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:
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 |