CN112164068A - 一种警戒雷达ppi图像目标/干扰区域自适应提取方法 - Google Patents
一种警戒雷达ppi图像目标/干扰区域自适应提取方法 Download PDFInfo
- Publication number
- CN112164068A CN112164068A CN202010691208.8A CN202010691208A CN112164068A CN 112164068 A CN112164068 A CN 112164068A CN 202010691208 A CN202010691208 A CN 202010691208A CN 112164068 A CN112164068 A CN 112164068A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- target
- interference
- ppi
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 44
- 230000003044 adaptive effect Effects 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 25
- 230000000007 visual effect Effects 0.000 claims abstract description 13
- 241000282414 Homo sapiens Species 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 5
- 230000002401 inhibitory effect Effects 0.000 claims description 5
- 238000011426 transformation method Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000004456 color vision Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000004075 alteration Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000010191 image analysis Methods 0.000 abstract description 2
- 230000007123 defense Effects 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明属于干扰检测与效果评估技术领域，公开的一种警戒雷达PPI图像目标/干扰区域自适应提取方法，是对只有目标没有干扰的图像，应用视觉显著性方法进行目标区域自适应提取，对于有干扰存在的情况，则应用基于色彩变换的自适应提取方法，试图实现对警戒雷达PPI图像中的目标、干扰区域进行自动提取，同时将PPI图像中的背景信息予以抑制，从而为干扰的分类提供数据支持。本发明能够提高警戒雷达PPI图像分析的自动化程度，一方面可以提高处理效率，另一方面可以降低人为因素带来的分析偏差。本发明的优越性是第一、基于视觉显著性方法的目标区域自适应提取步骤；第二，基于色彩变换的目标和干扰区域自适应提取步骤。
Description
技术领域
本发明属于干扰检测与效果评估技术领域，尤其涉及一种警戒雷达PPI图像目标/干扰区域自适应提取方法。
背景技术
警戒雷达通常部署在边防/海防前沿或军事要地，对部署地周围一定区域执行空中目标、海面目标的搜索、跟踪等任务，以实现对威胁目标的预警探测。通常警戒雷达的搜索结果会呈现在平面位置显示器Plan Position Indicator, PPI上。在PPI上，雷达天线位于显示区域的中心，雷达回波处理结果在极坐标系下显示，表示各种回波：目标、干扰、杂波等在距离、方位上的分布情况，同时一般会将雷达所处的地形图以较为概要的形式嵌在结果中。
在警戒雷达工作时，其周围不可避免会存在各种有意、无意干扰，这些干扰在PPI图像中呈现出各种形态。为了实现对雷达干扰的分析与分类，需要对 PPI图像进行判读。当前，针对警戒雷达PPI图像的分析、分类等判读工作仍以人工为主，使得判读员的负担十分繁重，且由于面临的各种干扰层出不穷，使得判读员对存在干扰情况下的PPI图像分类的层次、准确性和效率均不高。
为提高对警戒雷达PPI图像的分析能力，需要先开展PPI图像中干扰区域提取工作，从而为后续图像的分类提供数据支持。
当前，针对警戒雷达PPI图像中干扰区域提取工作，缺乏能够自动实现图像处理的方法和工具。参考文献：
[1]Cheng,M M,Mitra N J,Huang X,et al.Global contrast based salientregion detection[J].IEEE Transactions on Pattern Analysis and MachineIntelligence,2015,37(3):569-582.[2]阮秋琦.数字图像处理[M]. 北京：北京工业出版社,2001.[3]敖欢欢.视觉显著性应用研究[D].中国科学技术大学,2013。
发明内容
本发明拟基于现有的图像处理方法，提出一种警戒雷达PPI图像目标/干扰区域自适应提取方法，对只有目标没有干扰的图像，应用视觉显著性方法进行目标区域自适应提取，对于有干扰存在的情况，则应用基于色彩变换的自适应提取方法，试图实现对警戒雷达PPI图像中的目标、干扰区域进行自动提取，同时将PPI图像中的背景信息予以抑制，从而为干扰的分类提供数据支持，以有效提高雷达操作人员对警戒雷达所处态势的分析能力，这对提升警戒雷达的目标监视能力具有重要意义。
为了实现上述发明目的，本发明采用了如下技术方案：
一种警戒雷达PPI图像目标/干扰区域自适应提取方法，对只有目标没有干扰的图像，应用视觉显著性方法进行目标区域自适应提取，对于有干扰存在的情况，则应用基于色彩变换的自适应提取方法，试图实现对警戒雷达PPI图像中的目标、干扰区域进行自动提取，同时将PPI图像中的背景信息予以抑制，从而为干扰的分类提供数据支持；其步骤如下：
1、待处理的PPI图像，只有目标，没有干扰的PPI图像；应用视觉显著性方法开展目标区域的提取：首先对原始PPI图像进行灰度直方图计算，然后进一步构建显著性分布直方图，最后根据显著性分布直方图，自适应确定阈值，实现区域分割，从而实现对目标区域的自适应提取，即基于视觉显著性方法的目标区域自适应提取，设图像I中的某一像素点k，其亮度为Ik，该像素的显著性定义为其与图像中其他所有像素的某种距离的总和，这里使用欧氏距离之和，即：
||·||为求图像颜色空间的欧式距离，相应的，显著图表示为SLC(k)＝SalS(Ik)；
具体实施方案如下：①对原始图像，提取灰度直方图；对原始图像进行归一化处理，使得图像的像素值位于[0,255]区间内，然后根据每个灰度级出现的次数和频率，得到灰度值统计直方图；②利用灰度直方图求和，计算构建显著性分布直方图，对前面的公式(1)，结合灰度直方图信息，有进一步改进，考虑到在处理的图像中，对应(1)式中的Ik在[0,255]内重复出现,令Ik＝am，则有：
其中fn为图像中像素值为an的点在图像中出现的频数，根据直方图结果可直接得出此数值；③阈值分割，提取目标区域；自适应选择阈值的图中分布极小值，对原始PPI图像所转化的灰度图进行阈值分割，提取目标所处区域；如果显著性分布直方图有明显的双峰状，则选择两峰之间的谷底所对应的灰度值作为阈值，然后根据下面的公式，得到分割后的图像：
②有目标，有干扰的PPI图像；应用色彩变换方法开展目标和干扰区域的提取：首先应用YCBCR空间进行色彩变换，然后对变换结果应用OTSU算法自动计算分割阈值，从而实现目标和干扰区域的自适应提取，基于色彩变换的目标和干扰区域自适应提取，PPI图像呈现为彩色图像，其每个像素都直接对应着它的颜色，原始PPI图像通常用RGB颜色模型来刻画,R表示红色、G表示绿色、 B表示蓝色；另外两种常用的颜色模型是：HSV颜色模型和YCBCR颜色模型；HSV 色彩空间是由色调、饱和度和亮度三个分量组成，比较接近人眼的色彩感知； YCBCR色彩空间使亮度信息独立于色彩信息，其空间由1个亮度分量和2个色差分量组成；通过对各种颜色空间的对比发现，YCBCR颜色空间与人类对自然界色彩的感知认识过程较为相似；鉴于上述三种颜色模型的特点，拟将原始PPI 图像从RGB模型变换到YCBCR模型，然后开展目标和干扰区域的自适应提取，具体步骤如下：
①对原始PPI图像开展色彩变换按照下式，对原始PPI图像在RGB颜色模型下的数据表征进行颜色变换：
其中，Y分量表示亮度信息，CB(蓝色分量)和CR(红色分量)两个色差分量表示色彩信息；基于YCBCR色彩空间中色度分量和亮度分量相互独立，YCBCR 色彩空间与RGB色彩空间存在线性变换关系；
经过色彩变换后，分别得到原始RGB图像的亮度分量Y、蓝色色差分量图像CB和红色色差分量图像CR，目标/干扰在不同的色差分量下特征表现不同，因此采用CB分量和CR分量组合的形式来进行目标和干扰的提取，计算公式如下：
B＝ω1Cb+(1-ω1)Cr (5) 其中，B为CB分量与CR分量组合后的图像；CB和CR分别表示经色彩变换后获得的色差分量；ω1和(1-ω1)分别表示CB和CR分量组合中所占的比重，二者之和为1；经过上述的组合，得到对目标/干扰表征能力更强的颜色特征图；②应用OTSU 算法进行求取阈值，完成区域分割提取；
对于提取的结果进行增强，进一步增强干扰的亮度信息，同时抑制背景信息；采用线性变换的方法来实现图像的增强，假设图像f(x,y)的灰度范围为[a，b]，变换后的图像g(x,y)的灰度范围线性的扩展至[c，d]，其公式为：
通过线性变换处理，使得灰度小于a和灰度大于b的像素灰度强度强行变换成c和d，从而达到突出目标/干扰，抑制背景杂波的目的；
然后采用OTSU算法自动求取阈值进行分割，得到出目标和干扰提取结果； Otsu阈值算法是一种基于图像总体灰度直方图的非参数阈值选择方法；通过定义一个判别函数，搜索使该函数实现最大化时所对应的最优灰度级阈值，以达到各类别间最大程度的分离；其计算过程如下：
将图像灰度直方图表示为以下概率分布的形式：
其中，ni为灰度级i上的像元个数，N为影像像元总个数，pi为该灰度级上的像元在图像中所占的比率。
假设图像灰度级数为L，则各灰度级的像元所占图像比率不小于0，且所有灰度级上的比率之和为1。
定义灰度图像的OSTU判别函数为：
其中，C为该图像的判别函数值；k表示某灰度级，ω(k)和μ(k)分别为该灰度级上的0级、1级累积平均值，μT表示该图像所有灰度级上的平均灰度值，分别定义如下：
应用上述处理过程，对多幅PPI图像进行了干扰的提取工作。
由于采用上述技术方案，本发明具有以下的优越性：
本发明提供了一种PPI图像目标/干扰自适应提取方法，能够提高警戒雷达 PPI图像分析的自动化程度，一方面可以提高处理效率，另一方面可以降低人为因素带来的分析偏差。本发明的优越性是第一、基于视觉显著性方法的目标区域自适应提取步骤；第二，基于色彩变换的目标和干扰区域自适应提取步骤。
附图说明
图1是PPI图像中目标区域自适应提取基本流程图；
图2是PPI图像中目标和干扰区域自适应提取基本流程图；
具体实施方式
下面结合附图对本专利进一步解释说明。但本专利的保护范围不限于具体的实施方式。
如图1、2所示，一种警戒雷达PPI图像目标/干扰区域自适应提取方法，对只有目标没有干扰的图像，应用视觉显著性方法进行目标区域自适应提取，对于有干扰存在的情况，则应用基于色彩变换的自适应提取方法，试图实现对警戒雷达PPI图像中的目标、干扰区域进行自动提取，同时将PPI图像中的背景信息予以抑制，从而为干扰的分类提供数据支持；其步骤如下：
1)基于视觉显著性方法的目标区域自适应提取
视觉显著性主要是应用像素亮度对比度来刻画，其可以有效反映图像中像素间的差异性。设图像I中的某一像素点k，其亮度为Ik，该像素的显著性定义为其与图像中其他所有像素的某种距离的总和，这里使用欧氏距离之和，即：
||·||为求图像颜色空间的欧式距离，相应的，显著图可以表示为SLC(k)＝SalS(Ik)。
对照图1的流程图，具体实施方案如下：
①对原始图像，提取灰度直方图。
对原始图像进行归一化处理，使得图像的像素值位于[0,255]区间内，然后根据每个灰度级出现的次数和频率，得到灰度值统计直方图。
②利用灰度直方图求和，计算构建显著性分布直方图
对前面的公式(1)，结合灰度直方图信息，有进一步改进，考虑到在处理的图像中，对应(1)式中的Ik在[0,255]内重复出现,令Ik＝am，则有：
其中fn为图像中像素值为an的点在图像中出现的频数(根据直方图结果可直接得出此数值)。
③阈值分割，提取目标区域
根据显著性分布统计直方图结果，自适应选择阈值(图中分布极小值)，对原始PPI图像所转化的灰度图进行阈值分割，提取目标所处区域。如果显著性分布直方图有明显的双峰状，则选择两峰之间的谷底所对应的灰度值作为阈值，然后根据下面的公式，得到分割后的图像。
2)基于色彩变换的目标和干扰区域自适应提取
常规PPI图像呈现为彩色图像，其每个像素都直接对应着它的颜色。原始 PPI图像通常用RGB颜色模型来刻画,R表示红色、G表示绿色、B表示蓝色。另外两种常用的颜色模型是：HSV颜色模型和YCBCR颜色模型。HSV色彩空间是由色调、饱和度和亮度三个分量组成，比较接近人眼的色彩感知。YCBCR色彩空间使亮度信息独立于色彩信息，其空间由1个亮度分量和2个色差分量组成。通过对各种颜色空间的对比发现，YCBCR颜色空间与人类对自然界色彩的感知认识过程较为相似。鉴于上述三种颜色模型的特点，拟将原始PPI图像从RGB 模型变换到YCBCR模型，然后开展目标和干扰区域的自适应提取，具体步骤如下：
①对原始PPI图像开展色彩变换
按照下式，对原始PPI图像在RGB颜色模型下的数据表征进行颜色变换：
其中，Y分量表示亮度信息，CB(蓝色分量)和CR(红色分量)两个色差分量表示色彩信息。基于YCBCR色彩空间中色度分量和亮度分量相互独立，YCBCR 色彩空间与RGB色彩空间存在线性变换关系。
经过色彩变换后，分别得到原始RGB图像的亮度分量Y、蓝色色差分量图像CB和红色色差分量图像CR，目标/干扰在不同的色差分量下特征表现不同，因此采用CB分量和CR分量组合的形式来进行目标和干扰的提取，计算公式如下：
B＝ω1Cb+(1-ω1)Cr (13)
其中，B为CB分量与CR分量组合后的图像；CB和CR分别表示经色彩变换后获得的色差分量；ω1和(1-ω1)分别表示CB和CR分量组合中所占的比重，二者之和为1。经过上述的组合，可以得到对目标/干扰表征能力更强的颜色特征图。
②应用OTSU算法进行求取阈值，完成区域分割提取
对于提取的结果进行增强，进一步增强干扰的亮度信息，同时抑制背景信息。这里采用线性变换的方法来实现图像的增强。假设图像f(x,y)的灰度范围为[a， b]，变换后的图像g(x,y)的灰度范围线性的扩展至[c，d]，其公式为：
通过线性变换处理，使得灰度小于a和灰度大于b的像素灰度强度强行变换成c和d，从而达到突出目标/干扰，抑制背景杂波的目的。
然后采用OTSU算法自动求取阈值进行分割，得到出目标和干扰提取结果。 Otsu阈值算法是一种基于图像总体灰度直方图的非参数阈值选择方法。通过定义一个判别函数，搜索使该函数实现最大化时所对应的最优灰度级阈值，以达到各类别间最大程度的分离。其计算过程如下：
将图像灰度直方图表示为以下概率分布的形式：
其中，ni为灰度级i上的像元个数，N为影像像元总个数，pi为该灰度级上的像元在图像中所占的比率。
假设图像灰度级数为L，则各灰度级的像元所占图像比率不小于0，且所有灰度级上的比率之和为1。
定义灰度图像的OSTU判别函数为：
其中，C为该图像的判别函数值；k表示某灰度级，ω(k)和μ(k)分别为该灰度级上的0级、1级累积平均值，μT表示该图像所有灰度级上的平均灰度值，分别定义如下：
Claims (1)
1.一种警戒雷达PPI图像目标/干扰区域自适应提取方法，其特征是：对只有目标没有干扰的图像，应用视觉显著性方法进行目标区域自适应提取，对于有干扰存在的情况，则应用基于色彩变换的自适应提取方法，试图实现对警戒雷达PPI图像中的目标、干扰区域进行自动提取，同时将PPI图像中的背景信息予以抑制，从而为干扰的分类提供数据支持；其步骤如下
1)待处理的PPI图像，只有目标，没有干扰的PPI图像；应用视觉显著性方法开展目标区域的提取：首先对原始PPI图像进行灰度直方图计算，然后进一步构建显著性分布直方图，最后根据显著性分布直方图，自适应确定阈值，实现区域分割，从而实现对目标区域的自适应提取，即基于视觉显著性方法的目标区域自适应提取，设图像I中的某一像素点k，其亮度为Ik，该像素的显著性定义为其与图像中其他所有像素的某种距离的总和，这里使用欧氏距离之和，即：
||·||为求图像颜色空间的欧式距离，相应的，显著图表示为SLC(k)＝SalS(Ik)；
具体实施方案如下：①对原始图像，提取灰度直方图；对原始图像进行归一化处理，使得图像的像素值位于[0,255]区间内，然后根据每个灰度级出现的次数和频率，得到灰度值统计直方图；②利用灰度直方图求和，计算构建显著性分布直方图，对前面的公式(1)，结合灰度直方图信息，有进一步改进，考虑到在处理的图像中，对应(1)式中的Ik在[0,255]内重复出现,令Ik＝am，则有：
其中fn为图像中像素值为an的点在图像中出现的频数，根据直方图结果可直接得出此数值；③阈值分割，提取目标区域；自适应选择阈值的图中分布极小值，对原始PPI图像所转化的灰度图进行阈值分割，提取目标所处区域；如果显著性分布直方图有明显的双峰状，则选择两峰之间的谷底所对应的灰度值作为阈值，然后根据下面的公式，得到分割后的图像：
②有目标，有干扰的PPI图像；应用色彩变换方法开展目标和干扰区域的提取：首先应用YCBCR空间进行色彩变换，然后对变换结果应用OTSU算法自动计算分割阈值，从而实现目标和干扰区域的自适应提取，基于色彩变换的目标和干扰区域自适应提取，PPI图像呈现为彩色图像，其每个像素都直接对应着它的颜色，原始PPI图像通常用RGB颜色模型来刻画,R表示红色、G表示绿色、B表示蓝色；另外两种常用的颜色模型是：HSV颜色模型和YCBCR颜色模型；HSV色彩空间是由色调、饱和度和亮度三个分量组成，比较接近人眼的色彩感知；YCBCR色彩空间使亮度信息独立于色彩信息，其空间由1个亮度分量和2个色差分量组成；通过对各种颜色空间的对比发现，YCBCR颜色空间与人类对自然界色彩的感知认识过程较为相似；鉴于上述三种颜色模型的特点，拟将原始PPI图像从RGB模型变换到YCBCR模型，然后开展目标和干扰区域的自适应提取，具体步骤如下：
①对原始PPI图像开展色彩变换按照下式，对原始PPI图像在RGB颜色模型下的数据表征进行颜色变换：
其中，Y分量表示亮度信息，CB(蓝色分量)和CR(红色分量)两个色差分量表示色彩信息；基于YCBCR色彩空间中色度分量和亮度分量相互独立，YCBCR色彩空间与RGB色彩空间存在线性变换关系；
经过色彩变换后，分别得到原始RGB图像的亮度分量Y、蓝色色差分量图像CB和红色色差分量图像CR，目标/干扰在不同的色差分量下特征表现不同，因此采用CB分量和CR分量组合的形式来进行目标和干扰的提取，计算公式如下：
B＝ω1Cb+(1-ω1)Cr (5)
其中，B为CB分量与CR分量组合后的图像；CB和CR分别表示经色彩变换后获得的色差分量；ω1和(1-ω1)分别表示CB和CR分量组合中所占的比重，二者之和为1；经过上述的组合，得到对目标/干扰表征能力更强的颜色特征图；②应用OTSU算法进行求取阈值，完成区域分割提取；
对于提取的结果进行增强，进一步增强干扰的亮度信息，同时抑制背景信息；采用线性变换的方法来实现图像的增强，假设图像f(x,y)的灰度范围为[a，b]，变换后的图像g(x,y)的灰度范围线性的扩展至[c，d]，其公式为：
通过线性变换处理，使得灰度小于a和灰度大于b的像素灰度强度强行变换成c和d，从而达到突出目标/干扰，抑制背景杂波的目的；
然后采用OTSU算法自动求取阈值进行分割，得到出目标和干扰提取结果；Otsu阈值算法是一种基于图像总体灰度直方图的非参数阈值选择方法；通过定义一个判别函数，搜索使该函数实现最大化时所对应的最优灰度级阈值，以达到各类别间最大程度的分离；其计算过程如下：
将图像灰度直方图表示为以下概率分布的形式：
pi＝ni/N，满足pi≥0、
其中，ni为灰度级i上的像元个数，N为影像像元总个数，pi为该灰度级上的像元在图像中所占的比率；
假设图像灰度级数为L，则各灰度级的像元所占图像比率不小于0，且所有灰度级上的比率之和为1；
定义灰度图像的OSTU判别函数为：
其中，C为该图像的判别函数值；k表示某灰度级，ω(k)和μ(k)分别为该灰度级上的0级、1级累积平均值，μT表示该图像所有灰度级上的平均灰度值，分别定义如下：
应用上述处理过程，对多幅PPI图像进行了干扰的提取工作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010691208.8A CN112164068B (zh) | 2020-07-17 | 2020-07-17 | 一种警戒雷达ppi图像目标和干扰区域自适应提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010691208.8A CN112164068B (zh) | 2020-07-17 | 2020-07-17 | 一种警戒雷达ppi图像目标和干扰区域自适应提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112164068A true CN112164068A (zh) | 2021-01-01 |
| CN112164068B CN112164068B (zh) | 2023-07-28 |
Family
ID=73859542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010691208.8A Active CN112164068B (zh) | 2020-07-17 | 2020-07-17 | 一种警戒雷达ppi图像目标和干扰区域自适应提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112164068B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034106A (zh) * | 2010-12-20 | 2011-04-27 | 浙江工业大学 | 一种基于图像处理的火焰轮廓提取方法 |
| CN102509099A (zh) * | 2011-10-21 | 2012-06-20 | 清华大学深圳研究生院 | 一种图像显著区域检测方法 |
| CN104766046A (zh) * | 2015-02-06 | 2015-07-08 | 哈尔滨工业大学深圳研究生院 | 一种利用交通标识颜色及形状特征进行检测与识别算法 |
| CN105069774A (zh) * | 2015-06-30 | 2015-11-18 | 长安大学 | 基于多示例学习与图割优化的目标分割方法 |
| CN109214420A (zh) * | 2018-07-27 | 2019-01-15 | 北京工商大学 | 基于视觉显著性检测的高纹理图像分类方法及系统 |
| CN109801233A (zh) * | 2018-12-27 | 2019-05-24 | 中国科学院西安光学精密机械研究所 | 一种适用于真彩色遥感图像的增强方法 |
| US20190197344A1 (en) * | 2016-08-03 | 2019-06-27 | Jiangsu University | Saliency-based method for extracting road target from night vision infrared image |
-
2020
- 2020-07-17 CN CN202010691208.8A patent/CN112164068B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034106A (zh) * | 2010-12-20 | 2011-04-27 | 浙江工业大学 | 一种基于图像处理的火焰轮廓提取方法 |
| CN102509099A (zh) * | 2011-10-21 | 2012-06-20 | 清华大学深圳研究生院 | 一种图像显著区域检测方法 |
| CN104766046A (zh) * | 2015-02-06 | 2015-07-08 | 哈尔滨工业大学深圳研究生院 | 一种利用交通标识颜色及形状特征进行检测与识别算法 |
| CN105069774A (zh) * | 2015-06-30 | 2015-11-18 | 长安大学 | 基于多示例学习与图割优化的目标分割方法 |
| US20190197344A1 (en) * | 2016-08-03 | 2019-06-27 | Jiangsu University | Saliency-based method for extracting road target from night vision infrared image |
| CN109214420A (zh) * | 2018-07-27 | 2019-01-15 | 北京工商大学 | 基于视觉显著性检测的高纹理图像分类方法及系统 |
| CN109801233A (zh) * | 2018-12-27 | 2019-05-24 | 中国科学院西安光学精密机械研究所 | 一种适用于真彩色遥感图像的增强方法 |
Non-Patent Citations (6)
| Title |
|---|
| BING YANG ET.AL: "Color boosted visual saliency detection and its application to image classification", 《MULTIMEDIA TOOLS AND APPLICATIONS 》 * |
| BING YANG ET.AL: "Color boosted visual saliency detection and its application to image classification", 《MULTIMEDIA TOOLS AND APPLICATIONS 》, 31 December 2014 (2014-12-31), pages 877 - 896 * |
| 丁鹏等: "基于多尺度多特征视觉显著性的海面舰船检测", 《光学精密工程》 * |
| 丁鹏等: "基于多尺度多特征视觉显著性的海面舰船检测", 《光学精密工程》, no. 09, 15 September 2017 (2017-09-15), pages 208 - 215 * |
| 游婷婷: "多特征融合的视觉显著性检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 游婷婷: "多特征融合的视觉显著性检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 January 2019 (2019-01-15), pages 138 - 3959 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112164068B (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
| CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
| CN111666834A (zh) | 一种基于图像识别技术的森林火灾自动监测识别系统及方法 | |
| Ajmal et al. | A comparison of RGB and HSV colour spaces for visual attention models | |
| CN107967482A (zh) | 图标识别方法及装置 | |
| CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
| CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
| CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
| CN107527370B (zh) | 一种基于camshift的目标跟踪方法 | |
| Lu et al. | Saliency modeling from image histograms | |
| CN111353371A (zh) | 基于星载sar影像的海岸线提取方法 | |
| CN111881725B (zh) | 一种融合空频域特征的光学遥感图像船舶目标检测方法 | |
| CN110348442B (zh) | 一种基于支持向量机的船载雷达图像海上油膜识别方法 | |
| CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
| Raval et al. | Color image segmentation using FCM clustering technique in RGB, L* a* b, HSV, YIQ color spaces | |
| CN107609537B (zh) | 一种基于hsv空间水面图像特征的水岸线检测方法 | |
| CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
| Lin et al. | License plate location method based on edge detection and mathematical morphology | |
| CN112163606B (zh) | 基于块对比度加权的红外小目标检测的方法 | |
| US11354794B2 (en) | Deposit detection device and deposit detection method | |
| Jia et al. | Design of Traffic Sign Detection and Recognition Algorithm Based on Template Matching | |
| CN112164068B (zh) | 一种警戒雷达ppi图像目标和干扰区域自适应提取方法 | |
| CN115035350B (zh) | 一种基于边缘检测增强的对空地、地面背景小目标检测方法 | |
| CN109948570B (zh) | 一种用于动态环境下的无人机实时检测方法 | |
| CN109446963B (zh) | 基于hsv和lbp结合的地表状态识别方法 |
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 |