CN113256667B - 一种基于Otsu与联合分布的SAR图像舰船目标检测方法 - Google Patents
一种基于Otsu与联合分布的SAR图像舰船目标检测方法 Download PDFInfo
- Publication number
- CN113256667B CN113256667B CN202110402242.3A CN202110402242A CN113256667B CN 113256667 B CN113256667 B CN 113256667B CN 202110402242 A CN202110402242 A CN 202110402242A CN 113256667 B CN113256667 B CN 113256667B
- Authority
- CN
- China
- Prior art keywords
- detection
- distribution
- otsu
- 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
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于Otsu与联合分布的SAR图像舰船目标检测方法,主要包括:在待检测的合成孔径雷达扫描图像上选取样本区域;判断该样本区域是否为均匀区域;采用核密度估计器在对数强度域对杂波边缘分布进行估计,建立Otsu与联合分布模型并进行参数估计和构建统计量;根据滑窗内测试特征和各个特征的直方图拟合分布获取检测阈值;基于滑窗内检测特征和检测阈值的比较结果,初步判定滑窗内是否存在目标像素点;迭代遍历整幅图像,得到检测结果。本发明在联合分布模型的基础上,通过二维Otsu分割算法,建立Otsu与联合分布模型,改进了传统CFAR检测方法的参考窗口移动方式,不仅提高了杂波模型的精确度,还提高了检测效率。
Description
技术领域
本发明涉及信息处理技术领域,具体而言,尤其涉及一种基于Otsu与联合分布的SAR图像舰船目标检测方法。
背景技术
近年来,人们对海事问题愈发关注,其中利用SAR(Synthetic Aperture Radar,合成孔径雷达)图像对海上舰船目标进行检测己经成为世界各国研究的热点。SAR图像中包含丰富的舰船目标结构和形态信息,经过有效的处理,可以实现对舰船目标的自动检测,进而应用在民用和军用的各个领域。
海杂波的精确建模是SAR图像中CFAR舰船目标检测方法的第一步。各类研究用于拟合SAR图像背景杂波直方图分布的经典统计分布模型有高斯分布模型、瑞利分布模型、韦布尔分布模型、对数正态分布模型以及 K分布模型等。为了适应海杂波区域不一定全是均匀同质的情况,产生了 4种最基本的CFAR检测器,分别是CA-CFAR(单元平均)检测器、 GO-CFAR(最大选择)检测器、SO-CFAR(最小选择)检测器和OS-CFAR (有序统计量)检测器,分别适用于不同场景。另外研究人员在高斯混合模型(GMN)的基础上提出了基于对数正态分布混合模型(LMM)的高效CFAR算法,提高了检测效率。但当测试区域像素不再为单一像素时,以上方法估计结果会有很大偏差。近年来,利用神经网络对海杂波进行建模也取得了良好的成果,该方法的建模准确性大大提升,但却需要大量的样本进行实验。基于联合分布的SAR图像舰船目标检测算法则很好地平衡了检测时间和检测结果冲突问题,而且可以更准确的描述复杂的海杂波背景。该方法使用非参数核密度估计器估计边缘分布,并引入参数COPULA模型来表征空间相关性,即分别考虑边缘分布和相关结构来描述联合分布。但是若选取的样本区域相对非均匀,则估计的杂波分布会有较大偏差,造成后续检测的虚警数目增加,检测率降低。另外,在时间上,融合相关性的建模方法所用时间会多于传统的建模方法,导致检测时间较长等问题出现。
发明内容
根据上述提出现有方法中在样本非均匀的应用场景下存在的检测精确度偏低的技术问题,而提供一种基Otsu与联合分布的SAR图像舰船目标检测方法。本发明在联合分布模型的基础上,通过二维Otsu分割算法,建立Otsu 与联合分布模型,改进了传统CFAR检测方法的参考窗口移动方式,不仅提高了杂波模型的精确度,还提高了检测效率。
本发明采用的技术手段如下:
一种基于Otsu与联合分布的SAR图像舰船目标检测方法,包括:
获取待检测的合成孔径雷达扫描图像;
设置窗口尺寸和虚警率,所述窗口包括参考窗口、保护窗口以及测试窗口;
在待检测的合成孔径雷达扫描图像上选取用于估计的样本区域;
统计所述样本区域的平均像素值,根据该平均像素值与最佳均匀区域阈值的比较结果,判断该样本区域是否为均匀区域,若不是均匀区域则重新选取样本区域,其中最佳均匀区域二维阈值根据样本区域像素的灰度值分布和邻域像素的平均灰度值分布通过二维Otsu算法获取;
采用核密度估计器在对数强度域对杂波边缘分布进行估计,并通过 COPULA方法估计潜在的空间相关结构,建立Otsu与联合分布模型并进行参数估计和构建统计量;
根据滑窗内测试特征和各个特征的直方图拟合分布获取检测阈值;
基于滑窗内检测特征和检测阈值的比较结果,初步判定滑窗内是否存在目标像素点;
迭代遍历整幅图像,得到检测结果。
进一步地,所述最佳均匀区域阈值根据样本区域像素的灰度值分布和邻域像素的平均灰度值分布通过二维Otsu算法获取,包括:
对样本区域图像的灰度以及图像中以每个像素点为中心的邻域的平均灰度进行分级;
任意设定一个均匀阈值,并利用该均匀阈值分别表示样本区域图像中前景区域对应的概率、前景区域对应的均值矢量、后景区域对应的概率、后景区域对应的均值矢量以及整样本区域对应的均值矢量;
根据所述前景区域对应的概率、前景区域对应的均值矢量、后景区域对应的概率、后景区域对应的均值矢量以及整样本区域对应的均值矢量获取样本图像的类间散度矩阵;
基于所述类间散度矩阵求取最佳均匀区域阈值。
进一步地,所述采用核密度估计器在对数强度域对杂波边缘分布进行估计,并估计潜在的空间相关结构,建立Otsu与联合分布模型并进行参数估计和构建统计量,包括:
通过KDE方式估计获取边缘分布函数;
根据边缘分布函数获取联合累积分布函数;
选取高斯COPULA对相关结构进行建模并转换,从而得到高斯训练向量;
根据所述高斯训练向量获取参数估计式和构建统计量。
进一步地,根据滑窗内测试特征和各个特征的直方图拟合分布获取检测阈值,包括:
对待检测图像进行分块;
获取每一块图像的测试特征,所述测试特征根据该图像的最大像素值和图像的像素均值获取;
综合各个测试特征求得所述测试特征符合的正态分布特征参数;
利用正态分布的逆函数结合虚警率获取检测阈值。
进一步地,基于滑窗内检测特征和检测阈值的比较结果,初步判定滑窗内是否存在目标像素点,包括:
计算窗口内像素的检测特征值并与检测阈值进行比较,从第一个像素开始;计算检测窗口内像素的检测特征值并与检测阈值进行比较,从第一个像若检测特征值>检测阈值,判断窗口内存在疑似目标,则窗口移动一个像素,进行下一次比较;若检测特征值<检测阈值,判断窗口内不存在疑似目标,滑窗向右移动半个滑窗距离,进行下一次比较。
较现有技术相比,本发明具有以下优点:
1、本发明提供的基于Otsu与联合分布的SAR图像舰船目标检测方法,在联合分布模型的基础上,通过二维Otsu分割算法,计算出阈值,建立Otsu 与联合分布模型。相较于传统的高斯分布、对数正态分布、瑞利分布、K分布等模型,不仅加入了空间相关特性,并且保证了选取估计样本区域的准确性,从而提高了杂波模型的精确度。
2、本发明提供的基于Otsu与联合分布的SAR图像舰船目标检测方法,针对一些待测图像中,目标点并不丰富,绝大多数像素均为杂波背景,没有逐个判定的必要的问题,改进了传统CFAR检测方法的参考窗口移动方式,先判断窗口内是否存在疑似目标,若判定为存在疑似目标,则窗口进行单像素滑动;若是判定不存在疑似目标,窗口移动半个窗口的距离,使其更适应目标点并不丰富的SAR图像数据,从而减少检测时间,提高检测效率。
基于上述理由本发明可在信息处理等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
图2为本发明实施例提供的二维Otsu算法阈值分割的示意图。
图3为本发明实施例提供的二维Otsu算法阈值分割的直方图。
图4为本发明实施例提供的CFAR检测算法窗口设置。
图5为本发明实施例提供的参数S示意图。
图6为本发明实施例提供的ERS-2SAR图像中截取的91×91均匀海杂波区域切片。
图7为本发明实施例提供的经验CDF曲线和应用本文基于Otsu与联合分布模型进行建模的理论CDF曲线。
图8为本发明实施例提供的对ERS-2SAR图像数据的实验组1进行检测的结果示意图。
图9为本发明实施例提供的对ERS-2SAR图像数据的实验组2进行检测的结果示意图。
图10为本发明实施例提供的对实验组1获得的接收机工作特性曲线示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,本发明提供了一种基于Otsu与联合分布的SAR图像舰船目标检测方法,主要包括:
步骤S1:初始值设置。设置参考窗口尺寸(包括目标区域、保护区域、杂波区域)和虚警率Pfa。优选地,本实施例中的初始值设置为:参考窗口为31×31、保护窗口为21×21、测试窗口为3×3,虚警率Pfa为0.005。虚警率也就是虚警概率,指的是实际不存在目标却判断为有目标的概率。本发明的方法属于恒虚警概率(CFAR)检测方法,因此设置不需要参考其他参量的影响。
步骤S2:选取用于估计的样本区域。具体来说,选取用于估计的样本区域的步骤是在待检测图像的背景杂波区域手动选取杂波样本,再通过二维Otsu算法判断是否为相对均匀杂波区域。
步骤S3:将所选取的样本区域的平均像素值M与采用二维Otsu算法计算得到的阈值T1(s1,t1)进行比较,若M<s1且M<t1,判定为相对均匀区域,进行后续模型建立;否则,返回步骤2。
优选地,在该步骤中,二维Otsu算法要同时考虑像素的灰度值分布和它们邻域像素的平均灰度值分布,因此形成的阈值是一个二维矢量,最佳的阈值在一个二维的测度准则下确定最大值时得到。
具体来说,设图像I(x,y)的灰度级为L级,f(x,y)为像素点(x,y)的灰度值,那么图像中每个以像素点(x,y)为中心的邻域K*K的平均灰度也分为L级,其平均灰度值的集合为g(x,y)。令f(x,y)=i,g(x,y)=j,就形成了一个二元组(i,j)。设二元组(i,j)出现的次数为fi,j,二元组对应的概率密度Pi,j=fi,j/N,i,j=1,2,…, L,其中N为图像像素点总数。
任意选取一个阈值向量(s,t),该阈值向量将图像的二维直方图划分成前景区域和背景区域,具有两个不同的概率密度函数分布。
前景区域C对应的概率为
其对应的均值矢量为
后景区域B对应的概率
其对应的均值矢量
整个样本所对应的均值矢量
最佳阈值T1(s1满足下式
其中,SB为类间散度矩阵,并且
步骤S4:采用核密度估计器(KDE)在对数强度域对杂波边缘分布进行估计,并通过COPULA方法估计潜在的空间相关结构,结合步骤S3的二维 Otsu算法,建立Otsu与联合分布模型并进行参数估计、构建统计量。
优选地,在该步骤中测试样本为X=(X1,X2,...,Xd)T,其中Xi,i=1,2,…d表示的输入的原始SAR图像的各像素值。测试样本X=(X1,X2,...,Xd)T的边缘分布 Ui=F(Xi),i=1,2,...,d由KDE估计得到:
其中,I1、I2、...为杂波样本的强度值,N为参考窗口杂波样本个数,h 为最优带宽:
其中,pn(x)是乘性噪声n的边际概率密度函数(Probability density function,PDF)。根据所选取的均匀杂波区域的样本数量重新调整所得带宽为
其中,N0为选取的均匀杂波区域的样本个数。
假设测试样本X=(X1,X2,...,Xd)T在参考窗口测试区域内的边缘分布估计值已知,F(x)表示边缘分布的CDF,进行如下变换
Ui=F(Xi),i=1,2,...,d
上述转换的原理是,通过这样做Ui将成为一个均匀分布的随机变量。因此,变换后的随机向量U=(U1,U2,...,Ud)T与任何特定的边缘分布形式无关,其联合分布仅仅反映了X=(X1,X2,...,Xd)T的相关结构。在统计学中,这种关系被称为COPULA。具体地说,X的COPULA被定义为U的联合累积分布函数 (CDF),即
C(u1,u2,...,ud)=P{U1≤u1,U2≤u2,...,Ud≤ud}
COPULA理论指出,根据sklar定理,X的联合累积分布函数可以用它的边缘累积分布函数和COPULA完全描述,即
F(x1,x2,...,xd)=P{X1≤x1,X2≤x2,...,Xd≤xd}
=C(F(x1),F(x2),...,F(xd))
其中,F(x1,x2,...,xd)是X的联合累积分布函数,F(x)是边缘分布函数。
为了得到参考窗口内的测试区域中像素块X=(X1,X2,...,Xd)T的空间相关性,即估计X的COPULA值,选取高斯COPULA对相关结构进行建模。根据定义,高斯COPULA的一个参数相关矩阵∑可以写成
C(u1,u2,...,ud)=Φ∑(Φ-1(u1),Φ-1(u2),...,Φ-1(ud))
其中,Φ-1(u)是标准正态分布的逆函数;Φ∑(x1,x2,...,xd)是均值为零、协方差矩阵为∑的联合正态累积分布;式(3.42)表明,如果U=(U1,U2,...,Ud)属于高斯copula,转换后的随机向量Y=(Φ-1(U1),Φ-1(U2),...,Φ-1(Ud))是均值为零、协方差矩阵为∑的联合高斯分布。因此,对于一个随机向量X=(X1,X2,...,Xd)服从边缘分布F(x)和高斯COPULA,它可以通过以下转换变换为高斯训练向量Y
Y的联合PDF为多元高斯函数
将参考窗口的目标区域设为3×3,因此将样本随机选取d=3×3块。高斯 COPULA协方差矩阵的估计式为
构造统计量为
其中,χ(t)表示阶跃函数如果t>0,则χ(t)=1,否则χ(t)=0。
步骤S5:定义参数S=max{I}-μ为检测特征,待检测图片分为n块子区域,得到n个S值,进而求出检测阈值T=Φ-1(1-pfa)σ+μ;
具体来说,将选取的图片分成n块子区域,对每一块子区域求其对应的参数S值,一共得到n个S值。由于图像中的目标相对背景较少,因此每块区域的像素均值μ不会差别太大,但是存在疑似目标的子区域其最大像素值会比不存在疑似目标子区域的最大像素值高,从而参数S要更大。由n个参数S直方图拟合可以得出其更服从对数正态分布,根据对数正态分布的参数估计和恒虚警可以求出阈值T,其求解公式为:
T=Φ-1(1-Pfa)σ+μ。
其中,I代表图像的像素值,μ代表图像的像素均值,σ为S的标准差,μ为S的均值,Pfa为虚警率。
步骤S6:初步判定滑窗内是否存在目标像素点,具体过程如下:
计算窗口内像素的S值并与阈值T进行比较,从第一个像素i=1开始;计算检测窗口内像素的S值并与步骤S5中计算的阈值T进行比较,从第一个像素i=1开始;若S>T,判断窗口内存在疑似目标,则窗口移动一个像素,下一步进行i+1操作;若S<T,判断窗口内不存在疑似目标,滑窗向右移动半个滑窗距离,下一步进行i+1操作。
步骤S7迭代遍历整幅图像,得到检测结果,检测结果显示为检测后的二值图像。
本发明的效果可通过以下仿真实验进一步说明:
1)实验数据:
实验所用数据为公开的两组ERS-2SAR图像数据,实验组1采用的SAR 图像数据虽受噪声干扰,但舰船目标清晰可见,图像大小为500×500,7个舰船目标;实验组2采用的SAR图像数据杂波干扰,背景变化较为剧烈,目标点模糊,图像大小为654×469,19个舰船目标。
2)实验内容及结果分析:
为验证本文的算法的有效性,用真实的SAR图像数据分别进行了海杂波建模实验以及算法的检测实验。本实验在CPU为Intel酷睿i5 4200M、Matlab R2016a的实验环境下进行。
海杂波建模实验
图6为从ERS-2SAR图像中截取的91×91均匀海杂波区域。绘制经验 CDF曲线和应用本发明Otsu与联合分布模型进行建模的理论CDF曲线如图 7。结果表明,本文方法和真实SAR图像数据杂波有良好的一致性。
用本发明方法与现有方法对上述实验数据进行对比实验
现有方法包括:OS-CFAR检测算法、基于LMM模型的CFAR检测算法。
从图8和表1可以看出,在目标非常清晰的SAR图像上,OS-CFAR算法检测效果差,有大量虚警,LMM算法检测虚警较少但检测时间较长,联合分布检测算法和本发明的检测算法可以清晰的检测出目标,但本发明的检测算法品质因数为1,是几种算法中最高的。从图9和表2可以看出,本发明检测算法则可以明确地检测出舰船目标,目标像素清晰,对比其他算法虚警少,所用检测时间少。图10为使用本发明的检测算法与其他几种检测算法获得的接收机工作特性曲线。该曲线表明,本文发明的方法较其他3种检测方法具有更高的检测精度。
表1实验组1检测方法运行时间对比结果
表2实验组2检测方法运行时间对比结果
综上所述,本文提出的基于Otsu与联合分布的SAR图像舰船目标检测方法可以更准确的检测舰船目标,并可以减少检测时间,本文算法要由于其他几种检测算法。上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于Otsu与联合分布的SAR图像舰船目标检测方法,其特征在于,包括:
获取待检测的合成孔径雷达扫描图像;
设置窗口尺寸和虚警率,所述窗口包括参考窗口、保护窗口以及测试窗口;
在待检测的合成孔径雷达扫描图像上选取用于估计的样本区域;
统计所述样本区域的平均像素值,根据该平均像素值与最佳均匀区域阈值的比较结果,判断该样本区域是否为均匀区域,若不是均匀区域则重新选取样本区域,其中最佳均匀区域二维阈值根据样本区域像素的灰度值分布和邻域像素的平均灰度值分布通过二维Otsu算法获取;
采用核密度估计器在对数强度域对杂波边缘分布进行估计,并通过COPULA方法估计潜在的空间相关结构,建立Otsu与联合分布模型并进行参数估计和构建统计量;
根据滑窗内测试特征和各个特征的直方图拟合分布获取检测阈值;
基于滑窗内检测特征和检测阈值的比较结果,初步判定滑窗内是否存在目标像素点;
迭代遍历整幅图像,得到检测结果。
2.根据权利要求1所述的基于Otsu与联合分布的SAR图像舰船目标检测方法,其特征在于,所述最佳均匀区域阈值根据样本区域像素的灰度值分布和邻域像素的平均灰度值分布通过二维Otsu算法获取,包括:
对样本区域图像的灰度以及图像中以每个像素点为中心的邻域的平均灰度进行分级;
任意设定一个均匀阈值,并利用该均匀阈值分别表示样本区域图像中前景区域对应的概率、前景区域对应的均值矢量、后景区域对应的概率、后景区域对应的均值矢量以及整样本区域对应的均值矢量;
根据所述前景区域对应的概率、前景区域对应的均值矢量、后景区域对应的概率、后景区域对应的均值矢量以及整样本区域对应的均值矢量获取样本图像的类间散度矩阵;
基于所述类间散度矩阵求取最佳均匀区域阈值。
3.根据权利要求1所述的基于Otsu与联合分布的SAR图像舰船目标检测方法,其特征在于,所述采用核密度估计器在对数强度域对杂波边缘分布进行估计,并估计潜在的空间相关结构,建立Otsu与联合分布模型并进行参数估计和构建统计量,包括:
通过KDE方式估计获取边缘分布函数;
根据边缘分布函数获取联合累积分布函数;
选取高斯COPULA对相关结构进行建模并转换,从而得到高斯训练向量;
根据所述高斯训练向量获取参数估计式和构建统计量。
4.根据权利要求1所述的基于Otsu与联合分布的SAR图像舰船目标检测方法,其特征在于,根据滑窗内测试特征和各个特征的直方图拟合分布获取检测阈值,包括:
对待检测图像进行分块;
获取每一块图像的测试特征,所述测试特征根据该图像的最大像素值和图像的像素均值获取;
综合各个测试特征求得所述测试特征符合的正态分布特征参数;
利用正态分布的逆函数结合虚警率获取检测阈值。
5.根据权利要求1所述的基于Otsu与联合分布的SAR图像舰船目标检测方法,其特征在于,基于滑窗内检测特征和检测阈值的比较结果,初步判定滑窗内是否存在目标像素点,包括:
计算窗口内像素的检测特征值并与检测阈值进行比较,从第一个像素开始;计算检测窗口内像素的检测特征值并与检测阈值进行比较,从第一个像若检测特征值>检测阈值,判断窗口内存在疑似目标,则窗口移动一个像素,进行下一次比较;若检测特征值<检测阈值,判断窗口内不存在疑似目标,滑窗向右移动半个滑窗距离,进行下一次比较。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110402242.3A CN113256667B (zh) | 2021-04-14 | 2021-04-14 | 一种基于Otsu与联合分布的SAR图像舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110402242.3A CN113256667B (zh) | 2021-04-14 | 2021-04-14 | 一种基于Otsu与联合分布的SAR图像舰船目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256667A CN113256667A (zh) | 2021-08-13 |
CN113256667B true CN113256667B (zh) | 2023-07-21 |
Family
ID=77220775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110402242.3A Active CN113256667B (zh) | 2021-04-14 | 2021-04-14 | 一种基于Otsu与联合分布的SAR图像舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256667B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723253B (zh) * | 2021-08-23 | 2023-06-20 | 西安电子科技大学 | 基于杂波预分类的运动目标检测方法 |
CN113705505B (zh) * | 2021-09-02 | 2024-05-17 | 浙江索思科技有限公司 | 一种面向海洋渔业的船舶目标检测方法和系统 |
CN115128548B (zh) * | 2022-05-27 | 2023-04-25 | 西安电子科技大学杭州研究院 | 一种sar射频干扰检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772379A (zh) * | 2017-03-22 | 2017-05-31 | 西安电子科技大学 | 基于傅里叶变换的双参数cfar舰船检测方法 |
CN107025654A (zh) * | 2016-02-01 | 2017-08-08 | 南京理工大学 | 基于全局迭代检查的sar图像自适应船只检测方法 |
CN111008585A (zh) * | 2019-11-29 | 2020-04-14 | 西安电子科技大学 | 基于自适应分层高分辨sar图像的舰船目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8686892B2 (en) * | 2011-08-05 | 2014-04-01 | Raytheon Company | Synthetic aperture radar chip level cross-range streak detector |
-
2021
- 2021-04-14 CN CN202110402242.3A patent/CN113256667B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025654A (zh) * | 2016-02-01 | 2017-08-08 | 南京理工大学 | 基于全局迭代检查的sar图像自适应船只检测方法 |
CN106772379A (zh) * | 2017-03-22 | 2017-05-31 | 西安电子科技大学 | 基于傅里叶变换的双参数cfar舰船检测方法 |
CN111008585A (zh) * | 2019-11-29 | 2020-04-14 | 西安电子科技大学 | 基于自适应分层高分辨sar图像的舰船目标检测方法 |
Non-Patent Citations (1)
Title |
---|
基于局部窗口K分布的快速舰船检测算法;张颢;孟祥伟;李德胜;刘磊;;计算机应用(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113256667A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113256667B (zh) | 一种基于Otsu与联合分布的SAR图像舰船目标检测方法 | |
Li et al. | An improved superpixel-level CFAR detection method for ship targets in high-resolution SAR images | |
Zhai et al. | Inshore ship detection via saliency and context information in high-resolution SAR images | |
Li et al. | Content-partitioned structural similarity index for image quality assessment | |
Wang et al. | Ship detection in SAR images via local contrast of Fisher vectors | |
CN104408482B (zh) | 一种高分辨率sar图像目标检测方法 | |
CN105549009B (zh) | 一种基于超像素的sar图像cfar目标检测方法 | |
CN106709928A (zh) | 一种快速的含噪图像二维最大类间方差阈值法 | |
Kim et al. | Visual saliency in noisy images | |
CN112802020B (zh) | 基于图像修补和背景估计的红外弱小目标检测方法 | |
CN106772379B (zh) | 基于傅里叶变换的双参数cfar舰船检测方法 | |
CN107784655A (zh) | 一种自适应阈值的视觉注意模型sar舰船检测算法 | |
US9183671B2 (en) | Method for accelerating Monte Carlo renders | |
CN116012364B (zh) | Sar图像变化检测方法和装置 | |
Hwang et al. | A practical algorithm for the retrieval of floe size distribution of Arctic sea ice from high-resolution satellite Synthetic Aperture Radar imagery | |
CN110703215A (zh) | 一种基于支持向量机的机载sar成像质量评估方法 | |
Rodriguez-Blanco et al. | Multiframe GLRT-based adaptive detection of multipixel targets on a sea surface | |
CN110349188A (zh) | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 | |
CN114724218A (zh) | 视频检测方法、装置、设备及介质 | |
CN113674308A (zh) | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 | |
CN104537384B (zh) | 一种结合似然比判决的sar目标鉴别方法 | |
Gao et al. | Fast two‐dimensional subset censored CFAR method for multiple objects detection from acoustic image | |
Brown | Analysis of multiple-view Bayesian classification for SAR ATR | |
CN111967403B (zh) | 视频移动区域确定方法、装置及电子设备 | |
CN112734666B (zh) | 基于相似值的sar图像相干斑非局部均值抑制方法 |
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 |