CN104899873B - 基于各项异性扩散空间的sar图像显著性区域检测方法 - Google Patents
基于各项异性扩散空间的sar图像显著性区域检测方法 Download PDFInfo
- Publication number
- CN104899873B CN104899873B CN201510254252.1A CN201510254252A CN104899873B CN 104899873 B CN104899873 B CN 104899873B CN 201510254252 A CN201510254252 A CN 201510254252A CN 104899873 B CN104899873 B CN 104899873B
- Authority
- CN
- China
- Prior art keywords
- scale
- pixel point
- matrix
- significance
- calculating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000009792 diffusion process Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 37
- 230000000052 comparative effect Effects 0.000 claims description 16
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101100001670 Emericella variicolor andE gene Proteins 0.000 description 1
- 241001606075 Ganyra josephina Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于各项异性扩散空间的SAR图像显著性区域检测方法,主要解决斑点噪声下现有算法不能准确有效检测SAR图像显著性区域的问题。其实现步骤是:(1)通过不同尺度的检测窗口,计算像素点在不同尺度上的边缘强度及扩散系数;(2)利用不同尺度的行边缘参数矩阵和列边缘参数矩阵,构建不同尺度的尺度图及其对比图;(3)在不同尺度图及其对比图上构建对应尺度窗口,计算尺度显著性度量,并由此判断显著性,确定像素点的显著性度量和显著性尺度;(4)通过迭代得到稳定的显著性区域坐标及其区域范围。本发明减少了斑点噪声的影响,提高了检测准确性,能有效给出显著性区域的范围,可用于SAR图像目标检测和目标识别。
Description
技术领域
本发明属于图像处理技术领域,涉及SAR图像显著性区域检测,可用作SAR图像目标检测和目标识别。
技术背景
合成孔径雷达SAR***作为一种主动式微波成像雷达,因其具有全天时、全天候以及穿透性的特点,已经成为了遥感领域获取数据的重要工具。随着SAR图像数据量的增加以及图像分析技术的发展,自动处理SAR图像的需求也日益强烈。特别是SAR图像目标检测技术,不但可以减少人工判读的工作量,还是SAR图像的自动目标识别ATR技术的基础和关键环节。因此,有效的、准确的获得SAR图像目标区域可以提高SAR图像目标识别的效率以及目标的定位精度。
SAR图像中的目标区域通常都与背景存在明显区别。在人类视觉***中,这类区域即就是底层视觉中与场景内容无关的显著性区域。因此,通过检测SAR图像中的显著性区域就可以获得目标区域。传统的光学图像显著性区域检测方法,是由Laurent.Itti,ChristofKoch和Ernst Niebur等人提出的多尺度显著性区域检测方法(Laurent.Itti,ChristofKoch and Ernst Niebur.A Model of Saliency-Based Visual Attention for RapidScene Analysis.IEEE Trans.on Pattern Analysis and Machine Intelligence,1998,20(11):1254-1259)。该方法的步骤为:首先对图像进行高斯金字塔分解;通过“中心”细尺度与“周围”粗尺度的中心-周围差得到早期视觉特征;通过归一化中心-周围差得到显著图后,采用赢者全得策略得到显著性区域位置。因为该方法简单且鲁棒性强,已被很多光学图像目标识别***所采用。但研究发现,边缘信息是显著性区域判断和定位的关键,该方法采用的高斯金字塔分解并不能保持准确的边缘位置,从而影响显著性区域的定位精度。又由于该方法无法给出明确的显著性区域大小,因而无法准确标出显著性区域在图像中的范围。在将该方法应用于SAR图像时,由于SAR***成像过程中产生大量斑点噪声会改变真实的图像强度,在匀质区域造成虚假边缘,又使得较亮的显著性区域的真实边缘变得模糊,从而无法利用准确的边缘信息判定显著性区域,同时降低了其定位的准确性。
发明内容
本发明的目的在于克服上述已有问题的缺点,提出一种基于各项异性扩散空间的SAR图像显著性区域检测方法,以减小对区域显著性及其位置坐标的误判,提高算法的准确性,并有效的给出显著性区域范围,为后续目标鉴别及识别奠定良好的基础。
为实现上述目的,本发明的技术方案包括如下步骤:
(1)输入一幅I×J大小的SAR图像SI,利用该图像上的一块矩形匀质区域R,计算该图像的等效视数ENL;
(2)给定虚警概率pfa,根据等效视数ENL计算初始边缘门限T;
(3)设置最大尺度λmax、最小尺度λmin和尺度间隔Δλ,并设k依次取值为从0到(λmax-λmin)/Δλ的所有整数,在尺度λmin+k×Δλ下,利用(λmin+k×Δλ)×(λmin+k×Δλ)的检测窗口,计算每个像素点(i,j)的边缘强度gi,j,k,其中,其中i为像素点所在的行,j为像素点所在的列,1≤i≤I,1≤j≤J;
(4)根据边缘强度gi,j,k,计算在尺度λmin+k×Δλ下每个像素点(i,j)的扩散系数divi,j,k;
(5)设m依次取值为从0到I的所有整数,n依次取值为从0到J的所有整数,根据尺度λmin+k×Δλ的扩散系数,计算尺度λmin+k×Δλ的第m行的行边缘参数矩阵Am,k和第n列的列边缘参数矩阵A′n,k;
(6)设k依次取值从0到(λmax-λmin)/Δλ-1的所有整数,根据尺度λmin+k×Δλ的行边缘参数矩阵和列边缘参数矩阵,利用加性算子***策略,计算尺度λmin+k×Δλ的尺度图Uk及其对比图U′k;
(7)根据(6)计算的尺度图Uk及其对比图U′k,计算初始显著性矩阵YT:
7a)计算每个像素点(i,j)在尺度λmin+k×Δλ下的尺度显著性度量Si,j,k;
7b)找出7a)求得的(λmax-λmin)/Δλ个尺度显著性度量中最大的一个,如果该尺度显著性度量对应的尺度Ri,j为λmin或λmax-Δλ,则像素点(i,j)不具有显著性区域,不再定义该像素点的显著性度量,否则,像素点(i,j)具有显著性区域,其显著性度量Si,j为尺度Ri,j的尺度显著性度量,并将行向量(i,j,Ri,j,Si,j)加入初始显著性矩阵YT;
(8)选取初始显著性矩阵YT中的前ε%个最大的显著性度量对应的行构建新的显著性矩阵YT′,0<ε≤100,再通过迭代方法得到稳定显著性矩阵YS,提取稳定显著性矩阵YS每一行的前两个元素作为中心的行列坐标以及第3个元素作为方形边长的像素数,在SAR图像中画出相应的方形显著性区域。
本发明与现有技术相比具有如下优点:
(1)本发明采用不同尺度的检测窗口判断像素的边缘强度,并将不同尺度的边缘强度通过各项异性扩散建立对应尺度图,在准确给出边缘位置的同时能够有效的描述不同尺度边缘信息,从而提高了区域显著性判断及定位的准确性;
(2)本发明在判断区域的显著性时,采用不同尺度对应的方形窗口计算显著性度量,并将该度量的尺度作为区域的显著性尺度,从而给出了显著性区域在图像中的实际范围。
仿真结果表明,本发明与现有的SM显著性区域检测方法相比,有效的描述了不同尺度上的边缘信息,增加了显著性区域的检测准确性,并有效的给出了显著性区域范围。
附图说明
图1是本发明的实现总流程图;
图2是本发明中计算边缘强度的子流程图;
图3是本发明中计算扩散系数的子流程图;
图4是本发明中计算行边缘参数矩阵和列边缘参数矩阵的子流程图;
图5是本发明中计算尺度图及其对比图的子流程图;
图6是本发明中计算稳定显著性矩阵的子流程图;
图7是本发明中对实测SAR图像进行各向异性扩散建立的尺度图;
图8是用本发明对含有车辆目标的低分辨率实测SAR图像显著性区域检测结果图;
图9是用本发明对含有车辆目标的高分辨率实测SAR图像显著性区域检测结果图;
图10是用本发明对含有船舶目标的实测SAR图像显著性区域检测结果图。
具体实施方式
以下结合附图对本发明的实施例及效果进一步说明:
参照图1,本发明的具体实施步骤如下:
步骤1.输入一幅I×J大小的SAR图像SI,利用该图像上的一块矩形匀质区域R,计算该图像的等效视数ENL:
其中,mean(·)是求均值,var(·)是求方差,(m,n)∈R表示像素点(m,n)包含于区域R中,xm,n表示像素点(m,n)的像素值,I为图像的行数,J为图像的列数。
步骤2.给定虚警概率pfa,根据等效视数ENL计算初始边缘门限T:
其中,Qinv(·,·)为逆不完全伽马函数,虚警概率pfa是根据目标在图像中的显著性程度进行设置,本实例设置为10%。
步骤3.利用检测窗口,计算每个像素点的边缘强度gi,j,k。
参照图2,本步骤的具体实现如下:
3a)设定参数:最大尺度λmax,最小尺度λmin,尺度间隔Δλ,像素点(i,j)的初始行坐标为i=1,列坐标为j=1,尺度系数k=0,其中λmax,λmin,Δλ根据目标在图像中可能的大小进行设置,本实例设λmax≤60,λmin≥2,2≤Δλ≤10;
3b)以像素点(i,j)为中心,利用(λmin+k×Δλ)×(λmin+k×Δλ)检测窗口中所有像素,计算该像素点在尺度λmin+k×Δλ下的下均值μi,j,k和上均值μ′i,j,k:
其中,εi,j,k为以像素点(i,j)为中心(λmin+k×Δλ)×(λmin+k×Δλ)检测窗口中像素点的平均像素值,为以像素点(i,j)为中心(λmin+k×Δλ)×(λmin+k×Δλ)检测窗口中像素点的像素值平方的平均值;
3c)利用初始边缘门限T和下均值μi,j,k,计算像素点(i,j)在尺度λmin+k×Δλ下的边缘门限Ti,j,k:
Ti,j,k=μi,j,k×T;
3d)统计以像素点(i,j)为中心(λmin+k×Δλ)×(λmin+k×Δλ)检测窗口中大于等于Ti,j,k的像素点个数numi,j,k和小于Ti,j,k的像素点个数num′i,j,k,计算像素点(i,j)在尺度λmin+k×Δλ下的边缘强度gi,j,k:
gi,j,k=(μ′i,j,k/μi,j,k-1)×min(numi,j,k/(λmin+k×Δλ)2,num'i,j,k/(λmin+k×Δλ)2)
其中,min(·,·)表示取二者中的最小者;
3e)根据尺度大小跳转至相应步骤:当λmin+k×Δλ<λmax时,令k=k+1,并返回步骤3b);否则,执行步骤3f);
3f)根据像素点坐标跳转至相应步骤:当j≠J时,令j=j+1,k=0,并返回步骤3b);当i≠I,j=J时,令i=i+1,j=1,k=0,并返回步骤3b);当i=I,j=J时,执行步骤4;
需要说明的是:计算SAR图像边缘强度不限于本实例给出的上述方法,也可采用现有技术的如下任意一种:
一是均值比ROA法,见R.Touzi,A.Lop`es,and P.Bousquet.A statistical andgeometrical edge detector for SAR images.IEEE Trans.Geosci.Remote Sensing,1988,26(6):764–773;
二是似然比LR法,见C.J.Oliver,D.Blacknell,and R.G.White.Optimum edgedetection in SAR.IEE Proceedings-Radar,Sonar and Navigation,1996,143(1);31-40;
三是指数加权均值比ROEWA法,见R.A.Lop`es,P.Marthon,andE.Cubero-Castan.An Optimal Multiedge Detector for SAR Image Segmentation.EEETrans.Geosci.Remote Sensing,1998,36(3):793-802。
步骤4.根据边缘强度gi,j,k,计算像素点在不同尺度下的扩散系数divi,j,k。
参照图3,本步骤的具体实现如下:
4a)设定像素点(i,j)的初始行坐标为i=1,列坐标为j=1,尺度系数k=0,;
4b)根据边缘强度gi,j,k,计算像素点(i,j)在尺度λmin+k×Δλ下的扩散系数divi,j,k:
其中,gt为设定的边缘参数,gt的取值范围为到 为i取值为1到I,j取值为1到J时gi,j,0的最大值。
4c)根据尺度大小跳转至相应步骤:当λmin+k×Δλ<λmax时,令k=k+1,并返回步骤4b);否则,执行步骤4d);
4d)根据像素点坐标跳转至相应步骤:当j≠J时,令j=j+1,k=0,并返回步骤4b);当i≠I,j=J时,令i=i+1,j=1,k=0,并返回步骤4b);当i=I,j=J时,执行步骤5。
步骤5.根据每个像素点在各尺度下的扩散系数divi,j,k,计算各尺度的行边缘参数矩阵Am,k和列边缘参数矩阵A′n,k。
参照图4,本步骤的具体实现如下:
5a)设定图像的初始行坐标为m=1,列坐标为n=1,尺度系数k=0;
5b)计算尺度λmin+k×Δλ的第m行的行边缘参数矩阵Am,k:
其中:ai,i-1=-Δλ×(divm,i,k+divm,i-1,k),
ai,i+1=-Δλ×(divm,i,k+divm,i+1,k),
ai,i=1+Δλ×(2×divm,i,k+divm,i-1,k+divm,i+1,k),1≤i≤J;
5c)根据行数跳转至相应步骤:当m≠I时,令m=m+1,并返回步骤5b);当m=I时,执行步骤5d);
5d)计算尺度λmin+k×Δλ的第n列的列边缘参数矩阵A′n,k:
其中:a′j,j-1=-Δλ×(divj,n,k+divj-1,n,k),
a′j,j+1=-Δλ×(divj,n,k+divj+1,n,k),
a′j,j=1+Δλ×(2×divj,n,k+divj-1,n,k+divj+1,n,k),1≤j≤I;
5e)根据列数跳转至相应步骤:当n≠J时,令n=n+1,并返回步骤5d);当n=J时,执行步骤5f);
5f)根据尺度大小跳转至相应步骤:当λmin+k×Δλ≠λmax时,令m=1,n=1,k=k+1,并返回步骤5b);当λmin+k×Δλ=λmax时,执行步骤6。
步骤6.根据不同尺度的行边缘参数矩阵Am,k和列边缘参数矩阵A′n,k,利用加性算子***策略,计算对应的尺度图Uk及其对比图U′k。
参照图5,本步骤的具体实现如下:
6a)设定图像的初始行坐标为m=1,列坐标为n=1,尺度系数k=0;
6b)设定初始尺度图Uk为图像SI,初始对比图U′k为图像SI,计算次数cn=1;
6c)利用行边缘参数矩阵Am,k和尺度图Uk的第m行元素,通过托马斯算法计算行尺度图的第m行元素;
6d)利用行边缘参数矩阵Am,k+1和对比图U′k的第m行元素,通过托马斯算法计算行对比图的第m行元素;
6e)根据行数跳转至相应步骤:当m≠I时,令m=m+1,并返回步骤6c);当m=I时,执行步骤6f);
6f)利用列边缘参数矩阵A′n,k和尺度图Uk的第n列元素,通过托马斯算法计算列尺度图的第n列元素;
6g)利用列边缘参数矩阵A′n,k+1和对比图U′k的第n列元素,通过托马斯算法计算列对比图的第n列元素;
6h)根据列数跳转至相应步骤:当n≠J时,令n=n+1,并返回步骤6f);当n=J时,执行步骤6i);
6i)计算尺度λmin+k×Δλ的尺度图Uk及其对比图U′k:
6j)根据计算次数跳转至相应步骤:当cn<(λmin+k×Δλ)/2,令m=1,n=1,cn=cn+1,并返回步骤6c);否则,执行步骤6k);
6k)根据尺度大小跳转至相应步骤:当λmin+k×Δλ≠λmax-Δλ时,令m=1,n=1,k=k+1,并返回步骤6b);当λmin+k×Δλ=λmax-Δλ时,执行步骤7。
托马斯算法是英国数学家卢埃林·托马斯提出的,其通过简化形式的高斯消元求解三对角方程组,具体算法见H.R.Schwarz.Numerische Mathematik.Stuttgart,Germany:Teubner,1988,43-45。
步骤7.根据尺度图Uk及其对比图U′k,计算初始显著性矩阵YT。
7a)设定像素点(i,j)的初始行坐标为i=1,列坐标为j=1;
7b)设k依次取值从0到(λmax-λmin)/Δλ-1的所有整数,计算每个像素点(i,j)在尺度λmin+k×Δλ下的尺度显著性度量Si,j,k:
其中x为0到255变化的像素值,pi,j,k(x)为尺度图Uk上以像素点(i,j)为中心,(λmin+k×Δλ)×(λmin+k×Δλ)方形窗口内像素值为x的像素点概率,p′i,j,k(x)为对比图U′k上以像素点(i,j)为中心,(λmin+k×Δλ)×(λmin+k×Δλ)方形窗口内像素值为x的像素点概率;
7c)找出7b)求得的(λmax-λmin)/Δλ个尺度显著性度量中最大的一个,如果该尺度显著性度量对应的尺度Ri,j为λmin或λmax-Δλ,则像素点(i,j)不具有显著性区域,不再定义该像素点的显著性度量,否则,像素点(i,j)具有显著性区域,其显著性度量Si,j为尺度Ri,j的尺度显著性度量,并将行向量(i,j,Ri,j,Si,j)加入初始显著性矩阵YT;
7d)根据像素点坐标跳转至相应步骤:当j≠J时,令j=j+1,并返回步骤7b);当i≠I,j=J时,令i=i+1,j=1,并返回步骤7b);当i=I,j=J时,执行步骤8。
步骤8.根据初始显著性矩阵YT,得到稳定显著性矩阵YS。
参照图6,本步骤的具体实现如下:
8a)选取初始显著性矩阵YT中的前ε%个最大的显著性度量对应的行构建新的显著性矩阵YT′,0<ε≤100,ε取值不超过20;
8b)设置区域显著性比值sr,其取值不低于0.3,并设稳定显著性矩阵YS为空矩阵;
8c)选择新的显著性矩阵YT′中显著性度量最大的像素点作为候选点,构造以其对应行的前两个元素为中心,第三个元素为边长的方形窗口,计算该方形窗口内具有显著性区域的像素点个数与窗口内总像素点个数的比值sr′;
8d)将上述sr′与sr进行比较,如果sr′<sr,则将候选点所在行从新的显著性矩阵YT′中去掉;否则,将候选点所在行加入稳定显著性矩阵YS,再将候选点及方形窗口内所有具有显著性区域的像素点所在行从新的显著性矩阵YT′中去掉;
8e)判断新的显著性矩阵YT′是否为空,若为空则停止,并输出稳定显著性矩阵YS;否则,返回步骤8c)。
步骤9.提取稳定显著性矩阵YS的每一行在SAR图像中画出相应的方形显著性区域,其中每一行的前两个元素为方形区域中心的行列坐标,第三个元素为方形区域的边长。
本发明效果可以通过以下仿真进一步说明:
1.实验条件
实验仿真环境为:MATLAB R2011b,Intel(R)Core i5-3470CPU 3.2GHz,Window7专业版。
2.实验内容及结果:
实验1,分别将9×9和17×17的检测窗口作用于实测SAR图像,再利用加性算子***策略得到对应尺度的尺度图,结果如图7所示,其中图7(a)是实测SAR图像,图7(b)是尺度为9的尺度图,图7(c)是尺度为17的尺度图。
由图7(b)可以看出,由于车辆及地形的边缘尺度大于9×9检测窗口尺寸,将该窗口得到的边缘强度应用于各项异性扩散时,虽然匀质区域变得模糊,但车辆和地形的边缘信息得到了很好的保持。
由图7(c)可以看出,由于车辆边缘尺度小于17×17检测窗口尺寸,将该窗口得到的车辆边缘的边缘强度应用于各项异性扩散时,车辆边缘变得模糊,而对应的地形边缘始终大于检测窗口尺寸,所以仍然保持了地形边缘信息。
实验2,分别用本发明方法和现有的SM显著性区域检测算法(Laurent.Itti,Christof Koch and Ernst Niebur.A Model of Saliency-Based Visual Attention forRapid Scene Analysis.IEEE Trans.on Pattern Analysis and Machine Intelligence,1998,20(11):1254-1259)对含有车辆目标的低分辨率实测SAR图像进行显著性区域检测。
参数设置为:匀质区域R为行坐标58-225,列坐标109-268的矩形区域;虚警概率pfa=0.1;最大尺度λmax=33,最小尺度λmin=5,尺度间隔Δλ=4;ε=15;区域显著性比值sr=1。
检测结果如图8,其中图8(a)是含有车辆目标的低分辨率实测SAR图像,图8(b)是用SM显著性区域检测算法对图8(a)的显著性区域检测结果,图8(c)是本发明方法对图8(a)的显著性区域检测结果。
由图8(a)可以看出,车辆目标在整幅图像中具有显著性。
由图8(b)可以看出,SM显著性区域检测算法只检测出13个车辆目标中的6个车辆目标,并且将部分匀质区域检测成了目标,此外虽然对于低分辨率图像,该方法能标出车辆目标较准确的位置,但不能准确的标出目标范围。
由图8(c)可以看出,本发明能准确的检测出所有车辆目标的位置,并且没有在匀质区域出现误检,而标出的目标范围与车辆目标的实际大小相符。
实验3,分别用本发明方法和现有的SM显著性区域检测算法对含有车辆目标的高分辨率实测SAR图像进行显著性区域检测。
参数设置为:匀质区域R为行坐标35-74,列坐标180-209的矩形区域;虚警概率pfa=0.1;最大尺度λmax=57,最小尺度λmin=9,尺度间隔Δλ=8;ε=10;区域显著性比值sr=0.8。
检测结果如图9,其中图9(a)是含有车辆目标的高分辨率实测SAR图像,图9(b)是用SM显著性区域检测算法对图9(a)的显著性区域检测结果,图9(c)是本发明方法对图9(a)的显著性区域检测结果。
由图9(a)可以看出,车辆目标在整幅图像中具有显著性。
由图9(b)可以看出,SM显著性区域检测算法虽然检测出所有13个车辆目标,但也受到地形变化的影响,将地形变化区域误检成目标,此外该方法不能准确的得到车辆目标的位置,也无法标出准确的目标范围。
由图9(c)可以看出,本发明没有受到地形变化的影响出现误检,而准确的检测出了所有车辆目标的位置,并且能准确的标出与车辆目标的实际大小相符的目标范围。
实验4,分别用本发明方法和现有的SM显著性区域检测算法对含有船只目标的实测SAR图像进行显著性区域检测。
参数设置为:匀质区域R为行坐标287-335,列坐标226-292的矩形区域;虚警概率pfa=0.1;最大尺度λmax=31,最小尺度λmin=7,尺度间隔Δλ=2;ε=6.6;区域显著性比值sr=0.31。
检测结果如图10,其中图10(a)是含有船只目标的实测SAR图像,图10(b)是用SM显著性区域检测算法对图10(a)的显著性区域检测结果,图10(c)是本发明方法对图10(a)的显著性区域检测结果。
由图10(a)可以看出,船只目标在整幅图像中具有显著性。
由图10(b)可以看出,SM显著性区域检测算法无法准确的标出船只目标的位置。
由图10(c)可以看出,对于长条形的船只目标,本方法不但能准确的检测出所有船只目标的位置,并且能利用多个显著性区域交叠出与船只目标的实际大小相符的目标范围。
Claims (9)
1.一种基于各项异性扩散空间的SAR图像显著性区域检测方法,包括以下步骤:
(1)输入一幅I×J大小的SAR图像SI,利用该图像上的一块矩形匀质区域R,计算该图像的等效视数ENL;
(2)给定虚警概率pfa,根据等效视数ENL计算初始边缘门限T;
(3)设置最大尺度λmax、最小尺度λmin和尺度间隔Δλ,并设k依次取值为从0到(λmax-λmin)/Δλ的所有整数,在尺度λmin+k×Δλ下,利用(λmin+k×Δλ)×(λmin+k×Δλ)的检测窗口,计算每个像素点(i,j)的边缘强度gi,j,k,其中i为像素点所在的行,j为像素点所在的列,1≤i≤I,1≤j≤J;
(4)根据边缘强度gi,j,k,计算在尺度λmin+k×Δλ下每个像素点(i,j)的扩散系数divi,j,k;
(5)设m依次取值为从0到I的所有整数,n依次取值为从0到J的所有整数,根据尺度λmin+k×Δλ的扩散系数,计算尺度λmin+k×Δλ的第m行的行边缘参数矩阵Am,k和第n列的列边缘参数矩阵A′n,k;
(6)设k依次取值从0到(λmax-λmin)/Δλ-1的所有整数,根据尺度λmin+k×Δλ的行边缘参数矩阵和列边缘参数矩阵,利用加性算子***策略,计算尺度λmin+k×Δλ的尺度图Uk及其对比图U′k;
(7)根据(6)计算的尺度图Uk及其对比图U′k,计算初始显著性矩阵YT:
7a)计算每个像素点(i,j)在尺度λmin+k×Δλ下的尺度显著性度量Si,j,k,k依次取值从0到(λmax-λmin)/Δλ-1的所有整数;
7b)找出7a)求得的(λmax-λmin)/Δλ个尺度显著性度量中最大的一个,如果该尺度显著性度量对应的尺度Ri,j为λmin或λmax-Δλ,则像素点(i,j)不具有显著性区域,不再定义该像素点的显著性度量,否则,像素点(i,j)具有显著性区域,其显著性度量Si,j为尺度Ri,j的尺度显著性度量,并将行向量(i,j,Ri,j,Si,j)加入初始显著性矩阵YT;
(8)选取初始显著性矩阵YT中的前ε%个最大的显著性度量对应的行构建新的显著性矩阵YT′,0<ε≤100,再通过迭代方法得到稳定显著性矩阵YS,提取稳定显著性矩阵YS每一行的前两个元素作为中心的行列坐标以及第3个元素作为方形边长的像素数,在SAR图像中画出相应的方形显著性区域。
2.根据权利要求1所述方法,其中所述步骤(1)等效视数ENL,按下式计算:
其中,mean(·)是求均值,var(·)是求方差,(m,n)∈R表示像素点(m,n)包含于区域R中,xm,n表示像素点(m,n)的像素值。
3.根据权利要求1所述方法,其中所述步骤(2)中计算初始边缘门限T,按下式计算:
其中,Qinv(·,·)为逆不完全伽马函数。
4.根据权利要求1所述方法,其中所述步骤(3)中计算每个像素点(i,j)的边缘强度gi,j,k,按如下步骤得到:
(3a)以像素点(i,j)为中心,利用(λmin+k×Δλ)×(λmin+k×Δλ)检测窗口中所有像素,计算该像素点在尺度λmin+k×Δλ下的下均值μi,j,k和上均值μ′i,j,k:
其中,εi,j,k为以像素点(i,j)为中心(λmin+k×Δλ)×(λmin+k×Δλ)检测窗口中像素点的平均像素值,为以像素点(i,j)为中心(λmin+k×Δλ)×(λmin+k×Δλ)检测窗口中像素点的像素值平方的平均值;
(3b)利用初始边缘门限T和下均值μi,j,k,计算像素点(i,j)在尺度λmin+k×Δλ下的边缘门限Ti,j,k:
Ti,j,k=μi,j,k×T;
(3c)统计以像素点(i,j)为中心(λmin+k×Δλ)×(λmin+k×Δλ)检测窗口中大于等于Ti,j,k的像素点个数numi,j,k和小于Ti,j,k的像素点个数num′i,j,k,计算像素点(i,j)在尺度λmin+k×Δλ下的边缘强度gi,j,k:
gi,j,k=(μ′i,j,k/μi,j,k-1)×min(numi,j,k/(λmin+k×Δλ)2,num'i,j,k/(λmin+k×Δλ)2)
其中,min(·,·)表示取二者中的最小者。
5.根据权利要求1所述方法,其中所述步骤(4)中计算在尺度λmin+k×Δλ下每个像素点(i,j)的扩散系数divi,j,k,按下式计算:
其中,gt为设定的边缘参数,gt的取值范围为到 为i取值为1到I,j取值为1到J时gi,j,0的最大值。
6.根据权利要求1所述方法,其中所述步骤(5)中计算尺度λmin+k×Δλ的第m行的行边缘参数矩阵Am,k和第n列的列边缘参数矩阵A′n,k,按下式计算:
其中:ai,i-1=-Δλ×(divm,i,k+divm,i-1,k),
ai,i+1=-Δλ×(divm,i,k+divm,i+1,k),
ai,i=1+Δλ×(2×divm,i,k+divm,i-1,k+divm,i+1,k),1≤i≤J,
a′j,j-1=-Δλ×(divj,n,k+divj-1,n,k),
a′j,j+1=-Δλ×(divj,n,k+divj+1,n,k),
a′j,j=1+Δλ×(2×divj,n,k+divj-1,n,k+divj+1,n,k),1≤j≤I。
7.根据权利要求1所述方法,其中所述步骤(6)中计算尺度λmin+k×Δλ的尺度图Uk及其对比图U′k,按如下步骤得到:
(6a)设定初始尺度图Uk为图像SI,初始对比图U′k为图像SI;
(6b)利用行边缘参数矩阵Am,k和尺度图Uk的第m行元素,通过托马斯算法,计算行尺度图的第m行元素,1≤m≤I;
(6c)利用行边缘参数矩阵Am,k+1和对比图U′k的第m行元素,通过托马斯算法,计算行对比图的第m行元素;
(6d)利用列边缘参数矩阵A′n,k和尺度图Uk的第n列元素,通过托马斯算法,计算列尺度图的第n列元素,1≤n≤J;
(6e)利用列边缘参数矩阵A′n,k+1和对比图U′k的第n列元素,通过托马斯算法,计算列对比图的第n列元素;
(6f)计算尺度λmin+k×Δλ的尺度图Uk及其对比图U′k:
(6g)判断步骤(6b)到(6f)是否计算了k次,若是则停止,并输出尺度图Uk及其对比图U′k;否则,回到步骤(6b)。
8.根据权利要求1所述方法,其中所述步骤7a)中计算每个像素点(i,j)在尺度λmin+k×Δλ下的尺度显著性度量Si,j,k,按下式计算:
其中x为0到255变化的像素值,pi,j,k(x)为尺度图Uk上以像素点(i,j)为中心,(λmin+k×Δλ)×(λmin+k×Δλ)方形窗口内像素值为x的像素点概率,p′i,j,k(x)为对比图U′k上以像素点(i,j)为中心,(λmin+k×Δλ)×(λmin+k×Δλ)方形窗口内像素值为x的像素点概率。
9.根据权利要求1所述方法,其中所述步骤(8)中通过迭代方法得到稳定显著性矩阵YS,按如下步骤得到:
(8a)设置区域显著性比值sr,并设稳定显著性矩阵YS为空矩阵;
(8b)选择新的显著性矩阵YT′中显著性度量最大的像素点作为候选点,构造以其对应行的前两个元素为中心,第三个元素为边长的方形窗口,计算该方形窗口内具有显著性区域的像素点个数与窗口内总像素点个数的比值sr′;
(8c)将上述sr′与sr进行比较,如果sr′<sr,则将候选点所在行从显著性矩阵YT′中去掉;否则,将候选点所在行加入稳定显著性矩阵YS,再将候选点及方形窗口内所有具有显著性区域的像素点所在行从显著性矩阵YT′中去掉;
(8d)判断显著性矩阵YT′是否为空,若为空则停止,并输出稳定显著性矩阵YS;否则,回到步骤(8b)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510254252.1A CN104899873B (zh) | 2015-05-18 | 2015-05-18 | 基于各项异性扩散空间的sar图像显著性区域检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510254252.1A CN104899873B (zh) | 2015-05-18 | 2015-05-18 | 基于各项异性扩散空间的sar图像显著性区域检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104899873A CN104899873A (zh) | 2015-09-09 |
CN104899873B true CN104899873B (zh) | 2017-10-24 |
Family
ID=54032518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510254252.1A Active CN104899873B (zh) | 2015-05-18 | 2015-05-18 | 基于各项异性扩散空间的sar图像显著性区域检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104899873B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301643B (zh) * | 2017-06-06 | 2019-08-06 | 西安电子科技大学 | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500453A (zh) * | 2013-10-13 | 2014-01-08 | 西安电子科技大学 | 基于伽玛分布和邻域信息的sar图像显著性区域检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9330334B2 (en) * | 2013-10-24 | 2016-05-03 | Adobe Systems Incorporated | Iterative saliency map estimation |
-
2015
- 2015-05-18 CN CN201510254252.1A patent/CN104899873B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500453A (zh) * | 2013-10-13 | 2014-01-08 | 西安电子科技大学 | 基于伽玛分布和邻域信息的sar图像显著性区域检测方法 |
Non-Patent Citations (3)
Title |
---|
Multiple-Scale Salient-Region Detection of SAR Image Based on Gamma Distribution and Local Intensity Variation;Qiang Zhang等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20140831;第11卷(第8期);第1370-1374页 * |
基于局部对比和全局稀有度的显著性检测;贺良杰 等;《计算机应用研究》;20140930;第31卷(第9期);第2832-2835,2840页 * |
尺度自适应的SAR图像显著性检测方法;谢惠杰 等;《计算机工程与应用》;20150417;第51卷(第20期);第145-152页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104899873A (zh) | 2015-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6263089B1 (en) | Method and equipment for extracting image features from image sequence | |
US20120328161A1 (en) | Method and multi-scale attention system for spatiotemporal change determination and object detection | |
CN108986152B (zh) | 一种基于差分图像的异物检测方法及装置 | |
CN102968799B (zh) | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 | |
CN103697855B (zh) | 一种基于海天线检测的船体水平姿态测量方法 | |
CN111476159A (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
CN109242870A (zh) | 一种基于图像划分和纹理特征的海天线检测方法 | |
Hu et al. | Local edge distributions for detection of salient structure textures and objects | |
CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
CN110428425B (zh) | 一种基于海岸线矢量数据的sar图像海陆分离方法 | |
CN111160477B (zh) | 一种基于特征点检测的图像模板匹配方法 | |
CN112013921B (zh) | 一种基于水位尺测量图像获取水位信息的方法、装置和*** | |
CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
CN110889843A (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
CN114494371A (zh) | 基于多尺度相位一致性的光学图像和sar图像配准方法 | |
CN107835998B (zh) | 用于识别数字图像中的表面类型的分层平铺方法 | |
CN110390338A (zh) | 一种基于非线性引导滤波与比率梯度的sar高精度匹配方法 | |
CN104899873B (zh) | 基于各项异性扩散空间的sar图像显著性区域检测方法 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN111027512B (zh) | 一种遥感图像近岸船检测与定位方法及装置 | |
CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
CN115294439B (zh) | 空中弱小运动目标检测方法、***、设备及存储介质 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN111369507B (zh) | 基于归一化灰度霍夫变换和局部cfar的尾迹检测方法 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230620 Address after: Room 124, Room 70102, Xinglinggu Podium Building, Entrepreneurship Research and Development Park, No. 69 Jinye Road, High tech Zone, Xi'an City, Shaanxi Province, 710076 Patentee after: Xi'an Huoyanwei Optoelectronic Technology Co.,Ltd. Address before: 710071 No. 2 Taibai South Road, Shaanxi, Xi'an Patentee before: XIDIAN University |