CN107025654B - 基于全局迭代检查的sar图像自适应船只检测方法 - Google Patents
基于全局迭代检查的sar图像自适应船只检测方法 Download PDFInfo
- Publication number
- CN107025654B CN107025654B CN201610070867.3A CN201610070867A CN107025654B CN 107025654 B CN107025654 B CN 107025654B CN 201610070867 A CN201610070867 A CN 201610070867A CN 107025654 B CN107025654 B CN 107025654B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- mask
- region
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 144
- 238000007689 inspection Methods 0.000 title claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 69
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000005713 Midland reduction reaction Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000003628 erosive effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 31
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000003384 imaging method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 239000002131 composite material Substances 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- HDRXZJPWHTXQRI-BHDTVMLSSA-N diltiazem hydrochloride Chemical compound [Cl-].C1=CC(OC)=CC=C1[C@H]1[C@@H](OC(C)=O)C(=O)N(CC[NH+](C)C)C2=CC=CC=C2S1 HDRXZJPWHTXQRI-BHDTVMLSSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
Images
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
-
- 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
- G01S13/9029—SAR image post-processing techniques specially adapted for moving target detection within a single SAR image or within multiple SAR images taken at the same time
-
- 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
- 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
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)
- Image Processing (AREA)
Abstract
本发明公开了一种基于全局迭代检查(Global Iterative Censoring,GIC)的SAR(合成孔径雷达)图像自适应船只检测方法。该方法利用成像区域的地理信息数据提取海洋区域;利用基于局部位置信息的模糊C均值分类器(Fuzzy Local Information c‑Means clustering,FLICM)将非均质海面划分多个均质子区域;利用GIC技术标记各子区域中的候选船只目标,并同步自适应选取区域内的最优海杂波分布模型;根据GIC得到的海杂波模型,利用二维滑窗恒虚警(CFAR)检测器对候选船只目标进行辨识,提高检测精度,实现对船只的检测。本发明将均质区域划分技术与GIC应用于SAR图像船只检测当中,在非均质海杂波、多目标场景等复杂场景下具有稳健高效、高检测率和低虚警率等优点。
Description
技术领域
本发明涉及雷达图像处理技术领域,具体是一种基于区域分割和全局迭代检查的SAR图像海面船只自适应检测方法。
背景技术
船只目标检测是世界各海岸带国家的传统任务,在维护国家海洋权益、保护海洋环境、海上交通管理和海上执法监察等多方面有着广泛的应用。合成孔径雷达(SyntheticAperture Radar,SAR)因其全天时、全天候、大范围、高分辨率、长期连续观测的优点,在海洋船只探测方面具有得天独厚的优势,SAR图像船只检测也得到了国内外的广泛重视。近年来,随着SAR遥感技术的发展和大量SAR卫星的发射,利用SAR图像进行海面船只探测已成为海洋遥感应用的研究热点。
目前,SAR图像船只检测方法大致可分为两类,即对运动船只尾迹的检测和对船只本体的检测。
其中,对船只尾迹的检测,主要是通过Hough变换、Radon变换等图像处理的手段,在SAR图像上搜索由船舶直接产生的表面波尾迹,由船体排水和螺旋桨喷射造成的湍流尾迹,以及船舶在一定的层化条件下产生的内波尾迹。这类方法的主要缺陷在于,不仅无法对静止或缓慢运动的船只进行检测,而且运动船只的尾迹也并不稳定,常常会受到舰船速度和海面海况等因素的影响,在部分SAR传感器的图像上甚至无法观测到尾迹。尾迹的存在能够确证船只的存在,而没有尾迹并不代表没有船。因此,目前船只检测方法仍以对船只本体的检测为主。
对船只本体的检测主要是利用船只与海面背景的散射强度差异,即船-海对比度差异来实现的。根据SAR成像机理,在对船只成像时,船体与海洋表面、船体局部结构都会构成角反射器,对雷达波产生极强的后向散射,在SAR图像上表现为由几个乃至数十个像素构成的高亮目标。作为背景的海洋表面,在海面比较平静(风速小于2m/s)时,海面对雷达波束表现为镜面反射,后向散射回波较弱,SAR图像上的海洋背景很暗;在海风比较强烈的情况下,海面发生Bragg共振散射,回波信号较强,SAR图像上的海洋背景偏亮。但是在上述两种情况下,舰船后向散射回波均远强于海洋背景回波。因此在SAR图像上直接检测舰船目标,其本质是在存在杂波和噪声干扰的暗背景中检测高亮目标。在实际应用中,受复杂海洋环境和船只结构的影响,SAR图像上存在大量非均质海洋区域,中小型船只受到非均质区域的海杂波影响,船-海对比度被削弱,检测性能受到影响。此外,港口、航道、海上渔场等区域存在多目标环境,大量不同尺寸的船只聚集在小区域内,部分中小型船只在检测时受到附近的大型船只回波及其副瓣影响,检测参数被抬高,造成漏检,影响船只检测概率。
现有SAR图像船只检测方法主要包括如下算法:基于全局阈值的分割算法,基于滑动窗口的自适应阈值方法,基于雷达恒虚警的CFAR检测算法,基于模板的阈值检测算法,以及基于子孔径处理的检测算法。
其中,全局阈值算法通过设置一个固定的全局阈值来对图像进行分割,将所有高于所设阈值的像素作为舰船目标。其优点在于阈值计算简单,运算复杂度低,对多目标环境有较好的检测性能;其缺点在于该算法无法根据图像中局部区域变化和雷达入射角变化自动调整阈值,在非均质SAR图像的检测结果中引入大量的漏检和虚警。
基于滑窗的自适应阈值检测算法针对非均质SAR图像,利用窗口滤波技术对船只进行检测,所选取的检测阈值能够更好的符合检测局部区域的统计特性。但这个算法在SAR图像斑噪较多,海面风浪较大时,或多目标环境下,会产生大量虚警,影响检测性能。
恒虚警(CFAR)检测方法是在在保证虚警率为常数的同时,根据虚警率和SAR图像海洋杂波的统计特性(即海洋杂波的概率密度函数)计算得到检测舰船目标的阈值。其核心思想在于海杂波模型的选择和模型参数的估计。根据用于模型参数估计的样本,CFAR检测器又进一步分为全局阈值CFAR检测器和二维滑窗CFAR检测器。前者假设整个待检测海洋区域为满足给定分布模型的均质区域,通过标准的CFAR算法计算检测阈值。后者则构建由检测区域、警戒区域和背景区域组成的复合滑动窗口,假设检测区域邻域内的海杂波满足给定的杂波模型,通过环形背景窗口中的样本估计杂波模型参数,并计算检测阈值。由于检测区域内船只像素数量远少于海杂波背景像素数量,且采用的杂波模型多为长拖尾型模型,全局阈值CFAR检测器受多目标环境的影响较小,但对非均质检测区域,该方法将在检测结果中引入大量的漏检和虚警。与全局阈值CFAR检测器相比,滑窗CFAR检测器具有更好的稳健性。但在复合滑窗的参考区域存在非均质区域边界和多目标环境时,其检测性能甚至比全局阈值CFAR检测器更差。此外,对海杂波不满足预设杂波分布模型的情况,全局阈值CFAR检测器和滑窗CFAR检测器的检测性能都将明显下降,在检测结果中会产生大量虚警和漏检。
基于模板的检测算法,是根据特定传感器SAR图像和待检测区域船只特性的先验知识,设计一组检测阈值模板进行检测。该方法不仅考虑了舰船本身的强度信息,同时还将其周围像素的强度信息也作为检测依据的一部分,希望通过引入周围像素的信息提高检测的准确性。其主要缺点在于检测算法不仅需要大量数据和长时间观测来积累先验知识,还仅适用于特定传感器的数据,无法广泛应用于不同传感器的数据。此外,该方法同样会受到非均质杂波区域边界和多目标环境的影响,在检测结果中引入虚警和漏检。
基于子孔径处理的检测算法,通过子带分解,将SAR复图像分解为分辨率较低的多个子孔径图像,利用船只和海杂波在不同孔径间相关性的差异提高船-海对比度,能够在高海况情况下检测船只,对非均质SAR图像具有一定的抑制作用。但该方法是以牺牲分辨率为代价的,因此,在多目标场景下,距离较近的船只可能会被误判为同一目标。此外,中小船只也会由于分辨率降低产生漏检。
综上所述,现有各类船只检测算法仍受多种因素制约,特别是由于雷达成像入射角变化和观测区域海况等因素造成的非均质SAR图像影响,使得船-海对比度下降,检测阈值估计错误,检测过程中出现漏检、虚警的概率较高。此外,对于港口、航道、海上渔场等船只密集的区域,由于海杂波背景样本中混入了船只样本,容易使得杂波统计参数估计出现偏差,影响目标检测的阈值,造成部分船只漏检,对于渔场和港口区域的中小型船只,这一问题尤为严重。
发明内容
本发明提供了一种基于全局迭代检查的SAR图像自适应船只检测方法,该方法不仅能够改善多目标环境导致的漏检和虚警,而且对均质和非均质SAR图像均具有稳健的检测能力和较高的运算效率。
实现本发明目的的技术解决方案为:一种基于全局迭代检查的SAR图像自适应船只检测方法,包含如下步骤:
步骤1:根据经纬度坐标将地理信息数据与SAR图像I配准后叠加,保留海洋区域内的像素值,将其它区域内的像素值置为-1,得到仅保留海洋区域的SAR图像Imask用于船只检测;
步骤2:利用LFICM分割算法通过SAR图像海洋区域像素的数值和位置将Imask中的海洋区域分割为多个均质子区域,为避免分割过程中产生的小区域影响,利用形态学闭操作将面积过小的区域剔除;
步骤3:逐子区域进行全局迭代检查(GIC)和自适应杂波模型选择;对每个子区域,迭代进行基于AIC准则的最优杂波模型选择、全局阈值CFAR检测和当前区域的船只目标候选图像更新,直到当前区域的船只目标候选图像不发生改变;对下一个区域重复上述操作;遍历所有均质子区域,最终得到候选船只二值图像;
步骤4:对候选船只目标二值图像中的每个像素进行辨识,利用二维滑窗CFAR检测器计算当前候选船只像素对应的局部检测阈值,若候选船只像素值小于检测阈值,则将其在候选船只二值图像中设置为背景像素;遍历所有候选像素后,得到最终的船只检测结果二值图像。
步骤2所述的基于FLICM的SAR图像均质区域分割和形态学处理,按如下步骤进行:
2a)根据SAR图像海洋区域的海况特性,设置初始聚类数量c、模糊度因子m、迭代终止误差ε和局部邻域窗口尺寸WFLICM;
2b)利用随机数初始化海洋区域所有像素的隶属度矩阵U;其中,U=[uki]c×K(k=1,...,c;i=1,...,N)为c×N矩阵,N为Imask中海洋区域像素总数,即Imask中像素值不等于-1的值;
2c)初始化计算聚类中心:
其中,vk(k=1,...,c)为第k个聚类的类别中心;xi(i=1,...,N)为海洋区域内的第i个像素;
其中,Gki(k=1,...,c;i=1,...,N)为由局部位置信息决定的xi属于第k个聚类的隶属度因子,由下式计算
其中,Ni为像素xi在SAR图像中的WFLICM×WFLICM去心邻域(即不含中心像素的WFLICM×WFLICM方窗),xh为该邻域中第h个像素点;为xh和xi之间的欧式距离,(pi,qi)和(ph,qh)分别为xi和xh在图像中的坐标;
2e)计算隶属度矩阵的改变值Δ=||Unew-U||,其中||·||为矩阵2-范数运算;若Δ≤ε则终止迭代,执行2f);否则令b=b+1,U=Unew,回到2c)继续迭代;
2f)建立与Imask等大的图像矩阵Iseg,将其中所有像素值置为-1;对像素xi(pi,qi),令其所属的均质子区域类别将Iseg中坐标为(pi,qi)的像素值置为K;遍历海洋区域的所有像素,即得到海洋区域的粗分割图像Iseg;
2g)对粗分割图像Iseg先后应用5×5的形态学膨胀滤波和腐蚀滤波,实现对小区域的抑制,从而得到海洋区域的均质子区域划分图像其中代表c个子区域的并集运算,VK代表中第K个子区域像素构成的集合,Vland为图像中值为-1的像素集合,对应于Imask中陆地区域像素的集合。
步骤3所述的基于GIC的子区域候选船只目标检测与自适应分布模型选择,按如下步骤进行:
3c)利用AIC准则从高斯分布、瑞利分布、Gamma分布、K分布、Weibull分布和G0分布六个常用分布中选择具有最小熵值的模型刻画当前子区域的海杂波分布;将集合中像素值划分为ξ个等级,用yj,j=1,...,ξ表征第j个等级,且有y1<y2<…<yξ,则可定义AIC检验为
其中,∏(·)为连乘符号;fModel(yj)为高斯分布、瑞利分布、Gamma分布、K分布、Weibull分布和G0分布六个常用分布中,由Model表征的杂波概率密度函数,OFP为杂波概率密度函数的参数数量;
选取使得E(Model)值最小的模型作为当前区域的最优分布模型,并记录模型参数的估计值,用于对区域内目标进行检测;
3d)利用CFAR算法计算子区域VK的全局检测阈值
其中,T为利用黄金分割搜索算法得到的子区域VK的全局检测阈值;
步骤4所述的基于二维滑窗CFAR检测器的候选船只像素辨识,按如下步骤进行:
4a)根据检测海域内船只尺寸和区域特性,分别设置二维滑窗CFAR检测器的参考窗口尺寸Rref、警戒窗口尺寸RG,设置检测窗口尺寸为单像素,定义辨识虚警率为和最小参考单元数nref;二维滑窗CFAR检测器的结构如图1所示。
4b)将二维滑窗CFAR检测器应用于Imask图像;
对Imask图像中的像素xmask(p0,q0),将滑窗CFAR检测器的检测单元置于xmask(p0,q0)
所在位置;于是,环形保护区域和环形参考区域覆盖在xmask(p0,
q0)的Rref×Rref邻域中;若其在二值图像中对应位置的像素xdet(p0,q0)=1,则提取Imask
图像中位于xmask(p0,q0)邻域参考区域内的像素xmask(pj,qj),其中分别在和中提取对应位置像素值xdet
(pj,qj)和xseg(pj,qj),建立参考区域像素集合Sref
Sref={(xmask(pj,qj),xdet(pj,qj),xseg(pj,qj))} (10)
在集合中,取满足xdet(pj,qj)=0的集合元素建立模型参数估计样本集合Sest
Sest={(xmask(pj,qj),xdet(pj,qj),xseg(pj,qj))|xdet(pj,qj)=0} (11)
根据xseg(pj,qj)对应均质区域,将Sest划分为Clocal个子集(Clocal≤c)
其中,Ci∈[1,c]为子集中元素对应的均质子区域编号,i=1,...,Clocal。令表征子集中元素数量,表示子集中xmask(pj,qj)的均值,则具有最大xmask(pj,qj)均值的子集定义为
若则使用对应均质子区域的杂波模型M(Cmax),并利用集合中的xmask(pj,qj)元素估计杂波模型参数,得到对应的杂波概率密度函数否则,使用中心像素所在区域C0的杂波模型M(C0),利用Sest中所有样本估计杂波模型参数,得到对应的杂波概率密度函数
本发明与现有SAR船只检测技术相比,其显著优点为:
(1)本发明提供了对均质和非均质SAR图像以及港口、航道、海上渔场等多目标环境提供了一种稳健可靠的检测方法,在各种情况下均具有高的检测概率和较低的虚警概率,且在各种情况下的检测性能稳健;
(2)本发明提供了一个对非均质SAR图像杂波模型的自适应选择策略,避免了由于预先设定单一杂波模型造成的检测性能下降;
(3)本发明可广泛应用于不同传感器、不同工作模式和不同分辨率的SAR数据,具有良好的普适性;
(4)本发明具有计算复杂度低、处理速度快的特点,能对大幅宽的海量SAR数据进行快速船只检测处理。
附图说明
图1是二维滑窗CFAR检测器结构示意图。
图2是自适应船只检测算法总体流程图。
图3是均质海洋区域划分流程图。
图4是单子区域迭代检查处理流程图。
图5是基于最优海杂波分布模型的单子区域候选目标辨识处理流程图。
图6是实验所用SAR图像。
图7为图6经过地理信息数据提取海洋区域的结果。
图8为均质区域划分结果。
图9为图7中红色方框内区域图像,以及本发明、二维滑窗K-CFAR检测器和OMW K-CFAR检测方法对其检测结果的比较。
具体实施方式
下面附图对本发明作进一步详细说明。
一种基于全局迭代检查的SAR图像自适应船只检测方法,由基于FLICM的自适应均质区域划分、基于GIC的自适应子区域杂波模型选择和船只粗分割、以及基于二维滑窗恒虚警检测器的船只目标辨识等三个主要步骤构成。
基于FLICM的自适应均质区域划分,首先通过地理信息数据将待检测的海洋区域从输入的SAR图像中分割出来,利用FLICM算法将海洋区域划分为若干个均质子区域,并利用形态学闭滤波剔除分割结果中的小区域。该处理最终输出为均质区域划分图像
基于GIC的自适应子区域杂波模型选择和船只粗分割,通过遍历待检测区域的每个子区域实现对各子区域的自适应杂波模型选择和船只粗分割。对待处理的当前子区域,本发明通过GIC方法,先利用AIC准则选择本区域内的最优杂波分布模型,再利用最优杂波模型计算当前区域的全局CFAR检测阈值,获取当前区域的船只粗分割结果,然后将被判定为船只像素的样本数据从当前区域的背景样本中剔除后重复上述操作。直到当前区域的检测内的不再发生变化。遍历待检测区域的每个子区域,最终输出粗分割结果图像和杂波模型数组M(K)。
基于二维滑窗CFAR检测器的船只目标辨识,利用二维滑窗检测器对粗分割结果图像中标记的检测结果进行辨识。在SAR图像中对标记为目标的每个像素应用二维滑窗恒虚警检测器,为避免多目标环境的干扰,将参考区域中被标记为船只像素的样本剔除,根据背景区域中存在的均质区域划分情况选取适宜的杂波模型和背景样本估计参数,计算辨识阈值,实现辨识。对中所用标记过的像素辨识后,最终输出检测结果二值图像
本发明采用如图2所示的工作流程:
步骤1:根据经纬度坐标将地理信息数据与SAR图像I配准后叠加,保留海洋区域内的像素值,将其它区域内的像素值置为-1,得到仅保留海洋区域的SAR图像Imask用于船只检测。
步骤2:采用如图3所示流程,将Imask中的海洋区域分割为多个均质子区域。
2a)根据SAR图像海洋区域的海况特性,设置初始聚类数量c、模糊度因子m、迭代终止误差ε和局部邻域窗口尺寸WFLICM。
2b)利用随机数初始化海洋区域所有像素的隶属度矩阵U。其中,U=[uki]c×K(k=1,...,c;i=1,...,N)为c×N矩阵,N为Imask中海洋区域像素总数,即Imask中像素值不等于-1的值。
2c)初始化计算聚类中心:
其中,vk(k=1,...,c)为第k个聚类的类别中心;xi(i=1,...,N)为海洋区域内的第i个像素。
其中,Gki(k=1,...,c;i=1,...,N)为由局部位置信息决定的xi属于第k个聚类的隶属度因子,可由下式计算
其中,Ni为像素xi在SAR图像中的WFLICM×WFLICM去心邻域(即不含中心像素的WFLICM×WFLICM方窗),xh为该邻域中第h个像素点;为xh和xi之间的欧式距离,(pi,qi)和(ph,qh)分别为xi和xh在图像中的坐标。
2e)计算隶属度矩阵的改变值Δ=||Unew-U||,其中||·||为矩阵2-范数运算。若Δ≤ε则终止迭代,执行2f);否则令b=b+1,U=Unew,回到2c)继续迭代。
2f)建立与Imask等大的图像矩阵Iseg,将其中所有像素值置为-1。对像素xi(pi,qi),令其所属的均质子区域类别将Iseg中坐标为(pi,qi)的像素值置为K。遍历海洋区域的所有像素,即可得到海洋区域的粗分割图像Iseg。
2g)对粗分割图像Iseg先后应用5×5的形态学膨胀滤波和腐蚀滤波,实现对小区域的抑制,从而得到海洋区域的均质子区域划分图像其中代表c个子区域的并集运算,VK代表中第K个子区域像素构成的集合,Vland为图像中值为-1的像素集合,对应于Imask中陆地区域像素的集合。
步骤3:采用如图4所示流程,逐子区域进行全局迭代检查(GIC)和自适应杂波模型选择。
3d)利用AIC准则从高斯分布、瑞利分布、Gamma分布、K分布、Weibull分布和G0分布六个常用分布中选择具有最小熵值的模型刻画当前子区域的海杂波分布。将集合中像素值划分为ξ个等级,用yj,j=1,...,ξ表征第j个等级,且有y1<y2<…<yξ,则可定义AIC检验为
其中,∏(·)为连乘符号;fModel(yj)为高斯分布、瑞利分布、Gamma分布、K分布、Weibull分布和G0分布六个常用分布中,由Model表征的杂波概率密度函数,OFP为杂波概率密度函数的参数数量。
高斯分布的概率密度函数可定义为
瑞利分布的概率密度函数定义为
Gamma分布的概率密度函数定义为
其中,L为雷达视数,由雷达头文件信息给出;Γ(·)为Gamma函数,v为形状因子,可由下式求得
其中,Γ'(x)为Γ(·)的一阶导数。
K分布的概率密度函数定义为
其中,γ为形状因子,由下式求解得到:
Kγ-L(·)为γ-L阶第一类修正贝塞尔函数。
Weibull分布的概率密度函数定义为
其中,b尺度参数,a为形状参数,可由下式求得
G0分布的概率密度函数定义为
其中,α和λ参数可由下式解得:
选取使得E(Model)值最小的模型作为当前区域的最优分布模型,并记录模型参数的估计值,用于对区域内目标进行检测。
3e)利用恒虚警算法计算子区域VK的全局检测阈值
其中,T为利用黄金分割搜索算法得到的子区域VK的全局检测阈值。
步骤4:采用如图5所示流程,利用二维滑窗CFAR检测器对候选船只目标进行辨识。
4a)根据检测海域内船只尺寸和区域特性,分别设置二维滑窗CFAR检测器的参考窗口尺寸Rref、警戒窗口尺寸RG,设置检测窗口尺寸为单像素,定义辨识虚警率为和最小参考单元数nref。二维滑窗CFAR检测器的结构如图1所示。
4b)将图1所示的二维滑窗CFAR检测器应用于Imask图像。
对Imask图像中的像素xmask(p0,q0),将滑窗CFAR检测器的检测单元置于xmask(p0,q0)
所在位置。于是,图1所示的环形保护区域和环形参考区域覆盖
在xmask(p0,q0)的Rref×Rref邻域中。若其在二值图像中对应位置的像素xdet(p0,q0)=1,
则提取Imask图像中位于xmask(p0,q0)邻域参考区域内的像素xmask(pj,qj),其中分别在和中提取对应位置像素值xdet
(pj,qj)和xseg(pj,qj),建立参考区域像素集合Sref
Sref={(xmask(pj,qj),xdet(pj,qj),xseg(pj,qj))} (37)
在集合中,取满足xdet(pj,qj)=0的集合元素建立模型参数估计样本集合Sest
Sest={(xmask(pj,qj),xdet(pj,qj),xseg(pj,qj))|xdet(pj,qj)=0} (38)
根据xseg(pj,qj)对应均质区域,将Sest划分为Clocal个子集(Clocal≤c)
其中,Ci∈[1,c]为子集中元素对应的均质子区域编号,i=1,...,Clocal。令表征子集中元素数量,表示子集中xmask(pj,qj)的均值,则具有最大xmask(pj,qj)均值的子集可定义为
若则使用对应均质子区域的杂波模型M(Cmax),并利用集合中的xmask(pj,qj)元素估计杂波模型参数,得到对应的杂波概率密度函数否则,使用中心像素所在区域C0的杂波模型M(C0),利用Sest中所有样本估计杂波模型参数,得到对应的杂波概率密度函数
下面结合实施例对本发明做进一步说明。
实施例1
本发明是一种基于全局迭代检查的SAR图像自适应船只检测方法,主要涉及对港口、航道、渔场等区域海面上船只目标的检测,具体实施是通过图2所示步骤实现的:
步骤1:基于地理信息数据的海面区域SAR图像提取。
对输入的待检测SAR图像I,利用数据头文件中的经纬度坐标,将SAR图像I与地理信息数据库中的海陆数据配准叠加。保留海洋区域内的像素值,将其它区域内的SAR图像像素值置为-1,,得到仅保留海洋区域的SAR图像Imask。
步骤2:按照图3所示的处理流程,利用FLICM算法和形态学滤波,将Imask图像中的海洋区域划分为若干个均质子区域。
2a)根据输入海洋区域SAR图像Imask={xi|i=1,...,N}的海况特性,手动设置初始聚类数量c、模糊度因子m、迭代终止误差ε和局部邻域窗口尺寸WFLICM。
2b)利用随机数初始化海洋区域所有像素的c×N维隶属度矩阵U=[uki]c×K。
2c)根据隶属度矩阵U利用公式(16)计算聚类中心vk(k=1,...,c)。
2d)根据聚类中心vk(k=1,...,c),利用公式(17)计算由WFLICM×WFLICM去心邻域内局部位置信息决定的隶属度因子矩阵G=[Gki]c×N,然后利用公式(17)更新海洋区域所有像素的隶属度矩阵
2e)计算隶属度矩阵的改变值Δ=||Unew-U||。若Δ≤ε则终止迭代,执行2f);否则令b=b+1,U=Unew,回到2c)继续迭代。
2f)建立与Imask等大的图像矩阵Iseg,将其中所有像素值置为-1。对像素xi(pi,qi),令其所属的均质子区域类别将Iseg中坐标为(pi,qi)的像素值置为K。遍历海洋区域的所有像素,即可得到海洋区域的粗分割图像Iseg。
2g)对粗分割图像Iseg先后应用5×5的形态学膨胀滤波和腐蚀滤波,实现对小区域的抑制,从而得到海洋区域的均质子区域划分图像其中代表c个子区域的并集运算,VK代表中第K个子区域像素构成的集合,Vland为图像中值为-1的像素集合,对应于Imask中陆地区域像素的集合。
步骤4:按照图4所述处理流程,逐子区域进行全局迭代检查(GIC)和自适应杂波模型选择。
3d)根据公式(23)-(35),利用AIC准则从高斯分布、瑞利分布、Gamma分布、K分布、Weibull分布和G0分布六个常用分布中选择具有最小熵值的模型刻画当前子区域的海杂波分布。
3e)根据公式(36),利用黄金分割搜索算法,得到子区域VK的全局检测阈值T。
步骤4:采用如图5所示流程,利用二维滑窗CFAR检测器对候选船只目标进行辨识。
4a)根据检测海域内船只尺寸和区域特性,分别设置二维滑窗CFAR检测器的参考窗口尺寸Rref、警戒窗口尺寸RG,设置检测窗口尺寸为单像素,定义辨识虚警率为和最小参考单元数nref。二维滑窗CFAR检测器的结构如图1所示。
4b)对Imask图像中的像素xmask(p0,q0),将滑窗检测器的检测单元置于xmask(p0,q0)所在位置。于是,图1所示的环形保护区域和环形参考区域覆盖在xmask(p0,q0)的Rref×Rref邻域中。若其在二值图像中对应位置的像素xdet(p0,q0)=1,则根据公式(37)-(38),建立模型参数估计样本集合Sest。
4c)根据Sest中元素对应均质区域的不同,将Sest划分为Clocal个子集(Clocal≤c),即其中,Ci∈[1,c]为子集中元素对应的均质子区域编号,i=1,...,Clocal。令表征子集中元素数量,表示子集中xmask(pj,qj)的均值,为具有最大xmask(pj,qj)均值的子集。
4d)若则使用对应均质子区域的杂波模型M(Cmax),并利用集合中的xmask(pj,qj)元素估计杂波模型参数,得到对应的杂波概率密度函数否则,使用中心像素所在区域C0的杂波模型M(C0),利用Sest中所有样本估计杂波模型参数,得到对应的杂波概率密度函数
4g)若当前像素不是Imask中的最后一个像素,则将二维滑窗CFAR检测器移至Imask中的下一个像素,返回步骤4b)。
实施例2
基于全局迭代检查的SAR图像自适应船只检测方法同实施例1,本发明的参数设置和效果通过以下对实测数据的实验进一步说明:
实验采用的实测数据为2000年1月7日获取的C波段Radarsat-1单极化精细模式数据,数据距离向和方位向分辨率均作为6.25米。实测数据的幅度图如图6所示,实验采用的地理信息数据为欧空局提供的世界海岸线数据。
实验参数设置如下:对于基于FLICM的均质区域划分处理,设置初始聚类数量c=6、模糊度因子m=2、迭代终止误差ε=1×10-6和局部邻域窗口尺寸WFLICM=5。对于全局迭代检查(GIC)和自适应杂波模型选择处理,设置全局CFAR检测的虚警概率对于基于二维滑窗CFAR检测器的候选船只辨识处理,设置二维滑窗CFAR检测器的参考窗口尺寸Rref=75、警戒窗口尺寸RG=53,设置检测窗口尺寸为单像素,定义辨识虚警率为和最小参考单元数nref=280。
海洋区域提取结果图像见图7,均质区域划分结果见图8。为便于显示和比较本发明方法的检测效果,取图7中矩形方块标示的局部区域进行说明,该区域的放大图像见图9(a)。图9(b)为采取本发明方法的加测结果;图9(c)为采用相同窗口参数的二维滑窗K-CFAR检测器处理结果;图9(d)为采用相同参数设置的OMW K-CFAR检测算法处理结果,可以看到该算法在检测结果中引入了大量的虚警。显然,相比本方法,其它常规方法将会引入较多虚警。
综上所述,本发明提供了一种稳健的SAR图像自适应船只检测方法,针对现有检测算法在非均质海面SAR图像和多目标环境下检测性能下降和稳健性较差的问题,采用自动均质区域划分以解决非均质区域对杂波型选择和检测性能的影响,采用全局迭代检查和二维滑窗CFAR检测相结合的方式解决多目标环境和均质子区域边界对检测阈值估计的影响。本发明显著改善了复杂海洋环境下的船只检测能力,可用于检测均质和非均质海洋SAR图像中的船只目标。
Claims (3)
1.一种基于全局迭代检查的SAR图像自适应船只检测方法,其特征在于包含如下步骤:
步骤1:根据经纬度坐标将地理信息数据与SAR图像I配准后叠加,保留海洋区域内的像素值,将其它区域内的像素值置为-1,得到仅保留海洋区域的SAR图像Imask用于船只检测;
步骤2:利用FLICM分割算法通过SAR图像海洋区域像素的数值和位置将Imask中的海洋区域分割为多个均质子区域,利用形态学闭操作将面积过小的区域剔除;
步骤3:逐子区域进行全局迭代检查GIC和自适应杂波模型选择;对每个子区域,迭代进行基于AIC准则的最优杂波模型选择、全局阈值CFAR检测和当前区域的船只目标候选图像更新,直到当前区域的船只目标候选图像不发生改变;对下一个区域重复上述操作;遍历所有均质子区域,最终得到候选船只二值图像;
步骤4:对候选船只目标二值图像中的每个像素进行辨识,利用二维滑窗CFAR检测器计算当前候选船只像素对应的局部检测阈值,若候选船只像素值小于检测阈值,则将其在候选船只二值图像中设置为背景像素;遍历所有候选像素后,得到最终的船只检测结果二值图像;所述的基于二维滑窗CFAR检测器的候选船只像素辨识,按如下步骤进行:
4b)将二维滑窗CFAR检测器应用于Imask图像;
对Imask图像中的像素xmask(p0,q0),将滑窗CFAR检测器的检测单元置于xmask(p0,q0)所在位置;于是,环形保护区域和环形参考区域覆盖在xmask(p0,q0)的Rref×Rref邻域中;定义与Imask等大的二值检测结果图像和若其在二值图像中对应位置的像素xdet(p0,q0)=1,则提取Imask图像中位于xmask(p0,q0)邻域参考区域内的像素xmask(pj,qj),其中分别在和中提取对应位置像素值xdet(pj,qj)和xseg(pj,qj),建立参考区域像素集合Sref
Sref={(xmask(pj,qj),xdet(pj,qj),xseg(pj,qj))} (1)
在集合中,取满足xdet(pj,qj)=0的集合元素建立模型参数估计样本集合Sest
Sest={(xmask(pj,qj),xdet(pj,qj),xseg(pj,qj))|xdet(pj,qj)=0} (2)
根据xseg(pj,qj)对应均质区域,将Sest划分为Clocal个子集,Clocal≤c
其中,Ci∈[1,c]为子集中元素对应的均质子区域编号,i=1,...,Clocal;令表征子集中元素数量,表示子集中xmask(pj,qj)的均值,则具有最大xmask(pj,qj)均值的子集定义为
若则使用对应均质子区域的杂波模型M(Cmax),并利用集合中的xmask(pj,qj)元素估计杂波模型参数,得到对应的杂波概率密度函数否则,使用中心像素所在区域C0的杂波模型M(C0),利用Sest中所有样本估计杂波模型参数,得到对应的杂波概率密度函数
2.根据权利要求1所述的基于全局迭代检查的SAR图像自适应船只检测方法,其特征在于步骤2所述的基于FLICM的SAR图像均质区域分割和形态学处理,按如下步骤进行:
2a)根据SAR图像海洋区域的海况特性,设置初始聚类数量c、模糊度因子m、迭代终止误差ε和局部邻域窗口尺寸WFLICM;
2b)利用随机数初始化海洋区域所有像素的隶属度矩阵U;其中,U=[uki]c×N为c×N矩阵,k=1,...,c;i=1,...,N,N为Imask中海洋区域像素总数,即Imask中像素值不等于-1的值;
2c)初始化计算聚类中心:
其中,vk(k=1,...,c)为第k个聚类的类别中心;xi(i=1,...,N)为海洋区域内的第i个像素;
其中,Gki为由局部位置信息决定的xi属于第k个聚类的隶属度因子,k=1,...,c;i=1,...,N,由下式计算
其中,Ni为像素xi在SAR图像中的WFLICM×WFLICM去心邻域,即不含中心像素的WFLICM×WFLICM方窗,xh为该邻域中第h个像素点;为xh和xi之间的欧式距离,(pi,qi)和(ph,qh)分别为xi和xh在图像中的坐标;
2e)计算隶属度矩阵的改变值Δ=||Unew-U||,其中||·||为矩阵2-范数运算;若Δ≤ε则终止迭代,执行2f);否则令b=b+1,U=Unew,回到2c)继续迭代;
2f)建立与Imask等大的图像矩阵Iseg,将其中所有像素值置为-1;对像素xi(pi,qi),令其所属的均质子区域类别将Iseg中坐标为(pi,qi)的像素值置为K;遍历海洋区域的所有像素,即得到海洋区域的粗分割图像Iseg;
3.根据权利要求2所述的基于全局迭代检查的SAR图像自适应船只检测方法,其特征在于步骤3所述的基于GIC的子区域候选船只目标检测与自适应分布模型选择,按如下步骤进行:
3c)利用AIC准则从高斯分布、瑞利分布、Gamma分布、K分布、Weibull分布和G0分布六个常用分布中选择具有最小熵值的模型刻画当前子区域的海杂波分布;将集合中像素值划分为ξ个等级,用yj,j=1,...,ξ表征第j个等级,且有y1<y2<…<yξ,则可定义AIC检验为
其中,Π(·)为连乘符号;fModel(yj)为高斯分布、瑞利分布、Gamma分布、K分布、Weibull分布和G0分布六个常用分布中,由Model表征的杂波概率密度函数,OFP为杂波概率密度函数的参数数量;
选取使得E(Model)值最小的模型作为当前区域的最优分布模型,并记录模型参数的估计值,用于对区域内目标进行检测;
3d)利用CFAR算法计算子区域VK的全局检测阈值
其中,T为利用黄金分割搜索算法得到的子区域VK的全局检测阈值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610070867.3A CN107025654B (zh) | 2016-02-01 | 2016-02-01 | 基于全局迭代检查的sar图像自适应船只检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610070867.3A CN107025654B (zh) | 2016-02-01 | 2016-02-01 | 基于全局迭代检查的sar图像自适应船只检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107025654A CN107025654A (zh) | 2017-08-08 |
CN107025654B true CN107025654B (zh) | 2020-07-31 |
Family
ID=59524475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610070867.3A Active CN107025654B (zh) | 2016-02-01 | 2016-02-01 | 基于全局迭代检查的sar图像自适应船只检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107025654B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107589409B (zh) * | 2017-08-22 | 2020-07-21 | 电子科技大学 | 一种分置天线mimo雷达分布式低通信量检测融合方法 |
CN109584279A (zh) * | 2017-09-29 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 基于sar图像的船舶检测方法、装置及船舶检测*** |
CN109001725B (zh) * | 2018-06-07 | 2020-11-10 | 中国人民解放军海军工程大学 | 一种海上无人艇海上多目标跟踪方法 |
CN108957421B (zh) * | 2018-08-03 | 2020-09-18 | 中国人民解放军战略支援部队信息工程大学 | 一种基于贝塞尔曲线拟合雷达辐射源个体识别方法及*** |
CN109358330B (zh) * | 2018-11-06 | 2020-04-21 | 电子科技大学 | 一种双基前视sar线性时间同步误差估计方法 |
CN109766811B (zh) * | 2018-12-31 | 2023-05-02 | 复旦大学 | 一种星载sar图像中海面船只的端到端检测与识别方法 |
CN110426681B (zh) * | 2019-07-31 | 2023-07-14 | 长春理工大学 | 一种基于同步提取s变换的lfm信号参数估计方法 |
CN112986991B (zh) * | 2021-02-05 | 2022-06-21 | 中国人民解放军国防科技大学 | 一种杂波分布无关的极化合成孔径雷达船只检测方法 |
CN113256667B (zh) * | 2021-04-14 | 2023-07-21 | 大连海事大学 | 一种基于Otsu与联合分布的SAR图像舰船目标检测方法 |
CN113466866B (zh) * | 2021-08-23 | 2024-06-07 | 西北工业大学 | 一种基于跟踪的运动目标高分辨合成孔径雷达成像算法 |
CN113936199B (zh) * | 2021-12-17 | 2022-05-13 | 珠海视熙科技有限公司 | 一种图像的目标检测方法、装置及摄像设备 |
CN114463365B (zh) * | 2022-04-12 | 2022-06-24 | 中国空气动力研究与发展中心计算空气动力研究所 | 红外弱小目标分割方法、设备及介质 |
-
2016
- 2016-02-01 CN CN201610070867.3A patent/CN107025654B/zh active Active
Non-Patent Citations (6)
Title |
---|
An Improved Iterative Censoring Scheme for CFAR Ship Detection With SAR Imagery;Wentao An 等;《IEEE》;20140831;第52卷(第8期);4585-4595 * |
Change Detection in Synthetic Aperture Radar Images based on Image Fusion and Fuzzy Clustering;Maoguo Gong等;《IEEE》;20120430;第21卷(第4期);2141-2151 * |
On the Iterative Censoring for Target Detection in SAR Images;YI CUI 等;《IEEE》;20110731;第8卷(第4期);641-645 * |
SAR图像CFAR检测的快速算法综述;赵明波 等;《自动化学报》;20121231;第38卷(第12期);1885-1895 * |
SAR图像舰船目标检测方法研究;谭昆;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100615;8-43 * |
基于引力场增强的SAR图像舰船检测方法研究;田巳睿 等;《遥感学报》;20070731;第11卷(第4期);452-459 * |
Also Published As
Publication number | Publication date |
---|---|
CN107025654A (zh) | 2017-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107025654B (zh) | 基于全局迭代检查的sar图像自适应船只检测方法 | |
CN109766811B (zh) | 一种星载sar图像中海面船只的端到端检测与识别方法 | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
Zhao et al. | A coupled convolutional neural network for small and densely clustered ship detection in SAR images | |
Wang et al. | New hierarchical saliency filtering for fast ship detection in high-resolution SAR images | |
US8094060B2 (en) | Method of detecting a target | |
Wang et al. | An improved faster R-CNN based on MSER decision criterion for SAR image ship detection in harbor | |
Liu et al. | Comparison of algorithms for wind parameters extraction from shipborne X-band marine radar images | |
CN106709914A (zh) | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 | |
CN106845343B (zh) | 一种光学遥感图像海上平台自动检测方法 | |
Hou et al. | End-to-end automatic ship detection and recognition in high-resolution Gaofen-3 spaceborne SAR images | |
Iervolino et al. | Ship detection in SAR imagery: A comparison study | |
CN110889843A (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
Xu et al. | Intelligent ship recongnition from synthetic aperture radar images | |
CN112101250B (zh) | 一种基于上下文语义感知的近岸舰船目标检测方法 | |
Song et al. | An efficient marine oil spillage identification scheme based on an improved active contour model using fully polarimetric SAR imagery | |
Fitriani et al. | Fishing-vessel detection using synthetic aperture radar (SAR) Sentinel-1 (Case study: Java Sea) | |
Farah et al. | A fast ship detection algorithm based on automatic censoring for multiple target situations in SAR images | |
Wang et al. | An inshore ship detection method in SAR images based on contextual fluctuation information | |
CN113052117B (zh) | 一种ais数据辅助的sar图像的瑞利cfar检测方法 | |
Wang et al. | A multidirectional one-dimensional scanning method for harbor detection from sar images | |
DK180729B1 (en) | System for processing radar data representing intensity values of received power of reflected radar wave signals | |
Liu et al. | An automatic ship detection system using ERS SAR images | |
Zhao et al. | Change detection based on similarity measure and joint classification for polarimetric SAR images | |
Li et al. | Ship target detection method based on local saliency enhancement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |