CN102938150A - 基于自适应海杂波统计的sar图像舰船检测方法 - Google Patents
基于自适应海杂波统计的sar图像舰船检测方法 Download PDFInfo
- Publication number
- CN102938150A CN102938150A CN2012104739653A CN201210473965A CN102938150A CN 102938150 A CN102938150 A CN 102938150A CN 2012104739653 A CN2012104739653 A CN 2012104739653A CN 201210473965 A CN201210473965 A CN 201210473965A CN 102938150 A CN102938150 A CN 102938150A
- Authority
- CN
- China
- Prior art keywords
- target
- matrix
- land
- behind
- sea
- 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.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于自适应海杂波统计的SAR图像舰船分离检测方法。主要解决SAR图像中海面舰船检测有效性低的问题。其实现过程为:通过大津阈值法对图像进行阈值处理,实现海面分离;对海面分离后的图像进行陆地剔除,得到陆地剔除后二值图像及目标;对陆地剔除后目标进行边界遍历,得到边界信息;结合原始SAR图像、陆地剔除后二值图像和陆地剔除后目标边界信息,设置自适应背景窗口,完成背景分离,并对各个陆地剔除后目标进行目标、背景像素统计;利用统计信息实现对舰船类目标的有效检测。理论分析和实验结果表明,本发明能够实现对SAR图像海面舰船类目标的精确检测,可用于SAR图像处理应用。
Description
技术领域
本发明属于雷达技术领域,涉及合成孔径雷达SAR图像的分离检测,可实现对SAR图像中海面舰船目标的有效检测。
背景技术
合成孔径雷达SAR是一种高分辨微波成像雷达,具有远距离、全天候、全天时等观测优点。近年来,利用SAR图像对舰船目标进行检测与监视的研究以及相应的技术开发在海洋遥感领域得到了高度重视,成为SAR技术的非常重要的应用方向之一。
在SAR图像舰船检测方法中,基于双参数CFAR类和基于K-分布类方法得到了广泛的研究和应用。双参数CFAR类方法背景假设为高斯分布,通过设定目标窗口、保护窗口、背景窗口以及滑动步长,对图像中舰船类目标进行滑动检测;与双参数CFAR类方法相比,K-分布类方法采用K-分布作为海杂波分布模型,更接近于实际海杂波分布模型,该方法通过对图像的参数计算,拟合得到背景杂波的K-分布模型,用于舰船目标的CFAR检测,全局K-分布方法通过整幅SAR图像对图像参数进行估计,一次拟合背景海杂波分布,适用于中低分辨率SAR图像;局部K-分布方法仍通过设定目标窗口、保护窗口、背景窗口以及滑动步长,完成对图像中舰船类目标进行滑动检测。
上述两类方法均采用了理想的分布模型,同时固定的窗口大小以及步长设置使其在实际检测中存在以下不足:
1.固定的分布模型无法准确描述SAR图像中海面背景杂波分布;
2.复杂的数学分布模型不利于工程实现;
3.固定的窗口大小无法实现对不同体积大小舰船的精确检测;
4.当背景窗口中出现不需要的目标或背景分布不连续时,方法不稳定;
5.步长的选取对计算效率以及检测效率有较大的影响。
发明内容
本发明的目的在于克服上述已有技术的不足,提出一种基于自适应海杂波统计的SAR图像舰船分离检测方法,以实现在SAR图像中对海面舰船类目标的精确检测,提高检测效率,使其更有利于工程实现。
实现本发明目的技术方案是:通过对SAR图像的预处理,设置自适应背景窗,完成对不同目标背景分布的统计,利用该特征统计结果,对非舰船类目标进行剔除,实现对SAR图像中海面舰船类目标的有效检测。其实施步骤包括如下:
1)输入海面SAR图像,得到m×n维输入图像矩阵I;
2)利用大津阈值法OSTU求解图像矩阵I的最优门限Gopg,用该最优门限对图像矩阵I进行阈值处理,得到海面剔除后二值图矩阵Ie,完成海面分离;
3)陆地剔除;
3a)对海面剔除后二值图矩阵Ie中各个海面分离后目标Tg进行连通体积遍历统计,得到各个海面分离后目标Tg在海面剔除后二值图矩阵Ie上的体积单元信息Vg,g=1,2,…,N,其中N为海面剔除后二值图矩阵Ie中目标总个数;
3b)根据已知的雷达分辨率为σa×σr和实际舰船类目标体积分布区间V~V',
计算舰船在SAR图像上体积单元的分布区间Vmin~Vmax:
3c)结合海面剔除后二值图矩阵Ie及各个海面分离后目标Tg体积信息Vg,在海面剔除后二值图矩阵Ie上对不符合体积分布区间Vmin~Vmax的目标进行删除,得到剔除陆地后二值图像矩阵It,剔除陆地后二值图像矩阵It中各个剔除陆地后目标用Tk'表示,其中,k=1,2,…,N',N'为剔除陆地后二值图像矩阵It中剔除陆地后目标的总个数;
4)依次对剔除陆地后二值图像矩阵It中各个剔除陆地后目标Tk'进行分离检测,得到舰船目标:
4a)对剔除陆地后二值图像矩阵It中剔除陆地后目标Tk'进行边界统计,得到其边界信息,根据边界信息,设置剔除陆地后目标Tk'的自适应背景窗口矩阵Ibk;
4b)利用剔除陆地后二值图像矩阵It、自适应背景窗口矩阵Ibk和原始SAR图像矩阵I,对剔除陆地后目标Tk'进行背景分离,并分别统计剔除陆地后目标Tk'的目标像素和背景像素,得到剔除陆地后目标Tk'的目标像素分布ptk(x)和背景像素分布pbk(x);
4c)利用目标像素分布ptk(x)计算剔除陆地后目标Tk'的像素均值μk,以背景像素分布pbk(x)作为背景分布函数,带入恒虚警检测公式,求得剔除陆地后目标Tk'的恒虚警检测门限tk,并进行判定:若μk≥tk,则判定剔除陆地后目标Tk'为舰船类目标,若μk<tk,则判定剔除陆地后目标Tk'为非舰船类目标。
本发明与现有技术相比具有以下优点
第一,本发明是基于自适应背景窗的设置,根据目标边界信息,自动设置目标背景窗大小,从而避免了设定固定背景窗口、保护窗口和目标窗口带来的影响;
第二,本发明是基于实际海杂波统计模型的检测方法,可实现对图像中目标周围海杂波分布的实际统计,利用该统计模型完成对目标的恒虚警检测,从而降低了因为固定海杂波分布模型带来的检测偏差,提高了检测有效性;
第三,本发明通过对目标背景分离技术,实现对目标的分离检测,在检测近距或近岸目标时,避免了背景窗口内其他目标对背景分布统计的影响,从而克服了传统方法在背景参数估计时其他目标像素对背景参数估计的影响;
第四,本发明对目标体积的统计,可以准确的统计出同一连通目标的像素单元分布体积,在陆地剔除方面,利用该统计方法可以很好的将大体积陆地进行完整的剔除,从而避免了陆地对目标检测产生的影响,同时可实现对大体积舰船目标的检测;
下面结合附图对本发明做进一步描述。
附图说明
图1是发明的流程图;
图2是本发明仿真使用的原始SAR图像;
图3是用本发明对图2进行海面分离后的结果;
图4是用本发明对图3进行陆地剔除后的结果;
图5是用本发明对舰船类目标进行背景分离后的结果;
图6是用本发明对非舰船类目标进行背景分离后的结果;
图7是用本发明对图2进行舰船检测的结果。
具体实施方式
参照图1,本发明的具体实施步骤如下:
步骤1.输入SAR图像,得到m×n维图像矩阵I。
步骤2.采用大津阈值法OSTU对输入图像矩阵I中海面进行分离海面分离。
OSTU处理是基于最大类间方差进行阈值处理,它可以将陆地、目标以及较强的海杂波等与海面分离开来,从而实现海面分离,大津阈值法OSTU具体操作分为以下几个步骤:
2a)设图像矩阵I中像素灰度级为h,h=0,1,…,255,计算图像矩阵I中的总像素个数Nu:
其中,nh为灰度级h的像素个数;
2b)计算灰度级为h的像素出现的概率Ph:
其中,Ph≥0,且
2c)计算图像矩阵I总灰度平均值μ:
2d)设阈值G将灰度级分为两组C0=0~G,C1=(G+1)~255,C0代表背景,C1代表目标,分别定义C0、C1产生的概率和均值如下:
C0产生的概率ω0:
C1产生的概率ω1:
C0的均值μ0:
C1的均值μ1:
其中,
计算经过阈值G处理后的类间方差为:
σ2(G)=ω0(μ0-μ)2+ω1(μ1-μ)2; (8)
2e)分别取G=0~255,按(8)式计算类方间差σ2(G),并记类间方差σ2(G)取最大值时的阈值为最优阈值Gopg;
2f)设置矩阵Ie=I,利用最优阈值Gopg对图像进行阈值处理:
其中,Ie为海面剔除后二值图矩阵,i=1,…,m,j=1,…,n。
经过上述操作,图像中一些弱像素被去除,从而使得海面与非海面目标分离开来。
步骤3.陆地剔除;
在海面分离处理之后,海面剔除后二值图矩阵Ie中只存在Ie(i,j)=255的像素点和Ie(i,j)=0的像素点,其中Ie(i,j)=255的像素点代表陆地、海杂波和舰船等目标。在实际目标检测中,陆地的存在会对舰船目标的检测造成很大的影响,产生较高的虚警概率。为了实现对目标的精确检测,需要对陆地部分进行剔除,剔除的具体操作如下:
3a)对海面剔除后二值图矩阵Ie中各个海面分离后目标进行连通体积遍历统计,连通体积遍历统计的具体方法步骤如下:
3a1)输入海面剔除后二值图矩阵Ie,设置标志矩阵Im,Im为m×n维全零矩阵;
3a2)遍历海面剔除后二值图矩阵Ie像素点Ie(i,j),其中i=1,…,m,j=1,…,n,如果Ie(i,j)=255且Im(i,j)=0,则记海面分离后目标Tg,当前遍历坐标(i,j)为海面分离后目标Tg的初始坐标(ig,jg),其中g=1,2,…,N,N为海面剔除后二值图矩阵Ie中海面分离后目标总个数;
3a3)设置堆栈stack,并将坐标(ig,jg)进栈,令Im(ig,jg)=1,设置海面分离后目标Tg的体积参数Vg,并初始化体积参数Vg=0;
3a4)判断堆栈stack是否为空,若堆栈stack不为空,将栈顶坐标出栈,记为(i',j′),再令Vg=Vg+1,执行步骤3a5);若堆栈stack为空,则记录海面分离后目标Tg及体积参数Vg,执行步骤3a6);
3a5)分别对栈顶坐标(i',j')的八领域内各个像素点Ie(i″,j″)按顺时针或逆时针顺序进行遍历检查:如果Ie(i″,j″)=255且Im(i″,j″)=0,则将像素点Ie(i″,j″)的坐标(i″,j″)放入堆栈stack,并令Im(i″,j″)=1;在栈顶坐标(i',j')的八领域像素点全部检查完后,返回步骤3a4);
3a6)判断当前遍历坐标(i,j),如果i=m且j=n,则连通体积遍历统计结束;否则,返回步骤3a2)。
通过连通体积遍历统计方法,得到各个海面分离后目标Tg在海面剔除后二值图矩阵Ie上的体积单元信息Vg,g=1,2,…,N,其中N为海面剔除后二值图矩阵Ie中目标总个数。
3b)对舰船类目标在SAR图像上分布单元区间进行计算,即根据已知的雷达分辨率σa×σr和实际舰船类目标体积分布区间V~V',计算舰船在SAR图像上体积单元的分布区间Vmin~Vmax:
其中,σa为SAR方位向分辨率,σr为SAR距离向分辨率,V为实际舰船类目标最小体积,V'为实际舰船类目标最大体积,Vmin为SAR图像上舰船类目标最小体积单元数,Vmax为SAR图像上舰船类目标最大体积单元数;
3c)结合海面剔除后二值图矩阵Ie及各个海面分离后目标Tg体积信息Vg,在海面剔除后二值图矩阵Ie上对不符合体积分布区间Vmin~Vmax的目标进行删除,具体步骤如下:
3c1)设置m×n维矩阵It,并令It=Ie;
3c2)对步骤3a)中各个海面分离后目标Tg的体积参数Vg进行判定:若Vg<Vmin或Vg>Vmax,则对It上所有属于目标Tg的像素进行置零;若Vmin≤Vg≤Vmax,则对It上所有属于目标Tg的像素进行保留;
3c3)记It为剔除陆地后矩阵It,It中各个目标用Tk'表示,各个目标的初始坐标为(ik,jk),其中,k=1,2,…,N',N'为剔除陆地后二值图像矩阵It中目标总个数。
步骤4.目标分离检测;
在对大体积陆地进行剔除后,得到剔除陆地后矩阵It,It中各个剔除陆地后目标Tk'代表了符合舰船类目标体积分布区间的各类目标,包括强海杂波产生的非舰船类目标、小型岛屿产生的非舰船类目标和舰船类目标等,为了剔除非舰船类目标,实现对舰船类目标的精确检测,需要对各个剔除陆地后目标目标Tk'进行背景分离的分离检测,具体步骤如下:
4a)根据剔除陆地后矩阵It,设置m×n维自适应背景窗口矩阵Ibk:
4a1)对剔除陆地后矩阵It中各个剔除陆地后目标Tk',以其初始坐标(ik,jk)为初始坐标点,利用与步骤3a)相同的方法进行连通体积遍历,同时标记剔除陆地后目标Tk'的边界坐标:
其中,i为矩阵行坐标,j为矩阵列坐标,ikmin、ikmax代表各个目标Tk'在剔除陆地后二值图像矩阵It中行的最小、最大边界行坐标,jkmin、jkmax分别代表各个剔除陆地后目标Tk'在剔除陆地后二值图像矩阵It中列的最小、最大边界列坐标;
4a2)对各个剔除陆地后目标Tk'边界坐标作扩大处理:
其中,ib_kmin、ib_kmax分别为边界扩大后最小、最大行坐标,jb_kmin、jb_kmax分别为边界扩大后最小、最大列坐标,Lk=ikmax-ikmin,为剔除陆地后目标Tk'的行分布长度,Wk=jkmax-jkmin,为剔除陆地后目标Tk'的列分布长度;
4a3)根据边界扩大后坐标对自适应背景窗口矩阵Ibk进行赋值,即:
Ibk(ib_kmin:ib_kmax,jb_kmin:jb_kmax)=1, (14)
其中,ib_kmin:ib_kmax代表从自适应背景窗口矩阵Ibk的第ib_kmin行到ib_kmax行,jb_kmin:jb_kmax代表从自适应背景窗口矩阵Ibk的第jb_kmin列到jb_kmax列;
4b)结合SAR原始图像矩阵I、剔除陆地后二值图像矩阵It和自适应背景窗口矩阵Ibk对目标与背景进行分离与统计:
4b1)对剔除陆地后矩阵It进行归一化处理,得到归一化后的图像矩阵It1:
It1=It./255, (15)
其中,./为矩阵的点除操作;
4b2)根据原始SAR图像I矩阵和归一化后的图像矩阵It1,得到目标分离矩阵IT:
IT=I·It1, (16)
其中,·为矩阵的点乘操作;
4b3)根据原始SAR图像矩阵I和自适应背景窗口矩阵Ibk,对自适应背景窗进行分离,得到自适应背景窗分离矩阵IBT:
IBT=I·Ibk, (17)
其中,·为矩阵的点乘操作;
4b4)根据自适应背景窗分离矩阵IBT和目标分离矩阵IT,对背景进行分离,得到背景分离矩阵IB:
IB=IBT-IT; (18)
4b5)分别对目标分离矩阵IT和背景分离矩阵IB中像素进行统计,得到剔除陆地后目标Tk'的目标像素分布ptk(x)和背景像素分布pbk(x);
4c)根据目标的像素分布ptk(x)和背景像素分布pbk(x),对剔除陆地后目标Tk'进行检测:
4c1)对目标分布ptk(x)进行像素均值μk求解:
μk=mean(ptk(x)), (19)
其中,mean(·)为求均值操作。
4c2)将目标的背景分布pbk(x)作为恒虚警检测的背景分布函数,根据恒虚警检测公式:
求得恒虚警门限tk,其中Pfa为恒虚警概率;
4c3)用恒虚警门限tk对目标均值μk进行门限判断:若μk≥tk,则判定剔除陆地后目标Tk'为舰船类目标;若μk<tk,则判定剔除陆地后目标Tk'为非舰船类目标。
通过上述步骤,完成了对SAR图像中舰船类目标的精确检测。
本发明的效果可以通过下述仿真实验加以说明:
1.仿真条件
本发明采用如图3所示的SAR图像进行试验,其中舰船体积分布区间设为0~1000,图像中舰船数目为11。
2.仿真内容与结果
利用本发明方法对图2进行舰船类目标的检测:
2.1)将图2输入,得到图像矩阵I,对图像矩阵I进行大津阈值法OSTU处理,得到海面剔除后二值图矩阵Ie,海面分离结果如图3所示。从图3中可以看出,陆地、舰船、海杂波等目标被保留,海面被分离,从而达到了很好的海面分离效果。
2.2)对海面剔除后二值图矩阵Ie进行体积统计,并对其中大面积目标进行剔除,得到陆地剔除后的目标二值图矩阵It,陆地剔除结果如图4所示。从图4中可以看出,大面积的陆地被剔除,保留下的为符合舰船分布区间要求的各类目标。
2.3)根据原始图像矩阵I、陆地剔除后图像矩阵It和自适应背景窗口矩阵Ibk对背景进行分离,并统计其分布,结果如图5和图6所示,其中,图5为舰船类目标的分离结果,图6为非舰船类目标分离结果。从图5、图6可以看出,目标和背景被很好的分离开来,同时舰船类目标像素分布集中于高像素区间,非舰船类目标像素分布集中于中低像素区间,利用这一性质可以完成对非舰船类目标的剔除。
2.4)根据目标和背景的分布计算目标均值μk和背景恒虚警门限tk,对SAR图像中分离后的各个目标进行非舰船类目标剔除,结果如图7所示。从图7可以看出,通过本发明方法,实现了对图像中舰船类目标的精确检测。
图7中检测结果的性能指标如表1:
表1检测的性能指标对比
舰船实际数目 | 漏检个数 | 正确检测数 | 虚警个数 |
11 | 0 | 11 | 0 |
从表1可以看出,本发明的检测方法可以实现对SAR图像中舰船类目标的精确检测。
Claims (7)
1.一种基于自适应海杂波统计的SAR图像舰船分离检测方法,包括如下步骤:
1)输入海面SAR图像,得到m×n维图像矩阵I;
2)利用大津阈值法OSTU求解图像矩阵I的最优门限Gopg,用该最优门限对图像矩阵I进行阈值处理,得到海面剔除后二值图矩阵Ie,完成海面分离;
3)陆地剔除;
3a)对海面剔除后二值图矩阵Ie中各个海面分离后目标Tg进行连通体积遍历统计,得到各个海面分离后目标Tg在海面剔除后二值图矩阵Ie上的体积单元信息Vg,g=1,2,…,N,其中N为海面剔除后二值图矩阵Ie中目标总个数;
3b)根据已知的雷达分辨率为σa×σr和实际舰船类目标体积分布区间V~V',计算舰船在SAR图像上体积单元的分布区间Vmin~Vmax:
3c)结合海面剔除后二值图矩阵Ie及各个海面分离后目标Tg体积信息Vg,在海面剔除后二值图矩阵Ie上对不符合体积分布区间Vmin~Vmax的目标进行删除,得到剔除陆地后二值图像矩阵It,剔除陆地后二值图像矩阵It中各个剔除陆地后目标用Tk'表示,其中,k=1,2,…,N',N'为剔除陆地后二值图像矩阵It中剔除陆地后目标的总个数;
4)依次对剔除陆地后二值图像矩阵It中各个剔除陆地后目标Tk'进行分离检测,得到舰船目标:
4a)对剔除陆地后二值图像矩阵It中剔除陆地后目标Tk'进行边界统计,得到其边界信息,根据边界信息,设置剔除陆地后目标Tk'的自适应背景窗口矩阵Ibk;
4b)利用剔除陆地后二值图像矩阵It、自适应背景窗口矩阵Ibk和原始SAR图像矩阵I,对剔除陆地后目标Tk'进行背景分离,并分别统计剔除陆地后目标Tk'的目标像素和背景像素,得到剔除陆地后目标Tk'的目标像素分布ptk(x)和背景像素分布pbk(x);
4c)利用目标像素分布ptk(x)计算剔除陆地后目标Tk'的像素均值μk,以背景像素分布pbk(x)作为背景分布函数,带入恒虚警检测公式,求得剔除陆地后目标Tk'的恒虚警检测门限tk,并进行判定:若μk≥tk,则判定剔除陆地后目标Tk'为舰船类目标,若μk<tk,则判定剔除陆地后目标Tk'为非舰船类目标。
2.根据权利要求1所述的基于自适应海杂波统计的SAR图像舰船分离检测方法,其中步骤3a)所述的对海面剔除后二值图矩阵Ie进行连通体积遍历统计,按如下步骤进行:
3a1)输入海面剔除后二值图矩阵Ie,设置标志矩阵Im,Im为m×n维全零矩阵;
3a2)遍历海面剔除后二值图矩阵Ie像素点Ie(i,j),其中i=1,…,m,j=1,…,n,如果Ie(i,j)=255且Im(i,j)=0,则记海面分离后目标Tg,当前遍历坐标(i,j)为海面分离后目标Tg的初始坐标(ig,jg),其中g=1,2,…,N,N为海面剔除后二值图矩阵Ie中海面分离后目标总个数;
3a3)设置堆栈stack,并将坐标(ig,jg)进栈,令Im(ig,jg)=1,设置海面分离后目标Tg的体积参数Vg,并初始化体积参数Vg=0;
3a4)判断堆栈stack是否为空,若堆栈stack不为空,将栈顶坐标出栈,记为(i',j′),再令Vg=Vg+1,执行步骤3a5);若堆栈stack为空,则记录海面分离后目标Tg及体积参数Vg,执行步骤3a6);
3a5)分别对栈顶坐标(i',j')的八领域内各个像素点Ie(i″,j″)按顺时针或逆时针顺序进行遍历检查:如果Ie(i″,j″)=255且Im(i″,j″)=0,则将像素点Ie(i″,j″)的坐标(i″,j″)放入堆栈stack,并令Im(i″,j″)=1;在栈顶坐标(i',j')的八领域像素点全部检查完后,返回步骤3a4);
3a6)判断当前遍历坐标(i,j),如果i=m且j=n,则连通体积遍历统计结束;否则,返回步骤3a2)。
3.根据权利要求1所述的基于自适应海杂波统计的SAR图像舰船分离检测方法,其中步骤3c)所述的在海面剔除后二值图矩阵Ie上对不符合体积分布区间Vmin~Vmax的目标进行删除,按如下步骤进行:
3c1)设置m×n维矩阵It,并令It=Ie;
3c2)对步骤3a)中各个海面分离后目标Tg的体积参数Vg进行判定:若Vg<Vmin或Vg>Vmax,则对It上所有属于目标Tg的像素进行置零;若Vmin≤Vg≤Vmax,则对It上所有属于目标Tg的像素进行保留;
3c3)记It为剔除陆地后矩阵It,It中各个目标用Tk'表示,各个目标的初始坐标为(ik,jk),其中,k=1,2,…,N',N'为剔除陆地后二值图像矩阵It中目标总个数。
4.根据权利要求1所述的基于自适应海杂波统计的SAR图像舰船分离检测方法,其中步骤4a)所述的设置目标的自适应背景窗口矩阵Ibk,按如下步骤进行:
4a1)设置m×n维全零自适应背景窗口矩阵Ibk;
4a2)对剔除陆地后矩阵It中各个剔除陆地后目标Tk',以其初始坐标(ik,jk)为初始坐标点,利用与步骤3a)相同的方法进行连通体积遍历,同时标记剔除陆地后目标Tk'的边界:
其中,i为矩阵行坐标,j为矩阵列坐标,ikmin、ikmax分别代表各个目标Tk'在剔除陆地后二值图像矩阵It中行的最小、最大边界行坐标,jkmin、jkmax分别代表各个目标Tk'在剔除陆地后二值图像矩阵It中列的最小、最大边界列坐标;
4a3)对目各个标Tk'边界坐标作扩大处理,得到目标Tk'边界扩大后坐标:
其中,ib_kmin、ib_kmax分别为边界扩大后最小、最大行坐标,jb_kmin、jb_kmax分别为边界扩大后最小、最大列坐标,Lk=ikmax-ikmin,为剔除陆地后目标Tk'的行分布长度,Wk=jkmax-jkmin,为剔除陆地后目标Tk'的列分布长度;
4a4)设置m×n维全零矩阵Ibk,并结合边界扩大后坐标对Ibk进行赋值,得到自适应背景窗口矩阵Ibk:
Ibk(ib_kmin:ib_kmax,jb_kmin:kb_kmax)=1 (14)
其中,ib_kmin:ib_kmax代表从矩阵Ibk的第ib_kmin行到ib_kmax行,jb_kmin:jb_kmax代表从矩阵Ibk的第jb_kmin列到jb_kmax列。
5.根据权利要求1所述的基于自适应海杂波统计的SAR图像舰船分离检测方法,其中步骤4b)所述的得到剔除陆地后目标Tk'的目标像素分布ptk(x)和背景像素分布pbk(x),按如下步骤进行:
4b1)对剔除陆地后矩阵It进行归一化处理,得到归一化后的图像矩阵It1:
It1=It./255, (15)
其中,./为矩阵的点除操作;
4b2)根据原始SAR图像I矩阵和归一化后的图像矩阵It1,对目标进行分离,得到目标分离矩阵IT:
IT=I·It1, (16)
其中,·为矩阵的点乘操作;
4b3)根据原始SAR图像矩阵I和自适应背景窗口矩阵Ibk,对自适应背景窗进行分离,得到自适应背景窗分离矩阵IBT:
IBT=I·Ibk, (17)
其中,·为矩阵的点乘操作;
4b4)根据自适应背景窗分离矩阵IBT和目标分离矩阵IT,对背景进行分离,得到背景分离矩阵IB:
IB=IBT-IT; (18)
4b5)分别对目标分离矩阵IT和背景分离矩阵IB中像素进行统计,得到剔除陆地后目标TK'的目标像素分布ptk(x)和背景像素分布pbk(x)。
6.根据权利要求1所述的基于自适应海杂波统计的SAR图像舰船分离检测方法,其中步骤4c)所述的利用目标像素分布ptk(x)计算剔除陆地后目标Tk'的像素均值μk,通过如下公式进行:
μk=mean(ptk(x)), (19)
其中,mean(·)为求均值操作。
7.根据权利要求1所述的基于自适应海杂波统计的SAR图像舰船分离检测方法,其中步骤4c)所述的计算剔除陆地后目标Tk'的恒虚警检测门限tk,是将目标的背景分布pbk(x)作为恒虚警检测公式的背景分布函数,根据如下恒虚警检测公式,计算恒虚警门限tk:
其中Pfa为恒虚警概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012104739653A CN102938150A (zh) | 2012-11-20 | 2012-11-20 | 基于自适应海杂波统计的sar图像舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012104739653A CN102938150A (zh) | 2012-11-20 | 2012-11-20 | 基于自适应海杂波统计的sar图像舰船检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102938150A true CN102938150A (zh) | 2013-02-20 |
Family
ID=47697043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012104739653A Pending CN102938150A (zh) | 2012-11-20 | 2012-11-20 | 基于自适应海杂波统计的sar图像舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102938150A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679694A (zh) * | 2013-05-29 | 2014-03-26 | 哈尔滨工程大学 | 一种基于全景视觉的舰船小目标检测方法 |
CN104240257A (zh) * | 2014-09-30 | 2014-12-24 | 中国人民解放军国防科学技术大学 | 基于变化检测技术的sar图像舰船目标鉴别方法 |
CN104318572A (zh) * | 2014-10-31 | 2015-01-28 | 中南大学 | 基于极化方向角补偿的polsar图像海上目标检测方法 |
CN104331886A (zh) * | 2014-10-29 | 2015-02-04 | 中国人民解放军国防科学技术大学 | 基于高分辨sar图像的港口区域舰船检测方法 |
CN104680538A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于超像素的sar图像cfar目标检测方法 |
CN105046706A (zh) * | 2015-07-13 | 2015-11-11 | 北京化工大学 | 基于有理多项式函数拟合海杂波的sar图像船只检测方法 |
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN106054189A (zh) * | 2016-07-17 | 2016-10-26 | 西安电子科技大学 | 基于dpKMMDP模型的雷达目标识别方法 |
CN106772379A (zh) * | 2017-03-22 | 2017-05-31 | 西安电子科技大学 | 基于傅里叶变换的双参数cfar舰船检测方法 |
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN107255801A (zh) * | 2017-06-13 | 2017-10-17 | 中国电子科技集团公司第二十八研究所 | 一种岸基对海监视雷达信号的处理方法 |
CN108985292A (zh) * | 2018-05-23 | 2018-12-11 | 中国地质大学(武汉) | 一种基于多尺度分割的sar图像cfar目标检测方法与*** |
CN111220956A (zh) * | 2019-11-08 | 2020-06-02 | 北京理工雷科电子信息技术有限公司 | 一种基于地理信息的机载雷达对海探测陆地目标剔除方法 |
CN113674308A (zh) * | 2021-05-06 | 2021-11-19 | 西安电子科技大学 | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 |
-
2012
- 2012-11-20 CN CN2012104739653A patent/CN102938150A/zh active Pending
Non-Patent Citations (2)
Title |
---|
种劲松: "合成孔径雷达图像舰船目标检测算法与应用研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
陈祥,孙俊: "基于CFAR级联的SAR图像舰船目标检测算法", 《现代雷达》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679694A (zh) * | 2013-05-29 | 2014-03-26 | 哈尔滨工程大学 | 一种基于全景视觉的舰船小目标检测方法 |
CN103679694B (zh) * | 2013-05-29 | 2016-06-29 | 哈尔滨工程大学 | 一种基于全景视觉的舰船小目标检测方法 |
CN104240257A (zh) * | 2014-09-30 | 2014-12-24 | 中国人民解放军国防科学技术大学 | 基于变化检测技术的sar图像舰船目标鉴别方法 |
CN104331886A (zh) * | 2014-10-29 | 2015-02-04 | 中国人民解放军国防科学技术大学 | 基于高分辨sar图像的港口区域舰船检测方法 |
CN104331886B (zh) * | 2014-10-29 | 2017-05-03 | 中国人民解放军国防科学技术大学 | 基于高分辨sar图像的港口区域舰船检测方法 |
CN104318572A (zh) * | 2014-10-31 | 2015-01-28 | 中南大学 | 基于极化方向角补偿的polsar图像海上目标检测方法 |
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN106170819B (zh) * | 2014-12-26 | 2019-04-05 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN106170819A (zh) * | 2014-12-26 | 2016-11-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN104680538B (zh) * | 2015-03-09 | 2017-08-29 | 西安电子科技大学 | 基于超像素的sar图像cfar目标检测方法 |
CN104680538A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于超像素的sar图像cfar目标检测方法 |
CN105046706A (zh) * | 2015-07-13 | 2015-11-11 | 北京化工大学 | 基于有理多项式函数拟合海杂波的sar图像船只检测方法 |
CN105046706B (zh) * | 2015-07-13 | 2019-01-29 | 北京化工大学 | 基于有理多项式函数拟合海杂波的sar图像船只检测方法 |
CN106054189A (zh) * | 2016-07-17 | 2016-10-26 | 西安电子科技大学 | 基于dpKMMDP模型的雷达目标识别方法 |
CN106772379A (zh) * | 2017-03-22 | 2017-05-31 | 西安电子科技大学 | 基于傅里叶变换的双参数cfar舰船检测方法 |
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN107255801A (zh) * | 2017-06-13 | 2017-10-17 | 中国电子科技集团公司第二十八研究所 | 一种岸基对海监视雷达信号的处理方法 |
CN107255801B (zh) * | 2017-06-13 | 2019-08-02 | 中国电子科技集团公司第二十八研究所 | 一种岸基对海监视雷达信号的处理方法 |
CN108985292A (zh) * | 2018-05-23 | 2018-12-11 | 中国地质大学(武汉) | 一种基于多尺度分割的sar图像cfar目标检测方法与*** |
CN111220956A (zh) * | 2019-11-08 | 2020-06-02 | 北京理工雷科电子信息技术有限公司 | 一种基于地理信息的机载雷达对海探测陆地目标剔除方法 |
CN111220956B (zh) * | 2019-11-08 | 2021-11-09 | 北京理工雷科电子信息技术有限公司 | 一种基于地理信息的机载雷达对海探测陆地目标剔除方法 |
CN113674308A (zh) * | 2021-05-06 | 2021-11-19 | 西安电子科技大学 | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 |
CN113674308B (zh) * | 2021-05-06 | 2024-02-13 | 西安电子科技大学 | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102938150A (zh) | 基于自适应海杂波统计的sar图像舰船检测方法 | |
CN104376330B (zh) | 基于超像素散射机制的极化sar图像舰船目标检测方法 | |
CN104536009B (zh) | 一种激光红外复合的地面建筑物识别及导航方法 | |
CN102509104B (zh) | 基于置信度图的增强现实场景虚拟对象判别和检测方法 | |
CN102722891A (zh) | 一种图像显著度检测的方法 | |
CN104182985B (zh) | 遥感图像变化检测方法 | |
US20100092038A1 (en) | System and method of detecting objects | |
CN103279759A (zh) | 一种基于卷积神经网络的车辆前方可通行性分析方法 | |
CN103353988B (zh) | 异源sar景象特征匹配算法性能评估方法 | |
CN105809693A (zh) | 基于深度神经网络的sar图像配准方法 | |
CN102360503B (zh) | 基于空间贴近度和像素相似性的sar图像变化检测方法 | |
CN103247059A (zh) | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 | |
CN103871039B (zh) | 一种sar图像变化检测差异图生成方法 | |
CN103226826B (zh) | 基于局部熵视觉注意模型的遥感图像变化检测方法 | |
WO2016045215A1 (zh) | 指纹图像质量的判断方法和装置 | |
CN106683076A (zh) | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 | |
CN102968799A (zh) | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 | |
CN105869146A (zh) | 基于显著性融合的sar图像变化检测方法 | |
CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
CN105930848A (zh) | 基于sar-sift特征的sar图像目标识别方法 | |
CN105976376A (zh) | 一种基于部件模型的高分辨sar图像目标检测方法 | |
CN103903238A (zh) | 图像特征的显著结构和相关结构融合方法 | |
CN104751183B (zh) | 基于张量mpca的极化sar图像分类方法 | |
CN105741309A (zh) | 一种基于卡方变换和样本选择的遥感影像变化检测方法 | |
CN104751185A (zh) | 基于均值漂移遗传聚类的sar图像变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C05 | Deemed withdrawal (patent law before 1993) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130220 |