WO2021009905A1 - 画像処理装置および画像処理方法 - Google Patents

画像処理装置および画像処理方法 Download PDF

Info

Publication number
WO2021009905A1
WO2021009905A1 PCT/JP2019/028265 JP2019028265W WO2021009905A1 WO 2021009905 A1 WO2021009905 A1 WO 2021009905A1 JP 2019028265 W JP2019028265 W JP 2019028265W WO 2021009905 A1 WO2021009905 A1 WO 2021009905A1
Authority
WO
WIPO (PCT)
Prior art keywords
pixels
pixel
image processing
peripheral pixels
intensity
Prior art date
Application number
PCT/JP2019/028265
Other languages
English (en)
French (fr)
Inventor
大地 田中
宝珠山　治
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2019/028265 priority Critical patent/WO2021009905A1/ja
Priority to JP2021532643A priority patent/JP7188595B2/ja
Priority to US17/627,217 priority patent/US20220262096A1/en
Publication of WO2021009905A1 publication Critical patent/WO2021009905A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9027—Pattern recognition for feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • 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
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/7635—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks based on graphs, e.g. graph cuts or spectral clustering

Definitions

  • the present invention relates to an image processing device and an image processing method for a synthetic aperture radar that makes it possible to easily associate a SAR image with an object.
  • Synthetic Aperture Radar (SAR) technology is a technology that transmits and receives electromagnetic waves while flying objects such as artificial satellites and aircraft move, and obtains observation images equivalent to antennas with large apertures.
  • Synthetic aperture radar is used, for example, to process reflected waves from the ground surface and analyze altitude and surface displacement.
  • the analysis device takes a time-series SAR image (SAR data) obtained by the synthetic aperture radar as an input, and analyzes the input SAR image in a time-series manner.
  • the observation target such as the ground surface or the structure and the corresponding part in the SAR image are easily associated with each other.
  • Patent Document 1 describes a method of clustering the pixels of PS (Persistent Scatterer) points in a SAR image so that an object can be easily associated with a location in the SAR image.
  • clustering is performed based on the phase correlation of a plurality of PS points.
  • Patent Document 2 describes a method of detecting a pixel that is statistically homogeneous with a certain pixel.
  • Non-Patent Document 1 describes an analysis method that utilizes a pixel called SHP (Statistically Homogeneous Pixel) as a pixel whose noise properties do not change over a plurality of periods.
  • SHP Statistically Homogeneous Pixel
  • pixels having similar intensity (reflection intensity) are selected.
  • the present invention provides an image processing apparatus and an image processing method capable of performing a desired classification even if the number of pixels to be classified is increased, and as a result, it is possible to more easily associate the SAR image with the target.
  • the purpose is to do.
  • the image processing apparatus includes an intensity calculation means for calculating the intensity of a sample pixel, a peripheral pixel selection means for selecting peripheral pixels having similar statistical properties of intensity to the sample pixel based on the intensity of the sample pixel, and the peripheral pixel selection means. It includes a phase specifying means for specifying the phase of peripheral pixels and a pixel classification means for classifying peripheral pixels based on the correlation of the phases of peripheral pixels.
  • the intensity of a sample pixel is calculated, peripheral pixels having similar statistical properties of intensity to the sample pixel are selected based on the intensity of the sample pixel, the phase of the peripheral pixel is specified, and the periphery is specified. Peripheral pixels are classified based on the correlation of pixel phases.
  • the image processing program includes a process of calculating the intensity of a sample pixel in a computer, a process of selecting a peripheral pixel having similar statistical properties of intensity to the sample pixel based on the intensity of the sample pixel, and a peripheral pixel.
  • the process of specifying the phase of the peripheral pixels and the process of classifying the peripheral pixels based on the correlation of the phases of the peripheral pixels are executed.
  • the present invention it is possible to execute a desired classification even if the number of pixels to be classified is increased, and as a result, it becomes possible to more easily associate the SAR image with the target.
  • FIG. 1 is a block diagram showing a configuration example of the image processing apparatus of the first embodiment.
  • the image processing device 1 shown in FIG. 1 includes a SAR image storage unit 100, a phase identification unit 101, a clustering unit 102, an intensity calculation unit 104, a peripheral pixel extraction unit 105, and a similarity verification unit 106.
  • N SAR images are stored in the SAR image storage unit 100.
  • the phase specifying unit 101 specifies the phase in each of the plurality of sample pixels (target pixels) based on the plurality of SAR images.
  • the clustering unit 102 clusters the pixels at least based on the correlation of the phases of the pixels.
  • the intensity calculation unit 104 calculates the intensity of the pixel.
  • the peripheral pixel extraction unit 105 sets a window area including sample pixels in the SAR image, and extracts pixels in the window area.
  • the similarity verification unit 106 identifies a pixel (SHP) that is statistically homogeneous with the sample pixel based on the intensity of the sample pixel and the intensity of the extracted pixel.
  • FIG. 2 is a block diagram showing a configuration example of the clustering unit 102.
  • the clustering unit 102 includes a distance specifying unit 121, a minimum spanning tree generating unit 122, and a separating unit 123.
  • the distance specifying unit 121 calculates a distance indicating the relationship between the two sample pixels based on the correlation between the distance between the two sample pixels (for example, the Euclidean distance) and the phase of the two sample pixels.
  • the minimum spanning tree generation unit 122 generates the minimum spanning tree for the sample pixel based on the distance calculated by the distance specifying unit 121.
  • Separation unit 123 separates the minimum spanning tree using a predetermined threshold.
  • the set of sample pixels belonging to the separated and generated tree becomes a cluster of sample pixels. Generally, multiple clusters are created.
  • the Euclidean distance is used as the distance between pixels in the image will be taken as an example, but the distance is not limited thereto.
  • FIG. 3 is a block diagram showing a configuration example of the distance specifying unit 121.
  • the distance specifying unit 121 includes a correlation coefficient calculation unit 1211, a distance calculation unit 1212, and an integration unit 1213.
  • the correlation coefficient calculation unit 1211 obtains the correlation coefficient of the phase specified by the phase specifying unit 101 with respect to the two sample pixels.
  • the correlation coefficient calculation unit 1211 calculates the correlation coefficient for the phase (for example, each of the phase arrays) of the two sample pixels.
  • the correlation coefficient calculation unit 1211 calculates the phase correlation as follows, for example. That is, when the phase specifying unit 101 specifies the phase as a complex number having an absolute value of 1, the correlation coefficient calculation unit 1211 may calculate the strength of the phase correlation using the following equation (1). .. In the equation (1), each element of the phase array for the sample pixel a calculated by the phase specifying unit 101 is s an, and each element of the phase array for the sample pixel b is s b n . N indicates the number of images. n indicates the number of the image. The superscript line represents the complex conjugate.
  • the correlation coefficient calculation unit 1211 may use Pearson's product-moment correlation coefficient as the phase correlation coefficient.
  • the distance calculation unit 1212 obtains the Euclidean distance for two sample pixels.
  • the distance calculation unit 1212 obtains the Euclidean distance in the SAR image by a known method or the like by using the position information such as the coordinates of the two sample pixels.
  • the integration unit 1213 determines the relationship between the two sample pixels based on the correlation coefficient for the two sample pixels calculated by the correlation coefficient calculation unit 1211 and the Euclidean distance for the two sample pixels calculated by the distance calculation unit 1212. Determine. Relationships are expressed as distances. The distance between the two sample pixels becomes a small value when the correlation between the two sample pixels is strong. However, the correlation coefficient generally becomes a large value when the correlation is strong. Therefore, the integration unit 1213 may include a conversion unit. The conversion unit converts the correlation coefficient, which becomes a large value when the correlation is strong, so that it becomes a small value when the correlation is strong.
  • the distance may be an index indicating the degree of the relationship between the two pixels, and the integration unit 1213 may obtain the distance by a process different from the above-mentioned process.
  • the integration unit 1213 may obtain the distance by giving a weight to at least one of the correlation coefficient and the Euclidean distance.
  • the correlation coefficient is the Euclidean distance, and the distance that is more emphasized is required. For example, if the Euclidean distance is given a weight of 0, the distance is calculated based only on the phase correlation coefficient.
  • FIG. 4 is a flowchart showing the operation of the image processing device 1.
  • the intensity calculation unit 104 selects a sample pixel from the SAR image (step S101) and calculates the intensity (may be an amplitude value) of the sample pixel (step S102).
  • the sample pixels are, for example, PS point pixels, but may be all pixels in the SAR image.
  • the peripheral pixel extraction unit 105 sets a window area including sample pixels in the SAR image, for example, a window area in which the pixel closest to the position of the center of gravity is the sample pixel (step S103). Then, the peripheral pixel extraction unit 105 extracts the pixels in the window region as peripheral pixels.
  • the size of the window area is arbitrary, but as an example, 10 ⁇ 10 pixels in length and width and 100 ⁇ 100 pixels are used as the size of the window area.
  • the size of the window area is not limited to even numbers.
  • the shape of the window area is not limited to a square.
  • the shape of the window region may be rectangular (for example, 11 ⁇ 21 pixels) or non-rectangular such as an ellipse.
  • the shape of the window region may be different for each sample pixel depending on the terrain and the like. Further, the window area is not composed of a plurality of consecutive pixels, but is composed of a plurality of discrete pixels (for example, the window area is formed by a plurality of pixels selected every other pixel. ) May be done.
  • the similarity verification unit 106 calculates the strength of peripheral pixels (step S104).
  • the similarity verification unit 106 verifies, for example, whether or not the intensity of the sample pixel and the intensity of the peripheral pixels are generated by the same probability distribution function (step S105). Then, the similarity verification unit 106 sets the peripheral pixels generated by the same probability distribution function as the sample pixels to be pixels that are statistically homogeneous with the sample pixels.
  • the similarity verification unit 106 outputs a plurality of pixels (including sample pixels) that are statistically homogeneous with the sample pixels to the phase specifying unit 101.
  • the phase specifying unit 101 specifies the phase in each pixel (step S107).
  • the phase specifying unit 101 specifies the phase by, for example, creating a phase array.
  • the phase specifying unit 101 creates, for each pixel, an array having the phase of each of the plurality of SAR images in the pixel as an element, that is, a phase array.
  • the phase specifying unit 101 may obtain a phase change (phase difference) between a reference SAR image and another SAR image as an example of the phase in the pixel.
  • a reference SAR image is predetermined among a plurality of SAR images obtained by photographing the same area.
  • the phase specifying unit 101 uses the phase difference as an element of the phase array.
  • the phase specifying unit 101 may create a phase array by arranging the phases of the pixels in a plurality of SAR images in chronological order or the like without defining a reference SAR image. ..
  • phase is represented in the form of a complex number normalized so that the absolute value is 1, for example.
  • the minimum spanning tree generation unit 122 generates the minimum spanning tree in order to cluster the sample pixels (step S108).
  • the minimum spanning tree is a tree structure in which all the pixels extracted in the process of step S106 are connected so that a cycle is not formed by a branch that minimizes the total distance calculated by the distance specifying unit 121. is there.
  • each branch in the minimum spanning tree is weighted by the distance between two sample pixels connected to the branch.
  • FIG. 5 is a flowchart showing the operation of the minimum spanning tree generation unit 122.
  • the minimum spanning tree generation unit 122 generates the minimum spanning tree by the Prim's algorithm for clustering, but the minimum spanning tree may be generated by the Kruskal method.
  • the clustering unit 102 may use another clustering method as long as at least the phase correlation of the pixels is used.
  • another clustering method there is a method of classifying pixels into one of the clusters based on the distance between the pixels and the centroid of each cluster.
  • a method using the kernel a method of calculating the similarity between pixels, creating a graph, and dividing the side that minimizes the similarity may be used, or it is defined based on the similarity.
  • a method of maximizing the similarity between the kernel and each pixel may be used.
  • the minimum spanning tree generation unit 122 randomly selects one pixel from the plurality of pixels to generate a weighted graph (step S121).
  • the minimum spanning tree generation unit 122 confirms the distance between any pixel belonging to the weighted graph and a plurality of pixels not belonging to the weighted graph.
  • the minimum spanning tree generation unit 122 determines a set of two pixels having the shortest distance from the pixels belonging to the weighted graph (step S122). As described above, the distance is calculated by the distance specifying unit 121 including the correlation coefficient calculation unit 1211, the distance calculation unit 1212, and the integration unit 1213.
  • the minimum spanning tree generation unit 122 adds pixels in the determined set that do not belong to the weighted graph to the weighted graph (step S123).
  • the minimum spanning tree generation unit 122 adds a branch connecting two pixels included in the set to the weighted graph.
  • the minimum spanning tree generation unit 122 determines whether all the pixels belong to the weighted graph (step S124). If all the pixels belong to the weighted graph, the process ends. If there are pixels that do not belong to the weighted graph, the process returns to step S122.
  • Separation unit 123 clusters pixels (step S109). That is, the separation unit 123 separates the minimum spanning tree using a predetermined threshold value. The set of pixels in each graph generated by separating the weighted graphs becomes a cluster. The threshold is determined based on the mean or standard deviation of the distance between two pixels connected by a branch in the minimum spanning tree. As an example, the separation unit 123 defines the cluster so that the distance between the pixels belonging to the cluster is equal to or less than the threshold value. Further, the separation unit 123 may determine the cluster so that the standard deviation of the distance between the pixels belonging to the cluster is equal to or less than the threshold value.
  • the separation unit 123 may limit the size (number of pixels to which each cluster belongs) when generating clusters.
  • the image processing apparatus 1 of the present embodiment clusters pixels based on at least the correlation of pixel phases. Therefore, a cluster including pixels having the same size of phase average and phase dispersion is generated.
  • the image processing apparatus 1 increases the number of pixels to be clustered based on the pixel identity (statistically homogeneous) based on the intensity, and also performs the clustering based on the phase. It is more likely that clusters will be generated more accurately.
  • the identity means whether or not it is statistically homogeneous. In other words, having identity indicates that the pixels are similar.
  • the image processing device 1 of the present embodiment when used, the number of pixels to be clustered can be increased. Therefore, when the SAR image is used, the observation target such as the ground surface or the structure and the corresponding portion in the SAR image are used. Can be associated more easily and accurately. This also applies to the following embodiments.
  • FIG. 6 is an explanatory diagram for explaining clustering in the present embodiment.
  • the SAR image includes building A and road B.
  • circles indicate sample pixels.
  • White circles indicate pixels associated with the wall surface of building A.
  • Black circles indicate pixels associated with road B.
  • the distance between the phase of one pixel and the phase of another pixel is short. Therefore, they are classified into cluster A, as shown in FIG. 6 (B). Further, with respect to the plurality of pixels related to the road B, the distance between the phase of each pixel and the phase of the other pixels is short. Therefore, they are classified into cluster B as shown in FIG. 6 (B).
  • FIG. 7A it is assumed that there are pixels a, b, c, d whose phase changes. Then, it is assumed that similar pixels c and d are selected based on the intensity (see FIG. 7B). As shown in FIG. 7C, the average variation of the phases of the pixels c and d is about the same, and the phase dispersion of the pixels c and d is small, so that the statistical properties of the phases are the same. Pixels with sex are classified into one cluster.
  • the pixels to be clustered include pixels having different statistical properties.
  • FIG. 9 is an explanatory diagram for explaining clustering by the image processing method implemented in the image processing device 1 of the present embodiment.
  • one cluster (cluster # 1 and cluster # 2, respectively) has similar phase statistical properties (eg, variance and mean). Pixel belongs to.
  • FIG. 10 is a block diagram showing a configuration example of the image processing apparatus of the second embodiment.
  • the configuration of the image processing device 2 shown in FIG. 10 is such that the pixel connection unit 107 is added to the image processing device 1 of the first embodiment, and the clustering unit 102 is replaced with the clustering unit 110.
  • the pixel connection unit 107 connects and graphs pixels having the same strength based on strength.
  • the clustering unit 110 executes clustering by a process different from the process of the clustering unit 102 in the second embodiment.
  • FIG. 11 is a flowchart showing the operation of the image processing device 2.
  • the image processing device 2 executes the process of step S131 in addition to the process of the image processing device 1 of the first embodiment (the process shown in FIG. 4). Further, instead of the processing of steps S108 and S109 shown in FIG. 4, the processing of step S110 is executed. Other processes are the same as the processes executed by the image processing device 1 of the first embodiment.
  • step S131 the pixel connection unit 107 creates a graph by connecting pixels determined to be identical by the similarity verification unit 106.
  • step S110 the clustering unit 110 generates a cluster by cutting the edges between pixels whose phase correlation is equal to or less than a predetermined threshold value.
  • the threshold value is set according to the desired cluster size and the like.
  • the image processing apparatus 2 increases the number of pixels to be clustered based on the identity of the pixels based on the intensity, and also performs the clustering based on the phase, which is desired. Increased likelihood of creating a cluster configuration.
  • FIG. 12 is an explanatory diagram for explaining the operation of the pixel connecting portion 107.
  • the peripheral pixel extraction unit 105 and the similarity verification unit 106 verify the identity based on the intensity of the sample image in the SAR image as illustrated in FIG. 12 (A) (see FIG. 12 (B)).
  • the pixel connection unit 107 connects pixels determined to be identical (similar) to each other to graph the pixels in the SAR image (see FIG. 12C). It should be noted that FIG. 12C schematically shows the state of connection, which is inconsistent with the state shown in FIG. 12B.
  • the clustering unit 110 generates a cluster by cutting the edges between pixels having a weak phase correlation (see FIG. 12 (D)).
  • FIG. 12 (D) illustrates four clusters.
  • FIG. 13 is a block diagram showing a configuration example of the image processing apparatus of the third embodiment.
  • the configuration of the image processing device 3 shown in FIG. 13 is a configuration in which the noise estimation unit 108 is added to the image processing device 1 of the first embodiment.
  • the noise estimation unit 108 estimates the statistical properties of noise in the peripheral pixels. As noise in the SAR image, for example, there is noise caused by fluctuation of intensity between pixels. In that case, the dispersion of pixel intensity is reflected in the noise.
  • FIG. 14 is a flowchart showing the operation of the image processing device 4.
  • the image processing device 3 executes the process of step S141 in addition to the process of the image processing device 1 of the first embodiment (see FIG. 4).
  • Other processes are the same as the processes executed by the image processing device 1 of the first embodiment.
  • the clustering unit 102 refers to the processing result of the noise estimation unit 108 when clustering the pixels.
  • step S141 the noise estimation unit 108 calculates, for example, the variance of the intensity of each pixel selected according to the verification result by the similarity verification unit 106.
  • the noise estimation unit 108 outputs the calculation result to the clustering unit 102.
  • the clustering unit 102 may loosen the criteria for classifying into the same cluster, for example, when the intensity dispersion of the pixels to be clustered is large. As an example, the clustering unit 102 reduces the threshold value for classifying into the same cluster. Also, for pixels with low intensity variance (ie, low noise), the criteria for classification into the same cluster can be increased. By executing such processing by the clustering unit 102, a plurality of pixels having a large phase correlation are classified into the same cluster.
  • the dispersion of pixel intensity is taken as an example of the statistical property related to noise, but the statistical property related to noise is not limited to the dispersion of pixel intensity.
  • Other statistical properties such as average pixel intensities, may be used as the statistical properties for noise.
  • the threshold value of clustering is changed based on the statistical property related to noise, but the statistical property related to noise may be used for other purposes.
  • a statistical property of noise can be used to change the degree of correlation (scale) for determining to belong to one cluster when pixels are clustered based on the correlation of pixel phases. Is.
  • a cluster configuration intended by a designer or the like for example, a cluster configuration in which statistical properties relating to a predetermined size and pixel phase are aligned to a predetermined degree.
  • the processing result of the noise estimation unit 108 can be used.
  • parameters for clustering eg, thresholds
  • FIG. 15 is a block diagram showing a configuration example of the image processing apparatus of the fourth embodiment.
  • the configuration of the image processing device 4 shown in FIG. 15 is a configuration in which the noise estimation unit 108 is added to the image processing device 2 of the second embodiment shown in FIG.
  • FIG. 16 is a flowchart showing the operation of the image processing device 4.
  • the image processing device 4 executes the process of step S141 in addition to the process of the image processing device 2 of the second embodiment (see FIG. 11).
  • Other processing is the same as the processing executed by the image processing apparatus 3 of the third embodiment shown in FIG.
  • the clustering unit 110 refers to the processing result of the noise estimation unit 108 when clustering the pixels.
  • the clustering unit 110 refers to the processing result of the noise estimation unit 108 in the same manner as the method in which the clustering unit 102 refers to the processing result of the noise estimation unit 108 in the third embodiment.
  • step S141 is the same as the process executed by the noise estimation unit 108 in the third embodiment, but the process of step S131 by the pixel connection unit 107 and the process of step S141 by the noise estimation unit 108 are executed at the same time. It is possible to be done.
  • the possibility that a desired cluster configuration is created increases, and as in the case of the third embodiment, the cluster configuration intended by the designer or the like (as in the case of the third embodiment). For example, it is possible to obtain a cluster configuration in which statistical properties relating to a predetermined size and pixel phase are aligned to a predetermined degree.
  • each component in each of the above embodiments can be configured with one piece of hardware, but can also be configured with one piece of software.
  • each component can be configured by a plurality of hardware and can be configured by a plurality of software. It is also possible to configure a part of each component with hardware and the other part with software.
  • Each function (each processing) in the above embodiment can be realized by a computer having a processor such as a CPU (Central Processing Unit) or a memory.
  • a processor such as a CPU (Central Processing Unit) or a memory.
  • a program for carrying out the method (processing) in the above embodiment is stored in a storage device (storage medium) and each function is realized by executing the program stored in the storage device on the CPU. Good.
  • FIG. 17 is a block diagram showing an example of a computer having a CPU.
  • the computer is mounted on the image processing device.
  • the CPU 1000 realizes each function in the above embodiment by executing the process according to the program stored in the storage device 1001. That is, in the image processing apparatus shown in FIGS. 1, 10, 13, and 15, the phase identification unit 101, the clustering unit 102, 110, the intensity calculation unit 104, the peripheral pixel extraction unit 105, the similarity verification unit 106, and the pixels.
  • the functions of the connection unit 107 and the noise estimation unit 108 are realized.
  • the storage device 1001 is, for example, a non-transitory computer readable medium.
  • Non-temporary computer-readable media include various types of tangible storage media (tangible storage medium). Specific examples of non-temporary computer-readable media include magnetic recording media (eg, flexible disks, magnetic tapes, hard disk drives), magneto-optical recording media (eg, magneto-optical disks), and CD-ROMs (Compact Disc-Read Only Memory). ), CD-R (Compact Disc-Recordable), CD-R / W (Compact Disc-ReWritable), semiconductor memory (for example, mask ROM, PROM (Programmable ROM), EPROM (Erasable PROM), flash ROM).
  • magnetic recording media eg, flexible disks, magnetic tapes, hard disk drives
  • magneto-optical recording media eg, magneto-optical disks
  • CD-ROMs Compact Disc-Read Only Memory
  • CD-R Compact Disc-Recordable
  • CD-R / W Compact
  • the program may also be stored on various types of temporary computer-readable media (transitory computer readable medium).
  • the program is supplied to the temporary computer-readable medium, for example, via a wired or wireless communication path, that is, via an electrical signal, an optical signal, or an electromagnetic wave.
  • the memory 1002 is realized by, for example, a RAM (Random Access Memory), and is a storage means for temporarily storing data when the CPU 1000 executes processing.
  • a mode in which a program held by the storage device 1001 or a temporary computer-readable medium is transferred to the memory 1002 and the CPU 1000 executes processing based on the program in the memory 1002 can be assumed.
  • FIG. 18 is a block diagram showing a main part of the image processing apparatus.
  • the image processing device 10 shown in FIG. 18 includes an intensity calculation means 11 (in the embodiment, realized by the intensity calculation unit 104) for calculating the intensity of a sample pixel (for example, a pixel at a PS point) and the intensity of the sample pixel.
  • Peripheral pixel selection means 12 in the embodiment, realized by the peripheral pixel extraction unit 105 and the similarity verification unit 106) and peripheral pixels that select peripheral pixels having similar intensity statistical properties to the sample pixels.
  • Pixel classification means for classifying peripheral pixels (including sample pixels) based on the correlation between the phase specifying means 13 (in the embodiment, realized by the phase specifying unit 101) for specifying the phase of the peripheral pixels and the peripheral pixels. 14 (in the embodiment, it is realized by the clustering units 102 and 110).
  • (Appendix 1) Intensity calculation means for calculating the intensity of sample pixels, Peripheral pixel selection means for selecting peripheral pixels having similar statistical properties of intensity to the sample pixel based on the intensity of the sample pixel.
  • a phase specifying means for specifying the phase of the peripheral pixels and
  • An image processing apparatus including a pixel classification means for classifying the peripheral pixels based on the correlation of the phases of the peripheral pixels.
  • Appendix 2 The image processing apparatus according to Appendix 1, wherein the pixel classification means generates a plurality of clusters by classifying peripheral pixels.
  • the pixel classification means includes pixel connection means (in the embodiment, realized by the pixel connection unit 107) for connecting peripheral pixels having similar statistical properties and forming a graph.
  • the image processing apparatus according to Appendix 2 wherein the pixel classification means generates clusters by cutting edges between pixels whose phase correlation is equal to or less than a predetermined threshold value in a graph created by the pixel connecting means.
  • a noise estimation means (in the embodiment, realized by the noise estimation unit 108) for estimating the statistical properties of noise of peripheral pixels is provided.
  • the image processing apparatus according to any one of Appendix 1 to Appendix 3, wherein the pixel classification means classifies peripheral pixels with reference to the statistical property of noise.
  • Appendix 6 The image processing method of Appendix 5 for generating a plurality of clusters by classifying peripheral pixels.
  • Appendix 7 Peripheral pixels with similar statistical properties are connected and graphed.
  • Appendix 10 To the computer The image processing program according to Appendix 9 that executes a process of generating a plurality of clusters by classifying peripheral pixels.
  • Appendix 11 To the computer Processing to connect peripheral pixels with similar statistical properties and graph them, The image processing program of Appendix 10 for executing a process of generating a cluster by cutting edges between pixels whose phase correlation is equal to or less than a predetermined threshold value in the created graph.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

画像処理装置１０は、サンプル画素の強度を算出する強度算出手段１１と、サンプル画素の強度に基づいて、サンプル画素と強度の統計的性質が類似する周辺画素を選択する周辺画素選択手段１２と、周辺画素の位相を特定する位相特定手段１３と、周辺画素の位相の相関に基づいて周辺画素を分類する画素分類手段１４とを含む。

Description

画像処理装置および画像処理方法
　本発明は、容易にＳＡＲ画像と対象とを対応付けることを可能にする合成開口レーダの画像処理装置および画像処理方法に関する。
　合成開口レーダ（ＳＡＲ：Synthetic Aperture Radar）技術は、人工衛星や航空機などの飛翔体が移動しながら電磁波を送受信し、大きな開口を持つアンテナと等価な観測画像が得られる技術である。合成開口レーダは、例えば、地表からの反射波を信号処理して、標高や地表変位を解析するために利用される。ＳＡＲ技術が用いられる場合、解析装置は、合成開口レーダによって得られる時系列のＳＡＲ画像（ＳＡＲデータ）を入力とし、入力されたＳＡＲ画像を時系列解析する。
　ＳＡＲ画像を使用する場合に、地表面や構造物等の観測の対象とＳＡＲ画像における対応箇所とが容易に対応付けられることが好ましい。
　特許文献１には、容易に対象とＳＡＲ画像における箇所とを対応付けることができるようにするために、ＳＡＲ画像におけるＰＳ（Persistent Scatterer）点の画素をクラスタリングする方法が記載されている。特許文献１に記載された方法では、複数のＰＳ点の位相の相関に基づいてクラスタリングが実行される。
　なお、特許文献２には、ある画素と統計的に均質な画素を検出する方法が記載されている。
　また、非特許文献１には、複数時期でノイズの性質が変わらない画素としてのＳＨＰ（Statistically Homogeneous Pixel ）と呼ばれる画素を活用する解析方法が記載されている。ＳＨＰとして、強度（反射強度）に関して類似性がある画素が選定される。
国際公開第２０１８／１２３７４８号 国際公開第２０１０／１１２４２６号
A. Ferretti et.al., "A New Algorithm for Processing Interferometric Data-Stacks: SqueeSAR", IEEE Transactions on Geoscience and Remote Sensing, Vol. 49, No. 9, pp.3460-3470, September 2011
　特許文献１に記載された方法では、計測点としてＰＳ（Persistent Scatterer）点のみが使用されるので、計測点が少ないことがある。その場合には、観測の対象とＳＡＲ画像における対応箇所との対応付けが難しくなることがある。特許文献１に記載された方法において、計測点を増やして、すなわち、クラスタリング対象の画素を増やして、クラスタリングを実行しようとすると、位相ノイズの性質が異なる画素が混在する可能性がある。特許文献１に記載された方法では、位相相関に基づいてクラスタリングが実行されるので、位相ノイズの性質が異なる画素が混在する状況では、生成されるクラスタが、所望のクラスタ構成とは異なってしまう可能性がある。
　本発明は、分類の対象の画素を増やしても所望の分類を実行することができ、その結果、より容易にＳＡＲ画像と対象とを対応付けることを可能にする画像処理装置および画像処理方法を提供することを目的とする。
　本発明による画像処理装置は、サンプル画素の強度を算出する強度算出手段と、サンプル画素の強度に基づいて、サンプル画素と強度の統計的性質が類似する周辺画素を選択する周辺画素選択手段と、周辺画素の位相を特定する位相特定手段と、周辺画素の位相の相関に基づいて周辺画素を分類する画素分類手段とを含む。
　本発明による画像処理方法は、サンプル画素の強度を算出し、サンプル画素の強度に基づいて、サンプル画素と強度の統計的性質が類似する周辺画素を選択し、周辺画素の位相を特定し、周辺画素の位相の相関に基づいて周辺画素を分類する。
　本発明による画像処理プログラムは、コンピュータに、サンプル画素の強度を算出する処理と、サンプル画素の強度に基づいて、サンプル画素と強度の統計的性質が類似する周辺画素を選択する処理と、周辺画素の位相を特定する処理と、周辺画素の位相の相関に基づいて周辺画素を分類する処理とを実行させる。
　本発明によれば、分類の対象の画素を増やしても所望の分類を実行することができ、その結果、より容易にＳＡＲ画像と対象とを対応付けることが可能になる。
第１の実施形態の画像処理装置の構成例を示すブロック図である。 クラスタリング部の構成例を示すブロック図である。 距離特定部の構成例を示すブロック図である。 第１の実施形態の画像処理装置の動作を示すフローチャートである。 最小全域木生成部の動作を示すフローチャートである。 クラスタリングを説明するための説明図である。 クラスタリングを説明するための説明図である。 クラスタリングを説明するための説明図である。 実施形態におけるクラスタリングを説明するための説明図である。 第２の実施形態の画像処理装置の構成例を示すブロック図である。 第２の実施形態の画像処理装置の動作を示すフローチャートである。 画素接続部の作用を説明するための説明図である。 第３の実施形態の画像処理装置の構成例を示すブロック図である。 第３の実施形態の画像処理装置の動作を示すフローチャートである。 第４の実施形態の画像処理装置の構成例を示すブロック図である。 第４の実施形態の画像処理装置の動作を示すフローチャートである。 ＣＰＵを有するコンピュータの一例を示すブロック図である。 画像処理装置の主要部を示すブロック図である。
　以下、本発明の実施形態を図面を参照して説明する。
　実施形態１．
　図１は、第１の実施形態の画像処理装置の構成例を示すブロック図である。図１に示す画像処理装置１は、ＳＡＲ画像格納部１００、位相特定部１０１、クラスタリング部１０２、強度算出部１０４、および周辺画素抽出部１０５および類似検証部１０６を含む。
　ＳＡＲ画像格納部１００には、Ｎ枚のＳＡＲ画像が格納されている。位相特定部１０１は、複数のＳＡＲ画像に基づいて、複数のサンプル画素（対象画素）の各々における位相を特定する。クラスタリング部１０２は、少なくとも画素の位相の相関に基づいて、画素をクラスタリングする。
　強度算出部１０４は、画素の強度を算出する。周辺画素抽出部１０５は、ＳＡＲ画像においてサンプル画素を含む窓領域を設定し、窓領域内の画素を抽出する。類似検証部１０６は、サンプル画素の強度と抽出された画素の強度とに基づいて、サンプル画素と統計的に均質な画素（ＳＨＰ）を特定する。
　図２は、クラスタリング部１０２の構成例を示すブロック図である。図２に示す例では、クラスタリング部１０２は、距離特定部１２１、最小全域木生成部１２２および分離部１２３を含む。
　距離特定部１２１は、２つのサンプル画素の間の距離（例えば、ユークリッド距離）および２つのサンプル画素の位相の相関に基づいて、２つのサンプル画素の関係を示す距離を算出する。最小全域木生成部１２２は、距離特定部１２１算出した距離に基づいて、サンプル画素に関する最小全域木を生成する。分離部１２３は、あらかじめ定められたしきい値を用いて、最小全域木を分離する。分離されて生成された木に属するサンプル画素の集合が、サンプル画素のクラスタになる。 一般に、複数のクラスタが生成される。以下、画像における画素の間の距離としてユークリッド距離が使用される場合を例にするが、距離は、それに限定される訳ではない。
　図３は、距離特定部１２１の構成例を示すブロック図である。距離特定部１２１は、相関係数算出部１２１１、距離算出部１２１２および統合部１２１３を含む。
　相関係数算出部１２１１は、２つのサンプル画素に関して位相特定部１０１によって特定された位相の相関係数を求める。相関係数算出部１２１１は、２つのサンプル画素に関する位相（たとえば位相配列の各々）についての相関係数を算出する。
　相関係数算出部１２１１は、例えば、次のようにして位相の相関に関する計算を行う。すなわち、位相特定部１０１が絶対値１の複素数として位相を特定する場合には、相関係数算出部１２１１は、下記の（１）式を用いて位相の相関の強さを計算してもよい。（１）式において、位相特定部１０１が算出したサンプル画素a に対する位相配列の各々の要素がsan とされ、サンプル画素b に対する位相配列の各々の要素がsbn とされている。Ｎは画像の数を示す。n は画像の番号を示す。上付き線は複素共役を表す。
Figure JPOXMLDOC01-appb-M000001
　また、位相特定部１０１が偏角の形で位相を特定する場合には、相関係数算出部１２１１は、ピアソンの積率相関係数を位相の相関係数としてもよい。
　距離算出部１２１２は、２つのサンプル画素に関するユークリッド距離を求める。距離算出部１２１２は、２つのサンプル画素の座標等の位置情報を用いて、公知の手法等によってＳＡＲ画像におけるユークリッド距離を求める。
　統合部１２１３は、相関係数算出部１２１１が算出した２つのサンプル画素に関する相関係数と、距離算出部１２１２が算出した２つのサンプル画素に関するユークリッド距離とに基づいて、２つのサンプル画素の関係を定める。関係を、距離と表現する。なお、２つのサンプル画素の間の距離は、２つのサンプル画素の相関関係が強い場合に小さい値になる。しかし、相関係数は、一般に、相関が強い場合に大きい値になる。そこで、統合部１２１３は、変換部を備えてもよい。変換部は、相関が強い場合に大きい値となる相関係数を、相関が強い場合に小さい値になるように変換する。
　なお、距離は、２つの画素の関係の程度を示す指標であればよく、統合部１２１３は、上述した処理とは異なる処理によって距離を求めてもよい。
　また、例えば、統合部１２１３は、相関係数とユークリッド距離とのうちの少なくとも一方に重みを付与して距離を求めてもよい。重みを用いる場合には、相関係数とはユークリッド距離とのうち、重視する方が強く反映された距離が求められる。例えば、ユークリッド距離に重み０を付与すると、位相の相関係数のみに基づく距離が算出される。
　次に、図４および図５のフローチャートを参照して画像処理装置１の動作を説明する。図４は、画像処理装置１の動作を示すフローチャートである。
　強度算出部１０４は、ＳＡＲ画像からサンプル画素を選択し（ステップＳ１０１）、サンプル画素の強度（振幅値でもよい。）を算出する（ステップＳ１０２）。サンプル画素は、例えば、ＰＳ点の画素であるが、ＳＡＲ画像における全ての画素であってもよい。
　周辺画素抽出部１０５は、ＳＡＲ画像においてサンプル画素を含む窓領域、例えば、その重心位置から最も近い画素がサンプル画素であるような窓領域を設定する（ステップＳ１０３）。そして、周辺画素抽出部１０５は、窓領域内の画素を周辺画素として抽出する。なお、窓領域のサイズは任意であるが、一例として、窓領域のサイズとして、縦横１０×１０画素や、１００×１００画素が用いられる。窓領域のサイズは偶数に限られない。また、窓領域の形状は、正方形に限られない。窓領域の形状は、長方形（一例として、１１×２１画素）でもよいし、楕円などの非矩形であってもよい。窓領域の形状は、地形などに応じて、サンプル画素ごとに異なるようにしてもよい。また、窓領域は、連続する複数の画素で構成されるのではなく、離散的な複数の画素で構成される（例えば、一画素おきに選択された複数の画素で窓領域が形成される。）ようにしてもよい。
　類似検証部１０６は、周辺画素の強度を算出する（ステップＳ１０４）。類似検証部１０６は、例えば、サンプル画素の強度と周辺画素の強度とが同じ確率分布関数によって生成されるか否か検証する（ステップＳ１０５）。そして、類似検証部１０６は、サンプル画素と同じ確率分布関数によって生成される周辺画素を、サンプル画素と統計的に均質な画素とする。類似検証部１０６は、サンプル画素と統計的に均質な複数の画素（サンプル画素も含まれる。）を位相特定部１０１に出力する。
　位相特定部１０１は、各々の画素における位相を特定する（ステップＳ１０７）。位相特定部１０１において、位相特定部１０１は、例えば、位相配列を作成することによって位相を特定する。具体的には、位相特定部１０１は、画素毎に、複数のＳＡＲ画像の各々の当該画素における位相を要素とする配列、すなわち位相配列を作成する。
　位相特定部１０１は、画素における位相の一例として、基準となるＳＡＲ画像と他のＳＡＲ画像との間での位相の変化（位相差）を求めてもよい。この場合には、同じ領域を撮影した複数のＳＡＲ画像のうち、基準となるＳＡＲ画像があらかじめ定められる。そして、位相特定部１０１は、位相差を位相配列の要素とする。また、他の例として、位相特定部１０１は、基準となるＳＡＲ画像を定めずに、複数のＳＡＲ画像における当該画素の位相を時系列順等で配列することによって位相配列を作成してもよい。
　なお、位相は、例えば絶対値が１となるように正規化された複素数の形式で表される。
　本実施形態では、クラスタリング部１０２において、最小全域木生成部１２２は、サンプル画素をクラスタリングするために、最小全域木を生成する（ステップＳ１０８）。最小全域木は、ステップＳ１０６の処理で抽出された全ての画素が、距離特定部１２１によって算出される距離の総和が最小になるような枝によって、閉路が構成されないように接続された木構造である。なお、本実施形態では、最小全域木における枝の各々には、枝に接続される２つのサンプル画素の間の距離が重みとして付される。
　図５は、最小全域木生成部１２２の動作を示すフローチャートである。
　なお、図５に示す例では、最小全域木生成部１２２は、クラスタリングのために、プリム法で最小全域木を生成するが、クラスカル法で最小全域木を生成してもよい。
　また、クラスタリング部１０２は、少なくとも画素の位相の相関が用いられるのであれば、他のクラスタリング方法を用いてもよい。他のクラスタリング方法の一例として、画素と各々のクラスタのセントロイドとの距離に基づいて、画素をいずれかのクラスタに分類する方法がある。また、クラスタリング方法の他の例として、カーネルと呼ばれる関数によって算出される画素間の類似度に基づいて、画素をいずれかのクラスタに分類する方法がある。カーネルを用いる手法として、画素間の類似度を計算してグラフを作成し、類似度が最小となるような辺を分割するような手法が用いられてもよいし、類似度に基づいて定義されるセントロイドと各画素との類似度を最大化するような手法が用いられてもよい。
　図５に示す例では、最小全域木生成部１２２は、複数の画素のうち、１つの画素をランダムに選択して重み付きグラフを生成する（ステップＳ１２１）。次に、最小全域木生成部１２２は、重み付きグラフに属するいずれかの画素と重み付きグラフに属さない複数の画素との間の距離を確認する。最小全域木生成部１２２は、重み付きグラフに属する画素との距離が最短である２つの画素の組を決定する（ステップＳ１２２）。なお、距離は、上述したように、相関係数算出部１２１１、距離算出部１２１２および統合部１２１３を含む距離特定部１２１によって算出される。
　最小全域木生成部１２２は、決定された組における画素のうち、重み付きグラフに属さない画素を重み付きグラフに追加する（ステップＳ１２３）。なお、最小全域木生成部１２２は、組に含まれる２つの画素を接続する枝を、重み付きグラフに加える。
　次に、最小全域木生成部１２２は、全ての画素が重み付きグラフに属するかを判定する（ステップＳ１２４）。全ての画素が重み付きグラフに属する場合には、処理を終了する。重み付きグラフに属さない画素が存在する場合には、ステップＳ１２２に戻る。
　分離部１２３は、画素をクラスタリングする（ステップＳ１０９）。すなわち、分離部１２３は、あらかじめ定められたしきい値を用いて最小全域木を分離する。重み付きグラフが分離されて生成された各々のグラフにおける画素の集合がクラスタとなる。しきい値は、最小全域木において枝で接続されている２つの画素の間の距離の平均値または距離の標準偏差に基づいて決定される。一例として、分離部１２３は、クラスタに属する画素間の距離がしきい値以下になるように、クラスタを定める。また、分離部１２３は、クラスタに属する画素の間の距離の標準偏差がしきい値以下になるように、クラスタを定めてもよい。
　なお、分離部１２３は、クラスタを生成するときに、各々のクラスタのサイズ（属する画素の数）に制限を付けるようにしてもよい。
　以上に説明したように、本実施形態の画像処理装置１は、少なくとも画素の位相の相関に基づいて、画素をクラスタリングする。よって、位相平均や位相の分散の大きさが揃った画素が含まれるクラスタが生成される。
　さらに、本実施形態では、画像処理装置１は、強度に基づく画素の同一性（統計的に均質であること）に基づいて、クラスタリングの対象の画素を増やすとともに、位相に基づくクラスタリングを行うので、より正確にクラスタが生成される可能性が高まる。なお、同一性は、統計的に均質であるか否かを意味する。換言すれば、同一性があるということは、画素が類似していることを示す。
　また、本実施形態の画像処理装置１を用いる場合には、クラスタリングの対象の画素を増やせるので、ＳＡＲ画像を使用する場合に、地表面や構造物等の観測の対象とＳＡＲ画像における対応箇所とがより容易に、かつ、正確に対応付けられる。なお、このことは、以下の実施形態でも同様である。
　図６は、本実施形態でのクラスタリングを説明するための説明図である。図６に示す例では、ＳＡＲ画像に、建物Ａおよび道路Ｂが含まれる。図６（Ａ）において、丸印は、サンプル画素を示す。白抜き丸印は、建物Ａの壁面に関連する画素を示す。黒塗り丸印は、道路Ｂに関連する画素を示す。
　建物Ａの壁面に関連する複数の画素に関して、ある画素の位相と他の画素の位相との距離は短い。よって、それらは、図６（Ｂ）に示すように、クラスタＡに分類される。また、道路Ｂに関連する複数の画素に関して、各画素の位相と他の画素の位相との距離は短い。よって、それらは、図６（Ｂ）に示すように、クラスタＢに分類される。
　図７～図９の説明図を参照して、本実施形態の効果をより詳しく説明する。
　図７（Ａ）に示すように、位相が変化する画素ａ，ｂ，ｃ，ｄがあるとする。そして、強度に基づいて類似する画素ｃ，ｄが選択されたとする（図７（Ｂ）参照）。図７（Ｃ）に示すように、画素ｃ，ｄの各々の位相の平均的な変動は同程度であり、かつ、画素ｃ，ｄの位相の分散が小さいので、位相の統計的性質に同一性がある画素が一のクラスタに分類される。
　図８（Ａ）に示すように、強度に基づいて類似すると判定された画素ａ，ｂ，ｃ，ｄのうちに、位相の分散を大きくする画素が存在する場合を考える（図８（Ａ）における枠Ｘ内の画素に対するそれ以外の画素を参照）。そのような場合に、位相の統計的性質を考慮しないときには、図８（Ｂ）に示すように、クラスタリングの対象になる画素に、統計的性質が異なる画素が含まれてしまう。
　図９は、本実施形態の画像処理装置１において実施される画像処理方法によるクラスタリングを説明するための説明図である。
　本実施形態では、図９（Ａ），（Ｂ）に示すように、１つのクラスタ（クラスタ＃１とクラスタ＃２のそれぞれ）には、位相の統計的性質（例えば、分散および平均）が類似する画素が属する。
実施形態２．
　図１０は、第２の実施形態の画像処理装置の構成例を示すブロック図である。図１０に示す画像処理装置２の構成は、第１の実施形態の画像処理装置１に画素接続部１０７が追加され、クラスタリング部１０２がクラスタリング部１１０に置換された構成である。
　画素接続部１０７は、強度に基づく同一性がある画素を、接続してグラフ化する。後述するように、クラスタリング部１１０は、第２の実施形態におけるクラスタリング部１０２の処理とは異なる処理によって、クラスタリングを実行する。
　図１１は、画像処理装置２の動作を示すフローチャートである。図１２に示すように、画像処理装置２は、第１の実施形態の画像処理装置１の処理（図４に示された処理）に加えて、ステップＳ１３１の処理を実行する。また、図４に示されステップＳ１０８，Ｓ１０９の処理に代えて、ステップＳ１１０の処理を実行する。その他の処理は、第１の実施形態の画像処理装置１が実行する処理と同じである。
　ステップＳ１３１において、画素接続部１０７は、類似検証部１０６によって同一性があると判定された画素を接続することによってグラフを作成する。ステップＳ１１０において、クラスタリング部１１０は、位相の相関が所定のしきい値以下である画素間の辺を切断することによってクラスタを生成する。しきい値は、所望されるクラスタのサイズ等に応じて設定される。
　本実施形態でも、第１の実施形態と同様に、画像処理装置２は、強度に基づく画素の同一性に基づいて、クラスタリングの対象の画素を増やすとともに、位相に基づくクラスタリングを行うので、所望のクラスタ構成が作成される可能性が高まる。
　図１２は、画素接続部１０７の作用を説明するための説明図である。
　周辺画素抽出部１０５および類似検証部１０６は、図１２（Ａ）に例示されるようなＳＡＲ画像におけるサンプル画像の強度に基づく同一性を検証する（図１２（Ｂ）参照）。画素接続部１０７は、同一性がある（類似する）と判定された画素同士を接続してＳＡＲ画像中の画素をグラフ化する（図１２（Ｃ）参照）。なお、図１２（Ｃ）には、接続の様子が模式的に表され、図１２（Ｂ）に示された状態とは整合していない。
　クラスタリング部１１０は、位相の相関が弱い画素間の辺を切断することによって、クラスタを生成する（図１２（Ｄ）参照）。図１２（Ｄ）には、４つのクラスタが例示されている。
実施形態３．
　図１３は、第３の実施形態の画像処理装置の構成例を示すブロック図である。図１３に示す画像処理装置３の構成は、第１の実施形態の画像処理装置１にノイズ推定部１０８が追加された構成である。
　ノイズ推定部１０８は、周辺画素におけるノイズに関する統計的性質を推定する。ＳＡＲ画像におけるノイズとして、例えば、画素間で強度が揺らぐことに起因するノイズがある。その場合、画素の強度の分散がノイズに反映される。
　図１４は、画像処理装置４の動作を示すフローチャートである。図１４に示すように、画像処理装置３は、第１の実施形態の画像処理装置１の処理（図４参照）に加えて、ステップＳ１４１の処理を実行する。その他の処理は、第１の実施形態の画像処理装置１が実行する処理と同じである。ただし、後述するように、クラスタリング部１０２は、画素をクラスタリングするときに、ノイズ推定部１０８の処理結果を参照する。
　ステップＳ１４１において、ノイズ推定部１０８は、例えば、類似検証部１０６による検証の結果に応じて選択された各々の画素の強度の分散を算出する。ノイズ推定部１０８は、算出結果をクラスタリング部１０２に出力する。
　クラスタリング部１０２は、クラスタリングの処理で、例えば、クラスタリングの対象の画素に関する強度の分散が大きいときには、同じクラスタに分類される基準を緩めてもよい。一例として、クラスタリング部１０２は、同じクラスタに分類するためのしきい値を小さくする。また、強度の分散が小さい（すなわち、ノイズが小さい）画素については、同じクラスタに分類される基準を高くするができる。そのような処理をクラスタリング部１０２が実行することによって、位相の相関が大きい複数の画素が、同じクラスタに分類される。
　なお、本実施形態では、ノイズに関する統計的性質として画素の強度の分散を例にしたが、ノイズに関する統計的性質は画素の強度の分散に限られない。ノイズに関する統計的性質として、画素の強度の平均など他の統計的性質が用いられてもよい。
　また、本実施形態では、ノイズに関する統計的性質に基づいてクラスタリングのしきい値が変更されることを例にしたが、ノイズに関する統計的性質は、他の用途に用いられてもよい。例えば、ノイズに関する統計的性質は、画素の位相の相関に基づいて画素がクラスタリングされるときに、一のクラスタに属することに決定されるための相関の程度（尺度）を変更するために使用可能である。
　本実施形態の画像処理装置３が使用される場合、設計者などが意図するクラスタ構成（例えば、所定のサイズや画素の位相に関する統計的性質が所定の程度に揃えられたクラスタ構成）を得るために、ノイズ推定部１０８の処理結果を使用することができる。例えば、意図されたクラスタ構成を得るために、ノイズに関する統計的性質に基づいてクラスタリングのためのパラメータ（例えば、しきい値）が変更されるようにしてもよい。
実施形態４．
　図１５は、第４の実施形態の画像処理装置の構成例を示すブロック図である。図１５に示す画像処理装置４の構成は、図１０に示された第２の実施形態の画像処理装置２にノイズ推定部１０８が追加された構成である。
　図１６は、画像処理装置４の動作を示すフローチャートである。図１６に示すように、画像処理装置４は、第２の実施形態の画像処理装置２の処理（図１１参照）に加えて、ステップＳ１４１の処理を実行する。その他の処理は、図１３に示された第３の実施形態の画像処理装置３が実行する処理と同じである。ただし、クラスタリング部１１０は、画素をクラスタリングするときに、ノイズ推定部１０８の処理結果を参照する。クラスタリング部１１０は、第３の実施形態におけるクラスタリング部１０２がノイズ推定部１０８の処理結果を参照する方法と同様の方法で、ノイズ推定部１０８の処理結果を参照する。
　ステップＳ１４１の処理は、第３の実施形態におけるノイズ推定部１０８が実行する処理と同じであるが、画素接続部１０７によるステップＳ１３１の処理とノイズ推定部１０８によるステップＳ１４１の処理とは、同時に実行されることが可能である。
　本実施形態では、第２の実施形態の場合と同様に、所望のクラスタ構成が作成される可能性が高まるとともに、第３の実施形態の場合と同様に、設計者などが意図するクラスタ構成（例えば、所定のサイズや画素の位相に関する統計的性質が所定の程度に揃えられたクラスタ構成）を得ることができる。
　上記の各実施形態における各構成要素は、１つのハードウェアで構成可能であるが、１つのソフトウェアでも構成可能である。また、各構成要素は、複数のハードウェアでも構成可能であり、複数のソフトウェアでも構成可能である。また、各構成要素のうちの一部をハードウェアで構成し、他部をソフトウェアで構成することもできる。
　上記の実施形態における各機能（各処理）を、ＣＰＵ（Central Processing Unit ）等のプロセッサやメモリ等を有するコンピュータで実現可能である。例えば、記憶装置（記憶媒体）に上記の実施形態における方法（処理）を実施するためのプログラムを格納し、各機能を、記憶装置に格納されたプログラムをＣＰＵで実行することによって実現してもよい。
　図１７は、ＣＰＵを有するコンピュータの一例を示すブロック図である。コンピュータは、画像処理装置に実装される。ＣＰＵ１０００は、記憶装置１００１に格納されたプログラムに従って処理を実行することによって、上記の実施形態における各機能を実現する。すなわち、図１，図１０，図１３，図１５に示された画像処理装置における、位相特定部１０１、クラスタリング部１０２，１１０、強度算出部１０４、周辺画素抽出部１０５、類似検証部１０６、画素接続部１０７、およびノイズ推定部１０８の機能を実現する。
　記憶装置１００１は、例えば、非一時的なコンピュータ可読媒体（non-transitory computer readable medium ）である。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium ）を含む。非一時的なコンピュータ可読媒体の具体例として、磁気記録媒体（例えば、フレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば、光磁気ディスク）、ＣＤ－ＲＯＭ（Compact Disc-Read Only Memory ）、ＣＤ－Ｒ（Compact Disc-Recordable ）、ＣＤ－Ｒ／Ｗ（Compact Disc-ReWritable ）、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM ）、フラッシュＲＯＭ）がある。
　また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium ）に格納されてもよい。一時的なコンピュータ可読媒体には、例えば、有線通信路または無線通信路を介して、すなわち、電気信号、光信号または電磁波を介して、プログラムが供給される。
　メモリ１００２は、例えばＲＡＭ（Random Access Memory）で実現され、ＣＰＵ１０００が処理を実行するときに一時的にデータを格納する記憶手段である。メモリ１００２に、記憶装置１００１または一時的なコンピュータ可読媒体が保持するプログラムが転送され、ＣＰＵ１０００がメモリ１００２内のプログラムに基づいて処理を実行するような形態も想定しうる。
　図１８は、画像処理装置の主要部を示すブロック図である。図１８に示す画像処理装置１０は、サンプル画素（例えば、ＰＳ点の画素）の強度を算出する強度算出手段１１（実施形態では、強度算出部１０４で実現される。）と、サンプル画素の強度に基づいて、サンプル画素と強度の統計的性質が類似する周辺画素を選択する周辺画素選択手段１２（実施形態では、周辺画素抽出部１０５および類似検証部１０６で実現される。）と、周辺画素の位相を特定する位相特定手段１３（実施形態では、位相特定部１０１で実現される。）と、周辺画素の位相の相関に基づいて周辺画素（サンプル画素も含む。）を分類する画素分類手段１４（実施形態では、クラスタリング部１０２，１１０で実現される。）とを備える。
　上記の実施形態の一部または全部は、以下の付記のようにも記載され得るが、以下に限定されるわけではない。
（付記１）サンプル画素の強度を算出する強度算出手段と、
　前記サンプル画素の強度に基づいて、サンプル画素と強度の統計的性質が類似する周辺画素を選択する周辺画素選択手段と、
　前記周辺画素の位相を特定する位相特定手段と、
　前記周辺画素の位相の相関に基づいて前記周辺画素を分類する画素分類手段と
　を備えた画像処理装置。
（付記２）前記画素分類手段は、周辺画素を分類することによって複数のクラスタを生成する
　付記１の画像処理装置。
（付記３）前記画素分類手段は、統計的性質が類似する周辺画素を接続してグラフ化する画素接続手段（実施形態では、画素接続部１０７で実現される。）を含み、
　前記画素分類手段は、前記画素接続手段が作成したグラフにおいて位相の相関が所定のしきい値以下である画素間の辺を切断することによってクラスタを生成する
　付記２の画像処理装置。
（付記４）周辺画素のノイズの統計的性質を推定するノイズ推定手段（実施形態では、ノイズ推定部１０８で実現される。）を備え、
　前記画素分類手段は、前記ノイズの統計的性質を参照して周辺画素を分類する
　付記１から付記３のうちのいずれかに記載の画像処理装置。
（付記５）サンプル画素の強度を算出し、
　前記サンプル画素の強度に基づいて、サンプル画素と強度の統計的性質が類似する周辺画素を選択し、
　前記周辺画素の位相を特定し、
　前記周辺画素の位相の相関に基づいて前記周辺画素を分類する
　画像処理方法。
（付記６）周辺画素を分類することによって複数のクラスタを生成する
　付記５の画像処理方法。
（付記７）統計的性質が類似する周辺画素を接続してグラフ化し、
　作成されたグラフにおいて位相の相関が所定のしきい値以下である画素間の辺を切断することによってクラスタを生成する
　付記６の画像処理方法。
（付記８）周辺画素のノイズの統計的性質を推定し、
　前記ノイズの統計的性質を参照して周辺画素を分類する
　付記５から付記７のうちのいずれかに記載の画像処理方法。
（付記９）コンピュータに、
　サンプル画素の強度を算出する処理と、
　前記サンプル画素の強度に基づいて、サンプル画素と強度の統計的性質が類似する周辺画素を選択する処理と、
　前記周辺画素の位相を特定する処理と、
　前記周辺画素の位相の相関に基づいて前記周辺画素を分類する処理と
　を実行させるための画像処理プログラム。
（付記１０）コンピュータに、
　周辺画素を分類することによって複数のクラスタを生成する処理
　を実行させる付記９の画像処理プログラム。
（付記１１）コンピュータに、
　統計的性質が類似する周辺画素を接続してグラフ化する処理と、
　作成されたグラフにおいて位相の相関が所定のしきい値以下である画素間の辺を切断することによってクラスタを生成する処理と
　を実行させる付記１０の画像処理プログラム。
（付記１２）コンピュータに、
　周辺画素のノイズの統計的性質を推定する処理と、
　前記ノイズの統計的性質を参照して周辺画素を分類する処理と
　を実行させる付記９から付記１１のうちのいずれかに記載の画像処理プログラム。
　以上、実施形態を参照して本願発明を説明したが、本願発明は上記の実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　１，２，３，４，１０　画像処理装置
　１１　　　強度算出手段
　１２　　　周辺画素選択手段
　１３　　　位相特定手段
　１４　　　画素分類手段
　１００　　ＳＡＲ画像格納部
　１０１　　位相特定部
　１０２，１１０　クラスタリング部
　１０４　　強度算出部
　１０５　　周辺画素抽出部
　１０６　　類似検証部
　１０７　　画素接続部
　１０８　　ノイズ推定部
　１０００　ＣＰＵ
　１００１　記憶装置
　１００２　メモリ

Claims (12)

  1. 　サンプル画素の強度を算出する強度算出手段と、
    　前記サンプル画素の強度に基づいて、サンプル画素と強度の統計的性質が類似する周辺画素を選択する周辺画素選択手段と、
    　前記周辺画素の位相を特定する位相特定手段と、
    　前記周辺画素の位相の相関に基づいて前記周辺画素を分類する画素分類手段と
    　を備えた画像処理装置。
  2. 　前記画素分類手段は、周辺画素を分類することによって複数のクラスタを生成する
    　請求項１記載の画像処理装置。
  3. 　前記画素分類手段は、統計的性質が類似する周辺画素を接続してグラフ化する画素接続手段を含み、
    　前記画素分類手段は、前記画素接続手段が作成したグラフにおいて位相の相関が所定のしきい値以下である画素間の辺を切断することによってクラスタを生成する
    　請求項２記載の画像処理装置。
  4. 　周辺画素のノイズの統計的性質を推定するノイズ推定手段を備え、
    　前記画素分類手段は、前記ノイズの統計的性質を参照して周辺画素を分類する
    　請求項１から請求項３のうちのいずれか１項に記載の画像処理装置。
  5. 　サンプル画素の強度を算出し、
    　前記サンプル画素の強度に基づいて、サンプル画素と強度の統計的性質が類似する周辺画素を選択し、
    　前記周辺画素の位相を特定し、
    　前記周辺画素の位相の相関に基づいて前記周辺画素を分類する
    　画像処理方法。
  6. 　周辺画素を分類することによって複数のクラスタを生成する
    　請求項５記載の画像処理方法。
  7. 　統計的性質が類似する周辺画素を接続してグラフ化し、
    　作成されたグラフにおいて位相の相関が所定のしきい値以下である画素間の辺を切断することによってクラスタを生成する
    　請求項６記載の画像処理方法。
  8. 　周辺画素のノイズの統計的性質を推定し、
    　前記ノイズの統計的性質を参照して周辺画素を分類する
    　請求項５から請求項７のうちのいずれか１項に記載の画像処理方法。
  9. 　コンピュータに、
    　サンプル画素の強度を算出する処理と、
    　前記サンプル画素の強度に基づいて、サンプル画素と強度の統計的性質が類似する周辺画素を選択する処理と、
    　前記周辺画素の位相を特定する処理と、
    　前記周辺画素の位相の相関に基づいて前記周辺画素を分類する処理と
    　を実行させるための画像処理プログラム。
  10. 　コンピュータに、
    　周辺画素を分類することによって複数のクラスタを生成する処理
    　を実行させる請求項９記載の画像処理プログラム。
  11. 　コンピュータに、
    　統計的性質が類似する周辺画素を接続してグラフ化する処理と、
    　作成されたグラフにおいて位相の相関が所定のしきい値以下である画素間の辺を切断することによってクラスタを生成する処理と
    　を実行させる請求項１０記載の画像処理プログラム。
  12. 　コンピュータに、
    　周辺画素のノイズの統計的性質を推定する処理と、
    　前記ノイズの統計的性質を参照して周辺画素を分類する処理と
    　を実行させる請求項９から請求項１１のうちのいずれか１項に記載の画像処理プログラム。
PCT/JP2019/028265 2019-07-18 2019-07-18 画像処理装置および画像処理方法 WO2021009905A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2019/028265 WO2021009905A1 (ja) 2019-07-18 2019-07-18 画像処理装置および画像処理方法
JP2021532643A JP7188595B2 (ja) 2019-07-18 2019-07-18 画像処理装置および画像処理方法
US17/627,217 US20220262096A1 (en) 2019-07-18 2019-07-18 Image processing device and image processing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/028265 WO2021009905A1 (ja) 2019-07-18 2019-07-18 画像処理装置および画像処理方法

Publications (1)

Publication Number Publication Date
WO2021009905A1 true WO2021009905A1 (ja) 2021-01-21

Family

ID=74209781

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/028265 WO2021009905A1 (ja) 2019-07-18 2019-07-18 画像処理装置および画像処理方法

Country Status (3)

Country Link
US (1) US20220262096A1 (ja)
JP (1) JP7188595B2 (ja)
WO (1) WO2021009905A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011211437A (ja) * 2010-03-29 2011-10-20 Sony Corp 画像処理装置および方法、並びにプログラム
JP2012533051A (ja) * 2009-07-08 2012-12-20 テレ−リレヴァメント エウローパ−ティ．エルレ．エ． エッセ．エルレ．エルレ． 同一領域上で取得されたｓａｒ画像から得られるインターフェログラムのフィルタリング処理方法
CN103645476A (zh) * 2013-12-18 2014-03-19 中国国土资源航空物探遥感中心 一种合成孔径雷达差分干涉图序列的时空同质滤波方法
WO2018123748A1 (ja) * 2016-12-27 2018-07-05 日本電気株式会社 画像解析装置、画像解析方法及びコンピュータ読み取り可能記録媒体
WO2019106850A1 (ja) * 2017-12-01 2019-06-06 日本電気株式会社 Ｓａｒ画像解析システム、画像処理装置、画像処理方法および画像処理プログラム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10042048B1 (en) * 2014-02-20 2018-08-07 National Technology & Engineering Solutions Of Sandia, Llc Superpixels for improved structure and terrain classification using multiple synthetic aperture radar image products
US9389311B1 (en) * 2015-02-19 2016-07-12 Sandia Corporation Superpixel edges for boundary detection
US10325349B2 (en) * 2017-08-11 2019-06-18 Intermap Technologies Inc. Method and apparatus for enhancing 3D model resolution
JP7039215B2 (ja) * 2017-08-30 2022-03-22 キヤノン株式会社 画像処理装置、画像処理方法、およびプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012533051A (ja) * 2009-07-08 2012-12-20 テレ−リレヴァメント エウローパ−ティ．エルレ．エ． エッセ．エルレ．エルレ． 同一領域上で取得されたｓａｒ画像から得られるインターフェログラムのフィルタリング処理方法
JP2011211437A (ja) * 2010-03-29 2011-10-20 Sony Corp 画像処理装置および方法、並びにプログラム
CN103645476A (zh) * 2013-12-18 2014-03-19 中国国土资源航空物探遥感中心 一种合成孔径雷达差分干涉图序列的时空同质滤波方法
WO2018123748A1 (ja) * 2016-12-27 2018-07-05 日本電気株式会社 画像解析装置、画像解析方法及びコンピュータ読み取り可能記録媒体
WO2019106850A1 (ja) * 2017-12-01 2019-06-06 日本電気株式会社 Ｓａｒ画像解析システム、画像処理装置、画像処理方法および画像処理プログラム

Also Published As

Publication number Publication date
JPWO2021009905A1 (ja) 2021-01-21
US20220262096A1 (en) 2022-08-18
JP7188595B2 (ja) 2022-12-13

Similar Documents

Publication Publication Date Title
JP6679774B2 (ja) 海事自動ターゲット認識のためのデータ融合分析
CN108256436B (zh) 一种基于联合分类的雷达hrrp目标识别方法
JP5500559B2 (ja) 物体検出装置
Molchanov et al. Classification of aircraft using micro-Doppler bicoherence-based features
CN103996047B (zh) 基于压缩谱聚类集成的高光谱图像分类方法
CN107895139B (zh) 一种基于多特征融合的sar图像目标识别方法
US20200096628A1 (en) Image analysis device, image analysis method, and computer-readable recording medium
EP2860661A1 (en) Mean shift tracking method
CN112213697B (zh) 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法
JP7151876B2 (ja) 合成開口レーダの画像処理装置及び画像処理方法
CN104239895B (zh) 基于特征降维的sar目标鉴别方法
KR101234192B1 (ko) 바이스태틱 레이더의 송수신 각도 추출 장치
JP2010197378A (ja) レーダ画像処理装置
WO2021009904A1 (ja) 画像処理装置および画像処理方法
CN110135310A (zh) 一种基于单变量特征选择方法的农作物遥感识别方法
Kusetogullari et al. Self-adaptive hybrid PSO-GA method for change detection under varying contrast conditions in satellite images
WO2021009905A1 (ja) 画像処理装置および画像処理方法
US11835619B2 (en) Synthetic aperture radar signal analysis device, synthetic aperture radar signal analysis method, and synthetic aperture radar signal analysis program
Vespe et al. Aspect dependent drivers for multi-perspective target classification
CN112327266A (zh) 一种基于多维信息融合的杂波点迹剔除方法
Alsing et al. Convergence for receiver operating characteristic curves and the performance of neural networks
Tiwari et al. Classification of Humans and Animals from Radar Signals using Multi-Input Mixed Data Model
JPH11326542A (ja) 気象パターン分類予測方法、装置、および気象パターン分類予測プログラムを記録した記録媒体
Alberga et al. Comparison of algorithms for the classification of polarimetric SAR data
Goodwin et al. Learning Robust Representations for Automatic Target Recognition

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19937926

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021532643

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19937926

Country of ref document: EP

Kind code of ref document: A1