CN113379695A - 局部特征差异性耦合的sar图像近岸舰船检测方法 - Google Patents
局部特征差异性耦合的sar图像近岸舰船检测方法 Download PDFInfo
- Publication number
- CN113379695A CN113379695A CN202110610294.XA CN202110610294A CN113379695A CN 113379695 A CN113379695 A CN 113379695A CN 202110610294 A CN202110610294 A CN 202110610294A CN 113379695 A CN113379695 A CN 113379695A
- Authority
- CN
- China
- Prior art keywords
- ship
- target
- image
- suspected
- targets
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000010168 coupling process Methods 0.000 title claims abstract description 15
- 230000008878 coupling Effects 0.000 title claims abstract description 12
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 11
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 230000007797 corrosion Effects 0.000 claims abstract description 3
- 238000005260 corrosion Methods 0.000 claims abstract description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 239000010779 crude oil Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/94—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; 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
Abstract
本发明提供一种局部特征差异性耦合的SAR图像近岸舰船检测方法,包括:获取SAR图像并进行海陆分割处理,获得待处理图像;对所述待处理图像进行形态学腐蚀处理,识别近岸疑似区域;对近岸疑似区域进行目标增强后在进行超像素分割,获取分割图像;构建局部特征差异性因子对所述分割图像进行处理,增强舰船目标与海岸背景的对比度,获取疑似舰船目标;采用垂直结构切分方法对疑似舰船目标进行切分;在切分后的图像中筛选出细小目标在保留真实目标的前提下移除虚警目标。本发明通过局部特征差异性耦合方法,解决了SAR图像近岸建筑与舰船在灰度和纹理空间上高度相似时舰船难以检测的问题。
Description
技术领域
本发明涉及遥感图像处理技术领域,具体而言,尤其涉及一种局部特征差异性耦合的SAR图像近岸舰船检测方法。
背景技术
基于SAR图像的近岸舰船检测仍然存在以下问题:(1)近岸建筑与舰船在灰度和纹理空间上高度相似,导致近岸舰船难以有效检测。(2)油船通常垂直于原油码头,并通过管道进行传输。当码头与舰船在灰度和纹理空间上高度相似且与舰船垂直相连时,难以进行有效检测。
发明内容
鉴于现有技术的不足,本申请提供了一种局部特征差异性耦合的SAR图像近岸舰船检测方法,本发明主要通过局部特征差异性耦合方法,解决了SAR图像近岸建筑与舰船在灰度和纹理空间上高度相似时舰船难以检测的问题。
本发明采用的技术手段如下:
一种局部特征差异性耦合的SAR图像近岸舰船检测方法,包括:
获取SAR图像并进行海陆分割处理,获得待处理图像;
对所述待处理图像进行形态学腐蚀处理,识别近岸疑似区域;
对近岸疑似区域进行目标增强后在进行超像素分割,获取分割图像;
构建局部特征差异性因子对所述分割图像进行处理,增强舰船目标与海岸背景的对比度,获取疑似舰船目标;
采用垂直结构切分方法对疑似舰船目标进行切分;
在切分后的图像中筛选出细小目标在保留真实目标的前提下移除虚警目标。
进一步地,构建局部特征差异性因子对所述分割图像进行处理,包括:
获取各超像素均值;
基于当前超像素的像素均值和疑似目标区域最大的超像素均值获取比值权重;
基于中心超像素与邻域超像素的区域差异特性和邻域超像素与以自身为中心超像素时的邻域超像素的相似性共同构建区域权重;
基于当前超像素边缘、疑似目标区域所有超像素边缘以及疑似目标区域所有超像素边缘的距离特征构建距离权重;
基于所述比值权重、区域权重以及距离权重构建局部特征差异性因子。
进一步地,采用垂直结构切分方法对疑似舰船目标进行切分,包括:
利用骨架线将与舰船目标近乎平行或近乎垂直的区域分割开;
计算封闭区域的骨架线;
对骨架线进行分段,分别计算每段线条的方向与舰船外接矩形四条边中距离海岸线平均距离最小的边的方向,移除与舰船目标近乎垂直的线条;
对每段骨架线进行形态学膨胀操作得到重塑的封闭区域,从而将码头和舰船被分离开来,每段骨架线的膨胀尺度为每段骨架线上各点到轮廓线的最短距离的平均值。
进一步地,采用垂直结构切分方法对疑似舰船目标进行切分,还包括将膨胀后的图像与原来的封闭区域取交集,得到分割移除后的图像。
进一步地,在切分后的图像中筛选出细小目标在保留真实目标的前提下移除虚警目标,包括:
骨架线到目标轮廓线最小距离的平均值筛选细小目标;
对细小目标进行延伸,基于非舰船目标的与陆地的位置特性判断细小目标是否属于舰船目标,如果是则保留,否则移除。
较现有技术相比,本发明具有以下优点:
本发明本发明方法能够有效的检测基于SAR图像的近岸舰船目标,通过局部特征差异性耦合方法,解决了SAR图像近岸建筑与舰船在灰度和纹理空间上高度相似时舰船难以检测的问题;通过舰船与码头的切分方法,解决了SAR图像码头与舰船在灰度和纹理空间上高度相似且与舰船垂直相连时舰船难以检测的问题。此外,没有使用额外的辅助数据,对数据的完备性要求较低。
基于上述理由本发明可在遥感图像识别领域广泛推广。
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为本发明局部特征差异性耦合的SAR图像近岸舰船检测方法流程图。
图2为本发明局部窗示意图,其中(a)为局部窗口,(b)为局部块。
图3为本发明垂直结构示意图。
图4为本发明切分方法示意图,其中(a)为舰船与码头示意图,(b)为骨架线示意图,(c)为骨架线分割示意图,(d)为骨架线移除示意图,(e)为骨架线膨胀示意图,(f)为切分结果示意图。
图5为本发明延伸示意图。
图6为本发明判别结果示意图。
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,本发明提供了一种局部特征差异性耦合的SAR图像近岸舰船检测方法,包括:
S1、获取SAR图像并进行海陆分割处理,获得待处理图像。具体来说,海陆分割处理主要包括将获取的SAR图像输入马尔科夫随机场,然后进行闭合操作、小区域移除操作以及空洞填充操作,最后生成待处理的海陆分割图。
S2、对所述待处理图像进行形态学腐蚀处理,识别近岸疑似区域。
S3、对近岸疑似区域进行目标增强后在进行超像素分割,获取分割图像。
具体来说,为了增强船舶目标与背景的边缘,本专利提出一种局部差异性增强因子的构建方法。构建局部差异性增强因子的思想如图2所示,图2(a)为3×3的局部窗口,其中X表示中心像素,X1~X8表示其邻域像素。将中心像素与其上、下、左和右四个邻域像素点分别组成四个局部块,如图2(b)所示。mX表示中心像素X的局部均值,mX1~mX8分别为像素点X1~X8对应的局部均值。各像素点的局部均值是在以各像素点为中心的3×3的局部窗中利用双边核计算所得,比如mXi的计算方式为:
其中i表示中心像素,j表示邻域像素,xi表示中心像素i的像素值,xj表示邻域像素j的像素值,σd和σr分别表示空间域和范围域的参数。
假设图2(b)各局部块内部两个局部均值之和分别为n1、n2、n3和n4,nmax表示其中最大值,nmin表示其中最小值。当中心像素为目标边缘像素时,选择nmax作为增强因子,否则选择nmin作为增强因子,则目标边缘与背景的边缘得到增强。
其原因在于:假设目标像素相邻两点局部均值之和大于背景像素相邻两点局部均值之和,当中心像素为目标边缘像素时,由于目标的连通性,在中心像素的上、下、左和右四个邻域像素点中至少有一个为目标像素点,nmax必然是由中心像素和其中一个目标像素局部均值计算所得,选择nmax作为增强因子,则该增强因子乘以当前像素的局部均值将增强目标边缘像素的局部均值;当中心像素为目标内部像素,所有的邻域点均为目标像素,选择nmin作为增强因子时,则该增强因子乘以当前像素的局部均值将增强目标像素的局部均值;当中心像素为背景像素,中心像素的上、下、左和右四个邻域像素点至少有一个为背景像素点,选择nmin作为增强因子时,则该增强因子乘以当前像素的局部均值将增强背景像素的局部均值,若用C1表示目标边缘增强程度,C2表示目标内部增强程度,C3表示背景边缘增强程度,C4表示背景内部增强程度,则C1=C2>C3=C4。原因在于目标边缘与目标内部的局部均值相同,而目标边缘的增强因子与目标内部的增强因子相同,因此C1=C2,背景边缘与背景内部的局部均值相同,而背景边缘的增强因子与背景内部的增强因子相同,因此C3=C4,而目标内部局部均值大于背景局部均值,目标内部增强因子大于背景增强因子,所以C2>C3。因此,通过此增强因子对目标与背景的边缘进行了增强。
然而增强目标与背景的边缘的首要任务是判断哪些像素点属于目标边缘像素点。当中心像素点为目标内部像素点时,其邻域最小局部均值往往和中心像素局部均值的差异较小,nmin和2mX的比值较大,由于此时的邻域最小局部均值较大,故选择较小的增强因子依然能够相对增强目标边缘;当中心像素点为目标边缘像素点时,其邻域最小局部均值往往和中心像素局部均值的差异较大,nmin和2mX的比值较小,此时选择较大的增强因子能够相对增强目标边缘;当中心像素点为背景边缘像素点时,其邻域最小局部均值通常和中心像素局部均值的差异较小,nmin和2mX的比值较大,此时选择较小的增强因子能够相对抑制背景边缘;当中心像素点为背景内部像素点时,其邻域最小局部均值往往和中心像素局部均值的差异较小,nmin和2mX的比值较大,此时选择较小的增强因子能够相对抑制背景像素。因此,局部差异性增强因子wc可以构建为:
其中mX表示3×3的局部窗中心像素的局部均值,nmin表示中心像素的增强因子,常数β为阈值门限,β的取值范围为0-1,经过大量实验分析常数β取值0.8时目标和背景的边缘增强效果最佳。通过式(2)得到中心像素增强后的值为:
xX=mX·wc (3)
其中xX表示中心像素的增强值,当中心像素为目标像素时xX较大;当中心像素为背景像素时xX较小。通过计算图像中各像素点的增强值,得到基于局部差异性增强因子的增强图像W。
S4、构建局部特征差异性因子对所述分割图像进行处理,增强舰船目标与海岸背景的对比度,获取疑似舰船目标。主要包括:
S401、获取各超像素均值;
基于当前超像素的像素均值和疑似目标区域最大的超像素均值获取比值权重;
S402、基于中心超像素与邻域超像素的区域差异特性和邻域超像素与以自身为中心超像素时的邻域超像素的相似性共同构建区域权重;
S403、基于当前超像素边缘、疑似目标区域所有超像素边缘以及疑似目标区域所有超像素边缘的距离特征构建距离权重;
S404、基于所述比值权重、区域权重以及距离权重构建局部特征差异性因子。
具体来说,为了有效检测舰船目标,需要增强舰船目标与海岸背景的对比度。由于舰船目标在后向散射系数上要高于海面和部分水工建筑的后向散射系数,为了增强其对比度,本专利提出一种比值权重wr,其表达式为:
其中ST表示当前超像素的像素均值,Smax表示疑似目标区域最大的超像素均值。wr越大,表示当前超像素为舰船目标的概率越大,wr越小,表示当前超像素为舰船目标的概率越小。
然而,比值权重并不能将舰船目标和后向散射系数较大的陆地区分开来。为了解决这个问题,利用中心超像素与邻域超像素的区域差异特性和邻域超像素与以自身为中心超像素时的邻域超像素的相似性共同构建区域权重。
假设中心超像素的均值为ST,其邻域超像素的第i(i=1,2,…,n1)个记为Si,Sd表示ST与Si的差异值,Sd的表达式如下:
第i个邻域超像素与其自身第j个邻域超像素的相似性可以定义为wij,其表达式为:
其中Sij表示以第i个邻域超像素为中心超像素时其第j个邻域超像素的均值,Smin表示疑似目标区域最小的超像素均值。wij越大,表示Sij对Si的贡献度越大;wij越小,表示Sij对Si的贡献度越小。这里采用所有wij的均值wi表示第i个邻域超像素与其自身邻域超像素的相似性,其表达式如下:
通过公式(2)、(3)和(4)构建区域权重wc:
由式(5)可以看出,当中心超像素与邻域超像素差异较大,且邻域超像素与其自身邻域超像素的相似性较大时,区域权重wc较大,中心超像素为舰船目标的概率较大;当中心超像素与邻域超像素差异较大,但邻域超像素与其自身邻域超像素的相似性较小时,区域权重wc较小,中心超像素为舰船目标的概率较小。
然而,利用比值权重和区域权重检测的结果并不总是处于海岸线边缘,这是因为在非港口区域,一些人工建筑位于海岸附近的陆地上,与海岸线具有一定的距离。这类建筑所形成的超像素会在舰船检测时被检测出来,造成虚警率提高,检测性能下降。为了解决这个问题,在比值权重和区域权重的基础上,构建一种距离权重wd,其表达式定义如下:
其中ds为当前超像素边缘与海岸线的最小距离,dmax为疑似目标区域所有超像素边缘与海岸线最小距离的最大值,dmin为疑似目标区域所有超像素边缘与海岸线最小距离的最小值。当超像素距离海岸线较近时给予较大的距离权重;当超像素距离海岸线较远时给予较小的权重。这是因为真实的近岸舰船通常停靠岸在岸边,距离海岸线较近。
综上所述,可以构建局部特征差异性因子e,其表达式可以表示为:
由式(7)可以看出,当中心超像素为舰船目标时,e的值较大;当中心超像素为近岸背景时,e的值较小。因此,中心超像素经过目标增强后的值可以表示为:
Snew=ST·e (8)
通过对疑似目标区域所有超像素逐个计算并归一化,可以得到归一化的增强图像。此时,目标与海岸背景具有显著差异,利用大津法进行自适应阈值检测,检测出疑似舰船目标。
S5、采用垂直结构切分方法对疑似舰船目标进行切分。主要包括:
S501、利用骨架线将与舰船目标近乎平行或近乎垂直的区域分割开;
S502、计算封闭区域的骨架线;
S503、对骨架线进行分段,分别计算每段线条的方向与舰船外接矩形四条边中距离海岸线平均距离最小的边的方向,移除与舰船目标近乎垂直的线条;
S504、对每段骨架线进行形态学膨胀操作得到重塑的封闭区域,从而将码头和舰船被分离开来,每段骨架线的膨胀尺度为每段骨架线上各点到轮廓线的最短距离的平均值。
具体来说,通过局部特征差异性因子能够获取疑似舰船目标,但一些码头尤其是原油码头具有和舰船相似的后向散射系数,并且和舰船垂直连在一起。这些和码头垂直相连的舰船目标若不进行处理,会在后续的目标判别中因其失去形状特征而被判为非舰船目标。舰船与码头垂直相连的结构如图3所示。
为了提高舰船检测的精度,提出一种垂直结构切分方法对疑似舰船目标进行切分。由于图3所示四种情况的处理方法完全相同,这里选取第一种情况进行实例分析,具体过程可参考图4切分方法示意图。切分方法的核心思想是保留与舰船目标方向差距较小的区域,移除与舰船目标方向差距较大的区域。为了移除与舰船目标的方向差距较大的区域,首先需要计算舰船目标的方向。舰船目标一般为椭圆形状,其方向无法直接计算,但可以发现舰船目标与海岸线近乎平行,封闭区域的外接矩形与舰船目标也近乎平行。因此,可以利用外接矩形的方向来近似舰船目标的方向。然而,外接矩形具有两个方向,一个是与舰船目标近乎平行的方向,另一个是与舰船目标近乎垂直的方向。
为了确定具体哪个方向作为舰船目标的近似方向,通过图4的示意图进行分析。从图4(a)中可以看出四个特点:
1)外接矩形上下两边与舰船目标近乎平行;
2)外接矩形下边这条边距离舰船最近;
3)外接矩形下边这条边距离海岸线最近;
4)外接矩形左右两边距离海岸线较远。
由上述四个特点可以看出利用外接矩形与海岸线平均距离最小的边所计算的方向和舰船目标的方向最为接近。因此,本专利通过计算外接矩形四条边中距离海岸线平均距离最小的边的方向来近似舰船方向。假设外接矩形四条边中距离海岸线平均距离最小的边的方向为θ,利用θ作为舰船方向来移除与舰船目标的方向差距较大的区域。
为了计算各区域的方向,需要对封闭区域进行分割,将与舰船目标近乎平行或近乎垂直的区域分割开。为了获得较好的分割效果,利用骨架线的分割替代封闭区域的分割。首先计算封闭区域的骨架线,骨架线的示意图如图4(b)所示,白色线条表示骨架线,黑色线条为封闭区域的轮廓线,白色直线为外接矩形距离海岸线最近的边。从图4(b)可以看出,码头和舰船的骨架线的方向关系与码头和舰船的方向关系一致,骨架线的中间位置与上下位置处于近乎垂直的关系并且具有两个垂直交点。通过移除两个交点将骨架线分成了五段,如图4(c)所示,分别计算每段线条的方向并与θ作比较,来移除与舰船目标近乎垂直的线条。设五段线条的方向分别为θ1、θ2、θ3、θ4和θ5,当满足|θi-θ|<ε(i=1,2,...,5)时,认为第i段线条的方向与舰船目标的方向近乎平行。在真实SAR图像中舰船目标生成的骨架线除主干线以外通常还有一些支干线,但这些支干线与主要线的方向差距通常较小。为了尽可能保留舰船目标的真实形状,将ε设置为30以保留大多数的支干线。
从图4(c)中可以看出,①、②、④、⑤四段线条的方向与舰船的方向θ差距较小,线条③的方向与舰船的方向θ差距较大,因此,移除线条③,保留其它线条。移除后的骨架线如图4(d)所示,图中黑色线条表示封闭区域的轮廓线,对每段骨架线进行形态学膨胀操作得到重塑的封闭区域,每段骨架线的膨胀尺度为每段骨架线上各点到轮廓线的最短距离的平均值。膨胀后的形状如图4(e)所示,码头和舰船被分离开来,为了尽可能恢复舰船的真实形状,将膨胀后的图像与原来的封闭区域取交集,得到分割移除后的图像,如图4(f)所示。
S6、在切分后的图像中筛选出细小目标在保留真实目标的前提下移除虚警目标。主要包括:
S601、骨架线到目标轮廓线最小距离的平均值筛选细小目标;
S602、对细小目标进行延伸,基于非舰船目标的与陆地的位置特性判断细小目标是否属于舰船目标,如果是则保留,否则移除。
具体来说,
在疑似舰船目标中,由于一些近岸建筑具有强后向散射系数,导致其成为疑似舰船目标中非舰船目标的主要来源。已有的近岸舰船检测方法通常利用形状特征在保留真实舰船目标的同时,对虚假目标进行了大范围的剔除。常见的特征有面积、长宽比、面积占比和紧凑度等。然而,由于直线状的近岸建筑和码头的散射系数的不均匀性,产生了一些细小的目标,细小目标中还可能包含有舰船目标,利用上述基本特征无法进行有效移除。因此,本专利从形状特征和空间特征进行考虑,构建一种基于细小目标的舰船检测准则。
基于细小目标的舰船检测准则分为两步,第一步筛选出细小目标,第二步在保留真实目标的前提下移除虚警目标。对于细小目标的筛选,提出了一种骨架线平均最小距离,其主要思想是骨架线到目标轮廓线最小距离的平均值,并通过固定阈值进行判别。其表达式如下所示:
其中,lg表示骨架线,如图4(b)白色线条,lk表示轮廓线,如图4(b)黑色线条,表示骨架线上的第i(i=1,2,...,n1)个点,表示轮廓线上的第j(j=1,2,...,n2)个点,阈值参数ε1取2时具有最好的结果。
细小目标筛选结束后,需要对其进行判别,在保留真实舰船的情况下移除虚假目标。z在海陆分割二值图中,近岸建筑和码头与陆地相连且具有连通性。直线状的近岸建筑和码头虽然在散射系数上具有不均匀性,但其后向散射系数依然远大于海面的后向散射系数。因此,在海陆分割时被判为陆地区域。此时整个陆地区域(不包含岛屿)成为一个整体,直线状的近岸建筑和码头所产生的细小虚警目标依然属于陆地区域的一部分。由于其具有连通性,如果将细小虚警目标在其前后方向上进行延伸,延伸区域至少在一个方向与陆地区域几乎完全重合。然而,由于靠岸的细小舰船目标平行或垂直于码头区域,且码头一般是具有一定宽度的细长条状,将舰船目标在其前后方向进行延伸一定长度,延伸区域与陆地区域重合的部分很少,重合部分只是舰船与细长码头重合的部分。当然,如果对水上的细小舰船进行延伸,其延伸区域与陆地的重合区域几乎为0。
为了更直观的对延伸过程进行了解,通过图5延伸示意图进行分析。图中白色封闭区域为细小目标,其中①、②和③的白色区域为真实舰船目标,④和⑤的白色区域为虚假目标。对所有细小目标前后方向上进行一定延伸,延伸区域为图中黑色区域。设第k(k=1,2,...5)个细小目标的前后延伸面积分别为Sk1和Sk2且Sk1=Sk2,两方向上与码头重叠的区域设为Rk1和Rk2,前后两方向重叠区域与对应延伸区域的比值分别为rk1和rk2。实际细长码头的宽度一般不大于40m,论文使用数据Sentinel-1的分辨率为10m,细长码头在图像中的宽度不大于4个像素,因此论文将延伸长度设置为8个像素长度。当rk1和rk2同时小于0.5时,第k个细小目标为真实舰船目标被保留;否则,第k个细小目标为非舰船目标被移除,判别结果示意图如图6所示。
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)
1.一种局部特征差异性耦合的SAR图像近岸舰船检测方法,其特征在于,包括:
获取SAR图像并进行海陆分割处理,获得待处理图像;
对所述待处理图像进行形态学腐蚀处理,识别近岸疑似区域;
对近岸疑似区域进行目标增强后在进行超像素分割,获取分割图像;
构建局部特征差异性因子对所述分割图像进行处理,增强舰船目标与海岸背景的对比度,获取疑似舰船目标;
采用垂直结构切分方法对疑似舰船目标进行切分;
在切分后的图像中筛选出细小目标在保留真实目标的前提下移除虚警目标。
2.根据权利要求1所述的一种局部特征差异性耦合的SAR图像近岸舰船检测方法,其特征在于,构建局部特征差异性因子对所述分割图像进行处理,包括:
获取各超像素均值;
基于当前超像素的像素均值和疑似目标区域最大的超像素均值获取比值权重;
基于中心超像素与邻域超像素的区域差异特性和邻域超像素与以自身为中心超像素时的邻域超像素的相似性共同构建区域权重;
基于当前超像素边缘、疑似目标区域所有超像素边缘以及疑似目标区域所有超像素边缘的距离特征构建距离权重;
基于所述比值权重、区域权重以及距离权重构建局部特征差异性因子。
3.根据权利要求1所述的一种局部特征差异性耦合的SAR图像近岸舰船检测方法,其特征在于,采用垂直结构切分方法对疑似舰船目标进行切分,包括:
利用骨架线将与舰船目标近乎平行或近乎垂直的区域分割开;
计算封闭区域的骨架线;
对骨架线进行分段,分别计算每段线条的方向与舰船外接矩形四条边中距离海岸线平均距离最小的边的方向,移除与舰船目标近乎垂直的线条;
对每段骨架线进行形态学膨胀操作得到重塑的封闭区域,从而将码头和舰船被分离开来,每段骨架线的膨胀尺度为每段骨架线上各点到轮廓线的最短距离的平均值。
4.根据权利要求3所述的一种局部特征差异性耦合的SAR图像近岸舰船检测方法,其特征在于,采用垂直结构切分方法对疑似舰船目标进行切分,还包括将膨胀后的图像与原来的封闭区域取交集,得到分割移除后的图像。
5.根据权利要求1所述的一种局部特征差异性耦合的SAR图像近岸舰船检测方法,其特征在于,在切分后的图像中筛选出细小目标在保留真实目标的前提下移除虚警目标,包括:
骨架线到目标轮廓线最小距离的平均值筛选细小目标;
对细小目标进行延伸,基于非舰船目标的与陆地的位置特性判断细小目标是否属于舰船目标,如果是则保留,否则移除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610294.XA CN113379695B (zh) | 2021-06-01 | 2021-06-01 | 局部特征差异性耦合的sar图像近岸舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610294.XA CN113379695B (zh) | 2021-06-01 | 2021-06-01 | 局部特征差异性耦合的sar图像近岸舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379695A true CN113379695A (zh) | 2021-09-10 |
CN113379695B CN113379695B (zh) | 2024-03-29 |
Family
ID=77575293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110610294.XA Active CN113379695B (zh) | 2021-06-01 | 2021-06-01 | 局部特征差异性耦合的sar图像近岸舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379695B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758508A (zh) * | 2023-08-18 | 2023-09-15 | 四川蜀道新能源科技发展有限公司 | 基于像素差异扩大处理的路面标线检测方法、系统及终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105759268A (zh) * | 2016-03-24 | 2016-07-13 | 山东科技大学 | 基于多线程的sar图像cfar自适应快速检测方法 |
CN107301649A (zh) * | 2017-06-15 | 2017-10-27 | 大连海事大学 | 一种基于超像素的区域合并sar图像海岸线检测算法 |
US20200167601A1 (en) * | 2017-12-11 | 2020-05-28 | Zhuhai Da Hengqin Technology Development Co., Ltd. | Ship detection method and system based on multidimensional scene features |
CN112101250A (zh) * | 2020-09-18 | 2020-12-18 | 电子科技大学 | 一种基于上下文语义感知的近岸舰船目标检测方法 |
-
2021
- 2021-06-01 CN CN202110610294.XA patent/CN113379695B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105759268A (zh) * | 2016-03-24 | 2016-07-13 | 山东科技大学 | 基于多线程的sar图像cfar自适应快速检测方法 |
CN107301649A (zh) * | 2017-06-15 | 2017-10-27 | 大连海事大学 | 一种基于超像素的区域合并sar图像海岸线检测算法 |
US20200167601A1 (en) * | 2017-12-11 | 2020-05-28 | Zhuhai Da Hengqin Technology Development Co., Ltd. | Ship detection method and system based on multidimensional scene features |
CN112101250A (zh) * | 2020-09-18 | 2020-12-18 | 电子科技大学 | 一种基于上下文语义感知的近岸舰船目标检测方法 |
Non-Patent Citations (1)
Title |
---|
李军;: "光学遥感图像在舰船目标检测中的应用分析", 舰船电子工程, no. 10, 20 October 2016 (2016-10-20) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758508A (zh) * | 2023-08-18 | 2023-09-15 | 四川蜀道新能源科技发展有限公司 | 基于像素差异扩大处理的路面标线检测方法、系统及终端 |
CN116758508B (zh) * | 2023-08-18 | 2024-01-12 | 四川蜀道新能源科技发展有限公司 | 基于像素差异扩大处理的路面标线检测方法、系统及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN113379695B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114140462B (zh) | 一种基于图像处理的轴承磨损程度评估方法 | |
CN115457041B (zh) | 一种道路质量识别检测方法 | |
CN116310360B (zh) | 一种电抗器表面缺陷检测方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN109117802B (zh) | 面向大场景高分遥感影像的舰船检测方法 | |
CN112560671B (zh) | 基于旋转卷积神经网络的船舶检测方法 | |
CN112581436A (zh) | 基于深度学习的肺结节识别与分割方法及系统 | |
CN108846844B (zh) | 一种基于海天线的海面目标检测方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
WO2018000252A1 (zh) | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 | |
CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
CN113379695B (zh) | 局部特征差异性耦合的sar图像近岸舰船检测方法 | |
CN106600613A (zh) | 基于嵌入式gpu的改进lbp红外目标检测方法 | |
CN109993744B (zh) | 一种海上逆光环境下的红外目标检测方法 | |
Nguyen et al. | Improved watershed segmentation using water diffusion and local shape priors | |
CN114219996A (zh) | 一种sar图像停泊舰船目标检测方法 | |
Wang et al. | A novel segmentation algorithm for side-scan sonar imagery with multi-object | |
CN114549545A (zh) | 基于岩块形状的爆堆图像自适应分割方法、设备及介质 | |
CN112215104A (zh) | 一种基于超像素分割的海冰提取方法、装置和设备 | |
CN113379694B (zh) | 雷达图像局部点面对比度积舰船检测方法 | |
CN115222758B (zh) | 一种低分辨广域序列遥感影像船动目标实时检测方法 | |
CN115049687B (zh) | 一种点云提取方法、装置、设备及介质 | |
CN117253150A (zh) | 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统 | |
Beugeling et al. | Detection of objects and their shadows from acoustic images of the sea floor |
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 |