CN113033577B - 一种基于伴方差修正模型的海洋目标特征提取方法 - Google Patents
一种基于伴方差修正模型的海洋目标特征提取方法 Download PDFInfo
- Publication number
- CN113033577B CN113033577B CN202110324407.XA CN202110324407A CN113033577B CN 113033577 B CN113033577 B CN 113033577B CN 202110324407 A CN202110324407 A CN 202110324407A CN 113033577 B CN113033577 B CN 113033577B
- Authority
- CN
- China
- Prior art keywords
- target
- variance
- model
- marine
- correction model
- 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
Images
Classifications
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于伴方差修正模型的海洋目标特征提取方法,属于海洋遥感技术领域,包括构建OceanTD深度学习模型,基于OceanTD深度学习模型对海洋目标特征进行初步检测;然后构建一种伴方差修正模型,对对数逻辑分布函数进行方差修正,考虑标准差和绝对值误差指标,增加方差修正项,推导出其公式,提高了对复杂海况海杂波的拟合优度;最后,基于伴方差修正模型采用CFAR算法提取海洋目标特征,并对提取的海洋目标特征进行可视化,提高了海洋目标检测的召回率和海洋目标参数提取的准确率;本发明所提出的方法,海杂波拟合优度显著提高,目标检测虚警量明显减少,特征提取准确率有效改善。
Description
技术领域
本发明公开了一种基于伴方差修正模型的海洋目标特征提取方法,属于海洋遥感技术领域。
背景技术
CFAR算法是当前海洋目标检测中比较成熟的方法,是雷达信号检测领域里最常用和最有效的一类检测算法,包括双参数CFAR算法、自适应双参数CFAR检测方法、基于K分布的CFAR算法和基于威布尔分布的CFAR算法等。Burl等学者基于海洋背景杂波符合高斯分布的假定,提出双参数CFAR检测算法,由于海洋背景杂波受多种因素的影响,并不严格符合高斯分布,导致双参数检测算法虚警率高。目前的研究鲜见针对海杂波的分布特点、对大量概率分布函数进行实验拟合和分析。传统CFAR目标检测方法高斯分布的假定具有一定局限性,导致海洋目标特征提取精度不够。
发明内容
本发明公开了一种基于伴方差修正模型的海洋目标特征提取方法,以解决现有技术中,传统CFAR目标检测方法高斯分布的假定具有一定局限性,导致海洋目标特征提取精度不够的问题。
一种基于伴方差修正模型的海洋目标特征提取方法,构建OceanTD深度学习模型,基于OceanTD深度学习模型对海洋目标特征进行初步检测,然后提出一种伴方差修正模型,基于伴方差修正模型使用CFAR算法提取海洋目标特征,并对提取的海洋目标特征作可视化处理。
优选地,所述伴方差修正模型对对数逻辑分布函数进行方差修正,具体公式为:
式中,x∈[0,+∞],是像素值;α>0,是尺度参数;β>2,是形状参数;ε∈[0,1],是修正参数。
优选地,基于伴方差修正模型采用CFAR算法提取海洋目标特征的具体方法为:
(1)调用初步检测的结果,以疑似目标为中心点构建窗口;
(2)提取(1)中窗口中不是疑似目标的次数最多的单元影像;
(3)筛选(2)中提取的单元影像;
(4)绘制像素数组的直方图,提取直方图中,最小像素值到最大像素值间的有效像素及有效像素对应的频数,将提取的有效像素及其频数作为拟合数据,将拟合数据保存到拟合数组中;
(5)调用伴方差修正模型拟合(4)中的拟合数组,求出拟合曲线的α、β、ε参数值并计算拟合优度;
(6)计算拟合曲线有效像素的积分,当积分值达到阈值时,输出临界像素Xtb,否则重新计算积分直至达到阈值;
(7)以像素值大于Xtb的像素值作为检测条件,检测(1)中窗口中的影像,将疑似目标保存到疑似目标数组中,聚簇疑似目标像素,保存各个目标簇的参数;
(8)当目标簇在坐标轴上的长度、宽度及纵横比满足目标簇阈值时,对目标簇进行直线拟合和椭圆拟合,提取目标簇的实际长度、实际宽度、实际纵横比和像素值;
满足实际长度、实际宽度、实际纵横比的目标簇的相应参数即为提取的目标参数。
优选地,一种基于伴方差修正模型的海洋目标特征提取方法具体为:
S1.确定海洋目标特征提取的研究区域,获得研究区域的SAR数据;
S2.基于OceanTD深度学习模型对海洋目标特征进行初步检测,生成疑似目标和背景;
标记SAR数据中每个单元影像经所有检测后不是疑似目标的次数;
通过疑似目标直方图和背景直方图分析概率密度分布的长尾特征;
S3.在具有长尾特征的概率分布模型中,选择用于拟合修正SAR数据的最佳概率分布模型;
S4.根据最佳概率分布模型构建伴方差修正模型;
S5.基于伴方差修正模型使用CFAR算法提取海洋目标特征;
S6.对提取的海洋目标特征作可视化处理;
S7.完成基于伴方差修正模型的海洋目标特征提取。
优选地,筛选(2)中提取的单元影像包括:
若不存在所有检测次数中都不是疑似目标的影像,则对窗口中的每个影像作分割,然后对分割后的影像重新检测,直到出现检测结果为非疑似目标的影像并对该影像重新执行筛选(2)中提取的单元影像;
若存在所有检测次数中都不是疑似目标的影像,则将单元影像的像素值保存到像素数组中。
优选地,采用基于LogLogistic分布作为S4中的最佳概率分布模型,然后构建伴方差修正模型,基于伴方差修正模型使用CFAR算法提取海洋目标特征。
与现有技术相比,本发明在Loglogistic分布的基础上,提出了伴方差修正的模型,推导出伴方差修正模型数学表达式,有效地拟合海杂波分布长尾特征,实现对复杂海况的海杂波建模;海杂波拟合优度显著提高,伴方差修正模型较Loglogistic分布模型提高了50%;目标检测虚警量明显减少,伴方差修正模型的虚警量是Loglogistic分布模型的77.78%;特征提取准确率有效改善,伴方差修正模型对目标特征参数提取的准确率比Loglogistic分布模型提高了28.57%。
附图说明
图1为基于伴方差修正模型的CFAR算法提取海洋目标特征流程图;
图2为实施例待检测图像在研究海域中的位置图;
图3(a)为Loglogistic模型第606幅三维可视化,(b)为Loglogistic模型第606幅海杂波直方图及Loglogistic拟合曲线;
图4(a)为Loglogistic模型第7112幅三维可视化,(b)为Loglogistic模型第7112幅海杂波直方图及Loglogistic拟合曲线;
图5(a)为伴方差修正模型第606幅三维可视化,(b)为伴方差修正模型第606幅海杂波直方图及伴方差修正拟合曲线;
图6(a)为伴方差修正模型第7112幅三维可视化,(b)为伴方差修正模型第7112幅海杂波直方图及伴方差修正拟合曲线。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明:
一种基于伴方差修正模型的海洋目标特征提取方法,构建OceanTD深度学习模型,基于OceanTD深度学习模型对海洋目标特征进行初步检测,然后提出一种伴方差修正模型,基于伴方差修正模型使用CFAR算法提取海洋目标特征,并对提取的海洋目标特征作可视化处理。
OceanTD模型包含4个卷积层、1个卷积组和3个全连接层;每个卷积层的组织形式是Convolution2D-ReLU-Dropout-Maxpooling;
卷积组的组织形式是(Convolution2D-ReLU-Dropout)*2-Maxpooling;3个全连接层中,前两个全连接层的组织形式是Dense-ReLU-Dropout,最后一个全连接层的组织形式是Dense。
OceanTD模型的训练过程为:
S101.对海洋目标样本特征数据x进行归一化处理,采用的归一化公式如下:
其中,μ为特征的期望,σ为方差;
S102.配置训练优化算法、损失函数、监控参数;
S103.加载数据集,验证数据的合法性;
S104.将数据集分为多个周期,每个周期分为多个批次;
S105.将每个周期按批次打混索引,进行批次循环;
S106.计算交叉熵,采用反向传播算法和所改进的梯度下降算法WinR-Adagrad,以0.01的学习速率不断地修改变量以最小化交叉熵;
S107.对批次指定的样本数进行训练,学习权重、偏置,计算损失、精度直到一个周期的批次都循环结束,再进入下一个周期进行批循环;
S108.直到循环完所有周期,保存模型及训练损失、精度。
OceanTD模型损失函数采用目标分类和模型预测分类之间的交叉熵,其公式为:
式中,y-i是第i个样本的输入值,hθ(xi)是第i个样本x的输出值,参数θ0的初值设置为0.1,θ1的初值设置为标准差为0.1的正态分布浮点数。
所述伴方差修正模型对对数逻辑分布函数进行方差修正,具体公式为:
式中,x∈[0,+∞],是像素值;α>0,是尺度参数;β>2,是形状参数;ε∈[0,1],是修正参数。
基于伴方差修正模型采用CFAR算法提取海洋目标特征的具体方法为:
(1)调用初步检测的结果,以疑似目标为中心点构建窗口;
(2)提取(1)中窗口中不是疑似目标的次数最多的单元影像;
(3)筛选(2)中提取的单元影像;
(4)绘制像素数组的直方图,提取直方图中,最小像素值到最大像素值间的有效像素及有效像素对应的频数,将提取的有效像素及其频数作为拟合数据,将拟合数据保存到拟合数组中;
(5)调用伴方差修正模型拟合(4)中的拟合数组,求出拟合曲线的α、β、ε参数值并计算拟合优度;
(6)计算拟合曲线有效像素的积分,当积分值达到阈值时,输出临界像素Xtb,否则重新计算积分直至达到阈值;
(7)以像素值大于Xtb的像素值作为检测条件,检测(1)中窗口中的影像,将疑似目标保存到疑似目标数组中,聚簇疑似目标像素,保存各个目标簇的参数;
(8)当目标簇在坐标轴上的长度、宽度及纵横比满足目标簇阈值时,对目标簇进行直线拟合和椭圆拟合,提取目标簇的实际长度、实际宽度、实际纵横比和像素值;
满足实际长度、宽度、纵横比的目标簇的相应参数即为提取的目标参数。
一种基于伴方差修正模型的海洋目标特征提取方法具体为:
S1.确定海洋目标特征提取的研究区域,获得研究区域的SAR数据;
S2.基于OceanTD深度学习模型对海洋目标特征进行初步检测,生成疑似目标和背景;
标记SAR数据中每个单元影像经所有检测后不是疑似目标的次数;
通过疑似目标直方图和背景直方图分析概率密度分布的长尾特征;
设10次OceanTD模型精检中有n次是目标,当n≥9,即10次精检有9次及以上都是目标时,则认为该图像是目标,否则是背景,概率密度分布具有长尾特征。
对海平面SAR图像概率密度分布出现的长尾特征,Sentinel-1干涉宽条模式的SAR入射角θ的范围是31°–46°,当波浪的坡面与水平面的夹角小于入射角31°–46°时,SAR后向散射倾向于镜面反射,影像强度偏小、呈现偏暗;当波浪的坡面与水平面的夹角等于入射角31°–46°时,SAR后向散射开始出现垂直反射,影像强度开始变大、呈现偏亮斑点;当波浪的坡面与水平面的夹角大于入射角31°–46°时,SAR后向散射出现垂直反射的几率变大,出现条带状垂直反射,影像呈现条带状亮斑。
平静海面SAR后向散射概率密度函数不易出现长尾特征,当波浪的坡面与水平面的夹角等于入射角31°–46°时,开始出现长尾特征,当波浪的坡面与水平面的夹角大于入射角31°–46°时,SAR后向散射概率密度函数长尾变粗,长尾特征明显。
S3.在具有长尾特征的概率分布模型中,选择用于拟合修正SAR数据的最佳概率分布模型;
发现海杂波具有长尾分布的特征后,对包括对数正态分布、对数逻辑分布等23种具有长尾特征的概率分布进行实验对比,实验结果中可以比较好地拟合SAR图像背景直方图的概率分布包括log-normal(or lognormal)distribution、Logistic distribution、Log-logistic distribution、Gamma distribution、Weibull distribution、Gumbeldistribution、Shifted Gompertz distribution、Generalized extremevaluedistribution,选择Log-logistic distribution(对数逻辑分布),对其进行修正,进行海杂波拟合。
S4.根据最佳概率分布模型构建伴方差修正模型;
如果随机变量X的对数呈Logistic分布的,则该随机变量X为对数逻辑分布,记作:LogLogistic(x,α,β),式中x∈[0,∞),参数α>0是一个尺度参数,也是分布的中位数,参数β>0是形状参数,当β>1时,分布为单峰分布,随着β的增加,分散度减小。
对数逻辑分布的概率密度函数如式(1)所示,x>0,α>0,β>0。
其累积分布函数如式(2)所示:
在多次实验的基础上,考虑标准差和绝对值误差指标,增加方差修正项,得到:
f(x,α,β,ε)=f(x,α,β)+εσ (3)
式中,x∈[0,+∞],是像素值;α>0,是尺度参数;β>2,是形状参数;ε∈[0,1],是修正参数;
由对数逻辑分布统计特征可得:
将式(1)、(4)带入到式(3)中,整理得到如下表达式:
S5.基于伴方差修正模型使用CFAR算法提取海洋目标特征;
虚警概率和检测概率分别定义为:
背景分布概率为:
给定虚警概率Pfa,通过下式可以得到检测阈值T:
虚警概率和检测概率分别是曲线Pb(x)和Pt(x)下包围的面积。分布函数是累计函数,是概率密度函数从负无穷到正无穷上的积分,分布函数在x处的函数值表示x落在区间(-∞,x)上的概率,而概率密度函数在x处的函数值表示落在x点上的概率。
在CFAR算法原理的基础上,本发明针对归一化的SAR图像,改进CFAR算法适合整型数据,归一化SAR图像背景灰度概率密度函数Pb(x)用下式表示。
式中,P[x]是归一化直方图,Q(x)是权函数,x=0~m,m为SAR图像灰度的最大值。虚警概率为:
给定虚警概率Pfa,通过上式可以得到检测阈值T。
调用目标检测模型PixelsVal>Xtb,将3*3图像窗口中疑似目标保存到数组row2中,做为目标参数提取的源数据。对数组row2中的(28*3,28*3)图像窗口中疑似目标像素聚簇并保存各个目标簇的参数,如目标簇的中心坐标(xMid,yMid),x方向的长度width,y方向的长度length,像素总数intensity等。若目标簇在坐标轴上的长度和宽度及纵横比满足阈值,则对目标簇进行直线拟合,从而提出目标簇的实际长度、宽度、纵横比及像素数。将满足实际纵横比的目标簇的相应参数(如中心坐标、长度、宽度等)保存到数据库中,即为所提取的目标参数。
首先,采用深度学习模型对研究区待检测图像进行初检后,以28*28像素单元设置标签,标记每个单元经10次检测后不是目标的次数,并保存到数据库中。
采用伴方差修正模型进行复杂海况中海洋杂波建模流程如图1所示,调用初检后的库文件,将10次检测都是目标的标签即疑似目标点保存到数组lab10中,依次以lab10中的目标点为中心构建3*3图像窗口,检测3*3窗口中是否存在10次检测不是疑似目标的次数的图像,若存在,则将3*3图像窗口中每个图像分割成2*2个小图像,再调用检测模型对2*2每幅图像检测10次,并保存检测结果,直到出现不是目标点的图像为止,或达到预置的终止条件。若没有,则将这些单元图像的像素保存到数组x中,计算x中每个像素的频数绘制直方图,提取直方图中最小像素到最大像素间有效像素及对应的频数做为拟合数据,并保存到数组x2、y2中。调用所构建伴方差修正模型拟合x2、y2,求出拟合曲线的α、β、ε参数值并计算卡方、绝对值误差等拟合优度。
S6.对提取的海洋目标特征作可视化处理;
采用所提出的伴方差修正模型对研究海域的海洋目标进行提取,其中第九幅图像分辨率为13.89米*13.89米,长13.89*28*97米,宽13.89*28*90米,共有钻井平台12个,初检10次均为疑似目标的28*28子图像共36个。采用伴方差修正模型在该海域共提取目标12个。
其中第4个提取目标采用Loglogistic分布拟合和采用所提出的伴方差修正模型拟合的结果。Loglogistic分布拟合参数α=92.712,β=3.4519,标准差σ=0.0021,绝对误差μ=0.00136。伴方差模型拟合优度卡方值ks=0.1166,p=1,D=0.1317,对应的标准差σ=0.0017,绝对误差μ=0.00092,拟合优度提高了19%左右。
多次拟合参数及精度评定如表1所示,可以看出,第2次拟合综合评定精度最高,算法自动取第2次拟合曲线作为伴方差修正模型的海洋杂波建模曲线,其尺度参数α=92.712,形状参数β=3.4519,修正参数ε=0.2。当ks=0.11665时,chisqr2pValue(dof,chi_squared)计算的p=1.0,此时的分割阈值为242。
表1伴方差修正模型拟合参数及其拟合精度评定
对第6504幅海洋背景采用伴方差修正模型建模后的最佳拟合曲线,曲线在像素值216前积分已达99.5%,极值像素255的概率值为0.1013,海洋杂波像素总数为28*28*5,图像的分辨率是13.89米*13.89米,极值像素255可达13.89米*13.89米*28*28*5*0.1013=13.89米*13.89米*3920*0.1013=13.89米*13.89米*397.096=76612.56平方米。即由5个28*28像素绿框构成的海洋背景中等于阈值255的点共有397.096个,面积大约有76612.56平方米。用阈值245对包含4个红色28*28像素的疑似目标构成的9个28*28图像进行分割,聚类后长度大于250米,小于1500米,长宽比小于等于10的目标。
提取的钻井平台长13.89*39.4米,宽13.89*26.3米,面积约13.89*13.89*560平方米。该图像所在九宫格的像素均值为119.81,有4个疑似目标子图像,5个海杂波子图像,海杂波像素平均值为123.25,标准差为66.87,基于伴方差修正模型的目标检测分割阈值为242,九宫格中像素值大于分割阈值的点数百分比为11.41%。提取目标中心轴拟合直线表达式为y=0.55641x+31.74877,九宫格中矩形拟合中心(24.00000,45.00000),长39.43000,宽26.32000,斜率-0.55600,长宽比1.50000。待检图像中椭圆拟合参数中心(2012.0,689.0),长轴中心线斜率-0.5730,长半轴19.71999,短半轴12.5850,椭圆包含像素总数550.0个。
S7.完成基于伴方差修正模型的海洋目标特征提取。
筛选(2)中提取的单元影像包括:
若不存在所有检测次数中都不是疑似目标的影像,则对窗口中的每个影像作分割,然后对分割后的影像重新检测,直到出现检测结果为非疑似目标的影像并对该影像重新执行筛选(2)中提取的单元影像;
若存在所有检测次数中都不是疑似目标的影像,则将单元影像的像素值保存到像素数组中。
采用基于LogLogistic分布作为S4中的最佳概率分布模型,然后构建伴方差修正模型,基于伴方差修正模型使用CFAR算法提取海洋目标特征。
伴方差修正模型可以替代S4中的最佳概率分布模型进行SAR数据的拟合修正。研究海域通过初检后确定疑似目标,3个28*28像素区域为疑似目标,周边6个非疑似目标即背景。采用Loglogistic分布和本发明提出的伴方差模型对海洋背景进行建模,对比分析其拟合精度。Loglogistic拟合参数α=80.683,β=3.6789,对应的标准差σ=0.0025,绝对误差μ=0.00180。伴方差修正的拟合优度卡方值ks=0.1005,p=1,D=0.1403,对应的标准差σ=0.0016,绝对误差μ=0.00083。本发发明所提出的伴方差模型的拟合优度比Loglogistic分布提高50%左右。
实验选取渤海海域(北纬37°07′~40°56′,东经117°33′~122°08′)为研究区域,对该区域的钻井平台进行检测并提取,待检测区域如图2所示。
构建了海洋目标检测深度学习模型——OceanTD模型,对该模型进行训练后保存为Protocol Buffers格式的OceanTD.pb文件。调用模型OceanTD.pb对长35km宽38km面积约1320km2的待检测区域进行检测并提取钻井平台。研究区域SAR图像经预处理后,共有2520列2716行,分辨率为13.89*13.89米。以388平方米约28*28像素为单位,调用模型对该区域进行检测,10次检测都为疑似目标区域共36个,总用时47秒。
分别采用Loglogistic分布模型、伴方差修正模型对这36个疑似目标进行提取,提取的目标数、虚警数、大小(面积)、分割阈值等形状参数如表2所示。表中目标的最小长度设置为250米,最大长度设置为1500米,长宽比设置为10。从表中可以看出2种方法的漏检数均为0,且能根据目标所在海域的位置和海杂波的实际情况,自动调整分割阈值。但在局部目标上伴方差修正模型表现出更优的性能。例如,标号为212的疑似目标图像,采用伴方差修正模型检测提取的目标大小为194,可以看出,该方法对Loglogistic方法作了修正,抛弃了疑似目标像素,使提取结果更接近实际目标的大小。
表2两种目标提取方法所提取的目标参数
对采用两种方法提取的36个疑似目标进行椭圆拟合,去掉过小的或者长宽比大于阈值的疑似目标,得到22个拟合后的目标,其中心坐标、倾角等位置参数如表3所示。
表3两种方法提取的目标椭圆拟合参数
两种方法提取的目标三维可视化效果如图3至图6所示,选择了第606幅和第7122幅图像的可视化效果进行展示。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (6)
1.一种基于伴方差修正模型的海洋目标特征提取方法,其特征在于,构建OceanTD深度学习模型,基于OceanTD深度学习模型对海洋目标特征进行初步检测,然后提出一种伴方差修正模型,基于伴方差修正模型使用CFAR算法提取海洋目标特征,并对提取的海洋目标特征作可视化处理;
OceanTD深度学习模型包含4个卷积层、1个卷积组和3个全连接层;每个卷积层的组织形式是Convolution2D-ReLU-Dropout-Maxpooling;
卷积组的组织形式是(Convolution2D-ReLU-Dropout)*2-Maxpooling;3个全连接层中,前两个全连接层的组织形式是Dense-ReLU-Dropout,最后一个全连接层的组织形式是Dense;
OceanTD深度学习模型的训练过程为:
S101.对海洋目标样本特征数据x进行归一化处理,采用的归一化公式如下:
其中,μ为特征的期望,σ为方差;
S102.配置训练优化算法、损失函数、监控参数;
S103.加载数据集,验证数据的合法性;
S104.将数据集分为多个周期,每个周期分为多个批次;
S105.将每个周期按批次打混索引,进行批次循环;
S106.计算交叉熵,采用反向传播算法和所改进的梯度下降算法WinR-Adagrad,以0.01的学习速率不断地修改变量以最小化交叉熵;
S107.对批次指定的样本数进行训练,学习权重、偏置,计算损失、精度直到一个周期的批次都循环结束,再进入下一个周期进行批循环;
S108.直到循环完所有周期,保存模型及训练损失、精度;
OceanTD深度学习模型损失函数采用目标分类和模型预测分类之间的交叉熵,其公式为:
式中,y-i是第i个样本的输入值,hθ(xi)是第i个样本x的输出值,参数θ0的初值设置为0.1,θ1的初值设置为标准差为0.1的正态分布浮点数;
所述伴方差修正模型对对数逻辑分布函数进行方差修正,具体公式为:
式中,x∈[0,+∞],是像素值;α>0,是尺度参数;β>2,是形状参数;ε∈[0,1],是修正参数。
2.根据权利要求1所述的基于伴方差修正模型的海洋目标特征提取方法,其特征在于,基于伴方差修正模型采用CFAR算法提取海洋目标特征的具体方法为:
(1)调用初步检测的结果,以疑似目标为中心点构建窗口;
(2)提取(1)中窗口中不是疑似目标的次数最多的单元影像;
(3)筛选(2)中提取的单元影像;
(4)绘制像素数组的直方图,提取直方图中,最小像素值到最大像素值间的有效像素及有效像素对应的频数,将提取的有效像素及其频数作为拟合数据,将拟合数据保存到拟合数组中;
(5)调用伴方差修正模型拟合(4)中的拟合数组,求出拟合曲线的α、β、ε参数值并计算拟合优度;
(6)计算拟合曲线有效像素的积分,当积分值达到阈值时,输出临界像素Xtb,否则重新计算积分直至达到阈值;
(7)以像素值大于Xtb的像素值作为检测条件,检测(1)中窗口中的影像,将疑似目标保存到疑似目标数组中,聚簇疑似目标像素,保存各个目标簇的参数;
(8)当目标簇在坐标轴上的长度、宽度及纵横比满足目标簇阈值时,对目标簇进行直线拟合和椭圆拟合,提取目标簇的实际长度、实际宽度、实际纵横比和像素值;
满足实际长度、实际宽度、实际纵横比的目标簇的相应参数即为提取的目标参数。
3.根据权利要求1所述的基于伴方差修正模型的海洋目标特征提取方法,其特征在于,具体为:
S1.确定海洋目标特征提取的研究区域,获得研究区域的SAR数据;
S2.基于OceanTD深度学习模型对海洋目标特征进行初步检测,生成疑似目标和背景;
标记SAR数据中每个单元影像经所有检测后不是疑似目标的次数;
通过疑似目标直方图和背景直方图分析概率密度分布的长尾特征;
S3.在具有长尾特征的概率分布模型中,选择用于拟合修正SAR数据的最佳概率分布模型;
S4.根据最佳概率分布模型构建伴方差修正模型;
S5.基于伴方差修正模型使用CFAR算法提取海洋目标特征;
S6.对提取的海洋目标特征作可视化处理;
S7.完成基于伴方差修正模型的海洋目标特征提取。
4.根据权利要求2所述的基于伴方差修正模型的海洋目标特征提取方法,其特征在于,筛选(2)中提取的单元影像包括:
若不存在所有检测次数中都不是疑似目标的影像,则对窗口中的每个影像作分割,然后对分割后的影像重新检测,直到出现检测结果为非疑似目标的影像并对该影像重新执行筛选(2)中提取的单元影像;
若存在所有检测次数中都不是疑似目标的影像,则将单元影像的像素值保存到像素数组中。
6.根据权利要求3所述的基于伴方差修正模型的海洋目标特征提取方法,其特征在于,采用基于LogLogistic分布作为S4中的最佳概率分布模型,然后构建伴方差修正模型,基于伴方差修正模型使用CFAR算法提取海洋目标特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110324407.XA CN113033577B (zh) | 2021-03-26 | 2021-03-26 | 一种基于伴方差修正模型的海洋目标特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110324407.XA CN113033577B (zh) | 2021-03-26 | 2021-03-26 | 一种基于伴方差修正模型的海洋目标特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033577A CN113033577A (zh) | 2021-06-25 |
CN113033577B true CN113033577B (zh) | 2022-06-03 |
Family
ID=76474416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110324407.XA Active CN113033577B (zh) | 2021-03-26 | 2021-03-26 | 一种基于伴方差修正模型的海洋目标特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033577B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111025288A (zh) * | 2019-12-27 | 2020-04-17 | 森思泰克河北科技有限公司 | 安防雷达监测装置及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102109597B (zh) * | 2009-12-29 | 2013-04-10 | 中国科学院对地观测与数字地球科学中心 | 根据船舶的高分辨率sar影像识别船舶类型的方法 |
JP5872183B2 (ja) * | 2011-04-08 | 2016-03-01 | 株式会社ユニバーサルエンターテインメント | 情報処理システム、嗜好可視化システム及び検閲システム並びに嗜好可視化方法 |
CN105608691B (zh) * | 2015-12-17 | 2018-01-12 | 武汉大学 | 一种高分辨率sar影像单体建筑提取方法 |
KR20190133358A (ko) * | 2018-05-23 | 2019-12-03 | 현대자동차주식회사 | 청각장애인을 위한 차량의 경보시스템 및 그 제어방법 |
CN108765403A (zh) * | 2018-05-30 | 2018-11-06 | 合肥工业大学 | 一种多目标环境下的sar图像双参数cfar检测方法 |
CN109165272B (zh) * | 2018-08-21 | 2021-02-19 | 东北大学 | 面向高分遥感影像的地理信息可视化分析系统 |
CN110427981B (zh) * | 2019-07-11 | 2023-01-31 | 四川大学 | 基于深度神经网络的sar船舶检测系统及方法 |
-
2021
- 2021-03-26 CN CN202110324407.XA patent/CN113033577B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111025288A (zh) * | 2019-12-27 | 2020-04-17 | 森思泰克河北科技有限公司 | 安防雷达监测装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113033577A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN104851086B (zh) | 一种针对缆索表面缺陷的图像检测方法 | |
CN110008947B (zh) | 一种基于卷积神经网络的粮仓粮食数量监测方法及装置 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN112541481A (zh) | 一种基于深度学习的对海探测雷达目标检测方法 | |
CN108765403A (zh) | 一种多目标环境下的sar图像双参数cfar检测方法 | |
CN106646469B (zh) | 基于变异系数法的sar船只检测优化方法 | |
CN115170518A (zh) | 基于深度学习和机器视觉的细胞检测方法及系统 | |
CN112580542A (zh) | 一种基于目标检测的钢筋计数方法 | |
CN113899349B (zh) | 海浪参数检测方法、设备及存储介质 | |
CN113705505B (zh) | 一种面向海洋渔业的船舶目标检测方法和系统 | |
CN117237902B (zh) | 基于深度学习的机器人物体识别系统 | |
CN104881670B (zh) | 一种用于sar方位角估计的快速目标提取方法 | |
CN113033577B (zh) | 一种基于伴方差修正模型的海洋目标特征提取方法 | |
CN112101250A (zh) | 一种基于上下文语义感知的近岸舰船目标检测方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN113705672B (zh) | 图像目标检测的阈值选取方法、系统、装置及存储介质 | |
CN113406625A (zh) | 一种sar图像超像素滑窗cfar检测方法 | |
US20060093216A1 (en) | System and method for detection of ground glass objects and nodules | |
CN115240058A (zh) | 一种联合图像精准分割和目标阴影信息的侧扫声呐目标检测方法 | |
CN113534146A (zh) | 一种雷达视频图像目标自动检测方法与系统 | |
CN109785330A (zh) | 一种基于线性分割的海面区域提取方法 | |
CN112381792B (zh) | 基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法 | |
CN110705623B (zh) | 基于全卷积神经网络的海天线在线检测方法 | |
CN113989505B (zh) | 基于融合多层级模糊聚类软决策结果的sar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 | ||
GR01 | Patent grant |