CN107067039A - 基于超像素的sar图像舰船目标快速检测方法 - Google Patents
基于超像素的sar图像舰船目标快速检测方法 Download PDFInfo
- Publication number
- CN107067039A CN107067039A CN201710277989.4A CN201710277989A CN107067039A CN 107067039 A CN107067039 A CN 107067039A CN 201710277989 A CN201710277989 A CN 201710277989A CN 107067039 A CN107067039 A CN 107067039A
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- mrow
- msub
- target
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于超像素的SAR图像舰船目标快速检测方法,其主要思路为:确定待检测的SAR图像,所述待检测的SAR图像包含H个目标,每个目标都可视为由一个或多个目标超像素组成;然后对待检测的SAR图像进行超像素分割,得到N个超像素;对N个超像素进行全局恒虚警处理,得到M个候选目标超像素和N‑M个杂波超像素;对M个候选目标超像素进行局部窗口恒虚警目标检测处理,得到M个候选目标超像素对应的二值图像集合,记为待检测二值图像A;对待检测二值图像A进行目标超像素筛选处理,得到Q个目标超像素集合,然后对Q个目标超像素集合进行聚类处理,得到聚类处理后的G个目标超像素,G≤Q,Q<M,所述G个目标超像素分别包含待检测的SAR图像内包含的舰船目标。
Description
技术领域
本发明属于雷达目标检测技术领域,特别涉及一种基于超像素的SAR图像舰船目标快 速检测方法,适用于合成孔径雷达SAR图像中快速、有效检测舰船目标的方法。
背景技术
作为一种主动微波传感器,合成孔径雷达SAR***不受光照、天气等条件的限制,能 够对目标进行全天候、全天时的观测,因此广泛用于军用和民用领域。
SAR图像目标检测是自动目标识别中的关键技术,在现有的SAR图像目标检测方法中,双参数恒虚警CFAR检测方法应用广泛。该检测算法基于背景杂波服从高斯分布的假设,设置由目标窗口、保护窗口和背景窗口三部分组成的滑动窗口,利用该滑动窗口遍历整幅SAR图像中的像素;双参数CFAR方法的缺点主要在于:复杂场景下背景杂波建模 不准确,造成目标检测准确率下降;目标检测采用滑动窗口实现,每次滑动过程中均需对 背景杂波参数进行估计,导致算法速度偏慢。
随着SAR技术水平的发展,SAR图像分辨率不断提高,这虽然有利于获得更为精细的目标信息,但也给常规基于像素强度的目标检测带来了困难。由于高分辨SAR图像中目标尺寸远大于雷达距离分辨单元,目标的多个散射中心扩展到不同距离单元,回波能量被分散,造成目标像素灰度起伏,目标区域中存在弱像素点,仅基于单个像素的强度进行目标检测时,这些弱目标像素点容易被漏检,造成检测结果中出现目标的断裂和不连续现象。另外,高分辨SAR图像中的目标不仅是高亮像素点的简单集合,目标像素之间的空间关系更体现了目标的结构和形状特征,而现有的SAR图像目标检测算法大多以单个像素为处理单位,并未考虑像素之间的空间关系。
超像素分割算法在图像处理中应用广泛,根据像素点之间的相似程度对图像中的像素 点进行分组得到局部的图像块,称之为超像素。高分辨SAR图像中的目标可视为由一个或 多个相邻的超像素组合而成,因此将超像素作为目标检测的基本单元,不仅可以获得图像 的结构信息,而且由于超像素的个数远小于图像中的像素总数,有利于降低目标检测过程 的运算量。
余文毅等人在文章“Superpixel-Based CFAR Target Detection for High-Resolution SAR Images,IEEE Geosci.Remote Sens.Lett.,vol.13,no.5,pp.730–734,May.2016.”中提出了一 种基于超像素的恒虚警CFAR目标检测方法,为和本发明作区分,将其称为滑窗超像素 CFAR方法;这种方法将超像素和双参数CFAR目标检测思想相结合,设置超像素滑窗进 行目标检测,获得了比常规像素级的CFAR方法更好的检测结果,但是这种方法的缺点在 于需要利用滑窗对SAR图像中的超像素进行遍历处理,导致运算量大,不满足目标检测实 时性的要求。
发明内容
针对上述已有技术的不足,本发明提出了一种基于超像素的SAR图像舰船目标快速检 测方法,该种基于超像素的SAR图像舰船目标快速检测方法能够有效减少虚警和漏警,保 证目标检测的精度,同时具有计算复杂度低的优点,能够满足算法实时性要求。
本发明方法的基本思路:首先在SAR图像中生成超像素,然后通过对超像素进行描述 和统计分析,采用两级恒虚警CFAR目标检测算法进行目标检测,得到待检测二值图像,最后通过对待检测二值图像进行虚警剔除,完成SAR图像目标检测;其中,两级恒虚警 CFAR包括采用全局恒虚警CFAR筛选候选目标超像素,以及采用局部窗口恒虚警CFAR 对候选目标超像素进行检测,得到包含疑似目标区域目标的二值图像。
为达到上述技术目的,本发明采用如下技术方案予以实现。
一种基于超像素的SAR图像舰船目标快速检测方法,包括以下步骤:
步骤1,确定待检测的SAR图像,所述待检测的SAR图像包含H个目标,每个目标都可视为由一个或多个目标超像素组成;然后对待检测的SAR图像进行超像素分割,得到N 个超像素;N、H分别为大于0的正整数;
步骤2,对N个超像素进行全局恒虚警处理,得到M个候选目标超像素和N-M个杂 波超像素;M为大于0的正整数;
步骤3,对M个候选目标超像素进行局部窗口恒虚警目标检测处理,得到M个候选目标超像素对应的二值图像集合,记为待检测二值图像A;
步骤4,对待检测二值图像A进行目标超像素筛选处理,得到Q个目标超像素集合,然后对Q个目标超像素集合进行聚类处理,得到聚类处理后的G个目标超像素,G≤Q, Q<M,所述G个目标超像素分别包含待检测的SAR图像内包含的舰船目标;G、Q分别 为大于0的正整数。
本发明与现有技术相比具有以下优点:
第一,本发明方法利用加权信息熵描述超像素的统计特性,能够更好地区分目标超像 素和杂波超像素。
第二,本发明方法采用两级恒虚警CFAR目标检测方法,通过筛选候选目标超像素,大大减少了运算量,显著提高了算法实时性。
第三,本发明方法采用超像素作为目标检测的基本单元,对比像素级的目标检测方法, 能够保存目标结构的完整性和目标边缘,使目标具有良好的连续性。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1是本发明的一种基于超像素的SAR图像舰船目标快速检测方法实现流程图。
图2是本发明仿真使用的TerraSAR-X高分辨SAR图像。
图3为对图2进行超像素分割后得到的结果示意图。
图4(a)为图2中的超像素的加权信息熵分布直方图;
图4(b)为利用全局阈值筛选得到的候选目标超像素示意图;
图5(a)为使用双参数CFAR方法对图2进行检测后得到的结果示意图;
图5(b)为使用滑窗超像素CFAR方法对图2进行检测后得到的结果示意图;
图5(c)为使用本发明方法对图2进行检测后得到的结果示意图;
图6为对图2分别用双参数CFAR方法、滑窗超像素CFAR方法和本发明方法检测结果的ROC曲线图;
图7为移除虚警区域及聚类处理后的目标检测结果示意图。
具体实施方式
参照图1,为本发明的一种基于超像素的SAR图像舰船目标快速检测方法实现流程图; 其中所述基于超像素的SAR图像舰船目标快速检测方法,包括以下步骤:
步骤1,确定待检测的SAR图像,所述待检测的SAR图像包含H个目标,每个目标 都可视为由一个或多个目标超像素组成,即每个目标都可视为目标超像素的组合,且目标 超像素中可能包含杂波像素点;然后对待检测的SAR图像进行超像素分割,得到N个超 像素;N、H分别为大于0的正整数。
具体地,所述超像素为根据像素点之间的相似程度对图像中的像素点进行分组得到的 局部图像块;本实施例通过文章“SLIC Superpixels Compared to State-of-the-Art Superpixel Methods,Radhakrishna Achanta et al.,IEEE TPAMI,2012”中提出的简单线性迭代聚类 (SLIC)方法对待检测的SAR图像进行超像素分割,得到N个超像素,将第n个超像素 记为Sn,第n个超像素包含pn个像素点,n=1,2,…,N,N为超像素的个数,pn为第n个 超像素包含的像素点个数,且N、pn分别为大于0的正整数。
N个超像素中包含N'个目标超像素,1≤N'<N,设第n'个目标超像素包含p1n'个像素点,1≤n'≤N',第n'个目标超像素内的Tp1n'个像素点都为目标像素点,0≤Tp1n'≤p1n'。
将N个超像素中减去目标超像素包含的N'个超像素,记为杂波超像素,所述杂波超像素包含N-N'个超像素,且每个目标超像素都可能包含杂波像素点;由于目标像素点的 辐射强度通常高于杂波像素点的辐射强度,因此目标超像素中辐射强度高于图像平均散射强度的像素点所占比例大于杂波超像素中辐射强度高于图像平均散射强度的像素点所占比例,其中图像为待检测的SAR图像。
步骤2,为了降低目标检测过程的运算量,本发明采用全局双参数恒虚警CFAR检测方法筛选出加权信息熵大于全局恒虚警CFAR检测阈值的超像素作为候选目标超像素,所述候选目标超像素中可能既包含目标超像素又包含杂波超像素,需要进一步通过局部恒虚警CFAR检测剔除杂波超像素。
对N个超像素进行全局恒虚警CFAR处理筛选候选目标超像素,得到M个候选目标超像素和N-M个杂波超像素,M为大于0的正整数,具体过程为:
2a)计算第n个超像素Sn内pn个像素点的强度平均值n=1,2,…,N。
2b)统计第n个超像素Sn中像素点灰度级i的出现频率Pn(i),i∈{0,1,...,L-1},L为第 n个超像素中的像素点灰度级数,0≤Pn(i)≤1,进而得到第n个超像素对应 的强度直方图Pn,所述第n个超像素对应的强度直方图Pn的二维坐标分别为第n个超像素中的L个像素点灰度级和每个像素点灰度级的出现概率。
2c)计算第n个超像素Sn对应的加权信息熵Hn:
其中,log表示求以10为底的对数操作,当Pn(i)=0时,log(Pn(i))=0。
加权信息熵能够充分表征超像素的统计特性,使得目标超像素和杂波超像素具有更大 的可分性。
2d)根据第n个超像素Sn对应的加权信息熵Hn,n=1,2,…,N,计算得到N个超像素对应的加权信息熵集合,进而计算N个超像素的均值μH和N个超像素的标准差σH:
2e)设置全局阈值TH,TH=μH+tσH,t为调整全局阈值的常数,t=Φ-1(1-pglobal),pglobal为设定的全局虚警概率,Φ为标准正态分布函数,上标-1表示求逆操作;为避免目 标超像素漏检,调整全局阈值的常数t取值范围为[1,2),设定的全局虚警概率pglobal的取值范围为(0.023,0.159]。
2f)根据设置的全局阈值TH,按下式计算得到第n个超像素Sn的二值标签Vn:
其中,Hn表示第n个超像素Sn对应的加权信息熵,当Vn=1时,则将第n个超像素{Sn}作为第m个候选目标超像素,并令m加1,m初始值为1;否则,将第n个超像素Sn作为 第m'个杂波超像素,并令m'加1,m'初始值为1;由此得到第m个候选目标超像素Cm或 第m'个杂波超像素Cm',m∈{1,…,M},m'∈{1,…,N-M},M为候选目标超像素的个数。
2g)令n分别取1至N,重复执行2f),进而分别得到M个候选目标超像素和N-M个 杂波超像素。
步骤3,对M个候选目标超像素进行局部窗口恒虚警CFAR目标检测处理,得到M个候选目标超像素对应的二值图像集合,记为待检测二值图像A。
3a)分别设定目标的实际最大长度为Lmax,设定待检测SAR图像的分辨率为△R,并且 设置局部检测窗口尺寸为s,s>2Lmax/△R。
初始化:令m表示第m个候选目标超像素,m∈{1,…,M},m的初始值为1,M表示 候选目标超像素的个数。
3b)计算得到第m个候选目标超像素Cm的中心坐标(xm,ym),xm为Cm内包含的所有像素点的横坐标均值,ym为Cm内包含的所有像素点的纵坐标均值。
3c)以第m个候选目标超像素Cm的中心坐标(xm,ym)为中心、以局部检测窗口尺寸s为边长,得到第m个候选目标超像素Cm的CFAR检测局部窗口,所述第m个候选目标超 像素Cm的CFAR检测局部窗口包含K个待选背景超像素,分别记为 Cm1,Cm2,…,Cmk,…,CmK,Cmk表示第m个候选目标超像素的CFAR检测局部窗口中的第k个 待选背景超像素,k∈{1,2,…,K},K表示第m个候选目标超像素Cm的CFAR检测局部窗 口内包含的待选背景超像素个数,K<N。
3d)为避免候选目标超像素混入待选背景超像素中,对K个待选背景超像素分别进行 背景杂波剔除,即若K个待选背景超像素第k'个超像素Sk'的二值标签Vk'值为1,则将第k' 个超像素Sk'剔除;若第k'个超像素Sk'的二值标签Vk'值为0,则将第k'个超像素Sk'作为第n″个背景超像素,并令n″加1,k'∈{1,2,…,K},n″的初始值为1。
3e)令k'分别取1至K,重复执行3d),直到得到第K'个背景超像素,n″∈{1,2,…,K'}, K'≤K,并将此时得到的第1个背景超像素至第K'个背景超像素,作为第m个候选目标超像素Cm的背景杂波像素集合bm。
3e)按照下式分别计算得到第m个候选目标超像素Cm的背景杂波像素集合bm的均值μm和第m个候选目标超像素Cm的背景杂波像素集合bm的标准差σm,其表达式分别为:
其中,Im(j)表示第m个候选目标超像素对应的背景杂波像素集合bm中第j个像素点的强度,j∈{1,2,…,Pm},Pm为第m个候选目标超像素对应的背景杂波像素集合bm包含的 像素点个数。
3f)设定局部虚警概率pfa,本实施例中局部虚警概率取值为10-5;然后根据第m个候 选目标超像素Cm的背景杂波像素集合bm的均值μm和第m个候选目标超像素Cm的背景杂波像素集合bm的标准差σm,计算第m个候选目标超像素对应的检测阈值Tm:
Tm=σmΦ-1(1-pfa)+μm
其中,Φ为标准正态分布函数。
3g)根据下式对第m个候选目标超像素Cm中包含的Pm个像素点分别进行判断,即将第m个候选目标超像素Cm中强度大于Tm的所有像素点都作为目标像素点,并将作为目标 像素点的对应像素点索引都置为1;反之,将第m个候选目标超像素Cm中强度小于或等于 Tm的所有像素点都作为杂波像素点,将作为杂波像素点的所有对应像素点索引都置为0; 进而得到第m个候选目标超像素对应的二值图像Am,所述第m个候选目标超像素对应的 二值图像Am包含个像素点,将其中第k″个像素点值记为Am(k″),其表达式为:
其中,Im(k″)表示第m个候选目标超像素Cm中第k″个像素点的强度,表示第m个候选目标超像素对应的二值图像Am包含的像素点个数。
3h)令m加1,依次重复执行3b)至3g),直到得到第M个候选目标超像素对应的二值图像AM,此时得到的第1个候选目标超像素对应的二值图像A1至第M个候选目标超像素 对应的二值图像AM,为M个候选目标超像素对应的二值图像集合,记为待检测二值图像 A。
步骤4,对待检测二值图像A进行目标超像素筛选处理,得到Q个目标超像素集合,然后对Q个目标超像素集合进行聚类处理,得到聚类处理后的G个目标超像素,G≤Q, Q<M,所述G个目标超像素分别包含待检测的SAR图像内包含的舰船目标,G、Q分 别为大于0的正整数,G=H。
具体地,剔除待检测二值图像A中的杂波超像素,并对剔除杂波超像素后的目标超像 素进行聚类处理,其具体过程为:
4a)设定比例阈值TR,本实施例中TR取值为0.3;计算第m个候选目标超像素Cm对应在待检测二值图像A中的目标像素点个数占第m个候选目标超像素Cm中像素点总个数的 比例Rm;如果Rm大于TR,则将第m个候选目标超像素Cm作为第q个目标超像素,q的初 始值为1,并令q加1;如果Rm小于或等于TR,则将第m个候选目标超像素Cm作为第q'个 杂波超像素,q'的初始值为N-M+1,并令q'加1。
4b)令m分别取1至M,重复执行4a),直到得到第Q个目标超像素,并将此时得到的第1个目标超像素至第Q个目标超像素,记为Q个目标超像素集合,q∈{1,2,...,Q},Q<M。
4c)根据目标的最大长度Lmax和待检测SAR图像的分辨率△R,设置距离门限dmax,dmax=Lmax/△R,然后使用西安电子科技大学由王英华、余文毅等人于2015.06.03公开的公开号为CN104680538A的发明专利“基于超像素的SAR图像CFAR目标检测检测方法” 中的聚类处理方法对Q个目标超像素集合进行聚类处理,得到待检测SAR图像内的G个 目标超像素,所述G个目标超像素分别包含待检测的SAR图像内的舰船目标,G=H。
通过以下仿真实验对本发明效果作进一步验证说明。
(一)实验条件
实验运行平台:Matlab R2014a,Intel(R)Core(TM)[email protected],内存8GB。
(二)实测数据
如图2所示,本实验所用的实测数据为一幅TerraSAR-X高分辨SAR图像,其分辨率为2.03m×3.30m,尺寸为2000×1300个像素;对图2进行超像素分割后,得到结果如图3 所示。
(三)仿真实验内容
仿真1,验证利用全局CFAR筛选目标超像素的可行性,图4(a)为图2中的超像素 的加权信息熵分布直方图,可以看出目标超像素和杂波超像素在直方图上间隔很大,能够 有效地区分开。
设定全局阈值TH=μH+1.5σH,图4(b)为利用全局阈值筛选得到的候选目标超像素示意图;从图4(b)中可以看出,目标超像素均可被筛选出来,同时需要作进一步检测的 杂波超像素总数大大减少,能够极大程度地降低运算量。
仿真2,设定虚警概率为pfa=10-5,分别采用双参数CFAR方法、滑窗超像素CFAR方法和本发明方法对图2进行检测,检测结果分别为图5(a)、图5(b)和图5(c)所示, 从图5(a)、图5(b)和图5(c)直观的对比可以看出,本发明得到的检测结果中虚警像 素点更少。
为定量地评估目标检测性能,分别定义目标检测率DR和虚警率FAR:
目标检测率DR=Ndt/Ntt,Ndt为检测到的目标像素点数,Ntt为目标像素总数;虚警率FAR=Ndc/Ntc,Ndc为杂波像素中被误判为目标像素的虚警数,Ntc为杂波像素总数。
双参数CFAR方法、滑窗超像素CFAR方法和本发明方法各自的性能对比如表1所示(虚警概率pfa=10-5)。
表1
从表1可以看出,在相同的虚警概率下,本发明方法能够获得更高的目标检测率,同 时虚警率保持在较低水平,而运行时间则仅约为双参数CFAR方法的1/68和滑窗超像素CFAR方法的1/25,极大地提高了运算效率。
图6为对图2分别用双参数CFAR方法、滑窗超像素CFAR方法和本发明方法检测结果的ROC曲线图,从图6中可以更为清晰地看出在相同虚警率下,本发明方法的检测率 均高于两种对比算法。
图7为移除虚警区域及聚类处理后的目标检测结果示意图,从图7中可以看出本发明 方法能够保持目标的轮廓和内部结构的完整性,获得精确的目标检测结果。
综上所述,仿真实验验证了本发明的正确性,有效性和可靠性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和 范围;这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内, 则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种基于超像素的SAR图像舰船目标快速检测方法,其特征在于,包括以下步骤:
步骤1,确定待检测的SAR图像,所述待检测的SAR图像包含H个目标,每个目标都可视为由一个或多个目标超像素组成;然后对待检测的SAR图像进行超像素分割,得到N个超像素;N、H分别为大于0的正整数;
步骤2,对N个超像素进行全局恒虚警处理,得到M个候选目标超像素和N-M个杂波超像素;M为大于0的正整数;
步骤3,对M个候选目标超像素进行局部窗口恒虚警目标检测处理,得到M个候选目标超像素对应的二值图像集合,记为待检测二值图像A;
步骤4,对待检测二值图像A进行目标超像素筛选处理,得到Q个目标超像素集合,然后对Q个目标超像素集合进行聚类处理,得到聚类处理后的G个目标超像素,G≤Q,Q<M,所述G个目标超像素分别包含待检测的SAR图像内包含的舰船目标;G、Q分别为大于0的正整数。
2.如权利要求1所述的一种基于超像素的SAR图像舰船目标快速检测方法,其特征在于,步骤2的子步骤为:
2a)计算第n个超像素Sn内pn个像素点的强度平均值
2b)统计第n个超像素Sn中像素点灰度级i的出现频率Pn(i),i∈{0,1,...,L-1},L为第n个超像素中的像素点灰度级数,0≤Pn(i)≤1,进而得到第n个超像素对应的强度直方图Pn,所述第n个超像素对应的强度直方图Pn的二维坐标分别为第n个超像素中的L个像素点灰度级和每个像素点灰度级的出现概率;
2c)计算第n个超像素Sn对应的加权信息熵Hn:
<mrow>
<msub>
<mi>H</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<msub>
<mover>
<mi>I</mi>
<mo>&OverBar;</mo>
</mover>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中,log表示求以10为底的对数操作,当Pn(i)=0时,log(Pn(i))=0;
2d)根据第n个超像素Sn对应的加权信息熵Hn,n=1,2,…,N,计算得到N个超像素对应的加权信息熵集合,进而计算N个超像素的均值μH和N个超像素的标准差σH:
<mrow>
<msub>
<mi>&mu;</mi>
<mi>H</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>H</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>H</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mi>n</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>H</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
2e)设置全局阈值TH,TH=μH+tσH,t为调整全局阈值的常数,t=Φ-1(1-pglobal),pglobal为设定的全局虚警概率,Φ为标准正态分布函数,上标-1表示求逆操作;其中,调整全局阈值的常数t取值范围为[1,2),设定的全局虚警概率pglobal的取值范围为(0.023,0.159];
2f)根据设置的全局阈值TH,按下式计算得到第n个超像素Sn的二值标签Vn:
<mrow>
<msub>
<mi>V</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>H</mi>
<mi>n</mi>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>T</mi>
<mi>H</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>H</mi>
<mi>n</mi>
</msub>
<mo><</mo>
<msub>
<mi>T</mi>
<mi>H</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>n</mi>
<mo>&Element;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,Hn表示第n个超像素Sn对应的加权信息熵,当Vn=1时,则将第n个超像素{Sn}作为第m个候选目标超像素,并令m加1,m初始值为1;否则,将第n个超像素Sn作为第m'个杂波超像素,并令m'加1,m'初始值为1;由此得到第m个候选目标超像素Cm或第m'个杂波超像素Cm',m∈{1,…,M},m'∈{1,…,N-M},M为候选目标超像素的个数;
2g)令n分别取1至N,重复执行2f),进而分别得到M个候选目标超像素和N-M个杂波超像素。
3.如权利要求1所述的一种基于超像素的SAR图像舰船目标快速检测方法,其特征在于,步骤3的子步骤为:
3a)分别设定目标的实际最大长度为Lmax,设定待检测SAR图像的分辨率为△R,并且设置局部检测窗口尺寸为s,s>2Lmax/△R;
初始化:令m表示第m个候选目标超像素,m∈{1,…,M},m的初始值为1,M表示候选目标超像素的个数;
3b)计算得到第m个候选目标超像素Cm的中心坐标(xm,ym),xm为Cm内包含的所有像素点的横坐标均值,ym为Cm内包含的所有像素点的纵坐标均值;
3c)以第m个候选目标超像素Cm的中心坐标(xm,ym)为中心、以局部检测窗口尺寸s为边长,得到第m个候选目标超像素Cm的恒虚警检测局部窗口,所述第m个候选目标超像素Cm的恒虚警检测局部窗口包含K个待选背景超像素,分别记为Cm1,Cm2,…,Cmk,…,CmK,Cmk表示第m个候选目标超像素的恒虚警检测局部窗口中的第k个待选背景超像素,k∈{1,2,…,K},K表示第m个候选目标超像素Cm的恒虚警检测局部窗口内包含的待选背景超像素个数,K<N;
3d)对K个待选背景超像素分别进行背景杂波剔除,即若K个待选背景超像素第k'个超像素Sk'的二值标签Vk'值为1,则将第k'个超像素Sk'剔除;若第k'个超像素Sk'的二值标签Vk'值为0,则将第k'个超像素Sk'作为第n”个背景超像素,并令n”加1,k'∈{1,2,…,K},n”的初始值为1;
3e)令k'分别取1至K,重复执行3d),直到得到第K'个背景超像素,n”∈{1,2,…,K'},K'≤K,并将此时得到的第1个背景超像素至第K'个背景超像素,作为第m个候选目标超像素Cm的背景杂波像素集合bm;
3e)按照下式分别计算得到第m个候选目标超像素Cm的背景杂波像素集合bm的均值μm和第m个候选目标超像素Cm的背景杂波像素集合bm的标准差σm,其表达式分别为:
<mrow>
<msub>
<mi>&mu;</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>P</mi>
<mi>m</mi>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>P</mi>
<mi>m</mi>
</msub>
</munderover>
<msub>
<mi>I</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<msub>
<mi>P</mi>
<mi>m</mi>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>P</mi>
<mi>m</mi>
</msub>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中,Im(j)表示第m个候选目标超像素对应的背景杂波像素集合bm中第j个像素点的强度,j∈{1,2,…,Pm},Pm为第m个候选目标超像素对应的背景杂波像素集合bm包含的像素点个数;
3f)设定局部虚警概率pfa,然后根据第m个候选目标超像素Cm的背景杂波像素集合bm的均值μm和第m个候选目标超像素Cm的背景杂波像素集合bm的标准差σm,计算第m个候选目标超像素对应的检测阈值Tm:
Tm=σmΦ-1(1-pfa)+μm
其中,Φ为标准正态分布函数;
3g)根据下式对第m个候选目标超像素Cm中包含的Pm个像素点分别进行判断,即将第m个候选目标超像素Cm中强度大于Tm的所有像素点都作为目标像素点,并将作为目标像素点的对应像素点索引都置为1;反之,将第m个候选目标超像素Cm中强度小于或等于Tm的所有像素点都作为杂波像素点,将作为杂波像素点的所有对应像素点索引都置为0;进而得到第m个候选目标超像素对应的二值图像Am,所述第m个候选目标超像素对应的二值图像Am包含个像素点,将其中第k”个像素点值记为Am(k”),其表达式为:
<mrow>
<msub>
<mi>A</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>k</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>I</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>k</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msub>
<mi>T</mi>
<mi>m</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>I</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>k</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo><</mo>
<msub>
<mi>T</mi>
<mi>m</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,Im(k”)表示第m个候选目标超像素Cm中第k”个像素点的强度,表示第m个候选目标超像素对应的二值图像Am包含的像素点个数;
3h)令m加1,依次重复执行3b)至3g),直到得到第M个候选目标超像素对应的二值图像AM,此时得到的第1个候选目标超像素对应的二值图像A1至第M个候选目标超像素对应的二值图像AM,为M个候选目标超像素对应的二值图像集合,记为待检测二值图像A。
4.如权利要求1所述的一种基于超像素的SAR图像舰船目标快速检测方法,其特征在于,步骤4的子步骤为:
4a)设定比例阈值TR,计算第m个候选目标超像素Cm对应在待检测二值图像A中的目标像素点个数占第m个候选目标超像素Cm中像素点总个数的比例Rm;如果Rm大于TR,则将第m个候选目标超像素Cm作为第q个目标超像素,q的初始值为1,并令q加1;如果Rm小于或等于TR,则将第m个候选目标超像素Cm作为第q'个杂波超像素,q'的初始值为N-M+1,并令q'加1;
4b)令m分别取1至M,重复执行4a),直到得到第Q个目标超像素,并将此时得到的第1个目标超像素至第Q个目标超像素,记为Q个目标超像素集合,q∈{1,2,...,Q},Q<M;
4c)根据目标的最大长度Lmax和待检测SAR图像的分辨率△R,设置距离门限dmax,dmax=Lmax/△R,然后使用聚类处理方法对Q个目标超像素集合进行聚类处理,得到待检测SAR图像内的G个目标超像素,所述G个目标超像素分别包含待检测的SAR图像内的舰船目标,G=H。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710277989.4A CN107067039A (zh) | 2017-04-25 | 2017-04-25 | 基于超像素的sar图像舰船目标快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710277989.4A CN107067039A (zh) | 2017-04-25 | 2017-04-25 | 基于超像素的sar图像舰船目标快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107067039A true CN107067039A (zh) | 2017-08-18 |
Family
ID=59604476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710277989.4A Pending CN107067039A (zh) | 2017-04-25 | 2017-04-25 | 基于超像素的sar图像舰船目标快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107067039A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688783A (zh) * | 2017-08-23 | 2018-02-13 | 京东方科技集团股份有限公司 | 3d图像检测方法、装置、电子设备及计算机可读介质 |
CN108765491A (zh) * | 2018-05-31 | 2018-11-06 | 成都信息工程大学 | 一种sar图像舰船目标检测方法 |
CN108805855A (zh) * | 2018-01-09 | 2018-11-13 | 湖南科技大学 | 一种混凝土裂纹快速识别方法 |
CN109886218A (zh) * | 2019-02-26 | 2019-06-14 | 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 |
CN112766287A (zh) * | 2021-02-05 | 2021-05-07 | 清华大学 | 一种基于密度审查的sar图像舰船目标检测加速方法 |
CN115019187A (zh) * | 2022-08-09 | 2022-09-06 | 中国科学院空天信息创新研究院 | 针对sar图像船舶目标的检测方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680183A (zh) * | 2015-03-14 | 2015-06-03 | 西安电子科技大学 | 基于散射点和k中心一类分类器的sar目标鉴别方法 |
CN104680538A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于超像素的sar图像cfar目标检测方法 |
-
2017
- 2017-04-25 CN CN201710277989.4A patent/CN107067039A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680538A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于超像素的sar图像cfar目标检测方法 |
CN104680183A (zh) * | 2015-03-14 | 2015-06-03 | 西安电子科技大学 | 基于散射点和k中心一类分类器的sar目标鉴别方法 |
Non-Patent Citations (3)
Title |
---|
SHUO LIU等: "Information Theory-Based Target Detection for High-Resolution SAR Image", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
WENYI YU等: "Superpixel-Based CFAR Target Detection for High-Resolution SAR Images", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
邢相薇等: "一种基于两级CFAR的SAR图像舰船目标快速检测算法", 《信号处理》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10929643B2 (en) | 2017-08-23 | 2021-02-23 | Boe Technology Group Co., Ltd. | 3D image detection method and apparatus, electronic device, and computer readable medium |
WO2019037654A1 (zh) * | 2017-08-23 | 2019-02-28 | 京东方科技集团股份有限公司 | 3d图像检测方法、装置、电子设备及计算机可读介质 |
CN107688783B (zh) * | 2017-08-23 | 2020-07-07 | 京东方科技集团股份有限公司 | 3d图像检测方法、装置、电子设备及计算机可读介质 |
CN107688783A (zh) * | 2017-08-23 | 2018-02-13 | 京东方科技集团股份有限公司 | 3d图像检测方法、装置、电子设备及计算机可读介质 |
CN108805855A (zh) * | 2018-01-09 | 2018-11-13 | 湖南科技大学 | 一种混凝土裂纹快速识别方法 |
CN108805855B (zh) * | 2018-01-09 | 2021-09-24 | 湖南科技大学 | 一种混凝土裂纹快速识别方法 |
CN108765491A (zh) * | 2018-05-31 | 2018-11-06 | 成都信息工程大学 | 一种sar图像舰船目标检测方法 |
CN109886218A (zh) * | 2019-02-26 | 2019-06-14 | 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 |
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 |
CN112766287A (zh) * | 2021-02-05 | 2021-05-07 | 清华大学 | 一种基于密度审查的sar图像舰船目标检测加速方法 |
CN112766287B (zh) * | 2021-02-05 | 2021-09-17 | 清华大学 | 一种基于密度审查的sar图像舰船目标检测加速方法 |
CN115019187A (zh) * | 2022-08-09 | 2022-09-06 | 中国科学院空天信息创新研究院 | 针对sar图像船舶目标的检测方法、装置、设备及介质 |
CN115019187B (zh) * | 2022-08-09 | 2022-11-22 | 中国科学院空天信息创新研究院 | 针对sar图像船舶目标的检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067039A (zh) | 基于超像素的sar图像舰船目标快速检测方法 | |
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 | |
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 | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
CN108734111A (zh) | Sar图像海面舰船识别方法 | |
CN108171193B (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
CN102968799A (zh) | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 | |
CN106683076A (zh) | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 | |
KR101255736B1 (ko) | 단일편파 레이더를 이용한 기상 및 비기상 에코 분류 방법 | |
Gao et al. | Fast detecting and locating groups of targets in high-resolution SAR images | |
CN113536963B (zh) | 基于轻量化yolo网络的sar图像飞机目标检测方法 | |
CN102208017A (zh) | 基于高分辨率合成孔径雷达图像的舰船检测方法 | |
US20090169051A1 (en) | System and method for detecting items of interest through mass estimation | |
CN107274410A (zh) | 自适应的人造目标恒虚警率检测方法 | |
Fu et al. | A statistical approach to detect edges in SAR images based on square successive difference of averages | |
CN105160648A (zh) | 基于小波和恒虚警率的雷达目标及阴影分割方法 | |
CN106646469A (zh) | 基于变异系数法的sar船只检测优化方法 | |
CN110533025A (zh) | 基于候选区域提取网络的毫米波人体图像检测方法 | |
CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
CN104198998B (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
CN106526558B (zh) | 基于多普勒天气雷达资料的阵风锋自动识别方法 | |
Li et al. | Outlier-robust superpixel-level CFAR detector with truncated clutter for single look complex SAR images | |
CN104239895B (zh) | 基于特征降维的sar目标鉴别方法 | |
CN101839980A (zh) | 一种基于分割窗的无监督遥感图像变化检测方法 | |
Luo et al. | Unsupervised multiregion partitioning of fully polarimetric SAR images with advanced fuzzy active contours |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170818 |
|
WD01 | Invention patent application deemed withdrawn after publication |