CN112528943A - 基于熵调制slic的sar图像海洋目标检测方法 - Google Patents

基于熵调制slic的sar图像海洋目标检测方法 Download PDF

Info

Publication number
CN112528943A
CN112528943A CN202011540816.5A CN202011540816A CN112528943A CN 112528943 A CN112528943 A CN 112528943A CN 202011540816 A CN202011540816 A CN 202011540816A CN 112528943 A CN112528943 A CN 112528943A
Authority
CN
China
Prior art keywords
entropy
sar image
clustering
modulation
slic
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
CN202011540816.5A
Other languages
English (en)
Other versions
CN112528943B (zh
Inventor
邹斌
李维珂
张腊梅
刘硕
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202011540816.5A priority Critical patent/CN112528943B/zh
Priority claimed from CN202011540816.5A external-priority patent/CN112528943B/zh
Publication of CN112528943A publication Critical patent/CN112528943A/zh
Application granted granted Critical
Publication of CN112528943B publication Critical patent/CN112528943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering 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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于熵调制SLIC的SAR图像海洋目标检测方法，所述方法步骤如下：步骤一：输入原始SAR图像进行灰度校正和数据动态范围压缩；步骤二：设置聚类中心空间间距，并初始化聚类中心；步骤三：重新优化聚类中心；步骤四：计算每个像素点与当前聚类中心的熵调制相似度ES；步骤五：计算聚类中心更新差e；步骤六：判断e是否小于设定值，或聚类中心更新次数是否大于设定值n；步骤七：统计每个超像素的强度均值，获得SAR图像海洋目标检测结果。相比于现有SAR海洋目标检测方法，本发明的方法保留了经典SLIC算法鲁棒、稳定的优点，易于满足SAR遥感图像的实际应用条件，具有较高的实用价值。

Description

基于熵调制SLIC的SAR图像海洋目标检测方法
技术领域
本发明属于遥感图像处理技术领域，涉及一种SAR图像海洋目标检测方法，具体涉及一种基于熵调制SLIC(Entropy-modulating Simple Linear Iterative Clustering，EM-SLIC)超像素分割的SAR图像海洋目标检测方法。
背景技术
合成孔径雷达(SAR)是目前唯一一种能够全天时全天候持续对地观测的手段，同时由于成像机制使得其对人造目标敏感。这些特点使得SAR在实时性要求高、气候条件难以保证的遥感应用上具有得天独厚的优势。海洋目标检测是海洋探索、海洋交通管理、应急救援等重要应用的技术基础。海洋目标检测中，感兴趣以舰船、岛礁等目标为主，背景环境以水域为主，且气候条件变化复杂、在遥感图像中场景幅度大，因此使用SAR图像进行海洋目标检测具有极大优势。然而，受成像机制影响，SAR图像中相干斑噪声严重、图像均质性差、目标轮廓及结构不清晰，使得大多经典目标检测技术难以在SAR图像上取得较好的处理结果。
超像素分割是应对SAR图像图像均质性差、目标轮廓及结构不清晰的有效方法。其中，SLIC超像素分割方法鲁棒性强、执行效率高，这些特点使之具有进行大规模遥感图像处理的潜力，有利于提高SAR图像海洋目标检测性能。但是，现有SLIC超像素分割方法中，初始化机制以及聚类度量主要针对光学图像设计。当在SAR图像上应用时，较大的相干斑噪声以及图像非均匀性使得其中的强度度量不稳定，导致分割效果急剧下降，影响目标检测结果。
现有针对SAR图像的改进SLIC方法，主要是将SAR图像进行特征变换，提高目标及背景区域的均质性来改善噪声问题，使得强度度量在不同位置均具有稳定的表现。但特征变换额外引入了较繁重的运算，降低了SLIC方法的效率，削弱了其高效、鲁棒的优势。在进行大规模SAR遥感图像处理时这一问题尤为突出。另外，原始SAR图像的距离向、方位向分辨率不一致，使得经典SLIC初始化机制容易产生目标分裂现象。利用几何校正后的SAR图像进行处理则会产生信息丢失。
发明内容
本发明的目的是提供一种基于熵调制SLIC的SAR图像海洋目标检测方法，该方法基于SAR图像特点将经典SLIC算法进行度量改造，使之适合于SAR图像处理，目的是在保留SLIC算法高效、鲁棒的优势基础上实现SAR图像海洋目标的检测。
本发明的目的是通过以下技术方案实现的：
一种基于熵调制SLIC的SAR图像海洋目标检测方法，包括如下步骤：
步骤一：输入原始SAR图像，将SAR图像进行灰度校正，并将数据动态范围压缩，得到8bit量化的SAR图像；
步骤二：根据输入SAR图像方位向、距离向分辨率以及待检测目标估计尺寸，设置聚类中心空间间距，并初始化聚类中心；
步骤三：在每个聚类中心δ×δ空间邻域内，根据最小梯度原则重新优化聚类中心，其中δ的取值范围为5≤δ≤min{Sa,Sr}/2；
步骤四：在每个聚类中心限定邻域内，计算每个像素点与当前聚类中心的熵调制相似度ES；
步骤五：给每个像素点分配最大熵调制相似度ES对应的聚类中心标签，并更新聚类中心，计算聚类中心更新差e；
步骤六：判断e是否小于设定值，或聚类中心更新次数是否大于设定值n，若满足任意条件则输出超像素聚类结果，否则返回步骤四继续迭代处理；
步骤七：统计每个超像素的强度均值，若均值大于设定检测阈值T，则该类别为海洋目标，否则为海洋背景，获得SAR图像海洋目标检测结果。
相比于现有技术，本发明具有如下优点：
1、本发明的方法在初始化过程中充分考虑了SAR图像方位向、距离向分辨率不相等特性，并基于SAR图像特征，使用局部图像分布熵调制SLIC算法中的强度度量，使得强度权重具有自适应调节能力，缓解了SAR图像噪声以及非均质性的干扰。
2、相比于现有SAR海洋目标检测方法，本发明的方法保留了经典SLIC算法鲁棒、稳定的优点，易于满足SAR遥感图像的实际应用条件，具有较高的实用价值。
附图说明
图1是本发明方法的整体流程图；
图2是基于对数滤波的灰度校正及动态范围压缩结果；
图3是聚类中心初始化结果；
图4是基于最小梯度原则的聚类中心局部优化结果；
图5是第一次迭代处理结果；
图6是第十四次迭代处理结果；
图7是熵调制SLIC超像素分割结果；
图8是超像素强度均值分布；
图9是海洋目标检测结果。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供了一种基于熵调制SLIC的SAR图像海洋目标检测方法，如图1所示，所述方法具体实施步骤如下：
步骤一：输入原始SAR图像，进行灰度校正以及动态范围压缩。本发明以对数滤波器为例对原始SAR图像进行灰度校正，得到如图2所示的8bit量化强度图像。
步骤二：根据输入SAR图像方位向、距离向分辨率以及待检测目标估计尺寸，设置聚类中心空间间距，并初始化聚类中心，其中，聚类中心空间间距计算以及聚类中心初始化方法为：
输入原始SAR图像方位向分辨率为Ra(米)，距离向分辨率为Rr(米)，待检测目标最大估计长度l(米)，目标间最小合理间距w(米)，则聚类中心方位向最小空间间距Sa以及距离向最小空间间距Sr为：Sa＝(l+w)/Ra，Sr＝(l+w)/Rr。聚类中心初始化结果如图3所示。
步骤三：在聚类中心δ×δ邻域内根据最小梯度原则重新优化聚类中心，优化后的聚类中心如图4所示。
步骤四：计算每个像素点与聚类中心的熵调制相似度，具体步骤如下：
步骤四A：以当前聚类中心为中心点构建数据采集窗口，窗口大小为M行×N列，其中聚类中心数值为当前窗口内的像素均值，记为cij，i、j代表该中心在原始图像中的空间位置，即第i行第j列，采集到的局部图像表示为L，L中像素记为Lxy，x、y代表该像素在局部图像中的空间位置；数据采集窗口大小计算方法为M＝2×Sr，N＝2×Sa；
步骤四B：计算局部图像L中所有像素与当前聚类中心的散射强度距离矩阵DI、空间距离矩阵DS以及局部图像灰度分布熵ENT：
Figure BDA0002854816880000051
式中，M与N为图像的行列数，DIxy为散射强度距离矩阵DI中第x行y列的元素，DSxy为空间距离矩阵DS中第x行y列的元素；
步骤四C：利用局部图像灰度分布熵ENT以及空间归一化参数p调制原始SLIC算法的距离，并计算熵调制相似度矩阵ES：
Figure BDA0002854816880000061
式中，ESxy为熵调制相似度矩阵ES中第x行y列的元素，p是空间归一化参数，其计算方法为：p＝(M+N)/2；
步骤四E：转移至下一聚类中心，返回步骤四A，直至所有聚类中心处理完毕。
步骤五：给每个像素点分配最大熵调制相似度ES对应的聚类中心标签，并更新聚类中心，计算聚类中心更新差e，其中，聚类中心更新差e的计算方法为：
Figure BDA0002854816880000062
式中，K表示所有聚类中心的数量，Δik表示第k个聚类中心在i坐标上的更新量，Δjk表示第k个聚类中心在j坐标上的更新量，Δcijk表示第k个聚类中心数值更新量。首次更新后的聚类中心以及聚类结果如图5所示。
步骤六：判断e是否小于设定值，或聚类中心更新次数是否大于设定值n，若满足任意条件则输出超像素聚类结果，否则返回步骤四继续迭代处理。
步骤七：统计每个超像素的强度均值，若均值大于设定检测阈值T，则该类别为海洋目标，否则为海洋背景，获得SAR图像海洋目标检测结果。
本发明以超像素强度均值分布未参考进行人工选择检测阈值T，但实际阈值选择方法不必局限于此。
1、实验数据
本实验采用美国国家航空航天局(NASA)喷气推进实验室(JPL)提供的UAVSAR机载系统获得的SAR图像为实验数据，图像区域为美国半月湾地区，图像方位向分辨率Ra＝0.8米、距离向分辨率Rr＝1.6米，共包含8个游艇类海洋目标。
2、实验内容和分析
本实验采用参数：l＝w＝12，对应聚类中心方位向空间间距Sa＝30、距离向空间间距Sr＝15；聚类中心优化邻域δ＝5；数据采集窗口大小M＝2×15＝30、N＝2×30＝60；归一化参数p＝45；迭代上限n＝50，聚类中心更新差上限为0.5。本实验中实际迭代14次，对应聚类中心更新差e＝0.354，第14次迭代后的聚类中心及聚类结果如图6所示，对应聚类中心数量K＝228。本实验熵调制SLIC超像素分割结果如图7所示，超像素强度均值分布如图8所示，根据该结果，检测阈值T设置为75，海洋目标检测结果如图9所示。实验结果显示，本发明方法仅通过14次迭代便有效、快速地检测出SAR图像海洋目标，且准确标出目标轮廓。

Claims (7)

1.一种基于熵调制SLIC的SAR图像海洋目标检测方法，其特征在于所述方法包括如下步骤：
步骤一：输入原始SAR图像，将SAR图像进行灰度校正，并将数据动态范围压缩，得到8bit量化的SAR图像；
步骤二：根据输入SAR图像方位向、距离向分辨率以及待检测目标估计尺寸，设置聚类中心空间间距，并初始化聚类中心；
步骤三：在每个聚类中心δ×δ空间邻域内，根据最小梯度原则重新优化聚类中心，其中δ的取值范围为5≤δ≤min{Sa,Sr}/2；
步骤四：在每个聚类中心限定邻域内，计算每个像素点与当前聚类中心的熵调制相似度ES；
步骤五：给每个像素点分配最大熵调制相似度ES对应的聚类中心标签，并更新聚类中心，计算聚类中心更新差e；
步骤六：判断e是否小于设定值，或聚类中心更新次数是否大于设定值n，若满足任意条件则输出超像素聚类结果，否则返回步骤四继续迭代处理；
步骤七：统计每个超像素的强度均值，若均值大于设定检测阈值T，则该类别为海洋目标，否则为海洋背景，获得SAR图像海洋目标检测结果。
2.根据权利要求1所述的基于熵调制SLIC的SAR图像海洋目标检测方法，其特征在于所述步骤二中，聚类中心空间间距计算以及聚类中心初始化方法为：
输入原始SAR图像方位向分辨率为Ra，距离向分辨率为Rr，待检测目标最大估计长度为l，目标间最小合理间距为w，则聚类中心方位向最小空间间距Sa以及距离向最小空间间距Sr为：Sa＝(l+w)/Ra，Sr＝(l+w)/Rr。
3.根据权利要求1所述的基于熵调制SLIC的SAR图像海洋目标检测方法，其特征在于所述步骤三中，δ的取值范围为5≤δ≤min{Sa,Sr}/2，其中：Sa为聚类中心方位向最小空间间距，Sr为距离向最小空间间距。
4.根据权利要求1所述的基于熵调制SLIC的SAR图像海洋目标检测方法，其特征在于所述步骤四的具体步骤如下：
步骤四A：以当前聚类中心为中心点构建数据采集窗口，窗口大小为M行×N列，其中聚类中心数值为当前窗口内的像素均值，记为cij，i、j代表该中心在原始图像中的空间位置，即第i行第j列，采集到的局部图像表示为L，L中像素记为Lxy，x、y代表该像素在局部图像中的空间位置；
步骤四B：计算局部图像L中所有像素与当前聚类中心的散射强度距离矩阵DI、空间距离矩阵DS以及局部图像灰度分布熵ENT：
Figure FDA0002854816870000021
式中，DIxy为散射强度距离矩阵DI中第x行y列的元素，DSxy为空间距离矩阵DS中第x行y列的元素；
步骤四C：利用局部图像灰度分布熵ENT以及空间归一化参数p调制原始SLIC算法的距离，并计算熵调制相似度矩阵ES：
Figure FDA0002854816870000031
式中，ESxy为熵调制相似度矩阵ES中第x行y列的元素，p是空间归一化参数，其计算方法为：p＝(M+N)/2；
步骤四E：转移至下一聚类中心，返回步骤四A，直至所有聚类中心处理完毕。
5.根据权利要求4所述的基于熵调制SLIC的SAR图像海洋目标检测方法，其特征在于所述步骤四A中，数据采集窗口大小计算方法为：M＝2×Sr，N＝2×Sa，其中：Sa为聚类中心方位向最小空间间距，Sr为距离向最小空间间距。
6.根据权利要求4或5所述的基于熵调制SLIC的SAR图像海洋目标检测方法，其特征在于所述步骤四C中，空间归一化参数p的计算方法为：p＝(M+N)/2。
7.根据权利要求1所述的基于熵调制SLIC的SAR图像海洋目标检测方法，其特征在于所述步骤五中，聚类中心更新差e的计算方法为：
Figure FDA0002854816870000032
式中，K表示所有聚类中心的数量，Δik表示第k个聚类中心在i坐标上的更新量，Δjk表示第k个聚类中心在j坐标上的更新量，Δcijk表示第k个聚类中心数值更新量。
CN202011540816.5A 2020-12-23 基于熵调制slic的sar图像海洋目标检测方法 Active CN112528943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011540816.5A CN112528943B (zh) 2020-12-23 基于熵调制slic的sar图像海洋目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011540816.5A CN112528943B (zh) 2020-12-23 基于熵调制slic的sar图像海洋目标检测方法

Publications (2)

Publication Number Publication Date
CN112528943A true CN112528943A (zh) 2021-03-19
CN112528943B CN112528943B (zh) 2024-10-22

Family

ID=

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147733A (zh) * 2022-09-05 2022-10-04 山东东盛澜渔业有限公司 一种基于人工智能的海洋垃圾识别回收方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376330A (zh) * 2014-11-19 2015-02-25 西安电子科技大学 基于超像素散射机制的极化sar图像舰船目标检测方法
CN107067039A (zh) * 2017-04-25 2017-08-18 西安电子科技大学 基于超像素的sar图像舰船目标快速检测方法
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
CN108765491A (zh) * 2018-05-31 2018-11-06 成都信息工程大学 一种sar图像舰船目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376330A (zh) * 2014-11-19 2015-02-25 西安电子科技大学 基于超像素散射机制的极化sar图像舰船目标检测方法
CN107067039A (zh) * 2017-04-25 2017-08-18 西安电子科技大学 基于超像素的sar图像舰船目标快速检测方法
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
CN108765491A (zh) * 2018-05-31 2018-11-06 成都信息工程大学 一种sar图像舰船目标检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147733A (zh) * 2022-09-05 2022-10-04 山东东盛澜渔业有限公司 一种基于人工智能的海洋垃圾识别回收方法
CN115147733B (zh) * 2022-09-05 2022-11-25 山东东盛澜渔业有限公司 一种基于人工智能的海洋垃圾识别回收方法

Similar Documents

Publication Publication Date Title
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
CN107194408B (zh) 一种混合块稀疏协作模型的目标跟踪方法
CN105931257B (zh) 基于纹理特征和结构相似度的sar图像质量评估方法
CN107273813A (zh) 基于高分卫星遥感数据的地理空间要素提取系统
CN109712149B (zh) 一种基于小波能量和模糊c均值的图像分割方法
CN113838064B (zh) 一种基于分支gan使用多时相遥感数据的云去除方法
CN112946679B (zh) 一种基于人工智能的无人机测绘果冻效应检测方法及系统
CN111583330B (zh) 一种多尺度时空马尔可夫遥感影像亚像元定位方法及系统
CN113486819A (zh) 一种基于YOLOv4算法的船舶目标检测方法
CN115131373B (zh) 基于纹理特征和slic的sar图像分割方法
Yu et al. Segmentation and density statistics of mariculture cages from remote sensing images using mask R-CNN
CN117292272A (zh) 结合高分遥感影像和开源dem识别大范围耕作措施的方法
CN112884795A (zh) 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法
CN109801208B (zh) 基于多gpu任务优化的sar图像变化检测方法
CN114373135A (zh) 基于局部显著性特征度量的舰船目标检测方法
CN113506374B (zh) 基于gps信息辅助及空间网格划分的点云配准方法
CN110728718A (zh) 改进摄像机标定各参数的方法
CN112766286B (zh) 一种基于sar图像全局-局部特征的舰船目标检测方法
Gu et al. A classification method for polsar images using SLIC superpixel segmentation and deep convolution neural network
CN108509835B (zh) 基于DFIC超像素的PolSAR图像地物分类方法
CN106971402B (zh) 一种基于光学辅助的sar图像变化检测方法
CN113673621A (zh) 一种基于卷积神经网络和maml算法的类圆目标检测方法
CN109461164A (zh) 一种基于方向核重建的红外小目标检测方法
CN112784747A (zh) 高光谱遥感图像多尺度本征分解方法
CN112528943A (zh) 基于熵调制slic的sar图像海洋目标检测方法

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