CN104036239B - 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 - Google Patents
基于特征融合和聚类的高分辨sar图像快速舰船检测方法 Download PDFInfo
- Publication number
- CN104036239B CN104036239B CN201410234205.6A CN201410234205A CN104036239B CN 104036239 B CN104036239 B CN 104036239B CN 201410234205 A CN201410234205 A CN 201410234205A CN 104036239 B CN104036239 B CN 104036239B
- Authority
- CN
- China
- Prior art keywords
- target
- detection
- sar image
- region
- area
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000003628 erosive effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000012549 training Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 4
- 238000003064 k means clustering Methods 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000012216 screening Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011005 laboratory method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于特征融合和聚类的高分辨SAR图像快速舰船检测方法,其实现步骤为:基于SAR图像中各地物后向散射特性以及舰船目标的先验信息,用Otsu算法和区域约束定位出目标潜在位置索引图;在索引图上运用基于局部对比度的CFAR算法进行预筛选得到检测二值分割图;对检测结果进行形态学处理,并根据处理的结果从SAR图像和检测后的二值分割图中提取潜在目标切片;运用设计的鉴别特征对所提取的切片进行K‑means聚类,得到最终的鉴别结果。本发明通过预处理有效减少了检测阶段的数据量,避免逐点检测带来的时间开销。同时所设计的特征和无监督聚类方法能克服现有训练样本不足的情况下目标的鉴别问题,可有效定位目标的位置并估计出目标的尺寸。
Description
技术领域
本发明属于图像处理技术领域,涉及一种基于特征融合和聚类的SAR图像快速舰船目标检测方法,用于合成孔径雷达图像的理解与解译。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种运用微波进行成像的主动式传感器,它的成像不受天气、光照等条件的限制,可以对感兴趣目标进行全天时、全天候的观测。多波段、全极化、不同工作模式的SAR***的出现使得全方位对地观测成为可能。目前,SAR图像的解译能力无法满足收集到的大量图像处理的需求,这直接导致了SAR图像解译技术的发展。利用SAR图像进行舰船目标检测是实现海洋监视、渔业管控的重要手段,而我国领海广阔、海洋资源丰富,开展SAR图像舰船检测具有重要意义。
20世纪80年代,林肯实验室提出了基于分层注意机制的合成孔径雷达自动目标识别(SAR ATR)三级处理流程,成为了科学界的共识。该模型采用分层处理方式,首先对整幅SAR图像进行预览或检测以去除明显不是目标的区域,得到潜在目标区域;然后对潜在目标区域进行鉴别,去除其中的自然杂波虚警以得到目标感兴趣区域;最后对感兴趣区域进行更加复杂的特征提取和分类,以实现目标识别的目的。随着处理的深化,所要处理的数据量会越来越少,而计算复杂度会越来越大,从而可以实现高效的理解与解译。SARATR对于目标识别的实时性和准确率都有着较高的要求,需要开发出快速和高效的算法来满足实际需求。
当前SAR图像舰船检测的算法多利用舰船目标和周围海域在SAR图像上所表现出的特征差异,通过设定一个自适应阈值来进行检测。经典的恒虚警率(CFAR)检测器是根据舰船目标和周围海域灰度特征的差异,对背景用正态分布建模后根据设定的虚警率来自适应寻找检测阈值,可以达到理论上的恒虚警率。CFAR检测是一种简单有效的检测方法,根据下式进行判断目标点的存在与否。
其中,μROI是目标支撑区域的均值,μC是杂波支撑区域的均值,σC是杂波支撑区域的标准差,λ是和预设虚警率有关的一个常数。如果在某一点处上式满足,该待测像素点被判定为目标像素点,否则为杂波像素点。这种方法采用逐点检测的方式检测速度受到限制,同时存在模型的欠拟合问题致使检测精度受到影响,用位于滑动窗口区域极其有限的观测像素值来估计正态分布的参数存在统计上的偏差,这往往会导致模型失配并且使检测器的性能受到严重影响。SAR图像中存在大量冗余信息,基于Otsu的分割算法以及区域操作可以为检测阶段降低数据量,提高解译速度和效率。将以上预处理与双参数CFAR结合起来有望在保持恒虚警率的前提下提升检测器的整体性能。
鉴别器的设计是一个二分类问题。目前的方法是基于有监督信息的,需要大量的典型目标和虚警切片来得到分类器的参数,如支持向量机(SVM)和QD。而在实际情况下训练数据的获取是很耗时耗力的,而且训练数据本身是在不同的传感器、成像环境和目标类型之下获取的,很难表征待测试的数据。将原图切片和二值图切片上提取的纹理、区域和对比度的特征融合起来可以提供更加强有力的鉴别能力。基于目标和杂波特征先验的无监督K-means聚类方法,依据目标和杂波切片在特征空间中的聚集特点,用聚类的方式对目标和杂波切片进行区分,可以摆脱对训练样本的依赖,实现高效的鉴别。
发明内容
针对上述现有技术的不足,本发明提出了一种基于特征融合和聚类的SAR图像快速舰船目标检测方法,以降低数据量、减少计算开销,同时采用特征先验的无监督聚类方法以摆脱训练样本的制约问题,最终实现高效的目标检测与定位。
实现本发明的技术思路是:在预处理阶段结合不同地物散射特性的差异以及目标尺寸的先验信息,去除不可能存在目标的区域;检测阶段利用目标和周围杂波散射特性的差异,结合局部对比度特征来实现预筛选得到潜在目标区域;经形态学处理后,从原图和检测后的二值图中提出感兴趣区域切片;设计有效的特征并根据特征先验,用聚类的方式实现舰船目标的鉴别。
本发明所述基于特征融合和聚类的高分辨SAR图像快速舰船检测方法,包括如下步骤:
(1)基于地物散射特性与先验的预处理
1a)根据图像的归一化直方图寻找使类间方差最大的Otsu最优分割阈值,将原始SAR图像分为亮区域和暗区域两部分,得到二值分割图。
1b)对步骤1a)得到的二值分割图进行孔洞填充后去掉二值分割图中面积远大于舰船目标面积的连通区域,得到潜在目标区域的索引图。
(2)基于局部对比度的CFAR检测
2a)根据舰船目标的尺寸,选取CFAR检测所需的目标支撑区域大小和杂波支撑区域的大小。
2b)对原始SAR图像和索引图围绕边界进行镜像反射扩展,预先设定检测的虚警率以在检测过程中根据背景信息自适应地确定每个点处的检测阈值。
2c)在索引图所指示的潜在目标位置上,计算目标支撑区域的平均能量和空心滑动窗口内杂波支撑区域的平均能量及其能量的标准差,根据待测像素点支撑区域的像素均值与该点处的检测阈值的大小关系来判定该点是否为目标像素点。
2d)空心滑动窗口在原始SAR图像上进行移动得到检测的结果后,对得到的检测结果进行腐蚀膨胀操作以去除孤立的检测点并且用孔洞填充来补充被掩盖的目标点。
(3)感兴趣区域提取及其特征构建与融合
3a)从检测后的二值分割图中提取所有连通区域并去除面积远小于目标的连通区域,根据剩余区域的质心和预设切片的大小,从原始SAR图像和检测后的二值分割图中提取出感兴趣区域的切片。
3b)在提取的各原始SAR图像切片上计算对数标准差作为度量此区域强度波动性的特征;在提取的各检测后的二值分割图切片上寻找八连通区域的个数作为描述区域最强散射点空间散度的特征;同时,根据检测后的二值分割图所指示的目标区域位置计算对应的原始SAR图像中能量的平均值作为目标区域平均能量的度量。
3c)将对数标准差、八连通区域数和目标区域平均能量分别进行归一化融合后形成具有更强鉴别力的特征向量,作为对于各感兴趣区域的综合描述;目标区域和杂波区域的特征在特征空间上呈现出聚集特性,而且对于目标区域和杂波区域的各特征都是有先验的指导。
(4)基于特征先验和K-means聚类的目标鉴别
4a)设定聚类类别数、最大迭代次数以及由特征先验所决定的初始聚类中心,按照欧氏距离来度量每个待测样本与聚类中心的相似度,并以此将各个样本归类,直至K-means聚类达到收敛。
4b)根据最终得到的样本类别,将聚为目标的样本所对应的感兴趣区域位置找到,并用合适大小的边界框在原始SAR图像上将最后确定为舰船目标的区域标定出来。
4c)从标定为舰船目标的区域所对应的检测后的二值分割图中提取出目标的最小外接矩形,从而得出该舰船目标的长度和宽度。
进一步地,所述步骤1a)中,假设原始SAR图像为I,其大小为m×n,用使类间方差最大的最优分割阈值Topt将图像分割成明区域和暗区域两部分,最优分割阈值Topt依据下式获得:
其中,mG是图像的平均灰度值,m(k)是灰度值小于k的像素均值,P1(k)是灰度值小于k的像素所占的比例。
进一步地,所述步骤1b)中,对Otsu分割后的二值分割图进行孔洞填充以补全连通区域,统计所有连通区域的大小后,将面积远大于舰船目标尺寸3倍的区域去除。
进一步地,所述步骤3a)中,从检测后的二值分割图中提取所有连通区域的方法是:对检测后的二值分割图进行形态学操作,所述形态学操作包括用孔洞填充来补全连通区域,用腐蚀和膨胀去除孤立点并且连接邻接点,从而得到所有连通区域。
进一步地,所述步骤2c)中,目标像素点的判断标准为:若待测像素点支撑区域的像素均值大于该点处的检测阈值,则该点被判断为目标像素点;若待测像素点支撑区域的像素均值小于或等于该点处的检测阈值,则该点被判断为杂波像素点。
与现有技术相比,本发明的优点是:
1、本发明依据各地物电磁散射特性的差异和舰船尺寸的先验信息,通过Otsu最优阈值分割以及连通区域面积的约束,有效地减小了目标的搜索范围,提升了检测速度,克服了逐点检测所带来的时间和计算开销。
2、本发明在原始SAR图像和二值分割图像中提取的切片上分别设计了用于目标鉴别的新特征,并且将特征结合起来形成具有表征能力的特征组,比经典的鉴别特征有更加好的区分性能。同时在特征先验信息的指导下,依靠目标和杂波在特征空间的聚集性,运用无监督的聚类方法实现了自动目标鉴别,有效地克服了训练样本不足的问题,得到了较为理想的解译效果。
以下将结合附图和实施例对本发明做进一步详细说明。
附图说明
图1是本发明的流程图。
图2是本发明采用的CFAR检测空心滑动窗口示意图。
图3(a)是原始SAR图像。
图3(b)是Otsu分割后的二值分割图,其中得到的最优阈值为60。
图3(c)是经孔洞填充和区域移除后的索引图。
图3(d)是双参数CFAR检测结果图,其中Pfa=0.03。
图4是本发明在未经预处理和经预处理下的CFAR检测的ROC曲线。
图5是本发明从原始SAR图像和二值分割图像中提取出的感兴趣区域。
图6(a)是提取切片的对数标准差特征。
图6(b)是提取切片的八连通区域数特征。
图6(c)是提取切片的目标区域平均能量特征。
图7(a)是原始SAR图像。
图7(b)是鉴别前定位的潜在目标区域图。
图7(c)是本发明采用的三特征在K-means鉴别后的结果。
图7(d)是Lincoln实验室三特征在K-means鉴别后的结果。
图8是本发明得到的目标尺寸估计结果。
具体实施方式
实施例1:
在背景技术中提及的现有技术存在数据量的获取和计算开销太大,并受训练样本的制约等问题,为达到弥补这些技术缺陷,实现高效的目标检测与定位的目的,本发明提供了一种基于特征融合和聚类的SAR图像快速舰船目标检测方法。
实现本发明的技术思路是:在预处理阶段结合不同地物散射特性的差异以及目标尺寸的先验信息,去除不可能存在目标的区域;检测阶段利用目标和周围杂波散射特性的差异,结合局部对比度特征来实现预筛选得到潜在目标区域;经形态学处理后,从原图和检测后的二值图中提出感兴趣区域切片;设计有效的特征并根据特征先验,用聚类的方式实现舰船目标的鉴别。
所述基于特征融合和聚类的SAR图像快速舰船目标检测方法,如图1所示,包括如下步骤:
步骤1:基于地物散射特性与先验的预处理
1.1)假设原始SAR图像为I,其大小为m×n,使用类间方差最大的最优分割阈值Topt将原始SAR图像分割成明区域和暗区域两部分,最优分割阈值Topt依据下式获得:
其中,mG是图像的平均灰度值,m(k)是灰度值小于k的像素均值,P1(k)是灰度值小于k的像素所占的比例。
1.2)对Otsu分割后的二值分割图进行孔洞填充以补全连通区域,统计所有连通区域的大小后,将面积远大于舰船目标尺寸3倍的区域去除,得到潜在目标区域的索引图Iindex。
步骤2:基于局部对比度的CFAR检测
2.1)根据舰船的尺寸和舰船之间的距离先验来预设CFAR检测所需的空心滑动窗口各参数,如图2所示。本发明将目标支撑区域的大小设为3×3以对孤立强杂波点进行抑制,保护区域的半径设为15来避免其它目标泄露到空心滑动窗口内,杂波支撑像素的个数设为120,以代表待测像素点的周围杂波信息。
2.2)由于空心滑动窗口的存在,需要对原始SAR图像I和索引图Iindex进行镜像反射扩展成(m+30)×(n+30)大小。在CFAR算法中,虚警率Pfa的选取应该尽可能在真实检测率和虚警率之间达到折中,如果Pfa选的过大,检测结果中会包含大量的杂波点,而Pfa选的过小又会丢失目标点造成漏检。本发明中虚警率Pfa选为0.03。在每一点处,若计算得出杂波支撑区域的均值μC和标准差σC后,相应的检测阈值T可以由下式求得:
2.3)计算待测像素点支撑区域的像素均值μROI并与得到的检测阈值T进行比较,若μROI>T则该点被判定为目标像素点,否则为杂波像素点。在整幅原始SAR图像上按照索引图的指示依次移动空心滑动窗口完成对所有潜在目标点的检测,从而得到CFAR检测的二值分割图Idet。
2.4)为了验证预处理对检测阶段的作用并对双参数恒虚警CFAR检测器的性能进行分析,将CFAR中预设的虚警率Pfa分别设定为从0开始以0.01为间隔到0.25的离散值,在每个虚警率下得到CFAR的检测结果,和事先手动标记的Groundtruth图进行匹配,计算出真实的检测率Pd和真实的虚警率Pf,把虚警率和检测率分别作为横坐标和纵坐标绘制出CFAR检测器的受试者运行曲线(ROC)。对于未经预处理而直接进行CFAR检测的过程与以上相同,也可以得到其对应的ROC曲线。
步骤3:感兴趣区域提取及其特征构建与融合
3.1)对于检测后的二值分割图Idet进行形态学操作,包括用孔洞填充来补全连通区域,用腐蚀和膨胀去除孤立点并且连接邻接点,从而得到更加规整的区域。
3.2)提取所有连通区域的质心和面积信息,如果某个连通区域的面积过小,说明此区域是包含杂波的非目标区域,可以排除其为目标区域的可能性。根据本实验SAR图像的空间分辨率和舰船尺寸的先验信息,对于面积小于50(最小目标一半)的区域将其剔除。以剩余连通区域质心为中心,从原始SAR图像和检测后的二值分割图像里分别提取64×64大小的切片,从而得到潜在目标所在的切片。假设提取出的潜在目标个数为n,则从原始SAR图像中提取的切片分别表示为C1,C2…,Cn,从检测后的二值分割图中提取的切片分别为B1,B2…,Bn,每个切片的大小为64×64。
3.3)从C1,C2…,Cn中计算每个潜在目标切片的对数标准差特征来表征此区域内的反射强度的波动信息。计算公式如下:
其中,N是切片中像素点的总数并且
3.4)从B1,B2…,Bn中计算每个潜在目标切片的八连通区域个数来表征此区域内强散射点空间的分布情况。正常情况下,目标区域强散射点相对于杂波来说更为聚集,故而八连通区域的个数比杂波要少。
3.5)结合B1,B2…,Bn与C1,C2…,Cn计算每个潜在目标切片的目标区域平均能量用以表征此区域内目标的平均散射强度。由于检测虚警的存在,有较强散射特性的杂波区域会呈现出和目标类似的结构而对目标形成干扰。此特征可以根据被检测为目标像素的点所对应像素的散射强度均值来区分目标和杂波。其计算公式如下:
其中,ni是第i个切片中被判为目标点的像素个数;在以上各式中,Ci(r,a)为第i个潜在目标切片中r行a列处像素的散射强度值。
3.6)将以上特征组合成矩阵形式,每一行分别代表切片的三个特征,共有n行,结果如下所示:
假设每个特征的重要程度相同,由于各个特征尺度不同,需要对F的每一列进行归一化操作来组成有鉴别力的特征组。本发明中,我们将F中的每一列归一化到0和1之间。
步骤4:基于特征先验和K-means聚类的目标鉴别
4.1)因为聚类的结果只有目标和杂波,所以将K-means中的聚类个数设为2,根据目标和杂波的特征先验将初始聚类中心设为[1,0,1]与[0,1,0],最大迭代次数设为100。每次求取各个样本与聚类中心的欧式距离,将样本归为与之更近的一类,同时用归为每一类的样本均值来更新该类的中心,直至聚类中心不再发生变化或达到最大迭代次数为止。
4.2)由目标和杂波特征空间所具有的聚集性可知,理论上目标将最终被归为第一类而杂波被归为第二类。结合最终聚类结果将鉴别为目标的区域在原始SAR图像中用红色方框标注出来以确定其位置。同时根据检测的二值图提取包围目标的最小外界矩形框,依此可以用来估计目标的尺寸。
实施例2:
本发明的效果通过以下仿真实验进一步说明。
(1)实验仿真条件:
本实验所采用的数据是TerraSAR高分辨合成孔径雷达图像。该数据是由TerraSAR卫星在HH极化方式、X波段下获得的直布罗陀海峡一地区海岸线的分辨率为1m的合成孔径雷达图像,包含海洋、山脉、建筑物、河流、港口以及舰船等地物类型,其中待检测的舰船目标有21个且目标类型各异。实验数据所覆盖的场景大小为2987m×4134m,为每个像素8bits的灰度图。本实验在CPU为Intel(R)Core(TM)i5-3470、主频为3.2GHz、内存为4G的WINDOWS7操作***上采用32位的MATLAB 2012a进行仿真。
(2)目标检测与鉴别性能评价标准:
(2a)检测率与虚警率
假设SAR图像大小为M×N且目标像素的总个数为Ntarget,则SAR图像中杂波像素的总数为Nclutter=M×N-Ntarget。若检测出的目标像素的个数为Ndt,产生的虚警个数为Ndc,则实际虚警概率和实际检测概率为:
事先用人工标定参考图,将在不同虚警率下得到的检测结果与参考图比较以计算上面的两个数值。将得到的结果绘制成ROC曲线,曲线与横轴所包围区域的面积越大则表明检测性能越好。
(2b)总错误数、漏报数、总正确率以及目标正确率
鉴别阶段用总错误数、漏报数、总正确率以及目标正确率来评价鉴别特征和鉴别器的好坏,其定义分别如下:
总错误数为目标判为杂波虚警的个数与杂波虚警判为目标的个数的和,即有
ne=ntc+nct
其中,ne是总错误数,ntc为目标判为杂波虚警的个数,也称作漏报数,nct为杂波虚警判为目标的个数。
若鉴别阶段所提取的切片数为n,其中的真实目标切片数为m,则总正确率和目标正确率分别定义为:
一般情况下,SAR ATR要求检测和鉴别阶段应在保证检测率和目标正确率为1的前提下,通过调整预设参数来尽可能降低虚警率,从而实现对目标的完整、高效定位。
(2c)解译时间
解译时间是指从输入SAR图像到输出检测结果的总耗时。由于SAR ATR对实时性有着很高的要求,一般需要在很短的时间内完成对目标的定位,所以运行时间应该尽可能的短以达到实际应用要求。
(3)实验内容
实验一
利用本发明所设计的基于特征融合和聚类的高分辨SAR图像快速舰船检测方法进行目标检测,实验结果如图3所示。其中:
图3(a)是原始SAR图像;
图3(b)是Otsu分割后的二值分割图,其中得到的最优阈值为60;
图3(c)是经孔洞填充和区域移除后的索引图;
图3(d)是双参数CFAR检测结果图,其中Pfa=0.03;
从图3(a)、图3(b)、图3(c)、图3(d)可见,本发明通过预处理有效地降低了数据处理量,使得检测的虚警率大为降低,从而加快了检测阶段的速度。图4绘制出了未经预处理和经过预处理两种情况下,所得到的双参数CFAR检测的受试者运行曲线。从图中可以看出,预处理使得受试者运行曲线向左平移,增加了曲线所包围的面积,从而提高了检测阶段的性能。表1列出了两种情况下的计算用时。
表1检测阶段计算用时
从表1可以看出,预处理与双参数CFAR的结合使得检测的数据量大为缩减,从而降低了算法的时间复杂度。
实验二
对得到的检测结果进行腐蚀、膨胀和孔洞填充等形态学处理后,从原始SAR图像和检测后的二值分割图像中同时提取大小为64×64的包含潜在目标的切片图,实验的部分结果如图5所示。从图5可见提取的切片之间有着很强的相似性,需要有效的方法对其进行区分。
分别计算各切片所对应的对数标准差、八连通区域个数以及目标区域平均能量三个特征的值,将特征归一化后组合成特征向量形成对切片的描述,实验结果如图6所示。其中:
图6(a)是提取切片的对数标准差特征;
图6(b)是提取切片的八连通区域数特征;
图6(c)是提取切片的目标区域平均能量特征;
基于各切片在特征上的相似性,需要将多个特征结合起来才能形成对目标和杂波虚警的很好区分。
依据目标切片和虚警切片在特征上的先验信息,运用K-means聚类来实现对于目标的鉴别,结果如图7所示。其中:
图7(a)是原始SAR图像;
图7(b)是鉴别前定位的潜在目标区域图;
图7(c)是本发明采用的三特征在K-means鉴别后的结果;
图7(d)是Lincoln实验室三特征在K-means鉴别后的结果。
从图7(a)、图7(b)、图7(c)、图7(d)可见,本发明可以克服SAR图像在实际应用中训练样本稀缺的问题,通过将特征融合与无监督聚类方法相结合能有效地完成舰船目标检测的任务。所设计的特征与经典的Lincoln实验室三特征相比具有更好的区分性能,得到了更好的鉴别结果。
高分辨SAR图像提供了更加丰富的场景信息,可以通过鉴别后的结果来估计目标的尺寸大小,从而为海洋监视和渔业管控提供有益的帮助。所得部分目标的最小外接矩形图如图8所示,结合SAR图像的分辨率可以估计出各个目标的大小。
表2列出了本发明与林肯实验室方法在鉴别性能上的对比结果,其中林肯实验实的三特征分别为对数标准差、分形维数和排列能量比。
表2两组特征在K-means下的总错误数、漏报数、总正确率以及目标正确率
从表2可见,本发明所设计的特征比传统的林肯实验室三特征更具有表征性,同时基于K-means聚类的鉴别方法取得了较为满意的结果,各项鉴别指标均接近理想值。
综上,本发明可以大幅度降低SARATR的数据复杂度,提高检测器的检测性能,同时克服训练样本不足的问题,更高效地对目标与杂波虚警进行鉴别,缩减了解译所需的时间,在SAR图像理解与解译领域有着一定的应用前景。
上面结合附图对本发明的实施方式作了说明,但本发明并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.基于特征融合和聚类的高分辨SAR图像快速舰船检测方法,其特征在于,包括如下步骤:
(1)基于地物散射特性与先验的预处理
1a)根据图像的归一化直方图寻找使类间方差最大的Otsu最优分割阈值,将原始SAR图像分为亮区域和暗区域两部分,得到二值分割图;
1b)对步骤1a)得到的二值分割图进行孔洞填充后去掉二值分割图中面积远大于舰船目标面积的连通区域,得到潜在目标区域的索引图;
(2)基于局部对比度的CFAR检测
2a)根据舰船目标的尺寸,选取CFAR检测所需的目标支撑区域大小和杂波支撑区域的大小;
2b)对原始SAR图像和索引图围绕边界进行镜像反射扩展到适合检测所需的大小,预先设定检测的虚警率以在检测过程中根据背景信息自适应地确定每个点处的检测阈值;
2c)在索引图所指示的潜在目标位置上,计算目标支撑区域的平均能量和空心滑动窗口内杂波支撑区域的平均能量及其能量的标准差,根据待测像素点支撑区域的像素均值与该点处的检测阈值的大小关系来判定该点是否为目标像素点;
2d)空心滑动窗口在原始SAR图像上进行移动得到检测的结果后,对得到的检测结果进行腐蚀膨胀操作以去除孤立的检测点并且用孔洞填充来补充被掩盖的目标点;
(3)感兴趣区域提取及其特征构建与融合
3a)从检测后的二值分割图中提取所有连通区域并去除面积远小于目标的连通区域,根据剩余区域的质心和预设切片的大小,从原始SAR图像和检测后的二值分割图中提取出感兴趣区域的切片;
3b)在提取的各原始SAR图像切片上计算对数标准差作为度量此区域强度波动性的特征;在提取的各检测后的二值分割图切片上寻找八连通区域的个数作为描述区域最强散射点空间散度的特征;同时,根据检测后的二值分割图所指示的目标区域位置计算对应的原始SAR图像中能量的平均值作为目标区域平均能量的度量;
3c)将对数标准差、八连通区域数和目标区域平均能量分别进行归一化融合后形成具有更强鉴别力的特征向量,作为对于各感兴趣区域的综合描述;目标区域和杂波区域的特征在特征空间上呈现出聚集特性,而且对于目标区域和杂波区域的各特征都是有先验的指导;
(4)基于特征先验和K-means聚类的目标鉴别
4a)设定聚类类别数、最大迭代次数以及由特征先验所决定的初始聚类中心,按照欧氏距离来度量每个待测样本与聚类中心的相似度,并以此将各个样本归类,直至K-means聚类达到收敛;
4b)根据最终得到的样本类别,将聚为目标的样本所对应的感兴趣区域位置找到,并用合适大小的边界框在原始SAR图像上将最后确定为舰船目标的区域标定出来;
4c)从标定为舰船目标的区域所对应的检测后的二值分割图中提取出目标的最小外接矩形,从而估计出该舰船目标的近似长度和宽度。
2.根据权利要求1所述的基于特征融合和聚类的高分辨SAR图像快速舰船检测方法,其特征在于,所述步骤1a)中,假设原始SAR图像为I,其大小为m×n,用使类间方差最大的最优分割阈值Topt将图像分割成明区域和暗区域两部分,最优分割阈值Topt依据下式获得:
其中,mG是图像的平均灰度值,m(k)是灰度值小于k的像素均值,P1(k)是灰度值小于k的像素所占的比例。
3.根据权利要求1所述的基于特征融合和聚类的高分辨SAR图像快速舰船检测方法,其特征在于:所述步骤1b)中,对Otsu分割后的二值分割图进行孔洞填充以补全连通区域,统计所有连通区域的大小后,将面积远大于舰船目标尺寸3倍的区域去除。
4.根据权利要求1所述的基于特征融合和聚类的高分辨SAR图像快速舰船检测方法,其特征在于,所述步骤3a)中,从检测后的二值分割图中提取所有连通区域的方法是:对检测后的二值分割图进行形态学操作,所述形态学操作包括用孔洞填充来补全连通区域,用腐蚀和膨胀去除孤立点并且连接邻接点,从而得到所有连通区域。
5.根据权利要求1所述的基于特征融合和聚类的高分辨SAR图像快速舰船检测方法,其特征在于,所述步骤2c)中,目标像素点的判断标准为:若待测像素点支撑区域的像素均值大于该点处的检测阈值,则该点被判断为目标像素点;若待测像素点支撑区域的像素均值小于或等于该点处的检测阈值,则该点被判断为杂波像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410234205.6A CN104036239B (zh) | 2014-05-29 | 2014-05-29 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410234205.6A CN104036239B (zh) | 2014-05-29 | 2014-05-29 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104036239A CN104036239A (zh) | 2014-09-10 |
CN104036239B true CN104036239B (zh) | 2017-05-10 |
Family
ID=51467005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410234205.6A Expired - Fee Related CN104036239B (zh) | 2014-05-29 | 2014-05-29 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104036239B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408482B (zh) * | 2014-12-08 | 2019-02-12 | 电子科技大学 | 一种高分辨率sar图像目标检测方法 |
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 |
CN105205450B (zh) * | 2015-08-24 | 2018-08-07 | 辽宁工程技术大学 | 一种基于非规则标识点过程的sar图像目标提取方法 |
CN105223561B (zh) * | 2015-10-23 | 2017-10-24 | 西安电子科技大学 | 基于空间分布的雷达地面目标鉴别器设计方法 |
CN107977667B (zh) * | 2016-10-21 | 2019-02-19 | 西安电子科技大学 | 基于半监督协同训练的sar目标鉴别方法 |
CN106803078B (zh) * | 2017-01-18 | 2020-06-09 | 哈尔滨工业大学 | 一种sar图像舰船目标分割方法 |
CN107704865A (zh) * | 2017-05-09 | 2018-02-16 | 北京航空航天大学 | 基于结构森林边缘候选区域提取的舰船目标检测算法 |
CN110334706B (zh) * | 2017-06-30 | 2021-06-01 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN107967696B (zh) * | 2017-11-23 | 2021-06-25 | 湖南文理学院 | 一种水面船只雷达遥感检测方法、电子设备 |
CN108256471B (zh) * | 2018-01-16 | 2020-08-14 | 北方工业大学 | 一种基于双层分类网的高分辨率合成孔径雷达船只识别方法 |
CN108596151B (zh) * | 2018-05-10 | 2022-02-11 | 北京航空航天大学 | 一种大场景sar图像中舰船目标切片快速提取方法 |
CN108764119B (zh) * | 2018-05-24 | 2022-03-18 | 西安电子科技大学 | 基于迭代最大类间方差的sar图像变化检测方法 |
CN108960085B (zh) * | 2018-06-20 | 2021-10-01 | 中国电子科技集团公司第五十四研究所 | 一种合成孔径雷达图像舰船目标候选区域快速提取方法 |
CN109583293B (zh) * | 2018-10-12 | 2023-03-24 | 复旦大学 | 星载sar图像中的飞机目标检测与鉴别方法 |
CN109658416B (zh) * | 2018-12-27 | 2020-12-29 | 北京航空航天大学 | Sar图像海陆分割方法、装置、计算机设备和可读存储介质 |
CN109740549B (zh) * | 2019-01-08 | 2022-12-27 | 西安电子科技大学 | 基于半监督cnn的sar图像目标检测***和方法 |
CN110135511B (zh) * | 2019-05-22 | 2021-07-20 | 国网河北省电力有限公司 | 电力***时间断面的确定方法、装置以及电子设备 |
CN110866531A (zh) * | 2019-10-15 | 2020-03-06 | 深圳新视达视讯工程有限公司 | 一种基于三维建模的建筑物特征提取方法、***及存储介质 |
CN111161341B (zh) * | 2019-12-31 | 2023-03-31 | 中山大学 | 基于isar图像的目标尺寸提取方法 |
CN111239717B (zh) * | 2020-01-22 | 2022-03-29 | 南京甄视智能科技有限公司 | 一种基于x波段雷达的水面障碍物检测方法 |
CN111524181B (zh) * | 2020-04-28 | 2023-03-24 | 陕西科技大学 | 一种基于扫描电镜图像分割的多孔材料孔洞自动测量方法 |
CN112560844A (zh) * | 2020-12-09 | 2021-03-26 | 南京理工大学智能计算成像研究院有限公司 | 一种散斑图案自动识别的方法 |
CN112836571A (zh) * | 2020-12-18 | 2021-05-25 | 华中科技大学 | 遥感sar图像中的舰船目标检测识别方法、***及终端 |
CN112565614B (zh) * | 2021-02-22 | 2021-05-14 | 四川赛狄信息技术股份公司 | 一种信号处理模块及方法 |
CN113763358B (zh) * | 2021-09-08 | 2024-01-09 | 合肥中科类脑智能技术有限公司 | 基于语义分割的变电站渗漏油和金属锈蚀检测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208017A (zh) * | 2011-05-30 | 2011-10-05 | 西安电子科技大学 | 基于高分辨率合成孔径雷达图像的舰船检测方法 |
US8422738B1 (en) * | 2008-08-25 | 2013-04-16 | The United States Of America As Represented By The Secretary Of The Navy | Adaptive automated synthetic aperture radar vessel detection method with false alarm mitigation |
CN103400156A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622607B (zh) * | 2012-02-24 | 2013-09-25 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
-
2014
- 2014-05-29 CN CN201410234205.6A patent/CN104036239B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8422738B1 (en) * | 2008-08-25 | 2013-04-16 | The United States Of America As Represented By The Secretary Of The Navy | Adaptive automated synthetic aperture radar vessel detection method with false alarm mitigation |
CN102208017A (zh) * | 2011-05-30 | 2011-10-05 | 西安电子科技大学 | 基于高分辨率合成孔径雷达图像的舰船检测方法 |
CN103400156A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104036239A (zh) | 2014-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
CN101975940B (zh) | 基于分割组合的sar图像自适应恒虚警率目标检测方法 | |
CN103400156B (zh) | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 | |
CN102622607B (zh) | 一种基于多特征融合的遥感图像分类方法 | |
CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
CN104732215A (zh) | 一种基于信息向量机的遥感影像海岸线提取方法 | |
CN108256471B (zh) | 一种基于双层分类网的高分辨率合成孔径雷达船只识别方法 | |
CN103605953A (zh) | 基于滑窗搜索的车辆兴趣目标检测方法 | |
CN102663723B (zh) | 一种基于颜色样本与电场模型的图像分割方法 | |
CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN103778435A (zh) | 一种基于视频的行人快速检测方法 | |
CN104217196A (zh) | 一种遥感影像圆形油罐自动检测方法 | |
CN102542293A (zh) | 一种针对高分辨率sar图像场景解译的一类提取分类方法 | |
CN110008900B (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
CN103366373B (zh) | 基于模糊相容图的多时相遥感影像变化检测方法 | |
CN103778627A (zh) | 一种基于sar图像的海域溢油检测方法 | |
Hou et al. | SAR image ship detection based on visual attention model | |
CN106529472B (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
CN112418028A (zh) | 一种基于深度学习的卫星图像中船舶识别与分割方法 | |
He et al. | Ship detection without sea-land segmentation for large-scale high-resolution optical satellite images | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20180702 Address after: 710077 Shaanxi provincial science and technology resources co ordination center, room 10, 10 zhang85 Road, Xi'an high tech Zone, A405, China Patentee after: Xi'an Wien think Union Data Technology Co.,Ltd. Address before: No. 2 Taibai Road, Xi'an, Shaanxi Province, Shaanxi Patentee before: Xidian University |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170510 |
|
CF01 | Termination of patent right due to non-payment of annual fee |