CN106170819B - 一种合成孔径雷达图像舰船目标快速检测方法 - Google Patents
一种合成孔径雷达图像舰船目标快速检测方法 Download PDFInfo
- Publication number
- CN106170819B CN106170819B CN201480020648.3A CN201480020648A CN106170819B CN 106170819 B CN106170819 B CN 106170819B CN 201480020648 A CN201480020648 A CN 201480020648A CN 106170819 B CN106170819 B CN 106170819B
- Authority
- CN
- China
- Prior art keywords
- subgraph
- gpu
- boundary curve
- threshold value
- class
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种合成孔径雷达图像舰船目标快速检测方法,包括以下步骤:(1)、海陆分离步骤;(2)、目标筛选步骤;(3)、设置背景杂波统计模型;(4)、在GPU平台下,GPU依次对三类图像根据其对应的恒虚警检测阈值T1分别进行处理,获得目标区域,所述三类图像分别采用不同的处理算法计算阈值T1。本方法首先进行陆地与海洋区域的分离,滤除陆地部分的图像,提高检测效率;其次,对图形进行初步统计,设置合适的全局阈值,对SAR图像目标做初步筛选,将图像分割成若干子图像块;最后利用CUDA技术,对三类分布的图形进行恒虚警检测,检测出有效的舰船目标。使用本方法能够准确、快速地完成对舰船目标的检测。
Description
技术领域
本发明属于图像处理技术领域,具体地说,是涉及一种合成孔径雷达图像舰船目标快速检测方法。
背景技术
舰船检测是世界各临海国家的常规任务,在民用、军事等领域拥有广泛的应用,可以对特定海域和港口进行水运交通,非法捕猎、走私的检测和管理,对遇难船只进行救助等,我国海域广阔,面积约为300多万平方公里,海洋资源丰富,开展舰船目标检测研究具有重要的价值和意义。
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种成熟的主动式微波成像雷达,因其具有全天候、全天时、穿透能力强的特点,与传统的可见光、红外等传感器相比在目标检测方面具有得天独厚的优势。随着嵌入式技术、集成电路技术以及微机械制造等技术的发展,SAR逐步实现了小型化、微型化。与此同时,无人机由于其低成本、机动灵活度强、可到达任意指定的地方等诸多特点,可与卫星遥感技术相互补充,在海洋观测应用方面得到迅速发展。随着SAR的分辨率不断提升,SAR图像提供的数据信息量也越来越大,快速、准确地对SAR图像进行解译,获取有用信息是当前SAR目标检测的一个重要问题。快速对SAR图形进行分析,传统的串行算法对***硬件要求较高,需要高速的CPU、大容量内存和硬盘,而***硬件的性能提升还是很有限的,很难满足目前对SAR图像的减速检测需求。
发明内容
本发明为了解决现有的合成孔径雷达目标检测方法对硬件要求高,运算速度慢的技术问题,提出了一种合成孔径雷达图像舰船目标快速检测方法,可以解决上述问题。
为了解决上述技术问题,本发明采用以下技术方案予以实现:
一种合成孔径雷达图像目标快速检测方法,包括以下步骤:
(1)、海陆分离步骤,演化边界曲线,并以边界曲线为界进行海陆分离,得到具有有效目标的海洋区域图像;
(2)、目标筛选步骤,包括:
(21)、设置灰度阈值T,将海洋区域图像中灰度值大于T的像素的索引值赋值为该像素的灰度值,否则赋值为0,并将所得到的所有索引值建立一索引矩阵;
(22)、将所述索引矩阵中非0的区域设定为候选目标区域;
(23)、以所述候选目标区域的位置为界,将海洋区域图像分隔成若干子图像,每一个候选目标区域对应一个子图像;
(3)、设置背景杂波统计模型,包括:
(31)、分别计算各子图像的背景变化指数BI;
(32)、设定阈值TBI1和TBI2,其中TBI1<TBI2,根据背景变化指数BI将子图像划分为三类:
如果BI≤TBI1,为均匀背景杂波类;
如果TBI1<BI≤TBI2,为一般不均匀背景杂波类;
如果TBI2<BI,为极不均匀背景杂波类;
(4)、在GPU平台下,GPU依次对所述三类子图像根据其对应恒虚警检测阈值T1分别进行处理,获得目标区域,所述三类子图像分别采用不同的处理算法计算阈值T1。
进一步的,所述步骤(1)中,所述边界曲线的设置方法为:
(11)、初始化边界曲线C,定义边界曲线C内区域的水平集函数Φ,设置窄带半径,以边界曲线C上的点为中心,窄带半径为半径,获得窄带区域;
(12)、计算边界曲线C的能量函数的最小值,采用海氏函数和狄利克冲击函数,得到偏微分方程的解为:
其中,Φ0(x,y)为初始化边界曲线C的水平集函数;H(Φ)为海氏函数,I(x,y)为窄带区域内的图像,μ,ν,λ1,λ2分别表示能量权重;
(13)、将窄带区域内所有点代入初始化边界曲线C的水平集函数Φ0(x,y)=0,演化成新的边界曲线,并计新的边界曲线的水平集函数为Φ1;
(14)、连续n次演化边界曲线,直到遍历完图像上所有点,获取陆地和海域的分界线
(15)、以陆地和海域的分界线为界进行海陆分离,剔除陆地数据,得到具有有效目标的海洋区域图像。
进一步的,所述步骤(11)中,根据解短时距方程|▽T|F=1初始化边界曲线,其中T(x,y,z)为给定点(x,y,z)到边界曲线的收缩时间,F为速度参数,在初始曲线轮廓时,设定速度参数F为1,将距离边界曲线C等于或小于1的点形成待检区域,所述待检区域的边界即为边界曲线C。
进一步的,所述步骤(12)中采用欧拉-拉格朗日方法求解边界曲线C的能量函数的最小值,F(C,co,cb)=μL(C)+vSb(C)+λo∫outside(C)|I-Co|2dxdy+λb∫inside(C)|I-Cb|2dxdy;
其中L(C)为闭合曲线C的长度,Sb(C)为曲线C内部区域面积。
进一步的,所述步骤(12)中,由偏微分方程的解可得到的迭代公式为:
其中,
水平集函数在(x,y)的曲率,为前向差分运算。
进一步的,所述步骤(31)中,子图像的背景变化指数BI的计算方法为:
其中,m为每个子图像所包括的像素数。
进一步的,所述步骤(21)中,所述灰度阈值T的计算方法为:
(211)、将海洋区域图像的总灰度划分为L级,海洋区域图像的总像素个数为n,第k级灰度的像素个数为nk,则第k级灰度的归一化直方图为:p(k)=nk/n(k=0,1,2……,L-1);
(212)、设候选目标区域所占的比率为带入求得T。
进一步的,所述步骤(4)中,在GPU平台下,GPU依次对所述三类子图像分别进行处理的方法为:
(41)初始化GPU:由CPU启动CUDA,设置GPU相关参数,分配数据内存空间,并初始化输入子图像;
(42)将子图像读入GPU显存:在CUDA框架下,分配显存,并将子图像从内存读入到GPU显存中;
(43)GPU开启多线程,运行内核函数:CPU首先将第一类的阈值算法载入GPU,作为多线程的内核函数,计算出阈值,并以该阈值作为T1,对所有子图像中属于第一类的子图像进行目标检测,将检测结果返回显存并拷贝到内存;其次,CPU将第二类的阈值算法载入GPU,计算出阈值,并以该阈值作为T1,作为多线程的内核函数,对所有子图像中属于第二类的子图像进行目标检测,将检测结果返回显存并拷贝到内存;再次,CPU将第三类的阈值算法载入GPU,作为多线程的内核函数,计算出阈值,并以该阈值作为T1,对所有子图像中属于第三类的子图像进行目标检测,将检测结果返回显存并拷贝到内存。
(44)释放GPU资源:当程序执行完毕后,释放GPU显存,回收GPU资源,退出程序。
进一步的,所述第一类的子图像为均匀背景杂波类,采用高斯分布统计模型计算阈值;
所述第二类的子图像像为一般不均匀背景杂波类,采用韦布尔分布统计模型计算阈值;
所述第三类的子图像为极不均匀背景杂波类,采用G0分布模型计算阈值。
与现有技术相比,本发明的优点和积极效果是:本发明的合成孔径雷达图像目标快速检测方法,首先进行陆地与海洋区域的分离,滤除陆地部分的图像,提高检测效率;其次,对图形进行初步统计,设置合适的全局阈值,对SAR图像目标做初步筛选,将图像分割成若干子图像块;最后利用CUDA技术,对三种分布的图形进行恒虚警检测,检测出有效的舰船目标。
结合附图阅读本发明实施方式的详细描述后,本发明的其他特点和优点将变得更加清楚。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明所提出的合成孔径雷达图像目标快速检测方法的一种实施例流程方框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一,本实施例提出了一种合成孔径雷达图像目标快速检测方法,包括以下步骤:
S1、海陆分离步骤,设置边界曲线,并以边界曲线为界进行海陆分离,得到仅海洋区域具有有效数据的海洋区域图像;
一般陆地具有较强的散射,在SAR图像中表现为亮的区域,对舰船目标检测有较大影响。步骤S1通过将海陆分离,将除陆地区域剔除,减少陆地区域对目标检测的影响,同时减少计算量,有利于提高目标检测的速度和精度。
S2、目标筛选步骤,包括:
S21、设置灰度阈值T,将海洋区域图像中灰度值大于T的像素的索引值赋值为该像素的灰度值,否则赋值为0,并将所得到的所有索引值建立一索引矩阵;
S22、将所述索引矩阵中非0的区域设定为候选目标区域;
S23、以所述候选目标区域的位置为界,将海洋区域图像分隔成若干子图像,每一个候选目标区域对应一个子图像;
由于图像分割是SAR图像解译应用的基础和前提,步骤S2基于全局阈值的图像分割,并将SAR图像分割成若干子图像,为舰船目标的识别做基础。
S3、设置背景杂波统计模型,包括:
S31、分别计算各子图像的背景变化指数BI;
S32、设定阈值TBI1和TBI2,其中TBI1<TBI2,根据背景变化指数BI将子图像划分为三类:
如果BI≤TBI1,为均匀杂波类;
如果TBI1<BI≤TBI2,为一般不均匀杂波类;
如果TBI2<BI,为极不均匀杂波类;
由于背景区的杂波统计模型是决定检测算法性能的关键因素。由于海面情况比较多变,导致杂波统计特性十分复杂。若统计模型不能很好地描述杂波特性,将会导致恒虚警检测器性能恶化。现有恒虚警目标检测算法一般采用全局建模,对所有区域使用同种背景杂波分布模型,导致使用的模型在不使用区域失配严重,使检测性能明显下降。本实施例的检测方法,为提高检测性能,在深入分析基于不同统计分布模型的恒虚警检测基础上,充分考虑各个统计模型的优缺点,结合恒虚警检测算法,根据SAR子图像的均值和方差,将SAR子图像分为均匀背景杂波、一般不均匀背景杂波和极不均匀背景杂波三类。针对这三种不同类型,分别采用适合该类特性的恒虚警检测算法,提高检测精度。
S4、在GPU平台下,GPU依次对所述三类像素单元根据阈值T1分别进行处理,获得目标区域,所述三类像素单元分别采用不同的处理算法计算阈值T1。
在基于图形处理器(GPU)构架下,采用统一计算设备构架(CUDA)技术,并根据GPU的特点对基于三种不同分布的算法实现进行优化,实现高效的恒虚警目标检测算法,相比CPU实现大大缩短了数据处理时间,能够满足SAR目标检测的实时性要求的需求。
作为一个优选的实施例,所述步骤S1中,所述边界曲线的设置方法为:
S11、初始化边界曲线C,定义边界曲线C内区域的水平集函数Φ,设置窄带半径,以边界曲线C上的点为中心,窄带半径为半径,获得窄带区域;
S12、计算边界曲线C的能量函数的最小值,采用海氏函数和狄利克冲击函数,得到偏微分方程的解为:
其中,Φ0(x,y)为初始化边界曲线C的水平集函数;H(Φ)为海氏函数,I(x,y)为窄带区域内的图像,μ,ν,λ1,λ2分别表示能量权重;
S13、将窄带区域内所有点代入初始化边界曲线C的水平集函数Φ0(x,y)=0,演化成新的边界曲线,并计新的边界曲线的水平集函数为Φ1;
S14、连续n次演化边界曲线,直到遍历完图像上所有点,获取陆地和海域的分界线
S15、以陆地和海域的分界线为界进行海陆分离,剔除陆地数据,得到仅海洋区域具有有效数据的海洋区域图像。
本实施例的检测方法在分析水平集方法中的窄带解法优点和Mumford-Shah模型的基础之上,通过特定条件下初始边界参数,简化初始演化曲线,从而将水平集方法中的窄带解法和Mumford-Shah模型有效地结合起来,快速得到陆海区域分离效果。
进一步的,所述步骤S11中,根据解短时距方程▽TF=1初始化边界曲线,其中T(x,y,z)为给定点(x,y,z)到边界曲线的收缩时间,F为速度参数,由于F与图像的特性是相互独立的,在初始曲线轮廓时,设定速度参数F为1,将距离边界曲线C等于或小于1的点形成待检区域,所述待检区域的边界即为边界曲线C。
所述步骤S12中采用欧拉-拉格朗日方法求解边界曲线C的能量函数的最小值,F(C,co,cb)=μL(C)+vSb(C)+λo∫outside(C)|I-Co|2dxdy+λb∫inside(C)|I-Cb|2dxdy;
其中L(C)为闭合曲线C的长度,Sb(C)为曲线C内部区域面积。
进一步的,所述步骤S12中,由偏微分方程的解可得到的迭代公式为:
其中,
水平集函数在(x,y)的曲率,为前向差分运算。
进一步的,所述步骤S31中,子图像的背景变化指数BI的计算方法为:
其中,m为每个子图像所包括的像素数。由于方差是衡量背景变化程度的度量,但在SAR图像中,由于存在乘性噪声,单以方差不能准确表示背景变化程度,因此,本实施例的检测方法通过引入背景变化指数BI,设每个SAR子图像有m个像素数,分别计算BI。
所述步骤S21中,所述灰度阈值T的计算方法为:
S211、将海洋区域图像的总灰度划分为L级,海洋区域图像的总像素个数为n,第k级灰度的像素个数为nk,则第k级灰度的归一化直方图为:p(k)=nk/n(k=0,1,2……,L-1);
S212、设候选目标区域所占的比率为带入求得T。
所述步骤S4中,在GPU平台下,GPU依次对所述三类像素单元分别进行处理的方法为:
S41初始化GPU:由CPU启动CUDA,设置GPU相关参数,分配数据内存空间,并初始化输入子图像;
S42将子图像读入GPU显存:在CUDA框架下,分配显存,并将子图像从内存读入到GPU显存中;
S43GPU开启多线程,运行内核函数:CPU首先将第一类的阈值算法载入GPU,作为多线程的内核函数,计算出阈值,并以该阈值作为T1,对所有子图像中属于第一类的子图像进行目标检测,将检测结果返回显存并拷贝到内存;其次,CPU将第二类的阈值算法载入GPU,计算出阈值,并以该阈值作为T1,作为多线程的内核函数,对所有子图像中属于第二类的子图像进行目标检测,将检测结果返回显存并拷贝到内存;再次,CPU将第三类的阈值算法载入GPU,作为多线程的内核函数,计算出阈值,并以该阈值作为T1,对所有子图像中属于第三类的子图像进行目标检测,将检测结果返回显存并拷贝到内存。
S44释放GPU资源:当程序执行完毕后,释放GPU显存,回收GPU资源,退出程序。
在本实施例中,所述第一类的子图像为均匀杂波类,采用高斯分布统计模型计算阈值;
所述第二类的子图像像为一般不均匀杂波类,采用韦布尔分布统计模型计算阈值;
所述第三类的子图像为极不均匀杂波类,采用G0分布模型计算阈值。
具体的,针对均匀杂波背景SAR图像,采用基于高斯分布的恒虚警检测算法,根据EM算法,求解混合高斯模型的均值μm:
将μm带入如下公式计算检测阈值:
针对一般不均匀杂波背景SAR图像,采用基于韦布尔分布的恒虚警检测算法,假设相互独立的N个参考单元的联合概率密度为
其中B为尺度参数,C为形状参数。f(x)取对数后,对尺度参数和形状参数分别求导,可得到:
将B、C带入虚警概率公式,从而得到检测阈值:
TI=B(-lnPfa)1C
针对极不均匀杂波背景SAR图像,采用G0分布的恒虚警检测算法,利用SKS估计方法,对G0分布的参数进行估计,表达式为:
其中,n为等效视数,α为形状参数,γ为尺度参数,Ψ(·)为digamma函数,为样本对数累计量。由上述表达式可以计算出n,α,γ,得到概率密度表达式。
给定虚警率Pfa,可由公式求解检测阈值TI。对于G0分布,上述积分公式无法得到解析表达式。为此,本发明采用如下方法求解:
(a)令初始化最小值m=min(I),最大值n=max(I),循环变量n=0,最大循环次数N,以及精度ξ;
(b)若|F(ζ)-(1-Pfa)|≤ξ,则执行(d);否则,执行(c);
(c)如果n<N,执行(d),否则,当F(ζ)<1-Pfa时,m=ζ;当F(ζ)>1-Pfa时,n=ζ;然后执行(b);
(d)TI=ζ,退出循环。
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,本技术领域的普通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 (9)
1.一种合成孔径雷达图像舰船目标快速检测方法,其特征在于,包括以下步骤:
(1)、海陆分离步骤,演化边界曲线,并以边界曲线为界进行海陆分离,得到具有有效目标的海洋区域图像;
(2)、目标筛选步骤,包括:
(21)、设置灰度阈值T,将所述海洋区域图像中灰度值大于T的像素的索引值赋值为该像素的灰度值,否则赋值为0,并将所得到的所有索引值建立一索引矩阵;
(22)、将所述索引矩阵中非0的区域设定为候选目标区域;
(23)、以所述候选目标区域的位置为界,将所述海洋区域图像分隔成若干子图像,每一个候选目标区域对应一个子图像;
(3)、设置背景杂波统计模型,包括:
(31)、分别计算各子图像的背景变化指数BI;
(32)、设定阈值TBI1和TBI2,其中TBI1<TBI2,根据背景变化指数BI将子图像划分为三类:
如果BI≤TBI1,为均匀背景杂波类;
如果TBI1<BI≤TBI2,为一般不均匀背景杂波类;
如果TBI2<BI,为极不均匀背景杂波类;
(4)、在GPU平台下,GPU依次对所述三类子图像根据其对应恒虚警检测阈值T1分别进行处理,获得目标区域,所述三类子图像分别采用不同的处理算法计算阈值T1。
2.根据权利要求1所述的一种合成孔径雷达图像舰船目标快速检测方法,其特征在于,所述步骤(1)中,所述边界曲线的设置方法为:
(11)、初始化边界曲线C,定义边界曲线C内区域的水平集函数Φ,设置窄带半径,以边界曲线C上的点为中心,窄带半径为半径,获得窄带区域;
(12)、计算边界曲线C的能量函数的最小值,采用海氏函数和狄利克冲击函数,得到偏微分方程的解为:
其中,Φ0(x,y)为初始化边界曲线C的水平集函数;H(Φ)为海氏函数,I(x,y)为窄带区域内的图像,μ,ν,λ1,λ2分别表示能量权重;
(13)、将窄带区域内所有点代入初始化边界曲线C的水平集函数Φ0(x,y)=0,演化成新的边界曲线,并计新的边界曲线的水平集函数为Φ1;
(14)、连续n次演化边界曲线,直到遍历完图像上所有点,获取陆地和海域的分界线
(15)、以陆地和海域的分界线为界进行海陆分离,剔除陆地数据,得到仅海洋区域具有有效数据的海洋区域图像。
3.根据权利要求2所述的一种合成孔径雷达图像舰船目标快速检测方法,其特征在于,所述步骤(11)中,根据解短时距方程初始化边界曲线,其中T(x,y,z)为给定点(x,y,z)到边界曲线的收缩时间,F为速度参数,在初始曲线轮廓时,设定速度参数F为1,将距离边界曲线C等于或小于1的点形成待检区域,所述待检区域的边界即为边界曲线C。
4.根据权利要求3所述的一种合成孔径雷达图像舰船目标快速检测方法,其特征在于,所述步骤(12)中采用欧拉-拉格朗日方法求解边界曲线C的能量函数的最小值,F(C,co,cb)=μL(C)+vSb(C)+λo∫outside(C)|I-Co|2dxdy+λb∫inside(C)|I-Cb|2dxdy;
其中L(C)为闭合曲线C的长度,Sb(C)为曲线C内部区域面积。
5.根据权利要求4所述的一种合成孔径雷达图像舰船目标快速检测方法,其特征在于,所述步骤(12)中,由偏微分方程的解可得到的迭代公式为:
其中,
水平集函数在(x,y)的曲率,为前向差分运算。
6.根据权利要求1所述的一种合成孔径雷达图像舰船目标快速检测方法,其特征在于,所述步骤(31)中,子图像的背景变化指数BI的计算方法为:
其中,m为每个子图像所包括的像素数。
7.根据权利要求1-6任一项所述的一种合成孔径雷达图像舰船目标快速检测方法,其特征在于,所述步骤(21)中,所述灰度阈值T的计算方法为:
(211)、将海洋区域图像的总灰度划分为L级,海洋区域图像的总像素个数为n,第k级灰度的像素个数为nk,则第k级灰度的归一化直方图为:p(k)=nk/n,k=0,1,2……,L-1;
(212)、设候选目标区域所占的比率为带入求得T。
8.根据权利要求1-6任一项所述的一种合成孔径雷达图像舰船目标快速检测方法,其特征在于,所述步骤(4)中,在GPU平台下,GPU依次对所述三类子图像分别进行处理的方法为:
(41)初始化GPU:由CPU启动CUDA,设置GPU相关参数,分配数据内存空间,并初始化输入子图像;
(42)将子图像读入GPU显存:在CUDA框架下,分配显存,并将子图像从内存读入到GPU显存中;
(43)GPU开启多线程,运行内核函数:CPU首先将第一类的阈值算法载入GPU,作为多线程的内核函数,计算出阈值,并以该阈值作为T1,对所有子图像中属于第一类的子图像进行目标检测,将检测结果返回显存并拷贝到内存;其次,CPU将第二类的阈值算法载入GPU,计算出阈值,并以该阈值作为T1,作为多线程的内核函数,对所有子图像中属于第二类的子图像进行目标检测,将检测结果返回显存并拷贝到内存;再次,CPU将第三类的阈值算法载入GPU,作为多线程的内核函数,计算出阈值,并以该阈值作为T1,对所有子图像中属于第三类的子图像进行目标检测,将检测结果返回显存并拷贝到内存;
(44)释放GPU资源:当程序执行完毕后,释放GPU显存,回收GPU资源,退出程序。
9.根据权利要求8所述的一种合成孔径雷达图像舰船目标快速检测方法,其特征在于,所述第一类的子图像为均匀背景杂波类,采用高斯分布统计模型计算阈值;
所述第二类的子图像为一般不均匀背景杂波类,采用韦布尔分布统计模型计算阈值;
所述第三类的子图像为极不均匀背景杂波类,采用G0分布模型计算阈值。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2014/095202 WO2016101279A1 (zh) | 2014-12-26 | 2014-12-26 | 一种合成孔径雷达图像舰船目标快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106170819A CN106170819A (zh) | 2016-11-30 |
CN106170819B true CN106170819B (zh) | 2019-04-05 |
Family
ID=56149006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480020648.3A Expired - Fee Related CN106170819B (zh) | 2014-12-26 | 2014-12-26 | 一种合成孔径雷达图像舰船目标快速检测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106170819B (zh) |
WO (1) | WO2016101279A1 (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112018000997T5 (de) * | 2017-02-24 | 2019-11-07 | Japan Aerospace Exploration Agency | Flugkörper und Programm |
CN107301398B (zh) * | 2017-06-23 | 2019-04-30 | 电子科技大学 | 一种基于gpu实现的合成孔径雷达图像目标识别方法 |
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 |
CN109471101B (zh) * | 2018-10-19 | 2021-05-04 | 湖北航天技术研究院总体设计所 | 一种弹载sar图像校正方法 |
CN109635730A (zh) * | 2018-12-12 | 2019-04-16 | 中船(浙江)海洋科技有限公司 | 基于异常检测与双层筛选机制的sar图像舰船检测方法 |
CN109829361B (zh) * | 2018-12-17 | 2023-03-31 | 深圳先进技术研究院 | 图像的处理方法及应用该方法的机器人、装置 |
CN109801208B (zh) * | 2019-01-24 | 2023-03-24 | 西安电子科技大学 | 基于多gpu任务优化的sar图像变化检测方法 |
CN111562976B (zh) * | 2019-02-13 | 2023-04-18 | 同济大学 | 一种电大尺寸目标雷达成像的gpu加速方法及*** |
CN109886218B (zh) * | 2019-02-26 | 2022-12-23 | 西安电子科技大学 | 基于超像素统计相异性的sar图像舰船目标检测方法 |
CN110378186B (zh) * | 2019-03-22 | 2021-09-24 | 北京理工雷科电子信息技术有限公司 | Sar遥感图像舰船目标虚警剔除的方法 |
CN110415254B (zh) * | 2019-06-06 | 2023-01-03 | 西安电子科技大学 | 一种基于振荡耦合网络的水平集图像分割方法、计算机 |
CN110390667B (zh) * | 2019-06-18 | 2023-10-20 | 平安科技(深圳)有限公司 | 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 |
CN110363779B (zh) * | 2019-07-18 | 2022-11-25 | 东北大学 | 一种数字图像分割及并行化方法 |
CN111028256B (zh) * | 2019-10-14 | 2023-04-07 | 杭州电子科技大学 | 一种基于改进活动轮廓模型的sar图像目标检测方法 |
CN110851187B (zh) * | 2019-11-19 | 2023-06-02 | 北京百度网讯科技有限公司 | 显存处理方法、装置、设备和介质 |
CN111127506B (zh) * | 2019-11-19 | 2023-06-06 | 北京空间飞行器总体设计部 | 一种基于序列图像的海上运动目标综合检测方法 |
CN111008585B (zh) * | 2019-11-29 | 2023-04-07 | 西安电子科技大学 | 基于自适应分层高分辨sar图像的舰船目标检测方法 |
CN110889843B (zh) * | 2019-11-29 | 2023-04-18 | 西安电子科技大学 | 基于最大稳定极值区域的sar图像舰船目标检测方法 |
CN111582198B (zh) * | 2020-05-12 | 2022-10-04 | 中国电子科技集团公司第二十八研究所 | 一种遥感图像海陆自动分割方法 |
CN111709957A (zh) * | 2020-06-22 | 2020-09-25 | 河南理工大学 | 一种基于二维最大熵阈值c-v模型的医学图像分割法 |
CN112560897B (zh) * | 2020-11-24 | 2024-02-09 | 西安电子科技大学 | 基于船长统计模型的雷达舰船分类能力评价方法 |
CN112698290A (zh) * | 2020-12-10 | 2021-04-23 | 南京长峰航天电子科技有限公司 | 一种大场景sar回波模拟并行处理方法及*** |
CN112907567B (zh) * | 2021-03-19 | 2022-05-27 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于空间推理方法的sar图像有序人造构筑物提取方法 |
CN113807195A (zh) * | 2021-08-24 | 2021-12-17 | 杭州电子科技大学 | 基于度矩阵距离判别的海陆杂波分类方法 |
CN113705505B (zh) * | 2021-09-02 | 2024-05-17 | 浙江索思科技有限公司 | 一种面向海洋渔业的船舶目标检测方法和*** |
CN114399451A (zh) * | 2021-12-28 | 2022-04-26 | 清华大学 | 一种合成孔径雷达图像舰船目标协同增强方法和装置 |
CN114463224B (zh) * | 2022-04-14 | 2022-06-24 | 广东海洋大学 | 一种基于sar技术的海洋目标图像修复识别方法及*** |
CN114998720B (zh) * | 2022-05-04 | 2024-02-13 | 西北工业大学 | 一种基于Markov树水域网络构建的桥梁目标检测方法 |
CN115222758B (zh) * | 2022-09-21 | 2023-01-10 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测方法 |
CN116484954B (zh) * | 2023-03-20 | 2023-11-10 | 中国人民解放军军事科学院战略评估咨询中心 | 人工智能海上伏击模型生成方法及存储介质 |
CN116299465B (zh) * | 2023-05-18 | 2023-08-01 | 西安电子科技大学 | 一种基于子空间时频映射的双基sar后向投影成像方法 |
CN117746272A (zh) * | 2024-02-21 | 2024-03-22 | 西安迈远科技有限公司 | 一种基于无人机的水资源数据采集处理方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007133085A1 (en) * | 2006-05-15 | 2007-11-22 | Telefonaktiebolaget Lm Ericsson (Publ) | A method and system for automatic classification of objects |
CN102938150A (zh) * | 2012-11-20 | 2013-02-20 | 西安电子科技大学 | 基于自适应海杂波统计的sar图像舰船检测方法 |
CN102968798A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
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 |
CN104036239A (zh) * | 2014-05-29 | 2014-09-10 | 西安电子科技大学 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000231571A (ja) * | 1999-02-10 | 2000-08-22 | Mitsubishi Electric Corp | Isar画像検索装置 |
JP4236767B2 (ja) * | 1999-06-25 | 2009-03-11 | 三菱スペース・ソフトウエア株式会社 | 衛星sar画像に基づく移動体の移動情報検出方法 |
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 |
-
2014
- 2014-12-26 CN CN201480020648.3A patent/CN106170819B/zh not_active Expired - Fee Related
- 2014-12-26 WO PCT/CN2014/095202 patent/WO2016101279A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007133085A1 (en) * | 2006-05-15 | 2007-11-22 | Telefonaktiebolaget Lm Ericsson (Publ) | A method and system for automatic classification of objects |
CN102938150A (zh) * | 2012-11-20 | 2013-02-20 | 西安电子科技大学 | 基于自适应海杂波统计的sar图像舰船检测方法 |
CN102968798A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
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 |
CN104036239A (zh) * | 2014-05-29 | 2014-09-10 | 西安电子科技大学 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106170819A (zh) | 2016-11-30 |
WO2016101279A1 (zh) | 2016-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106170819B (zh) | 一种合成孔径雷达图像舰船目标快速检测方法 | |
Kang et al. | A modified faster R-CNN based on CFAR algorithm for SAR ship detection | |
Zhang et al. | Target detection of forward-looking sonar image based on improved YOLOv5 | |
Wang et al. | Ship detection for high-resolution SAR images based on feature analysis | |
CN105759268B (zh) | 基于多线程的sar图像cfar自适应快速检测方法 | |
Li et al. | SAR ship detection based on resnet and transfer learning | |
CN102968799A (zh) | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 | |
CN113610895A (zh) | 目标跟踪方法、装置、电子设备及可读存储介质 | |
CN102915545A (zh) | 一种基于OpenCV的视频目标跟踪算法 | |
CN107092890A (zh) | 基于红外视频的舰船检测及跟踪方法 | |
CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
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 | |
CN108805057A (zh) | 一种基于联合显著性分析的sar图像油库区检测方法 | |
CN106815559A (zh) | 一种利用sar数据监测蚝排区域的方法及装置、用户设备 | |
CN109829426A (zh) | 基于高分遥感影像的铁路建设临时建筑监测方法及*** | |
Wang et al. | A deep deformable residual learning network for SAR image segmentation | |
Li et al. | Outlier-robust superpixel-level CFAR detector with truncated clutter for single look complex SAR images | |
Sun et al. | Ship detection in SAR images based on multilevel superpixel segmentation and fuzzy fusion | |
CN105204010A (zh) | 低信杂比合成孔径雷达图像的地物目标检测方法 | |
Su et al. | Ship detection based on RetinaNet-plus for high-resolution SAR imagery | |
Mu et al. | Change detection in SAR images based on the salient map guidance and an accelerated genetic algorithm | |
CN111062954A (zh) | 一种基于差分信息统计的红外图像分割方法、装置及设备 | |
CN113963178A (zh) | 地空背景下红外弱小目标检测方法、装置、设备及介质 | |
Liu et al. | A novel ship detection method in remote sensing images via effective and efficient PP-YOLO | |
Wu et al. | Infrared LSS-target detection via adaptive TCAIE-LGM smoothing and pixel-based background subtraction |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190405 Termination date: 20211226 |
|
CF01 | Termination of patent right due to non-payment of annual fee |