CN103617628A - 基于极化方位角正割函数特征的舰船检测方法 - Google Patents
基于极化方位角正割函数特征的舰船检测方法 Download PDFInfo
- Publication number
- CN103617628A CN103617628A CN201310690599.1A CN201310690599A CN103617628A CN 103617628 A CN103617628 A CN 103617628A CN 201310690599 A CN201310690599 A CN 201310690599A CN 103617628 A CN103617628 A CN 103617628A
- Authority
- CN
- China
- Prior art keywords
- feature
- secant
- orientation angle
- polarization
- characteristic
- 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
本发明提供一种基于极化方位角正割函数特征的舰船检测方法,其步骤为:(1)输入极化SAR图像,进行极化方位角正割函数特征提取;(2)基于该特征,结合总功率特征进行基于K均值聚类算法的舰船目标检测。本发明提出了一种新的极化特征,该特征能够有效地检测出具有二面角散射特性以及方位向倾斜较大的人造目标,并且,在舰船检测方面,大大提高了舰船检测的效率,降低了运算的复杂度。
Description
技术领域:
本发明属于极化SAR图像特征提取以及目标检测领域,具体涉及一种基于极化方位角正割函数特征的舰船检测方法,新提取的极化特征对舰船目标检测具有高效性。
背景技术
极化SAR图像特征提取的目的是利用特征来描述目标,有效降低数据空间的维数,去除冗余信息,快速、准确地对图像进行解译。常用的极化特征主要有两类:一类是测量数据的组合或变换,如极化散射矩阵的元素及其线性组合、同极化比、交叉极化比、相干系数等;一类是通过极化分解得到的目标特征,如极化目标分解的系数、极化熵和极化相似性参数等。其中,极化目标分解方法是极化SAR图像特征提取的主要方法。极化目标分解的主要目的是将目标的散射过程分解成代表不同散射机理的若干项之和,每一项对应一定的物理意义。极化目标分解的突出优点就是它们大都具有明确的物理解释,因为目标回波的极化信息可以反映目标的几何结构和物理特性,所以极化特征分解方法可用于目标分类或检测。
本发明提出一种新的极化特征——极化方位角正割函数特征,该特征能够有效描述人造目标的二面角散射特性以及方位向倾斜特性,并在舰船检测方面取得了较好的效果。
发明内容
本发明技术解决问题:针对人造目标检测效率较低的问题,提出一种基于极化方位角正割函数特征的舰船检测方法,该方法中新的极化特征,能够有效地描述人造目标的散射特性以及极化方位角特性,据此,可以有效地提高目标的检测效率。
本发明技术方案为:一种基于极化方位角正割函数特征的舰船检测,其步骤如下:
步骤(1)、输入极化SAR图像,进行极化方位角正割函数特征提取;
所述步骤(1)中极化SAR图像每个像素可以由协方差矩阵C表示。
式中,*为求共轭。
针对极化SAR图像,定义其圆极化相关系数如下,
式中,Re()表示取实部,Im()表示取虚部。
利用其虚部与实部之比,定义一种新的极化特征——极化方位角正割函数特征。其计算公式为:
其中SHH,SHV,SVV分别表示水平发射、水平接收散射成分,水平发射、垂直接收散射成分,垂直发射、垂直接收散射成分。
步骤(2)、基于步骤(1)提取的特征,结合总功率特征进行基于K均值聚类算法的舰船目标检测。
所述步骤(2)中基于极化方位角正割函数特征,结合总功率特征,利用K均值聚类算法对舰船目标进行检测,其误差平方和准则函数公式为:
其中,p为图像像素点,m1,m2,...,mk分别为各聚类子集的均值代表点(即聚类中心)。
由上述协方差矩阵C,定义总功率特征为:
span=|sHH|2+|sVV|2+2|sHV|2。
SHH,SHV,SVV分别表示水平发射、水平接收散射成分,水平发射、垂直接收散射成分,垂直发射、垂直接收散射成分,span表示所求图像的总功率特征。
本发明与现有技术相比的优点在于:
(1)、本发明提出了一种新的极化特征,能够有效的描述人造目标的二面角散射特性以及方位向倾斜特性,较好地区分人造目标和自然目标。
(2)、本发明能够减少目标检测的时间,提高检测效率,降低目标检测的计算复杂度。
附图说明
图1为本发明极化方位角正割函数特征提取研究的流程图;
图2为本发明提取的新特征,极化方位角正割函数特征;
图3为本发明基于K均值聚类算法的舰船目标检测结果;其中图301为利用K均值聚类算法对极化SAR图像进行舰船目标检测结果,检测速度为1.55秒;图302为以往基于逆差矩、极化熵、平均散射角的聚类算法的检测结果,其目标检测速度为31.21秒。
具体实施方式
下面结合附图及具体实施方式详细介绍本发明。
本发明基于极化方位角正割函数的舰船目标检测,其实施流程图如图1所示,具体包含如下2个步骤:
1、输入极化SAR图像,进行极化方位角正割函数特征提取,提取结果如附图2所示。所述步骤(1)中极化SAR图像每个像素可以由协方差矩阵C表示。
式中,*为求共轭。
针对极化SAR图像,定义其圆极化相关系数如下,
由式(1)的虚部和实部之比可推出正割函数如式(2)。
其中SHH,SHV,SVV分别表示水平发射、水平接收散射成分,水平发射、垂直接收散射成分,垂直发射、垂直接收散射成分。
由数学表达式可以看出,极化方位角正割函数即为圆极化相关系数的虚部与实部之比。从物理意义看,极化方位角是由地形方位向以及地面与墙体之间的二次散射引起的,对于地势斜坡较大的区域以及二面角散射较强的区域,其方位角较大,因此,极化方位角特征有助于方位向与雷达视线存在一定角度的人造目标的检测。在高分辨率图像中,舰船目标由于较强的二面角散射特性,具有较大的极化方位角正割函数值;人造建筑物结构由于其非对称性,导致其方位角较大,正割函数值较大。据此,我们利用该特征,对舰船进行检测。
2、基于新特征,结合总功率特征进行基于K均值聚类算法的舰船目标检测。K均值聚类算法的误差平方和准则函数公式为:
其中,p为图像像素点,m1,m2,...,mk分别为各聚类子集的均值代表点(即聚类中心)。由上述协方差矩阵C,总功率特征定义为:
span=|sHH|2+|sVV|2+2|sHV|2 (4)
下面以2005年NASA/JPL的AIRSAR***在日本Hiroshima Bay附近获得的C波段极化数据为实验数据,对该发明进行举例说明。该场景是典型的海洋场景,包含了海面、舰船、岛屿、海上漂浮物等目标。
首先,提取不同的极化特征,针对岛屿与舰船,计算不同特征对岛屿与舰船区分度——Bhattacharyv距离,如表1所示。
Bhattacharyv距离定义如式(5)。
其中,μ1、σ1和μ2、σ2分别表示在某一特征图像上两个不同类别的均值和方差,BD越大,则特征区分不同类别的能力越强,BD取值范围为(0,∞)。
表1特征对岛屿与舰船区分度对比表
由表1可以看出,新提取的极化方位角正切函数特征的BD=0.6002,正是由于舰船的二面角散射较强,方位角正割函数较大,表现为白色目标,因此,新特征在该场景中对于舰船和岛屿具有最好的区分能力。
计算海面与舰船,海上漂浮物与舰船之间的Bhattacharyv距离,如表2所示。
表2新特征对海面、岛屿以及海上漂浮物区分度
表2说明,新特征可以很好地将舰船目标与海面、海上漂浮物、岛屿等目标区分开。
因此,我们基于新特征和总功率特征,利用K均值聚类算法对极化SAR图像进行舰船目标检测,结果如附图301所示,检测速度为1.55秒。以往基于逆差矩、极化熵、平均散射角的聚类算法的检测结果如附302所示,其目标检测速度为31.21秒,在达到同样检测效果的同时,该特征的有效性大大减少了目标检测的时间。
Claims (1)
1.一种基于极化方位角正割函数特征的舰船检测方法,其特征在于,该方法的包括步骤如下:
步骤(1)、输入极化SAR图像,进行极化方位角正割函数特征提取;
所述步骤(1)中极化SAR图像每个像素可以由协方差矩阵C表示;
式中,*为求共轭;
针对极化SAR图像,定义其圆极化相关系数如下,
式中,Re()表示取实部,Im()表示取虚部;
利用其虚部与实部之比,定义一种新的极化特征——极化方位角正割函数特征;其计算公式为:
其中SHH,SHV,SVV分别表示水平发射、水平接收散射成分,水平发射、垂直接收散射成分,垂直发射、垂直接收散射成分;sec()表示正割函数;tan()表示正切函数;θ表示极化方位角;Re()表示取实部;
步骤(2)、基于步骤(1)提取的特征,结合总功率特征进行基于K均值聚类算法的舰船目标检测;
所述步骤(2)中基于极化方位角正割函数特征,结合总功率特征,利用K均值聚类算法对舰船目标进行检测,其误差平方和准则函数公式为:
其中,p为图像像素点,m1,m2,...,mk分别为各聚类子集的均值代表点,即聚类中心;
由上述协方差矩阵C,定义总功率特征为:
span=|sHH|2+|sVV|2+2|sHV|2;
SHH,SHV,SVV分别表示水平发射、水平接收散射成分,水平发射、垂直接收散射成分,垂直发射、垂直接收散射成分,span表示所求图像的总功率特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310690599.1A CN103617628A (zh) | 2013-12-16 | 2013-12-16 | 基于极化方位角正割函数特征的舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310690599.1A CN103617628A (zh) | 2013-12-16 | 2013-12-16 | 基于极化方位角正割函数特征的舰船检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103617628A true CN103617628A (zh) | 2014-03-05 |
Family
ID=50168332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310690599.1A Pending CN103617628A (zh) | 2013-12-16 | 2013-12-16 | 基于极化方位角正割函数特征的舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103617628A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005796A (zh) * | 2015-08-10 | 2015-10-28 | 中国人民解放军国防科学技术大学 | 基于层次分析的星载sar图像舰船目标分类方法 |
CN109031294A (zh) * | 2018-07-17 | 2018-12-18 | 中国人民解放军国防科技大学 | 基于相似性检验的极化sar舰船目标检测方法 |
CN113643284A (zh) * | 2021-09-09 | 2021-11-12 | 西南交通大学 | 基于卷积神经网络的极化合成孔径雷达图像舰船检测方法 |
CN114926794A (zh) * | 2022-06-20 | 2022-08-19 | 重庆邮电大学 | 一种高效的轻量化sar船舶目标检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663348A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种光学遥感图像中的海上舰船检测方法 |
US20130163863A1 (en) * | 2011-12-26 | 2013-06-27 | Fujitsu Limited | Image processing apparatus, image processing method, and recording medium |
-
2013
- 2013-12-16 CN CN201310690599.1A patent/CN103617628A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130163863A1 (en) * | 2011-12-26 | 2013-06-27 | Fujitsu Limited | Image processing apparatus, image processing method, and recording medium |
CN102663348A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种光学遥感图像中的海上舰船检测方法 |
Non-Patent Citations (3)
Title |
---|
T.L. AINSWORTH 等: "Polarimetric SAR characterization of man-made structures in urban areas using normalized circular-pol correlation coefficients", 《REMOTE SENSING OF ENVIRONMENT》, vol. 112, no. 6, 16 June 2008 (2008-06-16), pages 2876 - 2885, XP022683711, DOI: doi:10.1016/j.rse.2008.02.005 * |
华志励 等: "K均值聚类算法在海上目标识别中的应用", 《山东科学》, vol. 25, no. 6, 31 December 2012 (2012-12-31), pages 79 - 81 * |
王文光 等: "基于极化SAR图像分类的海上舰船检测", 《信号处理》, vol. 23, no. 5, 31 October 2007 (2007-10-31), pages 676 - 679 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005796A (zh) * | 2015-08-10 | 2015-10-28 | 中国人民解放军国防科学技术大学 | 基于层次分析的星载sar图像舰船目标分类方法 |
CN105005796B (zh) * | 2015-08-10 | 2018-03-30 | 中国人民解放军国防科学技术大学 | 基于层次分析的星载sar图像舰船目标分类方法 |
CN109031294A (zh) * | 2018-07-17 | 2018-12-18 | 中国人民解放军国防科技大学 | 基于相似性检验的极化sar舰船目标检测方法 |
CN109031294B (zh) * | 2018-07-17 | 2020-09-08 | 中国人民解放军国防科技大学 | 基于相似性检验的极化sar舰船目标检测方法 |
CN113643284A (zh) * | 2021-09-09 | 2021-11-12 | 西南交通大学 | 基于卷积神经网络的极化合成孔径雷达图像舰船检测方法 |
CN113643284B (zh) * | 2021-09-09 | 2023-08-15 | 西南交通大学 | 基于卷积神经网络的极化合成孔径雷达图像舰船检测方法 |
CN114926794A (zh) * | 2022-06-20 | 2022-08-19 | 重庆邮电大学 | 一种高效的轻量化sar船舶目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Marino | A notch filter for ship detection with polarimetric SAR data | |
Shirvany et al. | Ship and oil-spill detection using the degree of polarization in linear and hybrid/compact dual-pol SAR | |
CN102096070B (zh) | 一种全极化合成孔径雷达海面溢油检测方法 | |
An et al. | A self-adaptive wavelet-based algorithm for wave measurement using nautical radar | |
Gao et al. | Adaptive ship detection in hybrid-polarimetric SAR images based on the power–entropy decomposition | |
Cui et al. | A saliency detector for polarimetric SAR ship detection using similarity test | |
CN103529447A (zh) | 面向城市区域的极化四分量分解方法 | |
CN103969634B (zh) | 基于全极化属性散射中心模型的目标属性特征提取方法 | |
CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
CN102901965A (zh) | 一种海洋杂波环境中电大尺寸目标雷达成像方法 | |
CN104459663A (zh) | 基于高分辨一维距离像的舰艇与货船分类方法 | |
CN103617628A (zh) | 基于极化方位角正割函数特征的舰船检测方法 | |
CN103116740A (zh) | 一种水下目标识别方法及其装置 | |
Lee et al. | Efficient generation of artificial training DB for ship detection using satellite SAR images | |
CN102034233B (zh) | 一种基于contourlet变换的SAR图像波群参数检测方法 | |
Yang et al. | Compressive feature and kernel sparse coding‐based radar target recognition | |
Gao et al. | Scattering characteristic-aware fully polarized SAR ship detection network based on a four-component decomposition model | |
CN104459656B (zh) | 一种全极化合成孔径雷达的目标取向角补偿方法 | |
CN106291550A (zh) | 基于局部散射机制差异回归核的极化sar舰船检测方法 | |
CN106291555A (zh) | 一种基于c波段极化sar影像的海面溢油探测方法 | |
CN102692625A (zh) | 一种Rn空间中的水底目标回波和混响的特征联合建模方法 | |
Atteia et al. | Ship detection performance assessment for simulated RCM SAR data | |
Kurowska et al. | Classification results of ISAR sea targets based on their two features | |
Zhai et al. | A multi-scale local phase quantization plus biomimetic pattern recognition method for SAR automatic target recognition | |
Zakharov et al. | Monitoring extreme ice features using multi-resolution RADARSAT-2 data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140305 |
|
WD01 | Invention patent application deemed withdrawn after publication |