CN112837331A - 一种基于自适应形态重建模糊三维sar图像目标提取方法 - Google Patents
一种基于自适应形态重建模糊三维sar图像目标提取方法 Download PDFInfo
- Publication number
- CN112837331A CN112837331A CN202110254847.2A CN202110254847A CN112837331A CN 112837331 A CN112837331 A CN 112837331A CN 202110254847 A CN202110254847 A CN 202110254847A CN 112837331 A CN112837331 A CN 112837331A
- Authority
- CN
- China
- Prior art keywords
- voxel
- intensity
- weighting coefficient
- iteration
- gradient value
- 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.)
- Pending
Links
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 217
- 238000000605 extraction Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 185
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 39
- 230000003044 adaptive effect Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 20
- 235000020061 kirsch Nutrition 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 146
- 238000004364 calculation method Methods 0.000 claims description 74
- 239000011159 matrix material Substances 0.000 claims description 66
- 238000009792 diffusion process Methods 0.000 claims description 47
- 230000010339 dilation Effects 0.000 claims description 29
- 230000003628 erosive effect Effects 0.000 claims description 27
- 101150007628 Med22 gene Proteins 0.000 claims description 21
- 102100030223 Mediator of RNA polymerase II transcription subunit 22 Human genes 0.000 claims description 21
- 101150041750 Surf4 gene Proteins 0.000 claims description 21
- 102100030638 Surfeit locus protein 2 Human genes 0.000 claims description 21
- 101710093351 Surfeit locus protein 2 Proteins 0.000 claims description 21
- 101150036064 surf6 gene Proteins 0.000 claims description 21
- 102000046669 Surf-1 Human genes 0.000 claims description 17
- 101150081019 surf1 gene Proteins 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 13
- 238000012804 iterative process Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 3
- 101000912561 Bos taurus Fibrinogen gamma-B chain Proteins 0.000 claims description 2
- 238000000926 separation method Methods 0.000 abstract 1
- 102000018997 Growth Hormone Human genes 0.000 description 9
- 108010051696 Growth Hormone Proteins 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000003708 edge detection Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005303 weighing Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
-
- G06T5/70—
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20032—Median filtering
Abstract
本发明公开了一种基于自适应形态重建模糊三维SAR图像目标提取方法,它是首先利用三维各向异性滤波方法、三维Kirsch算法和滞后阈值方法对原始三维SAR图像进行处理,提取出SAR图像中目标的边缘。根据目标边缘信息,提取出包含目标的多幅子图像,完成对图像中各目标的粗提取。再对每幅子图像进行插值,通过基于模糊C均值的自适应形态重构算法实现对每个子图像目标的高精度提取,从而实现对整幅三维SAR图像中目标的高精度提取。本发明与经典的基于模糊C均值聚类的方法相比,能够高效地实现近场三维SAR图像中背景强干扰与目标的分离,实现目标的高精度提取。
Description
技术领域
本发明属于合成孔径雷达(SAR)图像目标提取领域,涉及一种高精度的近场三维SAR图像目标提取方法。
背景技术
合成孔径雷达(SAR)是一种具有高分辨率的微波主动式成像雷达,它具有全天时、全天候的工作特点,相比于光学传感器,合成孔径雷达发射的电磁波能够穿透云雾、植被等复杂环境物体的遮挡,并能够不受探测地区光线亮暗的影响,因而在民事和军事领域中有着广泛的应用。与二维SAR目标检测相比,三维SAR目标检测可以获得更丰富的目标信息。近场三维SAR目标检测在安防检查,雷达截面积(RCS)测量,辅助驾驶等领域具有良好的应用前景。
通常很难避免环境干扰和各种噪声对近场三维SAR成像结果的影响,这将严重降低近场三维SAR图像的精度。一般有两种处理背景噪声和干扰的方法:抑制噪声干扰或直接将目标与噪声干扰分离。聚类算法属于将目标和噪声干扰分离的方法,其中,基于模糊C均值算法(FCM)的聚类算法由于其简洁的理论和良好的性能受到了广泛的关注。现有的基于FCM的算法能有效提取目标,具有出色的抗噪性能,同时也具有很高的运算效率,但目前这些方法主要运用于光学和医学成像领域,当运用到近场三维SAR图像目标提取时,由于背景的强干扰,使算法不能有效地区分强干扰与目标,导致目标提取精度下降。详见文献“T.Lei,X.Jia,Y.Zhang,L.He,H.Meng,A.K.Nandi,Significantly fast and robustfuzzy c-means clustering algorithm based on morphological reconstruction andmembership filtering,IEEE Transactions on Fuzzy Systems 26(5)(2018)3027–3041”。
因此,为了解决FCM算法应用于三维SAR图像目标提取时提取精度较低的问题,本发明基于自适应形态学重构和模糊C均值理论,提出了一种高精度高效的近场三维SAR目标提取方法。
发明内容
本发明提出了一种基于自适应形态重建模糊三维SAR图像目标提取方法,该方法首先利用三维各向异性扩散滤波;三维Kirsch算法和滞后阈值方法对原始SAR图像进行处理,提取出SAR图像中目标的边缘。根据目标边缘信息,提取出包含目标的多幅子图像,完成对图像中各目标的粗提取。再对每幅子图像进行插值,通过自适应形态重构模糊C均值算法实现对每个子图像目标的高精度提取,从而实现对整幅SAR图像中目标的高精度提取。
为了方便描述本发明的内容,首先作以下术语定义:
定义1、体素
体素,是体积像素的简称。是数字资料于三维空间分割上的最小单位,应用于三维成像、科学资料与医学影像等领域;详见“https://en.wikipedia.org/wiki/Voxel”。
定义2、图像强度
图像强度表示单通道图像像素值的大小,灰度图像的图像强度等于图像的灰度值,RGB图像的图像强度分别对应R通道、G通道、B通道的像素灰度值;传统图像强度计算方法详见文献“Gonzalez R C,Woods R E,Eddins S L.Digital image processing usingMATLAB[M].Pearson Education India,2004”。
定义3、图像强度差值
图像差分表示图像中相邻两个像素之间的强度差,也可以定义为图像微分,常用的微分为一阶和二阶微分,对二维图像强度函数f(x,y),图像强度函数沿x方向的一阶微分的基本定义为可简记为▽Ix;图像强度函数沿y方向的一阶微分的基本定义为可简记为▽Iy;
与二维图像强度差分的定义类似,三维空间中的图像强度差分可定义为简记为▽Ix,▽Iy,▽Iz;传统图像强度插值计算方法详见文献“RafaelC.Gonzalez,RichardE.Woods,Gonzalez,等.数字图像处理(第二版)[M].电子工业出版社,2007”。
定义4、扩散函数
图像处理中的扩散函数近似于热扩散方程;在对图像进行平滑的同时可以有效地保留边缘特征;扩散函数一般要求是单调递减函数;
常用的扩散函数有两种,一种是另一种是其中τ为调整系数,K为梯度阈值,为空间坐标处的图像强度差分,扩散函数值随图像强度差分的增加而递减;传统图像处理中的扩散函数计算方法详见文献“P.Perona,J.Malik,Scale-space and edge detection usinganisotropic diffusion,IEEE Transactions on pattern analysis and machineintelligence 12(7)(1990)629–639”。
定义5、各向异性扩散滤波
各向异性扩散滤波是扩散过程作用于图像后的多次迭代过程,其中单次迭代过程可表述为其中,div(·)表示散度,表示扩散函数,表示图像的强度差分;传统各向异性扩散滤波计算方法详见文献“L.Gun,L.Cuihua,Z.Yingpan,H.Feijiang,An improved speckle-reduction 795algorithm forsar images based on anisotropic diffusion,Multimedia Tools and Applications76(17)(2017)17615–17632”。
定义6、Kirsch算子
Kirsch算子由R.Kirsch提出,采用8个模板对图像上的每一个像素点进行卷积求导,这8个模板代表8个方向,对图像上的8个特定边缘方向作出最大响应,运算中取最大值作为图像的边缘输出;传统Kirsch算子计算方法详见文献“R.A.Kirsch,Computerdetermination of the constituent structure of bio-775logical images,Computersand biomedical research 4(3)(1971)315–328”。
定义7、滞后阈值算法
由J.Canny提出,也叫做双阈值算法,滞后阈值算法需要设置两个阈值,高阈值与低阈值,假设图像中的重要边缘都是连续的曲线,则可以跟踪给定曲线中模糊的部分,并且避免将没有组成曲线的噪声像素当成边缘;滞后阈值算法从一个较大的阈值开始,首先标识出比较确信的真实边缘,使用导出的方向信息,从这些真正的边缘开始在图像中跟踪整个的边缘;在跟踪的时候,使用一个较小的阈值,这样就可以跟踪曲线的模糊部分直到回到算法起始点;一旦这个过程完成,就得到了一个二值图像,其中每个点表示是否是一个边缘点;传统滞后阈值算法详见文献“J.Canny,A computational approach to edgedetection,IEEE Transactions on Pattern Analysis and Machine IntelligencePAMI-8(6)(1986)679–698”。
定义8、自适应形态学重构
自适应形态学重构(Adaptive morphological reconstruction)主要将多尺度的形态学闭合重建的结果融合,实现图像平滑,其中,形态学闭合重建包括形态学膨胀重建和形态学闭合重建;具体来说自适应形态学重构的迭代过程ψ(f,w)可表示如下:
其中,表示形态学腐蚀过程,表示形态学膨胀过程,f表示掩膜图像;{ea,...,ew,...,ew+1,...,eb}表示结构元素的集合,其中,1≤a<w≤b,a,w,b∈N+,N+表示正整数;传统自适应形态学重构方法详见文献“Lei T,Jia X,Liu T,et al.Adaptivemorphological reconstruction for seeded image segmentation[J].IEEETransactions on Image Processing,2019,28(11):5510-5523”。
定义9、模糊C均值聚类法
模糊C均值聚类是一种动态聚类方法。把n个样本划分到c个类别中,使得由隶属度函数定义的模糊聚类损失函数最小,这样的一种模糊聚类方法即为模糊C均值聚类法;其算法步骤如下:
设定聚类数目c和参数b;
初始化各个聚类中心mi;
重复运算直到各样本的隶属度值稳定:
利用当前聚类中心计算隶属度函数:
利用当前的隶属度函数计算更新各类聚类中心:
当算法收敛时,得到各类的聚类中心和各个样本对于各类的隶属度值,从而完成了模糊聚类划分;传统模糊C均值聚类法详见文献“边肇祺,张学工.模式识别第二版[M].清华大学出版社,2000”。
定义10、中值滤波
中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值;传统中值滤波法详见文献“张旭明,徐滨士,董世运.用于图像处理的自适应中值滤波[J].计算机辅助设计与图形学学报,2005,17(002):295-299”。
定义11、哈达玛积(Hadamard Product)
设且A={aij},B=[bij],称m×n矩阵为矩阵A,B发的哈达玛积,记为A⊙B;传统哈达玛积计算方法详见文献“Ba Bin,Liu GuoChun,LiTao,等.基于哈达玛积扩展子空间的到达时间和波达方向联合估计[J].Acta PhysicaSinica,2015,64(7):78403-078403”。
定义12、边缘分割
边缘分割是指基于边缘的分割,即通过搜索不同区域之间的边界,来完成图像的分割。其具体做法是:首先利用合适的边缘检测算子提取出待分割场景不同区域的边界,然后对分割边界内的像素进行连通和标注。从而构成分割区域;传统边缘分割方法详见文献“龚声蓉,刘纯平,赵勋杰,等.数字图像处理与分析(第2版)[M]//数字图像处理与分析(第2版).清华大学出版社,2014”。
定义13、灰度直方图
灰度直方图是关于灰度级分布的函数,是对图像中灰度级分布的统计。灰度直方图是将数字图像中的所有像素,按照灰度值的大小,统计其出现的频率。灰度直方图是灰度级的函数,它表示图像中具有某种灰度级的像素的个数,反映了图像中某种灰度出现的频率。传统灰度直方图的计算方法详见“RafaelC.Gonzalez,RichardE.Woods,StevenL.Eddins.数字图像处理(MATLAB版)[M]//数字图像处理(MATLAB版).电子工业出版社,2005”。
本发明提供的一种基于自适应形态重建模糊三维SAR图像目标提取方法,整个方法流程见附图1,它包括以下步骤:
步骤1、初始化参数:
初始化参数包括:各向异性扩散滤波的最大迭代次数,记做tA;扩散函数的梯度阈值,记做K;滞后阈值算法的高阈值,记做thigh;滞后阈值算法的低阈值,记做tlow;子图像的插值倍数,记做in;模糊C均值的自适应形态重构算法中结构元素的尺度范围,记做[a,b],其中1≤a<b;模糊C均值的自适应形态重构算法中的模糊常数,记做m;模糊C均值的自适应形态重构算法中的最大迭代次数,记做tF;最小化误差门限,记做ηMR;门限,记做ηmp;中值滤波窗函数的尺寸,记做wmp;
步骤2、目标粗提取:
步骤2.1、各向异性扩散滤波:
根据定义4传统图像处理中的扩散函数计算方法、定义5传统各向异性扩散滤波计算方法,采用如下公式:
计算得到三维各向异性扩散滤波算子,记为其中为空间坐标处体素的扩散函数,为空间坐标处体素的强度差分,为单次迭代体素空间坐标处的强度值,xi为空间坐标系的x方向,yi为空间坐标系的y方向,zi空间坐标系的z方向;N为初始化空间体素的数量;
采用如下公式:
步骤2.2、计算原始SAR图像的梯度幅值图:
步骤2.2.1、计算中心体素的梯度值:
根据定义6中传统Kirsch算子计算方法,附图2,附图3采用如下公式:
计算得到参考面surf1处的梯度值其中,(W1 surf1,W2 surf1,W3 surf1)为参考面surf1对应的体素强度加权系数,为加权系数W1 surf1对应的体素强度,为加权系数W2 surf1对应的体素强度,为加权系数W3 surf1对应的体素强度;
根据定义6,附图2,附图4采用如下公式:
计算得到参考边缘edge1处的梯度值其中,(W1 edge1,W2 edge1,W3 edge1)为参考边缘edge1对应的体素强度加权系数,为加权系数W1 edge1对应的体素强度,为加权系数W2 edge1对应的体素强度,为加权系数W3 edge1对应的体素强度;
根据定义6,附图2,附图5采用如下公式:
计算得到参考角corner1处的梯度值▽corner1,其中,(W1 corner1,W2 corner1,W3 corner1)为参考角corner1对应的体素强度加权系数,为加权系数W1 corner1对应的体素强度,为加权系数W2 corner1对应的体素强度,为加权系数W3 corner1对应的体素强度;
根据定义6中传统Kirsch算子计算方法,如附图2,附图3,采用如下公式:
根据定义6,附图2,附图3,采用如下公式:
根据定义6,附图2,附图3,采用如下公式:
根据定义6,附图2,附图3,采用如下公式:
根据定义6,附图2,附图3,采用如下公式:
计算得到参考面surf6处的梯度值▽surf6;其中,▽surf2为参考面surf2处的梯度值,▽surf3为参考面surf3处的梯度值,▽surf4为参考面surf4处的梯度值,▽surf5为参考面surf5处的梯度值,▽surf6为参考面surf6处的梯度值,(W1 surf2,W2 surf2,W3 surf2)为参考面surf2对应加权系数,(W1 surf3,W2 surf3,W3 surf3)为参考面surf3对应加权系数,(W1 surf4,W2 surf4,W3 surf4)为参考面surf4对应加权系数,(W1 surf5,W2 surf5,W3 surf5)为参考面surf5对应加权系数,(W1 surf6,W2 surf6,W3 surf6)为参考面surf6对应加权系数,为加权系数W1 surf2对应的体素强度,为加权系数W2 surf2对应的体素强度,为加权系数W3 surf2对应的体素强度,为加权系数W1 surf3对应的体素强度,为加权系数W2 surf3对应的体素强度,为加权系数W3 surf3对应的体素强度,为加权系数W1 surf4对应的体素强度,为加权系数W2 surf4对应的体素强度,为加权系数W3 surf4对应的体素强度,为加权系数W1 surf5对应的体素强度,为加权系数W2 surf5对应的体素强度,为加权系数W3 surf5对应的体素强度,为加权系数W1 surf6对应的体素强度,为加权系数W2 surf6对应的体素强度,为加权系数W3 surf6对应的体素强度;
计算得到参考边edge6处的梯度值▽edge6;
计算得到参考边edge3处的梯度值▽edge3;
计算得到参考边edge4处的梯度值▽edge4;
计算得到参考边edge5处的梯度值▽edge5;
计算得到参考边edge6处的梯度值▽edge6;
计算得到参考边edge7处的梯度值▽edge7;
计算得到参考边edge8处的梯度值▽edge8;
根据定义6,附图2,附图4,采用如下公式:
计算得到参考边edge9处的梯度值▽edge9;
根据定义6,附图2,附图4,采用如下公式:
计算得到参考边edge10处的梯度值▽edge10;
根据定义6,附图2,附图4,采用如下公式:
计算得到参考边edge11处的梯度值▽edge11;
根据定义6,附图2,附图4,采用如下公式:
计算得到参考边edge12处的梯度值▽edge12;其中,▽edge2为参考边edge2处的梯度值,▽edge3为参考边edge3处的梯度值,▽edge4为参考边edge4处的梯度值,▽edge5为参考边edge5处的梯度值,▽edge6为参考边edge6处的梯度值,▽edge7为参考边edge7处的梯度值,▽edge8为参考边edge8处的梯度值,▽edge9为参考边edge9处的梯度值,▽edge10为参考边edge10处的梯度值,▽edge11为参考边edge11处的梯度值,▽edge12为参考边edge12处的梯度值,(W1 edge2,W2 edge2,W3 edge2)为参考边edge2对应加权系数,(W1 edge3,W2 edge3,W3 edge3)为参考边egde3对应加权系数,(W1 edge4,W2 edge4,W3 edge4)为参考边edge4对应加权系数,(W1 edge5,W2 edge5,W3 edge5)为参考边edge5对应加权系数,(W1 edge6,W2 edge6,W3 edge6)为参考边edge6对应加权系数,(W1 edge7,W2 edge7,W3 edge7)为参考边edge7对应加权系数,(W1 edge8,W2 edge8,W3 edge8)为参考边edge8对应加权系数,(W1 edge9,W2 edge9,W3 edge9)为参考边edge9对应加权系数,(W1 edge10,W2 edge10,W3 edge10)为参考边edge10对应加权系数,(W1 edge11,W2 edge11,W3 edge11)为参考边edge11对应加权系数,(W1 edge12,W2 edge12,W3 edge12)为参考边edge12对应加权系数,为加权系数W1 edge2对应的体素强度,为加权系数W2 edge2对应的体素强度,为加权系数W3 edge2对应的体素强度,为加权系数W1 edge3对应的体素强度,为加权系数W2 edge3对应的体素强度,为加权系数W3 edge3对应的体素强度,为加权系数W1 edge4对应的体素强度,为加权系数W2 edge4对应的体素强度,为加权系数W3 edge4对应的体素强度,为加权系数W1 edge5对应的体素强度,为加权系数W2 edge5对应的体素强度,为加权系数W3 edge5对应的体素强度,为加权系数W1 edge6对应的体素强度,为加权系数W2 edge6对应的体素强度,为加权系数W3 edge6对应的体素强度,为加权系数W1 edge7对应的体素强度,为加权系数W2 edge7对应的体素强度,为加权系数W3 edge7对应的体素强度,为加权系数W1 edge8对应的体素强度,为加权系数W2 edge8对应的体素强度,为加权系数W3 edge8对应的体素强度,为加权系数W1 edge9对应的体素强度,为加权系数W2 edge9对应的体素强度,为加权系数W3 edge9对应的体素强度,为加权系数W1 edge10对应的体素强度,为加权系数W2 edge10对应的体素强度,为加权系数W3 edge10对应的体素强度,为加权系数W1 edge11对应的体素强度,为加权系数W2 edge11对应的体素强度,为加权系数W3 edge11对应的体素强度,为加权系数W1 edge12对应的体素强度,为加权系数W2 edge12对应的体素强度,为加权系数W3 edge12对应的体素强度;
计算得到参考角corner2处的梯度值▽corner2;
计算得到参考角corner3处的梯度值▽corner3;
计算得到参考角corner4处的梯度值▽corner4;
计算得到参考角corner5处的梯度值▽corner5;
计算得到参考角corner6处的梯度值▽corner6;
计算得到参考角corner7处的梯度值▽corner7;
计算得到参考角corner8处的梯度值▽corner8;其中,▽corner2为参考角corner2处的梯度值,
▽corner3为参考角corner3处的梯度值,▽corner4为参考角corner4处的梯度值,▽corner5为参考角corner5处的梯度值,▽corner6为参考角corner6处的梯度值,▽corner7为参考角corner7处的梯度值,▽corner8为参考角corner8处的梯度值,(W1 corner2,W2 corner2,W3 corner2)为参考角corner2对应加权系数(W1 corner3,W2 corner3,W3 corner3)为参考角corner3对应加权系数,(W1 corner4,W2 corner4,W3 corner4)为参考角corner4对应加权系数,(W1 corner5,W2 corner5,W3 corner5)为参考角corner5对应加权系数,(W1 corner6,W2 corner6,W3 corner6)为参考角corner6对应加权系数,(W1 corner7,W2 corner7,W3 corner7)为参考角corner7对应加权系数,(W1 corner8,W2 corner8,W3 corner8)为参考角corner8对应加权系数,为加权系数W1 corner2对应的体素强度,为加权系数W2 corner2对应的体素强度,为加权系数W3 corner2对应的体素强度,为加权系数W1 corner3对应的体素强度,为加权系数W2 corner3对应的体素强度,为加权系数W3 corner3对应的体素强度,为加权系数W1 corner4对应的体素强度,为加权系数W2 corner4对应的体素强度,为加权系数W3 corner4对应的体素强度,为加权系数W1 corner5对应的体素强度,为加权系数W2 corner5对应的体素强度,为加权系数W3 corner5对应的体素强度,为加权系数W1 corner6对应的体素强度,为加权系数W2 corner6对应的体素强度,为加权系数W3 corner6对应的体素强度,为加权系数W1 corner7对应的体素强度,为加权系数W2 corner7对应的体素强度,为加权系数W3 corner7对应的体素强度,为加权系数W1 corner8对应的体素强度,为加权系数W2 corner8对应的体素强度,为加权系数W3 corner8对应的体素强度;得到所有梯度值后,根据如下公式:
计算得到中心坐标处的体素对应的梯度值▽0(I(x,y,z));其中,▽surf1为参考面surf1处的梯度值,▽surf2为参考面surf2处的梯度值,▽surf3为参考面surf3处的梯度值,▽surf4为参考面surf4处的梯度值,▽surf5为参考面surf5处的梯度值,▽surf6为参考面surf6处的梯度值,▽edge1为参考边edge1处的梯度值,▽edge2为参考边edge2处的梯度值,▽edge3为参考边edge3处的梯度值,▽edge4为参考边edge4处的梯度值,▽edge5为参考边edge5处的梯度值,▽edge6为参考边edge6处的梯度值,▽edge7为参考边edge7处的梯度值,▽edge8为参考边edge8处的梯度值,▽edge9为参考边edge9处的梯度值,▽edge10为参考边edge10处的梯度值,▽edge11为参考边edge11处的梯度值,▽edge12为参考边edge12处的梯度值,▽corner1为参考角corner1处的梯度值,▽corner2为参考角corner2处的梯度值,▽corner3为参考角corner3处的梯度值,▽corner4为参考角corner4处的梯度值,▽corner5为参考角corner5处的梯度值,▽corner6为参考角corner6处的梯度值,▽corner7为参考角corner7处的梯度值,▽corner8为参考角corner8处的梯度值;
步骤2.2.2、计算所有体素的梯度值
按照步骤2.2.1的同样方法对所有坐标处体素进行上述运算操作,即对处体素计算得到坐标处的体素对应的梯度值▽1(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽2(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽3(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽4(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽5(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽6(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽7(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽8(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽9(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽10(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽11(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽12(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽13(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽14(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽15(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽16(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽17(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽18(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽19(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽20(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽21(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽22(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽23(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽24(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽25(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽26(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽27(I(x,y,z));通过对上述得到的所有体素的梯度值按照传统方法取并集,得到梯度幅度图,记为▽Ie;
步骤2.3、提取目标边缘:
根据步骤1初始化的阈值thigh和tlow,对步骤2.2得到的梯度幅度图▽Ie采用定义7中传统滞后阈值方法得到图像中的目标边缘Γ,传统滞后阈值算法的处理流程图见附图6;
步骤2.4、提取包含目标的子图像:
根据步骤2.3中得到的目标边缘Γ,按照定义12中的传统的边缘分割算法,分割得到多个由目标边缘Γ的顶点连接成的凸多面体d=1,2,...D,其中,D是凸多面体的个数;根据凸多面体的空间位置,从原始图像I中提取出对应的多个子图像d=1,2,...D,其中,D是凸多面体的个数,每个子图像包含的体素数量为Nd;
步骤2.5、子图像插值:
步骤3、对每个子图进行自适应形态学重构:
步骤3.1、对所有子图像进行重构:
第一次迭代:
计算得到第一次迭代的形态学闭合重建过程,其中,表示第一次迭代的形态学闭合重建过程,表示第一次迭代的形态学腐蚀过程,表示第一次迭代的形态学膨胀过程,表示插值后的子图像;ea为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第一个元素,其中,1≤a<w≤b,a,w,b∈N+,a和b分为步骤一中对应的初始化参数,形态学重构的迭代初值设为采用如下公式:
第二次迭代:
计算得到第二次迭代的形态学闭合重建过程,其中,表示第二次迭代的形态学闭合重建过程,表示第二次迭代的形态学腐蚀过程,表示第二次迭代的形态学膨胀过程,表示插值后的子图像;ea+1为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第二个元素,其中,a+1<w≤b,a+1,w,b∈N+,a和b为步骤一中对应的初始化参数,采用如下公式:
……以此类推得到w个迭代过程
第w次迭代:
计算得到第w次迭代的形态学闭合重建过程,其中,表示第w次迭代的形态学闭合重建过程,表示第w次迭代的形态学腐蚀过程,表示第w次迭代的形态学膨胀过程,表示插值后的子图像;ew为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第w个元素,其中,1≤a<w≤b,a,w,b∈N+,a和b分别为步骤一中对应的初始化参数,通过如下公式计算得到形态学重构单步执行结果
其中,∨指取两幅图中各体素处最大值运算,为第w次迭代的形态学闭合重建过程;当第w次迭代的形态学闭合重建结果满足收敛条件或w=b时,迭代停止,得到子图像的形态学重构结果Ψ1,图Ψ1包含的体素数量为M1;其中ηMR为步骤1初始化的迭代误差限,b分为步骤一中对应的初始化参数,mean(·)表示取均值运算;
第一次迭代:
计算得到第二次迭代的形态学闭合重建过程,其中,表示第一次迭代的形态学闭合重建过程,表示第一次迭代的形态学腐蚀过程,表示第一次迭代的形态学膨胀过程,表示插值后的子图像;ea为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第一个元素,其中,1≤a<w≤b,a,w,b∈N+,a和b分别为步骤一中对应的初始化参数,自适应形态学重构的迭代初值设为采用如下公式:
第二次迭代:
计算得到第二次迭代的形态学闭合重建过程,其中,表示第二次迭代的形态学闭合重建过程,表示第二次迭代的形态学腐蚀过程,表示第二次迭代的形态学膨胀过程,表示插值后的子图像;ea+1为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第二个元素,其中,a+1<w≤b,a+1,w,b∈N+,a和b分别为步骤一中对应的初始化参数,采用公式:
……以此类推得到w个迭代过程
第w次迭代:
计算得到第w次迭代的形态学闭合重建过程,其中,表示第w次迭代的形态学闭合重建过程,表示第w次迭代的形态学腐蚀过程,表示第w次迭代的形态学膨胀过程,表示插值后的子图像;ew为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第w个元素,其中,1≤a<w≤b,a,w,b∈N+,a和b分别为步骤一中对应的初始化参数,采用公式:
计算得到形态学重构单步执行结果其中,∨指取两幅图中各体素处最大值运算,为第w次迭代的形态学闭合重建过程;当第w次迭代的形态学闭合重建结果满足收敛条件或w=b时,迭代停止,得到子图像的形态学重构结果Ψ2,图Ψ2包含的体素数量为M2;其中ηMR为步骤1初始化的迭代误差限,mean(·)表示取均值运算;
第一次迭代:
计算得到第d次迭代的形态学闭合重建过程,其中,表示第一次迭代的形态学闭合重建过程,表示第一次迭代的形态学腐蚀过程,表示第一次迭代的形态学膨胀过程,表示插值后的子图像;ea为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第一个元素,其中,1≤a<w≤b,a,w,b∈N+,a和b分别为步骤一中对应的初始化参数,形态学重构的迭代初值设为采用公式:
第二次迭代:
计算得到第二次迭代的形态学闭合重建过程,其中,表示第二次迭代的形态学闭合重建过程,表示第二次迭代的形态学腐蚀过程,表示第二次迭代的形态学膨胀过程,表示插值后的子图像;ea+1为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第二个元素,其中,a+1<w≤b,a+1,w,b∈N+,a和b分别为步骤一中对应的初始化参数,采用公式:
以此类推得到w个迭代过程:
……
第w次迭代:
计算得到第w次迭代的形态学闭合重建过程,其中,表示第w次迭代的形态学闭合重建过程,表示第w次迭代的形态学腐蚀过程,表示第w次迭代的形态学膨胀过程,表示插值后的子图像;ew为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第w个元素,其中,1≤a<w≤b,a,w,b∈N+,a和b分别为步骤一中对应的初始化参数,采用公式:
计算得到形态学重构单步执行结果其中,∨指取两幅图中各体素处最大值运算,为第w次迭代的形态学闭合重建过程;当第w次迭代的形态学闭合重建结果满足收敛条件或w=b时,迭代停止,得到子图像的形态学重构结果Ψd,图Ψd包含的体素数量为Md;其中ηMR为步骤1初始化的迭代误差限,mean(·)表示取均值运算;
步骤3.2、计算形态学重构图的灰度统计直方图:
根据定义2,对每幅形态学重构图Ψd通过传统图像强度的计算方法得到其中每一个体素的强度,每幅形态学重构图中第i个体素体素强度记为xdi;根据定义13,对每幅形态学重构图Ψd,采用传统图像灰度直方图计算方法,计算得到每幅图的灰度统计直方图,每幅形态学重构图的灰度直方图中灰度等级数记为L,每个灰度等级χl对应的体素个数为γl;
步骤4、模糊C均值聚类处理:
步骤4.1、初始化隶属度划分矩阵和迭代次数:
初始化隶属度划分矩阵,记为U(0),初始化迭代次数t=0,初始化标签矩阵个数C;
步骤4.2、聚类中心和隶属度矩阵更新:
步骤4.3、重复执行步骤4.1和步骤4.2:
重复执行步骤4.1和步骤4.2直到满足收敛条件:max{U(t)-U(t+1)}<ηmp或t=tF,得到最终的隶属度矩阵U(t),其中,tF为步骤1初始化的最大迭代次数,ηMR为步骤1初始化的最小化误差门限;
步骤4.4、隶属度滤波:
若xdi=χl,隶属度矩阵U(t)通过将隶属度矩阵U(t)得到对应Ψd的隶属度矩阵U',其中,χl为步骤3.2中得到的灰度等级,xdi为每幅形态学重构图中第i个体素的强度,uij表示隶属度矩阵U'中的元素,表示隶属度矩阵U(t)中的元素,Ψd为步骤3.1中的形态学重构结果;根据定义10,通过式对新的隶属度矩阵U'进行中值滤波,中值滤波得到的隶属度矩阵记为U”,其中,mf{·}表示中值滤波,wmp为滤波窗的尺寸;
步骤4.5、生成标签矩阵:
通过步骤4.4得到的隶属度矩阵U'得到C个标签矩阵,每个标签矩阵记为中属于第j类的体素记为1,其他体素记为0;所有标签矩阵通过内向插值还原为原始大小L×C,得到最终的标签矩阵其中,C为标签矩阵个数,L为灰度等级数;
步骤4.6、提取目标区域:
步骤4.6.1、计算类相关图:
步骤4.6.2、单个子图像目标精细提取:
第一步:
第二步:
……
第D步:
至此,已完成三维SAR图像目标的精细提取。
本发明方法的主要思路是:首先,通过三维各向异性扩散滤波根据图像强度对图像进行平滑并保留边缘信息,其次,构造三维全向检测算子,获取三维SAR图像的梯度幅值。通过迟滞阈值法提取目标边缘,提供粗略的目标位置信息。根据目标位置信息从原始图像中提取多个子图像,通过自适应形态重建模糊C均值算法实现对各子图像的精细目标提取。最后,通过将多个子图像的提取结果进行合并,完成三维SAR图像的高精度目标提取;
本发明的优点在于能够克服背景干扰的影响,实现高精度的三维SAR图像目标提取,精度对比其它9种前人的提出的算法更高,在实现高精度目标提取的同时也能保持很高的运算效率,并且对算法参数变化扰动有较好的鲁棒性。
附图说明
图1为本发明中基于区域自适应形态重建模糊C均值算法的近场三维SAR图像目标提取方法的流程示意图;
图2为本发明中空间体素示意图;
图3为本发明中空间体素表面检测算子示意图;
其中,参考面为图中加粗部分
图4为本发明中空间体素边缘检测算子示意图
其中,参考边缘为图中加粗部分
图5为本发明中空间体素角检测算子示意图
其中,参考角为图中加粗部分
图6为本发明中滞后阈值算法的流程示意图;
具体实施方式
本发明主要采用计算机仿真的方法进行验证,具体实施步骤如下:
步骤1、初始化算法参数:
初始化算法参数包括:各向异性扩散滤波的最大迭代次数,记做tA=30;扩散函数的梯度阈值,记做K=0.05×DR,DR是SAR图像的动态范围;滞后阈值算法的高阈值,记做thigh=0.34;滞后阈值算法的低阈值,记做tlow=0.23;子图像的插值倍数in=2;模糊C均值的自适应形态重构算法中结构元素的尺度范围,记做[a,b]=[3,100];模糊C均值的自适应形态重构算法中的模糊常数,记做m=2;模糊C均值的自适应形态重构算法中的最大迭代次数,记做tF=100;最小化误差门限,记做ηMR=10-5;门限ηmp=10-5;中值滤波窗函数的尺寸,记做wmp=3×3×3;
步骤2、目标粗提取:
步骤2.1、各向异性扩散滤波:
第一次迭代:
如图2所示,根据定义1,初始化3×3×3的滤波窗中空间体素的数量为N=27;初始化各体素的空间坐标i=1...27,为了便于表示,将中心体素坐标设置为(x,y,z),各空间体素的坐标可表示为[(x-1,y-1,z-1),...,(x,y,z),...,(x+1,y+1,z+1)];
根据定义2中传统图像强度计算方法,计算第一次迭代各体素空间坐标处的强度值为了便于表示,将体素中心强度设为I1 222,各空间体素的强度可表示为(I1 111,I1 112,...,I1 222,...,I1 332,I1 333),其中t=1表示当前迭代次数为1;
其中:
Δx=Δy=Δz=1,
其中,Δx=Δy=Δz=1,(I1 111,I1 112,...,I1 222,...,I1 332,I1 333)为空间体素的单次迭代强度,为空间坐标处体素的扩散函数,x为空间坐标系的x方向,y为空间坐标系y的方向,z为空间坐标系的z方向,t=1表示当前迭代次数为1,N为初始化空间体素的数量;
采用如下公式:
对各空间坐标处体素的强度差分进行计算,得到第一次迭代结果,其中,表示参考中心坐标处的体素强度,Δt为每次迭代的常数系数;其中,Δt为每次迭代的常数系数,保证每次迭代的数值稳定性,满足约束条件Δt最大值取Δd代表迭代过程的总贡献,在滤波过程中设置为N为初始化空间体素的数量;
第二次迭代:
根据定义2中传统图像强度计算方法,计算第二次迭代各体素空间坐标处的强度值为了便于表示,将体素中心强度设为I2 222,各空间体素的强度可表示为(I2 111,I2 112,...,I2 222,...,I2 332,I2 333),其中t=2表示当前迭代次数为2;
其中:
Δx=Δy=Δz=1,
其中,Δx=Δy=Δz=1,(I2 111,I2 112,...,I2 222,...,I2 332,I2 333)为空间体素的单单次迭代强度,为空间坐标处体素的扩散函数,x为空间坐标系的x方向,y为空间坐标系y的方向,z为空间坐标系的z方向,t=2表示当前迭代次数为2,N为初始化空间体素的数量;
采用如下公式:
对各空间坐标处体素的强度差分进行计算,得到第二次迭代后的结果,其中,表示参考中心坐标处的体素强度,Δt为每次迭代的常数系数;其中,Δt为每次迭代的常数系数,保证每次迭代的数值稳定性,满足约束条件Δt最大值取Δd代表迭代过程的总贡献,在滤波过程中设置为N为初始化空间体素的数量;
第t次迭代:
根据定义2中传统图像强度计算方法,计算第二次迭代各体素空间坐标处的强度值为了便于表示,将体素中心强度设为It 222,各空间体素的强度可表示为(It 111,It 112,...,It 222,...,It 332,It 333),其中t表示当前迭代次数;
其中:
Δx=Δy=Δz=1,
其中,Δx=Δy=Δz=1,(It 111,It 112,...,It 222,...,It 332,It 333)为空间体素的单单次迭代强度,为空间坐标处体素的扩散函数,x为空间坐标系的x方向,y为空间坐标系y的方向,z为空间坐标系的z方向,t为当前迭代次数,N为初始化空间体素的数量;
采用如下公式:
对各空间坐标处体素的强度差分进行计算,得到第t次迭代结果,其中,表示参考中心坐标处的体素强度,Δt为每次迭代的常数系数;其中,Δt为每次迭代的常数系数,保证每次迭代的数值稳定性,满足约束条件Δt最大值取Δd代表迭代过程的总贡献,在滤波过程中设置为N为初始化空间体素的数量;当t=tA=30时,迭代过程结束,最终得到平滑后的图像强度,记为IADF;
步骤2.2、计算原始SAR图像的梯度幅值图:
步骤2.2.1、计算中心体素的梯度值
计算得到参考面surf1处的梯度值▽surf1,其中,(W1 surf1,W2 surf1,W3 surf1)为参考面surf1对应的体素强度加权系数,为加权系数W1 surf1对应的体素强度,为加权系数W2 surf1对应的体素强度,为加权系数W3 surf1对应的体素强度,在本发明中,
根据定义6,附图2,附图4,采用如下公式:
计算得到参考边缘edge1处的梯度值▽edge1,其中,(W1 edge1,W2 edge1,W3 edge1)为参考边缘edge1对应的体素强度加权系数,为加权系数W2 edge1对应的体素强度,为加权系数W3 edge1对应的体素强度,
根据定义6,附图2,附图5,采用如下公式:
计算得到参考角corner1处的梯度值▽corner1,其中,(W1 corner1,W2 corner1,W3 corner1)为参考角corner1对应的体素强度加权系数,为加权系数W1 corner1对应的体素强度,为加权系数W2 corner1对应的体素强度,为加权系数W3 corner1对应的体素强度,
采用如下公式:
计算得到参考面surf3处的梯度值▽surf3;
根据定义6,附图2,附图3,采用如下公式:
计算得到参考面surf4处的梯度值▽surf4;
根据定义6,附图2,附图3,采用如下公式:
计算得到参考面surf5处的梯度值▽surf5;
根据定义6,附图2,附图3,采用如下公式:
计算得到参考面surf6处的梯度值▽surf6;其中,▽surf2为参考面surf2处的梯度值,▽surf3为参考面surf3处的梯度值,▽surf4为参考面surf4处的梯度值,▽surf5为参考面surf5处的梯度值,▽surf6为参考面surf6处的梯度值,(W1 surf2,W2 surf2,W3 surf2)为参考面surf2对应加权系数,(W1 surf3,W2 surf3,W3 surf3)为参考面surf3对应加权系数,(W1 surf4,W2 surf4,W3 surf4)为参考面surf4对应加权系数,(W1 surf5,W2 surf5,W3 surf5)为参考面surf5对应加权系数,(W1 surf6,W2 surf6,W3 surf6)为参考面surf6对应加权系数,为加权系数W1 surf2对应的体素强度,为加权系数W2 surf2对应的体素强度,为加权系数W3 surf2对应的体素强度,为加权系数W1 surf3对应的体素强度,为加权系数W2 surf3对应的体素强度,为加权系数W3 surf3对应的体素强度,为加权系数W1 surf4对应的体素强度,为加权系数W2 surf4对应的体素强度,为加权系数W3 surf4对应的体素强度,为加权系数W1 surf5对应的体素强度,为加权系数W2 surf5对应的体素强度,为加权系数W3 surf5对应的体素强度,为加权系数W1 surf6对应的体素强度,为加权系数W2 surf6对应的体素强度,为加权系数W3 surf6对应的体素强度,本发明中:
计算得到参考边edge6处的梯度值▽edge6;
计算得到参考边edge3处的梯度值▽edge3;
计算得到参考边edge4处的梯度值▽edge4;
计算得到参考边edge5处的梯度值▽edge5;
计算得到参考边edge6处的梯度值▽edge6;
计算得到参考边edge7处的梯度值▽edge7;
计算得到参考边edge8处的梯度值▽edge8;
计算得到参考边edge9处的梯度值▽edge9;
计算得到参考边edge10处的梯度值▽edge10;
计算得到参考边edge11处的梯度值▽edge11;
计算得到参考边edge12处的梯度值▽edge12;其中,▽edge2为参考边edge2处的梯度值,▽edge3为参考边edge3处的梯度值,▽edge4为参考边edge4处的梯度值,▽edge5为参考边edge5处的梯度值,▽edge6为参考边edge6处的梯度值,▽edge7为参考边edge7处的梯度值,▽edge8为参考边edge8处的梯度值,▽edge9为参考边edge9处的梯度值,▽edge10为参考边edge10处的梯度值,▽edge11为参考边edge11处的梯度值,▽edge12为参考边edge12处的梯度值,(W1 edge2,W2 edge2,W3 edge2)为参考边edge2对应加权系数,(W1 edge3,W2 edge3,W3 edge3)为参考边egde3对应加权系数,(W1 edge4,W2 edge4,W3 edge4)为参考边edge4对应加权系数,(W1 edge5,W2 edge5,W3 edge5)为参考边edge5对应加权系数,(W1 edge6,W2 edge6,W3 edge6)为参考边edge6对应加权系数,(W1 edge7,W2 edge7,W3 edge7)为参考边edge7对应加权系数,(W1 edge8,W2 edge8,W3 edge8)为参考边edge8对应加权系数,(W1 edge9,W2 edge9,W3 edge9)为参考边edge9对应加权系数,(W1 edge10,W2 edge10,W3 edge10)为参考边edge10对应加权系数,(W1 edge11,W2 edge11,W3 edge11)为参考边edge11对应加权系数,(W1 edge12,W2 edge12,W3 edge12)为参考边edge12对应加权系数,为加权系数W1 edge2对应的体素强度,为加权系数W2 edge2对应的体素强度,为加权系数W3 edge2对应的体素强度,为加权系数W1 edge3对应的体素强度,为加权系数W2 edge3对应的体素强度,为加权系数W3 edge3对应的体素强度,为加权系数W1 edge4对应的体素强度,为加权系数W2 edge4对应的体素强度,为加权系数W3 edge4对应的体素强度,为加权系数W1 edge5对应的体素强度,为加权系数W2 edge5对应的体素强度,为加权系数W3 edge5对应的体素强度,为加权系数W1 edge6对应的体素强度,为加权系数W2 edge6对应的体素强度,为加权系数W3 edge6对应的体素强度,为加权系数W1 edge7对应的体素强度,为加权系数W2 edge7对应的体素强度,为加权系数W3 edge7对应的体素强度,为加权系数W1 edge8对应的体素强度,为加权系数W2 edge8对应的体素强度,为加权系数W3 edge8对应的体素强度,为加权系数W1 edge9对应的体素强度,为加权系数W2 edge9对应的体素强度,为加权系数W3 edge9对应的体素强度,为加权系数W1 edge10对应的体素强度,为加权系数W2 edge10对应的体素强度,为加权系数W3 edge10对应的体素强度,为加权系数W1 edge11对应的体素强度,为加权系数W2 edge11对应的体素强度,为加权系数W3 edge11对应的体素强度,为加权系数W1 edge12对应的体素强度,为加权系数W2 edge12对应的体素强度,为加权系数W3 edge12对应的体素强度;其中:
根据定义6,附图2,附图5,采用如下公式:
计算得到参考角corner2处的梯度值▽corner2;
根据定义6,附图2,附图5,采用如下公式:
计算得到参考角corner3处的梯度值▽corner3;
根据定义6,附图2,附图5,采用如下公式:
计算得到参考角corner4处的梯度值▽corner4;
根据定义6,附图2,附图5,采用如下公式:
计算得到参考角corner5处的梯度值▽corner4;
根据定义6,附图2,附图5,采用如下公式:
计算得到参考角corner6处的梯度值▽corner6;
根据定义6,附图2,附图5,采用如下公式:
计算得到参考角corner7处的梯度值▽corner7;
根据定义6,附图2,附图5,采用如下公式:
计算得到参考角corner8处的梯度值▽corner8;其中,▽corner2为参考角corner2处的梯度值,
▽corner3为参考角corner3处的梯度值,▽corner4为参考角corner4处的梯度值,▽corner5为参考角corner5处的梯度值,▽corner6为参考角corner6处的梯度值,▽corner7为参考角corner7处的梯度值,▽corner8为参考角corner8处的梯度值,(W1 corner2,W2 corner2,W3 corner2)为参考角corner2对应加权系数,(W1 corner3,W2 corner3,W3 corner3)为参考角corner3对应加权系数,(W1 corner3,W2 corner3,W3 corner3)为参考角corner3对应加权系数,(W1 corner4,W2 corner4,W3 corner4)为参考角corner4对应加权系数,(W1 corner5,W2 corner5,W3 corner5)为参考角corner5对应加权系数,(W1 corner6,W2 corner6,W3 corner6)为参考角corner6对应加权系数,(W1 corner7,W2 corner7,W3 corner7)为参考角corner7对应加权系数,(W1 corner8,W2 corner8,W3 corner8)为参考角corner8对应加权系数,为加权系数W1 corner2对应的体素强度,为加权系数W2 corner2对应的体素强度,为加权系数W3 corner2对应的体素强度,为加权系数W1 corner3对应的体素强度,为加权系数W2 corner3对应的体素强度,为加权系数W3 corner3对应的体素强度,为加权系数W1 corner4对应的体素强度,为加权系数W2 corner4对应的体素强度,为加权系数W3 corner4对应的体素强度,为加权系数W1 corner5对应的体素强度,为加权系数W2 corner5对应的体素强度,为加权系数W3 corner5对应的体素强度,为加权系数W1 corner6对应的体素强度,为加权系数W2 corner6对应的体素强度,为加权系数W3 corner6对应的体素强度,为加权系数W1 corner7对应的体素强度,为加权系数W2 corner7对应的体素强度,为加权系数W3 corner7对应的体素强度,为加权系数W1 corner8对应的体素强度,为加权系数W3 corner8对应的体素强度,其中:
得到所有梯度值后,根据如下公式:
计算得到中心坐标处的体素对应的梯度值▽0(I(x,y,z));其中,▽surf1为参考面surf1处的梯度值,▽surf2为参考面surf2处的梯度值,▽surf3为参考面surf3处的梯度值,▽surf4为参考面surf4处的梯度值,▽surf5为参考面surf5处的梯度值,▽surf6为参考面surf6处的梯度值,▽edge1为参考边edge1处的梯度值,▽edge2为参考边edge2处的梯度值,▽edge3为参考边edge3处的梯度值,▽edge4为参考边edge4处的梯度值,▽edge5为参考边edge5处的梯度值,▽edge6为参考边edge6处的梯度值,▽edge7为参考边edge7处的梯度值,▽edge8为参考边edge8处的梯度值,▽edge9为参考边edge9处的梯度值,▽edge10为参考边edge10处的梯度值,▽edge11为参考边edge11处的梯度值,▽edge12为参考边edge12处的梯度值,▽corner1为参考角corner1处的梯度值,▽corner2为参考角corner2处的梯度值,▽corner3为参考角corner3处的梯度值,▽corner4为参考角corner4处的梯度值,▽corner5为参考角corner5处的梯度值,▽corner6为参考角corner6处的梯度值,▽corner7为参考角corner7处的梯度值,▽corner8为参考角corner8处的梯度值;
步骤2.2.2、计算所有体素的梯度值
按照步骤2.2.1的同样方法对所有坐标处体素进行上述运算操作,即对处体素计算得到坐标处的体素对应的梯度值▽1(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽2(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽3(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽4(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽5(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽6(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽7(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽8(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽9(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽10(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽11(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽12(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽13(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽14(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽15(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽16(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽17(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽18(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽19(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽20(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽21(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽22(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽23(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽24(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽25(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽26(I(x,y,z));对处体素计算得到坐标处的体素对应的梯度值▽27(I(x,y,z));通过对上述得到的所有体素的梯度值取并集,就得到了梯度幅度图,记为▽Ie;
步骤2.3、提取目标边缘
根据步骤1初始化的阈值thigh=0.34和tlow=0.23,对步骤2.2得到的梯度幅度图▽Ie采用定义7中传统滞后阈值算法计算得到图像中的目标边缘Γ,传统滞后阈值算法的处理流程图见附图4;
步骤2.4、提取包含目标的子图像
根据步骤2.3中得到的目标边缘Γ,由定义12中的边缘分割算法,分割得到多个由目标边缘Γ的顶点连接成的凸多面体d=1,2,...D,其中,D是凸多面体的个数;根据凸多面体的空间位置,从原始图像I中提取出对应的多个子图像d=1,2,...D,其中,D是凸多面体的个数,每个子图像包含的体素数量为Nd;
步骤2.5、子图像插值
根据步骤1中的插值倍数3,对步骤2.4得到的每个子图像采用对进行3倍插值,计算得到插值后的子图像,记为其中,插值后每个子图像包含的体素数量为Md,插值前每个子图像包含的体素数量为Nd,Md=Nd×27;
步骤3.1、对所有子图像进行重构:
第一次迭代:
其中,表示第一次迭代的形态学闭合重建过程,表示第一次迭代的形态学腐蚀过程,表示第一次迭代的形态学膨胀过程,表示插值后的子图像;ea为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第一个元素,其中,1≤a<w≤b,a,w,b∈N+,a=3和b=100分别为步骤一中对应的初始化参数,自适应形态学重构的迭代初值设为通过如下公式计算得到形态学重构单步执行结果
第二次迭代:
其中,表示第二次迭代的形态学闭合重建过程,表示第二次迭代的形态学腐蚀过程,表示第二次迭代的形态学膨胀过程,表示插值后的子图像;ea+1为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第二个元素,其中,a+1<w≤b,a+1,w,b∈N+,a=3和b=100分别为步骤一中对应的初始化参数,通过如下公式计算得到形态学重构单步执行结果
……以此类推得到w个迭代过程
第w次迭代:
其中,表示第w次迭代的形态学闭合重建过程,表示第w次迭代的形态学腐蚀过程,表示第w次迭代的形态学膨胀过程,表示插值后的子图像;ew为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第w个元素,其中,1≤a<w≤b,a,w,b∈N+,a=3和b=100分别为步骤一中对应的初始化参数,通过如下公式计算得到形态学重构单步执行结果
其中,∨指取两幅图中各体素处最大值运算,为第w次迭代的形态学闭合重建过程;当第w次迭代的形态学闭合重建结果满足收敛条件mean(|ψ(f,w)-ψ(f,w-1)|)≤10-5或w=30时,迭代停止,得到子图像的自适应形态学重构结果Ψ1,图Ψ1包含的体素数量为M1,ηMR=10-5为步骤1初始化的迭代误差限,mean(·)表示取均值运算;至此,形态学重构过程结束,得到所有图像经过形态学重构后的结果Ψd,其中d=1…D;
第一次迭代:
其中,表示第一次迭代的形态学闭合重建过程,表示第一次迭代的形态学腐蚀过程,表示第一次迭代的形态学膨胀过程,表示插值后的子图像;ea为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第一个元素,其中,1≤a<w≤b,a,w,b∈N+,a=3和b=100分别为步骤一中对应的初始化参数,自适应形态学重构的迭代初值设为通过如下公式计算得到形态学重构单步执行结果
第二次迭代:
其中,表示第二次迭代的形态学闭合重建过程,表示第二次迭代的形态学腐蚀过程,表示第二次迭代的形态学膨胀过程,表示插值后的子图像;ea+1为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第二个元素,其中,a+1<w≤b,a+1,w,b∈N+,a=3和b=100分别为步骤一中对应的初始化参数,通过如下公式计算得到形态学重构单步执行结果
……以此类推得到w个迭代过程
第w次迭代:
其中,表示第w次迭代的形态学闭合重建过程,表示第w次迭代的形态学腐蚀过程,表示第w次迭代的形态学膨胀过程,表示插值后的子图像;ew为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第w个元素,其中,1≤a<w≤b,a,w,b∈N+,a=3和b=100分别为步骤一中对应的初始化参数,通过如下公式计算得到形态学重构单步执行结果
其中,∨指取两幅图中各体素处最大值运算,为第w次迭代的形态学闭合重建过程;当第w次迭代的形态学闭合重建结果满足收敛条件mean(|ψ(f,w)-ψ(f,w-1)|)≤10-5或w=30时,迭代停止,得到子图像的自适应形态学重构结果Ψ2,图Ψ2包含的体素数量为M2;其中ηMR=10-5为步骤1初始化的迭代误差限,mean(·)表示取均值运算;
第一次迭代:
其中,表示第一次迭代的形态学闭合重建过程,表示第一次迭代的形态学腐蚀过程,表示第一次迭代的形态学膨胀过程,表示插值后的子图像;ea为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第一个元素,其中,1≤a<w≤b,a,w,b∈N+,a=3和b=100分别为步骤一中对应的初始化参数,自适应形态学重构的迭代初值设为通过如下公式计算得到形态学重构单步执行结果
第二次迭代:
其中,表示第二次迭代的形态学闭合重建过程,表示第二次迭代的形态学腐蚀过程,表示第二次迭代的形态学膨胀过程,表示插值后的子图像;ea+1为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第二个元素,其中,a+1<w≤b,a+1,w,b∈N+,a=3和b=100分别为步骤一中对应的初始化参数,通过如下公式计算得到形态学重构单步执行结果
以此类推得到w个迭代过程:
……
第w次迭代:
其中,表示第w次迭代的形态学闭合重建过程,表示第w次迭代的形态学腐蚀过程,表示第w次迭代的形态学膨胀过程,表示插值后的子图像;ew为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第w个元素,其中,1≤a<w≤b,a,w,b∈N+,a=3和b=100分别为步骤一中对应的初始化参数,通过如下公式计算得到形态学重构单步执行结果
其中,∨指取两幅图中各体素处最大值运算,为第w次迭代的形态学闭合重建过程;当第w次迭代的形态学闭合重建结果满足收敛条件mean(|ψ(f,w)-ψ(f,w-1)|)≤10-5或w=30时,迭代停止,得到子图像的自适应形态学重构结果Ψd,图Ψd包含的体素数量为Md;其中ηMR为步骤1初始化的迭代误差限,mean(·)表示取均值运算;
步骤3.2、计算形态学重构图的灰度统计直方图:
根据定义2,对每幅形态学重构图Ψd通过传统图像强度的计算方法得到其中每一个体素的强度,每幅形态学重构图中第i个体素体素强度记为xdi;根据定义13,对每幅形态学重构图Ψd通过传统图像灰度直方图计算方法得到计算得到每幅图的灰度统计直方图,每幅形态学重构图的灰度直方图中灰度等级数记为L,每个灰度等级χl对应的体素个数为γl;
步骤4、模糊C均值聚类处理:
步骤4.1、初始化隶属度划分矩阵和迭代次数:
初始化隶属度划分矩阵,记为U(0),初始化迭代次数t=0,初始化标签矩阵个数C=2;
步骤4.2、聚类中心和隶属度矩阵更新:
步骤4.3、重复执行步骤4.1和步骤4.2:
重复执行步骤4.1和步骤4.2直到满足收敛条件:max{U(t)-U(t+1)}<10-5或t=100,得到最终的隶属度矩阵U(t),其中,tF为步骤1初始化的最大迭代次数100,ηMR为步骤1初始化的最小化误差门限10-5;
步骤4.4、隶属度滤波:
若xdi=χl,隶属度矩阵U(t)通过将隶属度矩阵U(t)得到对应Ψd的隶属度矩阵U',其中,χl为步骤3.2中得到的灰度等级,xdi为每幅形态学重构图中第i个体素的强度,uij表示隶属度矩阵U'中的元素,Ψd为步骤3.1中的形态学重构结果;根据定义10,通过式U”=mf{U'}3×3×3对新的隶属度矩阵U'进行中值滤波,中值滤波得到的隶属度矩阵记为U”,其中,mf{·}表示中值滤波,3×3×3表示滤波窗wmp的尺寸;
步骤4.5、生成标签矩阵:
通过步骤4.4得到的隶属度矩阵U'得到2个标签矩阵,每个标签矩阵记为中属于第j类的体素记为1,其他体素记为0;所有标签矩阵通过内向插值还原为原始大小L×2,得到最终的标签矩阵其中,C=2为标签矩阵个数,L为灰度等级数;
步骤4.6、提取目标区域:
步骤4.6.1、计算类相关图:
步骤4.6.2、子图像目标精细提取:
第一步
第二步
……
第D步
至此,我们提取出了三维SAR图像中的所有目标,整个方法结束。
Claims (1)
1.一种基于自适应形态重建模糊三维SAR图像目标提取方法,其特征是它包括以下步骤:
步骤1、初始化参数:
初始化参数包括:各向异性扩散滤波的最大迭代次数,记做tA;扩散函数的梯度阈值,记做K;滞后阈值算法的高阈值,记做thigh;滞后阈值算法的低阈值,记做tlow;子图像的插值倍数,记做in;模糊C均值的自适应形态重构算法中结构元素的尺度范围,记做[a,b],其中1≤a<b;模糊C均值的自适应形态重构算法中的模糊常数,记做m;模糊C均值的自适应形态重构算法中的最大迭代次数,记做tF;最小化误差门限,记做ηMR;门限,记做ηmp;中值滤波窗函数的尺寸,记做wmp;
步骤2、目标粗提取:
步骤2.1、各向异性扩散滤波:
根据定义4传统图像处理中的扩散函数计算方法、定义5传统各向异性扩散滤波计算方法,采用如下公式:
计算得到三维各向异性扩散滤波算子,记为其中为空间坐标处体素的扩散函数,为空间坐标处体素的强度差分,为单次迭代体素空间坐标处的强度值,xi为空间坐标系的x方向,yi为空间坐标系的y方向,zi空间坐标系的z方向;N为初始化空间体素的数量;
采用如下公式:
步骤2.2、计算原始SAR图像的梯度幅值图:
步骤2.2.1、计算中心体素的梯度值:
根据定义6中传统Kirsch算子计算方法,附图2,附图3采用如下公式:
计算得到参考面surf1处的梯度值其中,(W1 surf1,W2 surf1,W3 surf1)为参考面surf1对应的体素强度加权系数,为加权系数W1 surf1对应的体素强度,为加权系数W2 surf1对应的体素强度,为加权系数W3 surf1对应的体素强度;
根据定义6,附图2,附图4采用如下公式:
计算得到参考边缘edge1处的梯度值其中,为参考边缘edge1对应的体素强度加权系数,为加权系数W1 edge1对应的体素强度,为加权系数W2 edge1对应的体素强度,为加权系数W3 edge1对应的体素强度
根据定义6,附图2,附图5采用如下公式:
计算得到参考角corner1处的梯度值其中,(W1 corner1,W2 corner1,W3 corner1)为参考角corner1对应的体素强度加权系数,为加权系数W1 corner1对应的体素强度,为加权系数W2 corner1对应的体素强度,为加权系数W3 corner1对应的体素强度;
根据定义6中传统Kirsch算子计算方法,如附图2,附图3,采用如下公式:
根据定义6,附图2,附图3,采用如下公式:
根据定义6,附图2,附图3,采用如下公式:
根据定义6,附图2,附图3,采用如下公式:
根据定义6,附图2,附图3,采用如下公式:
计算得到参考面surf6处的梯度值其中,为参考面surf2处的梯度值,为参考面surf3处的梯度值,为参考面surf4处的梯度值,为参考面surf5处的梯度值,为参考面surf6处的梯度值,(W1 surf2,W2 surf2,W3 surf2)为参考面surf2对应加权系数,(W1 surf3,W2 surf3,W3 surf3)为参考面surf3对应加权系数,(W1 surf4,W2 surf4,W3 surf4)为参考面surf4对应加权系数,(W1 surf5,W2 surf5,W3 surf5)为参考面surf5对应加权系数,(W1 surf6,W2 surf6,W3 surf6)为参考面surf6对应加权系数,为加权系数W1 surf2对应的体素强度,为加权系数W2 surf2对应的体素强度,为加权系数W3 surf2对应的体素强度,为加权系数W1 surf3对应的体素强度,为加权系数W2 surf3对应的体素强度,为加权系数W3 surf3对应的体素强度,为加权系数W1 surf4对应的体素强度,为加权系数W2 surf4对应的体素强度,为加权系数W3 surf4对应的体素强度,为加权系数W1 surf5对应的体素强度,为加权系数W2 surf5对应的体素强度,为加权系数W3 surf5对应的体素强度,为加权系数W1 surf6对应的体素强度,为加权系数W2 surf6对应的体素强度,为加权系数W3 surf6对应的体素强度;
根据定义6,附图2,附图4,采用如下公式:
根据定义6,附图2,附图4,采用如下公式:
根据定义6,附图2,附图4,采用如下公式:
根据定义6,附图2,附图4,采用如下公式:
根据定义6,附图2,附图4,采用如下公式:
根据定义6,附图2,附图4,采用如下公式:
根据定义6,附图2,附图4,采用如下公式:
根据定义6,附图2,附图4,采用如下公式:
根据定义6,附图2,附图4,采用如下公式:
根据定义6,附图2,附图4,采用如下公式:
根据定义6,附图2,附图4,采用如下公式:
计算得到参考边edge12处的梯度值其中,为参考边edge2处的梯度值,为参考边edge3处的梯度值,为参考边edge4处的梯度值,为参考边edge5处的梯度值,为参考边edge6处的梯度值,为参考边edge7处的梯度值,为参考边edge8处的梯度值,为参考边edge9处的梯度值,为参考边edge10处的梯度值,为参考边edge11处的梯度值,为参考边edge12处的梯度值,(W1 edge2,W2 edge2,W3 edge2)为参考边edge2对应加权系数,(W1 edge3,W2 edge3,W3 edge3)为参考边egde3对应加权系数,(W1 edge4,W2 edge4,W3 edge4)为参考边edge4对应加权系数,(W1 edge5,W2 edge5,W3 edge5)为参考边edge5对应加权系数,(W1 edge6,W2 edge6,W3 edge6)为参考边edge6对应加权系数,(W1 edge7,W2 edge7,W3 edge7)为参考边edge7对应加权系数,(W1 edge8,W2 edge8,W3 edge8)为参考边edge8对应加权系数,(W1 edge9,W2 edge9,W3 edge9)为参考边edge9对应加权系数,(W1 edge10,W2 edge10,W3 edge10)为参考边edge10对应加权系数,(W1 edge11,W2 edge11,W3 edge11)为参考边edge11对应加权系数,(W1 edge12,W2 edge12,W3 edge12)为参考边edge12对应加权系数,为加权系数W1 edge2对应的体素强度,为加权系数W2 edge2对应的体素强度,为加权系数W3 edge2对应的体素强度,为加权系数W1 edge3对应的体素强度,为加权系数W2 edge3对应的体素强度,为加权系数W3 edge3对应的体素强度,为加权系数W1 edge4对应的体素强度,为加权系数W2 edge4对应的体素强度,为加权系数W3 edge4对应的体素强度,为加权系数W1 edge5对应的体素强度,为加权系数W2 edge5对应的体素强度,为加权系数W3 edge5对应的体素强度,为加权系数W1 edge6对应的体素强度,为加权系数W2 edge6对应的体素强度,为加权系数W3 edge6对应的体素强度,为加权系数W1 edge7对应的体素强度,为加权系数W2 edge7对应的体素强度,为加权系数W3 edge7对应的体素强度,为加权系数W1 edge8对应的体素强度,为加权系数W2 edge8对应的体素强度,为加权系数W3 edge8对应的体素强度,为加权系数W1 edge9对应的体素强度,为加权系数W2 edge9对应的体素强度,为加权系数W3 edge9对应的体素强度,为加权系数W1 edge10对应的体素强度,为加权系数W2 edge10对应的体素强度,为加权系数W3 edge10对应的体素强度,为加权系数W1 edge11对应的体素强度,为加权系数W2 edge11对应的体素强度,为加权系数W3 edge11对应的体素强度,为加权系数W1 edge12对应的体素强度,为加权系数W2 edge12对应的体素强度,为加权系数W3 edge12对应的体素强度;
根据定义6,附图2,附图5采用如下公式:
根据定义6,附图2,附图5采用如下公式:
根据定义6,附图2,附图5采用如下公式:
根据定义6,附图2,附图5采用如下公式:
根据定义6,附图2,附图5采用如下公式:
根据定义6,附图2,附图5采用如下公式:
根据定义6,附图2,附图5采用如下公式:
计算得到参考角corner8处的梯度值其中,为参考角corner2处的梯度值,为参考角corner3处的梯度值,为参考角corner4处的梯度值,为参考角corner5处的梯度值,为参考角corner6处的梯度值,为参考角corner7处的梯度值,为参考角corner8处的梯度值,(W1 corner2,W2 corner2,W3 corner2)为参考角corner2对应加权系数(W1 corner3,W2 corner3,W3 corner3)为参考角corner3对应加权系数,(W1 corner4,W2 corner4,W3 corner4)为参考角corner4对应加权系数,(W1 corner5,W2 corner5,W3 corner5)为参考角corner5对应加权系数,(W1 corner6,W2 corner6,W3 corner6)为参考角corner6对应加权系数,(W1 corner7,W2 corner7,W3 corner7)为参考角corner7对应加权系数,(W1 corner8,W2 corner8,W3 corner8)为参考角corner8对应加权系数,为加权系数W1 corner2对应的体素强度,为加权系数W2 corner2对应的体素强度,为加权系数W3 corner2对应的体素强度,为加权系数W1 corner3对应的体素强度,为加权系数W2 corner3对应的体素强度,为加权系数W3 corner3对应的体素强度,为加权系数W1 corner4对应的体素强度,为加权系数W2 corner4对应的体素强度,为加权系数W3 corner4对应的体素强度,为加权系数W1 corner5对应的体素强度,为加权系数W2 corner5对应的体素强度,为加权系数W3 corner5对应的体素强度,为加权系数W1 corner6对应的体素强度,为加权系数W2 corner6对应的体素强度,为加权系数W3 corner6对应的体素强度,为加权系数W1 corner7对应的体素强度,为加权系数W2 corner7对应的体素强度,为加权系数W3 corner7对应的体素强度,为加权系数W1 corner8对应的体素强度,为加权系数W2 corner8对应的体素强度,为加权系数W3 corner8对应的体素强度;得到所有梯度值后,根据如下公式:
计算得到中心坐标处的体素对应的梯度值其中,为参考面surf1处的梯度值,为参考面surf2处的梯度值,为参考面surf3处的梯度值,为参考面surf4处的梯度值,为参考面surf5处的梯度值,为参考面surf6处的梯度值,为参考边edge1处的梯度值,为参考边edge2处的梯度值,为参考边edge3处的梯度值,为参考边edge4处的梯度值,为参考边edge5处的梯度值,为参考边edge6处的梯度值,为参考边edge7处的梯度值,为参考边edge8处的梯度值,为参考边edge9处的梯度值,为参考边edge10处的梯度值,为参考边edge11处的梯度值,为参考边edge12处的梯度值,为参考角corner1处的梯度值,为参考角corner2处的梯度值,为参考角corner3处的梯度值,为参考角corner4处的梯度值,为参考角corner5处的梯度值,为参考角corner6处的梯度值,为参考角corner7处的梯度值,为参考角corner8处的梯度值;
步骤2.2.2、计算所有体素的梯度值
按照步骤2.2.1的同样方法对所有坐标处体素进行上述运算操作,即对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值对处体素计算得到坐标处的体素对应的梯度值通过对上述得到的所有体素的梯度值按照传统方法取并集,得到梯度幅度图,记为
步骤2.3、提取目标边缘:
根据步骤1初始化的阈值thigh和tlow,对步骤2.2得到的梯度幅度图▽Ie采用定义7中传统滞后阈值方法得到图像中的目标边缘Γ,传统滞后阈值算法的处理流程图见附图6;
步骤2.4、提取包含目标的子图像:
根据步骤2.3中得到的目标边缘Γ,按照定义12中的传统的边缘分割算法,分割得到多个由目标边缘Γ的顶点连接成的凸多面体其中,D是凸多面体的个数;根据凸多面体的空间位置,从原始图像I中提取出对应的多个子图像其中,D是凸多面体的个数,每个子图像包含的体素数量为Nd;
步骤2.5、子图像插值:
步骤3、对每个子图进行自适应形态学重构:
步骤3.1、对所有子图像进行重构:
第一次迭代:
计算得到第一次迭代的形态学闭合重建过程,其中,表示第一次迭代的形态学闭合重建过程,表示第一次迭代的形态学腐蚀过程,表示第一次迭代的形态学膨胀过程,表示插值后的子图像;ea为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第一个元素,其中,1≤a<w≤b,a,w,b∈N+,a和b分为步骤一中对应的初始化参数,形态学重构的迭代初值设为采用如下公式:
第二次迭代:
计算得到第二次迭代的形态学闭合重建过程,其中,表示第二次迭代的形态学闭合重建过程,表示第二次迭代的形态学腐蚀过程,表示第二次迭代的形态学膨胀过程,表示插值后的子图像;ea+1为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第二个元素,其中,a+1<w≤b,a+1,w,b∈N+,a和b为步骤一中对应的初始化参数,采用如下公式:
……以此类推得到w个迭代过程
第w次迭代:
计算得到第w次迭代的形态学闭合重建过程,其中,表示第w次迭代的形态学闭合重建过程,表示第w次迭代的形态学腐蚀过程,表示第w次迭代的形态学膨胀过程,表示插值后的子图像;ew为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第w个元素,其中,1≤a<w≤b,a,w,b∈N+,a和b分别为步骤一中对应的初始化参数,通过如下公式计算得到形态学重构单步执行结果
其中,∨指取两幅图中各体素处最大值运算,为第w次迭代的形态学闭合重建过程;当第w次迭代的形态学闭合重建结果满足收敛条件或w=b时,迭代停止,得到子图像的形态学重构结果Ψ1,图Ψ1包含的体素数量为M1;其中ηMR为步骤1初始化的迭代误差限,b分为步骤一中对应的初始化参数,mean(·)表示取均值运算;
第一次迭代:
计算得到第二次迭代的形态学闭合重建过程,其中,表示第一次迭代的形态学闭合重建过程,表示第一次迭代的形态学腐蚀过程,表示第一次迭代的形态学膨胀过程,表示插值后的子图像;ea为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第一个元素,其中,1≤a<w≤b,a,w,b∈N+,a和b分别为步骤一中对应的初始化参数,自适应形态学重构的迭代初值设为采用如下公式:
第二次迭代:
计算得到第二次迭代的形态学闭合重建过程,其中,表示第二次迭代的形态学闭合重建过程,表示第二次迭代的形态学腐蚀过程,表示第二次迭代的形态学膨胀过程,表示插值后的子图像;ea+1为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第二个元素,其中,a+1<w≤b,a+1,w,b∈N+,a和b分别为步骤一中对应的初始化参数,采用公式:
……以此类推得到w个迭代过程
第w次迭代:
计算得到第w次迭代的形态学闭合重建过程,其中,表示第w次迭代的形态学闭合重建过程,表示第w次迭代的形态学腐蚀过程,表示第w次迭代的形态学膨胀过程,表示插值后的子图像;ew为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第w个元素,其中,1≤a<w≤b,a,w,b∈N+,a和b分别为步骤一中对应的初始化参数,采用公式:
计算得到形态学重构单步执行结果其中,∨指取两幅图中各体素处最大值运算,为第w次迭代的形态学闭合重建过程;当第w次迭代的形态学闭合重建结果满足收敛条件或w=b时,迭代停止,得到子图像的形态学重构结果Ψ2,图Ψ2包含的体素数量为M2;其中ηMR为步骤1初始化的迭代误差限,mean(·)表示取均值运算;
第一次迭代:
计算得到第d次迭代的形态学闭合重建过程,其中,表示第一次迭代的形态学闭合重建过程,表示第一次迭代的形态学腐蚀过程,表示第一次迭代的形态学膨胀过程,表示插值后的子图像;ea为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第一个元素,其中,1≤a<w≤b,a,w,b∈N+,a和b分别为步骤一中对应的初始化参数,形态学重构的迭代初值设为采用公式:
第二次迭代:
计算得到第二次迭代的形态学闭合重建过程,其中,表示第二次迭代的形态学闭合重建过程,表示第二次迭代的形态学腐蚀过程,表示第二次迭代的形态学膨胀过程,表示插值后的子图像;ea+1为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第二个元素,其中,a+1<w≤b,a+1,w,b∈N+,a和b分别为步骤一中对应的初始化参数,采用公式:
以此类推得到w个迭代过程:
……
第w次迭代:
计算得到第w次迭代的形态学闭合重建过程,其中,表示第w次迭代的形态学闭合重建过程,表示第w次迭代的形态学腐蚀过程,表示第w次迭代的形态学膨胀过程,表示插值后的子图像;ew为结构元素的集合{ea,...,ew,...,ew+1,...,eb}中的第w个元素,其中,1≤a<w≤b,a,w,b∈N+,a和b分别为步骤一中对应的初始化参数,采用公式:
计算得到形态学重构单步执行结果其中,∨指取两幅图中各体素处最大值运算,为第w次迭代的形态学闭合重建过程;当第w次迭代的形态学闭合重建结果满足收敛条件或w=b时,迭代停止,得到子图像的形态学重构结果Ψd,图Ψd包含的体素数量为Md;其中ηMR为步骤1初始化的迭代误差限,mean(·)表示取均值运算;
步骤3.2、计算形态学重构图的灰度统计直方图:
根据定义2,对每幅形态学重构图Ψd通过传统图像强度的计算方法得到其中每一个体素的强度,每幅形态学重构图中第i个体素体素强度记为xdi;根据定义13,对每幅形态学重构图Ψd,采用传统图像灰度直方图计算方法,计算得到每幅图的灰度统计直方图,每幅形态学重构图的灰度直方图中灰度等级数记为L,每个灰度等级χl对应的体素个数为γl;
步骤4、模糊C均值聚类处理:
步骤4.1、初始化隶属度划分矩阵和迭代次数:
初始化隶属度划分矩阵,记为U(0),初始化迭代次数t=0,初始化标签矩阵个数C;
步骤4.2、聚类中心和隶属度矩阵更新:
步骤4.3、重复执行步骤4.1和步骤4.2:
重复执行步骤4.1和步骤4.2直到满足收敛条件:max{U(t)-U(t+1)}<ηmp或t=tF,得到最终的隶属度矩阵U(t),其中,tF为步骤1初始化的最大迭代次数,ηMR为步骤1初始化的最小化误差门限;
步骤4.4、隶属度滤波:
若xdi=χl,隶属度矩阵U(t)通过将隶属度矩阵U(t)得到对应Ψd的隶属度矩阵U',其中,χl为步骤3.2中得到的灰度等级,xdi为每幅形态学重构图中第i个体素的强度,uij表示隶属度矩阵U'中的元素,表示隶属度矩阵U(t)中的元素,Ψd为步骤3.1中的形态学重构结果;根据定义10,通过式对新的隶属度矩阵U'进行中值滤波,中值滤波得到的隶属度矩阵记为U”,其中,mf{·}表示中值滤波,wmp为滤波窗的尺寸;
步骤4.5、生成标签矩阵:
通过步骤4.4得到的隶属度矩阵U'得到C个标签矩阵,每个标签矩阵记为 中属于第j类的体素记为1,其他体素记为0;所有标签矩阵通过内向插值还原为原始大小L×C,得到最终的标签矩阵其中,C为标签矩阵个数,L为灰度等级数;
步骤4.6、提取目标区域:
步骤4.6.1、计算类相关图:
步骤4.6.2、单个子图像目标精细提取:
第一步:
第二步:
……
第D步:
至此,已完成三维SAR图像目标的精细提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110254847.2A CN112837331A (zh) | 2021-03-08 | 2021-03-08 | 一种基于自适应形态重建模糊三维sar图像目标提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110254847.2A CN112837331A (zh) | 2021-03-08 | 2021-03-08 | 一种基于自适应形态重建模糊三维sar图像目标提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112837331A true CN112837331A (zh) | 2021-05-25 |
Family
ID=75929781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110254847.2A Pending CN112837331A (zh) | 2021-03-08 | 2021-03-08 | 一种基于自适应形态重建模糊三维sar图像目标提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837331A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484862A (zh) * | 2021-08-04 | 2021-10-08 | 电子科技大学 | 一种自适应的高分宽幅sar清晰重构成像方法 |
CN114022877A (zh) * | 2021-10-25 | 2022-02-08 | 电子科技大学 | 一种基于自适应阈值三维sar图像感兴趣目标提取方法 |
CN117538881A (zh) * | 2024-01-10 | 2024-02-09 | 海底鹰深海科技股份有限公司 | 一种声呐水体成像波束形成方法、系统、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080074313A1 (en) * | 2006-09-25 | 2008-03-27 | Willey Jefferson M | Method and apparatus for 3-d sub-voxel position imaging with synthetic aperture radar |
CN101515369A (zh) * | 2009-04-02 | 2009-08-26 | 西安电子科技大学 | 基于半监督学习的多尺度sar图像分割方法 |
CN101551905A (zh) * | 2009-05-08 | 2009-10-07 | 西安电子科技大学 | 基于模糊c均值聚类和空间信息的多尺度纹理图像分割方法 |
CN102722879A (zh) * | 2012-06-13 | 2012-10-10 | 西安电子科技大学 | 基于目标提取和三维块匹配去噪的sar图像去斑方法 |
CN104299232A (zh) * | 2014-09-30 | 2015-01-21 | 西安电子科技大学 | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 |
CN106355151A (zh) * | 2016-08-30 | 2017-01-25 | 电子科技大学 | 一种基于深度置信网络的三维sar图像目标识别方法 |
CN106537181A (zh) * | 2014-04-03 | 2017-03-22 | 伊沃夫科技有限公司 | 用于雷达的特征提取 |
CN108022221A (zh) * | 2017-12-06 | 2018-05-11 | 河北工业大学 | 一种各项异性扩散滤波的三维散乱点云平滑去噪方法 |
CN109285175A (zh) * | 2018-08-15 | 2019-01-29 | 中国科学院苏州生物医学工程技术研究所 | 基于形态学重建和隶属度滤波的模糊聚类图像分割方法 |
CN111166373A (zh) * | 2019-03-29 | 2020-05-19 | 艾瑞迈迪科技石家庄有限公司 | 一种定位注册方法、装置和系统 |
-
2021
- 2021-03-08 CN CN202110254847.2A patent/CN112837331A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080074313A1 (en) * | 2006-09-25 | 2008-03-27 | Willey Jefferson M | Method and apparatus for 3-d sub-voxel position imaging with synthetic aperture radar |
CN101515369A (zh) * | 2009-04-02 | 2009-08-26 | 西安电子科技大学 | 基于半监督学习的多尺度sar图像分割方法 |
CN101551905A (zh) * | 2009-05-08 | 2009-10-07 | 西安电子科技大学 | 基于模糊c均值聚类和空间信息的多尺度纹理图像分割方法 |
CN102722879A (zh) * | 2012-06-13 | 2012-10-10 | 西安电子科技大学 | 基于目标提取和三维块匹配去噪的sar图像去斑方法 |
CN106537181A (zh) * | 2014-04-03 | 2017-03-22 | 伊沃夫科技有限公司 | 用于雷达的特征提取 |
CN104299232A (zh) * | 2014-09-30 | 2015-01-21 | 西安电子科技大学 | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 |
CN106355151A (zh) * | 2016-08-30 | 2017-01-25 | 电子科技大学 | 一种基于深度置信网络的三维sar图像目标识别方法 |
CN108022221A (zh) * | 2017-12-06 | 2018-05-11 | 河北工业大学 | 一种各项异性扩散滤波的三维散乱点云平滑去噪方法 |
CN109285175A (zh) * | 2018-08-15 | 2019-01-29 | 中国科学院苏州生物医学工程技术研究所 | 基于形态学重建和隶属度滤波的模糊聚类图像分割方法 |
CN111166373A (zh) * | 2019-03-29 | 2020-05-19 | 艾瑞迈迪科技石家庄有限公司 | 一种定位注册方法、装置和系统 |
Non-Patent Citations (6)
Title |
---|
GUIDO GERIG 等: "Nonlinear Anisotropic Filtering of MRI Data", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
TAO LEI 等: "Significantly Fast and Robust Fuzzy C-Means Clustering Algorithm Based on Morphological Reconstruction and Membership Filtering", 《IEEE TRANSACTIONS ON FUZZY SYSTEMS》 * |
党丽薇 等: "基于自适应阈值的压缩感知三维 SAR 成像方法", 《第五届高分辨率对地观测学术年会论文集》 * |
张自强 等: "基于稀疏重构的高分辨三维 SAR 图像目标特征提取", 《第四届高分辨率对地观测学术年会论文集》 * |
李倩 等: "SAR图像各向异性扩散滤波算法", 《国外电子测量技术》 * |
骆科扬 等: "鲁棒的各向异性扩散三维超声图像去噪算法", 《计算机应用与软件》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484862A (zh) * | 2021-08-04 | 2021-10-08 | 电子科技大学 | 一种自适应的高分宽幅sar清晰重构成像方法 |
CN113484862B (zh) * | 2021-08-04 | 2023-10-17 | 电子科技大学 | 一种自适应的高分宽幅sar清晰重构成像方法 |
CN114022877A (zh) * | 2021-10-25 | 2022-02-08 | 电子科技大学 | 一种基于自适应阈值三维sar图像感兴趣目标提取方法 |
CN114022877B (zh) * | 2021-10-25 | 2023-05-26 | 电子科技大学 | 一种基于自适应阈值三维sar图像感兴趣目标提取方法 |
CN117538881A (zh) * | 2024-01-10 | 2024-02-09 | 海底鹰深海科技股份有限公司 | 一种声呐水体成像波束形成方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Min et al. | Depth video enhancement based on weighted mode filtering | |
Werlberger et al. | Motion estimation with non-local total variation regularization | |
CN112837331A (zh) | 一种基于自适应形态重建模糊三维sar图像目标提取方法 | |
US20070223815A1 (en) | Feature Weighted Medical Object Contouring Using Distance Coordinates | |
EP1934936A2 (en) | A method of segmenting an image | |
CN110796616B (zh) | 基于范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
CN110378924B (zh) | 基于局部熵的水平集图像分割方法 | |
Elkhateeb et al. | A novel coarse-to-Fine Sea-land segmentation technique based on superpixel fuzzy C-means clustering and modified Chan-Vese model | |
Pujar et al. | Medical image segmentation based on vigorous smoothing and edge detection ideology | |
Günsel et al. | Reconstruction and boundary detection of range and intensity images using multiscale MRF representations | |
Ghosh et al. | Robust simultaneous registration and segmentation with sparse error reconstruction | |
Dryanovski et al. | Real-time pose estimation with RGB-D camera | |
Jung et al. | Intensity-guided edge-preserving depth upsampling through weighted L0 gradient minimization | |
Wang et al. | Mapping road based on multiple features and B-GVF snake | |
Jiang et al. | Ship contour extraction from SAR images based on faster R-CNN and chan–vese model | |
Yu et al. | Intensity guided depth upsampling using edge sparsity and super-weighted $ l_0 $ gradient minimization | |
Chen et al. | Motion Estimation with L 0 Norm Regularization | |
Tseng et al. | Maximum-a-posteriori estimation for global spatial coherence recovery based on matting Laplacian | |
Bangalore et al. | Tracking moving objects using bandpass filter enhanced localisation and automated initialisation of active contour snakes | |
San et al. | Feature based disparity estimation using hill-climbing algorithm | |
Cassisa et al. | Two-frame optical flow formulation in an unwarping multiresolution scheme | |
Fukuda et al. | Graph cuts by using local texture features of wavelet coefficient for image segmentation | |
CN114022877B (zh) | 一种基于自适应阈值三维sar图像感兴趣目标提取方法 | |
Grazzini et al. | Adaptive morphological filtering using similarities based on geodesic time | |
Gao et al. | A unified tensor level set method for image segmentation |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210525 |