CN111160260A - 一种sar图像目标检测方法及系统 - Google Patents
一种sar图像目标检测方法及系统 Download PDFInfo
- Publication number
- CN111160260A CN111160260A CN201911399179.1A CN201911399179A CN111160260A CN 111160260 A CN111160260 A CN 111160260A CN 201911399179 A CN201911399179 A CN 201911399179A CN 111160260 A CN111160260 A CN 111160260A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- standard deviation
- value
- pixel
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000001914 filtration Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 50
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 18
- 238000003860 storage Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20024—Filtering details
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种SAR图像目标检测方法及系统，涉及图像处理技术领域，该方法包括以下步骤：根据灰度标准差滤波方法对SAR图像进行预处理，获得灰度标准差滤波图像；根据频率调谐显著性检测算法处理所述灰度标准差滤波图像，获得显著图像；利用自适应阈值分割方法对所述显著图像进行处理，获得白色目标区域以及黑色背景区域；利用区域增长法对所述白色目标区域内的各白色像素点进行处理，获得目标区域图。本发明能够克服杂波以及噪声的影响，在干扰环境下检测出SAR图像中的亮目标，满足目标检测的工作需求。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种SAR图像目标检测方法及系统。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)是一种可以产生高分辨率图像的微波遥感器，具有全天时、全天候、多波段、覆盖面积大和穿透性强等优点，广泛应用于军事侦察、灾情估计、森林环境监测等领域。尤其在军事应用领域，SAR图像中的亮区域通常是有价值的人造军事目标，因此快速准确地检测出SAR图像中的亮目标具有重要的意义。但是，由于SAR特殊的相干成像机制，使得SAR图像不可避免地含有相干斑噪声，影响成像质量，这对快速准确地检测SAR图像中的亮目标带来了很大的困难。
现有的SAR图像目标检测方法中，恒虚警率(Constant False Alarm Rate，CFAR)方法的应用最广泛，该方法先根据区域杂波数据建立杂波分布模型，绘制出该分布模型的概率密度曲线，然后通过虚警率求出目标像素分割阈值，最后利用阈值检测出SAR图像中的高灰度值目标。在目标与背景具有较高的对比度且场景简单的情况下，该方法通过检测门限能较好地从背景中分离出目标，但当杂波严重、图像信噪比低时，该方法并不适用。
近年来，基于深度学习和神经网络的方法被应用到SAR图像目标检测中，这类方法首先需要大量带标签的SAR图像来训练神经网络，但在很多情况下尤其是军事应用中，难以得到大量的训练数据集，故而存在一定局限性。同时，由于神经网络的不可解释性，当出现检测失败的情况时无法准确定位问题。
另外，阈值分割目标检测方法对SAR图像的相干斑噪声非常敏感，难以直接应用于SAR图像目标检测。
因此，急需一种新的SAR图像目标检测方法，即使在杂波严重以及低信噪比情况下，也能够实现对目标的快速准确检测，满足工作需求。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种SAR图像目标检测方法及系统，能够克服杂波以及噪声的影响，在干扰环境下检测出SAR图像中的亮目标，满足目标检测的工作需求。
为达到以上目的，本发明采取的技术方案是：
第一方面，本发明公开一种SAR图像目标检测方法，所述方法包括以下步骤：
S1、根据灰度标准差滤波方法对SAR图像进行预处理，获得灰度标准差滤波图像；
S2、根据频率调谐显著性检测算法处理所述灰度标准差滤波图像，获得显著图像；
S3、利用自适应阈值分割方法对所述显著图像进行处理，获得白色目标区域以及黑色背景区域；
S4、利用区域增长法对所述白色目标区域内的各白色像素点进行处理，获得目标区域图。
在上述技术方案的基础上，所述步骤S1包括以下步骤：
S10、计算所述SAR图像的灰度积分图和灰度平方积分图；
S11、计算所述SAR图像的各局部区域灰度标准差；
S12、对各所述局部区域灰度标准差进行归一化处理，获得灰度标准差滤波图像。
在上述技术方案的基础上，所述步骤S10具体包括以下步骤：
设输入图像宽度为width、高度为height，则图像的像素个数为K＝width*height，灰度积分图中任一点(xM,yM)(0≤M<K)处的值V(xM,yM)为其左上角的所有像素灰度值之和，计算公式如下：
其中，g(x,y)中表示输入图像中(x,y)点的灰度值；
以(x1,y1)为左上角点，以(x2,y2)为右下角点的区域的像素灰度和可通过下式计算：
v_sum[(x1,y1):(x2,y2)]＝V(x2,y2)+V(x1,y1)-V(x1,y2)-V(x2,y1)；
该区域的像素灰度均值为：
灰度平方积分图中任一点(xM,yM)的W(xM,yM)为其左上角的所有像素灰度值平方之和，计算公式为：
以(x1,y1)为左上角点，以(x2,y2)为右下角点的区域的像素灰度平方和为：
w_sum[(x1,y1):(x2,y2)]＝W(x2,y2)+W(x1,y1)-W(x1,y2)-W(x2,y1)；
该区域的像素灰度平方均值为：
在上述技术方案的基础上，所述步骤S11具体包括以下步骤：
根据灰度积分图和灰度平方积分图计算以所述SAR图像任一像素点(xM,yM)为中心大小为N×N的所述局部区域的灰度标准差σ(xM,yM)，所述局部区域的左上角坐标为(x1,y1)＝(xM-N/2,yM-N/2)，所述局部区域的右下角坐标为(x2,y2)＝(xM+N/2,yM+N/2)，所述局部区域的灰度均值为μ＝v_aver[(x1,y1):(x2,y2)]，则所述局部区域的灰度标准差σ(xM,yM)计算公式如下：
其中，满足预设条件的所述SAR图像的所述像素(xM,yM)(N/2≤xM＜width-N/2,N/2≤yM＜height-N/2)均对应一个局部区域灰度标准差。
在上述技术方案的基础上，所述步骤S12具体包括以下步骤：
获得所有局部灰度标准差中的最大值maxσ以及最小值minσ，对所有局部灰度标准差进行归一化处理，计算公式如下：
其中，N/2≤xM＜width-N/2，N/2≤yM＜height-N/2，将σ(xM,yM)的值作为输入图像(xM,yM)处的灰度值，距离图像边缘小于N/2的像素灰度值赋为零。
在上述技术方案的基础上，所述步骤S2包括以下步骤：
S20、根据所述频率调谐显著性检测算法计算所述灰度标准差滤波图像中各像素点的显著值；
S21、将各所述像素点的所述显著值进行归一化处理，获得各所述像素点的归一化显著值；
S22、将各所述像素点的归一化显著值作为灰度值输出，获得所述显著图像。
在上述技术方案的基础上，所述步骤S20中的所述频率调谐显著性检测算法的显著性计算公式为：
S(x,y)＝||Iμ-Iω(x,y)||2；
其中，Iμ为所述灰度标准差滤波图像对应的均值图像的灰度值，Iω为所述灰度标准差滤波图像经高斯滤波后的图像的灰度值，S(x,y)为所述灰度标准差滤波图像中的每个像素点的显著值。
在上述技术方案的基础上，所述步骤S21中的归一化显著值计算公式为：
max S为显著值中的最大值，min S为显著值中的最小值，
为像素点(x,y)的归一化显著值。
在上述技术方案的基础上，所述步骤S3包括以下步骤：
设置目标像素点个数上限为Nmax，采用最大类间方差法获取初始分割阈值Seg_th1，并统计对应于初始分割阈值的目标像素点个数N；
若N<＝Nmax，则将Seg_th1作为最终分割阈值；
若N>Nmax，则利用公式Seg_th2＝Seg_th1+i(其中，i＝1，2，…，255)，以Seg_th1+1为起始阈值逐数值提高分割阈值，当目标像素点个数N<＝Nmax时，将Seg_th2作为最终分割阈值；
根据所述最终分割阈值对所述显著图像进行二值化处理，获得白色目标区域以及黑色背景区域。
第二方面，本发明还公开一种SAR图像目标检测系统，所述系统包括：
预处理单元，其用于根据灰度标准差滤波方法对SAR图像进行预处理，获得灰度标准差滤波图像；
显著图像获取单元，其用于根据频率调谐显著性检测算法处理所述灰度标准差滤波图像，获得显著图像；
区域区分单元，其用于根据自适应阈值分割方法对所述显著图像进行处理，获得白色目标区域以及黑色背景区域；
区域获取单元，其用于根据区域增长法对所述白色目标区域内的各白色像素点进行处理，获得目标区域图。
与现有技术相比，本发明的优点在于：
1.本发明能够克服杂波以及噪声的影响，在干扰环境下准确地检测出SAR图像中的亮目标；
2.本发明原理清晰，实现简单，实施方便，运算速度快，满足对实时性要求较高的工程需求。
附图说明
图1为本发明实施例一中SAR图像目标检测方法的步骤流程图；
图2为本发明实施例一中SAR图像目标检测方法中步骤S1的步骤流程图；
图3为本发明实施例一中SAR图像目标检测方法中步骤S2的步骤流程图；
图4为本发明实施例二中SAR图像目标检测系统的结构框图；
图中：1、预处理单元；2、显著图像获取单元；3、区域区分单元；4、区域获取单元。
具体实施方式
以下结合附图对本发明的实施例作进一步详细说明。
本发明实施例提供一种SAR图像目标检测方法及系统，能够克服杂波以及噪声的影响，在干扰环境下快速准确地检测出SAR图像中的亮目标，满足目标检测的工作需求。
为达到上述技术效果，本申请的总体思路如下：
一种SAR图像目标检测方法，该方法包括以下步骤：
S1、根据灰度标准差滤波方法对SAR图像进行预处理，获得灰度标准差滤波图像；
S2、根据频率调谐显著性检测算法处理所述灰度标准差滤波图像，获得显著图像；
S3、利用自适应阈值分割方法对所述显著图像进行处理，获得白色目标区域以及黑色背景区域；
S4、利用区域增长法对所述白色目标区域内的各白色像素点进行处理，获得目标区域图。
以下结合附图对本发明的实施例作进一步详细说明。
实施例一
参见图1至3所示，本发明实施例一提供一种SAR图像目标检测方法，该方法包括以下步骤：
S1、根据灰度标准差滤波方法对SAR图像进行预处理，获得灰度标准差滤波图像；
S2、根据频率调谐显著性检测算法处理灰度标准差滤波图像，获得显著图像；
S3、利用自适应阈值分割方法对显著图像进行处理，获得白色目标区域以及黑色背景区域；
S4、利用区域增长法对白色目标区域内的各白色像素点进行处理，获得目标区域图。
本发明实施例中，首先，采用灰度标准差滤波方法对获取的SAR图像进行预处理，获得灰度标准差滤波图像，该步骤的目的主要在于抑制背景噪声干扰，同时能够使分散的目标像素融合在一起；
进而，根据频率调谐显著性检测算法处理灰度标准差滤波图像，获得显著图像，从而凸显SAR图像中的显著区域；
而后，利用自适应阈值分割方法对显著图像进行处理，获得白色目标区域以及黑色背景区域，此步骤是对显著图像进行二值化，将白色的目标区域与黑色的背景区域进行区分；
最后，以二值图中的白色像素点为种子利用区域增长法获取每个连通的白色区域位置，这些白色连通区域即为检测出的亮目标区域，从而获得目标区域图。
本发明实施例适用于SAR图像中的亮目标检测，能够有效克服杂波、相干斑噪声等因素的影响，准确地检测出干扰背景下的亮目标，在目标本身由于噪声污染而部分缺失的情况下也能获得较好的检测效果。
另外，本发明相对于传统方法不仅有较好的检测效果，而且原理清晰，实现简单，实施方便，运算速度快，满足对实时性要求较高的工程需求。
本发明实施例中的另一种实施方式中，步骤S1包括以下步骤：
S10、计算SAR图像的灰度积分图和灰度平方积分图；
S11、计算SAR图像的各局部区域灰度标准差；
S12、对各局部区域灰度标准差进行归一化处理，获得灰度标准差滤波图像。
本发明实施例中，根据SAR图像依次获得灰度积分图、灰度平方积分图以及各局部区域灰度标准差，进而，对各局部区域灰度标准差进行归一化处理，最终能够获得灰度标准差滤波图像。
在具体实施时，步骤S10具体包括以下步骤：
设输入图像宽度为width、高度为height，则图像的像素个数为K＝width*height，灰度积分图中任一点(xM,yM)(0≤M<K)处的值V(xM,yM)为其左上角的所有像素灰度值之和，计算公式如下：
其中，g(x,y)中表示输入图像中(x,y)点的灰度值；
以(x1,y1)为左上角点，以(x2,y2)为右下角点的区域的像素灰度和可通过下式计算：
v_sum[(x1,y1):(x2,y2)]＝V(x2,y2)+V(x1,y1)-V(x1,y2)-V(x2,y1)；
该区域的像素灰度均值为：
灰度平方积分图中任一点(xM,yM)的W(xM,yM)为其左上角的所有像素灰度值平方之和，计算公式为：
以(x1,y1)为左上角点，以(x2,y2)为右下角点的区域的像素灰度平方和为：
w_sum[(x1,y1):(x2,y2)]＝W(x2,y2)+W(x1,y1)-W(x1,y2)-W(x2,y1)；
该区域的像素灰度平方均值为：
在具体实施时，步骤S11具体包括以下步骤：
根据灰度积分图和灰度平方积分图计算以SAR图像任一像素点(xM,yM)为中心大小为N×N的局部区域的灰度标准差σ(xM,yM)，局部区域的左上角坐标为(x1,y1)＝(xM-N/2,yM-N/2)，局部区域的右下角坐标为(x2,y2)＝(xM+N/2,yM+N/2)，局部区域的灰度均值为μ＝v_aver[(x1,y1):(x2,y2)]，则局部区域的灰度标准差σ(xM,yM)计算公式如下：
其中，满足预设条件的S A R图像的像素(xM,yM)(N/2≤xM＜width-N/2,N/2≤yM＜height-N/2)均对应一个局部区域灰度标准差；
具体地，在实际操作中，除了距离图像边缘小于N/2的像素，其他每个像素(xM,yM)(N/2≤xM＜width-N/2,N/2≤yM＜height-N/2)均对应一个局部区域灰度标准差σ(xM,yM)。
具体地，步骤S12具体包括以下步骤：
获得所有局部灰度标准差中的最大值maxσ以及最小值minσ，对所有局部灰度标准差进行归一化处理计算公式如下：
其中，N/2≤xM＜width-N/2，N/2≤yM＜height-N/2，将σ(xM,yM)的值作为输入图像(xM,yM)处的灰度值，距离图像边缘小于N/2的像素灰度值赋为零，最终获得对应的灰度标准差滤波图像。
本发明实施例中的另一种实施方式中，步骤S2包括以下步骤：
S20、根据频率调谐显著性检测算法计算灰度标准差滤波图像中各像素点的显著值；
S21、将各像素点的显著值进行归一化处理，获得各像素点的归一化显著值；
S22、将各像素点的归一化显著值作为灰度值输出，获得显著图像。
本发明实施例中的另一种实施方式中，步骤S20中的频率调谐显著性检测算法的显著性计算公式为：
S(x,y)＝||Iμ-Iω(x,y)||2；
其中，Iμ为灰度标准差滤波图像对应的均值图像的灰度值，Iω为灰度标准差滤波图像经高斯滤波后的图像的灰度值，S(x,y)为灰度标准差滤波图像中的每个像素点的显著值。
本发明实施例中的另一种实施方式中，步骤S21中的归一化显著值计算公式为：
max S为显著值中的最大值，min S为显著值中的最小值，
为像素点(x,y)的归一化显著值。
本发明实施例中的另一种实施方式中，步骤S3包括以下步骤：
根据实际情况设置目标像素点个数上限为Nmax，采用最大类间方差法获取初始分割阈值Seg_th1，并统计对应于初始分割阈值的目标像素点个数N；
若N<＝Nmax，则将Seg_th1作为最终分割阈值；
若N>Nmax，则利用公式Seg_th2＝Seg_th1+i(其中，i＝1，2，…，255)，以Seg_th1+1为起始阈值逐数值提高分割阈值，当目标像素点个数N<＝Nmax时，取此时的Seg_th2作为最终分割阈值；
根据最终分割阈值对显著图像进行处理，获得白色目标区域以及黑色背景区域。
基于同一发明构思，本申请提供了实施例一对应的SAR图像目标检测系统的实施例，详见实施例二。
实施例二
参见图4所示，本发明实施例提供一种SAR图像目标检测系统，该系统包括：
预处理单元1，其用于根据灰度标准差滤波方法对SAR图像进行预处理，获得灰度标准差滤波图像；
显著图像获取单元2，其用于根据频率调谐显著性检测算法处理灰度标准差滤波图像，获得显著图像；
区域区分单元3，其用于根据自适应阈值分割方法对显著图像进行处理，获得白色目标区域以及黑色背景区域；
区域获取单元4，其用于根据区域增长法对白色目标区域内的各白色像素点进行处理，获得目标区域图。
本发明实施例中，首先，采用灰度标准差滤波方法对获取的SAR图像进行预处理，获得灰度标准差滤波图像，该步骤的目的主要在于抑制背景噪声干扰，同时能够使分散的目标像素融合在一起；
进而，根据频率调谐显著性检测算法处理灰度标准差滤波图像，获得显著图像，从而凸显SAR图像中的显著区域；
而后，再利用自适应阈值分割方法对显著图像进行处理，获得白色目标区域以及黑色背景区域，此步骤是对显著图像进行二值化，将白色的目标区域与黑色的背景区域进行区分；
最后，以二值图中的白色像素点为种子利用区域增长法获取每个连通的白色区域位置，这些白色连通区域即为检测出的亮目标区域，从而获得目标区域图。
本发明实施例适用于SAR图像中的亮目标检测，能够有效克服杂波、相干斑噪声等因素的影响，准确地检测出干扰背景下的亮目标，在目标本身由于噪声污染而部分缺失的情况下也能获得较好的检测效果。
另外，本发明相对于传统方法不仅有较好的检测效果，而且原理清晰，实现简单，实施方便，运算速度快，满足对实时性要求较高的工程需求。
本发明实施例中的另一种实施方式中，预处理单元1具体用于：
计算SAR图像的灰度积分图和灰度平方积分图；
计算SAR图像的各局部区域灰度标准差；
对各局部区域灰度标准差进行归一化处理，获得灰度标准差滤波图像。
本发明实施例中，根据SAR图像依次获得灰度积分图、灰度平方积分图以及各局部区域灰度标准差，进而，对各局部区域灰度标准差进行归一化处理，最终能够获得灰度标准差滤波图像。
在具体实施时，预处理单元1具体工作中：
设输入图像宽度为width、高度为height，则图像的像素个数为K＝width*height，灰度积分图中任一点(xM,yM)(0≤M<K)处的值V(xM,yM)为其左上角的所有像素灰度值之和，计算公式如下：
其中，g(x,y)中表示输入图像中(x,y)点的灰度值；
以(x1,y1)为左上角点，以(x2,y2)为右下角点的区域的像素灰度和可通过下式计算：
v_sum[(x1,y1):(x2,y2)]＝V(x2,y2)+V(x1,y1)-V(x1,y2)-V(x2,y1)；
该区域的像素灰度均值为：
灰度平方积分图中任一点(xM,yM)的W(xM,yM)为其左上角的所有像素灰度值平方之和，计算公式为：
以(x1,y1)为左上角点，以(x2,y2)为右下角点的区域的像素灰度平方和为：
w_sum[(x1,y1):(x2,y2)]＝W(x2,y2)+W(x1,y1)-W(x1,y2)-W(x2,y1)；
该区域的像素灰度平方均值为：
在具体实施时，预处理单元1具体工作中：
根据灰度积分图和灰度平方积分图计算以SAR图像任一像素点(xM,yM)为中心大小为N×N的局部区域的灰度标准差σ(xM,yM)，局部区域的左上角坐标为(x1,y1)＝(xM-N/2,yM-N/2)，局部区域的右下角坐标为(x2,y2)＝(xM+N/2,yM+N/2)，局部区域的灰度均值为μ＝v_aver[(x1,y1):(x2,y2)]，则局部区域的灰度标准差σ(xM,yM)计算公式如下：
其中，满足预设条件的S A R图像的像素(xM,yM)(N/2≤xM＜width-N/2,N/2≤yM＜height-N/2)均对应一个局部区域灰度标准差；
具体地，在实际操作中，除了距离图像边缘小于N/2的像素，其他每个像素(xM,yM)(N/2≤xM＜width-N/2,N/2≤yM＜height-N/2)均对应一个局部区域灰度标准差σ(xM,yM)。
具体地，预处理单元1具体工作中：
获得所有灰度标准差中的最大值maxσ以及最小值minσ，对所有灰度标准差进行归一化处理，计算公式如下：
其中，N/2≤xM＜width-N/2，N/2≤yM＜height-N/2，将σ(xM,yM)的值作为输入图像(xM,yM)处的灰度值，距离图像边缘小于N/2的像素灰度值赋为零，最终获得对应的灰度标准差滤波图像。
本发明实施例中的另一种实施方式中，显著图像获取单元2具体用于：
根据频率调谐显著性检测算法计算灰度标准差滤波图像中各像素点的显著值；
将各像素点的显著值进行归一化处理，获得各像素点的归一化显著值；
将各像素点的归一化显著值作为灰度值输出，获得显著图像。
本发明实施例中的另一种实施方式中，显著图像获取单元2运作中的频率调谐显著性检测算法的显著性计算公式为：
S(x,y)＝||Iμ-Iω(x,y)||2；
其中，Iμ为灰度标准差滤波图像对应的均值图像的灰度值，Iω为灰度标准差滤波图像经高斯滤波后的图像的灰度值，S(x,y)为灰度标准差滤波图像中的每个像素点的显著值。
本发明实施例中的另一种实施方式中，显著图像获取单元2运作中的归一化显著值计算公式为：
max S为显著值的最大值，min S为显著值的最小值，
为像素点(x,y)的归一化显著值。
本发明实施例中的另一种实施方式中，区域区分单元3具体用于：
根据实际情况设置目标像素点个数上限Nmax，采用最大类间方差法获取初始分割阈值Seg_th1，并统计对应于初始分割阈值的目标像素点个数N；
若N<＝Nmax，则将Seg_th1作为最终分割阈值；
若N>Nmax，则利用公式Seg_th2＝Seg_th1+i(其中，i＝1，2，…，255)，以Seg_th1+1为起始阈值逐数值提高分割阈值，当目标像素点个数N<＝Nmax时，取此时的Seg_th2作为最终分割阈值；
根据最终分割阈值对显著图像进行处理，获得白色目标区域以及黑色背景区域。
基于同一发明构思，本申请提供了实施例一对应的存储介质的实施例，详见实施例三
实施例三
本发明第三实施例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第一实施例中的所有方法步骤或部分方法步骤。
本发明实现上述第一实施例中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
基于同一发明构思，本申请提供了实施例一对应的设备的实施例，详见实施例四
实施例四
本发明第四实施例还提供一种设备，包括存储器和处理器，存储器上储存有在处理器上运行的计算机程序，处理器执行计算机程序时实现第一实施例中的所有方法步骤或部分方法步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、服务器或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、服务器和计算机程序产品的流程图和/或方框图来描述的，应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种SAR图像目标检测方法，所述方法包括以下步骤：
S1、根据灰度标准差滤波方法对SAR图像进行预处理，获得灰度标准差滤波图像；
S2、根据频率调谐显著性检测算法处理所述灰度标准差滤波图像，获得显著图像；
S3、利用自适应阈值分割方法对所述显著图像进行处理，获得白色目标区域以及黑色背景区域；
S4、利用区域增长法对所述白色目标区域内的各白色像素点进行处理，获得目标区域图。
2.如权利要求1所述的方法，其特征在于，所述步骤S1包括以下步骤：
S10、计算所述SAR图像的灰度积分图和灰度平方积分图；
S11、计算所述SAR图像的各局部区域灰度标准差；
S12、对各所述局部区域灰度标准差进行归一化处理，获得灰度标准差滤波图像。
3.如权利要求2所述的方法，其特征在于，所述步骤S10具体包括以下步骤：
设输入图像宽度为width、高度为height，则图像的像素个数为K＝width*height，灰度积分图中任一点(xM,yM)(0≤M<K)处的值V(xM,yM)为其左上角的所有像素灰度值之和，计算公式如下：
其中，g(x,y)中表示输入图像中(x,y)点的灰度值；
以(x1,y1)为左上角点，以(x2,y2)为右下角点的区域的像素灰度和可通过下式计算：
v_sum[(x1,y1):(x2,y2)]＝V(x2,y2)+V(x1,y1)-V(x1,y2)-V(x2,y1)；
该区域的像素灰度均值为：
灰度平方积分图中任一点(xM,yM)的W(xM,yM)为其左上角的所有像素灰度值平方之和，计算公式为：
以(x1,y1)为左上角点，以(x2,y2)为右下角点的区域的像素灰度平方和为：
w_sum[(x1,y1):(x2,y2)]＝W(x2,y2)+W(x1,y1)-W(x1,y2)-W(x2,y1)；
该区域的像素灰度平方均值为：
4.如权利要求2所述的方法，其特征在于，所述步骤S11具体包括以下步骤：
根据灰度积分图和灰度平方积分图计算以所述SAR图像任一像素点(xM,yM)为中心大小为N×N的所述局部区域的灰度标准差σ(xM,yM)，所述局部区域的左上角坐标为(x1,y1)＝(xM-N/2,yM-N/2)，所述局部区域的右下角坐标为(x2,y2)＝(xM+N/2,yM+N/2)，所述局部区域的灰度均值为μ＝v_aver[(x1,y1):(x2,y2)]，则所述局部区域的灰度标准差σ(xM,yM)计算公式如下：
其中，满足预设条件的所述SAR图像的所述像素(xM,yM)(N/2≤xM＜width-N/2,N/2≤yM＜height-N/2)均对应一个局部区域灰度标准差。
5.如权利要求2所述的方法，其特征在于，所述步骤S12具体包括以下步骤：
获得所有局部灰度标准差中的最大值maxσ以及最小值minσ，对所有局部灰度标准差进行归一化处理，计算公式如下：
其中，N/2≤xM＜width-N/2，N/2≤yM＜height-N/2，将σ(xM,yM)的值作为输入图像(xM,yM)处的灰度值，距离图像边缘小于N/2的像素灰度值赋为零。
6.如权利要求1所述的方法，其特征在于，所述步骤S2包括以下步骤：
S20、根据所述频率调谐显著性检测算法计算所述灰度标准差滤波图像中各像素点的显著值；
S21、将各所述像素点的所述显著值进行归一化处理，获得各所述像素点的归一化显著值；
S22、将各所述像素点的归一化显著值作为灰度值输出，获得所述显著图像。
7.如权利要求6所述的方法，其特征在于，所述步骤S20中的所述频率调谐显著性检测算法的显著性计算公式为：
S(x,y)＝||Iμ-Iω(x,y)||2；
其中，Iμ为所述灰度标准差滤波图像对应的均值图像的灰度值，Iω为所述灰度标准差滤波图像经高斯滤波后的图像的灰度值，S(x,y)为所述灰度标准差滤波图像中的每个像素点的显著值。
8.如权利要求6所述的方法，其特征在于，所述步骤S21中的归一化显著值计算公式为：
maxS为显著值中的最大值，minS为显著值中的最小值，
为像素点(x,y)的归一化显著值。
9.如权利要求1所述的方法，其特征在于，所述步骤S3包括以下步骤：
设置目标像素点个数上限为Nmax，采用最大类间方差法获取初始分割阈值Seg_th1，并统计对应于初始分割阈值的目标像素点个数N；
若N<＝Nmax，则将Seg_th1作为最终分割阈值；
若N>Nmax，则利用公式Seg_th2＝Seg_th1+i(其中，i＝1，2，…，255)，以Seg_th1+1为起始阈值逐数值提高分割阈值，当目标像素点个数N<＝Nmax时，将Seg_th2作为最终分割阈值；
根据所述最终分割阈值对所述显著图像进行二值化处理，获得白色目标区域以及黑色背景区域。
10.一种SAR图像目标检测系统，所述系统包括：
预处理单元，其用于根据灰度标准差滤波方法对SAR图像进行预处理，获得灰度标准差滤波图像；
显著图像获取单元，其用于根据频率调谐显著性检测算法处理所述灰度标准差滤波图像，获得显著图像；
区域区分单元，其用于根据自适应阈值分割方法对所述显著图像进行处理，获得白色目标区域以及黑色背景区域；
区域获取单元，其用于根据区域增长法对所述白色目标区域内的各白色像素点进行处理，获得目标区域图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911399179.1A CN111160260B (zh) | 2019-12-30 | 2019-12-30 | 一种sar图像目标检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911399179.1A CN111160260B (zh) | 2019-12-30 | 2019-12-30 | 一种sar图像目标检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111160260A true CN111160260A (zh) | 2020-05-15 |
| CN111160260B CN111160260B (zh) | 2023-07-04 |
Family
ID=70559553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911399179.1A Active CN111160260B (zh) | 2019-12-30 | 2019-12-30 | 一种sar图像目标检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160260B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200826A (zh) * | 2020-10-15 | 2021-01-08 | 北京科技大学 | 一种工业弱缺陷分割方法 |
| CN112967331A (zh) * | 2021-03-25 | 2021-06-15 | 北京的卢深视科技有限公司 | 一种图像处理的方法、电子设备及存储介质 |
| CN116051426A (zh) * | 2023-03-27 | 2023-05-02 | 南京誉葆科技股份有限公司 | 一种合成孔径雷达图像处理方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101982835A (zh) * | 2010-11-12 | 2011-03-02 | 西安电子科技大学 | Sar图像机场道路边缘检测水平集方法 |
| US20120099779A1 (en) * | 2009-06-23 | 2012-04-26 | Varsha Gupta | method and system for segmenting a brain image |
| CN102509290A (zh) * | 2011-10-25 | 2012-06-20 | 西安电子科技大学 | 基于显著性的sar图像机场跑道边缘检测方法 |
| WO2018107939A1 (zh) * | 2016-12-14 | 2018-06-21 | 国家海洋局第二海洋研究所 | 一种基于边缘完备度的图像分割最优识别方法 |
| CN108765406A (zh) * | 2018-05-31 | 2018-11-06 | 电子科技大学 | 一种基于红外遥感图像的雪山检测方法 |
| CN108805835A (zh) * | 2018-05-30 | 2018-11-13 | 合肥工业大学 | 基于截断统计特征的sar图像双边滤波方法 |
| CN109272489A (zh) * | 2018-08-21 | 2019-01-25 | 西安电子科技大学 | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 |
-
2019
- 2019-12-30 CN CN201911399179.1A patent/CN111160260B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120099779A1 (en) * | 2009-06-23 | 2012-04-26 | Varsha Gupta | method and system for segmenting a brain image |
| CN101982835A (zh) * | 2010-11-12 | 2011-03-02 | 西安电子科技大学 | Sar图像机场道路边缘检测水平集方法 |
| CN102509290A (zh) * | 2011-10-25 | 2012-06-20 | 西安电子科技大学 | 基于显著性的sar图像机场跑道边缘检测方法 |
| WO2018107939A1 (zh) * | 2016-12-14 | 2018-06-21 | 国家海洋局第二海洋研究所 | 一种基于边缘完备度的图像分割最优识别方法 |
| CN108805835A (zh) * | 2018-05-30 | 2018-11-13 | 合肥工业大学 | 基于截断统计特征的sar图像双边滤波方法 |
| CN108765406A (zh) * | 2018-05-31 | 2018-11-06 | 电子科技大学 | 一种基于红外遥感图像的雪山检测方法 |
| CN109272489A (zh) * | 2018-08-21 | 2019-01-25 | 西安电子科技大学 | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200826A (zh) * | 2020-10-15 | 2021-01-08 | 北京科技大学 | 一种工业弱缺陷分割方法 |
| CN112200826B (zh) * | 2020-10-15 | 2023-11-28 | 北京科技大学 | 一种工业弱缺陷分割方法 |
| CN112967331A (zh) * | 2021-03-25 | 2021-06-15 | 北京的卢深视科技有限公司 | 一种图像处理的方法、电子设备及存储介质 |
| CN112967331B (zh) * | 2021-03-25 | 2021-12-17 | 北京的卢深视科技有限公司 | 一种图像处理的方法、电子设备及存储介质 |
| CN116051426A (zh) * | 2023-03-27 | 2023-05-02 | 南京誉葆科技股份有限公司 | 一种合成孔径雷达图像处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111160260B (zh) | 2023-07-04 |
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 | |
| CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
| US9990546B2 (en) | Method and apparatus for determining target region in video frame for target acquisition | |
| CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
| CN110031843B (zh) | 基于roi区域的sar图像目标定位方法、系统、装置 | |
| CN111160260A (zh) | 一种sar图像目标检测方法及系统 | |
| CN107220988B (zh) | 基于改进canny算子的零部件图像边缘提取方法 | |
| CN108489996B (zh) | 一种绝缘子的缺陷检测方法、系统及终端设备 | |
| CN110852997B (zh) | 动态图像清晰度检测方法、装置、电子设备及存储介质 | |
| CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
| CN102096824A (zh) | 基于选择性视觉注意机制的多光谱图像舰船检测方法 | |
| CN111323756B (zh) | 一种基于深度学习的航海雷达目标检测方法及装置 | |
| CN111323757B (zh) | 一种航海雷达目标检测方法及装置 | |
| Andriyanov et al. | Pattern recognition on radar images using augmentation | |
| CN114418870A (zh) | 图像去噪方法、系统以及存储介质 | |
| CN110853050B (zh) | 一种sar图像河流分割方法、装置及介质 | |
| CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
| CN116863458A (zh) | 车牌识别方法、装置、系统及存储介质 | |
| CN111311610A (zh) | 图像分割的方法及终端设备 | |
| CN109544574B (zh) | 基于全固态vts雷达的目标提取方法 | |
| CN113111883B (zh) | 车牌检测方法、电子设备及存储介质 | |
| CN116342656A (zh) | 一种基于自适应边缘检测的时空图像测速方法和装置 | |
| CN111027560B (zh) | 文本检测方法以及相关装置 | |
| CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 | |
| CN110033474B (zh) | 目标检测方法、装置、计算机设备和存储介质 |
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 |