CN113362293A - 一种基于显著性的sar图像舰船目标快速检测方法 - Google Patents
一种基于显著性的sar图像舰船目标快速检测方法 Download PDFInfo
- Publication number
- CN113362293A CN113362293A CN202110584333.3A CN202110584333A CN113362293A CN 113362293 A CN113362293 A CN 113362293A CN 202110584333 A CN202110584333 A CN 202110584333A CN 113362293 A CN113362293 A CN 113362293A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- value
- sar image
- seed
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 238000000926 separation method Methods 0.000 claims abstract description 6
- 238000009795 derivation Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000003708 edge detection Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 241001632422 Radiola linoides Species 0.000 claims 1
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000009825 accumulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 241001632427 Radiola Species 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于显著性的SAR图像舰船目标快速检测方法,该方法包括以下步骤:步骤1、获取待检测的SAR图像,利用Sobel算子和形态学方法对SAR图像进行海陆分离以去除陆地散射的影响;步骤2、对海域候选区域进行超像素分割,得到N个超像素;步骤3、基于Gamma分布的假设,计算每个超像素间的Bhattacharyya距离差异性推导;步骤4、利用Bhattacharyya差异性测度公式计算超像素的全局对比度和局部对比度,并结合两者生成最终的显著图;步骤5、利用OSTU算法提取出显著图中的舰船区域。本发明在实现增强目标显著性的同时有效地抑制海陆杂波的影响,极大的提高了检测效率和准确性。
Description
技术领域
本发明涉及雷达检测技术领域,具体为一种基于显著性的SAR图像舰船 目标快速检测方法。
背景技术
合成孔径雷达具有全天时、全天候的对地观测能力,能够动态实时的对 陆地和海洋进行检测。舰船目标检测是实施海洋监测的重要手段,在军事和 民用领域都发挥着十分重要的应用价值,在军事领域,SAR可用于侦查敌方的 作战状及以军事部署,分析敌军的海上作战实力,形成海上作战的重要情报 等;在民用领域,SAR在灾情探测与防治、地质勘测,海上交通监管、农林 业等方面也发挥着巨大的作用;
SAR图像目标检测实际上就是从SAR图像中快速并可靠地将感兴趣的目标 从背景杂波中提取出来。目前使用较广泛的方法是使用滑动窗口进行检测的 恒虚警率(ConstantFalse Alarm Rate,CFAR)检测算法,CFAR检测算法是一 种像素级别的检测算法,通过滑动窗口的方式将图像中每个像素点的检测统 计量与某一自适应门限值进行比较,其中检测统计量大于门限值的像素被认 为是目标像素,该检测算法在背景杂波均匀的情况下检测效果较为理想;
由于SAR图像成像机理较为复杂,目标物和建筑物在灰度和纹理上高度 相似,图像受到存在斑点噪声的影响,使得复杂情况下的SAR图像舰船检测 困难重重。受人类视觉注意力机制在光学图像中目标检测的应用启发,显著 性检测方法被广泛的应用到SAR图像中。因此,本发明提出了一种基于显著 性的SAR图像舰船目标快速检测方法,该方法基于SAR图像中的超像素区域 都服从Gamma分布的假设,利用Bhattacharyya差异性测度公式计算超像素 的全局对比度和局部对比度,并结合两者生成最终的显著图,该方法获取到 的显著图可以实现增强目标像素的同时还可以有效地抑制背景杂波的干扰, 极大地提高了复杂背景下的SAR图像舰船目标检测的效率和准确率。
发明内容
本发明的目的在于提供一种基于显著性的SAR图像舰船目标快速检测方 法,实现在增强目标显著性的同时,有效地抑制海陆杂波的影响,极大的提 高了检测效率和准确性。
为解决上述技术问题,本发明采用的技术方案是:一种基于显著性的SAR 图像舰船目标快速检测方法,该方法包括以下步骤:
步骤1、获取待检测的SAR图像,利用Sobel算子和形态学方法对SAR图 像进行海陆分离以去除陆地散射的影响;
步骤2、对海域候选区域进行超像素分割,得到N个超像素;
步骤3、基于Gamma分布的假设,计算每个超像素间的Bhattacharyya距 离差异性推导;
步骤4、利用Bhattacharyya差异性测度公式计算超像素的全局对比度和 局部对比度,并结合两者生成最终的显著图;
步骤5、利用OSTU算法提取出显著图中的舰船区域。
所述步骤一中对SAR图像进行海陆分割具体包括以下步骤:
步骤1.1:利用Sobel边缘检测算子对SAR图像进行边缘检测,获得SAR 图像梯度和梯度向量的幅值,对梯度Δf和梯度向量的幅值g(x,y)和方向a(x,y) 进行计算:
步骤1.2:对SAR梯度图像做归一化处理:
其中,xi表示图像像素点的值,min(x),max(x)分别表示图像像素的最大 值和最小值;
步骤1.3:对梯度图像进行二值化处理,根据不同的环境要求设置合适的 阈值,所述阈值T为T=0.1,当梯度值大于阈值则认为该像素点为图像的边缘 点;当梯度值小于阈值,则认为该像素点不是图像的边缘点;
步骤1.4:利用形态学方法中的膨胀算子和腐蚀算子对二值化的梯度图像 进行操作即可得到海陆分割结果图;
步骤1.5:将海陆分割结果图与原图进行乘法运算做掩膜处理,即可得到 海域候选区域图像,其中1表示陆地像素,0表示海洋像素。
所述步骤二中具体包括以下步骤:
步骤2.1:初始化种子点:输入一副待检测的港口SAR图像,并将该SAR 图像划分为N个S×S超像素Sk,k=1,2,3···N,获取超像素的聚类中心 Ck,k=1,2,3···N,在图像内均匀选取种子点,则种子点的选取步长近似 为:H为该SAR图像的行数,V为该SAR图像的列数;
步骤2.2:将种子点移到n*n邻域内梯度最小值位置,计算第一步确定种 子点n*n邻域内所有像素的梯度值,根据计算出的梯度值更新种子点的位置, 将种子点落在邻域内梯度值最小值处,n的取值为3;
步骤2.3:根据距离度量每个像素点分配聚类标签:首先为图像内所有像 素点设置初始距离度量D=MAX,之后遍历图像中所有种子点,计算种子点邻 域内每个像素点到种子点的距离;
所述种子点包括颜色空间距离和位置空间距离;其中,与种子点的颜色 空间距离为:dc=pi-pj,其中pi和pj为目标像素与种子像素的灰度值;
计算距离度量更新每个像素点的聚类标签,更新规则为:如果D'≤D,则 将像素点标签更新为当前种子点,且令D=D';
步骤2.4:更新种子点:种子点遍历结束后,根据每个像素点的聚类标签 更新种子点位置,用seed1,seed2···seedN表示分割图像的种子点以及像素点的聚 类标签,对于灰度图像,我们求所有聚类标签为seedi,(1≤i≤k)的像素点的灰度 值pa和坐标均值(xa,ya)作为新的种子点;
步骤2.5:迭代优化:重复上述步骤2.3和步骤2.4,直到每个像素点的 聚类标签不再变化或者达到最大迭代次数;
步骤2.6:增强连通性:采用从左到右,从上到下的方式遍历图像中的超 像素,将筛选出来的孤立像素点或面积过小的连通分量分类给距离最近的超 像素。
所述步骤3中具体包括:
步骤3.1:基于Bhattacharyya差异性测量准则,其计算步骤如下:
两个分布p1(x)和p2(x),它们之间的Bhattacharyya距离为:
根据Bhattacharyya的定义,0≤B<∞,为了使得两个分布之间的像素强 度差异性被限制在[0,1]之间;
两个分布的之间的Bhattacharyya差异性用以下公式定义:
根据Bhattacharyya差异性的定义,当D较大时,表示p1(x)和p2(x)之间 的差异性越大;反之,表示两者之间的相似程度很高;当D=1时,表示p1(x)和 p2(x)的分布完全没有重叠之处;反之,当D=0时,p1(x)和p2(x)的分布完全重 叠;
步骤3.2:基于Gamma分布的SAR图像统计建模,其计算步骤如下:
其中,λ,α,x>0,Γ(·)表示Gamma函数;λ和α分别表示分布的逆尺度参数 和形状参数,参数λ和α可利用对数累积量方法(Method of Log-Cumulants, MoLc)估计得到,因此基于Gamma分布的前两阶对数累积量为
其中,ψ(·)为多元Polygamma函数,ψ(1,·)为函数ψ(·)的一阶导数;在参数 估计中,利用样本对数累积量代替理论对数累积量,给定数据集为 {Xi,i=1,2,···,N},则其前两阶样本对数累积量分别为和
步骤3.3、基于Gamma分布的Bhattacharyya距离相异性测量,其计算步 骤如下:
所述步骤4中具体包括:
步骤4.1、基于Bhattacharyya距离相异性测量的全局对比度,其计算步 骤如下:
候选区域被分割成了N个超像素区域,每个超像素si都服从的Gamma分布, 其参数为α和γ,利用Bhattacharyya差异性测量超像素si与图像中其他超像 素的差异性来计算其显著程度,则全局对比度可被定义为:
其中,指的是超像素sj的权重;表示两个超像素区域之间 的差异性度量。我们根据超像素sj中的像素数目作为权重使得对较大 的超像素区域增强对比度,根据下式计算求得: 1≤i≤N;A(si)表示超像素sj中的像素数目;
步骤4.2、基于Bhattacharyya距离相异性测量的局部对比度,其计算步 骤如下:
对于给定的超像素si,其与周边的超像素sj的局部对比度由下式可计算得 到:
其中,表示空域距离权重,当邻域内的超像素与中 心超像素之间的差异性在局部对比度的计算中所占的比重随着距离的增加而 减小;Ω(si)表示超像素si的邻域;控制空间距离加权的强度,的值 设定为0.4;Dspatial(si,sj)代表超像素si和sj的几何中心之间的欧氏距离;表示为超像素si和sj之间的差异性度量;
步骤4.3、由于全局对比度中的目标本身具有较高的强度值,而局部对比 度中目标的灰度值比其邻域超像素的灰度值要高;
将全局对比度和局部对比度结合生成最终的显著图,即 Sa(si)=Sglobal(si)·Slocal(si);
所述步骤5中具体包括:
步骤5.1:分别计算显著图中各灰度级出现的概率pi和总灰度均值μ,其 具体步骤如下:
假设SAR图像中的像素数为N,则有:
其中,L为SAR图像的总灰度级,其灰度范围为[1,L];Ni为灰度级为i 的像素数;pi是灰度级为i的像素出现的概率;μ为图像M的灰度均值;
步骤5.2:对任意灰度值x,将SAR图像M的灰度级按x分为两类:C0和 C1,其中C0={1,2,3,···,x},C1={x+1,x+2,···,L};则对于C0有:C0出现的概 率ω0为:C0出现的平均灰度值μx为:将μx均值化得: 对C1有:其中,ω1是C1出现的概率,μ1是C1的灰度 均值;
C0和C1两类类间方差计算公式为:δ2(x)=ω0(μ-μ0)2+ω1(μ-μ0)2,将x 的值从1到L变化,使得δ2(x)取得最大值的x即为最佳阈值;
步骤5.3:根据上述得到的最佳阈值对步骤4.3得到的显著图进行分割。
本发明与现有技术相比具有以下优点:
一种基于显著性的SAR图像舰船目标快速检测方法,利用Sobel算子和 形态学方法对SAR图像进行海陆分离以去除陆地散射的影响,对海域候选区 域进行超像素分割,在利用Bhattacharyya差异性测度,分别计算超像素的 全局对比度和局部对比度,并结合两者生成最终的显著图;使用OSTU算法提 取出显著图中的舰船区域,该方法在实现增强目标显著性的同时有效地抑制 海陆杂波的影响,极大的提高了检测效率和准确性。
附图说明
图1为本发明的流程框图;
图2为本发明的实现流程图;
图3为本发明的高分辨率SAR舰船检测原始数据示意图;
图4为本发明的实施例一示意图;
图5为本发明的实施例二示意图。
具体实施方式
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实施例,而不 是全部的实施例。
如图1和图2所示,本发明提供的一种基于显著性的SAR图像舰船目标 快速检测方法;该方法具体包括以下步骤:
步骤1、获取待检测的SAR图像,利用Sobel算子和形态学方法对SAR 图像进行海陆分离以去除陆地散射的影响,其中,具体步骤如下:
步骤1.1:利用Sobel边缘检测算子对SAR图像进行边缘检测,假设SAR 图像的3×3区域;
如:图像3×3区域和Sobel算子模板,所示,Sobel算子的水平梯 度和垂直梯度的模板分别;
如:图像3×3区域和Sobel算子模板,将SAR图像中的3×3区域 分别与两个模板中对应的权值相乘,并将所有乘积相加,得到3×3模 板垂直和水平两个方向的近似偏导:
图像3×3区域和Sobel算子模板
gx=(z1+2z4+z7)-(z3+2z6+z9)
gy=(z1+2z2+z3)-(z7+2z8+z9)
步骤1.2:利用Sobel边缘检测算子对SAR图像进行边缘检测,其中梯度 Δf和梯度向量的幅值g(x,y)和方向a(x,y)的计算步骤如下:
步骤1.3:由于在高分辨率SAR图像中,图像中的像素值差异非常大,因 此,需要先对梯度图像做归一化处理,其计算步骤如下:
其中,xi表示图像像素点的值,min(x),max(x)分别表示图像像素的最大 值和最小值。
步骤1.4:为了得到图像的边缘,还需要对梯度图像进行二值化处理,根 据不同的环境要求设置合适的阈值(本发明中的阈值T设置值为T=0.1),当 梯度值大于阈值则认为该像素点为图像的边缘点;当梯度值小于阈值,则认 为该像素点不是图像的边缘点;
步骤1.5:为了加强SAR图像边缘的连贯性和轮廓,再使用形态学方法中 的膨胀算子和腐蚀算子对二值化的梯度图像进行操作即可得到海陆分割结果 图,其计算过程如下:
步骤1.6:将海陆分割结果图与原图进行乘法运算做掩膜处理,即可得到 海域候选区域图像,其中1表示陆地像素,0表示海洋像素。
对SAR图像进行海陆分割:利用Sobel边缘检测算子对SAR图像进行边 缘检测;其次通过二值化处理进行海陆分割,提取初步分割结果;再利用形 态学的开关运算等操作对其处理,从而得到了海陆掩膜图,然后粗略的计算 海陆分割结果,该海陆掩膜是一副二值图像,其中1表示陆地像素,0表示海 洋像素;
步骤2、对海域候选区域进行超像素分割,得到N个超像素;其中,具 体步骤如下:
步骤2.2、输入一副待检测的港口SAR图像,并将该SAR图像划分为N个 S×S超像素Sk,k=1,2,3···N,获取超像素的聚类中心Ck,k=1,2,3···N,在图像内 均匀选取种子点,则种子点的选取步长近似为:H为该SAR图像的 行数,V为该SAR图像的列数;
步骤2.2、将种子点移到n*n邻域内梯度最小值位置,其中,具体步骤 如下:
计算第一步确定种子点n*n邻域内所有像素的梯度值,根据计算出的梯 度值更新种子点的位置,将种子点落在邻域内梯度值最小值处,一般n的取 值为3;
步骤2.3、根据距离度量每个像素点分配聚类标签,其中,具体步骤如下:
首先为图像内所有像素点设置初始距离度量D=MAX,之后遍历图像中所 有种子点,计算种子点邻域内每个像素点到种子点的颜色空间距离和位置空 间距离,其与种子点的颜色空间距离为:dc=pi-pj,其中pi和pj为目标像素与 种子像素的灰度值;其与种子点的位置空间距离为:
其中,m为最大颜色距离,一般取固定常数(m的取值范围为[1,40]); S为类内最大空间距离,被定义为计算距离度量更新每个像素点 的聚类标签,更新规则为:如果D'≤D,则将像素点标签更新为当前种子点, 且令D=D';
步骤2.4、更新种子点:种子点遍历结束后,根据每个像素点的聚类标签 更新种子点位置;我们用seed1,seed2···seedN表示分割图像的种子点以及像素点 的聚类标签,对于灰度图像,我们求所有聚类标签为seedi,(1≤i≤k)的像素点的 灰度值pa和坐标均值(xa,ya)作为新的种子点;
步骤2.5、迭代优化:重复上述步骤2.3和步骤2.4,直到每个像素点的 聚类标签不再变化或者达到最大迭代次数,(经实验证明,对于绝大多数图 像,SLIC算法迭代优化10次之后都能取得较为理想的结果,所以最大迭代 次数一般设置为10);
步骤2.6、增强连通性:采用从左到右,从上到下的方式遍历图像中的超 像素,将筛选出来的孤立像素点或面积过小的连通分量分类给距离最近的超 像素。
步骤3、基于Gamma分布的假设,计算每个超像素间的Bhattacharyya距 离差异性推导;其中,具体包括:
步骤3.1基于Bhattacharyya差异性测量准则,其中,计算步骤如下:
假设存在两个分布p1(x)和p2(x),它们之间的Bhattacharyya距离 可以定义为:
根据Bhattacharyya的定义,0≤B<∞。为了使得两个分布间的像素强度 差异性被限制在[0,1]之间,因此两个分布的之间的Bhattacharyya差异性可 以用以下公式定义:
根据Bhattacharyya差异性的定义,当D较大时,表示p1(x)和p2(x)之间 的差异性越大;反之,表示两者之间的相似程度很高。特别地,当D=1时, 表示p1(x)和p2(x)的分布完全没有重叠之处;反之,当D=0时,p1(x)和p2(x)的 分布完全重叠。
步骤3.2基于Gamma分布的SAR图像统计建模,其中:Gamma分布是SAR 图像统计建模中最为经典的分布模型之一,其概率密度函数为:
其中,λ,α,x>0,Γ(·)表示Gamma函数;λ和α分别表示分布的逆尺度参数 和形状参数,参数λ和α可利用对数累积量方法(Method of Log-Cumulants, MoLc)估计得到,因此基于Gamma分布的前两阶对数累积量为:
其中,ψ(·)为多元Polygamma函数,ψ(1,·)为函数ψ(·)的一阶导数。在参数 估计中,利用样本对数累积量代替理论对数累积量。假设给定数据集为 {Xi,i=1,2,···,N},则其前两阶样本对数累积量分别为和
步骤3.3基于Gamma分布的Bhattacharyya距离相异性测量,其中包括: SAR图像中的两组超像素区域数据都服从Gamma分布,则其对应的概率密度函 数p1(x)和p2(x)可表示为:
其中,λi,αi,x>0;i=1,2;将(5)式带入(2)式,可得p1(x)和p2(x)之间的Bhattacharyya相异程度为:
步骤4、利用Bhattacharyya差异性测度公式计算超像素的全局对比度和 局部对比度,并结合两者生成最终的显著图;具体包括以下步骤:
步骤4.1基于Bhattacharyya距离相异性测量的全局对比度,其计算步 骤如下:
假定候选区域被分割成了N个超像素区域,且每个超像素si都服从的 Gamma分布,其参数为α和γ,利用Bhattacharyya差异性度量超像素si与图 像中其他超像素的差异性来计算其显著程度,则全局对比度可被定义为:
[步骤4.1基于Bhattacharyya距离相异性测量的局部对比度,其计算步 骤如下:
其中,表示空域距离权重,当邻域内的超像素 与中心超像素之间的差异性在局部对比度的计算中所占的比重随着距离的增 加而减小;Ω(si)表示超像素si的邻域;控制空间距离加权的强度,的值设定为0.4;Dspatial(si,sj)代表超像素si和sj的几何中心之间的欧氏距离;表示为超像素si和sj之间的差异性度量。
由于全局对比度中的目标本身具有较高的强度值;而局部对比度中目标 的灰度值比其邻域超像素的灰度值要高。因此在本文方法中,将全局对比度 和局部对比度结合生成最终的显著图,这样可以有效地增强目标强度的同时 抑制杂波区域的强度值;
步骤4.3基于Bhattacharyya距离相异性测量的全局对比度和局部对比 度相结合的显著图,其计算步骤如下:
由于全局对比度中的目标本身具有较高的强度值;而局部对比度中目标 的灰度值比其邻域超像素的灰度值要高。因此在本文方法中,将全局对比度 和局部对比度结合生成最终的显著图,这样可以有效地增强目标强度的同时 抑制杂波区域的强度值;
Sa(si)=Sglobal(si)·Slocal(si)
步骤5、利用OSTU算法提取出显著图中的目标区域;
步骤5.1分别计算显著图中各灰度级出现的概率pi和总灰度均值μ其具 体步骤如下:
假设SAR图像中的像素数为N,则有:
其中,L为SAR图像的总灰度级,其灰度范围为[1,L];Ni为灰度级为i 的像素数;pi是灰度级为i的像素出现的概率;μ为图像M的灰度均值;
步骤5.2对任意灰度值x,将SAR图像M的灰度级按x分为两类:C0和C1, 其中C0={1,2,3,···,x},C1={x+1,x+2,···,L};
C0和C1两类类间方差计算公式为:
δ2(x)=ω0(μ-μ0)2+ω1(μ-μ0)2。将x的值从1到L变化,使得δ2(x)取 得最大值的x即为最佳阈值。
步骤5.3利用阈值分割,提取出舰船区域。
实施例一
如图2和图3所示,实验条件,实验均在64位Windows系统中实现,硬 件环境为Intel Core i5处理器和4GB RAM,利用Matlab R2016a软件编程 实现所提方法。
图2为SAR图像SARShip-1.0-22的原始数据,从图像中可以看 出只有海域存在几只舰船目标;图3分别为该图像的全局对比度、局 部对比度和最终得到的显著图;在显著图中我们可以看到舰船目标的 像素被增强的同时陆地中的杂波干扰像素几乎完全被抑制了;图3是 本文所提方法的检测结果;图3为Global-CFAR方法和 Superpixel-CFAR方法的检测结果;从检测结果中可以发现本文方法 能够较好地检测出舰船目标,目标的边缘也可以得到更好的保留,没 有虚警目标,只有1个像素强度特别弱而产生的漏警目标;然而其他
本发明中所提方法的有效性结果被总结在表1中;
从表1中可以直观地看出,与Global-CFAR检测方法和Superpixel--CFAR 检测方法相比,提出的方法具有更好的检测性能:
表1
从表1可以直观地看出,与Global-CFAR检测方法和Superpixel--CFAR 检测方法相比,本发明提出的方法具有更好的检测性能。
实施例二
如图2和图4所示,试验方法的数据集是AIR-SARShip-1.0,我 们从AIR-SARShip-1.0数据集中选取两幅具有代表性的图像进行验 证所提方法的有效性,如图2所示;
图2为SAR图像SARShip-1.0-26的原始数据,该图像相较于图 2复杂了很多,从该图可以看出海域中和近岸都存在舰船目标,而且 近岸区域中还存在目标像素强度较弱的小目标舰船;图4中分别为 该图像的全局对比度、局部对比度和最终得到的显著图;在显著图中 我们可以看到海岸边中的舰船目标被增强的同时近岸周围的杂波干 扰像素几乎完全被抑制了;图4是本文所提方法的检测结果;分别为 Global-CFAR方法和Superpixel-CFAR方法的检测结果;从实验结果 中我们可以观察到本文提出的方法能够较好地检测出舰船目标,没有 虚警目标,只有2个像素强度特别弱而产生的漏警目标;然而 Global-CFAR方法和Superpixel-CFAR方法既没有检测出近岸中像素 强度较弱的小目标舰船而且还存在大量的虚警目标;
本发明中所提方法的有效性结果被总结在表1中;从表1中可以直观地 看出,与Global-CFAR检测方法和Superpixel--CFAR检测方法相比,提出的 方法具有更好的检测性能;为了说明本发明中所提方法的有效性,上述实验 结果被总结在表表2中;
表2
从表2可以直观地看出,与Global-CFAR检测方法和Superpixel--CFAR 检测方法相比,本发明提出的方法具有更好的检测性能;
综上所述,在真实SAR图像中验证了本发明中所提方法的有效性和可靠 性,本发明利用Sobel算子和形态学方法对SAR图像进行海陆分离以去除陆 地散射的影响,对海域候选区域进行超像素分割,在利用Bhattacharyya差 异性测度,分别计算超像素的全局对比度和局部对比度,并结合两者生成最 终的显著图;使用OSTU算法提取出显著图中的目标区域,该方法在实现增强 目标显著性的同时有效地抑制海陆杂波的影响,极大的提高了检测效率和准 确性。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是 根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构 变化,均仍属于本发明技术方案的保护范围内。
Claims (6)
1.一种基于显著性的SAR图像舰船目标快速检测方法,其特征在于,该方法包括以下步骤:
步骤1、获取待检测的SAR图像,利用Sobel算子和形态学方法对SAR图像进行海陆分离以去除陆地散射的影响;
步骤2、对海域候选区域进行超像素分割,得到N个超像素;
步骤3、基于Gamma分布的假设,计算每个超像素间的Bhattacharyya距离差异性推导;
步骤4、利用Bhattacharyya差异性测度公式计算超像素的全局对比度和局部对比度,并结合两者生成最终的显著图;
步骤5、利用OSTU算法提取出显著图中的舰船区域。
2.根据权利要求1所述的一种基于显著性的SAR图像舰船目标快速检测方法,其特征在于,所述步骤一中对SAR图像进行海陆分割具体包括以下步骤:
步骤1.1:利用Sobel边缘检测算子对SAR图像进行边缘检测,获得SAR图像梯度和梯度向量的幅值,对梯度Δf和梯度向量的幅值g(x,y)和方向a(x,y)进行计算:
步骤1.2:对SAR梯度图像做归一化处理:
其中,xi表示图像像素点的值,min(x),max(x)分别表示图像像素的最大值和最小值;
步骤1.3:对梯度图像进行二值化处理,根据不同的环境要求设置合适的阈值,所述阈值T为T=0.1,当梯度值大于阈值则认为该像素点为图像的边缘点;当梯度值小于阈值,则认为该像素点不是图像的边缘点;
步骤1.4:利用形态学方法中的膨胀算子和腐蚀算子对二值化的梯度图像进行操作即可得到海陆分割结果图;
步骤1.5:将海陆分割结果图与原图进行乘法运算做掩膜处理,即可得到海域候选区域图像,其中1表示陆地像素,0表示海洋像素。
3.根据权利要求1所述的一种基于显著性的SAR图像舰船目标快速检测方法,其特征在于,所述步骤二中具体包括以下步骤:
步骤2.1:初始化种子点:输入一副待检测的港口SAR图像,并将该SAR图像划分为N个S×S超像素Sk,k=1,2,3···N,获取超像素的聚类中心Ck,k=1,2,3···N,在图像内均匀选取种子点,则种子点的选取步长近似为:H为该SAR图像的行数,V为该SAR图像的列数;
步骤2.2:将种子点移到n*n邻域内梯度最小值位置,计算第一步确定种子点n*n邻域内所有像素的梯度值,根据计算出的梯度值更新种子点的位置,将种子点落在邻域内梯度值最小值处,n的取值为3;
步骤2.3:根据距离度量每个像素点分配聚类标签:首先为图像内所有像素点设置初始距离度量D=MAX,之后遍历图像中所有种子点,计算种子点邻域内每个像素点到种子点的距离;
所述种子点包括颜色空间距离和位置空间距离;其中,与种子点的颜色空间距离为:dc=pi-pj,其中pi和pj为目标像素与种子像素的灰度值;
计算距离度量更新每个像素点的聚类标签,更新规则为:如果D'≤D,则将像素点标签更新为当前种子点,且令D=D';
步骤2.4:更新种子点:种子点遍历结束后,根据每个像素点的聚类标签更新种子点位置,用seed1,seed2···seedN表示分割图像的种子点以及像素点的聚类标签,对于灰度图像,我们求所有聚类标签为seedi,(1≤i≤k)的像素点的灰度值pa和坐标均值(xa,ya)作为新的种子点;
步骤2.5:迭代优化:重复上述步骤2.3和步骤2.4,直到每个像素点的聚类标签不再变化或者达到最大迭代次数;
步骤2.6:增强连通性:采用从左到右,从上到下的方式遍历图像中的超像素,将筛选出来的孤立像素点或面积过小的连通分量分类给距离最近的超像素。
4.根据权利要求1所述的一种基于显著性的SAR图像舰船目标快速检测方法,其特征在于,所述步骤3中具体包括:
步骤3.1:基于Bhattacharyya差异性测量准则,其计算步骤如下:
两个分布p1(x)和p2(x),它们之间的Bhattacharyya距离为:
根据Bhattacharyya的定义,0≤B<∞,为了使得两个分布之间的像素强度差异性被限制在[0,1]之间;
两个分布的之间的Bhattacharyya差异性用以下公式定义:
根据Bhattacharyya差异性的定义,当D较大时,表示p1(x)和p2(x)之间的差异性越大;反之,表示两者之间的相似程度很高;当D=1时,表示p1(x)和p2(x)的分布完全没有重叠之处;反之,当D=0时,p1(x)和p2(x)的分布完全重叠;
步骤3.2:基于Gamma分布的SAR图像统计建模,其计算步骤如下:
其中,λ,α,x>0,Γ(·)表示Gamma函数;λ和α分别表示分布的逆尺度参数和形状参数,参数λ和α可利用对数累积量方法(Method of Log-Cumulants,MoLc)估计得到,因此基于Gamma分布的前两阶对数累积量为
其中,ψ(·)为多元Polygamma函数,ψ(1,·)为函数ψ(·)的一阶导数;在参数估计中,利用样本对数累积量代替理论对数累积量,给定数据集为{Xi,i=1,2,···,N},则其前两阶样本对数累积量分别为和
步骤3.3、基于Gamma分布的Bhattacharyya距离相异性测量,其计算步骤如下:
5.根据权利要求1所述的一种基于显著性的SAR图像舰船目标快速检测方法,其特征在于,所述步骤4中具体包括:
步骤4.1、基于Bhattacharyya距离相异性测量的全局对比度,其计算步骤如下:
候选区域被分割成了N个超像素区域,每个超像素si都服从的Gamma分布,其参数为α和γ,利用Bhattacharyya差异性测量超像素si与图像中其他超像素的差异性来计算其显著程度,则全局对比度可被定义为:
步骤4.2、基于Bhattacharyya距离相异性测量的局部对比度,其计算步骤如下:
对于给定的超像素si,其与周边的超像素sj的局部对比度由下式可计算得到:
其中,表示空域距离权重,当邻域内的超像素与中心超像素之间的差异性在局部对比度的计算中所占的比重随着距离的增加而减小;Ω(si)表示超像素si的邻域;控制空间距离加权的强度,的值设定为0.4;Dspatial(si,sj)代表超像素si和sj的几何中心之间的欧氏距离;表示为超像素si和sj之间的差异性度量;
步骤4.3、由于全局对比度中的目标本身具有较高的强度值,而局部对比度中目标的灰度值比其邻域超像素的灰度值要高;
将全局对比度和局部对比度结合生成最终的显著图,即Sa(si)=Sglobal(si)·Slocal(si);
6.根据权利要求1或5所述的一种基于显著性的SAR图像舰船目标快速检测方法,其特征在于,所述步骤5中具体包括:
步骤5.1:分别计算显著图中各灰度级出现的概率pi和总灰度均值μ,其具体步骤如下:
假设SAR图像中的像素数为N,则有:
其中,L为SAR图像的总灰度级,其灰度范围为[1,L];Ni为灰度级为i的像素数;pi是灰度级为i的像素出现的概率;μ为图像M的灰度均值;
步骤5.2:对任意灰度值x,将SAR图像M的灰度级按x分为两类:C0和C1,其中C0={1,2,3,···,x},C1={x+1,x+2,···,L};则对于C0有:C0出现的概率ω0为:C0出现的平均灰度值μx为:将μx均值化得:对C1有:其中,ω1是C1出现的概率,μ1是C1的灰度均值;
C0和C1两类类间方差计算公式为:δ2(x)=ω0(μ-μ0)2+ω1(μ-μ0)2,将x的值从1到L变化,使得δ2(x)取得最大值的x即为最佳阈值;
步骤5.3:利用阈值分割,提取出舰船区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110584333.3A CN113362293A (zh) | 2021-05-27 | 2021-05-27 | 一种基于显著性的sar图像舰船目标快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110584333.3A CN113362293A (zh) | 2021-05-27 | 2021-05-27 | 一种基于显著性的sar图像舰船目标快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113362293A true CN113362293A (zh) | 2021-09-07 |
Family
ID=77527830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110584333.3A Pending CN113362293A (zh) | 2021-05-27 | 2021-05-27 | 一种基于显著性的sar图像舰船目标快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362293A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693686A (zh) * | 2022-06-02 | 2022-07-01 | 启东市鸿盛纺织有限公司 | 一种用于床单布匹污渍检测的方法 |
CN114882468A (zh) * | 2022-07-13 | 2022-08-09 | 山东施卫普环保科技有限公司 | 清扫车清扫刷角度自适应调整方法 |
CN115641327A (zh) * | 2022-11-09 | 2023-01-24 | 浙江天律工程管理有限公司 | 一种基于大数据的建筑工程质量监理和预警系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942803A (zh) * | 2014-05-05 | 2014-07-23 | 北京理工大学 | 基于sar图像的水域自动检测方法 |
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 |
CN108401564B (zh) * | 2015-05-28 | 2017-09-15 | 西北工业大学 | 基于超像素分割和图像抽象的显著性目标检测方法 |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
CN109886218A (zh) * | 2019-02-26 | 2019-06-14 | 西安电子科技大学 | 基于超像素统计相异性的sar图像舰船目标检测方法 |
-
2021
- 2021-05-27 CN CN202110584333.3A patent/CN113362293A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942803A (zh) * | 2014-05-05 | 2014-07-23 | 北京理工大学 | 基于sar图像的水域自动检测方法 |
CN108401564B (zh) * | 2015-05-28 | 2017-09-15 | 西北工业大学 | 基于超像素分割和图像抽象的显著性目标检测方法 |
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 |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
CN109886218A (zh) * | 2019-02-26 | 2019-06-14 | 西安电子科技大学 | 基于超像素统计相异性的sar图像舰船目标检测方法 |
Non-Patent Citations (3)
Title |
---|
NOBUYUKI OTSU: "A Tlreshold Selection Method from Gray-Level Histograms", 《IEEE TRANSACTIONS ON SYSTREMS, MAN, AND CYBERNETICS》 * |
RADHAKRISHNA ACHANTA等: "SLIC superpixels compared to state-of-the-art superpixel methods", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
TAO LI等: "Target Detection by Exploiting Superpixel-Level Statistical Dissimilarity for SAR Imagery", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693686A (zh) * | 2022-06-02 | 2022-07-01 | 启东市鸿盛纺织有限公司 | 一种用于床单布匹污渍检测的方法 |
CN114882468A (zh) * | 2022-07-13 | 2022-08-09 | 山东施卫普环保科技有限公司 | 清扫车清扫刷角度自适应调整方法 |
CN114882468B (zh) * | 2022-07-13 | 2022-09-23 | 山东施卫普环保科技有限公司 | 清扫车清扫刷角度自适应调整方法 |
CN115641327A (zh) * | 2022-11-09 | 2023-01-24 | 浙江天律工程管理有限公司 | 一种基于大数据的建筑工程质量监理和预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Musman et al. | Automatic recognition of ISAR ship images | |
CN113362293A (zh) | 一种基于显著性的sar图像舰船目标快速检测方法 | |
CN109035152B (zh) | 一种合成孔径雷达图像非局部均值滤波方法 | |
CN110031843B (zh) | 基于roi区域的sar图像目标定位方法、系统、装置 | |
CN109886218B (zh) | 基于超像素统计相异性的sar图像舰船目标检测方法 | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
CN109583293A (zh) | 星载sar图像中的飞机目标检测与鉴别方法 | |
CN108961255B (zh) | 基于相位线性度和功率的海陆噪声场景分割方法 | |
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 | |
Zhu et al. | Saliency-based diver target detection and localization method | |
Huang et al. | Change detection method based on fractal model and wavelet transform for multitemporal SAR images | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN111428624B (zh) | 一种光学遥感图像在轨舰船目标检测方法 | |
Picard et al. | Seafloor description in sonar images using the monogenic signal and the intrinsic dimensionality | |
CN112329677A (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
CN107610130B (zh) | 基于幅度与相位线性度之比的海陆杂波场景分割方法 | |
Li et al. | Object representation for multi-beam sonar image using local higher-order statistics | |
Ao et al. | Robust ship detection in SAR images from complex background | |
CN115205216A (zh) | 一种基于显著性和加权引导滤波的红外小目标检测方法 | |
CN114373135A (zh) | 基于局部显著性特征度量的舰船目标检测方法 | |
CN113822361A (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
Zhang et al. | Adaptive river segmentation in SAR images | |
Zhang et al. | Target detection in sar images based on sub-aperture coherence and phase congruency | |
Jung et al. | Local cell-averaging fast CFAR for multi-target detection in high-resolution SAR images | |
Xing et al. | Algorithm for Object Extraction of Radar Images Based on OpenCV |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |