CN113052117B - 一种ais数据辅助的sar图像的瑞利cfar检测方法 - Google Patents
一种ais数据辅助的sar图像的瑞利cfar检测方法 Download PDFInfo
- Publication number
- CN113052117B CN113052117B CN202110366768.0A CN202110366768A CN113052117B CN 113052117 B CN113052117 B CN 113052117B CN 202110366768 A CN202110366768 A CN 202110366768A CN 113052117 B CN113052117 B CN 113052117B
- Authority
- CN
- China
- Prior art keywords
- formula
- pixel
- target
- sar image
- window
- 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
- 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种AIS数据辅助的SAR图像的瑞利CFAR检测算法,包括:1.获取一幅SAR图像,设置由目标窗口和背景窗口组成的局部滑动窗口,通过与SAR图像匹配的AIS目标分布信息数据自动导出局部背景窗口中的舰船分布密度,并计算出自适应截断深度,然后计算背景窗口中像素的瑞利统计模型分布参数,继而得到截断规则,最后去除其中的异质点像素;2.采用最大似然估计法对保留的真实海杂波进行瑞利统计模型分布参数估计;3.采用瑞利分布对真实海杂波灰度概率密度进行建模;4.根据给定的检测虚警率建立判决规则,对目标窗口中的被测像素进行目标判别。本发明能在获得较高的舰船目标检测率的同时保持较低的虚警率。
Description
技术领域
本发明涉及SAR图像目标检测技术领域,具体涉及一种多舰船目标海况环境下基于AIS数据辅助的SAR图像瑞利CFAR舰船检测方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是雷达发展中的一项新技术,它是一种高分辨率主动式成像传感器。利用SAR遥感手段,可以对地物实现多极化、多波段、多视角的观测,获得的图像特征信息丰富,含有幅度、相位和极化等多种信息。由于SAR全天时、全天候的观测能力,利用SAR图像进行目标检测在海洋遥感领域得到高度重视,逐渐成为SAR图像海洋应用现阶段的研究热点。
由于SAR的成像特点,不同条件的海况呈现在SAR图像中的海杂波差别较大,多目标环境对应的SAR图像目标检测难度也相对较大。除此以外,随着经济迅速发展,全球化贸易量也不断增长,越来越多的船只被投入到航运当中,因此在一些海湾、港口或者航线上会不可避免地出现舰船拥堵的情况。在SAR图像中,多目标环境一般呈现为高强度灰度值的密集区域,也会对SAR图像目标检测精度产生极大的影响。
自动识别系统(Automatic Identification System,AIS)是用于监视海上船舶的自动跟踪报告系统。它最初的设计目的是为了避免船只碰撞并增强海上监督和航行安全。装载AIS设备的舰船会自动发送舰船相关信息,这些信息包括舰船大小尺寸、方位、航向角、速度、航行目的地等等。然而,由于部分舰船未装载AIS设备或者AIS设备未开启,则会出现AIS信息缺失的情况,例如非法驶入舰船等。
传统的恒虚警率(Constant False Alarm Rate,CFAR)检测方法设置了目标窗口、保护窗口、背景窗口组成的滑动窗口以适应背景杂波的变化,对背景杂波进行参数估计及概率建模,并由给定的虚警率(PFA)自适应计算出检测阈值,实现自适应CFAR检测。其中背景窗口的设计是为了屏蔽目标像素泄漏到背景窗口中对检测结果产生的影响,但在多目标环境的海况区域(如繁忙航线或港口)中,背景窗口中的高强度异质点像素无法被有效去除,导致估计的参数偏离真实值,影响灰度概率建模精度,最终导致目标检测率下降。
针对多目标环境海况下产生的检测率降低的问题,现已提出了大量基于样本截断的CFAR检测方法,这些方法通过迭代法去除异质像素,并对保留的杂波进行参数估计与概率建模,有效提升多目标环境海况下的目标检测率。然而这些方法通常依赖固定阈值进行杂波截断,若固定阈值选择有误,会导致大量的真实海杂波样本被去除或无法消除全部高强度异值点像素,造成参数估计准确度下降。除此之外,基于固定阈值的杂波截断及参数估计过程需要进行大量迭代计算,参数估计精度较差且效率较低。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种AIS数据辅助的SAR图像的瑞利CFAR检测方法,以期能有效去除背景窗口中的异质点像素,从而能在保证多目标环境中较高的舰船目标检测率的前提下保持较低的虚警率,并同时提升检测效率。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种AIS数据辅助的SAR图像的瑞利CFAR检测方法的特点是包括如下步骤:
步骤1:构建真实海杂波像素样本集:
步骤1.1:获取一幅SAR图像,以及与SAR图像相匹配的AIS信息数据,利用所述AIS信息数据绘制相应的AIS数据图像;
步骤1.2:设置由目标窗口和背景窗口组成的局部滑动窗口;
步骤1.3:根据式(1)计算AIS数据图像的背景窗口中的舰船目标分布密度ρ:
ρ=Nd/(L×L) (1)
式(1)中,Nd为AIS数据图像的背景窗口中的舰船目标像素,L为背景窗口的尺寸大小;
步骤1.4:根据式(2)得到背景窗口的自适应截断深度λ:
式(2)中,K表示自适应截断深度λ的强度权重,γ表示用于补偿自适应截断深度λ的固定值;
步骤1.5:根据式(3)计算SAR图像在所述背景窗口中的所有像素的瑞利统计模型的分布参数θ:
式(3)中,μ为SAR图像的背景窗口的均值;
步骤1.6:建立如式(4)所示的截断规则:
IB≥Tr=λ·θ (4)
式(4)中,Tr为截断阈值,IB为背景窗口中任一像素的灰度值;
步骤1.7:根据所述截断规则,去除SAR图像的背景窗口中满足截断规则的所有像素,从而得到截断后的真实海杂波像素样本集X′={x1′,x′2,...,x′i,...,x′n},其中,x′i表示真实海杂波像素样本集X′中第i个像素的灰度值,i∈[1,n],n表示像素数量:
步骤2:真实海杂波瑞利统计模型的分布参数估计:
步骤2.1:根据式(5)计算截断后的真实海杂像素样本集X′的灰度概率密度函数fX′(x,θ,Tr)为:
式(5)中:x为SAR图像中服从相应灰度概率密度函数的像素值,fX(x)为原始海杂波像素集的灰度概率密度函数,X为原始海杂波像素样本集,FX(Tr,θ)为fX(x)通过分布参数θ和截断阈值Tr计算的累积分布函数,并有:
步骤2.2:利用式(8)得到截断后的真实海杂波像素样本下的对数似然函数ln[ML(θ|X′)]:
式(8)中:ML(·)表示似然函数;
步骤2.3:利用式(9)得到被估的分布参数计算式,从而结合式(8)和式(9)并化简得到如式(10)所示的被估的分布参数方程:
步骤2.4:根据自适应截断深度λ,将式(7)与式(10)化简为如式(11)和式(12)所示:
式(13)中:α表示参数估计因子,并有:
步骤3:利用式(15)得到真实海杂波像素样本集X′的瑞利分布统计模型f(X′):
步骤4:根据给定的检测虚警率PFA,利用式(16)计算出比例因子:
步骤5:建立如式(17)所示的CFAR判决规则,然后利用所述判决规则对SAR图像在所述目标窗口中的待测像素进行目标判别,从而实现多目标环境下AIS数据辅助的SAR图像的瑞利CFAR检测:
式(17)中,IT是目标窗口中待测像素的灰度值,Td为判决阈值,当H1条件满足时,待测像素判定为目标像素,当H0条件满足时,待测像素被判定为海杂波像素。
与现有技术相比,本发明的有益效果在于:
1.本发明提出的多目标环境下AIS数据辅助的SAR图像的瑞利CFAR检测方法,通过AIS数据得出的密度信息指导自适应截断深度对原始SAR图像海杂波进行自适应截断,有效解决了现有CFAR检测方法在多目标环境下检测率低下的问题,实现了多目标环境下舰船目标的高效准确检测。
2.本发明采用AIS数据辅助下的自适应杂波截断方法,根据SAR图像匹配的AIS数据自适应地计算出截断深度,从而得到自适应截断阈值,有效地消除了背景窗口中的异质点像素,同时较好地保留了真实的杂波像素,在保证较高的多目标环境下舰船目标CFAR检测率的同时获得了较低虚警率。
3.本发明采用了最大似然估计方法,对自适应截断后的真实海杂波进行精确的参数估计和概率建模,解决了现有CFAR检测方法的模型拟合度低的问题,有效提高了真实海杂波概率密度模型的拟合优度,从而提升了多目标环境下舰船目标的检测性能。
4.本发明将AIS数据辅助下的自适应截断深度和最大似然估计方法相结合,得到参数估计的闭式解方法,解决了现有截断的CFAR检测方法因多次迭代运算耗时长和准确率低的问题,大幅提升了计算效率及参数估计的准确性。
附图说明
图1是本发明的SAR图像舰船CFAR检测方法的流程图;
图2a是本发明的多目标环境模拟海杂波图像;
图2b是与多目标环境模拟海杂波图像相匹配的模拟AIS信息数据图像;
图3是瑞利统计模型分布参数估计的均方绝对误差对应于固定截断深度γ和截断深度强度权重K的三维关系图;
图4是山东省青岛市附近海湾地区Radarsat-2原始图像;
图5a是待检测多目标环境区域真实SAR图像切片;
图5b是待检测多目标环境区域SAR图像切片所匹配的AIS信息数据图;
图5c是是待检测多目标环境区域SAR图像切片对应的舰船目标ground truth图;
图5d是双参数CFAR(TP-CFAR)检测方法结果图;
图5e是基于K分布的CFAR(K-CFAR)检测方法结果图;
图5f是基于瑞利分布的CFAR(R-CFAR)检测方法结果图;
图5g是改进的迭代审查方案CFAR(IICS-CFAR)检测方法结果图;
图5h是杂波截断CFAR(TS-CFAR)方法结果图;
图5i是自适应杂波截断对数CFAR(TS-LNCFAR)检测方法结果图;
图5j是自适应杂波截断CFAR(OR-CFAR)检测方法结果图;
图5k是超像素水平CFAR(SP-CFAR)检测方法结果图;
图5l是本发明中多目标环境下AIS数据辅助的SAR图像瑞利CFAR(AIS-RCFAR)检测方法结果图;
图6是本发明中提出的AIS-RCFAR检测方法与各种现有CFAR检测方法的ROC对比图。
具体实施方式
本实施例中,如图1所示,一种AIS数据辅助的SAR图像的瑞利CFAR检测方法包括如下步骤:
步骤1:构建真实海杂波像素样本集:
步骤1.1:获取一幅SAR图像,以及与SAR图像相匹配的AIS信息数据,利用AIS信息数据绘制相应的AIS数据图像;
步骤1.2:设置由目标窗口和背景窗口组成的局部滑动窗口;
步骤1.3:根据式(1)计算AIS数据图像的背景窗口中的舰船目标分布密度ρ:
ρ=Nd/(L×L) (1)
式(1)中,Nd为AIS数据图像的背景窗口中的舰船目标像素,L为背景窗口的尺寸大小;
步骤1.4:根据式(2)得到背景窗口的自适应截断深度λ:
式(2)中,K表示自适应截断深度λ的强度权重,γ表示用于补偿自适应截断深度λ的固定值;本实施例中,通过如图2a所示的多目标复杂环境下的模拟SAR图像去获取最佳的截断深度强度权重K以及用于补偿的固定截断深度γ的值,图2b是与图2a所匹配的AIS信息数据模拟图像,其中白色方框表示对应SAR图像中该处舰船目标的AIS信息缺失;
步骤1.5:根据式(3)计算SAR图像在背景窗口中的所有像素的瑞利统计模型的分布参数θ:
式(3)中,μ为SAR图像的背景窗口的均值;
步骤1.6:建立如式(4)所示的截断规则:
IB≥Tr=λ·θ (4)
式(4)中,Tr为截断阈值,IB为背景窗口中任一像素的灰度值;
步骤1.7:根据截断规则,去除SAR图像的背景窗口中满足截断规则的所有像素,从而得到截断后的真实海杂波像素样本集X′={x′1,x′2,...,x′i,...,x′n},其中,x′i表示真实海杂波像素样本集X′中第i个像素的灰度值,i∈[1,n],n表示像素数量;
本实施例中,根据式(4)所示的截断规则,以0.1为步长分别从0到5选择不同的固定截断深度γ和从5到10选择不同的截断深度强度权重K对SAR图像进行海杂波截断移除背景窗口内的异值点像素;
通过均方绝对误差为指标去评估参数估计精度,建立三维指标评估图像如图3所示,当固定截断深度γ设置为2.0,且截断深度强度权重K设置为8.5时,瑞利统计模型的被估参数精度最高。故选择截断深度强度权重K=8.5,固定截断深度γ=2.0。
步骤2:真实海杂波瑞利统计模型的分布参数估计:
步骤2.1:根据式(5)计算截断后的真实海杂像素样本集X′的灰度概率密度函数fX′(x,θ,Tr)为:
式(5)中:x为SAR图像中服从相应灰度概率密度函数的像素值,fX(x)为原始海杂波像素集的灰度概率密度函数,X为原始海杂波像素样本集,FX(Tr,θ)为fX(x)通过分布参数θ和截断阈值Tr计算的累积分布函数,并有:
步骤2.2:利用式(8)得到截断后的真实海杂波像素样本下的对数似然函数ln[ML(θ|X′)]:
式(8)中:ML(·)表示似然函数;
步骤2.3:利用式(9)得到被估分布参数的计算式,从而结合式(8)和式(9)并化简得到如式(10)所示的被估分布参数的方程:
步骤2.4:根据自适应截断深度λ,将式(7)与式(10)化简为如式(11)和式(12)所示:
式(13)中:α表示参数估计因子,并有:
步骤3:利用式(15)得到真实海杂波像素样本集X′的瑞利分布统计模型f(X′):
步骤4:根据给定的检测虚警率PFA计算出比例因子:
步骤4.1:瑞利统计分布模型的累积分布函数如式(16)所示:
步骤4.2:建立式(17)所示的比例因子t与虚警率PFA的方程:
式(17)中,Td为判决阈值;
步骤4.3:比例因子t的计算式如式(18)所示:
步骤5:建立如式(19)所示的CFAR判决规则,然后利用判决规则对SAR图像在目标窗口中的待测像素进行目标判别,从而实现多目标环境下AIS数据辅助的SAR图像的瑞利CFAR检测:
式(19)中,IT是目标窗口中待测像素的灰度值,Td为判决阈值,当H1条件满足时,待测像素判定为目标像素,当H0条件满足时,待测像素被判定为海杂波像素。
至此,多目标环境下AIS数据辅助的SAR图像瑞利CFAR检测方法基本完成。
以下通过Radarsat-2真实SAR图像实验进一步说明本发明的有效性。
Radarsat-2 SAR图像目标检测对比实验:
1.实验设置:
实验数据来自Radarsat-2卫星于2012年8月1日对山东省青岛市附近海湾地区成像的SAR数据,9m分辨率、C波段、VV极化,如图4所示。选取图4中白色方框标注的复杂海况区域进行实验,图像像素大小为450×450,如图5a所示。根据与图5a所匹配的AIS数据信息得到如图5b所示的AIS数据图像,其中白色方框代表该出舰船目标AIS信息缺失。舰船目标Ground truth图如图5c所示。实验中,采用双参数CFAR(TP-CFAR)、基于K分布的CFAR(K-CFAR)、基于瑞利分布的CFAR(R-CFAR)、改进的迭代审查方案CFAR(IICS-CFAR)、杂波截断CFAR(TS-CFAR)、自适应杂波截断对数CFAR(TS-LNCFAR)、自适应杂波截断(OR-CFAR)、超像素水平CFAR(SP-CFAR)与本发明提出的AIS数据辅助的SAR图像瑞利CFAR检测方法(AIS-RCFAR)进行检测性能对比,结果分别如图5d~图5l所示。
TP-CFAR、K-CFAR、R-CFAR、TS-CFAR与IICS-CFAR设置了目标窗口、保护窗口和背景窗口,它们的尺寸分别为:1×1、21×21和41×41。TS-LNCFAR、OR-CFAR和本发明提出的AIS-RCFAR仅设置目标窗口和背景窗口,它们的尺寸分别为:1×1和41×41。TS-CFAR在杂波截断时的截断比例设为25%;TS-LNCFAR和OR-CFAR在进行杂波截断时,采用的固定截断深度t设置为2.0。SP-CFAR超像素分割的初始尺寸为30×30,杂波截断时的截断比例设为10%。为了保证各算法的检测性能评估的公平性,各CFAR检测方法指定的虚警率均为10-5。
2.结果分析:
本实验采用检测率DR,虚警率FAR及检测目标数与真实目标数比D/T对本发明提出方法和对比方法进行定量分析,结果如表1所示,其中:
DR=ncd/nt (20)
FAR=nfd/(n×n-nt) (21)
式(20)和式(21)中:ncd是正确检测的目标像素数量,nt是目标像素总数,nfd是虚警像素数,n是背景窗口的尺寸。
表1各种CFAR检测方法性能评估指标
表2各种CFAR检测方法检测效率对比
结合图5d~图5l和表1和表2进行分析,其中的白色椭圆圈标记表示SAR图像中该处目标被漏检:TP-CFAR以正态分布为统计模型,使用背景窗口中包括异值点在内的所有杂波样本进行参数估计,被估参数偏高导致许多目标漏检,如图5d所示。K-CFAR以K分布为统计模型,使用背景窗口中的所有杂波样本进行参数估计,导致参数被估高而发生大量目标漏检,如图5e所示,且时间花费巨大使得效率极低。Ryal-CFAR以瑞利分布为统计模型,依然是使用背景窗口中包括异值点在内的所有杂波样本进行参数估计,使得被估参数值过高,分别导致了不同程度的目标漏检,如图5f所示。IICS-CFAR虽然通过迭代审查移除了部分高强度异值点,但是仍有部分异值点未被全部消除,导致被估参数偏高,部分目标漏检,如图5g所示,而且由于选用Gamma统计模型使得效率低下,总的花费时间远远超过K-CFAR。TS-CFAR虽然去除了背景窗口中灰度值较高的25%的像素,但它在消除高强度异质像素的同时也去除了许多高强度真实杂波样本,导致被估参数值偏低,产生较多虚警,如图5h所示,以Gamma为分布模型依然导致了巨大的计算量。TS-LNCFAR以对数正态分布为统计模型,检测性能主要取决于截断深度的选取,截断深度不会自适应改变,无法有效消除离群值,被估参数偏高使得部分舰船被漏检,如图5i所示。OR-CFAR以正态分布为统计模型,其检测性能主要取决于截断深度的最佳选取,且截断深度不会随杂波环境自适应改变,因此无法消除全部异常点,导致参数估计略微偏高,部分舰船目标发生漏检,如图5j所示。SP-CFAR采用超像素分割技术,利用超像素代替传统的滑动窗口,虽然有效地改善了杂波环境,并去除了10%的高强度异值点,但仍无法移除全部异值点,部分目标漏检,如图5k所示,而且计算效率相对偏低。本发明提出的AIS-RCFAR方法设计了AIS数据辅助的自适应杂波截断方法,它可以去除杂波样本中的高强度异质点像素的同时最大程度地保留真实海杂波样本,并通过最大似然估计实现参数精确估计,以极高的检测率获得较低的虚警率,如图5l所示。此外,通过Monte-Carlo仿真,得出了各种CFAR检测方法的接收机性能曲线(Receiver OperationCurve,ROC)对比图,如图6所示,本发明提出的AIS-RCFAR检测方法具有最好的ROC特性。
从表1和表2数据中可以看出:本发明提出的AIS-RCFAR检测方法不仅在保持较高的检测率的同时有效地降低了虚警率,而且具有较高的计算效率,在实际工程中具有较高的应用价值。
Claims (1)
1.一种AIS数据辅助的SAR图像的瑞利CFAR检测方法,其特征是包括如下步骤:
步骤1:构建真实海杂波像素样本集:
步骤1.1:获取一幅SAR图像,以及与SAR图像相匹配的AIS信息数据,利用所述AIS信息数据绘制相应的AIS数据图像;
步骤1.2:设置由目标窗口和背景窗口组成的局部滑动窗口;
步骤1.3:根据式(1)计算AIS数据图像的背景窗口中的舰船目标分布密度ρ:
ρ=Nd/(L×L) (1)
式(1)中,Nd为AIS数据图像的背景窗口中的舰船目标像素,L为背景窗口的尺寸大小;
步骤1.4:根据式(2)得到背景窗口的自适应截断深度λ:
式(2)中,K表示自适应截断深度λ的强度权重,γ表示用于补偿自适应截断深度λ的固定值;
步骤1.5:根据式(3)计算SAR图像在所述背景窗口中的所有像素的瑞利统计模型的分布参数θ:
式(3)中,μ为SAR图像的背景窗口的均值;
步骤1.6:建立如式(4)所示的截断规则:
IB≥Tr,Tr=λ·θ (4)
式(4)中,Tr为截断阈值,IB为背景窗口中任一像素的灰度值;
步骤1.7:根据所述截断规则,去除SAR图像的背景窗口中满足截断规则的所有像素,从而得到截断后的真实海杂波像素样本集X′={x′1,x′2,...,x′i,...,x′n},其中,x′i表示真实海杂波像素样本集X′中第i个像素的灰度值,i∈[1,n],n表示像素数量:
步骤2:真实海杂波瑞利统计模型的分布参数估计:
步骤2.1:根据式(5)计算截断后的真实海杂像素样本集X′的灰度概率密度函数fX′(x,θ,Tr)为:
式(5)中:x为SAR图像中服从相应灰度概率密度函数的像素值,fX(x)为原始海杂波像素集的灰度概率密度函数,X为原始海杂波像素样本集,FX(Tr,θ)为fX(x)通过分布参数θ和截断阈值Tr计算的累积分布函数,并有:
步骤2.2:利用式(8)得到截断后的真实海杂波像素样本下的对数似然函数ln[ML(θ|X′)]:
式(8)中:ML(·)表示似然函数;
步骤2.3:利用式(9)得到被估的分布参数计算式,从而结合式(8)和式(9)并化简得到如式(10)所示的被估的分布参数方程:
步骤2.4:根据自适应截断深度λ,将式(7)与式(10)化简为如式(11)和式(12)所示:
式(13)中:α表示参数估计因子,并有:
步骤3:利用式(15)得到真实海杂波像素样本集X′的瑞利分布统计模型f(X′):
步骤4:根据给定的检测虚警率PFA,利用式(16)计算出比例因子:
步骤5:建立如式(17)所示的CFAR判决规则,然后利用所述判决规则对SAR图像在所述目标窗口中的待测像素进行目标判别,从而实现多目标环境下AIS数据辅助的SAR图像的瑞利CFAR检测:
式(17)中,IT是目标窗口中待测像素的灰度值,Td为判决阈值,当H1条件满足时,待测像素判定为目标像素,当H0条件满足时,待测像素被判定为海杂波像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110366768.0A CN113052117B (zh) | 2021-04-06 | 2021-04-06 | 一种ais数据辅助的sar图像的瑞利cfar检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110366768.0A CN113052117B (zh) | 2021-04-06 | 2021-04-06 | 一种ais数据辅助的sar图像的瑞利cfar检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052117A CN113052117A (zh) | 2021-06-29 |
CN113052117B true CN113052117B (zh) | 2022-11-08 |
Family
ID=76517635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110366768.0A Active CN113052117B (zh) | 2021-04-06 | 2021-04-06 | 一种ais数据辅助的sar图像的瑞利cfar检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052117B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118097454A (zh) * | 2024-04-26 | 2024-05-28 | 尔特数据科技(江苏)有限公司 | 利用卫星影像测度港口集装箱码头拥堵状况的方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0822468D0 (en) * | 2008-12-10 | 2009-01-14 | Qinetiq Ltd | Method for mitigating the effects of clutter and interference on a radar system |
US8422738B1 (en) * | 2008-08-25 | 2013-04-16 | The United States Of America As Represented By The Secretary Of The Navy | Adaptive automated synthetic aperture radar vessel detection method with false alarm mitigation |
CN105046706A (zh) * | 2015-07-13 | 2015-11-11 | 北京化工大学 | 基于有理多项式函数拟合海杂波的sar图像船只检测方法 |
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN107728111A (zh) * | 2017-09-22 | 2018-02-23 | 合肥工业大学 | 基于空间相关特性的sar图像联合cfar检测方法 |
CN107748361A (zh) * | 2017-09-22 | 2018-03-02 | 合肥工业大学 | 基于截断杂波统计的sar图像双参数cfar检测方法 |
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 |
CN108764163A (zh) * | 2018-05-30 | 2018-11-06 | 合肥工业大学 | 多目标环境下基于灰度相关特性的cfar检测方法 |
CN109766811A (zh) * | 2018-12-31 | 2019-05-17 | 复旦大学 | 一种星载sar图像中海面船只的端到端检测与识别方法 |
CN110837078A (zh) * | 2018-08-16 | 2020-02-25 | 国家海洋局第一海洋研究所 | 基于相关特性的阵列地波雷达海杂波背景下目标检测方法 |
-
2021
- 2021-04-06 CN CN202110366768.0A patent/CN113052117B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8422738B1 (en) * | 2008-08-25 | 2013-04-16 | The United States Of America As Represented By The Secretary Of The Navy | Adaptive automated synthetic aperture radar vessel detection method with false alarm mitigation |
GB0822468D0 (en) * | 2008-12-10 | 2009-01-14 | Qinetiq Ltd | Method for mitigating the effects of clutter and interference on a radar system |
CN105046706A (zh) * | 2015-07-13 | 2015-11-11 | 北京化工大学 | 基于有理多项式函数拟合海杂波的sar图像船只检测方法 |
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN107728111A (zh) * | 2017-09-22 | 2018-02-23 | 合肥工业大学 | 基于空间相关特性的sar图像联合cfar检测方法 |
CN107748361A (zh) * | 2017-09-22 | 2018-03-02 | 合肥工业大学 | 基于截断杂波统计的sar图像双参数cfar检测方法 |
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 |
CN108764163A (zh) * | 2018-05-30 | 2018-11-06 | 合肥工业大学 | 多目标环境下基于灰度相关特性的cfar检测方法 |
CN110837078A (zh) * | 2018-08-16 | 2020-02-25 | 国家海洋局第一海洋研究所 | 基于相关特性的阵列地波雷达海杂波背景下目标检测方法 |
CN109766811A (zh) * | 2018-12-31 | 2019-05-17 | 复旦大学 | 一种星载sar图像中海面船只的端到端检测与识别方法 |
Non-Patent Citations (7)
Title |
---|
AIS-Based Evaluation of Target Detectors and SAR Sensors Characteristics for Maritime Surveillance;Ramona Pelich 等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20150831;第8卷(第8期);3892-3901 * |
An Adaptively Truncated Clutter-Statistics-Based Two-Parameter CFAR Detector in SAR Imagery;Jiaqiu Ai 等;《IEEE Journal of Oceanic Engineering》;20180131;第43卷(第1期);267-279 * |
Outliers-Robust CFAR Detector of Gaussian Clutter Based on the Truncated-Maximum-Likelihood- Estimator in SAR Imagery;Jiaqiu Ai 等;《IEEE Transactions on Intelligent Transportation Systems 》;20200531;第21卷(第5期);2039-2049 * |
基于灰度相关性的SAR图像联合CFAR舰船检测算法;艾加秋;《雷达科学与技术》;20141231;第12卷(第2期);149-155+160 * |
星载AIS多波速天线的研究与仿真;白胜美;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180315;第2018年卷(第3期);I136-69 * |
船舶AIS轨迹快速自适应谱聚类算法;牟军敏 等;《哈尔滨工程大学学报》;20181231;第39卷(第3期);428-432 * |
高频地波雷达船舶目标检测算法研究;高丽清;《中国优秀硕士论文全文数据库工程科技Ⅱ辑》;20190115;第2019年卷(第1期);C036-310 * |
Also Published As
Publication number | Publication date |
---|---|
CN113052117A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | HRSID: A high-resolution SAR images dataset for ship detection and instance segmentation | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN107025654B (zh) | 基于全局迭代检查的sar图像自适应船只检测方法 | |
CN109409283A (zh) | 一种海面舰船跟踪和监控的方法、系统和存储介质 | |
CN112882059B (zh) | 一种基于激光雷达的无人船内河障碍物感知方法 | |
CN110414396A (zh) | 一种基于深度学习的无人艇感知融合算法 | |
CN111157982A (zh) | 基于岸基雷达的智能船舶船岸协同目标跟踪系统和方法 | |
CN107942329B (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
CN108764163A (zh) | 多目标环境下基于灰度相关特性的cfar检测方法 | |
CN113985419A (zh) | 水面机器人协同障碍物检测及避障方法及系统 | |
CN108765403A (zh) | 一种多目标环境下的sar图像双参数cfar检测方法 | |
CN116482644B (zh) | 一种海雾识别方法 | |
CN108229342A (zh) | 一种海面舰船目标自动检测方法 | |
CN113177593B (zh) | 一种水上交通环境中雷达点云与影像数据的融合方法 | |
CN113112540B (zh) | 一种在vts系统中使用ais标定cctv摄像头进行船舶图像目标定位的方法 | |
CN113052117B (zh) | 一种ais数据辅助的sar图像的瑞利cfar检测方法 | |
CN112487912A (zh) | 基于改进YOLOv3的任意方向舰船检测方法 | |
Mullane et al. | X-band radar based SLAM in Singapore's off-shore environment | |
CN111105419B (zh) | 一种基于极化sar图像的车辆船舶检测方法及装置 | |
Wang et al. | Research of obstacle recognition method for USV based on laser radar | |
Zhang et al. | Object detection and tracking method of AUV based on acoustic vision | |
CN113837924A (zh) | 一种基于无人艇感知系统的水岸线检测方法 | |
CN114445572B (zh) | 一种基于DeeplabV3+的陌生海域中障碍物即时定位与地图构建方法 | |
CN115346133A (zh) | 一种基于光学卫星影像的舰船检测方法与系统 | |
CN116246139A (zh) | 一种无人艇航行环境基于多传感器融合的目标识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |