CN116486259B - 遥感图像中的点目标的提取方法和装置 - Google Patents
遥感图像中的点目标的提取方法和装置 Download PDFInfo
- Publication number
- CN116486259B CN116486259B CN202310358006.5A CN202310358006A CN116486259B CN 116486259 B CN116486259 B CN 116486259B CN 202310358006 A CN202310358006 A CN 202310358006A CN 116486259 B CN116486259 B CN 116486259B
- Authority
- CN
- China
- Prior art keywords
- data set
- point data
- signal
- candidate point
- target 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000013441 quality evaluation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本申请提供了一种遥感图像中的点目标的提取方法和装置,属于图像处理技术领域,方法包括:获取待处理的目标图像,提取目标图像的像元的幅值,根据目标图像的像元的幅值确定幅值的最大异常值;将目标图像分割为多个格网,将每个格网中幅值大于最大异常值的像元确定为候选点,生成第一候选点数据集;获取目标图像的元数据信息,根据元数据信息生成点目标模型信号;根据点目标模型信号计算第一候选点数据集的相关系数,根据相关系数对第一候选点数据集中的候选点进行过滤,生成第二候选点数据集;根据信杂比对第二候选点数据集中的点进行提取,生成最终的候选点数据集。以此方式,能够对没有角反射器的图像进行有效目标点的提取。
Description
技术领域
本申请的实施例一般涉及图像处理技术领域,并且更具体地,涉及遥感图像中的点目标的提取方法和装置。
背景技术
对于合成孔径雷达图像的质量评价最常用的参数是从通过图像对点目标的脉冲响应形状描述得到的。点目标的计算指标有距离向和方位向的空间分辨率、峰值旁瓣比、积分旁瓣比和等效分辨率等。
通常用理想点目标的脉冲响应计算上述指标,理想的点目标是角反射器,一般会在检校场放置角反射器,而大多数的图像中是没有角反射器的,所以很难在图像中提取到有效的点目标,从而针对点目标的图像评估有很大的局限性。
发明内容
有鉴于此,本申请实施例的目的在于提供了一种对没有角反射器的图像进行有效目标点的提取,克服无角反射器的图像存在的点目标图像评估的局限性。
为解决上述问题,在本申请的第一方面,提供一种遥感图像中的点目标的提取方法,包括:
获取待处理的目标图像,提取所述目标图像的像元的幅值,根据所述目标图像的像元的幅值确定幅值的最大异常值;
将所述目标图像分割为多个格网,将每个格网中幅值大于所述最大异常值的像元确定为候选点,生成第一候选点数据集;
获取所述目标图像的元数据信息,根据所述元数据信息生成点目标模型信号;
根据所述点目标模型信号计算所述第一候选点数据集的相关系数,根据所述相关系数对所述第一候选点数据集中的候选点进行过滤,生成第二候选点数据集;
根据信杂比对所述第二候选点数据集中的点进行提取,生成最终的候选点数据集。
在一些实施例中,所述根据所述目标图像的像元的幅值确定幅值的最大异常值,包括:
确定所述目标图像的像元幅值的最小值和标准差,根据所述目标图像的像元幅值的最小值和标准差确定幅值的最大异常值。
在一些实施例中,根据所述目标图像的像元幅值的最小值和标准差确定幅值的最大异常值,包括:
将所述目标图像的像元幅值的最小值与标准差的预设倍数的和作为幅值的最大异常值。
在一些实施例中,还包括:
对所述第一候选点数据集中距离所述目标图像的边缘小于预设值的点进行删除。
在一些实施例中,所述获取所述目标图像的元数据信息,根据所述元数据信息生成点目标模型信号,包括:
从所述目标图像中读取所述目标图像中的像元的元数据信息,所述元数据信息包括像元的脉冲宽度、距离向带宽和距离向采样率;
根据所述元数据信息在以对应像元为中心的第一预设范围内构建Sinc信号,对构建的Sinc信号进行傅里叶变换,对变换后的信号进行升采样,得到原始信号;
根据所述元数据信息判断所述元数据信息中是否包括加窗信息;
响应于包括加窗信息,根据加窗信息构建第一加窗信号,对所述第一加窗信号进行升采样,生成第二加窗信号,将所述原始信号和所述第二加窗信号的乘积进行傅里叶反变换,生成点目标模型信号;
响应于不包括加窗信息,对所述原始信号进行傅里叶反变换,生成点目标模型信号。
在一些实施例中,所述根据所述点目标模型信号计算所述第一候选点数据集的相关系数,根据所述相关系数对所述第一候选点数据集中的候选点进行过滤,生成第二候选点数据集,包括:
根据以下公式计算所述第一候选点数据集的相关系数:
其中,D为第一候选点数据集中的点的相关系数,D1为距离第一候选点数据集中的点第二预设范围内的点的实测幅值信号,C1为点目标模型信号;
将所述相关系数小于预设相关系数阈值的点从所述第一候选点数据集中删除,生成第二候选点数据集。
在一些实施例中,所述根据信杂比对所述第二候选点数据集中的点进行提取,生成最终的候选点数据集,包括:
计算所述第二候选点数据集中的点的目标信号与距离该点第三预设范围内的背景杂波的能量比,生成所述第二候选点数据集中的点的信杂比数据;
对所述信杂比数据进行排序,选取前N个点作为最终的候选点数据集中的点,其中,N为正整数。
在本申请的第二方面,提供一种遥感图像中的点目标的提取装置,包括:
图像获取模块,用于获取待处理的目标图像,提取所述目标图像的像元的幅值,根据所述目标图像的像元的幅值确定幅值的最大异常值;
第一候选点数据集生成模块,用于将所述目标图像分割为多个格网,将每个格网中幅值大于所述最大异常值的像元确定为候选点,生成第一候选点数据集;
点目标模型信号生成模块,用于获取所述目标图像的元数据信息,根据所述元数据信息生成点目标模型信号;
第二候选点数据集生成模块,用于根据所述点目标模型信号计算所述第一候选点数据集的相关系数,根据所述相关系数对所述第一候选点数据集中的候选点进行过滤,生成第二候选点数据集;
最终候选点数据集生成模块,用于根据信杂比对所述第二候选点数据集中的点进行提取,生成最终的候选点数据集。
在本申请的第三方面,提供了一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
在本申请的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如以上所述的方法。
通过本申请的遥感图像中的点目标的提取方法,能够对没有角反射器的图像进行有效目标点的提取,从而克服没有角反射器的图像存在的点目标图像评估的局限性。
发明内容部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征,亦非用于限制本申请的范围。本申请的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本申请各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了本申请实施例一的遥感图像中的点目标的提取方法的流程图;
图2示出了本申请实施例二的遥感图像中的点目标的提取装置的结构示意图;
图3示出了用来实施本公开的实施例的电子设备的示意性框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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全部其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本申请实施例提供一种遥感图像中的点目标的提取方法,用于对没有角反射器的图像进行有效目标点的提取,便于后续的对没有角反射器的图像进行图像评估。
具体地,如图1所示,为本申请实施例一的遥感图像中的点目标的提取方法的流程图。本实施例的遥感图像中的点目标的提取方法,可以包括以下步骤:
S101:获取待处理的目标图像,提取所述目标图像的像元的幅值,根据所述目标图像的像元的幅值确定幅值的最大异常值。
在本实施例中,所述遥感图像中的点目标的提取方法,可以应用于合成孔径雷达图像的质量评价。具体地,可以应用于没有放置角反射器的合成孔径雷达图像的质量评价。在对合成孔径雷达图像的质量评价过程中,需要获取待评价的目标图像(即待处理的目标图像),提取所述目标图像的像元幅值,根据所述目标图像的像元的幅值确定幅值的最大异常值。
在本实施例中,可以确定所述目标图像的像元幅值的最小值和标准差,根据所述目标图像的像元幅值的最小值和标准差确定幅值的最大异常值。
具体地,可以将所述目标图像的像元幅值的最小值与标准差的预设倍数的和作为幅值的最大异常值。
在一些具体实现方式中,在获取到待处理的目标图像后,读取该图像的幅值,按照行列号记录数据幅值数据,根据幅值数据,进行数据的统计,得到数据幅值的最大值、最小值、平均值和标准差。根据标准差、平均值,确定幅值的最大异常值。其中,幅值的最大异常值=最小值+5*标准差。
S102:将所述目标图像分割为多个格网,将每个格网中幅值大于所述最大异常值的像元确定为候选点,生成第一候选点数据集。
在本实施例中,当确定了幅值的最大异常值后,可以根据确定的幅值的最大异常值确定目标图像中的候选点,生成第一候选点数据集。具体地,可以将所述目标图像划分为多个网格,例如11行、11列,共有11×11个格网。对于每个网格中的每个像素点,将每个像素点的幅值与幅值的最大异常值进行对比,将幅值大于所述最大异常值的点确定为候选点,生成第一候选点数据集。
此外,在一些其他实施例中,为了使得提取出来的遥感图像中的点目标更加精确,更具有代表性,还可以对所述第一候选点数据集中距离所述目标图像的边缘小于预设值的点进行删除。
S103:获取所述目标图像的元数据信息,根据所述元数据信息生成点目标模型信号。
在本实施例中,还可以获取所述目标图像的元数据信息,根据所述元数据信息生成点目标模型信号。
具体地,从所述目标图像中读取所述目标图像中的像元的元数据信息,所述元数据信息包括像元的脉冲宽度、距离向带宽和距离向采样率;
根据所述元数据信息在以对应像元为中心的第一预设范围内构建Sinc信号,对构建的Sinc信号进行傅里叶变换,对变换后的信号进行升采样,得到原始信号;
根据所述元数据信息判断所述元数据信息中是否包括加窗信息;
响应于包括加窗信息,根据加窗信息构建第一加窗信号,对所述第一加窗信号进行升采样,生成第二加窗信号,将所述原始信号和所述第二加窗信号的乘积进行傅里叶反变换,生成点目标模型信号;
响应于不包括加窗信息,对所述原始信号进行傅里叶反变换,生成点目标模型信号。
本步骤可以与步骤S101同步进行或者异步进行,并且不限定具体地的先后顺序。
S104:根据所述点目标模型信号计算所述第一候选点数据集的相关系数,根据所述相关系数对所述第一候选点数据集中的候选点进行过滤,生成第二候选点数据集。
根据以下公式计算所述第一候选点数据集的相关系数:
其中,D为第一候选点数据集中的点的相关系数,D1为距离第一候选点数据集中的点第二预设范围内的点的实测幅值信号,C1为点目标模型信号;
将所述相关系数小于预设相关系数阈值的点从所述第一候选点数据集中删除,生成第二候选点数据集。
S105:根据信杂比对所述第二候选点数据集中的点进行提取,生成最终的候选点数据集。
在本实施例中,可以计算所述第二候选点数据集中的点的目标信号与距离该点第三预设范围内的背景杂波的能量比,生成所述第二候选点数据集中的点的信杂比数据;
对所述信杂比数据进行排序,选取前N个点作为最终的候选点数据集中的点,其中,N为正整数。
本实施例的遥感图像中的点目标的提取方法,能够对没有角反射器的图像进行有效目标点的提取,从而克服没有角反射器的图像存在的点目标图像评估的局限性。
此外,最为本申请的一个可选实施例,在上述实施例中,还可以根据最终的候选点数据集中的点对取待处理的目标图像进行评估。具体地,对于最终的候选点数据集中的点,选取每个点对应的15×15大小的图像范围,该区域作为点目标的评估区域,针对该区域进行傅里叶差值,沿着距离向和方位向分别搜索,检测得到距离向和方位向的一维Sinc信号,基于该信号计算空间分辨率、峰值旁瓣比、积分旁瓣比、等效分辨率等评估参数。计算所有评估参数,取平均值得到整幅图像A1的点目标的质量评价结果。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应所述知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应所述知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本申请所述方案进行进一步说明。
如图2所示,为本申请实施例二的遥感图像中的点目标的提取装置的结构示意图。本实施例的遥感图像中的点目标的提取装置,包括:
图像获取模块201,用于获取待处理的目标图像,提取所述目标图像的像元的幅值,根据所述目标图像的像元的幅值确定幅值的最大异常值;
第一候选点数据集生成模块202,用于将所述目标图像分割为多个格网,将每个格网中幅值大于所述最大异常值的像元确定为候选点,生成第一候选点数据集;
点目标模型信号生成模块203,用于获取所述目标图像的元数据信息,根据所述元数据信息生成点目标模型信号;
第二候选点数据集生成模块204,用于根据所述点目标模型信号计算所述第一候选点数据集的相关系数,根据所述相关系数对所述第一候选点数据集中的候选点进行过滤,生成第二候选点数据集;
最终候选点数据集生成模块205,用于根据信杂比对所述第二候选点数据集中的点进行提取,生成最终的候选点数据集。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图3示出了可以用来实施本公开的实施例的电子设备300的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
电子设备300包括计算单元301,其可以根据存储在ROM302中的计算机程序或者从存储单元308加载到RAM303中的计算机程序,来执行各种适当的动作和处理。在RAM303中,还可存储电子设备300操作所需的各种程序和数据。计算单元301、ROM302以及RAM303通过总线304彼此相连。I/O接口305也连接至总线304。
电子设备300中的多个部件连接至I/O接口305,包括:输入单元806,例如键盘、鼠标等;输出单元307,例如各种类型的显示器、扬声器等;存储单元308,例如磁盘、光盘等;以及通信单元309,例如网卡、调制解调器、无线通信收发机等。通信单元309允许电子设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理,例如遥感图像中的点目标的提取方法。例如,在一些实施例中,遥感图像中的点目标的提取方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元308。在一些实施例中,计算机程序的部分或者全部可以经由ROM302和/或通信单元309而被载入和/或安装到电子设备300上。当计算机程序加载到RAM303并由计算单元301执行时,可以执行上文描述的遥感图像中的点目标的提取方法的一个或多个步骤。备选地,在其他实施例中,计算单元301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行遥感图像中的点目标的提取方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置;以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (8)
1.遥感图像中的点目标的提取方法,其特征在于,包括:
获取待处理的目标图像,提取所述目标图像的像元的幅值,根据所述目标图像的像元的幅值确定幅值的最大异常值;
将所述目标图像分割为多个格网,将每个格网中幅值大于所述最大异常值的像元确定为候选点,生成第一候选点数据集;
获取所述目标图像的元数据信息,根据所述元数据信息生成点目标模型信号;所述获取所述目标图像的元数据信息,根据所述元数据信息生成点目标模型信号,包括:从所述目标图像中读取所述目标图像中的像元的元数据信息,所述元数据信息包括像元的脉冲宽度、距离向带宽和距离向采样率;根据所述元数据信息在以对应像元为中心的第一预设范围内构建Sinc信号,对构建的Sinc信号进行傅里叶变换,对变换后的信号进行升采样,得到原始信号;根据所述元数据信息判断所述元数据信息中是否包括加窗信息;响应于包括加窗信息,根据加窗信息构建第一加窗信号,对所述第一加窗信号进行升采样,生成第二加窗信号,将所述原始信号和所述第二加窗信号的乘积进行傅里叶反变换,生成点目标模型信号;响应于不包括加窗信息,对所述原始信号进行傅里叶反变换,生成点目标模型信号;
根据所述点目标模型信号计算所述第一候选点数据集的相关系数,根据所述相关系数对所述第一候选点数据集中的候选点进行过滤,生成第二候选点数据集;所述根据所述点目标模型信号计算所述第一候选点数据集的相关系数,根据所述相关系数对所述第一候选点数据集中的候选点进行过滤,生成第二候选点数据集,包括:根据以下公式计算所述第一候选点数据集的相关系数:
其中,D为第一候选点数据集中的点的相关系数,D1为距离第一候选点数据集中的点第二预设范围内的点的实测幅值信号,C1为点目标模型信号;将所述相关系数小于预设相关系数阈值的点从所述第一候选点数据集中删除,生成第二候选点数据集;
根据信杂比对所述第二候选点数据集中的点进行提取,生成最终的候选点数据集。
2.根据权利要求1所述的提取方法,其特征在于,所述根据所述目标图像的像元的幅值确定幅值的最大异常值,包括:
确定所述目标图像的像元幅值的最小值和标准差,根据所述目标图像的像元幅值的最小值和标准差确定幅值的最大异常值。
3.根据权利要求2所述的提取方法,其特征在于,根据所述目标图像的像元幅值的最小值和标准差确定幅值的最大异常值,包括:
将所述目标图像的像元幅值的最小值与标准差的预设倍数的和作为幅值的最大异常值。
4.根据权利要求1所述的提取方法,其特征在于,还包括:
对所述第一候选点数据集中距离所述目标图像的边缘小于预设值的点进行删除。
5.根据权利要求1所述的提取方法,其特征在于,所述根据信杂比对所述第二候选点数据集中的点进行提取,生成最终的候选点数据集,包括:
计算所述第二候选点数据集中的点的目标信号与距离该点第三预设范围内的背景杂波的能量比,生成所述第二候选点数据集中的点的信杂比数据;
对所述信杂比数据进行排序,选取前N个点作为最终的候选点数据集中的点,其中,N为正整数。
6.遥感图像中的点目标的提取装置,其特征在于,包括:
图像获取模块,用于获取待处理的目标图像,提取所述目标图像的像元的幅值,根据所述目标图像的像元的幅值确定幅值的最大异常值;
第一候选点数据集生成模块,用于将所述目标图像分割为多个格网,将每个格网中幅值大于所述最大异常值的像元确定为候选点,生成第一候选点数据集;
点目标模型信号生成模块,用于获取所述目标图像的元数据信息,根据所述元数据信息生成点目标模型信号;所述获取所述目标图像的元数据信息,根据所述元数据信息生成点目标模型信号,包括:从所述目标图像中读取所述目标图像中的像元的元数据信息,所述元数据信息包括像元的脉冲宽度、距离向带宽和距离向采样率;根据所述元数据信息在以对应像元为中心的第一预设范围内构建Sinc信号,对构建的Sinc信号进行傅里叶变换,对变换后的信号进行升采样,得到原始信号;根据所述元数据信息判断所述元数据信息中是否包括加窗信息;响应于包括加窗信息,根据加窗信息构建第一加窗信号,对所述第一加窗信号进行升采样,生成第二加窗信号,将所述原始信号和所述第二加窗信号的乘积进行傅里叶反变换,生成点目标模型信号;响应于不包括加窗信息,对所述原始信号进行傅里叶反变换,生成点目标模型信号;
第二候选点数据集生成模块,用于根据所述点目标模型信号计算所述第一候选点数据集的相关系数,根据所述相关系数对所述第一候选点数据集中的候选点进行过滤,生成第二候选点数据集;所述根据所述点目标模型信号计算所述第一候选点数据集的相关系数,根据所述相关系数对所述第一候选点数据集中的候选点进行过滤,生成第二候选点数据集,包括:根据以下公式计算所述第一候选点数据集的相关系数:
其中,D为第一候选点数据集中的点的相关系数,D1为距离第一候选点数据集中的点第二预设范围内的点的实测幅值信号,C1为点目标模型信号;将所述相关系数小于预设相关系数阈值的点从所述第一候选点数据集中删除,生成第二候选点数据集;
最终候选点数据集生成模块,用于根据信杂比对所述第二候选点数据集中的点进行提取,生成最终的候选点数据集。
7.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~5中任一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310358006.5A CN116486259B (zh) | 2023-04-04 | 遥感图像中的点目标的提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310358006.5A CN116486259B (zh) | 2023-04-04 | 遥感图像中的点目标的提取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116486259A CN116486259A (zh) | 2023-07-25 |
CN116486259B true CN116486259B (zh) | 2024-06-04 |
Family
ID=
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950395A (zh) * | 2009-07-09 | 2011-01-19 | 埃森哲环球服务有限公司 | 市场营销模型确定系统 |
WO2012002024A1 (ja) * | 2010-06-30 | 2012-01-05 | シャープ株式会社 | 映像表示システム |
CN102608601A (zh) * | 2012-03-08 | 2012-07-25 | 北京北科安地科技发展有限公司 | 一种人工角反射器在sar影像中的识别方法 |
CN103336272A (zh) * | 2013-03-26 | 2013-10-02 | 中国科学院电子学研究所 | 一种基于几何结构的复杂目标sar图像仿真方法 |
CN105069843A (zh) * | 2015-08-22 | 2015-11-18 | 浙江中测新图地理信息技术有限公司 | 一种面向城市三维建模的密集点云的快速提取方法 |
CN108734723A (zh) * | 2018-05-11 | 2018-11-02 | 江南大学 | 一种基于自适应权重联合学习的相关滤波目标跟踪方法 |
CN111046880A (zh) * | 2019-11-28 | 2020-04-21 | 中国船舶重工集团公司第七一七研究所 | 一种红外目标图像分割方法、系统、电子设备及存储介质 |
CN114114257A (zh) * | 2021-11-17 | 2022-03-01 | 清华大学 | 一种坝区形变与水位相关性检测方法和装置 |
CN114494864A (zh) * | 2022-01-17 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 基于遥感数据的积雪物候信息的提取方法 |
CN115184884A (zh) * | 2022-07-19 | 2022-10-14 | 上海城建城市运营(集团)有限公司 | 合成孔径雷达角反射器散射特性估计新方法 |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950395A (zh) * | 2009-07-09 | 2011-01-19 | 埃森哲环球服务有限公司 | 市场营销模型确定系统 |
WO2012002024A1 (ja) * | 2010-06-30 | 2012-01-05 | シャープ株式会社 | 映像表示システム |
CN102608601A (zh) * | 2012-03-08 | 2012-07-25 | 北京北科安地科技发展有限公司 | 一种人工角反射器在sar影像中的识别方法 |
CN103336272A (zh) * | 2013-03-26 | 2013-10-02 | 中国科学院电子学研究所 | 一种基于几何结构的复杂目标sar图像仿真方法 |
CN105069843A (zh) * | 2015-08-22 | 2015-11-18 | 浙江中测新图地理信息技术有限公司 | 一种面向城市三维建模的密集点云的快速提取方法 |
CN108734723A (zh) * | 2018-05-11 | 2018-11-02 | 江南大学 | 一种基于自适应权重联合学习的相关滤波目标跟踪方法 |
CN111046880A (zh) * | 2019-11-28 | 2020-04-21 | 中国船舶重工集团公司第七一七研究所 | 一种红外目标图像分割方法、系统、电子设备及存储介质 |
CN114114257A (zh) * | 2021-11-17 | 2022-03-01 | 清华大学 | 一种坝区形变与水位相关性检测方法和装置 |
CN114494864A (zh) * | 2022-01-17 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 基于遥感数据的积雪物候信息的提取方法 |
CN115184884A (zh) * | 2022-07-19 | 2022-10-14 | 上海城建城市运营(集团)有限公司 | 合成孔径雷达角反射器散射特性估计新方法 |
Non-Patent Citations (1)
Title |
---|
基于船载雷达图像的海上船只检测方法;刘斌;黄韦艮;杨劲松;范开国;陈鹏;丁献文;;海洋学研究;20091231(第04期);第33-37页 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110231617B (zh) | 目标障碍物方位探测方法、装置、车载雷达及存储介质 | |
CN111008585B (zh) | 基于自适应分层高分辨sar图像的舰船目标检测方法 | |
CN116012364B (zh) | Sar图像变化检测方法和装置 | |
CN111143344A (zh) | 一种用于时间序列数据缺失的补全方法及装置 | |
CN114926549B (zh) | 三维点云处理方法、装置、设备以及存储介质 | |
CN115731382A (zh) | 点云目标检测方法、装置、计算机设备和存储介质 | |
CN109978855A (zh) | 一种遥感图像变化检测方法及装置 | |
CN116486259B (zh) | 遥感图像中的点目标的提取方法和装置 | |
CN115546271B (zh) | 基于深度联合表征的视觉分析方法、装置、设备及介质 | |
CN104881670A (zh) | 一种用于sar方位角估计的快速目标提取方法 | |
CN116486259A (zh) | 遥感图像中的点目标的提取方法和装置 | |
CN116188917A (zh) | 缺陷数据生成模型训练方法、缺陷数据生成方法及装置 | |
CN116433722A (zh) | 目标跟踪方法、电子设备、存储介质及程序产品 | |
CN116721113A (zh) | 一种三维点云平面分割方法及系统 | |
CN111369425A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN115877340B (zh) | 一种用于参数估计的数据处理方法及装置 | |
CN114578422B (zh) | 一种水力压裂监测结果分析方法、装置及计算机设备 | |
CN114332151B (zh) | 一种基于阴影Video-SAR中感兴趣目标跟踪方法 | |
CN117630936B (zh) | 合成孔径雷达观测角度分析方法、装置、电子设备及介质 | |
CN112991451B (zh) | 图像识别方法、相关装置及计算机程序产品 | |
CN116993782A (zh) | 一种基于非对称背景感知的目标跟踪方法、设备及介质 | |
CN115171225A (zh) | 图像检测方法和图像检测模型的训练方法 | |
CN116596750A (zh) | 一种点云处理方法、装置、电子设备及存储介质 | |
CN117079150A (zh) | 基于图像分割的海洋锋检测方法和装置 | |
CN115830245A (zh) | 一种模型重构方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |