CN105759268B - 基于多线程的sar图像cfar自适应快速检测方法 - Google Patents
基于多线程的sar图像cfar自适应快速检测方法 Download PDFInfo
- Publication number
- CN105759268B CN105759268B CN201610173184.0A CN201610173184A CN105759268B CN 105759268 B CN105759268 B CN 105759268B CN 201610173184 A CN201610173184 A CN 201610173184A CN 105759268 B CN105759268 B CN 105759268B
- Authority
- CN
- China
- Prior art keywords
- regions
- sar image
- window
- pixel
- detection
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多线程的SAR图像CFAR自适应快速检测方法,属于船舰检测***领域,首先,使用直方图统计CFAR算法求取全局阈值完成图像中可能目标点的快速筛选,获取索引矩阵;然后,通过索引矩阵对筛选出的可能目标点进行基于K分布的滑动窗口检测,该过程运用了多线程技术来提高局部检测速度;最后对局部检测中所得的目标点作四连通区域面积统计,根据最小的船像素面积筛选出可能的船只;通过分析该算法对SAR图像的检测结果,得出该算法更适合运用到船舰检测***中的结论。本发明提出的快速检测方法与Salazar算法相比,在检测准确率没有降低的情况下,检测速度得到了很大的提升,更适合运用到船舰检测***中。
Description
技术领域
本发明属于船舰检测***领域,具体涉及基于多线程的SAR图像CFAR自适应快速检测方法。
背景技术
随着全球海洋技术的发展,船舰检测的实时性和准确性要求也越来越高。迄今为止,文献中提出了很多关于目标检测的算法,在这些算法中,恒虚警率(Constant FalseAlarm Rate,CFAR)检测算法因为计算简单、阈值自适应、复杂背景检测速度快(Salazar,1999,Bisceglie and Galdi,2005)而被认为是SAR图像目标检测的一种重要算法,己广泛应用到许多船舰检测***中(Crisp,2004)。
利用CFAR实现目标检测通常需要选择合适的杂波分布模型和检测器。在海洋杂波背景中应用的统计模型有高斯、瑞利、对数正态(Farina and Russo,1986)、韦布尔(Riflcin,1994)、G0(Frery,1997)、K分布(Erfanian and Vakili,2009)等,常用的CFAR检测器(Novak and Hesse,1991,Kuttikkad and Chellappa,1994,Salazar,1999,Hofele,2001)有单元平均(CA)、有序统计量(OS)、取大(GO)、取小(SO)-CFAR,以及基于以上几种检测器的组合CFAR等。CA-CFAR在均匀杂波环境下检测效果很好,但在非均匀背景情况下性能较差;GO,SO,OS等算法对于存在杂波干扰的非均匀背景都缺乏普适性(刘佳媛和焦淑红,2013)。为了提高算法的普适性,Smith和Varshney(Smith and Varshney,1997,Smith andVarshney,2000)从自适应地选择算法的角度出发,在不同的杂波背景情况下选择相应的最佳检测算法,提出了VI-CFAR(Variability Index-CFAR),可以根据VI假设检验动态地选择CA,SO,GO等算法;Farrouki和Barkat(Farrouki and Barkat,2005)从自适应地选择参考像素集合的角度出发,结合CA-CFAR在均匀杂波背景下良好的检测性能,提出了基于有序数据变化统计量(Ordered Data Variability,ODV)的自动筛选单元平均(Automatic CensoredCell Averaging,ACCA)算法;Bisceglie(Bisceglie and Galdi,2005,Bisceglie andGaldi,2001)等人提出了一种去除一部分数值的CFAR算法(本文简称为Bisceglie算法),很适合局部区域的目标检测;Salazar(Salazar,1999)等人提出了基于Beta-prime分布的CFAR算法(本文简称为Salazar算法);Kuttikkad(Kuttikkad and Chellappa,1994)等人提出了基于威尔分布和基于K分布的目标CFAR算法等。在这些文献研究中可以看出,基于CFAR的SAR目标检测算法研究最为广泛、实用。
Gui Gao(Gao,2009)等人改进了Salazars算法,提出了一种基于AC的CFAR自适应快速检测算法,该算法可以在保证目标准确率的情况下,相应提高检测速度,但仍然达不到军事作战对舰船目标检测的实时性要求。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种基于多线程的SAR图像CFAR自适应快速检测方法,设计合理,克服了现有的不足,具有良好的推广效果。
为了实现上述目的,本发明采用如下技术方案:
一种基于多线程的SAR(合成孔径雷达)图像CFAR(恒虚警率)自适应快速检测方法,按照如下步骤进行:
步骤1:输入SAR图像;
步骤2:对整幅SAR图像进行全局检测,通过直方图统计设定CFAR值或者自定义方法求取全局阈值;
步骤3:获取索引矩阵,具体按照如下步骤进行:
步骤3.1:比较SAR图像中每一个像素点的值和通过步骤2计算出的全局阈值;
若:SAR图像中像素点的值小于全局阈值,则将SAR图像中像素点的值设置为0;
或SAR图像中像素点的值大于全局阈值,则将SAR图像中像素点的值设置为1,并将这些像素点作上标记,称为标记点;
步骤3.2:判断SAR图像中所有像素点的值和全局阈值是否比较完;
若:判断结果是SAR图像中所有像素点的值和全局阈值已经比较完,则得到索引矩阵;
或判断结果是SAR图像中所有像素点的值和全局阈值还没比较完,则执行步骤3.1;
步骤4:将SAR图像分为四个区域,具体按照如下步骤进行:
步骤4.1:将SAR图像平均分为四个区域;
步骤4.2:统计SAR图像中所有标记点个数和四个区域中平均含有的标记点个数,分别记为Nf、Nm;
步骤4.3:重新划分SAR图像,将SAR图像平均分配为四个区域,分别标号为A1、A2、A3、A4,相应地四个区域中标记点的个数分别记为N1、N2、N3、N4;
步骤4.4:比较N1、N2、N3、N4,假设N4最大,则标记点最多的区域为A4区域;
步骤4.5:比较N4与2×Nm,若N4大于2×Nm,则对四个区域重新划分;
步骤4.6:比较与A4区域相邻的A2区域和A3区域中的标记点个数;
若:N2>N3,则需对A4区域和A3区域重新划分,即将A4区域中的部分区域移除补给到A3区域中;
否则,对A4区域和A2区域重新划分,即将A4区域中的部分区域移除补给到A2区域中;
步骤5:对重新划分后的四个区域中的标记点通过多线程同时进行局部检测,计算局部阈值,具体按照如下步骤进行:
步骤5.1:以索引矩阵中的标记点为中心,建立滑动窗口:目标窗口、保护窗口、背景窗口;
步骤5.2:去掉背景窗口中所有像素点的像素值大于全局阈值的像素点;
步骤5.3:对背景窗口中的剩余像素点使用K分布概率密度模型进行统计,计算出背景窗口的阈值即局部阈值;
步骤5.4:比较目标窗口中的标记点的像素值与背景窗口的阈值大小,如果目标窗口中的标记点的像素值大于背景窗口的阈值,则该目标窗口中的标记点为船只目标点,如果目标窗口中的标记点的像素值小于背景窗口的阈值,则该目标窗口中的标记点为海洋杂波;
步骤6:判断整幅SAR图像是否检测完毕;
若:判断结果是整幅SAR图像检测完毕,则执行步骤7;
或判断结果是整幅SAR图像没有检测完毕,则这些步骤5;
步骤7:对根据步骤5局部检测出的像素点组成的每个四连通区域面积进行统计,根据最小船的像素面积筛选出可能的船只,具体按照如下步骤进行:
步骤7.1:将船面积最小的船定义为:长M米、宽N米、分辨率为R,则最小船的像素面积为
步骤7.2:比较每个四连通区域面积与最小船的像素面积的大小,如果四连通区域面积小于最小船的像素面积的大小,则将该四连通区域去除,剩下的四连通区域就是检测出的船只。
优选地,所述四个区域为矩形块区域。
在所述步骤5.1中,具体包括
步骤5.1.1:建立目标窗口:以索引矩阵中的其中标记点作为目标窗口;
步骤5.1.2:建立保护窗口:保护窗口的边缘与目标窗口的边缘距离设为一个船长的像素点长度的1.5倍,记为D1,则D1=1.5×LP;其中式中LP为船长的像素点长度,Lmax为船长的最大长度,R为船长的分辨率;
步骤5.1.3:建立背景窗口:背景窗口的边缘与保护窗口的边缘之间的区域面积在高分辨率下设为20000个像素、低分辨率下设为1000个像素时,背景窗口检测较为准确;设背景窗口的边缘与保护窗口的边缘距离为D2,那么,在高分辨率下,D1和D2的关系为 低分辨率下,D1和D2的关系为
本发明所带来的有益技术效果:
本发明提出了一种基于多线程的SAR图像CFAR自适应快速检测方法,与现有技术相比,本算法分为全局检测和局部检测;全局检测的阈值筛选大大减少了局部检测中需要精确检测的船舰目标个数,同时局部检测采用了多线程并行计算的方法,再一次大幅度提升了检测算法的速度;最后的检测结果表明,本文提出的快速检测算法与Salazar算法相比,在检测准确率没有降低的情况下,检测速度得到了很大的提升,更适合运用到船舰检测***中。
附图说明
图1为本发明基于多线程的SAR图像CFAR自适应快速检测方法的流程框图。
图2为本发明中的CFAR检测滑动窗口的示意图。
图3为将SAR图像四等分的示意图。
图4(a)为将SAR图像重新分配前的示意图。
图4(b)为将SAR图像重新分配后的示意图。
图5(a)为采用COSMO-SkyMed卫星拍摄的SAR图。
图5(b)为对图5(a)采用直方图分布得出的全局检测结果图。
图5(c)为对图5(b)采用Salazar算法得出的检测结果图。
图5(d)为对图5(b)采用快速算法得出的检测结果图。
图6(a)为采用TSX1_SAR卫星拍摄的SAR图。
图6(b)为对图6(a)采用直方图分布得出的全局检测结果图。
图6(c)为对图6(b)采用Salazar算法得出的检测结果图。
图6(d)为对图6(b)采用快速算法得出的检测结果图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
1、快速算法设计思路来源
本文提出的船舰检测自适应快速算法采纳了经典CFAR算法中的一些思想。(1)VI-CFAR(Smith and Varshney,1997,Smith and Varshney,2000)中使用的索引值可以选择出背景杂波区域中的目标点,但是索引矩阵应该通过自适应的阈值来获取而不是通过经验值获取。(2)Salazar(Salazar,1999)提出的基于Beta-prime分布的CFAR算法在均匀杂波和多背景环境下检测效果很好,所以将多背景环境中的目标点应该单个进行局部检测,以确保目标检测的准确率。(3)Bisceglie(Bisceglie and Galdi,2005,Bisceglie and Galdi,2001)提出的算法中剔除对背景统计有影响的可能的船只目标点以避免干涉杂波的影响,这种算法思想应该运用到局部检测中。(4)通过对索引矩阵中目标点的滑动窗口检测,可以判定该目标点是干涉杂波,还是船舰目标点。
本文基于以上的算法思想设计了以下的自适应快速检测算法:首先对整幅SAR图像进行全局检测,对SAR图像所有点的像素值进行了一个简单的直方图统计,设定第一级CFAR值,求取全局阈值,运用索引值快速筛选出所有可能的目标点,作上标记,本文中将其称为标记点;然后进行局部检测,对全局检测中筛选出的标记点设定滑动窗口,在背景杂波窗口中剔除对背景统计有影响的可能的船只目标点,然后对剩余的像素值采用较为精确的K分布模型进行统计,设定第二级CFAR值,求取局部阈值,通过局部阈值和目标点像素值的比较,完成对目标点的局部检测,该过程运用多线程技术提高局部检测的速度;最后对局部检测中所得的目标点作四连通区域面积统计,根据最小的船面积筛选出可能的船只。
2、快速算法的具体流程,详细步骤(如图1所示)描述如下:
(1)输入SAR图像,求取全局阈值
求取全局阈值(记为Tlow)有两种方式,一是对整幅SAR图像进行数据统计,并通过直方图统计设定CFAR值求取全局阈值,二是自行设定一个全局阈值。当然,设定CFAR求取Tlow效果更好,也更为精确。
(2)获取索引矩阵
计算出全局阈值Tlow后,比较每一个像素点的值和全局阈值。如果其像素值小于Tlow,则将其像素值设置为0,如果其像素值大于Tlow,将其像素值设置为1,当所有像素点都比较完后,就可以得到索引矩阵。索引矩阵中像素值为1的像素点可能就是船上的目标像素点,所以本文将这些像素点作上标记,并称为标记点。
(3)通过快速算法,将SAR图像分为4区域,运用多线程进行并行检测
由于K分布模型参数求解比较复杂,检测的目标点较多时,速度很慢,本文在局部检测时将SAR图像分为4区域,运用了多线程技术对4区域同时检测,从而提高局部检测的速度。
(4)基于标记点,进行滑动窗口设置
如图2所示,以索引矩阵中的标记点中心,建立三个窗口:目标窗口(T),保护窗口(S),背景窗口(G)。
我们以其中一个目标像素点作为目标窗口,保护窗口的边缘与目标窗口的边缘距离设为一个船长的像素点长度的1.5倍,记为D1。本文将最大船长设为300米,分辨率记为R,船长的像素点长度记为LP,则由多次试验的经验可知,背景窗口的边缘与保护窗口的边缘之间的区域面积在高分辨率15米以下设为20000个像素,低分辨率下设为1000个像素,滑动窗口检测较为准确。设背景窗口的边缘与保护窗口的边缘距离为D2,那么,在高分辨率下,D1和D2的关系为低分辨率下,D1和D2的关系为
(5)计算局部阈值
一般来说,船与船之间至少要相距2个船长以上的距离。背景窗口中不应该有船只的出现,所以背景窗口统计时需要去掉大于全局阈值Tlow的像素点,以防止像素值比较高的海杂波被当作船只检测出来。然后再对剩余像素点使用K分布概率密度模型进行统计,计算出背景窗口的阈值(记为TG)。最后比较目标窗口中的像素值(灰度值)(记为T)与阈值TG大小,如果T>TG,则说明该像素点是船上的点,如果T<TG,则说明该像素点是海杂波。判断整幅图像是否检测完毕,如果检测完毕,则执行下一个步骤;如果没有检测完毕,则继续检测。
(6)根据四连通区域面积筛选出船只
***部检测出的像素点组成的每个四连通区域面积,根据最小船像素面积筛选出船只。本文认为长15米宽4米的船面积最小,分辨率记为R,最小船的像素面积为如果四连通区域面积小于Smin,就将该像素区域去除,剩下的像素区域就是检测出的船只。
3、CFAR快速检测算法原理
3.1、K分布模型
通过研究比较海杂波背景中常用统计模型发现,由SAR图像乘积模型推导得出的K分布可以很好地描述海杂波分布的重拖尾特性,可以在很宽的范围内很好地与观测的海杂波数据幅度分布相匹配,可以满足多数情况下的局部自适应检测要求(邢相薇,2009),所以本文采用K分布模型进行基于CFAR的舰船目标检测。
K分布的概率密度函数为
其中,Γ(*)为Gamma函数,Kγ-L为γ-L阶第二类修正的贝塞尔函数;L、γ、μ为三个可以通过公式求解的参数,且L+γ-1为形状参数,决定了曲线的尖锐程度,而且形状参数值越小K分布的拖尾越明显,因此用K分布曲线描述海杂波更为适合。
三个参数L、γ、μ求解表达式如下所示:
其中,Φ0(L)为双Gamma函数,是伽玛函数的对数导数,它是一个多伽玛函数;K1、K2、K3为已知参数,K1为平均值,k2为方差,K3为三次方差。
3.2、CFAR检测基本原理
1)第一级CFAR检测原理
设定第一级虚警率(记为Pfa),对整幅SAR图像所有杂波点作直方图统计,可得到直方图概率密度函数f(x),求解公式3.5可得全局阈值Tlow。如果SAR图像中像素点的像素值T大于阈值Tlow则被认为异常于周围杂波点,判定为船舰目标,否则就被判定为海洋杂波(邢相薇,2009),判定规则如公式3.6所示。
判定规则为:
2)第二级CFAR检测原理
SAR图像的第二级CFAR检测主要是通过滑动窗口在整幅图像上滑动来完成的。以第一级CFAR检测检测出的目标点为中心建立滑动窗口,剔除背景窗口中对背景统计有影响的可能的船只目标,然后对背景窗口中剩余杂波像素作K分布统计,获得K分布概率密度函数f2(x),最后根据第二级虚警率(记为Pfa2)和公式3.5求解出自适应的局部检测阈值TG。
3.3、快速算法
两级CFAR算法虽然比基于K分布的自适应算法检测效率有了很大提高(邢相薇,2009),但由于K分布模型参数求解时数据计算量比较大,在检测高分辨率且尺寸较大的SAR图像时,速度仍然很慢。两级CFAR算法局部检测时速度慢的主要原因在于全局检测出的目标比较多,想要提高两级CFAR检测速度,需要提高局部检测的速度。对此,本文在检测过程中采用了多线程技术和标记点筛选两种方法来提升局部检测的速度。
1)多线程技术
多线程是指允许一个应用程序同时存在两个或两个以上的线程,用于支持事务并发和多任务处理。多线程技术是指从软件或者硬件上实现多个线程并发执行的技术。如果我们能将SAR图像分成几个部分,采用多线程技术同时对这几部分进行检测,那么就可以大幅度提升局部检测速度,所以本文中采用了多线程技术来提升检测速度。
经过多次实验证明,将经过全局检测后的大尺寸SAR图像分成矩形块比较容易计算,也比较合理。然而,将SAR图像分为两个矩形块提速不太明显,分为三个矩形块目标数分布很容易不均匀,分为4个以上的矩形块又很复杂。所以,如图3所示,将SAR图像平均分为四个矩形块,然后对这四块区域中的目标点运用多线程技术同时进行局部检测,既相对均匀,又可以提升速度,更为合理。
但是,如果经过全局检测之后的标记点分布极不均匀,平均分成的四块区域中所含的标记点数量相差极大,此时就算运用多线程,速度也不能得到很大提升,所以我们采用重新划分SAR图像的方式来提升检测速度。
具体方式如下:
首先统计SAR图像中所有标记点个数和四块区域平均含有的标记点个数,分别记为Nf、Nm;
其次将SAR图像平均分配为4个区域,分别标号为A1、A2、A3、A4,如图4(a)所示,相应地四块区域中标记点的个数记为N1、N2、N3、N4;
再次比较N1、N2、N3、N4,假设N4最大,即标记点最多的区域为A4区域;
然后比较N4与2×Nm,如果N4大于2×Nm,则对四块区域重新划分;
最后比较与A4区域相邻的A2区域和A3区域中的标记点个数,假设N2>N3,则需要对A4区域和A3区域重新划分,即将A3区域中1/3的区域移除补给到A4区域中,否则对A4区域和A2区域重新划分。重新划分结果如图4(b)所示。
区域重新划分后,4个区域中标记点数就能相对均匀,然后,对重新划分后的4个区域通过多线程同时进行局部检测,从而提升局部检测的速度。最后将4个区域的检测结果拼接成一幅完整的SAR检测结果图。
2)标记点筛选
一般来说,船与船之间至少要相距2个船长以上的距离,所以在一个船目标点的一个船长距离范围内一定不会出现其他船只。第二级CFAR检测时,标记点遵循自左向右,自上而下的顺序。当一个标记点经过局部检测被确认为船目标点时,我们认为在这个船目标点一个船长距离范围内,大于它的像素值的标记点,就可以直接被筛选为船目标点,不需要对其进行滑动窗口检测,这样就可以减少K分布的计算次数,从而提升检测速率。
4、检测结果分析
本文以两幅SAR图像为例分析其检测结果。
图5(a)是一幅大小为1517×1864、像素分辨率为3米的海域SAR图像,该图像是2007年高分辨率雷达卫星COSMO_SkyMed采用VV极化方式拍摄的,所采用的坐标系为GCS_WGS_1984,地理坐标为经度121.96°纬度38.96°,有19个船只目标。
图6(a)是一幅大小为2028×1876、像素分辨率为4米的海域SAR图像,该图像是2007年高分辨率雷达卫星TSX1_SAR采用HH极化方式拍摄的,所采用的坐标系为GCS_WGS_1984,地理坐标为经度119.55°纬度35.06°,有17个船只目标。
使用本文提出的快速算法和Salazar算法对两幅图像进行检测,对比研究两种算法的检测准确率和速率,分析检测结果。实验中滑动窗口尺寸由目标尺寸和图像分辨率确定。
对于图5(a),目标窗口为1×1,保护窗口为301×301,背景窗口为333×333,求全局阈值时Pfa设为3e-3,求局部阈值时Pfa2设为1e-3。
对于图6(a),目标窗口为1×1,保护窗口为227×227,背景窗口为269×269。求全局阈值时Pfa设为1.5e-3,求局部阈值时Pfa2设为1e-4。
使用直方图分布求出全局阈值后,可以快速筛选出SAR图像的目标点。由于直方图统计记录了所有数据的真实分布,且设置的虚警率比较高,所以能够保证筛选结果中包含所有的目标点;如图5(b)和6(b)所示,分别筛选出8339和5640个目标点;然后将图5(b)和6(b)划分为四个矩形区域,运用多线程同时对四区域中标记点进行滑动窗口的检测;最后根据四连通区域面积筛选出船只,得出检测结果图。
两种算法所检测出的结果分别如图5(c)、5(d)和图6(c)、6(d)所示,在主频为3.6G内存为8G的电脑上检测所用时间分别为192秒、70秒和140秒、50秒。
通过表1和表2中两种算法的比较可知,两种算法都能检测出所有的船只,但是本文提出的快速算法的检测速度明显比Salazar算法快。
所以本文提出的快速算法更适合运用到船舰检测***中。
表1 COSMO-SkyMed卫星影像两种算法检测结果比较
表2 TSX1_SAR卫星影像两种算法检测结果比较
5、结论与展望
本文提出了一种基于多线程的SAR图像舰船检测自适应快速算法,本算法分为全局检测和局部检测。全局检测的阈值筛选大大减少了局部检测中需要精确检测的船舰目标个数,同时局部检测采用了多线程并行计算的方法,再一次大幅度提升了检测算法的速度。最后的检测结果表明,本文提出的快速检测算法与Salazar算法相比,在检测准确率没有降低的情况下,检测速度得到了很大的提升,更适合运用到船舰检测***中。
但是,由于军事作战对舰船目标检测的实时性要求非常高,所以还需要进一步探索CFAR检测算法,直到完全满足对海洋数据可以实时处理的要求。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (2)
1.一种基于多线程的SAR图像CFAR自适应快速检测方法,其特征在于:按照如下步骤进行:
步骤1:输入SAR图像;
步骤2:对整幅SAR图像进行全局检测,通过直方图统计设定CFAR值或者自定义方法求取全局阈值;
步骤3:获取索引矩阵,具体按照如下步骤进行:
步骤3.1:比较SAR图像中每一个像素点的值和通过步骤2计算出的全局阈值;
若:SAR图像中像素点的值小于全局阈值,则将SAR图像中像素点的值设置为0;
或SAR图像中像素点的值大于全局阈值,则将SAR图像中像素点的值设置为1,并将这些像素点作上标记,称为标记点;
步骤3.2:判断SAR图像中所有像素点的值和全局阈值是否比较完;
若:判断结果是SAR图像中所有像素点的值和全局阈值已经比较完,则得到索引矩阵;
或判断结果是SAR图像中所有像素点的值和全局阈值还没比较完,则执行步骤3.1;
步骤4:将SAR图像分为四个区域,具体按照如下步骤进行:
步骤4.1:将SAR图像平均分为四个区域;
步骤4.2:统计SAR图像中所有标记点个数和四个区域中平均含有的标记点个数,分别记为Nf、Nm;
步骤4.3:重新划分SAR图像,将SAR图像平均分配为四个区域,分别标号为A1、A2、A3、A4,相应地四个区域中标记点的个数分别记为N1、N2、N3、N4;
步骤4.4:比较N1、N2、N3、N4,假设N4最大,则标记点最多的区域为A4区域;
步骤4.5:比较N4与2×Nm,若N4大于2×Nm,则对四个区域重新划分;
步骤4.6:比较与A4区域相邻的A2区域和A3区域中的标记点个数;
若:N2>N3,则需对A4区域和A3区域重新划分,即将A4区域中的部分区域移除补给到A3区域中;
否则,对A4区域和A2区域重新划分,即将A4区域中的部分区域移除补给到A2区域中;
步骤5:对重新划分后的四个区域中的标记点通过多线程同时进行局部检测,计算局部阈值,具体按照如下步骤进行:
步骤5.1:以索引矩阵中的标记点为中心,建立滑动窗口:目标窗口、保护窗口、背景窗口;
步骤5.2:去掉背景窗口中所有像素点的像素值大于全局阈值的像素点;
步骤5.3:对背景窗口中的剩余像素点使用K分布概率密度模型进行统计,计算出背景窗口的阈值即局部阈值;
步骤5.4:比较目标窗口中的标记点的像素值与背景窗口的阈值大小,如果目标窗口中的标记点的像素值大于背景窗口的阈值,则该目标窗口中的标记点为船只目标点,如果目标窗口中的标记点的像素值小于背景窗口的阈值,则该目标窗口中的标记点为海洋杂波;
步骤6:判断整幅SAR图像是否检测完毕;
若:判断结果是整幅SAR图像检测完毕,则执行步骤7;
或判断结果是整幅SAR图像没有检测完毕,则这些步骤5;
步骤7:对根据步骤5局部检测出的像素点组成的每个四连通区域面积进行统计,根据最小船的像素面积筛选出可能的船只,具体按照如下步骤进行:
步骤7.1:将船面积最小的船定义为:长M米、宽N米、分辨率为R,则最小船的像素面积为
步骤7.2:比较每个四连通区域面积与最小船的像素面积的大小,如果四连通区域面积小于最小船的像素面积的大小,则将该四连通区域去除,剩下的四连通区域就是检测出的船只。
2.根据权利要求1所述的基于多线程的SAR图像CFAR自适应快速检测方法,其特征在于:所述四个区域为矩形块区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610173184.0A CN105759268B (zh) | 2016-03-24 | 2016-03-24 | 基于多线程的sar图像cfar自适应快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610173184.0A CN105759268B (zh) | 2016-03-24 | 2016-03-24 | 基于多线程的sar图像cfar自适应快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105759268A CN105759268A (zh) | 2016-07-13 |
CN105759268B true CN105759268B (zh) | 2018-04-13 |
Family
ID=56346395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610173184.0A Active CN105759268B (zh) | 2016-03-24 | 2016-03-24 | 基于多线程的sar图像cfar自适应快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105759268B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045126A (zh) * | 2017-03-06 | 2017-08-15 | 中国人民解放军国防科学技术大学 | 一种合成孔径雷达海上运动舰船目标检测方法 |
CN107942329B (zh) * | 2017-11-17 | 2021-04-06 | 西安电子科技大学 | 机动平台单通道sar对海面舰船目标检测方法 |
CN108734111A (zh) * | 2018-04-26 | 2018-11-02 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Sar图像海面舰船识别方法 |
CN108985288B (zh) * | 2018-07-17 | 2022-06-14 | 电子科技大学 | 一种基于TGMSERs的SAR图像溢油检测方法 |
CN110895329B (zh) * | 2019-07-12 | 2022-12-27 | 西安电子科技大学 | 一种混合分布模型杂波图目标检测方法和装置 |
CN111340677B (zh) * | 2020-02-27 | 2023-10-27 | 北京百度网讯科技有限公司 | 视频水印检测方法、装置、电子设备、计算机可读介质 |
KR20220105102A (ko) * | 2021-01-19 | 2022-07-26 | 주식회사 에스아이에이 | 레이더 영상 처리 방법 및 장치 |
CN113379695B (zh) * | 2021-06-01 | 2024-03-29 | 大连海事大学 | 局部特征差异性耦合的sar图像近岸舰船检测方法 |
CN114355346B (zh) * | 2021-12-29 | 2023-01-20 | 北京卫星信息工程研究所 | 多星收发组网sar***及超大幅宽海面舰船目标成像方法 |
CN114578384B (zh) * | 2022-05-07 | 2022-09-09 | 成都凯天电子股份有限公司 | 一种用于激光大气***的自适应恒虚警检测方法 |
CN117078501B (zh) * | 2023-10-17 | 2023-12-29 | 中科星图深海科技有限公司 | 一种提高海洋环境数据二维成像效率的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102200575A (zh) * | 2010-12-02 | 2011-09-28 | 南京大学 | 一种基于恒虚警率的影像舰船检测方法 |
CN102968799A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 |
CN105005983A (zh) * | 2015-04-13 | 2015-10-28 | 西南科技大学 | 一种sar图像背景杂波建模及目标检测方法 |
CN105160648A (zh) * | 2014-11-26 | 2015-12-16 | 中国人民解放军第二炮兵工程大学 | 基于小波和恒虚警率的雷达目标及阴影分割方法 |
-
2016
- 2016-03-24 CN CN201610173184.0A patent/CN105759268B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102200575A (zh) * | 2010-12-02 | 2011-09-28 | 南京大学 | 一种基于恒虚警率的影像舰船检测方法 |
CN102968799A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 |
CN105160648A (zh) * | 2014-11-26 | 2015-12-16 | 中国人民解放军第二炮兵工程大学 | 基于小波和恒虚警率的雷达目标及阴影分割方法 |
CN105005983A (zh) * | 2015-04-13 | 2015-10-28 | 西南科技大学 | 一种sar图像背景杂波建模及目标检测方法 |
Non-Patent Citations (1)
Title |
---|
SAR图像舰船目标双阈值快速CFAR检测算法;曲长文 等;《舰船科学技术》;20151115(第11期);第136-140页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105759268A (zh) | 2016-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105759268B (zh) | 基于多线程的sar图像cfar自适应快速检测方法 | |
CN106170819B (zh) | 一种合成孔径雷达图像舰船目标快速检测方法 | |
Yang et al. | Ship detection from optical satellite images based on sea surface analysis | |
CN105354541B (zh) | 基于视觉注意模型和恒虚警率的sar图像目标检测方法 | |
CN102968799B (zh) | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 | |
CN104408482B (zh) | 一种高分辨率sar图像目标检测方法 | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN105160648B (zh) | 基于小波和恒虚警率的雷达目标及阴影分割方法 | |
CN101727662A (zh) | Sar图像非局部均值去斑方法 | |
CN102096824A (zh) | 基于选择性视觉注意机制的多光谱图像舰船检测方法 | |
US20180144478A1 (en) | Method and system for sea background modeling and suppression on high-resolution remote sensing sea images | |
CN108133468B (zh) | 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法 | |
CN107784655A (zh) | 一种自适应阈值的视觉注意模型sar舰船检测算法 | |
CN116109936A (zh) | 基于光学遥感的目标检测与识别方法 | |
CN108647693A (zh) | 一种基于二元显著性特征的海面红外目标检测方法 | |
CN108985292A (zh) | 一种基于多尺度分割的sar图像cfar目标检测方法与*** | |
CN112435249A (zh) | 一种基于周扫红外搜索***的动态小目标检测方法 | |
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 | |
CN112329677A (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
Su et al. | Ship detection based on RetinaNet-plus for high-resolution SAR imagery | |
CN108596844A (zh) | 用于弹炮遥控武器站的背景抑制方法 | |
US11361533B2 (en) | Method for detecting objects | |
CN113963178A (zh) | 地空背景下红外弱小目标检测方法、装置、设备及介质 | |
McFall et al. | Technical feasibility of creating a beach grain size database with citizen scientists |
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 |