CN110490889A - 一种基于边缘检测的雷达目标提取方法 - Google Patents
一种基于边缘检测的雷达目标提取方法 Download PDFInfo
- Publication number
- CN110490889A CN110490889A CN201910740438.6A CN201910740438A CN110490889A CN 110490889 A CN110490889 A CN 110490889A CN 201910740438 A CN201910740438 A CN 201910740438A CN 110490889 A CN110490889 A CN 110490889A
- Authority
- CN
- China
- Prior art keywords
- edge
- gradient
- edge detection
- data
- radar
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于边缘检测的雷达目标提取方法,将雷达数据用图像的方式进行处理,具体实现的处理流程为:根据雷达回波幅值动态求解每个触发的噪声门限,应用噪声门限对原始数据进行过滤,对过滤后的数据用sobel算子进行边缘检测,应用非极大值抑制部分消除因边缘厚度造成的不准确性,针对消除后的梯度值用累积剩余熵求解阈值,根据阈值对边缘做进一步过滤,对新的边缘数据进行包络提取,实现雷达目标的提取。本发明的优点在于:在复杂环境下和雷达分辨率不高的情况下,从包络的角度出发,求解多个方向的边缘,并对边缘进行有效过滤,以便提高目标的准确性,同时降低目标分裂的概率。
Description
技术领域
本发明属于雷达数据处理领域,具体涉及一种基于边缘检测的雷达目标提取方法。
背景技术
目标提取直观理解就是提取属于同一目标轮廓以及轮廓内的信息,并根据此信息估计其参数,形成一个能很好反应轮廓的位置信息,以达到提高跟踪的目的,但因在雷达探测目标的过程中,存在海浪、雨雪等噪声的干扰,会导致一个目标可能在不同位置产生多个点迹,即出现目标分裂现象。目前存在的使用图形学提取目标的方法,在数据预处理和阈值的计算上,不能灵活利用数据的变化特性和统计特性,无法很好的实现自适应和兼容性。
发明内容
本发明所要解决的技术问题在于提供了一种能够解决在自适应的情况下,更精确的提取目标包络,降低目标分裂的概率。
本发明是通过以下技术方案解决上述技术问题的:
一种基于边缘检测的雷达目标提取方法,包括以下步骤:
步骤一,动态求解雷达触发的噪声门限,将一个触发的雷达点迹数据作为输入,寻找该触发中的波峰点,对波峰点计算均值,作为该触发的噪声门限;
步骤二,将雷达数据根据步骤一中得到的噪声门限进行过滤,若得到的数据大于等于门限,则幅值保留,若得到的数据小于门限,将幅值设置为0;
步骤三,用sobel算子进行边缘检测,将步骤二过滤后的数据,以方位、距离为坐标,幅值为实际值,形成灰度图像,通过对每一个非零值进行卷积计算,得到梯度值,形成新的灰度图像;
步骤四,对新的灰度图像中的每个像素进行非极大值抑制的算法,将局部最大值之外的所有梯度值抑制为0,达到瘦边效果;
步骤五,使用最大累积剩余熵的方法完成自适应求解边缘数据的阈值,将边缘数据做进一步处理;
步骤六,提取边缘包络,根据边缘检测及过滤的最终结果,寻找每一个边缘的方位、距离最大最小值,得到目标的包络。
作为本发明进一步的技术方案:所述步骤一中寻找该触发中的波峰点,这些波峰点的条件为:
Ai-1<Ai且Ai≥Ai+1;
其中A表示回波幅值,i表示当前幅值的距离单元数;
对一个触发上的所有波峰点求平均值:
其中pcnt表示一个触发上求得的波峰点个数,Ai表示第i个波峰点的幅值。
作为本发明进一步的技术方案:所述步骤三中用sobel算子进行边缘检测的具体计算方法为:
对所述每一个非零值进行卷积计算之后,得到梯度值
简化后:
|G|=|Gx|+|Gy|,
其中Gx和Gy分别表示x方向和y方向上的卷积,B表示通过门限过滤后,以当前点为中心的3×3的像素点矩阵。
作为本发明进一步的技术方案:所述步骤四中非极大值抑制的算法为:1)将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较;2)如果当前像素的梯度强度与另外两个像素相比最大,则该像素点保留为边缘点,否则该像素点将被抑制。
作为本发明进一步的技术方案:将所述当前像素的梯度分为8个方向,分别为E、NE、N、NW、W、SW、S、SE,像素点P的梯度方向为theta,则像素点P1和P2的梯度线性插值为:
tan(θ)=Gy/Gx
Gp1=(1-tan(θ))*E+tan(θ)*NE
Gp2=(1-tan(θ))*W+tan(θ)*SW
在插值完成之后,比较中心位置P处的梯度幅值与p1和p2两个插值处的梯度幅值,确定是否为极值点。
作为本发明进一步的技术方案:所述步骤五中,采用最大累积剩余熵的方法完成自适应求解边缘数据的阈值的具体方法为:
梯度值变量A′1,A'2,…,A'n,F(A')是其分布函数,随机变量的经验分布函数为:
首先,将n个样本按从小到大的顺序重新排列,使得A′1≤A'2≤…≤A'n,则
在求得的熵中,选择最大熵对应的梯度值作为过滤基准,对边缘数据做进一步处理。
作为本发明再进一步的技术方案:所述步骤六中,对边缘包络的提取,通过包络提取,给出边缘所确定范围的位置和宽度信息。
与现有技术相比,本发明的有益效果是:在复杂环境下和雷达分辨率不高的情况下,本发明从包络的角度出发,求解多个方向的边缘,并对边缘进行有效过滤,以便提高目标的准确性,同时降低目标分裂的概率。
附图说明
图1是本发明方法的流程图;
图2是本发明中非极大值抑制中插值的图示;
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,一种基于边缘检测的雷达目标提取方法,包括以下步骤:
步骤一,动态求解雷达触发的噪声门限,将一个触发的雷达点迹数据作为输入,寻找该触发中的波峰点,对波峰点计算均值,作为该触发的噪声门限;
这些波峰点的条件为:
Ai-1<Ai且Ai≥Ai+1;
其中A表示回波幅值,i表示当前幅值的距离单元数;
对一个触发上的所有波峰点求平均值:
其中pcnt表示一个触发上求得的波峰点个数,An表示第n个波峰点的幅值。
所述步骤三中用sobel算子进行边缘检测的具体计算方法为:
对所述每一个非零值进行卷积计算之后,得到梯度值
简化后:
|G|=|Gx|+|Gy|,
其中Gx和Gy分别表示x方向和y方向上的卷积,B表示通过门限过滤后,以当前点为中心的3×3的像素点矩阵;
步骤二,将雷达数据根据步骤一中得到的噪声门限进行过滤,若得到的数据大于等于门限,则幅值保留,若得到的数据小于门限,将幅值设置为0;
步骤三,用sobel算子进行边缘检测,将步骤二过滤后的数据,以方位、距离为坐标,幅值为实际值,形成灰度图像,通过对每一个非零值进行卷积计算,得到梯度值,形成新的灰度图像;
步骤四,对新的灰度图像中的每个像素进行非极大值抑制的算法,将局部最大值之外的所有梯度值抑制为0,达到瘦边效果;
所述非极大值抑制的算法为:1)将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较;2)如果当前像素的梯度强度与另外两个像素相比最大,则该像素点保留为边缘点,否则该像素点将被抑制。
目前非极大值在边缘检测中的使用只是在0、90、45、135四个梯度方向上进行的,每个像素梯度点方向按照相近程度用这四个方向来代替。在实际的边缘梯度方向不一定沿着该四个方向,为了找出在一个像素点上最能吻合其所在梯度方向的两侧的像素值,所以需要进行插值处理。
如图2所示,将所述当前像素的梯度分为8个方向,分别为E、NE、N、NW、W、SW、S、SE,像素点P的梯度方向为theta,则像素点P1和P2的梯度线性插值为:
tan(θ)=Gy/Gx
Gp1=(1-tan(θ))*E+tan(θ)*NE
Gp2=(1-tan(θ))*W+tan(θ)*SW
在插值完成之后,比较中心位置P处的梯度幅值与p1和p2两个插值处的梯度幅值,确定是否为极值点。
步骤五,使用最大累积剩余熵的方法完成自适应求解边缘数据的阈值,将边缘数据做进一步处理,具体方法为:
梯度值变量A′1,A'2,…,A'n,F(A')是其分布函数,随机变量的经验分布函数为:
首先,将n个样本按从小到大的顺序重新排列,使得A′1≤A'2≤…≤A'n,则
根据实际数据情况,设置a的值为550,b的值为820。
在求得的熵中,选择最大熵对应的梯度值作为过滤基准,对边缘数据做进一步处理;
步骤六,提取边缘包络,根据边缘检测及过滤的最终结果,寻找每一个边缘的方位、距离最大最小值,得到目标的包络,确定边缘形成的包络的位置、宽度信息,用于标志一个目标。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于边缘检测的雷达目标提取方法,其特征在于,包括以下步骤:
步骤一,动态求解雷达触发的噪声门限,将一个触发的雷达点迹数据作为输入,寻找该触发中的波峰点,对波峰点计算均值,作为该触发的噪声门限;
步骤二,将雷达数据根据步骤一中得到的噪声门限进行过滤,若得到的数据大于等于门限,则幅值保留,若得到的数据小于门限,将幅值设置为0;
步骤三,用sobel算子进行边缘检测,将步骤二过滤后的数据,以方位、距离为坐标,幅值为实际值,形成灰度图像,通过对每一个非零值进行卷积计算,得到梯度值,形成新的灰度图像;
步骤四,对新的灰度图像中的每个像素进行非极大值抑制的算法,将局部最大值之外的所有梯度值抑制为0;
步骤五,使用最大累积剩余熵的方法完成自适应求解边缘数据的阈值,将边缘数据做进一步处理;
步骤六,提取边缘包络,根据边缘检测及过滤的最终结果,寻找每一个边缘的方位、距离最大最小值,得到目标的包络。
2.根据权利要求1所述的一种基于边缘检测的雷达目标提取方法,其特征在于,所述步骤一中寻找该触发中的波峰点,这些波峰点的条件为:
Ai-1<Ai且Ai≥Ai+1;
其中A表示回波幅值,i表示当前幅值的距离单元数;
对一个触发上的所有波峰点求平均值:
其中pcnt表示一个触发上求得的波峰点个数,Ai表示第i个波峰点的幅值。
3.根据权利要求1或2所述的一种基于边缘检测的雷达目标提取方法,其特征在于,所述步骤三中用sobel算子进行边缘检测的具体计算方法为:
对所述每一个非零值进行卷积计算之后,得到梯度值
简化后:
|G|=|Gx|+|Gy|,
其中Gx和Gy分别表示x方向和y方向上的卷积,B表示通过门限过滤后形成图像的像素点矩阵。
4.根据权利要求3所述的一种基于边缘检测的雷达目标提取方法,其特征在于,所述步骤四中非极大值抑制的算法为:1)将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较;2)如果当前像素的梯度强度与另外两个像素相比最大,则该像素点保留为边缘点,否则该像素点将被抑制。
5.根据权利要求4所述的一种基于边缘检测的雷达目标提取方法,其特征在于,将所述当前像素的梯度分为8个方向,分别为E、NE、N、NW、W、SW、S、SE,像素点P的梯度方向为theta,则像素点P1和P2的梯度线性插值为:
tan(θ)=Gy/Gx
Gp1=(1-tan(θ))*E+tan(θ)*NE
Gp2=(1-tan(θ))*W+tan(θ)*SW
在插值完成之后,比较中心位置P处的梯度幅值与p1和p2两个插值处的梯度幅值,确定是否为极值点。
6.根据权利要求5所述的一种基于边缘检测的雷达目标提取方法,其特征在于,所述步骤五中,采用最大累积剩余熵的方法完成自适应求解边缘数据的阈值的具体方法为:
梯度值变量A'1,A'2,…,A'n,F(A')是其分布函数,随机变量的经验分布函数为:
首先,将n个样本按从小到大的顺序重新排列,使得A'1≤A'2≤…≤A'n,则
在求得的熵中,选择最大熵对应的梯度值作为过滤基准,对边缘数据做进一步处理。
7.根据权利要求6所述的一种基于边缘检测的雷达目标提取方法,其特征在于,所述步骤六中,对边缘包络的提取,通过包络提取,给出边缘所确定范围的位置和宽度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740438.6A CN110490889B (zh) | 2019-08-12 | 2019-08-12 | 一种基于边缘检测的雷达目标提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740438.6A CN110490889B (zh) | 2019-08-12 | 2019-08-12 | 一种基于边缘检测的雷达目标提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490889A true CN110490889A (zh) | 2019-11-22 |
CN110490889B CN110490889B (zh) | 2023-05-09 |
Family
ID=68550561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910740438.6A Active CN110490889B (zh) | 2019-08-12 | 2019-08-12 | 一种基于边缘检测的雷达目标提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490889B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160191A (zh) * | 2021-04-28 | 2021-07-23 | 江苏方天电力技术有限公司 | 一种基于激光雷达的环境构图完整性判别方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019041590A1 (zh) * | 2017-08-31 | 2019-03-07 | 中国科学院微电子研究所 | 任意角度的边缘检测方法 |
CN109583293A (zh) * | 2018-10-12 | 2019-04-05 | 复旦大学 | 星载sar图像中的飞机目标检测与鉴别方法 |
CN109816673A (zh) * | 2018-12-27 | 2019-05-28 | 合肥工业大学 | 一种非极大值抑制、动态阈值计算及图像边缘检测方法 |
-
2019
- 2019-08-12 CN CN201910740438.6A patent/CN110490889B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019041590A1 (zh) * | 2017-08-31 | 2019-03-07 | 中国科学院微电子研究所 | 任意角度的边缘检测方法 |
CN109583293A (zh) * | 2018-10-12 | 2019-04-05 | 复旦大学 | 星载sar图像中的飞机目标检测与鉴别方法 |
CN109816673A (zh) * | 2018-12-27 | 2019-05-28 | 合肥工业大学 | 一种非极大值抑制、动态阈值计算及图像边缘检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160191A (zh) * | 2021-04-28 | 2021-07-23 | 江苏方天电力技术有限公司 | 一种基于激光雷达的环境构图完整性判别方法和装置 |
CN113160191B (zh) * | 2021-04-28 | 2022-07-08 | 江苏方天电力技术有限公司 | 一种基于激光雷达的环境构图完整性判别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110490889B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
Chen et al. | Modified two-dimensional Otsu image segmentation algorithm and fast realisation | |
CN101661611B (zh) | 基于贝叶斯非局部均值滤波器的实现方法 | |
Zhou et al. | Image analysis by discrete orthogonal Hahn moments | |
CN109767439A (zh) | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 | |
CN102034239B (zh) | 一种基于局部灰度突变的红外小目标检测方法 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
CN104463870A (zh) | 一种图像显著区域检测方法 | |
CN103942803A (zh) | 基于sar图像的水域自动检测方法 | |
CN104103080A (zh) | 一种复杂背景下弱小目标检测的方法 | |
CN107392095A (zh) | 一种基于掩码图像的红外弱小目标检测算法 | |
CN111738256A (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN103077499B (zh) | 基于相似块的sar图像预处理方法 | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
CN110490889A (zh) | 一种基于边缘检测的雷达目标提取方法 | |
CN109461171A (zh) | 基于多通道改进DoG滤波的红外弱小目标检测算法 | |
CN109636822A (zh) | 一种基于新构建隶属度函数的改进Canny自适应边缘提取方法 | |
CN111461999B (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
CN107256399B (zh) | 一种基于Gamma分布超像素方法和基于超像素TMF的SAR图像海岸线检测方法 | |
CN104867120A (zh) | 基于比值分布的sar图像非局部降斑方法 | |
CN104408018A (zh) | 一种保形LiDAR波形去噪方法及系统 | |
CN111369507B (zh) | 基于归一化灰度霍夫变换和局部cfar的尾迹检测方法 | |
CN108961290B (zh) | 一种基于Otsu的Ratio算子自适应图像边缘检测方法 |
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 |