CN115019187B - 针对sar图像船舶目标的检测方法、装置、设备及介质 - Google Patents
针对sar图像船舶目标的检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115019187B CN115019187B CN202210948102.0A CN202210948102A CN115019187B CN 115019187 B CN115019187 B CN 115019187B CN 202210948102 A CN202210948102 A CN 202210948102A CN 115019187 B CN115019187 B CN 115019187B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- value
- detection
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种针对SAR图像远海船舶目标的检测方法、装置、设备及介质,涉及遥感图像目标检测技术领域,该方法包括:计算SAR图像像素点的幅度分割阈值;根据幅度分割阈值对SAR图像进行分割,提取SAR图像中的目标像素点,得到中间图像;将中间图像转化为包含背景与目标像素点的二值图像;对二值图像进行连通域检测,基于连通域检测结果从SAR图像获取包含船舶目标的候选区域图像;计算量化拉伸的极大值和极小值;根据两个极值对候选区域图像进行量化;将量化后的候选区域图像输入深度卷积神经网络进行目标检测,得到船舶目标对应的检测框位置和置信度。该方法解决了现有检测方法特征调参难度较大、计算量大及资源受限的技术问题。
Description
技术领域
本发明涉及遥感图像目标检测技术领域,尤其涉及一种针对SAR图像远海船舶目标的检测方法、装置、设备及介质。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种主动式的微波成像雷达,能够对指定区域进行全天时全天候的探测工作,非常适合对典型目标进行监测。近年来随着合成孔径雷达系统的不断发展,SAR图像质量不断提升,为典型目标检测技术的发展提供了良好的基础。面向远海SAR图像的船舶目标检测具有重要的应用价值,在军用领域,对特定目标进行检测能够有效提升海防预警能力;在民用领域,对货轮等目标进行检测有助于海运监测与管理。
近些年来,SAR图像的船舶目标检测受到了相关领域科研人员的广泛关注,并取得了一定的研究成果。现有的SAR船舶检测方法可以分为传统人工算法和基于深度学习的算法。
传统人工算法可以归纳为基于阈值、基于显著性计算和基于形状纹理等几类方法,这些方法往往需要人工选择和设计合适的特征,涉及利用诸多数理和先验知识,使得特征调参难度较大。
深度学习算法的发展给计算机视觉领域的图像目标检测识别等方向带来了巨大的突破,特别是基于卷积神经网络的目标检测方法在图像解译方面取得了突出的成果,在许多目标检测任务中甚至可以取得不亚于人工判读的高精度,因此也逐渐被引入到SAR图像目标检测的应用领域。但卷积神经网络在整景检测过程中计算量较大,计算资源消耗明显,在有限计算资源条件下,检测速度受限,很难保证算法的时效性。并且,基于深度卷积神经网络的检测算法,模型对训练样本数据量需求较大,常规标注方式需要在大幅宽图像中人工搜索目标并标注样本,搜索耗时较多,样本标注成本高。
发明内容
鉴于上述技术问题,本发明第一方面提供一种针对SAR图像远海船舶目标的检测方法,包括:计算SAR图像像素点的幅度分割阈值;根据幅度分割阈值对SAR图像进行分割,提取SAR图像中的目标像素点,得到中间图像;将中间图像转化为包含背景与目标像素点的二值图像;对二值图像进行连通域检测,基于连通域检测结果从SAR图像获取包含船舶目标的候选区域图像;计算量化拉伸的极大值和极小值;根据极大值和极小值对候选区域图像进行量化;将量化后的候选区域图像输入深度卷积神经网络进行目标检测,得到船舶目标对应的检测框位置和置信度。
根据本发明的实施例,计算SAR图像像素点的幅度分割阈值,具体包括:确定图像滑动窗,采用图像滑动窗遍历SAR图像;将图像滑动窗内的所有像素点作为海杂波背景点,依据当前迭代分割过程中对图像滑动窗内的海杂波背景点进行极大似然估计,计算SAR图像中所有背景点的像素值平方和的均值;基于恒虚警法,根据均值计算幅度分割阈值。
根据本发明的实施例,将中间图像转化为包含背景与目标像素点的二值图像,具体包括:对中间图像进行形态学处理,得到二值图像。
根据本发明的实施例,对二值图像进行连通域检测,获取包含船舶目标的候选区域,具体包括:检测二值图像中面积及长度符合船舶候选目标判别条件的连通域;以面积及长度符合船舶候选目标判别条件的连通域为中心从SAR图像截取预设区域得到候选区域图像。
根据本发明的实施例,计算量化拉伸的极大值和极小值,具体包括:确定图像滑动窗;计算滑动窗内图像的像素最小值和像素最大值;设置图像拉伸比例;以像素最小值为起点,以预设像素步幅由低像素值到高像素值依次递增,计算各像素值对应的像素点的数量与滑动窗内图像中所有像素点的比值;加和起点像素值至当前像素值分别对应的比值,当加和结果首次大于等于图像拉伸比例所对应的像素值确定为量化拉伸的极小值;以像素最大值为起点,以预设像素步幅由高像素值到低像素值依次递减,计算各像素值对应的像素点的数量与滑动窗内图像中所有像素点的比值;加和起点像素值至当前像素值分别对应的比值,当加和结果首次大于等于图像拉伸比例所对应的像素值确定为量化拉伸的极大值。
根据本发明的实施例,根据极大值和极小值对候选区域进行量化,具体包括:根据
对候选区域进行量化,其中,z表示量化前候选区域像素点的像素值,x表示量化后候选区域像素点的像素值,y max 表示量化拉伸的极大值,y min 表示量化拉伸的极小值。
根据本发明的实施例,将量化后的候选区域输入深度卷积神经网络进行目标检测,得到船舶目标对应的检测框的位置和置信度,具体包括:对深度卷积神经网络进行训练,得到目标检测模型;将量化后的候选区域图像输入目标检测模型,得到多个检测框的位置和置信度;计算多个检测框之间的面积交并比;剔除置信度低于预设值且面积交并比达到预设比例的检测框,输出船舶目标对应的检测框位置和置信度。
本发明第二方面提供一种针对SAR图像远海船舶目标的检测装置,包括:第一计算模块,用于计算SAR图像像素点的幅度分割阈值;分割模块,用于根据幅度分割阈值对SAR图像进行分割,提取SAR图像中的目标像素点,得到中间图像;转化模块,用于将中间图像转化为包含背景与目标像素点的二值图像;第一检测模块,用于对二值图像进行连通域检测,基于连通域检测结果从SAR图像中获取包含船舶目标的候选区域图像;第二计算模块,用于计算量化拉伸的极大值和极小值;量化模块,用于根据极大值和极小值对候选区域图像进行量化;第二检测模块,用于将量化后的候选区域图像输入深度卷积神经网络进行目标检测,得到船舶目标对应的检测框位置和置信度。
本发明第三方面提供一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现上述方法。
本发明第四方面提供一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现上述方法。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本发明实施例的针对SAR图像远海船舶目标的检测方法流程图;
图2示意性示出了根据本发明实施例的幅度分割阈值计算方法的流程图;
图3示意性示出了根据本发明实施例的量化拉伸的极大值和极小值计算方法的流程图;
图4示意性示出了根据本发明实施例的基于深度卷积神经网络对船舶目标进行精检测的方法的流程图;
图5示意性示出了根据本发明实施例的针对SAR图像远海船舶目标检测装置的框图;
图6示意性示出了根据本发明实施例的适于实现上文描述的方法的电子设备的框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。显然,所描述的实施例是本发明一部分实施例,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。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接或可以互相通讯;可以是直接连接,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要理解的是,术语“纵向”、“长度”、“周向”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的子系统或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
贯穿附图,相同的元素由相同或相近的附图标记来表示。可能导致本发明的理解造成混淆时,将省略常规结构或构造。并且图中各部件的形状、尺寸、位置关系不反映真实大小、比例和实际位置关系。另外,在本发明中,不应将位于括号之间的任何参考符号构造成对本发明的限制。
类似地,为了精简本发明并帮助理解各个公开方面中的一个或多个,在上面对本发明示例性实施例的描述中,本发明的各个特征有时被一起分到单个实施例、图或者对其描述中。参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或者多个实施例或示例中以合适的方式结合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。因此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个、三个等,除非另有明确具体的限定。
针对现有技术的不足,本发明提供了一种结合传统方法和深度学习方法的SAR船舶目标检测方法,首先,基于恒虚警算法实现船舶目标粗筛选,初步检出图像中包含船舶目标的潜在候选区域。然后,基于深度卷积神经网络对船舶目标的潜在候选区域进行高精度检测。本发明的方法与现有方法相比不同之处在于:传统人工方法是通过人工调参检测目标,本发明的方法是初步检出图像中包含目标的潜在候选区域,检测难度低于传统方法。并且,得益于初步筛选操作,本发明基于卷积神经网络的精检操作,其待检数据量与只采用深度学习的方法的检测数据量相比明显减少,能够专注于检测候选区域,有效减少网络计算量,显著提高整个算法的计算速度,提升了算法时效性。下面结合具体的实施例进行具体介绍。
图1示意性示出了根据本发明实施例的针对SAR图像远海船舶目标检测方法的流程图。
如图1所示,船舶目标检测方法例如可以包括操作S101~操作S104。
在操作S101,计算SAR图像像素点的幅度分割阈值,根据幅度分割阈值对SAR图像进行分割,提取SAR图像中的目标像素点,得到中间图像。
在操作S102,将中间图像转化为包含背景与目标像素点的二值图像,并对二值图像进行连通域检测,基于连通域检测结果从SAR图像获取包含船舶目标的候选区域图像。
在操作S103,计算量化拉伸的极大值和极小值,根据极大值和极小值对候选区域图像进行量化。
在操作S104,将量化后的候选区域图像输入深度卷积神经网络进行目标检测,得到船舶目标对应的检测框位置和置信度。
根据本发明实施例,基于SAR图像的船舶目标检测方法结合传统检测方法和基于深度卷积神经网络的检测方法,吸收了两种方法的优势,设计两步检测环节,第一步筛选出包含潜在目标的候选区域,避免了对非目标区域图像的检测,加快了图像检测速度,解决了传统方法存在的人工特征调参难度大,检测结果虚警、漏检目标较多的问题。第二步采用深度卷积神经网络对候选区域图像进行精细检测,能够有效提升船舶目标检测精度,避免了基于深度卷积神经网络的检测算法计算量大、资源占用率高、计算速度受限、时效性难以满足需求的问题。
图2示意性示出了根据本发明实施例的幅度分割阈值计算方法的流程图。
如图2所示,该幅度分割阈值计算方法例如可以包括操作S201~操作S203。
在操作S201,确定图像滑动窗,采用图像滑动窗遍历SAR图像。
在本发明实施例中,图像滑动窗的大小可以设定为n×n,其中,2000≤n≤6000。
在操作S202,将图像滑动窗内的所有像素点作为海杂波背景点,依据当前迭代分割过程中图像滑动窗内的海杂波背景点进行极大似然估计,计算SAR图像中所有背景点的像素值平方和的均值。
在本发明实施例中,滑动窗内所有像素点都看作是海杂波背景点,对每一个滑动窗内的海杂波像素点进行参数σ估计,σ的极大似然估计如下所示:
其中,x i 为海杂波像素点的像素值,n为参与估计模型参数的海杂波像素点总数。
在操作S203,基于恒虚警法,根据均值计算幅度分割阈值。
在本发明实施例中,瑞利分布的概率密度函数表达式为:
其中,x为像素值,p(x)为概率密度,参数b为:
设目标像素点和背景像素点之间的幅度分割阈值为t,对于瑞利分布的恒虚警检测器,则虚警率P fa 可以写为:
其中,F(∙)表示累计分布函数。实际应用过程中,设定恒虚警率P fa ,幅度分割阈值为t可以根据:
计算得到。
计算得到幅度分割阈值t后,可以基于幅度分割阈值t将SAR图像中小于幅度分割阈值t的像素点作为海杂波像素点,重复执行操作S202~操作S203,直到计算得到的幅度分割阈值t小于一预设值,将此时的幅度分割阈值t作为幅度分割阈值t’。也就是说,在首次分割时是以原始SAR图像为基准,之后均是以前一次计算的幅度分割阈值分割后的图像为基准。应当理解,迭代分给的次数可以根据实际应用需求选择,例如,有些应用场景只需一次分割便可以满足需求,有些应用场景需要多次分割便可以满足需求,迭代的次数可以通过设置相应参数控制。
根据本发明的实施例,在基于幅度分割阈值t’对SAR图像进行分割,提取SAR图像中的目标像素点得到中间图像后,可以对中间图像进行形态学处理,将SAR图像中的幅度图转化为一幅包含背景与目标点的二值图像。其中,形态学处理包括腐蚀、膨胀等。
根据本发明的实施例,对二值图像进行连通域检测,获取包含船舶目标的候选区域具体可以包括:检测二值图像中面积及长度符合船舶候选目标判别条件的连通域。以面积及长度符合船舶候选目标判别条件的连通域为中心从SAR图像截取预设区域得到候选区域。
例如,检测图像中具有较大面积的连通域,当某个连通域面积、长度符合船舶候选目标判别条件时,则认为该区域内存在粗筛候选目标,从原始SAR图像中以连通域为中心裁切大小为m×m的对应候选区域。连通域面积、长度符合船舶候选目标判别条件可以使连通域面积、长度在一范围内,该范围可以根据先验知识设定。本发明实施例提供的船舶目标检测方法实现对SAR图像远海船舶目标的快速检测,检测速度的提升主要得益于以下两个原因:首先,粗筛选减少了待精检候选区域的数量,大幅减少了深度卷积神经网络的输入数据量,其次,在滑动窗口图像中恒虚警粗筛的计算速度很快,能够提升算法整体的时效性。
根据本发明实施例,在经过粗筛选,获得包含潜在目标的候选区域后,可以基于深度卷积神经网络对船舶目标进行高精度检测。高精度检测可以基于量化拉伸的极大值和极小值对从SAR图像截取的候选区域图像进行局部量化处理操作,以提升目标显著性,提高目标与背景的对比度。
图3示意性示出了根据本发明实施例的量化拉伸的极大值和极小值计算方法的流程图。
如图3所示,该量化拉伸的极大值和极小值计算方法例如可以包括操作S301~操作S303。
在操作S301,确定图像滑动窗,计算滑动窗内图像的像素最小值和像素最大值,并设置图像拉伸比例。
在本发明实施例中,可以在原始SAR图像滑动窗口图像中计算像素的最小值z min 与最大值z max 。设置影像拉伸比例a%,统计滑动窗图像的直方图,将图像内的像素总数记为N,在直方图中,将像素值为i的像素点的数量记为N i 。
在操作S302,以像素最小值为起点,以预设像素步幅由低像素值到高像素值依次递增,计算各像素值对应的像素点数量与滑动窗内图像中所有像素点的比值,加和起点像素值至当前像素值分别对应的比值,当加和结果首次大于等于图像拉伸比例所对应的像素值确定为量化拉伸的极小值。
在操作S303,以像素最大值为起点,以预设像素步幅由高像素值到低像素值依次递减,计算各像素值对应的像素点数量与滑动窗内图像中所有像素点的比值。加和起点像素值至当前像素值分别对应的比值,当加和结果首次大于等于图像拉伸比例所对应的像素值确定为量化拉伸的极大值。
根据本发明的实施例,在得到量化拉伸的极大值和极小值后,可以根据
对候选区域进行线性拉伸,实现对候选区域图像的量化,其中,z表示量化前候选区域像素点的像素值, x表示量化后候选区域像素点的像素值,y max 表示量化拉伸的极大值,y min 表示量化拉伸的极小值。
根据本发明的实施例,在对候选区域进行量化后,可以基于深度卷积神经网络对船舶目标进行精检测。
图4示意性示出了根据本发明实施例的基于深度卷积神经网络对船舶目标进行精检测的方法流程图。
如图4所示,该基于深度卷积神经网络对船舶目标进行精检测的方法例如可以包括操作S401~操作S403。
在操作S401,对深度卷积神经网络进行训练,得到目标检测模型。
例如,深度卷积神经网络可以采用Faster R-CNN模型,利用SAR船舶目标训练集训练Faster R-CNN模型得到船舶目标检测模型。
在操作S402,将量化后的候选区域图像输入目标检测模型,得到多个检测框的位置和置信度。
在操作S403,计算多个检测框之间的面积交并比,剔除置信度低于预设值且面积交并比达到预设比例的检测框,输出船舶目标对应的检测框位置和置信度。
基于操作S403,完成对多个检测框位置的非极大值抑制,输出最终的检测框位置与置信度。
根据本发明的实施例,在获得最终的检测框位置与置信度后,还可以在SAR影像上显示检测结果,例如,显示基于恒虚警粗筛选检测出的候选区域,同时显示深度卷积神经网络输出的检测框位置与置信度。
综上所述,针对传统检测算法人工特征调参难度大,容易出现船舶目标漏检、误检的问题,本发明提出了采用传统算法结合深度学习算法的方案,将恒虚警检测算法作为第一步来粗筛目标候选区,有效降低检测算法调参难度,为第二步的目标精检奠定了基础。针对有限资源条件下,基于深度卷积神经网络的算法计算速度较慢、计算量大、难以满足时效性的问题,本发明方案采用粗筛模块减少了待检候选区的数据量,有效降低算法计算量,提高了算法计算速度。在保证船舶目标较高检测精度的情况下,提升了检测时效性,能够适应复杂场景下远海SAR船舶目标检测的精度与时效性要求。针对基于卷积神经网络的检测算法对训练样本数据量需求较大,但目标样本人工标注成本较高的问题,本发明设计的第一步粗筛选,能够快速搜索并裁切出目标影像中的大量候选区切片,避免了常规标注过程中人工搜索的大量耗时,大幅提升了标注效率。
图5示意性示出了根据本发明实施例的针对SAR图像远海船舶目标检测装置的框图。
如图5所示,针对SAR图像远海船舶目标检测装置500可以包括第一计算模块510、分割模块520、转化模块530、第一检测模块540、第二计算模块550以及第二检测模块560。
第一计算模块510,用于计算SAR图像的像素点的幅度分割阈值。
分割模块520,用于根据幅度分割阈值对SAR图像进行分割,提取SAR图像中的目标像素点,得到中间图像。
转化模块530,用于将中间图像转化为包含背景与目标像素点的二值图像。
第一检测模块540,用于对二值图像进行连通域检测,从SAR图像获取包含船舶目标的候选区域图像。
第二计算模块550,用于计算量化拉伸的极大值和极小值;量化模块,用于根据极大值和极小值对候选区域图像进行量化。
第二检测模块560,用于将量化后的候选区域图像输入深度卷积神经网络进行目标检测,得到船舶目标对应的检测框的位置和置信度。
根据本发明的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本发明实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本发明实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本发明实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一计算模块510、分割模块520、转化模块530、第一检测模块540、第二计算模块550以及第二检测模块560中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本发明的实施例,第一计算模块510、分割模块520、转化模块530、第一检测模块540、第二计算模块550以及第二检测模块560中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一计算模块510、分割模块520、转化模块530、第一检测模块540、第二计算模块550以及第二检测模块560中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本发明的用针对SAR图像远海船舶目标检测装置部分与本发明的实施例中针对SAR图像远海船舶目标检测方法部分是相对应的,其具体实施细节及带来的技术效果也是相同的,在此不再赘述。
图6示意性示出了根据本发明实施例的适于实现上文描述的方法的电子设备的框图。图6示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,根据本发明实施例的电子设备600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中,存储有电子设备600操作所需的各种程序和数据。处理器 601、ROM602以及RAM603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM603中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。电子设备600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
根据本发明的实施例,根据本发明实施例的方法流程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本发明实施例的系统中限定的上述功能。根据本发明的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解,本发明的各个实施例中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本发明中。特别地,在不脱离本发明精神和教导的情况下,本发明的各个实施例记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
Claims (8)
1.一种针对SAR图像远海船舶目标的检测方法,其特征在于,包括:
在操作S101,计算SAR图像像素点的幅度分割阈值,根据所述幅度分割阈值对所述SAR图像进行分割,提取所述SAR图像中的目标像素点,得到中间图像;
在操作S102,将所述中间图像转化为包含背景与目标像素点的二值图像,对所述二值图像进行连通域检测,基于连通域检测结果从所述SAR图像获取包含船舶目标的候选区域图像;
在操作S103,计算量化拉伸的极大值和极小值,根据所述极大值和极小值对所述候选区域图像进行量化;
在操作S104,将量化后的候选区域图像输入深度卷积神经网络进行目标检测,得到所述船舶目标对应的检测框位置和置信度;
所述计算SAR图像像素点的幅度分割阈值,具体包括:
在操作S201,确定图像滑动窗,采用所述图像滑动窗遍历所述SAR图像;
在操作S202,将所述图像滑动窗内的所有像素点作为海杂波背景点,依据当前迭代分割过程中对图像滑动窗内的海杂波背景点进行极大似然估计,计算所述SAR图像中所有背景点的像素值平方和的均值;
在操作S203,基于恒虚警法,根据所述均值计算所述幅度分割阈值;
计算得到幅度分割阈值后,基于幅度分割阈值将所述SAR图像中小于幅度分割阈值的像素点作为海杂波像素点,重复执行操作S202~操作S203,直到计算得到的幅度分割阈值小于一预设值,将此时的幅度分割阈值作为幅度分割阈值;在首次分割时是以所述SAR图像为基准,之后均是以前一次计算的幅度分割阈值分割后的图像为基准;
其中,所述计算量化拉伸的极大值和极小值,具体包括:
在操作S301,确定图像滑动窗,计算所述滑动窗内图像的像素最小值和像素最大值,设置图像拉伸比例;
在操作S302,以像素最小值为起点,以预设像素步幅由低像素值到高像素值依次递增,计算各像素值对应的像素点的数量与滑动窗内图像中所有像素点的比值;加和起点像素值至当前像素值分别对应的所述比值,当加和结果首次大于等于所述图像拉伸比例所对应的像素值确定为量化拉伸的极小值;
在操作S303,以像素最大值为起点,以预设像素步幅由高像素值到低像素值依次递减,计算各像素值对应的像素点的数量与滑动窗内图像中所有像素点的比值;加和起点像素值至当前像素值分别对应所述比值,当加和结果首次大于等于所述图像拉伸比例所对应的像素值确定为量化拉伸的极大值。
2.根据权利要求1所述的检测方法,其特征在于,所述将所述中间图像转化为包含背景与目标像素点的二值图像,具体包括:
对所述中间图像进行形态学处理,得到所述二值图像。
3.根据权利要求1所述的检测方法,其特征在于,所述对所述二值图像进行连通域检测,基于连通域检测结果从所述SAR图像获取包含船舶目标的候选区域图像,具体包括:
检测所述二值图像中面积及长度符合船舶候选目标判别条件的连通域;
以面积及长度符合船舶候选目标判别条件的连通域为中心从所述SAR图像截取预设区域得到所述候选区域图像。
5.根据权利要求1所述的检测方法,其特征在于,所述将量化后的候选区域图像输入深度卷积神经网络进行目标检测,得到所述船舶目标对应的检测框位置和置信度,具体包括:
对所述深度卷积神经网络进行训练,得到目标检测模型;
将量化后的候选区域图像输入目标检测模型,得到多个检测框的位置和置信度;
计算多个检测框之间的面积交并比;
剔除置信度低于预设值且面积交并比达到预设比例的检测框,输出所述船舶目标对应的检测框位置和置信度。
6.一种针对SAR图像远海船舶目标的检测装置,其特征在于,包括:
第一计算模块,用于计算SAR图像像素点的幅度分割阈值;
分割模块,用于根据所述幅度分割阈值对所述SAR图像进行分割,提取所述SAR图像中的目标像素点,得到中间图像;
转化模块,用于将所述中间图像转化为包含背景与目标像素点的二值图像;
第一检测模块,用于对所述二值图像进行连通域检测,基于连通域检测结果从所述SAR图像获取包含船舶目标的候选区域图像;
第二计算模块,用于计算量化拉伸的极大值和极小值;
量化模块,用于根据所述极大值和极小值对所述候选区域图像进行量化;
第二检测模块,用于将量化后的候选区域图像输入深度卷积神经网络进行目标检测,得到所述船舶目标对应的检测框位置和置信度;
所述计算SAR图像像素点的幅度分割阈值,具体包括:
在操作S201,确定图像滑动窗,采用所述图像滑动窗遍历所述SAR图像;
在操作S202,将所述图像滑动窗内的所有像素点作为海杂波背景点,依据当前迭代分割过程中对图像滑动窗内的海杂波背景点进行极大似然估计,计算所述SAR图像中所有背景点的像素值平方和的均值;
在操作S203,基于恒虚警法,根据所述均值计算所述幅度分割阈值;
计算得到幅度分割阈值后,基于幅度分割阈值将所述SAR图像中小于幅度分割阈值的像素点作为海杂波像素点,重复执行操作S202~操作S203,直到计算得到的幅度分割阈值小于一预设值,将此时的幅度分割阈值作为幅度分割阈值;在首次分割时是以所述SAR图像为基准,之后均是以前一次计算的幅度分割阈值分割后的图像为基准;
其中,所述计算量化拉伸的极大值和极小值,具体包括:
确定图像滑动窗;
计算所述滑动窗内图像的像素最小值和像素最大值;
设置图像拉伸比例;
以像素最小值为起点,以预设像素步幅由低像素值到高像素值依次递增,计算各像素值对应的像素点的数量与滑动窗内图像中所有像素点的比值;
加和起点像素值至当前像素值分别对应的所述比值,当加和结果首次大于等于所述图像拉伸比例所对应的像素值确定为量化拉伸的极小值;
以像素最大值为起点,以预设像素步幅由高像素值到低像素值依次递减,计算各像素值对应的像素点的数量与滑动窗内图像中所有像素点的比值;
加和起点像素值至当前像素值分别对应所述比值,当加和结果首次大于等于所述图像拉伸比例所对应的像素值确定为量化拉伸的极大值。
7.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210948102.0A CN115019187B (zh) | 2022-08-09 | 2022-08-09 | 针对sar图像船舶目标的检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210948102.0A CN115019187B (zh) | 2022-08-09 | 2022-08-09 | 针对sar图像船舶目标的检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115019187A CN115019187A (zh) | 2022-09-06 |
CN115019187B true CN115019187B (zh) | 2022-11-22 |
Family
ID=83065631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210948102.0A Active CN115019187B (zh) | 2022-08-09 | 2022-08-09 | 针对sar图像船舶目标的检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115019187B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116136428B (zh) * | 2023-04-20 | 2023-08-08 | 中国铁塔股份有限公司湖北省分公司 | 一种江河水位测量系统、方法及可读存储介质 |
CN117314795B (zh) * | 2023-11-30 | 2024-02-27 | 成都玖锦科技有限公司 | 一种利用背景数据的sar图像增强方法 |
CN117649613B (zh) * | 2024-01-30 | 2024-04-26 | 之江实验室 | 一种光学遥感图像优化方法、装置、存储介质及电子设备 |
Citations (12)
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 |
CN106204664A (zh) * | 2016-07-19 | 2016-12-07 | 西安电子科技大学 | 基于sar‑lark特征的sar舰船目标检测方法 |
CN106845372A (zh) * | 2016-12-31 | 2017-06-13 | 华中科技大学 | 一种星载遥感光学图像的船舶目标检测识别方法和系统 |
CN107067039A (zh) * | 2017-04-25 | 2017-08-18 | 西安电子科技大学 | 基于超像素的sar图像舰船目标快速检测方法 |
CN107247930A (zh) * | 2017-05-26 | 2017-10-13 | 西安电子科技大学 | 基于cnn和选择性注意机制的sar图像目标检测方法 |
CN109188433A (zh) * | 2018-08-20 | 2019-01-11 | 南京理工大学 | 基于无控制点的双机载sar图像目标定位的方法 |
CN110378308A (zh) * | 2019-07-25 | 2019-10-25 | 电子科技大学 | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 |
CN111582089A (zh) * | 2020-04-27 | 2020-08-25 | 中国人民解放军军事科学院国防科技创新研究院 | 基于卫星红外与可见光图像的海上目标信息融合方法 |
CN112686222A (zh) * | 2021-03-12 | 2021-04-20 | 耕宇牧星(北京)空间科技有限公司 | 星载可见光探测器对船舶目标检测的方法和系统 |
CN113643284A (zh) * | 2021-09-09 | 2021-11-12 | 西南交通大学 | 基于卷积神经网络的极化合成孔径雷达图像舰船检测方法 |
CN114004816A (zh) * | 2021-11-03 | 2022-02-01 | 深圳大学 | 车载sar目标检测与识别方法、系统及终端 |
CN114494342A (zh) * | 2021-12-31 | 2022-05-13 | 中国科学院空天信息创新研究院 | 一种同步轨道卫星可见光序列图像海上目标检测跟踪方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766154B (zh) * | 2021-01-19 | 2022-09-30 | 中国地质大学(武汉) | 一种高分辨率sar图像建筑物叠掩提取方法 |
CN114266983A (zh) * | 2021-11-12 | 2022-04-01 | 西安电子科技大学 | 基于多源特征迁移与虚警剔除的sar图像目标检测方法 |
-
2022
- 2022-08-09 CN CN202210948102.0A patent/CN115019187B/zh active Active
Patent Citations (12)
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 |
CN106204664A (zh) * | 2016-07-19 | 2016-12-07 | 西安电子科技大学 | 基于sar‑lark特征的sar舰船目标检测方法 |
CN106845372A (zh) * | 2016-12-31 | 2017-06-13 | 华中科技大学 | 一种星载遥感光学图像的船舶目标检测识别方法和系统 |
CN107067039A (zh) * | 2017-04-25 | 2017-08-18 | 西安电子科技大学 | 基于超像素的sar图像舰船目标快速检测方法 |
CN107247930A (zh) * | 2017-05-26 | 2017-10-13 | 西安电子科技大学 | 基于cnn和选择性注意机制的sar图像目标检测方法 |
CN109188433A (zh) * | 2018-08-20 | 2019-01-11 | 南京理工大学 | 基于无控制点的双机载sar图像目标定位的方法 |
CN110378308A (zh) * | 2019-07-25 | 2019-10-25 | 电子科技大学 | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 |
CN111582089A (zh) * | 2020-04-27 | 2020-08-25 | 中国人民解放军军事科学院国防科技创新研究院 | 基于卫星红外与可见光图像的海上目标信息融合方法 |
CN112686222A (zh) * | 2021-03-12 | 2021-04-20 | 耕宇牧星(北京)空间科技有限公司 | 星载可见光探测器对船舶目标检测的方法和系统 |
CN113643284A (zh) * | 2021-09-09 | 2021-11-12 | 西南交通大学 | 基于卷积神经网络的极化合成孔径雷达图像舰船检测方法 |
CN114004816A (zh) * | 2021-11-03 | 2022-02-01 | 深圳大学 | 车载sar目标检测与识别方法、系统及终端 |
CN114494342A (zh) * | 2021-12-31 | 2022-05-13 | 中国科学院空天信息创新研究院 | 一种同步轨道卫星可见光序列图像海上目标检测跟踪方法 |
Non-Patent Citations (2)
Title |
---|
SAR图像舰船目标检测方法研究;杨振东;《万方知识数据服务平台》;20220614;第4-68页 * |
杨振东.SAR图像舰船目标检测方法研究.《万方知识数据服务平台》.2022,第4-9、18、37、68页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115019187A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115019187B (zh) | 针对sar图像船舶目标的检测方法、装置、设备及介质 | |
US20210056708A1 (en) | Target detection and training for target detection network | |
CN110310264B (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
CN110796048B (zh) | 一种基于深度神经网络的船舰目标实时检测方法 | |
CN112884760A (zh) | 近水桥梁多类型病害智能检测方法与无人船设备 | |
CN108230292B (zh) | 物体检测方法和神经网络的训练方法、装置及电子设备 | |
WO2016101279A1 (zh) | 一种合成孔径雷达图像舰船目标快速检测方法 | |
CN109886218B (zh) | 基于超像素统计相异性的sar图像舰船目标检测方法 | |
CN112766221B (zh) | 基于船舶方向和位置多任务的sar图像船舶目标检测方法 | |
CN111476159A (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
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 | |
US20160041262A1 (en) | Methods and Systems for Local Principal Axis Rotation Angle Transform | |
CN115035295A (zh) | 一种基于共享卷积核和边界损失函数的遥感图像语义分割方法 | |
CN114332633B (zh) | 雷达图像目标检测识别方法、设备和存储介质 | |
CN115223056A (zh) | 基于多尺度特征增强的光学遥感图像舰船目标检测方法 | |
CN113569720B (zh) | 一种舰船检测方法、系统及装置 | |
CN117115666A (zh) | 基于多源数据的高原湖泊提取方法、装置、设备及介质 | |
CN115082299B (zh) | 非严格对齐的小样本不同源图像转换方法、系统及设备 | |
CN116403114A (zh) | 一种基于深度学习的遥感影像目标识别方法及系统 | |
CN114881763B (zh) | 养殖业贷后监管方法、装置、设备和介质 | |
CN114511862B (zh) | 表格识别方法、装置及电子设备 | |
el Abbadi et al. | Single image haze removal via accurate atmosphere light | |
CN117173650B (zh) | 基于激光雷达的船舶测量与识别方法及系统 | |
CN115082810B (zh) | 同步轨道卫星红外图像船舶检测方法、装置、设备及介质 | |
CN116258962A (zh) | 一种结合形状置信度的宽幅sar图像低虚警目标检测方法 |
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 |