CN112233042B - 一种含非合作目标的大场景sar图像快速生成方法 - Google Patents
一种含非合作目标的大场景sar图像快速生成方法 Download PDFInfo
- Publication number
- CN112233042B CN112233042B CN202011225957.8A CN202011225957A CN112233042B CN 112233042 B CN112233042 B CN 112233042B CN 202011225957 A CN202011225957 A CN 202011225957A CN 112233042 B CN112233042 B CN 112233042B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- slice
- background
- sar
- 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 79
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000013139 quantization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000003780 insertion Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 5
- AYEKOFBPNLCAJY-UHFFFAOYSA-O thiamine pyrophosphate Chemical compound CC1=C(CCOP(O)(=O)OP(O)(O)=O)SC=[N+]1CC1=CN=C(C)N=C1N AYEKOFBPNLCAJY-UHFFFAOYSA-O 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000005530 etching Methods 0.000 claims 1
- 230000008961 swelling Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000012360 testing method Methods 0.000 abstract description 8
- 238000012549 training Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 8
- 230000036544 posture Effects 0.000 description 7
- 230000037431 insertion Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 3
- 241001544487 Macromiidae Species 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012966 insertion method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000001228 spectrum Methods 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种含非合作目标的大场景SAR图像快速生成方法，目的是解决目前大场景图像生成中资源开销大、时间消耗长、目标配置不灵活的问题。技术方案是先建立背景图像和目标切片图像数据库，从背景图像数据库中选择所需的宽幅背景图像A并构造A的图像掩膜G；然后从目标切片图像数据库中选取P个目标切片图像并进行变换，得到与实测背景图像具有相同量化比特数的切片变换图；最后将包含不同目标类型、姿态角的切片变换图随机插入到由图像掩膜提供标志信息的背景图像A中，得到满足实际需要的大场景SAR图像。采用本发明避免了传统SAR场景仿真中复杂的场景建模过程，可快速生成多种不同的大场景图像，满足多样化的SAR图像解译算法训练与测试任务需要。
Description
技术领域
本发明属图像处理技术领域，涉及一种场景SAR(synthetic aperture radar)图像生成方法，尤其是适用于目标解译算法测试与验证的大场景SAR图像快速生成方法。
背景技术
对SAR目标解译算法进行训练与测试离不开大量的数据支撑，尤其是以深度学习为代表的数据驱动算法，对大数据的依赖程度更深。与一般的光学图像相比，获取实测SAR图像数据对设备条件的要求更高，代价也更大。尤其是对于非合作目标，想获取大量实测数据更是难上加难。
电磁仿真为SAR图像数据的获取提供了一条可行途径，特别是对于低曝光率的军事敏感目标，电磁仿真甚至是获得有效、充分性实验数据的唯一途径。在传统的场景SAR图像仿真中，通常是先对地/海面背景(或目标与地/海面背景一起)进行几何建模和网格剖分，再计算每个网格面元的散射场和回波，最后对回波数据进行成像(聚焦)处理，得到SAR图像数据。例如，文献1：陈镜许，王桢霖，刘兴钊，“基于GPU的海面场景SAR回波仿真”，信息技术，2011，4：1-4(称为背景技术1)采用海谱模型对单纯的海面场景SAR图像进行了仿真；文献2：Geng Xupu，Dong Chunzhu，Wang Chao，Yin Hongcheng，Zhu Guoqing，“SARModeling and Simulation of Complex Extended Scenes”，10th InternationalSymposium on Antennas,Propagation and EM Theory，Xi'an，China，2012，440-443(GengXupu等人在2012年的第12届天线、传播和电磁理论国际论坛上发表的论文，题目为复杂扩展场景的SAR建模与仿真，称为背景技术2)考虑了近岛岸环境中的海面舰船目标，得到了目标与海面复合场景的仿真SAR图像。
传统基于电磁仿真的场景SAR图像生成方法，其不足之处主要体现在以下几个方面：
(1)复杂背景建模难度大。尤其是对于高海情海况环境或复杂地形地貌，构建高保真度模型的难度非常大；
(2)大场景仿真运算量高。若要得到较为精确的仿真图像，必须对场景作精细化的网格剖分，网格剖分的颗粒度一般应小于图像分辨率的一半，这对于米级分辨率、几平方公里或几十平方公里大小的场景区域，其散射场的计算量非常大，耗时也很长；
(3)目标配置的灵活性差。由于将目标与场景作为一个整体来处理，若要改变目标的姿态、数目、位置及空间分布形式，需要重新对场景进行建模和仿真计算，这将耗费大量的时间和计算资源。
相比非合作目标，大幅宽实测SAR背景图像较易获取，且所获取的实测图像比电磁仿真图像置信度要高。相对于大场景，目标的尺寸要小得多，相应地通过电磁仿真方法得到单一目标SAR图像的效率也要高得多。若能将实测大幅宽背景图像与电磁仿真得到的小区域目标图像(本发明中统称为目标切片)相结合，生成满足目标解译算法测试与验证要求的大场景SAR图像数据，则既能克服传统方法在大场景图像生成时资源开销大、时间消耗长的不足，同时还能解决场景图像生成过程中目标配置不灵活的问题，这将为实际工程应用带来极大的便利。
发明内容
本发明要解决的技术问题是针对目前大场景图像生成中资源开销大、时间消耗长、目标配置不灵活的问题，提出一种含非合作目标的大场景SAR图像快速生成方法。
本发明将实测背景图和切片图像相结合，以实测幅宽背景SAR图像为基础，构造图像掩膜，以此限定新增目标的位置分布，并将目标仿真图像转换成与实测背景图像具有相同表数范围(量化比特数)的切片变换图，最后将包含不同目标类型、姿态角的切片变换图随机插入到由图像掩膜提供标志信息的实测宽幅背景图中，得到满足实际需要的大场景SAR图像数据。由于插入目标类型、姿态和位置的随机性，可以快速生成多种不同的大场景图像，满足多样化的SAR图像解译算法训练与测试任务需要。
本发明含非合作目标的大场景SAR图像快速生成方法包括以下步骤：
第一步，建立背景图像和目标切片图像数据库，方法是：
1.1构建背景图像数据库，背景图像数据库由K幅实测SAR宽幅背景图像组成，这些实测SAR宽幅背景图像从星载、机载或其他遥感平台获取，满足频段(C或X或Ku)和分辨率(1～5m)条件，K≥20。
1.2构建目标切片图像数据库，目标切片图像数据库由R类典型(R≥3)非合作目标仿真切片图像组成，非合作目标仿真切片图像满足姿态角(方位0～360°全覆盖)条件。
第二步，从背景图像数据库中选择所需的宽幅背景图像，方法是：
根据特定任务需求，从背景图像数据库选择一幅SAR宽幅背景图像，记为A，其大小为M×N个像素。
第三步，构造A的图像掩膜，方法是：
3.1根据A的灰度级L构建A的背景像素直方图，得到第0级～第L-1级灰度的概率直方图H(0)，…，H(i)，…，H(L-1)，L为正整数，0≤i≤L-1，方法是：
设图像A的灰度级为0～L-1，第i级灰度的像素个数为qi，图像A的总像素个数为
则第i级灰度出现的概率为qi/Q，相应地第i级灰度的概率直方图H(i)为
H(i)＝qi/Q (1)
3.2对宽幅背景图A进行门限检测，得到A的二值图B，方法是：
对于宽幅背景图A，需将图A中疑似目标所在的区域标记出来，这些区域在后续的处理中不能插入新的目标。为此，首要任务是先将图A中的疑似目标检测并标识出来。
对于幅度分布模型为f(x)的背景杂波，设定虚警率为Pf，则检测门限Th0与虚警率Pf的关系满足：
对于L级灰度图像，用H(i)代替式(2)中的模型函数f(x)，则虚警率Pf的积分算式可用求和方法计算为
式中，i*为数字量化门限，对应0～L-1之间的一个灰度级。
宽幅背景图A经门限处理后，得到二值图B，二值图B的任意一个像素(x,y)的值可表示为
式中，(x,y)为图像像素坐标，且1≤x≤M，1≤y≤N。
3.3对二值图B进行像素聚类处理，方法是：
3.3.1对二值图B进行图像膨胀操作，得到膨胀后的图像C，方法是:
用一个结构元素为SE1的二值矩阵对二值图B进行膨胀处理，记为
式中，SE1为由“0”、“1”元素组成的二值矩阵(SE1的维数通常可选为3×3、4×4、5×5)，
为膨胀操作符，膨胀运算方法见文献3：崔屹，“图像处理与分析—数学形态学的方法及应用”，科学出版社出版，2000：20-24。
3.3.2对膨胀后的图像C进行腐蚀操作，得到腐蚀后的图像D，方法是：
用一个结构元素为SE2的二值矩阵对膨胀后的图像C进行腐蚀处理，记为
式中，SE2为由“0”、“1”元素组成的二值矩阵(SE2的维数通常可选为5×5、6×6、7×7)，
为腐蚀操作符，腐蚀运算方法见文献3：崔屹，“图像处理与分析—数学形态学的方法及应用”，科学出版社出版，2000：15-20。
3.4对腐蚀后的图像D提取连通区域，方法是：
提取经腐蚀后的图像D中的8连通区域(以二值图像中某一值为1的像素点为中心，若与其距离最近的上、下、左、右、左上、左下、右上、右下8个方向上的像素全为1，则称该区域为8连通区)，并将第j个8连通区域标记为Conj(j＝1,2,…,J)，J为8连通区域的总个数。对每一个独立的8连通区域进行提取(即将每个8连通区域所覆盖的像素做不同标记，如将第一个8连通区域标记为1，将第J个8连通区域标记为J)，提取J个8联通区域后得到的图像记为E。
3.5对图像E中的J个8联通区域Con1,…,Conj,…,ConJ进行鉴别处理，方法是：
3.5.1令j＝1；
3.5.2假定目标所占的像素面积不小于门限Th1(Th1的值可根据实际目标的大小和图像分辨率来设置，一般为数百到数千)，对于Conj，若Conj外接矩形所包含的全部像素的和大于或等于Th1，则判断Conj存在疑似目标，将Conj标记为“true”，转3.5.3；否则将Conj标记为“false”，且将与其对应的外接矩形包含的全部像素置0，转3.5.3。
3.5.3令j＝j+1，若j≤J，转3.5.2；若j>J，表示已对图像E完成8联通区域鉴别。仅保留图像E中被标记为“true”的那些8连通区域，得到8联通区域鉴别后的图像F。
3.6基于8联通区域鉴别后的图像F，构建掩膜图像G，方法是：
将F中所有被判断为存在目标的区域中的像素值全标记为1，其余像素值保持不变，得到掩膜图像G。
第四步，从目标切片图像数据库中选取P个目标切片图像T1，…，Tp，…，TP，p＝1,2,…,P并对T1，…，Tp，…，TP(这些目标切片可能包含不同的目标类型、姿态)进行变换，使得变换以后的目标仿真图像与实测背景图像具有相同表数范围(量化比特数)，由此得到切片变换图T1′，…，Tp′，…，TP′，方法是：
4.1令p＝1；
4.2假设第p个目标切片图像Tp大小为m×n，其最小灰度值为a，最大灰度值为b，则有
得到变换后的目标切片图像，变换后的目标切片图像Tp′各像素的值为
4.3令p＝p+1，若p≤P，转4.2；若p>P，表示已对P个目标切片图像完成变换，得到变换后的T1′，…，Tp′，…，TP′。
第五步，将T1′，…，Tp′，…，TP′随机插入至宽幅背景图A，方法是：
5.1令p＝1；
5.2在宽幅背景图A中随机产生Tp′的插入点位置坐标：
在1～(M-m)范围内随机产生正整数x′，同时在1～(N-n)范围内随机产生正整数y′，得到Tp′左下角像素(Tp′(m,1))在宽幅背景图A中的位置坐标(x′,y′)。
5.3计算掩膜图像G中与Tp′相对应区域的像素和S
5.4判断宽幅背景图A中坐标为(x′,y′)的位置是否可插入Tp′，方法是：
若S＝0，则令A(x′+1:x′+m,y′+1:y′+n)＝Tp′(即用Tp′替换A中的图像块A(x′+1:x′+m,y′+1:y′+n))，插入成功，同时将掩膜图像G中相应的位置标记为1，即将G(x′+1:x′+m,y′+1:y′+n)中的所有像素赋值为1，说明在该处位置已不能再插入新目标，转5.3；若S≠0，返回5.2重新产生新的插入位置。
5.5判断图像切片是否插入完毕，方法是：
若p<P，则令p＝p+1，转5.2插入新的目标切片；否则，说明所有的目标切片均已插入到A中，得到了含非合作目标的大场景SAR图像，图像生成过程结束。
采用本发明可以达到以下有益效果：
1)避免了传统SAR场景仿真中复杂的场景建模过程，且采用实测背景图像较仿真图像具有更高的置信度。
2)只须通过电磁仿真计算的方式产生目标图像切片(小区域图像)，由于目标尺寸比场景幅宽要小得多，可以有效避免目标与背景复合场景的复杂计算过程，大大节省计算资源，大幅提高图像生成效率。
3)插入背景图中的目标类型、数量、位置、姿态等均自由可控(目标类型、姿态、数量可从数据库中选择，插入位置可随机生成)，可显著提高大场景生成图中目标配置的灵活性，满足更加多样化的数据保障需求。
附图说明
图1是本发明总体流程图；
图2是原始SAR背景图；
图3是像素灰度概率分布图；
图4是背景二值图；
图5是膨胀结果图；
图6是腐蚀结果图；
图7是连通区域提取结果图；
图8是连通区域鉴别结果图；
图9是背景图像的掩膜图；
图10是新增目标与背景复合的场景图；
图11是场景图10的检测结果图。
具体实施方式
下面结合附图和实施例，对本发明进行详细的解释和说明。
图1为本发明总体流程图，以生成包含不同舰船目标的海面大场景SAR图像数据为例，其实施过程如下：
第一步，建立背景图像和目标切片图像数据库，方法是：
1.1构建背景图像数据库，背景图像数据库由K幅实测SAR宽幅背景图像组成，这些实测SAR宽幅背景图像从星载、机载或其他遥感平台获取，满足频段(C或X或Ku)和分辨率(1～5m)条件，K≥20。
1.2构建目标切片图像数据库，目标切片图像数据库由R＝3类(航母、驱逐舰、巡洋舰)典型非合作目标仿真切片图像组成，非合作目标仿真切片图像满足姿态角(方位0～360°全覆盖)条件。
第二步，根据SAR目标检测识别算法测试需求，从背景图像数据库中选择一幅大小为M×N＝2048×4096像素的X波段星载SAR海面背景图像A，图像A分辨率约为1m×1m，灰度级为256(8比特量化)，图像A如图2所示，图2中横坐标为列序号，纵坐标为行序号，图中亮度较低的像素为背景，亮度较高的像素为目标。
第三步，构造图像掩膜，方法是：
3.1以0～255(即L＝256)为图像灰度值，对2048×4096个像素进行统计，得到各灰度级(i＝0～255)像素的概率分布图H(i)(即像素幅度分布直方图)，H(i)(i＝0～255)如图3所示，图中横坐标为像素灰度值i，纵坐标为与各灰度值对应的概率密度。从图3可见，整个图像的灰度值主要集中在0～50之间。
3.2设定虚警率Pf＝0.05，通过式(3)给定的计算方法，得出检测门限i*＝26，并利用该门限对图像A进行二值化，得到二值化的背景图(即二值图)
图B如图4所示，图4中横坐标为为列序号，纵坐标为行序号，黑色像素点(0)代表背景，白色像素点(1)代表目标。
3.3对二值图B进行像素聚类处理，方法是：
3.3.1对二值图B进行图像膨胀操作，得到膨胀后的图像C，方法是:
利用一个大小为3×3、元素全为1的结构(矩阵)SE1对二值图B进行膨胀处理，得到膨胀后的图像C，图像C如图5所示。膨胀处理是为了消除目标区域像素不连续产生的孔洞，经膨胀处理后的图像C相比图4没有了目标区域像素不连续产生的孔洞。
3.3.2对膨胀后的图像C进行腐蚀操作，得到腐蚀后的图像D，方法是：
利用一个大小为7×7、元素全为1的结构(矩阵)SE2对膨胀后的图像C进行腐蚀处理，经腐蚀处理后的图像记为D，图像D如图6所示。与图5相比，大量孤立的像素点(背景干扰)已经被成功去除，而目标像素仍得以有效保留。
3.4对腐蚀后的图像D提取连通区域，方法是：
提取经腐蚀后的图像D中的8连通区域，并将第j个8连通区域标记为Conj(j＝1,2,…,J)，J为8连通区域的总个数。对每一个独立的8连通区域进行提取，将每个8连通区域所覆盖的像素做不同标记，提取J个8联通区域后得到的图像记为E。图像E如图7所示，图中每一个用方框标记出来的区域均为8连通区域。E中具有连通区域标志信息，
3.5对图像E中的J个8联通区域Conj(j＝1,2,…,J)进行鉴别处理：
对各连通区域进行鉴别处理，若其外接矩形所包围的区域的像素和大于或等于800(即门限Th1＝800)，则认为该区域为疑似目标，鉴别后的图像为F，如图8所示，图中包含11个疑似目标(用数字1～11标出的矩形框)。
3.6基于8联通区域鉴别后的图像F，构建掩膜图像G，方法是：
将与11个疑似目标相对应的连通域内的像素值标记为1(白色像素)，其他像素均为0(黑色像素)，从而得到原始背景图A的掩膜图像G，如图9所示。该掩膜图G中，标记为“1”的像素区域说明已有疑似目标存在，在后续的处理中，相应的位置已不能再插入新目标。
第四步，从目标切片图像数据库中选取P个目标切片图像T1，…，Tp，…，TP，p＝1,2,…,P并对T1，…，Tp，…，TP进行变换(这些目标切片可能包含不同的目标类型、姿态)，得到切片变换图T1′，…，Tp′，…，TP′，方法是：
第四步，从目标切片图像数据库中选择P＝10个目标图像切片T1，…，Tp，…，TP，p＝1,2,…,10，并对T1，…，Tp，…，TP进行变换，方法是：
对于某一大小为m×n＝256×256的舰船目标切片图像Tp，若最小灰度值
最大灰度值为
则变换图像为Tp′，变换后的目标切片图像Tp′各像素的值为
第五步，在背景图中随机插入变换后的目标切片图像T1′，…，Tp′，…，TP′，第p(p＝1,2,…,10)个目标切片(Tp′)的插入方法是：
5.1令p＝1；
5.2在宽幅背景图A中随机产生Tp′的插入点位置坐标：
在1～1792(M＝2048，m＝256，M-m＝1792)范围内随机产生正整数x′，同时在1～3840(N＝4096，n＝256，N-n＝3840)范围内随机产生正整数y′，得到Tp’左下角像素(Tp′(m,1))在宽幅背景图A中的位置坐标(x′,y′)。
5.3在掩膜图像中，对于选定的区域G(x′+1:x′+256,y′+1:y′+256)，计算其所有元素的和S。
5.4若S＝0，则在背景图A插入该目标切片，即A(x′+1:x′+256,y′+1:y′+255)＝Tp′，同时将G中相应位置的像素值标记为1，即G(x′+1:x′+256,y′+1:y′+256)＝1，转5.5；若S≠0，返回5.2重新产生新的插入位置。
5.5判断图像切片是否插入完毕，方法是：
若p<P，则令p＝p+1，转5.2插入新的目标切片；否则，说明所有的目标切片均已插入到A中，得到了含非合作目标的大场景SAR图像，图像生成过程结束。
当所有目标插入完毕后，即可完成大场景图像的生成。
图10给出的是插入10个舰船目标之后的图像示例，图中新插入的目标包含了R＝3种(航母、驱逐舰、巡洋舰)不同的类型，且目标姿态各异(通过与图1进行对比，可以看出新插入目标所在的具体位置)。
为了说明所生成场景图像数据的有效性，以图10为基础，采用本发明3.1～3.5步中描述的方法，对图中的目标进行检测、鉴别处理，所得结果如图11所示。由图11可见，所有21个目标全部被正确检出，其中标号为1～5、7、10、11、13、14和18的11个目标为原背景图中的目标，而标号为6、8、9、12、15～17和19～21的10个目标为新插入的目标，说明采用本发明生成的大场景SAR图像可有效支撑SAR图像解译算法的测试与验证。
根据文献1中的测试结果，对于主频为2.53GHz的通用CPU，通过电磁仿真得到大小为2048×2048、4096×4096纯海面背景SAR图像，耗时分别为23782.7s(6.61小时)和92990.2s(25.83小时)。若加上海面舰船目标，其所消耗的时间还将进一步增加。而本发明在CPU主频为2.4GHz的条件下，基于实施例中2048×4096大小的背景图，利用Matlab软件生成掩膜图像耗时仅为3.51s，而通过原始背景图并结合图像掩膜生成20幅场景图(每幅随机插入10个新目标)总用时为6.46s(即产生单幅场景图的平均时间为0.323s)，说明其成图效率远远高于传统基于场景几何建模和电磁计算的方法。
综上，本发明所提的大场景SAR图像生成方法，不但有效可行，而且图像生成效率高、灵活性好，可以满足多样化的数据保障需求。
Claims (8)
1.一种含非合作目标的大场景SAR图像快速生成方法，其特征在于包括以下步骤：
第一步，建立背景图像和目标切片图像数据库，方法是：
1.1构建背景图像数据库，背景图像数据库由K幅实测SAR宽幅背景图像组成，这些实测SAR宽幅背景图像从星载、机载或其他遥感平台获取；
1.2构建目标切片图像数据库，目标切片图像数据库由R类典型非合作目标仿真切片图像组成，R≥3；
第二步，从背景图像数据库中选择所需的宽幅背景图像，方法是：
根据任务需求从背景图像数据库选择一幅SAR宽幅背景图像，记为A，其大小为M×N个像素；
第三步，构造A的图像掩膜，方法是：
3.1根据A的灰度级L构建A的背景像素直方图，得到第0级～第L-1级灰度的概率直方图H(0)，…，H(i)，…，H(L-1)，L为正整数，0≤i≤L-1，方法是：
设图像A的灰度级为0～L-1，第i级灰度的像素个数为qi，图像A的总像素个数为
则第i级灰度出现的概率为qi/Q，相应地第i级灰度的概率直方图H(i)为
H(i)＝qi/Q (1)
3.2对宽幅背景图A进行门限检测，得到A的二值图B，方法是：
对于幅度分布模型为f(x)的背景杂波，设定虚警率为Pf，则检测门限Th0与虚警率Pf的关系满足：
对于L级灰度图像，用H(i)代替式(2)中的模型函数f(x)，虚警率Pf的积分算式可用求和方法计算，为
式中，i*为数字量化门限，对应0～L-1之间的一个灰度级；
宽幅背景图A经门限处理后，得到二值图B，二值图B的任意一个像素(x,y)的值表示为
式中，(x,y)为图像像素坐标，且1≤x≤M，1≤y≤N；
3.3对二值图B进行像素聚类处理，方法是：
3.3.1对二值图B进行图像膨胀操作，得到膨胀后的图像C，方法是:用一个结构元素为SE1的二值矩阵对二值图B进行膨胀处理，记为
式中，SE1为由“0”、“1”元素组成的二值矩阵，
为膨胀操作符；
3.3.2对膨胀后的图像C进行腐蚀操作，得到腐蚀后的图像D，方法是：用一个结构元素为SE2的二值矩阵对膨胀后的图像C进行腐蚀处理，记为
式中，SE2为由“0”、“1”元素组成的二值矩阵，
为腐蚀操作符；
3.4对腐蚀后的图像D提取连通区域，方法是：
提取经腐蚀后的图像D中的8连通区域，将第j个8连通区域标记为Conj，j＝1,2,…,J，J为8连通区域的总个数，对每一个独立的8连通区域进行提取，提取J个8联通区域后得到的图像记为E；
3.5对图像E中的J个8联通区域Con1,…,Conj,…,ConJ进行鉴别处理，方法是：
3.5.1令j＝1；
3.5.2假定目标所占的像素面积不小于门限Th1，对于Conj，若Conj外接矩形所包含的全部像素的和大于或等于Th1，则判断Conj存在疑似目标，将Conj标记为“true”，转3.5.3；否则将Conj标记为“false”，且将与其对应的外接矩形包含的全部像素置0，转3.5.3；
3.5.3令j＝j+1，若j≤J，转3.5.2；若j>J，表示已对图像E完成8联通区域鉴别；仅保留图像E中被标记为“true”的那些8连通区域，得到8联通区域鉴别后的图像F；
3.6基于8联通区域鉴别后的图像F，构建掩膜图像G，方法是：
将F中所有被判断为存在目标的区域中的像素值全标记为1，其余像素值保持不变，得到掩膜图像G；
第四步，从目标切片图像数据库中选取P个目标切片图像T1，…，Tp，…，TP，p＝1,2,…,P并对T1，…，Tp，…，TP进行变换，得到与实测背景图像具有相同量化比特数的切片变换图T1′，…，T′p，…，TP′；第p个目标切片图像Tp大小为m×n；Tp的切片变换图T′p的大小也为m×n；
第五步，将T1′，…，T′p，…，T′P随机插入至宽幅背景图A，方法是：
5.1令p＝1；
5.2在宽幅背景图A中随机产生T′p的插入点位置坐标：
在1～(M-m)范围内随机产生正整数x′，同时在1～(N-n)范围内随机产生正整数y′，得到Tp’左下角像素T′p(m,1)在宽幅背景图A中的位置坐标(x′,y′)；
5.3计算掩膜图像G中与T′p相对应区域的像素和S
5.4判断宽幅背景图A中坐标为(x′,y′)的位置是否可插入T′p，方法是：
若S＝0，则令A(x′+1:x′+m,y′+1:y′+n)＝T′p，即用T′p替换A中的图像块A(x′+1:x′+m,y′+1:y′+n)，插入成功，同时将掩膜图像G中相应的位置标记为1，即将G(x′+1:x′+m,y′+1:y′+n)中的所有像素赋值为1，说明在该处位置已不能再插入新目标，转5.3；若S≠0，返回5.2；
5.5判断图像切片是否插入完毕，方法是：
若p<P，则令p＝p+1，转5.2插入新的目标切片；否则，说明所有的目标切片均已插入到A中，得到了含非合作目标的大场景SAR图像，图像生成过程结束。
2.如权利要求1所述的一种含非合作目标的大场景SAR图像快速生成方法，其特征在于1.1步所述背景图像数据库中实测SAR宽幅背景图像的数量K≥20；所述实测SAR宽幅背景图像满足频段为C或X或Ku，且分辨率为1～5m。
3.如权利要求1所述的一种含非合作目标的大场景SAR图像快速生成方法，其特征在于1.2步所述典型非合作目标仿真切片图像是指航母、驱逐舰和巡洋舰，非合作目标仿真切片图像满足姿态角方位0～360°全覆盖的条件。
4.如权利要求1所述的一种含非合作目标的大场景SAR图像快速生成方法，其特征在于3.3步所述膨胀处理时SE1的维数为3×3或4×4或5×5；所述腐蚀处理时SE2的维数为5×5或6×6或7×7。
5.如权利要求1所述的一种含非合作目标的大场景SAR图像快速生成方法，其特征在于3.4步所述8连通区域是指以二值图像中某一值为1的像素点为中心，与中心距离最近的上、下、左、右、左上、左下、右上、右下8个方向上的像素全为1的区域；对8连通区域进行提取是指将每个8连通区域所覆盖的像素做不同标记。
6.如权利要求1所述的一种含非合作目标的大场景SAR图像快速生成方法，其特征在于3.5步所述门限Th1的值根据实际目标的大小和图像分辨率来设置，一般为数百到数千。
7.如权利要求1所述的一种含非合作目标的大场景SAR图像快速生成方法，其特征在于第四步所述对T1，…，Tp，…，TP进行变换，得到切片变换图T1′，…，T′p，…，TP′的方法是：
4.1令p＝1；
4.2假设第p个目标切片图像Tp大小为m×n，其最小灰度值为a，最大灰度值为b，则有
得到变换后的目标切片图像，变换后的目标切片图像T′p各像素的值为
4.3令p＝p+1，若p≤P，转4.2；若p>P，表示已对P个目标切片图像完成变换，得到变换后的T1′，…，T′p，…，T′P。
8.如权利要求1所述的一种含非合作目标的大场景SAR图像快速生成方法，其特征在于第四步所述目标切片包含不同的目标类型、姿态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011225957.8A CN112233042B (zh) | 2020-11-05 | 2020-11-05 | 一种含非合作目标的大场景sar图像快速生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011225957.8A CN112233042B (zh) | 2020-11-05 | 2020-11-05 | 一种含非合作目标的大场景sar图像快速生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112233042A CN112233042A (zh) | 2021-01-15 |
| CN112233042B true CN112233042B (zh) | 2021-05-11 |
Family
ID=74123381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011225957.8A Active CN112233042B (zh) | 2020-11-05 | 2020-11-05 | 一种含非合作目标的大场景sar图像快速生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112233042B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113807185B (zh) * | 2021-08-18 | 2024-02-27 | 苏州涟漪信息科技有限公司 | 一种数据处理方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000058686A3 (en) * | 1999-03-10 | 2001-01-04 | Veridian Erim International In | Minimum-gradient-path phase unwrapping |
| CN102901965A (zh) * | 2012-09-26 | 2013-01-30 | 同济大学 | 一种海洋杂波环境中电大尺寸目标雷达成像方法 |
| CN109993050A (zh) * | 2018-11-28 | 2019-07-09 | 中国人民解放军国防科技大学 | 一种合成孔径雷达图像识别方法 |
| CN110555811A (zh) * | 2019-07-02 | 2019-12-10 | 五邑大学 | 一种sar图像数据增强方法、装置及存储介质 |
| CN111401102A (zh) * | 2019-01-02 | 2020-07-10 | 中国移动通信有限公司研究院 | 深度学习模型训练方法及装置、电子设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870842B (zh) * | 2014-03-20 | 2017-01-18 | 西安电子科技大学 | 结合极化特征和分水岭的极化sar图像分类方法 |
| CN104715474B (zh) * | 2015-01-20 | 2017-09-01 | 电子科技大学 | 基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法 |
-
2020
- 2020-11-05 CN CN202011225957.8A patent/CN112233042B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000058686A3 (en) * | 1999-03-10 | 2001-01-04 | Veridian Erim International In | Minimum-gradient-path phase unwrapping |
| CN102901965A (zh) * | 2012-09-26 | 2013-01-30 | 同济大学 | 一种海洋杂波环境中电大尺寸目标雷达成像方法 |
| CN109993050A (zh) * | 2018-11-28 | 2019-07-09 | 中国人民解放军国防科技大学 | 一种合成孔径雷达图像识别方法 |
| CN111401102A (zh) * | 2019-01-02 | 2020-07-10 | 中国移动通信有限公司研究院 | 深度学习模型训练方法及装置、电子设备及存储介质 |
| CN110555811A (zh) * | 2019-07-02 | 2019-12-10 | 五邑大学 | 一种sar图像数据增强方法、装置及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| Parallel Connected Generative Adversarial Network with Quadratic Operation for SAR Image Generation and Application for Classification;Chu He 等;《sensors》;20180219;第19卷(第4期);全文 * |
| 一种基于变化检测技术的SAR图像舰船目标鉴别方法;张小强 等;《电子与信息学报》;20150131;第19卷(第1期);全文 * |
| 基于生成对抗网络的SAR图像仿真方法研究;鲍鲜杰 等;《第五届高分辨率对地观测学术年会论文集》;20181017;全文 * |
| 多时相SAR图像变化检测技术研究;熊博莅;《中国优秀硕士学位论文全文数据库 基础科学辑》;20071115;第4章 * |
| 改进的二维 Otsu 图像分割方法及其快速实现;陈琪 等;《电子与信息学报》;20100531;第32卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112233042A (zh) | 2021-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
| Wang et al. | New hierarchical saliency filtering for fast ship detection in high-resolution SAR images | |
| Xiang et al. | Superpixel generating algorithm based on pixel intensity and location similarity for SAR image classification | |
| CN109740639B (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
| CN108765491A (zh) | 一种sar图像舰船目标检测方法 | |
| Modava et al. | Hierarchical coastline detection in SAR images based on spectral‐textural features and global–local information | |
| CN112561940B (zh) | 密集多目标参数提取的方法、装置及终端设备 | |
| CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
| 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 | |
| CN114140683A (zh) | 一种航拍图像目标检测的方法、设备与介质 | |
| CN113674308B (zh) | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 | |
| CN113362293A (zh) | 一种基于显著性的sar图像舰船目标快速检测方法 | |
| WO2019215819A1 (ja) | 合成開口レーダ画像解析システム、合成開口レーダ画像解析方法および合成開口レーダ画像解析プログラム | |
| Chen et al. | End‐to‐End Ship Detection in SAR Images for Complex Scenes Based on Deep CNNs | |
| CN112649793A (zh) | 海面目标雷达点迹凝聚方法、装置、电子设备及存储介质 | |
| CN114998365A (zh) | 一种基于极化干涉sar的地物分类方法 | |
| CN112233042B (zh) | 一种含非合作目标的大场景sar图像快速生成方法 | |
| 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 | |
| CN117253150A (zh) | 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统 | |
| Li et al. | Building detection in sar images based on bi-dimensional empirical mode decomposition algorithm | |
| CN114373135A (zh) | 基于局部显著性特征度量的舰船目标检测方法 | |
| Lee et al. | Efficient generation of artificial training DB for ship detection using satellite SAR images | |
| CN106022217A (zh) | 无监督多级分类的民用机场跑道区域检测方法 | |
| CN112215832B (zh) | Sar尾迹图像质量评估及自适应探测参数调整方法 | |
| CN111291712B (zh) | 基于插值的cn和胶囊网络的森林火灾识别方法及装置 |
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 |