CN111123267A - 合成孔径雷达图像舰船检测方法及装置 - Google Patents

合成孔径雷达图像舰船检测方法及装置 Download PDF

Info

Publication number
CN111123267A
CN111123267A CN201911046217.5A CN201911046217A CN111123267A CN 111123267 A CN111123267 A CN 111123267A CN 201911046217 A CN201911046217 A CN 201911046217A CN 111123267 A CN111123267 A CN 111123267A
Authority
CN
China
Prior art keywords
synthetic aperture
aperture radar
radar image
sign
superpixels
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
CN201911046217.5A
Other languages
English (en)
Other versions
CN111123267B (zh
Inventor
李刚
王学谦
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN201911046217.5A priority Critical patent/CN111123267B/zh
Publication of CN111123267A publication Critical patent/CN111123267A/zh
Application granted granted Critical
Publication of CN111123267B publication Critical patent/CN111123267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9027—Pattern recognition for feature extraction
    • 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
    • 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
    • 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
    • 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)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Astronomy & Astrophysics (AREA)
  • Artificial Intelligence (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种合成孔径雷达图像舰船检测方法及装置，其中，方法包括以下步骤：获取合成孔径雷达图像，并估计得到合成孔径雷达图像的参数；利用超像素的尺寸和正则化参数得到合成孔径雷达图像的所有超像素；获取所有超像素的每个超像素的费雪向量，并确定费雪向量的局部对比度，以生成舰船检测结果。该方法摆脱了对训练数据的依赖，有助于提升对SAR图像中弱舰船目标的检测性能，简单易实现。

Description

合成孔径雷达图像舰船检测方法及装置
技术领域
本发明涉及图像处理技术领域，涉及局部费雪向量对比，特别涉及一种合成孔径雷达图像舰船检测方法及装置。
背景技术
SAR(synthetic aperture radar，合成孔径雷达)是一种主动成像的传感器，可以提供舰船目标的高分辨成像结果。相比于光学、红外等被动成像传感器，SAR的成像过程几乎不受光照、天气条件的影响，是一种可以全天候、全时段工作的传感器。SAR图像中的舰船检测是目前业界的热点问题，它在海上舰船管理、监督上扮演着极其重要的角色。恒虚警检测是一种传统的舰船检测算法，它主要基于舰船和海杂波散射强度的对比,往往只适用于强舰船目标的检测。此外，恒虚警检测大多基于像素级别的特征，无法获取舰船的形状和结构信息。
超像素是指图像中具有相关性的图像块。超像素有利于提取目标的形状、边缘等特征。目前已经有基于超像素的SAR舰船检测算法。但这些算法是基于目标超像素和杂波超像素中灰度的直接对比，不利于实现弱目标的检测。费雪向量是用来衡量当前超像素和全局生成模型差异性的一种超像素特征，包含当前超像素的多阶信息。
然而，目前已有的基于超像素费雪信息的SAR舰船检测算法需要训练数据，且没有考虑SAR图像中的上下文信息，即舰船目标往往被海杂波所包围。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种合成孔径雷达图像舰船检测方法，该方法摆脱了对训练数据的依赖，且有助于提升对SAR图像中弱舰船目标的检测性能，简单易实现。
本发明的另一个目的在于提出一种合成孔径雷达图像舰船检测装置。
为达到上述目的，本发明一方面实施例提出了一种合成孔径雷达图像舰船检测方法，包括以下步骤：获取合成孔径雷达图像，并估计得到所述合成孔径雷达图像的参数；利用超像素的尺寸和正则化参数得到所述合成孔径雷达图像的所有超像素；获取所述所有超像素的每个超像素的费雪向量，并确定所述费雪向量的局部对比度，以生成舰船检测结果。
本发明实施例的合成孔径雷达图像舰船检测方法，无需训练数据，且充分考虑SAR图像中的上下文信息，有效避免舰船目标被海杂波淹没，实现舰船检测，且摆脱了对训练数据的依赖，有助于提升对SAR图像中弱舰船目标的检测性能，简单易实现。
另外，根据本发明上述实施例的合成孔径雷达图像舰船检测方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述估计得到所述合成孔径雷达图像的参数，包括：将所述合成孔径雷达图像建模为包含所述参数的混合高斯模型，以得到所述参数的权重，均值和标准差。
进一步地，在本发明的一个实施例中，所述费雪向量的计算公式为：
Figure BDA0002254207920000021
其中，
Figure BDA0002254207920000022
Figure BDA0002254207920000023
Figure BDA0002254207920000024
其中，
Figure BDA0002254207920000025
l＝1,2,…,L,q＝1,2,…,Q,p＝1,2,…,Pl，Pl表示当前l个超像素中包含的像素的数量，xl,p表示l个超像素中的第p个像素；ωq、μq、σq分别表示混合高斯模型中第q个高斯成分的权重、均值和标准差。
进一步地，在本发明的一个实施例中，所述局部对比度的计算公式为：
Figure BDA0002254207920000026
其中，αl←sign(αl)|αl|1/2，并进行2范数归一化，sign()表示符号函数，输入为正，sign()为1，否则为-1，
Figure BDA0002254207920000027
表示紧邻第l个超像素的所有超像素的集合，med表示选择集合中的中值。
进一步地，在本发明的一个实施例中，所述舰船检测结果包括：
Figure BDA0002254207920000028
其中，
Figure BDA0002254207920000031
和
Figure BDA0002254207920000032
分别表示{θl,l＝1,2,…,L}的均值和标准差，ξ为已经输入的自适应尺度因子。
为达到上述目的，本发明另一方面实施例提出了一种合成孔径雷达图像舰船检测装置，包括：第一获取模块，用于获取合成孔径雷达图像，并估计得到所述合成孔径雷达图像的参数；计算模块，用于利用超像素的尺寸和正则化参数得到所述合成孔径雷达图像的所有超像素；第二获取模块，用于获取所述所有超像素的每个超像素的费雪向量，并确定所述费雪向量的局部对比度，以生成舰船检测结果。
本发明实施例的合成孔径雷达图像舰船检测装置，无需训练数据，且充分考虑SAR图像中的上下文信息，有效避免舰船目标被海杂波淹没，实现舰船检测，且摆脱了对训练数据的依赖，有助于提升对SAR图像中弱舰船目标的检测性能，简单易实现。
另外，根据本发明上述实施例的合成孔径雷达图像舰船检测装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述第一获取模块进一步用于将所述合成孔径雷达图像建模为包含所述参数的混合高斯模型，以得到所述参数的权重，均值和标准差。
进一步地，在本发明的一个实施例中，所述费雪向量的计算公式为：
Figure BDA0002254207920000033
其中，
Figure BDA0002254207920000034
Figure BDA0002254207920000035
Figure BDA0002254207920000036
其中，
Figure BDA0002254207920000037
l＝1,2,…,L,q＝1,2,…,Q,p＝1,2,…,Pl，Pl表示当前l个超像素中包含的像素的数量，xl,p表示l个超像素中的第p个像素；ωq、μq、σq分别表示混合高斯模型中第q个高斯成分的权重、均值和标准差。
进一步地，在本发明的一个实施例中，所述局部对比度的计算公式为：
Figure BDA0002254207920000038
对于所有的
Figure BDA0002254207920000039
其中，αl←sign(αl)|αl|1/2，并进行2范数归一化，sign()表示符号函数，输入为正，sign()为1，否则为-1，
Figure BDA0002254207920000044
表示紧邻第l个超像素的所有超像素的集合，med表示选择集合中的中值。
进一步地，在本发明的一个实施例中，所述舰船检测结果包括：
Figure BDA0002254207920000041
其中，
Figure BDA0002254207920000042
和
Figure BDA0002254207920000043
分别表示{θl,l＝1,2,…,L}的均值和标准差，ξ为已经输入的自适应尺度因子。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的合成孔径雷达图像舰船检测方法的流程图；
图2为根据本发明一个实施例的合成孔径雷达图像舰船检测方法的流程图；
图3为根据本发明实施例的合成孔径雷达图像舰船检测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的合成孔径雷达图像舰船检测方法及装置，首先将参照附图描述根据本发明实施例提出的合成孔径雷达图像舰船检测方法。
图1是本发明一个实施例的合成孔径雷达图像舰船检测方法的流程图。
如图1所示，该合成孔径雷达图像舰船检测方法包括以下步骤：
在步骤S101中，获取合成孔径雷达图像，并估计得到合成孔径雷达图像的参数。
可以理解的是，如图2所示，本发明实施例首先输入图像和相关参数，具体如下：
1：待处理的SAR图像，图像中像素的总数量为N；
2：超像素的尺寸S(S一般为舰船所占像素数量的25％),则超像素的个数为L＝N/S2；
3：正则化参数λ，用于控制超像素的空间差异和强度差异，λ一般取0.8；
4:混和高斯模型的阶数Q，Q一般取7；
5：自适应尺度因子ξ，用于生成最终的检测阈值，ξ一般取3～14。
进一步地，在本发明的一个实施例中，估计得到合成孔径雷达图像的参数，包括：将合成孔径雷达图像建模为包含参数的混合高斯模型，以得到参数的权重，均值和标准差。
可以理解的是，如图2所示，本发明实施例利用期望-最大化算法估计混合高斯模型参数，具体地：根据文献“The expectation-maximization algorithm”中的期望-最大化算法获得SAR图像所满足的混合高斯模型的参数{ωq,μq,σq,q＝1,2,…,Q}，其中ωq，μq，σq分别表示混合高斯模型第q个高斯成分的权重，均值和标准差。
具体而言，估计图像中的参数：将图像建模为包含参数{ωq,μq,σq,q＝1,2,…,Q}的混合高斯模型：
Figure BDA0002254207920000051
其中，
Figure BDA0002254207920000052
ωq，μq，σq分别表示混合高斯模型中第q个高斯成分的权重，均值和标准差，参数{ωq,μq,σq,q＝1,2,…,Q}可以利用文献“Theexpectation-maximization algorithm”中的期望-最大化算法获得。
在步骤S102中，利用超像素的尺寸和正则化参数得到合成孔径雷达图像的所有超像素。
可以理解的是，如图2所示，本发明实施例利用简单线性迭代聚类实现超像素分割，具体地：利用超像素的尺寸S和正则化参数λ，根据文献“Ship DetectionWithSuperpixel-Level Fisher Vector in High-Resolution SAR Images”中的简单线性迭代聚类算法获得SAR图像中的所有超像素。
在步骤S103中，获取所有超像素的每个超像素的费雪向量，并确定费雪向量的局部对比度，以生成舰船检测结果。
可以理解的是，如图2所示，本发明实施例计算每个超像素的费雪向量，并确定费雪向量的符号-开根号操作和局部对比，并对局部对比度进行阈值化，从而获取舰船检测结果，然后输出检测结果。
具体而言，(1)计算每个超像素的费雪向量
假定l＝1,2,…,L，L为SAR图像中超像素的数量，则第l个超像素的费雪向量为：
Figure BDA0002254207920000053
其中，
Figure BDA0002254207920000061
Figure BDA0002254207920000062
Figure BDA0002254207920000063
需要说明的是，公式3至公式5中的符号βq和
Figure BDA0002254207920000064
均是为了方便叙述定义的符号，其含义为：
Figure BDA0002254207920000065
其中，l＝1,2,…,L,q＝1,2,…,Q,p＝1,2,…,Pl，Pl表示当前l个超像素中包含的像素的数量，xl,p表示l个超像素中的第p个像素。
(2)符号-开根号步骤：αl←sign(αl)|αl|1/2，并进行2范数归一化，sign()表示符号函数，输入为正，sign()为1，否则为-1。
(3)计算费雪向量的局部对比度θl：
Figure BDA0002254207920000066
对于所有的
Figure BDA0002254207920000067
其中，
Figure BDA0002254207920000068
表示紧邻第l个超像素的所有超像素的集合，med表示选择集合中的中值。
(4)获取舰船检测结果：首先计算阈值η：
Figure BDA0002254207920000069
其中，
Figure BDA00022542079200000610
和
Figure BDA00022542079200000611
分别表示{θl,l＝1,2,…,L}的均值和标准差，ξ为已经输入的自适应尺度因子。比较θl和η；
Figure BDA00022542079200000612
综上，本发明实施例提出的合成孔径雷达图像舰船检测方法，无需训练数据，且充分考虑SAR图像中的上下文信息，有效避免舰船目标被海杂波淹没，实现舰船检测，且摆脱了对训练数据的依赖，有助于提升对SAR图像中弱舰船目标的检测性能，简单易实现。
其次参照附图描述根据本发明实施例提出的合成孔径雷达图像舰船检测装置。
图3是本发明一个实施例的合成孔径雷达图像舰船检测装置的结构示意图。
如图3所示，该合成孔径雷达图像舰船检测装置10包括：第一获取模块100、计算模块200和第二获取模块300。
其中，第一获取模块100用于获取合成孔径雷达图像，并估计得到合成孔径雷达图像的参数；计算模块200用于利用超像素的尺寸和正则化参数得到合成孔径雷达图像的所有超像素；第二获取模块300用于获取所有超像素的每个超像素的费雪向量，并确定费雪向量的局部对比度，以生成舰船检测结果。本发明实施例的装置10摆脱了对训练数据的依赖，有助于提升对SAR图像中弱舰船目标的检测性能，简单易实现。
进一步地，在本发明的一个实施例中，第一获取模块100进一步用于将合成孔径雷达图像建模为包含参数的混合高斯模型，以得到参数的权重，均值和标准差。
进一步地，在本发明的一个实施例中，费雪向量的计算公式为：
Figure BDA0002254207920000071
其中，
Figure BDA0002254207920000072
Figure BDA0002254207920000073
Figure BDA0002254207920000074
其中，
Figure BDA0002254207920000075
l＝1,2,…,L,q＝1,2,…,Q,p＝1,2,…,Pl，Pl表示当前l个超像素中包含的像素的数量，xl,p表示l个超像素中的第p个像素；ωq、μq、σq分别表示混合高斯模型中第q个高斯成分的权重、均值和标准差。
进一步地，在本发明的一个实施例中，局部对比度的计算公式为：
Figure BDA0002254207920000076
对于所有的
Figure BDA0002254207920000077
其中，αl←sign(αl)|αl|1/2，并进行2范数归一化，sign()表示符号函数，输入为正，sign()为1，否则为-1，
Figure BDA0002254207920000078
表示紧邻第l个超像素的所有超像素的集合，med表示选择集合中的中值。
进一步地，在本发明的一个实施例中，舰船检测结果包括：
Figure BDA0002254207920000081
其中，
Figure BDA0002254207920000082
和
Figure BDA0002254207920000083
分别表示{θl,l＝1,2,…,L}的均值和标准差，ξ为已经输入的自适应尺度因子。
需要说明的是，前述对合成孔径雷达图像舰船检测方法实施例的解释说明也适用于该实施例的合成孔径雷达图像舰船检测装置，此处不再赘述。
根据本发明实施例提出的合成孔径雷达图像舰船检测装置，无需训练数据，且充分考虑SAR图像中的上下文信息，有效避免舰船目标被海杂波淹没，实现舰船检测，且摆脱了对训练数据的依赖，有助于提升对SAR图像中弱舰船目标的检测性能，简单易实现。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种合成孔径雷达图像舰船检测方法，其特征在于，包括以下步骤：
获取合成孔径雷达图像，并估计得到所述合成孔径雷达图像的参数；
利用超像素的尺寸和正则化参数得到所述合成孔径雷达图像的所有超像素；以及
获取所述所有超像素的每个超像素的费雪向量，并确定所述费雪向量的局部对比度，以生成舰船检测结果。
2.根据权利要求1所述的方法，其特征在于，所述估计得到所述合成孔径雷达图像的参数，包括：
将所述合成孔径雷达图像建模为包含所述参数的混合高斯模型，以得到所述参数的权重，均值和标准差。
3.根据权利要求1所述的方法，其特征在于，所述费雪向量的计算公式为：
Figure FDA0002254207910000011
其中，
Figure FDA0002254207910000012
Figure FDA0002254207910000013
Figure FDA0002254207910000014
其中，
Figure FDA0002254207910000015
Pl表示当前l个超像素中包含的像素的数量，xl,p表示l个超像素中的第p个像素；ωq、μq、σq分别表示混合高斯模型中第q个高斯成分的权重、均值和标准差。
4.根据权利要求3所述的方法，其特征在于，所述局部对比度的计算公式为：
Figure FDA0002254207910000016
其中，αl←sign(αl)|αl|1/2，并进行2范数归一化，sign()表示符号函数，输入为正，sign()为1，否则为-1，
Figure FDA0002254207910000017
表示紧邻第l个超像素的所有超像素的集合，med表示选择集合中的中值。
5.根据权利要求1所述的方法，其特征在于，所述舰船检测结果包括：
Figure FDA0002254207910000021
其中，
Figure FDA0002254207910000022
Figure FDA0002254207910000023
和
Figure FDA0002254207910000024
分别表示{θl,l＝1,2,…,L}的均值和标准差，ξ为已经输入的自适应尺度因子。
6.一种合成孔径雷达图像舰船检测装置，其特征在于，包括：
第一获取模块，用于获取合成孔径雷达图像，并估计得到所述合成孔径雷达图像的参数；
计算模块，用于利用超像素的尺寸和正则化参数得到所述合成孔径雷达图像的所有超像素；以及
第二获取模块，用于获取所述所有超像素的每个超像素的费雪向量，并确定所述费雪向量的局部对比度，以生成舰船检测结果。
7.根据权利要求6所述的装置，其特征在于，所述第一获取模块进一步用于将所述合成孔径雷达图像建模为包含所述参数的混合高斯模型，以得到所述参数的权重，均值和标准差。
8.根据权利要求6所述的装置，其特征在于，所述费雪向量的计算公式为：
Figure FDA0002254207910000025
其中，
Figure FDA0002254207910000026
Figure FDA0002254207910000027
Figure FDA0002254207910000028
其中，
Figure FDA0002254207910000029
Pl表示当前l个超像素中包含的像素的数量，xl,p表示l个超像素中的第p个像素；ωq、μq、σq分别表示混合高斯模型中第q个高斯成分的权重、均值和标准差。
9.根据权利要求8所述的装置，其特征在于，所述局部对比度的计算公式为：
Figure FDA0002254207910000031
其中，αl←sign(αl)|αl|1/2，并进行2范数归一化，sign()表示符号函数，输入为正，sign()为1，否则为-1，
Figure FDA0002254207910000032
表示紧邻第l个超像素的所有超像素的集合，med表示选择集合中的中值。
10.根据权利要求6所述的装置，其特征在于，所述舰船检测结果包括：
Figure FDA0002254207910000033
其中，
Figure FDA0002254207910000034
Figure FDA0002254207910000035
和
Figure FDA0002254207910000036
分别表示{θl,l＝1,2,…,L}的均值和标准差，ξ为已经输入的自适应尺度因子。
CN201911046217.5A 2019-10-30 2019-10-30 合成孔径雷达图像舰船检测方法及装置 Active CN111123267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911046217.5A CN111123267B (zh) 2019-10-30 2019-10-30 合成孔径雷达图像舰船检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911046217.5A CN111123267B (zh) 2019-10-30 2019-10-30 合成孔径雷达图像舰船检测方法及装置

Publications (2)

Publication Number Publication Date
CN111123267A true CN111123267A (zh) 2020-05-08
CN111123267B CN111123267B (zh) 2021-08-20

Family

ID=70495496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911046217.5A Active CN111123267B (zh) 2019-10-30 2019-10-30 合成孔径雷达图像舰船检测方法及装置

Country Status (1)

Country Link
CN (1) CN111123267B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101551809A (zh) * 2009-05-13 2009-10-07 西安电子科技大学 基于高斯混合模型分类的sar图像检索方法
US9389311B1 (en) * 2015-02-19 2016-07-12 Sandia Corporation Superpixel edges for boundary detection
CN106600557A (zh) * 2016-12-19 2017-04-26 辽宁工程技术大学 基于混合高斯模型与稀疏约束的psf估计方法
CN107609601A (zh) * 2017-09-28 2018-01-19 北京计算机技术及应用研究所 一种基于多层卷积神经网络的舰船目标识别方法
CN108171193A (zh) * 2018-01-08 2018-06-15 西安电子科技大学 基于超像素局部信息度量的极化sar舰船目标检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101551809A (zh) * 2009-05-13 2009-10-07 西安电子科技大学 基于高斯混合模型分类的sar图像检索方法
US9389311B1 (en) * 2015-02-19 2016-07-12 Sandia Corporation Superpixel edges for boundary detection
CN106600557A (zh) * 2016-12-19 2017-04-26 辽宁工程技术大学 基于混合高斯模型与稀疏约束的psf估计方法
CN107609601A (zh) * 2017-09-28 2018-01-19 北京计算机技术及应用研究所 一种基于多层卷积神经网络的舰船目标识别方法
CN108171193A (zh) * 2018-01-08 2018-06-15 西安电子科技大学 基于超像素局部信息度量的极化sar舰船目标检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
L.P. HU, ET AL.: "《Diagonal Clustering-based discriminant analysis for synthetic aperture radar Automatic Target Recognition》", 《2009 IET INTERNATIONAL RADAR CONFERENCE》 *
TAO LI，ET AL: "《Target Detection by Exploiting Superpixel-Level Statistical Dissimilarity for SAR Imagery》", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
刘爱平，等: "《一种有效的高分辨率SAR目标特征提取与识别方法》", 《武汉大学学报·信息科学版》 *
邓洋洋，等: "《基于超像素和信息论的SAR图像目标检测研究》", 《成都信息工程大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN111123267B (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN108765458B (zh) 基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法
Yang et al. Ship detection from optical satellite images based on sea surface analysis
CN107808383B (zh) 一种强海杂波下sar图像目标快速检测方法
CN109886218B (zh) 基于超像素统计相异性的sar图像舰船目标检测方法
EP2927864A1 (en) Image processing device and image processing method
CN107221005B (zh) 物体检测方法及装置
Nair et al. Fuzzy logic-based automatic contrast enhancement of satellite images of ocean
CN115019187B (zh) 针对sar图像船舶目标的检测方法、装置、设备及介质
CN113256667B (zh) 一种基于Otsu与联合分布的SAR图像舰船目标检测方法
CN111723632A (zh) 一种基于孪生网络的船舶跟踪方法及系统
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
Liu et al. Comparison of wave height measurement algorithms for ship-borne X-band nautical radar
CN108519631B (zh) 降水强度预测方法
CN110349188A (zh) 基于tsk模糊模型的多目标跟踪方法、装置及存储介质
CN108038856B (zh) 基于改进多尺度分形增强的红外小目标检测方法
CN112633274A (zh) 一种声呐图像目标检测方法、装置、电子设备
CN113362293A (zh) 一种基于显著性的sar图像舰船目标快速检测方法
CN111123267B (zh) 合成孔径雷达图像舰船检测方法及装置
CN112766286B (zh) 一种基于sar图像全局-局部特征的舰船目标检测方法
Ma et al. A waterborne salient ship detection method on SAR imagery
CN109816006B (zh) 一种海天线检测方法、装置及计算机可读存储介质
KR101480824B1 (ko) 다중 호모그래피 기법을 이용한 배경 움직임 보상 방법
Li et al. Ship detection based on surface fitting modeling for large range background of ocean images
CN113298759A (zh) 水域检测方法、装置、电子设备及存储介质
Zhang et al. SAR image ship detection based on a superpixel non-window fast cfar strategy

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