CN110717876B - 一种sar图像相干斑滤波和目标检测一体化方法和装置 - Google Patents
一种sar图像相干斑滤波和目标检测一体化方法和装置 Download PDFInfo
- Publication number
- CN110717876B CN110717876B CN201910998409.XA CN201910998409A CN110717876B CN 110717876 B CN110717876 B CN 110717876B CN 201910998409 A CN201910998409 A CN 201910998409A CN 110717876 B CN110717876 B CN 110717876B
- Authority
- CN
- China
- Prior art keywords
- pixel
- pixel points
- similar
- sar image
- covariance matrix
- 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 67
- 238000001914 filtration Methods 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 239000013598 vector Substances 0.000 claims abstract description 51
- 230000001427 coherent effect Effects 0.000 claims abstract description 18
- 238000012935 Averaging Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001347978 Major minor Species 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种SAR图像相干斑滤波和目标检测一体化方法和装置。所述方法包括:获取SAR图像,根据所述SAR图像中像素点对应的n×n邻域,提取至少4个n维矢量,根据所述n维矢量,构造对应的协方差矩阵,根据至少4个所述协方差矩阵,取均值得到像素点的上下文协方差矩阵,根据上下文协方差矩阵,在像素点的预先设置的P×Q邻域内匹配与像素点相似的类似像素点,并建立类似像素点的像素集合,根据像素集合中类似像素的均值,进行相干斑滤波,根据像素集合中类似像素的个数,进行目标检测。采用本方法能够使得相干斑滤波和目标检测一体化进行。
Description
技术领域
本申请涉及合成孔径雷达(SAR)成像遥感技术领域,特别是涉及一种SAR图像相干斑滤波和目标检测一体化方法、装置、计算机设备和存储介质。
背景技术
SAR是一种重要的对地观测成像系统,在目标检测等领域有着重要的应用价值。作为一种相干成像系统,SAR图像中存在明显的相干斑现象,这在一定程度上增加了SAR图像解译和应用的难度。在现有的SAR信息处理流程中,为避免相干斑现象对包括目标检测在内的后续应用的影响,相干斑滤波是必要的预处理过程。
现有SAR信息处理流程中,相干斑滤波和目标检测通常是两个独立且相继的过程。相干斑滤波方法多种多样,基于不同方法滤波数据的目标检测方法性能有较大的差异。然而,实际目标检测应用中在理论上和实践上都缺少指导准则来选取合适的相干斑滤波方法,这在一定程度上限制了目标检测性能的优化与提高,是SAR信息处理过程中面临的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高SAR图像相干斑滤波和目标检测性能的一体化方法、装置、计算机设备和存储介质。
一种SAR图像相干斑滤波和目标检测一体化方法,所述方法包括:
获取SAR图像;
根据所述SAR图像中像素点对应的n×n邻域,提取至少4个n维矢量;
根据所述n维矢量,构造对应的协方差矩阵;
根据至少4个所述协方差矩阵,取均值得到所述像素点的上下文协方差矩阵;
根据所述上下文协方差矩阵,在所述像素点的预先设置的P×Q邻域内匹配与所述像素点相似的类似像素点,并建立所述类似像素点的像素集合;
根据所述像素集合中类似像素的均值,进行相干斑滤波;
根据所述像素集合中类似像素的个数,进行目标检测。
在其中一个实施例中,还包括:根据所述SAR图像中像素点对应的n×n邻域,以所述像素点为矢量中心,提取至少4个n维矢量。
在其中一个实施例中,还包括:根据所述SAR图像中像素点对应的n×n邻域,以所述像素点为矢量中心,分别提取水平方向、垂直方向、主副对角线方向共4个n维矢量。
在其中一个实施例中,还包括:获取预先设置的匹配算法;所述匹配算法如下:
lnQij-pq=2nln2+ln|Xij|+ln|X(i+p)(j+q)|-2ln|Xij+X(i+p)(j+q)|
其中,n是矢量的维数,Xij表示所述像素点对应的所述上下文协方差矩阵;所述X(i+p)(j+q)表示预先设置的P×Q邻域中其他像素点对应的上下文协方差矩阵;所述lnQij-pq表示相似度参数,当Xij=X(i+p)(j+q)时,lnQij-pq=0;根据所述匹配算法以及所述上下文协方差矩阵,在所述像素点的所述P×Q邻域内匹配与所述像素点相似的类似像素点。
在其中一个实施例中,还包括:获取预先设置的相似阈值Th;将所述像素点对应的上下文协方差矩阵与预先设置的P×Q邻域内的其他像素点对应的上下文协方差矩阵输入所述匹配算法;当lnQij-pq≥Th时,则该其他像素点为所述像素点的类似像素点。
在其中一个实施例中,还包括:对所述像素集合中类似像素取均值,构建无偏估计器;利用所述无偏估计器进行相干斑滤波。
在其中一个实施例中,还包括:获取预先设置的检测门限值k;当SPNij<k×P×Q;确定所述像素点为初步目标像素点;其中,SPNij表示所述像素集合中类似像素的个数;针对所述SAR图像中所有的所述初步目标像素点进行形态学滤波,剔除所述初步目标像素点中的虚警,得到所述SAR图像的目标检测结果。
一种SAR图像相干斑滤波和目标检测一体化装置,所述装置包括:
矩阵构建模块,用于获取SAR图像的上下文协方差矩阵;根据所述SAR图像中像素点对应的n×n邻域,提取至少4个n维矢量;根据所述n维矢量,构造对应的协方差矩阵;根据至少4个所述协方差矩阵,取均值得到所述像素点的上下文协方差矩阵;
匹配模块,用于根据所述上下文协方差矩阵,在所述像素点的预先设置的P×Q邻域内匹配与所述像素点相似的类似像素点,并建立所述类似像素点的像素集合;
一体化处理模块,用于根据所述像素集合中类似像素的均值,进行相干斑滤波;根据所述像素集合中类似像素的个数,进行目标检测。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取SAR图像;
根据所述SAR图像中像素点对应的n×n邻域,提取至少4个n维矢量;
根据所述n维矢量,构造对应的协方差矩阵;
根据至少4个所述协方差矩阵,取均值得到所述像素点的上下文协方差矩阵;
根据所述上下文协方差矩阵,在所述像素点的预先设置的P×Q邻域内匹配与所述像素点相似的类似像素点,并建立所述类似像素点的像素集合;
根据所述像素集合中类似像素的均值,进行相干斑滤波;
根据所述像素集合中类似像素的个数,进行目标检测。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取SAR图像;
根据所述SAR图像中像素点对应的n×n邻域,提取至少4个n维矢量;
根据所述n维矢量,构造对应的协方差矩阵;
根据至少4个所述协方差矩阵,取均值得到所述像素点的上下文协方差矩阵;
根据所述上下文协方差矩阵,在所述像素点的预先设置的P×Q邻域内匹配与所述像素点相似的类似像素点,并建立所述类似像素点的像素集合;
根据所述像素集合中类似像素的均值,进行相干斑滤波;
根据所述像素集合中类似像素的个数,进行目标检测。
上述SAR图像相干斑滤波和目标检测一体化方法、装置、计算机设备和存储介质,通过SAR图像中像素点的邻域,构建像素点对应的协方差矩阵,将目标像素点与其邻域内其他像素点的协方差矩阵进行相似性检验,从而确定与之相似的像素集合,利用像素集合,可以同时进行相干斑滤波和目标检测,本发明实施例,简单高效,取得了良好的相干斑滤波性能和目标检测性能。
附图说明
图1为一个实施例中SAR图像相干斑滤波和目标检测一体化方法的流程示意图;
图2为一个实施例对比实验结果图;
图3为一个实施例中SAR图像相干斑滤波和目标检测一体化装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请提供的SAR图像相干斑滤波和目标检测一体化方法,可以应用于终端中。其中,终端可以但不限于是各种计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
在一个实施例中,如图1所示,提供了一种SAR图像相干斑滤波和目标检测一体化方法,以该方法应用于终端为例进行说明,包括以下步骤:
步骤102,获取SAR图像。
SAR图像是合成孔径雷达通过测量和处理得到的图像,一般而言,SAR图像中存在明显的相干斑现象,从而影响到SAR图像后续的目标检测性能。
获取SAR图像的方式可以是通过网络接收其他终端发送的SAR图像,并保存到本地,也可以通过终端的接口,接收SAR图像。
步骤104,根据SAR图像中像素点对应的n×n邻域,提取至少4个n维矢量。
n×n邻域指的是以像素点为中心,取行数为n,列数为n的像素点集合。本步骤中,n可以根据需求自行设置。
在一个具体实施例中,n取3,则根据SAR图像中像素点对应的3×3邻域,提取4个3维矢量。
步骤106,根据n维矢量,构造对应的协方差矩阵。
一个n维矢量可以通过矢量叉乘构建一个协方差矩阵。
步骤108,根据至少4个协方差矩阵,取均值得到像素点的上下文协方差矩阵。
通过步骤106,可以得到至少4个协方差矩阵,取均值指的是将每个协方差矩阵中对应元素取平均值,然后根据上述平均值,得到上下文协方差矩阵,即上下文协方差矩阵包含上述多个协方差矩阵的信息。
步骤110,根据上下文协方差矩阵,在像素点的预先设置的P×Q邻域内匹配与像素点相似的类似像素点,并建立类似像素点的像素集合。
P为邻域的行数,Q为邻域的列数,两者均为奇数,P和Q的取值与SAR图像的分辨率和多视目数有关,取值范围为3≤P≤81,3≤Q≤81,通常取值为P=Q=15或P=Q=25。
对于该像素点,可以得到其上下文协方差矩阵,对于P×Q邻域内的其他像素点,也可以获得其对应的上下文协方差矩阵,因此,根据上下文协方差矩阵,就可以进行相似匹配,从而确定P×Q邻域内的类似像素点,并将所有类似像素点构成像素集合。
步骤112,根据像素集合中类似像素的均值,进行相干斑滤波。
步骤114,根据像素集合中类似像素的个数,进行目标检测。
上述SAR图像相干斑滤波和目标检测一体化方法中,通过SAR图像中像素点的邻域,构建像素点对应的上下文协方差矩阵。在更大的邻域范围内,通过匹配目标像素点与邻域内其他像素点的上下文协方差矩阵,从而确定类似像素点的像素集合,利用像素集合,可以同时进行相干斑滤波和目标检测。本发明实施例,简单高效,取得了良好的相干斑滤波性能和目标检测性能。
在其中一个实施例中,可以采用以下方式获取n维向量:根据SAR图像中像素点对应的n×n邻域,以像素点为矢量中心,提取至少4个n维矢量。
在另一个实施例中,还可以采用以下方式获取n维向量:根据SAR图像中像素点对应的n×n邻域,以像素点为矢量中心,分别提取水平方向、垂直方向、主副对角线方向的共4个n维矢量。
具体的,以n=3,提取4个3维矢量为例,进行进一步说明。对于SAR图像中的任意一个像素点xij,i=1,2,L,I,j=1,2,L,J,I为SAR图像的总行数,J为SAR图像的总列数,在3×3的邻域内,构造“米”字型的矢量提取模型,分别为横向、纵向、主对角线和副对角线的4个3维矢量kα,α=1,2,3,4,其中,k1=[x(i)(j-1),xij,x(i)(j+1)]T、k2=[x(i-1)(j),xij,x(i+1)(j)]T、k3=[x(i-1)(j-1),xij,x(i+1)(j+1)]T以及k4=[x(i+1)(j-1),xij,x(i-1)(j+1)]T。基于矢量kα可以构建4个协方差矩阵α=1,2,3,4,针对像素点xij,取其邻域内4个协方差矩阵均值得到该像素的上下文协方差矩阵Xij,即
在其中一个实施例中,匹配的步骤可以是:获取预先设置的匹配算法;匹配算法如下:
lnQij-pq=2nln2+ln|Xij|+ln|X(i+p)(j+q)|-2ln|Xij+X(i+p)(j+q)|
其中,n是矢量的维数,Xij表示像素点对应的上下文协方差矩阵;X(i+p)(j+q)表示预先设置的P×Q邻域中其他像素点对应的上下文协方差矩阵;lnQij-pq表示相似度参数,当Xij=X(i+p)(j+q)时,lnQij-pq=0;根据匹配算法以及上下文协方差矩阵,在像素点的P×Q邻域内匹配与像素点xij相似的类似像素点。
具体的,针对像素点xij和其P×Q邻域内像素点x(i+p)(j+q),其中,(P为邻域的行数,Q为邻域的列数,两者均为奇数,且具体取值与SAR图像的分辨率和多视数目有关,典型取值为P=Q=15或P=Q=25)。
计算其对应的协方差矩阵Xij与X(i+p)(j+q)之间的相似度参数lnQij-pq:
lnQij-pq=2nln2+ln|Xij|+ln|X(i+p)(j+q)|-2ln|Xij+X(i+p)(j+q)|
其中,n是矢量的维数,|·|表示取矩阵行列式,当两像素点完全相等,即Xij=X(i+p)(j+q)时,lnQij-pq=0;否则,lnQij-pq<0。即可以根据相似度参数lnQij-pq来判断P×Q邻域内的像素点是否为指定像素点的类似像素点。
在另一个实施例中,可以获取预先设置的相似阈值Th,将像素点对应的上下文协方差矩阵与P×Q邻域内的其他像素点对应的上下文协方差矩阵输入匹配算法,当lnQij-pq≥Th时,则该其他像素点为像素点的类似像素点。
具体的,相似阈值Th取值范围为Th<0,通常可取Th=-0.5,-1,-1.5,-2,-2.5,-3。以Th=-2为例,即当lnQij-pq≥-2时,则该其他像素点为像素点的类似像素点。记所有类似像素集合为Aij,Aij中像素点的数目为SPNij。
在其中一个实施例中,进行相干斑滤波的步骤可以是:对像素集合中类似像素取均值,构建无偏估计器;利用所述无偏估计器进行相干斑滤波。
具体的,对像素集合Aij中类似像素取均值如下:
其中,xk∈Aij,Xk为xk对应的上下文协方差矩阵。
在其中一个实施例中,进行目标检测可以是:获取预先设置的门限值k;当SPNij<k×P×Q;确定像素点为初步目标像素点;其中,SPNij表示像素集合Aij中类似像素的个数;针对SAR图像中所有的初步目标像素点进行形态学滤波,剔除初步目标像素点中的虚警,得到SAR图像的目标检测结果。
具体的,门限值k的值与SAR图像的视数和目标特性有关,k的取值范围为0<k<1,k的典型取值为0.4,0.5,0.6。
在进行具体剔除时,可以剔除SAR图像中所有的初步目标像素点中像素点数小于Z的连通区域,Z的取值与图像分辨率有关,Z的取值范围为Z≥1,典型取值范围为1≤Z≤100。
以下以一个具体实施例进行说明。
图2是利用我国高分三号HH通道SAR图像进行相干斑滤波的对比实验结果图,其中相关参数设置如下:Th=-2,M=N=15。从等效视数(Equivalent Number of Looks,ENL)和目标杂波比(Target to Clutter Ratio,TCR)两个指标评价不同滤波方法的性能。ENL由图2(a)中的三个灰色杂波区域矩形框内像素点计算,TCR由图2(a)中三个黑色舰船区域矩形框内像素点计算,不同方法的ENL和TCR指标如表1所示。
表1基于高分三号HH通道SAR图像不同方法相干斑滤波性能对比
由表1可得,在ENL指标中,本发明方法远远优于其他对比方法。对于原始数据,杂波1、杂波2、杂波3区域的ENL分别只有3.13、3.23和3.08。经过相干斑滤波处理后,ENL指标明显提高。本发明方法的ENL明显优于其他方法,尤其是在杂波1中,本发明方法的ENL是次高的7×7 Boxcar滤波方法的ENL三倍以上。TCR指标中,相对于原始数据,滤波后数据的TCR有所下降。本发明方法的TCR稍低于11×11 Improved Sigma滤波方法和SAR-BM3D滤波方法,但是要优于7×7 Boxcar滤波方法和9×9 Refined Lee滤波方法。综合考虑ENL和TCR指标,本发明方法在ENL指标上相较于其他对比方法有明显优势,因此本发明方法具有更好的滤波性能。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图2是利用我国高分三号HH通道SAR图像进行相干斑滤波的对比实验结果图。(a)是原始数据图。(b)是7×7 Boxcar filter方法结果图。(c)是9×9 Refined Lee方法结果图。(d)是11×11 Improved Sigma方法结果图。(e)是SAR-BM3D方法结果图。(f)是本发明方法结果图;
在一个实施例中,如图3所示,提供了一种SAR图像相干斑滤波和目标检测一体化装置,包括:矩阵构建模块302、匹配模块304和一体化处理处理模块306,其中:
矩阵构建模块302,用于获取SAR图像的上下文协方差矩阵;根据所述SAR图像中像素点对应的n×n邻域,提取至少4个n维矢量;根据所述n维矢量,构造对应的协方差矩阵;根据至少4个所述协方差矩阵,取均值得到所述像素点的上下文协方差矩阵;
匹配模块304,用于根据所述上下文协方差矩阵,在所述像素点的预先设置的P×N邻域内匹配与所述像素点相似的类似像素点,并建立所述类似像素点的像素集合;
一体化处理模块306,用于根据所述像素集合中类似像素的均值,进行相干斑滤波;根据所述像素集合中类似像素的个数,进行目标检测。
在其中一个实施例中,矩阵构建模块302用于根据所述SAR图像中像素点对应的n×n邻域,以所述像素点为矢量中心,提取至少4个n维矢量。
在其中一个实施例中,矩阵构建模块302用于根据所述SAR图像中像素点对应的n×n邻域,以所述像素点为矢量中心,分别提取水平方向、垂直方向、主副对角线共4个n维矢量。
在其中一个实施例中,匹配模块304用于获取预先设置的匹配算法;所述匹配算法如下:
lnQij-pq=2nln2+ln|Xij|+ln|X(i+p)(j+q)|-2ln|Xij+X(i+p)(j+q)|
其中,n是矢量的维数,Xij表示所述像素点对应的所述上下文协方差矩阵;所述X(i+p)(j+q)表示预先设置的P×Q邻域中其他像素点对应的上下文协方差矩阵;所述lnQij-pq表示相似度参数,当Xij=X(i+p)(j+q)时,lnQij-pq=0;根据所述匹配算法以及所述上下文协方差矩阵,在所述像素点的所述P×Q邻域内匹配与所述像素点相似的类似像素点。
在其中一个实施例中,匹配模块304用于获取预先设置的相似阈值Th;将所述像素点对应的上下文协方差矩阵与所述P×Q邻域内的其他像素点对应的上下文协方差矩阵输入所述匹配算法;当lnQij-pq≥Th时,则该其他像素点为所述像素点的类似像素点。
在其中一个实施例中,一体化处理模块306用于对所述像素集合中类似像素取均值,构建无偏估计器;利用所述无偏估计器进行相干斑滤波。
在其中一个实施例中,一体化处理模块306用于获取预先设置的门限值k;当SPNij<k×P×Q;确定所述像素点为初步目标像素点;其中,SPNij表示所述像素集合中类似像素的个数;针对所述SAR图像中所有的所述初步目标像素点进行形态学滤波,剔除所述初步目标像素点中的虚警,得到所述SAR图像的目标检测结果。
关于SAR图像相干斑滤波和目标检测一体化装置的具体限定可以参见上文中对于SAR图像相干斑滤波和目标检测一体化方法的限定,在此不再赘述。上述SAR图像相干斑滤波和目标检测一体化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种SAR图像相干斑滤波和目标检测一体化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种SAR图像相干斑滤波和检测一体化方法,所述方法包括:
获取SAR图像;
根据所述SAR图像中像素点对应的n×n邻域,提取至少4个n维矢量;
根据所述n维矢量,构造对应的协方差矩阵;
根据至少4个所述协方差矩阵,对每个所述协方差矩阵中的对应元素取均值得到所述像素点的上下文协方差矩阵;
根据所述上下文协方差矩阵,在所述像素点的预先设置的P×Q邻域内匹配与所述像素点相似的类似像素点,并建立所述类似像素点的像素集合;
根据所述像素集合中类似像素的均值,进行相干斑滤波;
根据所述像素集合中类似像素的个数,进行目标检测;
根据所述像素集合中类似像素点的均值,进行相干斑滤波,包括:
对所述像素集合中类似像素取均值,构建无偏估计器;
利用所述无偏估计器进行相干斑滤波;
根据所述像素集合中类似像素的个数,进行目标检测,包括:
获取预先设置的门限值k;
当SPNij<k×P×Q;确定所述像素点为初步目标像素点;其中,SPNij表示所述像素集合中类似像素的个数;
针对所述SAR图像中所有的所述初步目标像素点进行形态学滤波,剔除所述初步目标像素点中的虚警,得到所述SAR图像的目标检测结果。
2.根据权利要求1所述的方法,其特征在于,根据所述SAR图像中像素点对应的n×n邻域,提取至少4个n维矢量,包括:
根据所述SAR图像中像素点对应的n×n邻域,以所述像素点为矢量中心,提取至少4个n维矢量。
3.根据权利要求2所述的方法,其特征在于,根据所述SAR图像中像素点对应的n×n邻域,提取至少4个n维矢量,包括:
根据所述SAR图像中像素点对应的n×n邻域,以所述像素点为矢量中心,分别提取水平方向n维矢量、垂直方向的n维矢量以及两条对角线的n维矢量。
4.根据权利要求1至3任意一项所述的方法,根据所述上下文协方差矩阵,在所述像素点的预先设置的P×Q邻域内匹配与所述像素点相似的类似像素点,包括:
获取预先设置的匹配算法;所述匹配算法如下:
lnQij-pq=2nln2+ln|Xij|+ln|X(i+p)(j+q)|-2ln|Xij+X(i+p)(j+q)|
其中,n是矢量的维数,Xij表示所述像素点对应的所述上下文协方差矩阵;所述X(i+p)(j+q)表示预先设置的P×Q邻域中其他像素点对应的上下文协方差矩阵;所述lnQij-pq表示相似度参数,当Xij=X(i+p)(j+q)时,lnQij-pq=0;
根据所述匹配算法以及所述上下文协方差矩阵,在所述像素点的所述P×Q邻域内匹配与所述像素点相似的类似像素点。
5.根据权利要求4所述的方法,其特征在于,根据所述匹配算法以及所述上下文协方差矩阵,在所述像素点的所述P×Q邻域内匹配与所述像素点相似的类似像素点,包括:
获取预先设置的相似阈值Th;
将所述像素点对应的上下文协方差矩阵与所述P×Q邻域内的其他像素点对应的上下文协方差矩阵输入所述匹配算法;
当lnQij-pq≥Th时,则该其他像素点为所述像素点的类似像素点。
6.一种SAR图像相干斑滤波和目标检测一体化装置,其特征在于,所述装置包括:
矩阵构建模块,用于获取SAR图像;根据所述SAR图像中像素点对应的n×n邻域,提取至少4个n维矢量;根据所述n维矢量,构造对应的协方差矩阵;根据至少4个所述协方差矩阵,对每个所述协方差矩阵中的对应元素取均值得到所述像素点的上下文协方差矩阵;
匹配模块,用于根据所述上下文协方差矩阵,在所述像素点的预先设置的P×Q邻域内匹配与所述像素点相似的类似像素点,并建立所述类似像素点的像素集合;
一体化处理模块,用于根据所述像素集合中类似像素的均值,进行相干斑滤波;根据所述像素集合中类似像素的个数,进行目标检测;
根据所述像素集合中类似像素点的均值,进行相干斑滤波,包括:
对所述像素集合中类似像素取均值,构建无偏估计器;
利用所述无偏估计器进行相干斑滤波;
根据所述像素集合中类似像素的个数,进行目标检测,包括:
获取预先设置的门限值k;
当SPNij<k×P×Q;确定所述像素点为初步目标像素点;其中,SPNij表示所述像素集合中类似像素的个数;
针对所述SAR图像中所有的所述初步目标像素点进行形态学滤波,剔除所述初步目标像素点中的虚警,得到所述SAR图像的目标检测结果。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910998409.XA CN110717876B (zh) | 2019-10-21 | 2019-10-21 | 一种sar图像相干斑滤波和目标检测一体化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910998409.XA CN110717876B (zh) | 2019-10-21 | 2019-10-21 | 一种sar图像相干斑滤波和目标检测一体化方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717876A CN110717876A (zh) | 2020-01-21 |
CN110717876B true CN110717876B (zh) | 2022-08-02 |
Family
ID=69213887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910998409.XA Active CN110717876B (zh) | 2019-10-21 | 2019-10-21 | 一种sar图像相干斑滤波和目标检测一体化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717876B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392122A (zh) * | 2017-07-07 | 2017-11-24 | 西安电子科技大学 | 基于多极化特征和fcn‑crf融合网络的极化sar影像目标检测方法 |
CN109031294A (zh) * | 2018-07-17 | 2018-12-18 | 中国人民解放军国防科技大学 | 基于相似性检验的极化sar舰船目标检测方法 |
CN110297241A (zh) * | 2019-07-09 | 2019-10-01 | 中国人民解放军国防科技大学 | 一种用于图像处理的上下文协方差矩阵构建方法 |
CN110321904A (zh) * | 2019-07-09 | 2019-10-11 | 中国人民解放军国防科技大学 | 结合上下文协方差矩阵的单极化sar图像相干斑滤波方法 |
-
2019
- 2019-10-21 CN CN201910998409.XA patent/CN110717876B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392122A (zh) * | 2017-07-07 | 2017-11-24 | 西安电子科技大学 | 基于多极化特征和fcn‑crf融合网络的极化sar影像目标检测方法 |
CN109031294A (zh) * | 2018-07-17 | 2018-12-18 | 中国人民解放军国防科技大学 | 基于相似性检验的极化sar舰船目标检测方法 |
CN110297241A (zh) * | 2019-07-09 | 2019-10-01 | 中国人民解放军国防科技大学 | 一种用于图像处理的上下文协方差矩阵构建方法 |
CN110321904A (zh) * | 2019-07-09 | 2019-10-11 | 中国人民解放军国防科技大学 | 结合上下文协方差矩阵的单极化sar图像相干斑滤波方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110717876A (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110211076B (zh) | 图像拼接方法、图像拼接设备和可读存储介质 | |
CN108764325B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN113159143B (zh) | 基于跳跃连接卷积层的红外与可见光图像融合方法和装置 | |
Sandeep et al. | Single image super-resolution using a joint GMM method | |
US9824189B2 (en) | Image processing apparatus, image processing method, image display system, and storage medium | |
CN110211046B (zh) | 一种基于生成对抗网络的遥感图像融合方法、系统和终端 | |
CN111210465B (zh) | 图像配准方法、装置、计算机设备和可读存储介质 | |
CN112241976A (zh) | 一种训练模型的方法及装置 | |
WO2020155485A1 (zh) | 图片差异性判断方法、装置、计算机设备和存储介质 | |
CN113111835A (zh) | 卫星遥感图像语义分割方法、装置、电子设备和存储介质 | |
CN113705532B (zh) | 基于中低分辨率遥感图像的目标检测方法、装置及设备 | |
CN109685029B (zh) | 复杂空间结构的柔性物体识别方法、装置、设备和介质 | |
CN110889432B (zh) | 特征点匹配方法、装置、计算机设备和存储介质 | |
CN110717876B (zh) | 一种sar图像相干斑滤波和目标检测一体化方法和装置 | |
CN111027469B (zh) | 人体部位识别方法、计算机设备和可读存储介质 | |
CN113537020A (zh) | 基于改进神经网络的复数sar图像目标识别方法 | |
CN114359232B (zh) | 一种基于上下文协方差矩阵的图像变化检测方法及装置 | |
US9594955B2 (en) | Modified wallis filter for improving the local contrast of GIS related images | |
CN113435384B (zh) | 中低分辨率光学遥感图像的目标检测方法、装置及设备 | |
CN113255700B (zh) | 图像的特征图的处理方法及装置、存储介质、终端 | |
CN112509052B (zh) | 黄斑中心凹的检测方法、装置、计算机设备和存储介质 | |
CN113822841B (zh) | 一种污水杂质结块检测方法、装置及相关设备 | |
CN113393498A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN116659520B (zh) | 基于仿生偏振视觉增强的匹配定位方法、装置和设备 | |
CN110443835B (zh) | 图像配准方法、装置、设备和存储介质 |
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 |