CN113570632B - 基于高时相星载sar序贯图像的运动小目标检测方法 - Google Patents
基于高时相星载sar序贯图像的运动小目标检测方法 Download PDFInfo
- Publication number
- CN113570632B CN113570632B CN202110858033.XA CN202110858033A CN113570632B CN 113570632 B CN113570632 B CN 113570632B CN 202110858033 A CN202110858033 A CN 202110858033A CN 113570632 B CN113570632 B CN 113570632B
- Authority
- CN
- China
- Prior art keywords
- image
- sequential
- moving target
- sparse
- images
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 73
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 238000011002 quantification Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010365 information processing Effects 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
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于高时相星载SAR序贯图像的运动小目标检测方法，方法包括以下步骤：对序贯图像进行峰值量化处理，采用鲁棒主成分分析方法进行序贯图像预检测，并获得稀疏矩阵，构建稀疏图像；对稀疏图像进行阈值分割，确定潜在动目标范围；通过邻域剔除潜在动目标范围内的孤立点，得到二值图像，对二值图像进行形态学处理，利用最小矩形包围框方法进行处理，符合运动统计特征的矩形框保留，为检测出的动目标信号；对同一图像检测结果中的两个相邻矩形框邻接处进行目视判读及分析。本发明实现通过多方位角观测星载SAR序贯图像对非均匀或极不均匀背景动、小目标进行检测的高效性和有效性。
Description
技术领域
本发明涉及信号与信息处理技术领域，尤其涉及一种基于高时相星载SAR序贯图像的运动小目标检测方法。
背景技术
多方位角观测星载合成孔径雷达(Space-borne Synthetic Aperture Radar，简称星载SAR)具有全天时、全天候的对地观测能力。多方位角观测技术通过平台机动、天线电或机械扫描等，实现波束旋转，在卫星单次过境时获取同一区域的序贯图像。借助该类图像序列包含的丰富方位信息，可对动目标进行检测、跟踪及识别，是动目标指示(MovingTarget Indication，简称MTI)应用的重要组成部分。
多方位角观测星载SAR采用单相控(阵)天线的系统设计，相比多通道系统具有低的复杂度。除军事应用外，该技术可用于海、陆区域中船舶、车辆等移动目标的检测，通过对目标进行参数估计，结合方位及背景信息，可识别特定的车船目标。除军事应用外，该技术有潜力用于海、陆交通监测，估计监测区域内的交通流量，不仅可辅助调度，而且可对道路、港口等基础设施的规划及改造等提供建议，具有广阔的应用前景。
由于卫星距地球表面达数百千米，获取序贯图像时，动目标回波信号弱，噪声干扰强；同时，桥梁、建筑等人造静止目标由于含有金属或与地面形成角反射器，在某些方向散射特性强。若采用传统多通道系统的检测方法，如偏置天线相位中心(DPCA)、沿迹干涉(ATI)等会造成大量虚警，影响检测结果。
因此，针对以上不足，需要提供一种基于高时相星载SAR序贯图像的运动小目标检测方法，实现通过多方位角观测星载SAR序贯图像对非均匀或极不均匀背景动、小目标进行检测的高效性和有效性。
发明内容
本发明要解决的技术问题在于，卫星距地球表面达数百千米，获取序贯图像时，动目标回波信号弱，噪声干扰强；同时，桥梁、建筑等人造静止目标由于含有金属或与地面形成角反射器，在某些方向散射特性强；采用传统检测方法，如偏置天线相位中心(DPCA)、沿迹干涉(ATI)等会造成大量虚警，影响检测结果。针对现有技术中的缺陷，提供一种基于高时相星载SAR序贯图像的运动小目标检测方法。
为了解决上述技术问题，本发明提供了一种基于高时相星载SAR序贯图像的运动小目标检测方法，包括以下步骤：对序贯图像进行峰值量化处理；对进行峰值量化处理后的序贯图像，采用鲁棒主成分分析方法进行序贯图像预检测，并获得稀疏矩阵；根据稀疏矩阵构建稀疏图像；对任一稀疏图像进行阈值分割，确定潜在动目标范围；通过邻域剔除潜在动目标范围内的孤立点，孤立点剔除后得到二值图像Cj；对任一二值图像Cj进行形态学处理得到图像Dj；利用最小矩形包围框方法对图像Dj进行处理，符合运动统计特征的矩形框保留，为检测出的动目标信号；对同一图像检测结果中的两个相邻矩形框邻接处进行目视判读及分析。
优选地，对序贯图像进行峰值量化处理，包括以下步骤：对序贯图像序列中任一图像K，设其像素幅度最大值为Kmax，引入惩罚系数r，使Kmax/r与图像中潜在动目标信号的像素幅度值近似相当，并将所有大于Kmax/r的像素值置为该值，并线性量化到[0,255.0]区间；峰值量化后的图像为K'。对像素点(i,j)，量化过程可以表示为：
优选地，采用鲁棒主成分分析方法进行序贯图像预检测，并获得稀疏矩阵，包括以下步骤：将每幅图像K'拉直为列向量，拼接为矩阵X，使用鲁棒主成分分析方法，将矩阵X分解为低秩矩阵L和稀疏矩阵S；低秩-稀疏分解过程可以表示为：
X＝L+S
优选地，根据稀疏矩阵构建稀疏图像，包括以下步骤：对稀疏矩阵S沿各行进行中值滤波，平滑相邻不同方位角图像间的幅值起伏；将稀疏矩阵S的每一列向量，展开重构为稀疏图像。
优选地，对任一稀疏图像进行阈值分割，包括以下步骤：对任一稀疏图像进行阈值分割，收集其负值像素集合为Aj；图像幅值方差为σ，收集大于σ的像素集合为Bj；对于N幅图像，确定潜在动目标范围，包括以下步骤：将当前图像负值像素的像素点置1，取并运算得到运动信号的轨迹，为A＝A1∪A2∪...∪AN；将当前图像大于方差的像素与运动信号的轨迹取交运算，缩小潜在动目标范围，为B'j＝Bj∩A。
优选地，通过邻域剔除潜在动目标范围内的孤立点，孤立点剔除后得到二值图像Cj，包括以下步骤：从第一幅图像起顺序处理；对于第一幅图像中的像素点仅考虑其相邻的第二幅图像，对于最后一幅图像中的像素点仅考虑最后一幅图像；对于第一幅图像或最后一幅图像中的边缘像素仅考虑图像区域内邻域像素，对第一幅图像或最后一幅图像中的任一潜在动目标点，考察其当前图像内邻域点，以及相邻图像对应邻域中的点；若这些像素点均不包含潜在信号，则剔除这些像素点，值置为0；若为其它图像，对任一潜在动信号点，考察其当前图像内邻域点，以及左、右相邻图像中相应邻域中的点；若这些像素点均不包含潜在信号，则剔除这些像素点，值置为0；孤立点剔除后得到的二值图像为Cj。
优选地，对任一二值图像Cj进行形态学处理得到图像Dj，包括以下步骤：对每幅图像Cj，通过闭运算弥合潜在动信号区域内的狭小孔洞；再通过开运算去除图像区域内的其它孤立点；设定面积约束，面积小于动目标信号先验的为虚警；经形态学处理后的图像为Dj。
优选地，利用最小矩形包围框方法对图像Dj进行处理，符合运动统计特征的矩形框保留，为检测出的动目标信号，包括以下步骤：利用最小矩形包围框方法处理图像Dj，记录各矩形框质心，对于图像中任一质心m，其初始标识计数为0，如果其它N-1幅图像中存在矩形框，其质心与m的距离位于最小距离d1与最大距离d2之间，则该质心标识计数加1，最终计数大于规定数目的矩形框保留，为检测出的动目标信号。
优选地，对同一图像检测结果中的两个相邻矩形框邻接处进行目视判读及分析，包括以下步骤：对同一图像检测结果中的两个相邻矩形框，各选取彼此距离最近的一条边，对应的四个顶点组成四边形区域；目视观察及分析序贯图像内该区域的散射特性序列，如果始终表现为强度、起伏程度均较高的静止目标或动目标信号在观测时间内的静止部分，则两个矩形框判定为同一目标。
优选地，根据稀疏矩阵构建稀疏图像之后，还包括以下步骤：对稀疏图像使用均值滤波抑制加性噪声；其中，均值滤波的模板框小于潜在动目标尺寸。
实施本发明的一种基于高时相星载SAR序贯图像的运动小目标检测方法，实现通过多方位角观测星载SAR序贯图像对非均匀或极不均匀背景动、小目标进行检测的高效性和有效性。
附图说明
图1是本发明基于高时相星载SAR序贯图像的运动小目标检测方法的实施例的流程图；
图2是本发明基于高时相星载SAR序贯图像的运动小目标检测方法的一个实施例中峰值量化后序贯图像(第1幅)及潜在动目标示意图；
图3是本发明基于高时相星载SAR序贯图像的运动小目标检测方法的一个实施例中不同方位角图像动目标检测结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明基于高时相星载SAR序贯图像的运动小目标检测方法的实施例的流程图；如图1所示，本发明基于高时相星载SAR序贯图像的运动小目标检测方法包括以下步骤：
步骤S01：对序贯图像进行峰值量化处理；
步骤S02：对进行峰值量化处理后的所述序贯图像，采用鲁棒主成分分析方法进行序贯图像预检测，并获得稀疏矩阵；
步骤S03：根据所述稀疏矩阵构建稀疏图像；
步骤S04：对任一稀疏图像进行阈值分割，确定潜在动目标范围；
步骤S05：通过邻域剔除所述潜在动目标范围内的孤立点，孤立点剔除后得到二值图像Cj；
步骤S06：对任一二值图像Cj进行形态学处理得到图像Dj；
步骤S07：利用最小矩形包围框方法对图像Dj进行处理，符合运动统计特征的矩形框保留，为检测出的动目标信号；
步骤S08：对同一图像检测结果中的两个相邻矩形框邻接处进行目视判读及分析。
本发明基于高时相星载SAR序贯图像的运动小目标检测方法，解决了多方位角观测星载SAR序贯图像中静止人造目标各向异性散射、噪声干扰强等因素，导致传统方法不再适用的问题；本发明仅利用图像域中的幅度信息，可检测每幅图像中偏移、散焦动目标信号，并粗略生成目标轨迹，运算效率高，能够为长时间序列图像动目标检测的迭代方法提供初始解，也可为后续特定运动目标识别、参数精确估计等奠定基础。
本实施例提供的基于高时相星载SAR序贯图像的运动小目标检测方法，在不同方位角星载SAR幅度图像中，由于人造静止目标含有金属、与地面形成角反射器等，部分像素值远大于其它像素，对这些值进行压缩：对序贯图像进行峰值量化处理，包括以下步骤：对序贯图像序列中任一图像K，设其像素幅度最大值为Kmax，引入惩罚系数r，使Kmax/r与图像中潜在动目标信号的像素幅度值近似相当，并将所有大于Kmax/r的像素值置为该值，并线性量化到[0,255.0]区间；峰值量化后的图像为K'。对像素点(i,j)，量化过程可以表示为：
对不同方位角星载SAR幅度图像的幅值中的较大值进行压缩，使人造静止目标与图像中潜在动目标“亮度”相当，并进行线性量化。
在本实施例中采用凝视聚束模式，通过子孔径划分获取不同方位角序贯图像幅数N为28，方位向频谱重叠率大于95％，r取120。结合后续检测结果，对r可阶梯式多次试验。
本实施例提供的基于高时相星载SAR序贯图像的运动小目标检测方法，采用鲁棒主成分分析方法进行序贯图像预检测，并获得稀疏矩阵，包括以下步骤：将量化后的每幅图像K'拉直为列向量，拼接为矩阵X，使用鲁棒主成分分析(Robust Principle ComponentAnalysis，简称RPCA)方法，将矩阵X分解为低秩矩阵L和稀疏矩阵S；低秩-稀疏分解过程可以表示为：
X＝L+S
拉直、拼接各方位角图像，利用RPCA方法进行低秩-稀疏分解。本实施例中，当图像数目较多时，低秩矩阵L倾向于保留动目标的部分沿迹能量；由于各向异性散射的影响，稀疏矩阵S中除动目标信号外，仍包含有大量静止目标及噪声。在本实施例中采用InexactAugmented Lagrange Multiplier(简称Inexact ALM)作为求解器。迭代最大次数为300，低秩、稀疏矩阵在迭代前均设为零矩阵，增量因子μ10倍于经典参数设置。其中，图像数目较多的情形，针对当前的图像数量为28幅的实施例，可表述为具体数值大于20；“图像数目较多”的数值与图像序列背景的非均匀度程度存在关联。
本实施例提供的基于高时相星载SAR序贯图像的运动小目标检测方法，根据稀疏矩阵构建稀疏图像，包括以下步骤：对稀疏矩阵S沿各行进行中值滤波，平滑相邻不同方位角图像间的幅值起伏；将稀疏矩阵S的每一列向量，展开重构为稀疏图像。
本实施例提供的基于高时相星载SAR序贯图像的运动小目标检测方法，对任一稀疏图像j进行阈值分割，包括以下步骤：对任一稀疏图像j进行阈值分割。收集其负值像素集合为Aj；图像幅值方差为σ，再收集大于σ的像素集合为Bj；其中，图像幅值方差为σ指的是单幅图像像素值集合的方差。对于N幅图像，通过集合的交、并运算界定潜在动目标的像素位置，包括以下两个步骤：
(1)当前图像负值像素表示潜在动目标在其它图像中可能出现过，将该像素点置1，因此取并作为该运动信号的轨迹，为A＝A1∪A2∪...∪AN；
(2)当前图像大于方差的像素为动目标更可能出现的位置，因此与信号轨迹取交，可以进一步缩小潜在动目标范围，为B'j＝Bj∩A。
本实施例提供的基于高时相星载SAR序贯图像的运动小目标检测方法，通过邻域剔除潜在动目标范围内的孤立点，孤立点剔除后得到二值图像Cj，包括以下步骤：从第一幅图像起顺序处理，包括以下两种情况：
若为第一幅图像或最后一幅图像中的像素点，仅考虑其相邻的第二幅或最后一幅图。对于边缘像素，仅考虑图像区域内邻域像素；对任一潜在动目标点，考察其当前图像内邻域点，以及相邻图像对应邻域中的点，若这些点均不包含潜在信号，则剔除该像素，值置为0；
若为其它图像，对任一潜在信号点，考察其当前图像内邻域点，以及左、右相邻图像中相应邻域中的点，若这些点均不包含潜在信号，则剔除该像素，值置为0；
对于情况(1)，需判别的邻域点最少为7个，最多为17个；对于情况(2)，需判别的邻域点最少为11个，最多为26个。经邻域孤立点判别后的二值图像为Cj。虽然运动目标成像时由于多普勒失配发生散焦，但当图像序列密集时，信号所在像素在时空域连续，本发明以此为基础剔除潜在动目标范围内的孤立点。
本实施例提供的基于高时相星载SAR序贯图像的运动小目标检测方法，对任一二值图像Cj进行形态学处理得到图像Dj，包括以下步骤：对每幅图像Cj，通过闭运算弥合潜在动信号区域内的狭小孔洞；再通过开运算去除图像区域内的其它孤立点；设定面积约束，面积小于动目标信号先验的为虚警；经形态学处理后的图像为Dj。本发明实施例中，对每幅图像Cj进行闭-开运算，同时设定面积约束，动目标沿图像两向散焦，结构元为十字型，为[0,1,0；1,1,1；0,1,0]，面积最小值为9像素。
本实施例提供的基于高时相星载SAR序贯图像的运动小目标检测方法，利用最小矩形包围框(Minimum Bound Rectangle，简称MBR)方法对图像Dj进行处理，符合运动统计特征的矩形框保留，为检测出的动目标信号，包括以下步骤：利用最小矩形包围框方法处理图像Dj，记录各矩形框质心，对于图像中任一质心m，其初始标识计数为0，如果其它N-1幅图像中存在矩形框，其质心与m的距离位于最小距离d1与最大距离d2之间，则该质心标识计数加1，最终计数大于规定数目的矩形框保留，为检测出的动目标信号。在本实施例最小距离d1为10，最大距离d2为40。距离内矩形框的最小数目为2/3N。结合后续检测结果，对d1,d2及最小数目等可阶梯状进行多次试验。
本实施例提供的基于高时相星载SAR序贯图像的运动小目标检测方法，对同一图像检测结果中的两个相邻矩形框邻接处进行目视判读及分析，包括以下步骤：对同一图像检测结果中的两个相邻矩形框，各选取彼此距离最近的一条边，对应的四个顶点组成四边形区域；目视观察及分析序贯图像内该区域的散射特性序列，如果始终表现为强度、起伏程度均较高的静止目标或动目标信号在观测时间内的静止部分，则两个矩形框判定为同一目标。
本实施例提供的基于高时相星载SAR序贯图像的运动小目标检测方法，根据稀疏矩阵构建稀疏图像之后，还包括以下步骤：对稀疏图像使用均值滤波抑制加性噪声；其中，为避免误滤除待检测目标，均值滤波的模板框小于潜在动目标尺寸。分别采用中值滤波、均值滤波处理稀疏矩阵、稀疏图像。在本实施例中中值滤波模板为[1,5]，均值滤波模板为[3,3]。
通过上述步骤，完成了多方位角星载SAR序贯图像动目标的检测，该结果可用于粗略生成目标轨迹，能够为长时间序列图像动目标检测的迭代方法提供初始解，也可为后续特定运动目标识别、参数精确估计等奠定基础。基于RPCA方法对前景、背景的良好分离功能，同时借助SAR图像中动目标的特性去除虚警。本发明的优点在于：高效性，本发明提出的基于高时相星载SAR序贯图像的运动小目标检测方法，采用了启发式搜索，易于编程实现，运行效率高；有效性，本发明提出的基于高时相星载SAR序贯图像的运动小目标检测方法，适用于星载SAR条带、凝视聚束两种模式，有效性强。
为说明本发明的有效性，进行基于真实TerraSAR-X图像的检测试验，序贯图像部分参数如表1所示，
表1实施例序贯图像部分参数
以第一幅图为例，图2是本发明基于高时相星载SAR序贯图像的运动小目标检测方法的一个实施例中峰值量化后序贯图像(第1幅)及潜在动目标示意图，图为沈阳北高铁站旁小停车场，场景内包含若干人造建筑目标，干扰较多，位于左下角的放大图中的椭圆区域内的两个框表示潜在动目标。
图3是本发明基于高时相星载SAR序贯图像的运动小目标检测方法的一个实施例中不同方位角图像动目标检测结果。各幅图像检测结果如图3。从检测结果可以看出，地面静止杂波及噪声均被有效抑制，结合目视结果可以判定为单一移动车辆目标。以上结果说明了本发明基于高时相星载SAR序贯图像的运动小目标检测方法的有效性。
最后应说明的是：以上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精神和范围。
Claims (10)
1.一种基于高时相星载SAR序贯图像的运动小目标检测方法，其特征在于，包括以下步骤：
对序贯图像进行峰值量化处理；
对进行峰值量化处理后的所述序贯图像，采用鲁棒主成分分析方法进行序贯图像预检测，并获得稀疏矩阵；
根据所述稀疏矩阵构建稀疏图像；
对任一稀疏图像进行阈值分割，确定潜在动目标范围；
通过邻域剔除所述潜在动目标范围内的孤立点，孤立点剔除后得到二值图像Cj；
对任一二值图像Cj进行形态学处理得到图像Dj；
利用最小矩形包围框方法对图像Dj进行处理，符合运动统计特征的矩形框保留，为检测出的动目标信号；
对同一图像检测结果中的两个相邻矩形框邻接处进行目视判读及分析。
2.根据权利要求1所述的基于高时相星载SAR序贯图像的运动小目标检测方法，其特征在于，所述对序贯图像进行峰值量化处理，包括以下步骤：
对所述序贯图像序列中任一图像K，设其像素幅度最大值为Kmax，引入惩罚系数r，使Kmax/r与图像中潜在动目标信号的像素幅度值近似相当，并将所有大于Kmax/r的像素值置为该值，并线性量化到[0,255.0]区间；峰值量化后的图像为K′；对像素点(i,j)，量化过程可以表示为：
3.根据权利要求1所述的基于高时相星载SAR序贯图像的运动小目标检测方法，其特征在于，所述采用鲁棒主成分分析方法进行序贯图像预检测，并获得稀疏矩阵，包括以下步骤：
将每幅图像K'拉直为列向量，拼接为矩阵X，使用鲁棒主成分分析方法，将矩阵X分解为低秩矩阵L和稀疏矩阵S；低秩-稀疏分解过程可以表示为：
X＝L+S
4.根据权利要求1所述的基于高时相星载SAR序贯图像的运动小目标检测方法，其特征在于，所述根据所述稀疏矩阵构建稀疏图像，包括以下步骤：
对稀疏矩阵S沿各行进行中值滤波，平滑相邻不同方位角图像间的幅值起伏；将稀疏矩阵S的每一列向量，展开重构为稀疏图像。
5.根据权利要求1所述的基于高时相星载SAR序贯图像的运动小目标检测方法，其特征在于，所述对任一稀疏图像进行阈值分割，包括以下步骤：对任一稀疏图像进行阈值分割，收集其负值像素集合为Aj；图像幅值方差为σ，收集大于σ的像素集合为Bj；
对于N幅图像，所述确定潜在动目标范围，包括以下步骤：将当前图像负值像素的像素点置1，取并运算得到运动信号的轨迹，为A＝A1∪A2∪...∪AN；将当前图像大于方差的像素与所述运动信号的轨迹取交运算，缩小潜在动目标范围，为B′j＝Bj∩A。
6.根据权利要求1所述的基于高时相星载SAR序贯图像的运动小目标检测方法，其特征在于，所述通过邻域剔除所述潜在动目标范围内的孤立点，孤立点剔除后得到二值图像Cj，包括以下步骤：
从第一幅图像起顺序处理；
对于第一幅图像中的像素点仅考虑其相邻的第二幅图像，对于最后一幅图像中的像素点仅考虑最后一幅图像；对于第一幅图像或最后一幅图像中的边缘像素仅考虑图像区域内邻域像素，对第一幅图像或最后一幅图像中的任一潜在动目标点，考察其当前图像内邻域点，以及相邻图像对应邻域中的点；若这些像素点均不包含潜在信号，则剔除这些像素点，值置为0；
若为其它图像，对任一潜在动信号点，考察其当前图像内邻域点，以及左、右相邻图像中相应邻域中的点；若这些像素点均不包含潜在信号，则剔除这些像素点，值置为0；
孤立点剔除后得到的二值图像为Cj。
7.根据权利要求1所述的基于高时相星载SAR序贯图像的运动小目标检测方法，其特征在于，所述对任一二值图像Cj进行形态学处理得到图像Dj，包括以下步骤：
对每幅图像Cj，通过闭运算弥合潜在动信号区域内的狭小孔洞；再通过开运算去除图像区域内的其它孤立点；设定面积约束，面积小于动目标信号先验的为虚警；经形态学处理后的图像为Dj。
8.根据权利要求1所述的基于高时相星载SAR序贯图像的运动小目标检测方法，其特征在于，所述利用最小矩形包围框方法对图像Dj进行处理，符合运动统计特征的矩形框保留，为检测出的动目标信号，包括以下步骤：
利用最小矩形包围框方法处理图像Dj，记录各矩形框质心，对于图像中任一质心m，其初始标识计数为0，如果其它N-1幅图像中存在矩形框，其质心与m的距离位于最小距离d1与最大距离d2之间，则该质心标识计数加1，最终计数大于规定数目的矩形框保留，为检测出的动目标信号。
9.根据权利要求1所述的基于高时相星载SAR序贯图像的运动小目标检测方法，其特征在于，所述对同一图像检测结果中的两个相邻矩形框邻接处进行目视判读及分析，包括以下步骤：
对同一图像检测结果中的两个相邻矩形框，各选取彼此距离最近的一条边，对应的四个顶点组成四边形区域；目视观察及分析序贯图像内该区域的散射特性序列，如果始终表现为强度、起伏程度均较高的静止目标或动目标信号在观测时间内的静止部分，则两个矩形框判定为同一目标。
10.根据权利要求1-9中任一项所述的基于高时相星载SAR序贯图像的运动小目标检测方法，其特征在于，所述根据所述稀疏矩阵构建稀疏图像之后，还包括以下步骤：
对所述稀疏图像使用均值滤波抑制加性噪声；其中，均值滤波的模板框小于潜在动目标尺寸。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110858033.XA CN113570632B (zh) | 2021-07-28 | 2021-07-28 | 基于高时相星载sar序贯图像的运动小目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110858033.XA CN113570632B (zh) | 2021-07-28 | 2021-07-28 | 基于高时相星载sar序贯图像的运动小目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113570632A CN113570632A (zh) | 2021-10-29 |
| CN113570632B true CN113570632B (zh) | 2023-09-26 |
Family
ID=78168632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110858033.XA Active CN113570632B (zh) | 2021-07-28 | 2021-07-28 | 基于高时相星载sar序贯图像的运动小目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113570632B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114240805B (zh) * | 2022-02-24 | 2022-05-27 | 中国科学院空天信息创新研究院 | 一种多角度sar动态成像检测方法及装置 |
| CN116047461B (zh) * | 2023-03-08 | 2023-07-07 | 中国科学院空天信息创新研究院 | 基于视频合成孔径雷达的动目标检测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824088A (zh) * | 2014-01-23 | 2014-05-28 | 西安电子科技大学 | 基于多信息联合动态稀疏表示的sar目标变体识别方法 |
| CN109870687A (zh) * | 2019-03-14 | 2019-06-11 | 北京航空航天大学 | 一种用于互质采样星载sar的成像处理方法 |
| CN111812648A (zh) * | 2020-07-22 | 2020-10-23 | 东南大学 | 多通道合成孔径雷达rpca幅相联合目标检测方法与装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8193967B2 (en) * | 2008-12-10 | 2012-06-05 | The United States Of America As Represented By The Secretary Of The Army | Method and system for forming very low noise imagery using pixel classification |
| US8620093B2 (en) * | 2010-03-15 | 2013-12-31 | The United States Of America As Represented By The Secretary Of The Army | Method and system for image registration and change detection |
-
2021
- 2021-07-28 CN CN202110858033.XA patent/CN113570632B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824088A (zh) * | 2014-01-23 | 2014-05-28 | 西安电子科技大学 | 基于多信息联合动态稀疏表示的sar目标变体识别方法 |
| CN109870687A (zh) * | 2019-03-14 | 2019-06-11 | 北京航空航天大学 | 一种用于互质采样星载sar的成像处理方法 |
| CN111812648A (zh) * | 2020-07-22 | 2020-10-23 | 东南大学 | 多通道合成孔径雷达rpca幅相联合目标检测方法与装置 |
Non-Patent Citations (1)
| Title |
|---|
| 低秩稀疏分解下多尺度积的运动目标检测方法;王辉;孙洪;;信号处理(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113570632A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101221239B (zh) | 一种基于水平集的合成孔径雷达图像分割方法 | |
| CN113570632B (zh) | 基于高时相星载sar序贯图像的运动小目标检测方法 | |
| CN101963662B (zh) | 基于短时分数阶傅里叶域滤波的自聚焦预处理方法 | |
| CN104851097B (zh) | 基于目标形状与阴影辅助的多通道sar‑gmti方法 | |
| CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
| CN109375177B (zh) | 一种用于机场场面监视雷达系统的运动目标检测方法 | |
| CN107942329B (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
| CN111665517B (zh) | 一种基于密度统计的单光子激光测高数据去噪方法及装置 | |
| CN111142105A (zh) | 复杂运动目标isar成像方法 | |
| CN105427301B (zh) | 基于直流分量比测度的海陆杂波场景分割方法 | |
| KR101891410B1 (ko) | 트레이스 변환을 이용한 역합성 개구면 레이더 영상의 표적 분류 장치 및 그 방법 | |
| CN106910177A (zh) | 一种局域图像指标最优化的多角度sar图像融合方法 | |
| CN114418953A (zh) | 一种基于时间历程累计图像的声呐目标检测方法和系统 | |
| Ding et al. | Coastline detection in SAR images using multiscale normalized cut segmentation | |
| CN110095774B (zh) | 一种圆迹视频sar动目标检测方法 | |
| Zhang et al. | Moving target shadow detection based on deep learning in video SAR | |
| CN106910178B (zh) | 一种基于色调统计特性分类的多角度sar图像融合方法 | |
| Cetin et al. | Evaluation of a regularized SAR imaging technique based on recognition-oriented features | |
| CN112083418A (zh) | 视频合成孔径雷达的动目标联合检测前跟踪方法 | |
| Xu et al. | A Target-Oriented Bayesian Compressive Sensing Imaging Method with Region-Adaptive Extractor for mmW Automotive Radar | |
| CN108828549B (zh) | 一种基于机场场面监视雷达系统的目标提取方法 | |
| CN115407282B (zh) | 一种短基线下基于干涉相位的sar有源欺骗干扰检测方法 | |
| CN113283326B (zh) | 基于仿真目标亮线特征的视频sar目标智能检测方法 | |
| CN115877380A (zh) | 一种sar多运动目标成像方法、装置和存储介质 | |
| CN108549063A (zh) | 一种星载合成孔径雷达图像中运动目标航迹向速度快速估计方法 |
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 |