote sensing objects | |
CN112132746A (zh) | 面向智能路侧设备的小尺度行人目标快速超分辨率化方法 | |
CN115082902B (zh) | 一种基于激光雷达点云的车辆目标检测方法 | |
Hu et al. | Dense feature pyramid network for ship detection in SAR images | |
Wang et al. | Road Traffic Vehicle Detection Method Using Lightweight YOLOv5 and Attention Mechanism |
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 |
Application publication date: 20191008 |
|
RJ01 | Rejection of invention patent application after publication |