CN113822361B - 一种基于汉明距离的sar图像相似程度度量方法和系统 - Google Patents

一种基于汉明距离的sar图像相似程度度量方法和系统 Download PDF

Info

Publication number
CN113822361B
CN113822361B CN202111127110.0A CN202111127110A CN113822361B CN 113822361 B CN113822361 B CN 113822361B CN 202111127110 A CN202111127110 A CN 202111127110A CN 113822361 B CN113822361 B CN 113822361B
Authority
CN
China
Prior art keywords
sar
image
similarity
sar image
binary image
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
Application number
CN202111127110.0A
Other languages
English (en)
Other versions
CN113822361A (zh
Inventor
谭晓衡
曾志强
陈展野
万俊
黄岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202111127110.0A priority Critical patent/CN113822361B/zh
Publication of CN113822361A publication Critical patent/CN113822361A/zh
Application granted granted Critical
Publication of CN113822361B publication Critical patent/CN113822361B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06T7/12—Edge-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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于雷达信号处理技术领域，特别涉及一种基于汉明距离的SAR图像相似程度度量方法，包括以下步骤：对待比较的SAR图像实施将降噪预处理；将降噪预处理后的SAR图像处理为能反映该SAR图像形状和轮廓的二值图像；对得到的二值图像进行下采样，以得到具有同样像素尺寸的采样二值图像，然后对该采样二值图像进行二维离散余弦变换，并截取出该变换结果的低频部分；计算截取出的低频部分的均值，以该均值为阈值对所述低频部分进行二值化，得到SAR图像的哈希指纹；依据二SAR图像的哈希指纹的汉明距离度量该二SAR图像的相似程度。本发明还公开了一种基于汉明距离的SAR图像相似程度度量系统，实现了对SAR图像相似程度客观而定量的度量。

Description

一种基于汉明距离的SAR图像相似程度度量方法和系统
技术领域
本发明属于雷达信号处理技术领域，特别涉及一种基于汉明距离的SAR图像相似程度度量方法和系统。
背景技术
合成孔径雷达(SAR)由于具有全天时、全天候的探测能力，远距离、宽测绘的工作特点及高分辨、多功能的技术优势，已经在国防和民生等方面得到了广泛应用。随着SAR理论和技术的迅速发展，SAR原始数据的模拟结果和SAR成像质量需要一种客观的方法进行评价，一般是通过分析点目标的一些指标，例如计算峰值旁瓣比(PSLR)、积分旁瓣比(ISLR)和脉冲响应宽度(IRW)是否达到理论值来评价SAR原始回波数据模拟结果是否准确和成像质量。然而，在实际场景中设置角反射器以得到上述指标是不现实的。其次，单个点目标的评价结果是无法代表整个场景的特性的。为了解决这一问题，很直观的是将两幅SAR图像，也就是将参考SAR图像与待测SAR图像进行比较，也即对SAR图像进行相似度评价，虽然两幅SAR图像的相似与否是直观的，但是仍然需要一种客观而且定量的方法对两幅SAR图像的相似程度进行度量，进而为SAR原始数据的模拟方法、SAR成像算法的设计提供理论评价方法。
目前，SAR图像的相似程度度量度根据比较对象的不同可以分为基于特征的和基于区域的，其中基于特征的评价方法通过提取两幅图像中的局部特征，包括点、轮廓、边缘和区域，这些提取的特征应该是两幅SAR图像中高度清晰且稳定可重复的。近年来已经有例如尺度不变特征变换算法(SIFT)等局部不变特征广泛应用于遥感图像的匹配。尽管这些特征对尺度、旋转和线性强度差异具有鲁棒性，但是不能有效应对不同来源的SAR图像，即容易受到非线性强度差异的影响。此外，这些基于特征的方法主要问题在于它们高度依赖SAR图像之间提取的特征，如果提取的特征过少，或者两幅SAR图像由于强度和纹理的巨大差异，导致特征差异较大，也会直接影响相似程度的度量结果。基于区域的方法一般通过比较两幅SAR图像中的对应区域来完成评价。此过程通常在空域完成，包括归一化互相关(NCC)和互信息(MI)等方法。但是这些方法需要两幅SAR图像的大小完全一致，而且这些方法对噪声或者非线性强度差异比较敏感，并不能很好地适应具有复杂灰度变化的多模态SAR图像的相似程度度量度。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于汉明距离的SAR图像相似程度度量方法，避免了噪声和不同数据来源下的SAR图像存在的非线性强度差异对相似程度度量带来的影响，还解决了现有技术中SAR图像大小不一致无法进行相似程度度量的问题，同时实现了对SAR图像相似程度客观而定量的度量。
为实现上述技术目的，本发明采用如下技术方案予以实现。
一种基于汉明距离的SAR图像相似程度度量方法，包括以下步骤：
S1对待比较的SAR图像实施降噪预处理；
S2将降噪预处理后的SAR图像处理为能反映该SAR图像形状和轮廓的二值图像；
S3对S2中得到的二值图像进行下采样，以得到具有同样像素尺寸的采样二值图像，然后对该采样二值图像进行二维离散余弦变换，并截取出该变换结果的低频部分；
S4计算S3中截取出的低频部分的均值，以该均值为阈值对所述低频部分进行二值化，得到SAR图像的哈希指纹；
S5依据二SAR图像的哈希指纹的汉明距离度量该二SAR图像的相似程度。
进一步的，步骤S1中，利用非局部均值(NLM)算法对SAR图像进行预处理。
进一步的，步骤S2中，采用大津阈值分割(OTSU)算法对SAR图像进行形状和轮廓提取，最后得到反映SAR图像形状和轮廓的二值图像。
进一步的，步骤S3中，采样二值图像的尺寸为32×32个像素点，所述低频部分取所述变换结果左上角8×8的矩阵区域。
进一步的，步骤S5中，依据所述汉明距离HamDis以及所述哈希指纹的位数N，计算如下的相似度Similarity以度量二SAR图像的相似程度：
本发明还提出了一种基于汉明距离的SAR图像相似程度度量系统，包括
预处理模块，用于对待比较的SAR图像实施降噪预处理；
二值化模块，用于将降噪预处理后的SAR图像处理为能反映该SAR图像形状和轮廓的二值图像；
频域截取模块，用于对二值化模块得到的二值图像进行下采样，以得到具有同样像素尺寸的采样二值图像，然后对该采样二值图像进行二维离散余弦变换，并截取出该变换结果的低频部分；
哈希指纹模块，用于计算频域截取模块得到的低频部分的均值，并以该均值为阈值对所述低频部分进行二值化，得到SAR图像的哈希指纹；
相似度计算模块，用于计算二SAR图像的哈希指纹的汉明距离，并依照该汉明距离计算二SAR图像的相似度以度量二SAR图像的相似程度。
进一步的，所述预处理模块用于，利用非局部均值(NLM)算法对SAR图像进行预处理。
进一步的，所述二值化模块用于，大津阈值分割(OTSU)算法对SAR图像进行形状和轮廓提取，最后得到反映SAR图像形状和轮廓的二值图像。
进一步的，所述频域截取模块用于将所述二值图像下采样至尺寸为32×32个像素点的采样二值图像，然后对该采样二值图像进行二维离散余弦变换；
以及，截取所述二维离散余弦变换结果左上角8×8的矩阵区域作为低频部分。
进一步的，相似度计算模块依据所述汉明距离HamDis以及所述哈希指纹的位数N，计算如下的相似度Similarity以度量二SAR图像的相似程度：
本发明与现有技术相比，具有如下优点：
本发明对SAR图像进行预处理，避免了SAR图像中普遍存在的噪声对后续相似程度度量度带来的影响，然后通过二值化提取到了SAR图像的形状和轮廓，进一步避免了噪声和不同数据来源下的SAR图像存在的非线性强度差异带来的影响，最后通过感知哈希(PHash)算法，将二值化的SAR图像下采样以得到相同尺寸的采样二值图像，再通过二维离散余弦变换将图像变换到频域提取低频部分，既解决了现有技术中SAR图像大小不一致无法进行度量的问题，同时也保留了SAR图像中主要的形状和轮廓，利用哈希指纹计算汉明距离，实现简单，计算量低，实现了对SAR图像相似程度客观而定量的度量，尤其适用于对SAR原始回波数据模拟结果的评价。
附图说明
图1为本发明实施例中的基于汉明距离的SAR图像相似程度度量方法的流程图；
图2为本发明实施例中的基于汉明距离的SAR图像相似程度度量系统的功能框图；
图3为本发明实施实例中的基于哈希指纹计算汉明距离的示意图；
图4(a)为本发明实施例仿真实验1中的真实SAR图像；
图4(b)为本发明实施例仿真实验1中的去噪后的真实SAR图像；
图4(c)为本发明实施例仿真实验1中的去噪后的真实SAR图像二值化后的结果示意图；
图5(a)为本发明实施例仿真实验2中的理论参考SAR图像；
图5(b)为本发明实施例仿真实验2中的待测SAR图像；
图5(c)为图5(a)中的理论参考SAR图像二值化的结果示意图；
图5(d)为图5(b)中的待测SAR图像二值化的结果示意图；
图5(e)为图5(c)中的二值化结果的哈希指纹示意图；
图5(f)为图5(d)中的二值化结果的哈希指纹示意图；
图6(a)为本发明实施例仿真实验3中的理论参考SAR图像；
图6(b)为本发明实施例仿真实验3中的待测SAR图像；
图6(c)为6(a)中的SAR图像二值化的结果示意图；
图6(d)为6(b)中的SAR图像二值化的结果示意图；
图6(e)为图6(c)中的二值化结果的哈希指纹示意图；
图6(f)为图6(d)中的二值化结果的哈希指纹示意图。
具体实施方式
下面结合附图对本发明作进一步说明：
本实施例中的一种示例性的基于汉明距离的SAR图像相似程度度量方法的流程图基本如图1所示，应用于对待测SAR图像的评价，即通过度量待测SAR图像与参考SAR图像的相似程度。
如图1所示，SAR原始数据首先通过适当的SAR成像算法(例如后向投影算法BPA)成像为待测SAR图像，而后与参考SAR图像一同被输入如图2所示的基于汉明距离的SAR图像相似程度度量系统，本实施例中的SAR图像为灰度图像，因此本实施例中所言像素值即为该像素的灰度值。
基于汉明距离的SAR图像相似程度度量系统执行对参考SAR图像和待测SAR图像间相似程度的度量，具体过程如下：
步骤1，预处理模块对参考SAR图像和待测SAR图像进行预处理，为了减少SAR图像中普遍存在的斑点噪声对后续SAR图像相似程度度量度的影响，预处理模块采用非局部均值算法，利用图像中存在的丰富的冗余信息，对整幅图像的像素点进行滤波。该方法首先以某个像素点为中心设置匹配窗口和搜索窗口，以匹配窗口为单位在搜索窗口中寻找相似区域，当前像素点的估计值NLM_IMG(i)由搜索窗口中与它具有相似领域结构的像素点加权平均得到，在去除噪声的同时纹理细节方面得到了较好的保持。该算法的表达式为：
其中，Ω表示搜索窗口；w(i,j)为权重函数，与像素i和像素j的相似性有关，并且满足0≤w(i,j)≤1和∑jw(i,j)＝1；IMG(j)表示像素j的像素值。权重函数的表达式为：
像素i和像素j的相似性由强度值向量u(IMGi)和u(IMGj)的相似性决定，其中，IMGi和IMGj分别表示以像素i和像素j为中心的匹配窗口。强度向量间的相似性通过高斯加权的欧式距离确定，欧式距离越小，邻域强度值向量越相似，对应的像素点在加权平均中的权重越大，式中为归一化常数；参数h又叫噪声方差，可根据SAR图像的噪声程度来选定，对参考SAR图像和待测SAR图像进行预处理时应选择同一噪声方差。
步骤2，二值化模块据步骤1得到的去噪后的参考SAR图像和待测SAR图像，为了进一步减少噪声以及去除不同来源的SAR图像所带来的非线性强度差异的影响，采用大津阈值方法提取SAR图像的形状和轮廓。该方法是一种用于图像分割的非参数、无监督的自动阈值选择方法，该方法遍历所有像素点,将图像分为前景和背景，通过判别准则，即使得前景和背景的类间方差取最大值时的阈值T选择为最优阈值，实现图像的二值化。
该方法的主要表达式如下所示：
其中，为图像的类间方差；ω1和ω2分别为前景像素数与整幅图像像素数的比值和背景像素数与整幅图像像素数的比值，这两个参数与阈值T有关；μ1和μ2分别为前景像素强度的平均值和背景像素强度的平均值。
步骤3，频域截取模块对步骤2得到的二值化参考SAR图像和待测SAR图像进行下采样，将两幅图像的大小统一到32×32个像素点，然后对图像进行二维离散余弦变换，表达式为：
其中i,j表示下采样后的图像(实质为一矩阵)的行和列，u,v为二维离散余弦变换结果矩阵的行和列，根据上述表达式，图像变换到频域，由于图像的特征和轮廓主要集中在变换结果矩阵左上角的低频部分，因此截取变换结果左上角8×8个像素点的区域；
步骤4，哈希指纹模块根据步骤3得到的区域，计算该低频部分所有像素点在频域的均值，然后将这64个像素点在频域的值与均值进行比较，大于均值的为1，小于均值的为0，最后得到一个64位的包含0和1的哈希指纹；
步骤5，相似度计算模块根据步骤4得到的哈希指纹，逐一比较参考SAR图像和待测SAR图像的哈希指纹，得到这两幅图像的汉明距离，即如图2中所示，将参考SAR图像和待测SAR图像的哈希指纹逐位相与，再统计结果中1的数量即为二者间的汉明距离HamDis，再根据汉明距离计算得到两幅图像的相似度Similarity，具体表达式如下所示：
下面结合仿真实验，利用MATLAB软件构建本实施例中的系统，执行本实施例中的相似程度度量方法，进而对本发明的技术效果作详细说明。
1、仿真过程中软硬件环境：
硬件环境：CPU为Inter Core i5-8400，主频为2.8GHz，内存为24GB。
软件环境：Windows 10专业版，MATLAB R2021a仿真软件。
2、仿真内容与结果分析：
仿真实验1：SAR图像二值化及自身比较实验
为了验证大津阈值分割算法和感知哈希算法的有效性，设计了SAR图像二值化和自身比较实验，仿真平台如上述所示；选用如图4(a)所示的真实SAR图像作为输入，该SAR图像来自MSTAR数据集，共有158×158个像素点；横轴表示距离向像素数目，单位是像素单元，纵轴表示方位向像素数目，单位是像素单元。
利用本发明中的非局部均值算法对输入SAR图像进行去噪处理，其中探索窗口半径为5个像素点，匹配窗口半径为2个像素点，噪声方差取10，首先得到如图4(b)所示的结果，从结果中可以看出，图4(a)中存在的噪声基本得到了去除，目标的形状和轮廓信息基本得到了保留；然后对去噪后的SAR图像利用大津阈值分割算法进行二值化，得到如图4(c)所示的结果，同样，从结果中也可以看出，二值化后的图像保留了原图像的形状和轮廓，同时也进一步去除了噪声；最后将二值化的SAR图像同时作为参考SAR图像和待测SAR图像进行相似程度度量度，理论上，这两幅SAR图像的相似程度为100％，本发明中的方法所得的相似程度结果亦为100％。通过上述实验，初步验证了大津阈值分割算法和感知哈希算法对图像形状轮廓的提取和比较的有效性。
仿真实验2：仿真SAR图像相似程度度量度实验
为了验证本发明在评价SAR原始数据模拟结果和成像质量方面的有效性，选取理论SAR图像作为参考图像，由模拟的SAR原始数据经过理论最优的后向投影算法(BPA)成像得到的SAR图像作为待测图像，非局部均值算法预处理中探索窗口半径为5个像素点，匹配窗口半径为2个像素点，噪声方差取10。图5(a)为理论SAR图像，横轴表示距离向，单位是米，纵轴表示方位向，单位是米。图5(b)为SAR原始数据的成像结果，横轴表示距离向，单位是米，纵轴表示方位向，单位是米。从图中可以直观的看出，由于两幅SAR图像的来源不同，图像之间存在着明显的强度差异，即非线性强度差异，在当前存在的相似程度度量方法中，大多没有考虑这一问题。为了解决这一问题，本发明采用了大津阈值分割算法首先对SAR图像进行二值化处理，得到如图5(c)和(d)所示的结果，横轴表示距离向，单位是米，纵轴表示方位向，单位是米。从二值化的结果可以看出，SAR图像中的大部分轮廓和特征都得到了保留。最后，本发明采用感知哈希算法对这两幅图像进行相似程度度量。该算法首先将输入图像经过二维离散余弦变换到频域；然后提取低频部分并计算平均值，比较得到哈希指纹，如图5(e)和(f)所示，横轴表示距离向哈希指纹点数，单位是哈希指纹单元，纵轴表示方位向哈希指纹点数，单位是哈希指纹单元；最后计算汉明距离得到相似度。同时，为了验证本发明的正确性，还选取了结构相似度(SSIM)算法作为比较，两种算法的相似度结果如表2所示，从表中可以看出，由于结构相似度算法没有考虑非线性强度的影响，导致最后的十分相似的两幅图像得出的相似度结果却比较低。
表1不同相似程度度量方法对仿真SAR图像给出的相似度
相似程度度量度方法 相似度
结构相似度(SSIM) 77.72％
本发明中的度量方法 98.44％
仿真实验3：真实SAR图像相似程度度量度实验
最后，为了进一步验证本发明在SAR图像大小不一致的条件下的有效性，选取了同一目标，不同大小的两幅SAR图像，分别作为参考图像和待测图像进行实验。图6(a)为参考图像，共有139×138个像素点，横轴表示距离向像素点数，单位是像素单元，纵轴表示方位向像素点数，单位是像素单元。图6(b)为待测图像，共有111×110个像素点，横轴表示距离向像素点数，单位是像素单元，纵轴表示方位向像素点数，单位是像素单元。非局部均值算法预处理中探索窗口半径为5个像素点，匹配窗口半径为2个像素点，噪声方差取10。与仿真实验2的处理方式相同，图6(c)和(d)分别是参考图像和待测图像的二值化结果，横轴表示距离向像素点数，单位是像素单元，纵轴表示方位向像素点数，单位是像素单元。图6(e)和(f)分别是参考图像和待测图像的哈希指纹图，横轴表示距离向哈希指纹点数，单位是哈希指纹单元，纵轴表示方位向哈希指纹点数，单位是哈希指纹单元。表3给出了最后的相似度结果，从结果中可以看出，两幅图像在大小不一致，目标相同的条件下，结构相似度算法由于尺寸大小不一致，无法进行相似度计算，而本发明中的方法依然给出了96.88％的相似度结果，与理论上的100％相似度接近，证明本发明在不同尺寸大小情况下SAR图像相似程度度量度中的有效性。
表2不同相似程度度量方法对真实SAR图像给出的相似度
相似程度度量度方法 相似度
结构相似度(SSIM) 尺寸大小不一致，无法度量
本发明中的评价方法 96.88％
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 (8)

1.一种基于汉明距离的SAR图像相似程度度量方法，其特征在于，包括以下步骤：
S1对待比较的SAR图像实施降噪预处理；
S2采用大津阈值分割算法对降噪预处理后的SAR图像进行形状和轮廓提取，最后得到反映SAR图像形状和轮廓的二值图像；
S3对S2中得到的二值图像进行下采样，以得到具有同样像素尺寸的采样二值图像，然后对该采样二值图像进行二维离散余弦变换，并截取出该变换结果的低频部分；
S4计算S3中截取出的低频部分的均值，以该均值为阈值对所述低频部分进行二值化，得到SAR图像的哈希指纹；
S5依据二SAR图像的哈希指纹的汉明距离度量该二SAR图像的相似程度。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，利用非局部均值算法对SAR图像进行预处理。
3.根据权利要求1所述的方法，其特征在于，步骤S3中，采样二值图像的尺寸为32×32个像素点，所述低频部分取所述变换结果左上角8×8的矩阵区域。
4.根据权利要求1所述的方法，其特征在于，步骤S5中，依据所述汉明距离HamDis以及所述哈希指纹的位数N，计算如下的相似度Similarity以度量二SAR图像的相似程度：
5.一种基于汉明距离的SAR图像相似程度度量系统，其特征在于，包括:
预处理模块，用于对待比较的SAR图像实施降噪预处理；
二值化模块，采用大津阈值分割算法对降噪预处理后的SAR图像进行形状和轮廓提取，最后得到反映SAR图像形状和轮廓的二值图像；
频域截取模块，用于对二值化模块得到的二值图像进行下采样，以得到具有同样像素尺寸的采样二值图像，然后对该采样二值图像进行二维离散余弦变换，并截取出该变换结果的低频部分；
哈希指纹模块，用于计算频域截取模块得到的低频部分的均值，并以该均值为阈值对所述低频部分进行二值化，得到SAR图像的哈希指纹；
相似度计算模块，用于计算二SAR图像的哈希指纹的汉明距离，并依照该汉明距离计算二SAR图像的相似度以度量二SAR图像的相似程度。
6.根据权利要求5所述的系统，其特征在于，所述预处理模块用于，利用非局部均值算法对SAR图像进行预处理。
7.根据权利要求5所述的系统，其特征在于，所述频域截取模块用于将所述二值图像下采样至尺寸为32×32个像素点的采样二值图像，然后对该采样二值图像进行二维离散余弦变换；
以及，截取所述二维离散余弦变换结果左上角8×8的矩阵区域作为低频部分。
8.根据权利要求5所述的系统，其特征在于，相似度计算模块依据所述汉明距离HamDis以及所述哈希指纹的位数N，计算如下的相似度Similarity以度量二SAR图像的相似程度：
CN202111127110.0A 2021-09-18 2021-09-18 一种基于汉明距离的sar图像相似程度度量方法和系统 Active CN113822361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111127110.0A CN113822361B (zh) 2021-09-18 2021-09-18 一种基于汉明距离的sar图像相似程度度量方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111127110.0A CN113822361B (zh) 2021-09-18 2021-09-18 一种基于汉明距离的sar图像相似程度度量方法和系统

Publications (2)

Publication Number Publication Date
CN113822361A CN113822361A (zh) 2021-12-21
CN113822361B true CN113822361B (zh) 2024-02-02

Family

ID=78921114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111127110.0A Active CN113822361B (zh) 2021-09-18 2021-09-18 一种基于汉明距离的sar图像相似程度度量方法和系统

Country Status (1)

Country Link
CN (1) CN113822361B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115015926A (zh) * 2022-05-25 2022-09-06 北京理工雷科电子信息技术有限公司 一种多通道sar图像虚假目标快速筛选与剔除方法
CN117764864B (zh) * 2024-02-22 2024-04-26 济南科汛智能科技有限公司 基于图像去噪的核磁共振肿瘤视觉检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107153827A (zh) * 2017-05-26 2017-09-12 北方工业大学 手背静脉图像的识别处理方法及装置
GB201807439D0 (en) * 2018-05-06 2018-06-20 Univ Newcastle Authentication of physical object using internal structure
CN109035172A (zh) * 2018-08-08 2018-12-18 华中科技大学 一种基于深度学习的非局部均值超声图像去噪方法
CN109544614A (zh) * 2018-11-26 2019-03-29 东南大学 一种基于图像低频信息相似度的匹配图像对识别的方法
CN110349207A (zh) * 2019-07-10 2019-10-18 国网四川省电力公司电力科学研究院 一种复杂环境下的视觉定位方法
CN110599486A (zh) * 2019-09-20 2019-12-20 福州大学 一种视频抄袭的检测方法及系统
GB201918199D0 (en) * 2019-10-14 2020-01-22 Bottomline Tech Limited Partial preceptual image hashing for invoice deconstruction
CN110738236A (zh) * 2019-09-16 2020-01-31 深圳市国信合成科技有限公司 图像匹配方法、装置、计算机设备及存储介质
CN111080678A (zh) * 2019-12-31 2020-04-28 重庆大学 一种基于深度学习的多时相sar图像变化检测方法
CN111353552A (zh) * 2020-03-13 2020-06-30 杭州趣维科技有限公司 一种基于感知哈希算法的图像相似度对比方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107153827A (zh) * 2017-05-26 2017-09-12 北方工业大学 手背静脉图像的识别处理方法及装置
GB201807439D0 (en) * 2018-05-06 2018-06-20 Univ Newcastle Authentication of physical object using internal structure
CN109035172A (zh) * 2018-08-08 2018-12-18 华中科技大学 一种基于深度学习的非局部均值超声图像去噪方法
CN109544614A (zh) * 2018-11-26 2019-03-29 东南大学 一种基于图像低频信息相似度的匹配图像对识别的方法
CN110349207A (zh) * 2019-07-10 2019-10-18 国网四川省电力公司电力科学研究院 一种复杂环境下的视觉定位方法
CN110738236A (zh) * 2019-09-16 2020-01-31 深圳市国信合成科技有限公司 图像匹配方法、装置、计算机设备及存储介质
CN110599486A (zh) * 2019-09-20 2019-12-20 福州大学 一种视频抄袭的检测方法及系统
GB201918199D0 (en) * 2019-10-14 2020-01-22 Bottomline Tech Limited Partial preceptual image hashing for invoice deconstruction
CN111080678A (zh) * 2019-12-31 2020-04-28 重庆大学 一种基于深度学习的多时相sar图像变化检测方法
CN111353552A (zh) * 2020-03-13 2020-06-30 杭州趣维科技有限公司 一种基于感知哈希算法的图像相似度对比方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Chunxia Nie等.Evaluation methods of similarity between simulated SAR images and real SAR images.《2016 CIE International Conference on Radar (RADAR)》.2017,1-4. *
Zhiqiang Zeng等.A New Evaluation Method of Similarity Between Two SAR Images.《2021 CIE International Conference on Radar (Radar)》.2023,366-369. *
Zhiqiang Zeng等.Robust image similarity metric method for SAR images.《Electronics Letters》.2022,第58卷(第13期),508-510. *
Ziqiang Meng等.A raw data simulator for Bistatic Forward-looking High-speed Maneuvering-platform SAR.《Signal Processing》.2015,第117卷151-164. *
高飞等.基于距离度量学习的SAR图像识别方法.《北京理工大学学报》.2021,第41卷(第03期),334-340. *
黄琼等.水稻稻穗图像的分割方法研究.《生物灾害学》.2020,第43卷(第01期),90-95. *

Also Published As

Publication number Publication date
CN113822361A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
Zhai et al. Inshore ship detection via saliency and context information in high-resolution SAR images
CN109029381B (zh) 一种隧道裂缝的检测方法、系统及终端设备
Gamba et al. Improving urban road extraction in high-resolution images exploiting directional filtering, perceptual grouping, and simple topological concepts
CN113822361B (zh) 一种基于汉明距离的sar图像相似程度度量方法和系统
CN108171193B (zh) 基于超像素局部信息度量的极化sar舰船目标检测方法
Zhang et al. Adaptive contourlet fusion clustering for SAR image change detection
CN106557740B (zh) 一种遥感图像中油库目标的识别方法
CN110598613B (zh) 一种高速公路团雾监测方法
CN111242050A (zh) 一种面向大尺度复杂场景下遥感影像的自动变化检测方法
CN116612306B (zh) 基于计算机视觉的法兰盘智能对位方法及系统
Zhang et al. Saliency-driven oil tank detection based on multidimensional feature vector clustering for SAR images
CN114240940B (zh) 一种基于遥感影像的云及云阴影检测方法和装置
Huang et al. Superpixel-based change detection in high resolution sar images using region covariance features
Zhang et al. A multi-scale bilateral structure tensor based corner detector
CN106960443B (zh) 基于全极化时序sar图像的非监督变化检测的方法及装置
CN116129280B (zh) 一种遥感影像雪检测的方法
CN112686222B (zh) 星载可见光探测器对船舶目标检测的方法和系统
Tang et al. Comparison of visual features for image-based visibility detection
CN109934103A (zh) 基于暗通道先验和区域协方差检测图像中显著物体的方法
Wu et al. An accurate feature point matching algorithm for automatic remote sensing image registration
CN112508113B (zh) 被动式太赫兹人体图像隐蔽目标的检测方法及装置
CN106845489B (zh) 基于改进Krawtchouk矩的SAR图像目标特征提取方法
CN114742849A (zh) 一种基于图像增强的水准仪距离测量方法
Wang et al. Improved Morphological Band‐Pass Filtering Algorithm and Its Application in Circle Detection
CN113222924A (zh) 基于fpga的高光谱图像异常检测系统

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