CN108171193B - 基于超像素局部信息度量的极化sar舰船目标检测方法 - Google Patents

基于超像素局部信息度量的极化sar舰船目标检测方法 Download PDF

Info

Publication number
CN108171193B
CN108171193B CN201810013991.5A CN201810013991A CN108171193B CN 108171193 B CN108171193 B CN 108171193B CN 201810013991 A CN201810013991 A CN 201810013991A CN 108171193 B CN108171193 B CN 108171193B
Authority
CN
China
Prior art keywords
sliding window
superpixel
pixel
center
super
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
Application number
CN201810013991.5A
Other languages
English (en)
Other versions
CN108171193A (zh
Inventor
王英华
吕翠文
何敬鲁
刘宏伟
王宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201810013991.5A priority Critical patent/CN108171193B/zh
Publication of CN108171193A publication Critical patent/CN108171193A/zh
Application granted granted Critical
Publication of CN108171193B publication Critical patent/CN108171193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于超像素局部信息度量的极化SAR舰船目标检测方法，主要解决复杂场景下目标检测率低的问题，其方案是：1.对原始图像进行超像素分割，得到不同尺度下的超像素分割结果；2.对分割后的结果利用滑窗模型计算三种基于超像素级的差异性度量；3.将基于超像素级的差异性度量转换成基于像素级的差异性度量；4.利用核fisher判别，将像素级的差异性度量向量映射成差异性度量值，得到每个像素点的差异性度量值；5.对每个像素点的差异性度量值利用线性SVM分类器进行分类，确定每个像素的类别，进行自动目标检测。本发明提升了复杂场景下的目标检测性能，实现了自动检测的过程，可用于后续的舰船目标鉴别、识别与分类。

Description

基于超像素局部信息度量的极化SAR舰船目标检测方法
技术领域
本发明属于雷达目标检测技术领域，主要涉及极化SAR舰船目标检测方法，可用于后续的舰船目标鉴别、识别与分类。
背景技术
合成孔径雷达SAR利用微波遥感技术，不受气候和昼夜影响，具有全天候、全天时的工作能力，并具有多频段、多极化、视角可变和穿透性等特点。目前，SAR已广泛应用于军事侦察、地质普查、地形测绘和制图、灾情预报、海洋应用以及科学研究等领域，具有广阔的研究和应用前景。极化SAR因能获取完整极化信息的显著优势而迅速成为SAR发展的重要方向之一。基于极化SAR图像的舰船目标检测是极化SAR的一个重要的应用领域。
到目前为止，已经提出了许多使用极化SAR数据来实现目标检测的方法，例如极化白化滤波器，极化陷波滤波器和反射对称滤波器。此外，还提出了一些极化参数和判别特征，以增强潜在目标与局部杂波之间的差异。例如，极化熵与极化度也已被用于船舶目标检测。最近，还提出了基于超像素的散射机制分布特征和基于回归核的局部散射机制差异的舰船目标检测方法。这些方法虽然可以在一定程度上增强舰船和海面的对比度，但也有一些可能会受到复杂的海况和信杂比变化的影响。
由于现有的检测方法基本都是无监督检测方法，因此检测阈值的判定就是一个重要的任务。主要有三种方法来确定检测阈值。第一种方法是对极化统计量应用恒虚警率来计算检测阈值，这种方法计算的检测阈值很大程度上取决于杂波统计建模和参数估计的准确性。第二种方法是根据对某些参数的灵敏性分析，通过经验选择检测阈值，这种方法对不同的极化***是很不方便的。第三种方法是利用聚类方法来确定检测阈值，但是，这种方法的聚类过程必须在局部区域内进行，当没有舰船存在时，这种方法确定的检测阈值可能导致后续检测到许多虚警。
上述传统方法主要有以下两个方面的缺点：第一，容易受到复杂的海况和信杂比变化的影响，导致舰船与海杂波的对比度降低；第二，难以获得准确的检测阈值，给极化目标检测***带来极大的不便。
发明内容
本发明的目的在于针对已有极化SAR舰船目标检测方法的不足，提出一种基于超像素局部信息度量的极化SAR舰船目标检测方法，以增强舰船和海杂波的对比度，实现自动目标检测，提高在复杂情况下的检测性能。
为实现上述目的，本发明的技术方案包括如下：
(1)对给定的极化SAR图像I分别进行多尺度超像素分割，得到4个尺度下极化SAR图像超像素分割结果：S1,S2,S3,S4；
(2)对超像素分割后的结果Sk，利用超像素滑动窗口模型分别计算三种基于超像素级的差异性度量：似然比度量
Figure BDA0001541279360000021
黎曼距离度量
Figure BDA0001541279360000022
散射分量相似性度量
Figure BDA0001541279360000023
其中，k＝1,...,4，表示4个尺度，
Figure BDA0001541279360000024
Figure BDA0001541279360000025
表示当前尺度分割结果Sk中的超像素个数，j＝1,...,Mi，Mi表示以超像素
Figure BDA0001541279360000026
为中心的滑窗边界上的超像素个数；
(3)将(2)中三种基于超像素级的差异性度量转化为基于像素级的差异性度量向量
Figure BDA0001541279360000027
得到每个像素点在不同分割尺度下融合后的差异性度量向量Ds：
Figure BDA0001541279360000028
其中，
Figure BDA0001541279360000029
为每个像素点在超像素分割结果Sk下的差异性度量向量，s＝1,...,P，P为极化SAR图像I中所有的像素点个数；
(4)选择高斯核函数，利用核fisher判别分析算法KFDA将(3)中得到的每个像素点在不同分割尺度下融合后的差异性度量向量Ds映射成每个像素点最终的差异性度量值Diss；
(5)利用支持向量机分类器SVM，对(4)中映射出的每个像素点最终的差异性度量值Diss进行分类，输出每个像素点的类别，实现自动目标检测。
本发明具有如下优点：
1.本发明由于计算了三种超像素级的差异性度量并将超像素级的差异性转化为像素级的差异性度量，相比于传统的极化SAR图像舰船目标检测方法，不仅减小了相干斑的影响，而且增强了舰船和海杂波的对比度；
2.本发明由于采用监督分类方法进行自动目标检测，保证了在复杂情况下良好的检测性能。
附图说明
图1是本发明的实现流程图；
图2为本发明实验1所用的实测极化SAR图像；
图3为本发明实验2所用的实测极化SAR图像；
图4为图2中的R5区域以及R5区域在各检测算法下的检测结果图像；
图5为图3中的R6区域以及R6区域在各检测算法下的检测结果图像。
具体实施方式
下面结合附图对本发明的实施例和效果作进一步详细说明：
参见图1，本发明的实现步骤包括如下：
步骤1，对给定的极化SAR图像I分别进行多尺度超像素分割。
超像素分割算法包括：SLIC算法、Turbo pixel算法、Normalized-cuts算法和Y.Wang等提出的针对极化SAR图像的改进的SLIC算法等，本实例根据不同的尺度，利用但不限于改进的SLIC算法对极化SAR图像I进行超像素分割，其实现如下：
当尺度为6时，利用改进的SLIC算法，对给定的极化SAR图像I进行超像素分割，得到分割后的结果S1；
当尺度为9时，利用改进的SLIC算法，对给定的极化SAR图像I进行超像素分割，得到分割后的结果S2；
当尺度为12时，利用改进的SLIC算法，对给定的极化SAR图像I进行超像素分割，得到分割后的结果S3；
当尺度为15时，利用改进的SLIC算法，对给定的极化SAR图像I进行超像素分割，得到分割后的结果S4。
步骤2，对超像素分割后的结果Sk，利用超像素滑动窗口模型分别计算三种基于超像素级的差异性度量，其中，k＝1,...,4表示4个尺度。
所述三种基于超像素级的差异性度量，包括似然比度量
Figure BDA0001541279360000031
黎曼距离度量
Figure BDA0001541279360000032
散射分量相似性度量
Figure BDA0001541279360000033
其中
Figure BDA0001541279360000034
Figure BDA0001541279360000035
表示当前尺度分割结果Sk中的超像素个数，j＝1,...,Mi，Mi表示以超像素
Figure BDA0001541279360000041
为中心的滑窗边界上的超像素个数；
上述三种基于超像素的差异性度量的计算如下：
2a)在每个尺度分割结果Sk下，计算基于超像素级的似然比度量
Figure BDA0001541279360000042
2a1)在超像素分割结果Sk中，利用超像素滑动窗口模型计算滑窗中心超像素
Figure BDA0001541279360000043
与滑窗边界上超像素
Figure BDA0001541279360000044
似然比统计量
Figure BDA0001541279360000045
Figure BDA0001541279360000046
其中，L(·)是似然函数，n是视数，Ni表示超像素
Figure BDA0001541279360000047
中的像素个数，Nj表示超像素
Figure BDA0001541279360000048
中的像素个数，参数
Figure BDA0001541279360000049
Figure BDA00015412793600000410
和
Figure BDA00015412793600000411
为中间变量，通过以下公式估计得出：
Figure BDA00015412793600000412
其中，
Figure BDA00015412793600000413
表示滑窗中心超像素
Figure BDA00015412793600000414
里的第li个像素的相干矩阵，
Figure BDA00015412793600000415
表示滑窗边界上超像素
Figure BDA00015412793600000416
里的第lj个像素的相干矩阵，
Figure BDA00015412793600000417
表示
Figure BDA00015412793600000418
和
Figure BDA00015412793600000419
中的第l个像素的相干矩阵；
2a2)根据步骤2a1)中计算得到的似然比检测统计量
Figure BDA00015412793600000420
计算滑窗中心超像素
Figure BDA00015412793600000421
与滑窗边界上超像素
Figure BDA00015412793600000422
的似然比度量
Figure BDA00015412793600000423
Figure BDA00015412793600000424
其中，lnQc是一个恒定参数，取值为-150；
2b)在每个尺度分割结果Sk下，计算基于超像素级的黎曼距离度量
Figure BDA00015412793600000425
2b1)利用下式，分别计算滑窗中心超像素
Figure BDA00015412793600000426
等效的相干矩阵
Figure BDA00015412793600000427
和滑窗边界上超像素
Figure BDA00015412793600000428
等效的相干矩阵
Figure BDA00015412793600000429
Figure BDA00015412793600000430
Figure BDA0001541279360000051
其中，p表示滑窗中心超像素
Figure BDA0001541279360000052
中的像素，Ni表示
Figure BDA0001541279360000053
中的像素个数，||·||F表示F范数，Tp表示
Figure BDA0001541279360000054
中的像素p的相干矩阵，q表示滑窗边界上超像素
Figure BDA0001541279360000055
中的像素，Nj表示
Figure BDA0001541279360000056
中的像素个数，Tq表示
Figure BDA0001541279360000057
中的像素q的相干矩阵；
2b2)在超像素分割结果Sk中，利用超像素滑动窗口模型计算滑窗中心超像素
Figure BDA0001541279360000058
与滑窗边界上超像素
Figure BDA0001541279360000059
的黎曼距离统计量
Figure BDA00015412793600000510
Figure BDA00015412793600000511
其中，tr(·)表示矩阵的迹；
2b3)根据步骤2b2)中得到的黎曼距离统计量
Figure BDA00015412793600000512
计算滑窗中心超像素
Figure BDA00015412793600000513
与滑窗边界上超像素
Figure BDA00015412793600000514
的黎曼距离度量
Figure BDA00015412793600000515
Figure BDA00015412793600000516
其中，h是一个参数，其值为0.5；
2c)在每个尺度分割结果Sk下，计算基于超像素级的散射分量相似性度量
Figure BDA00015412793600000517
2c1)计算滑窗中心超像素
Figure BDA00015412793600000518
散射功率向量ki：
Figure BDA00015412793600000519
其中，T表示矩阵的转置，
Figure BDA00015412793600000520
分别由以下公式求得：
Figure BDA00015412793600000521
表示滑窗中心超像素
Figure BDA00015412793600000522
相干矩阵
Figure BDA00015412793600000523
的面散射功率，
Figure BDA00015412793600000524
表示滑窗中心超像素
Figure BDA00015412793600000525
相干矩阵
Figure BDA00015412793600000526
的二次散射功率，
Figure BDA00015412793600000527
表示滑窗中心超像素
Figure BDA00015412793600000528
相干矩阵
Figure BDA00015412793600000529
的体散射功率，
其中，|·|表示取绝对值，β1是滑窗中心超像素
Figure BDA00015412793600000530
相干矩阵
Figure BDA00015412793600000531
通过极化目标分解算法得到的面散射参数，α1是滑窗中心超像素
Figure BDA00015412793600000532
相干矩阵
Figure BDA00015412793600000533
通过极化目标分解算法得到的二次散射参数，
Figure BDA0001541279360000061
为滑窗中心超像素
Figure BDA0001541279360000062
相干矩阵
Figure BDA0001541279360000063
通过极化目标分解算法得到的面散射分解系数，
Figure BDA0001541279360000064
为滑窗中心超像素
Figure BDA0001541279360000065
相干矩阵
Figure BDA0001541279360000066
通过极化目标分解算法得到的二次散射分解系数，
Figure BDA0001541279360000067
为滑窗中心超像素
Figure BDA0001541279360000068
相干矩阵
Figure BDA0001541279360000069
通过极化目标分解算法得到的体散射分解系数；
2c2)计算滑窗边界超像素
Figure BDA00015412793600000610
散射功率向量kj：
Figure BDA00015412793600000611
其中，
Figure BDA00015412793600000612
分别由以下公式求得：
Figure BDA00015412793600000613
表示滑窗边界超像素
Figure BDA00015412793600000614
相干矩阵
Figure BDA00015412793600000615
的面散射功率，
Figure BDA00015412793600000616
表示滑窗边界超像素
Figure BDA00015412793600000617
相干矩阵
Figure BDA00015412793600000618
的二次散射功率，
Figure BDA00015412793600000619
表示滑窗边界超像素
Figure BDA00015412793600000620
相干矩阵
Figure BDA00015412793600000621
的体散射功率，
其中，β2是滑窗边界超像素
Figure BDA00015412793600000622
相干矩阵
Figure BDA00015412793600000623
通过极化目标分解算法得到的面散射参数，α2是滑窗边界超像素
Figure BDA00015412793600000624
相干矩阵
Figure BDA00015412793600000625
通过极化目标分解算法得到的二次散射参数，
Figure BDA00015412793600000626
为滑窗边界超像素
Figure BDA00015412793600000627
相干矩阵
Figure BDA00015412793600000628
通过极化目标分解算法得到的面散射分解系数，
Figure BDA00015412793600000629
为滑窗边界超像素
Figure BDA00015412793600000630
相干矩阵
Figure BDA00015412793600000631
通过极化目标分解算法得到的二次散射分解系数，
Figure BDA00015412793600000632
为滑窗边界超像素
Figure BDA00015412793600000633
相干矩阵
Figure BDA00015412793600000634
通过极化目标分解算法得到的体散射分解系数；
2c3)在超像素分割结果Sk中，利用超像素滑动窗口模型计算滑窗中心超像素
Figure BDA00015412793600000635
与滑窗边界超像素
Figure BDA00015412793600000636
的散射功率向量相似参数rij：
Figure BDA00015412793600000637
其中，上标H是共轭转置，||·||2是L2范数，|·|表示取绝对值；
2c4)根据步骤2c3)中得到的散射功率向量相似参数rij，计算滑窗中心超像素
Figure BDA00015412793600000638
与滑窗边界超像素
Figure BDA00015412793600000639
的散射分量相似性度量
Figure BDA00015412793600000640
其值由以下公式计算得到：
Figure BDA0001541279360000071
步骤3，将(2)中三种基于超像素级的差异性度量转化为基于像素级的差异性度量向量
Figure BDA0001541279360000072
得到每个像素点在不同分割尺度下融合后的差异性度量向量Ds；
3a)利用K均值聚类算法，将滑窗中心超像素
Figure BDA0001541279360000073
与滑窗边界超像素
Figure BDA0001541279360000074
的似然比度量
Figure BDA0001541279360000075
j＝1,...,Mi聚类到两个类别中，将多数类中的似然比度量的均值作为滑窗中心超像素
Figure BDA0001541279360000076
最终的似然比度量
Figure BDA0001541279360000077
Figure BDA0001541279360000078
其中，
Figure BDA0001541279360000079
表示当前多数类中超像素似然比度量值，c1＝1,...,ML，ML表示似然比度量值在当前聚类中多数类的超像素个数；
3b)利用K均值聚类算法，将滑窗中心超像素
Figure BDA00015412793600000710
与滑窗边界超像素
Figure BDA00015412793600000711
的黎曼距离度量
Figure BDA00015412793600000712
聚类到两个类别中，并将多数类中的黎曼距离度量的均值作为滑窗中心超像素
Figure BDA00015412793600000713
最终的黎曼距离度量
Figure BDA00015412793600000714
Figure BDA00015412793600000715
其中，
Figure BDA00015412793600000716
表示当前多数类中超像素黎曼距离度量值，c2＝1,...,MR，MR表示黎曼距离度量值在当前聚类中多数类的超像素个数；
3c)利用K均值聚类算法，将滑窗中心超像素
Figure BDA00015412793600000717
与滑窗边界超像素
Figure BDA00015412793600000718
的散射分量相似性度量
Figure BDA00015412793600000719
聚类到两个类别中，将多数类中的散射分量相似性度量的均值作为滑窗中心超像素
Figure BDA00015412793600000720
最终的散射分量相似性度量
Figure BDA00015412793600000721
Figure BDA00015412793600000722
其中，
Figure BDA00015412793600000723
表示当前多数类中超像素散射分量相似性度量值，c3＝1,...,MC，MC表示散射分量相似性度量在当前聚类中多数类的超像素个数；
3d)将滑窗中心超像素
Figure BDA00015412793600000724
最终的似然比度量
Figure BDA00015412793600000725
黎曼距离度量
Figure BDA00015412793600000726
散射分量相似性度量
Figure BDA0001541279360000081
构成向量作为滑窗中心超像素
Figure BDA0001541279360000082
的差异性度量向量
Figure BDA0001541279360000083
Figure BDA0001541279360000084
3e)将滑窗中心超像素
Figure BDA0001541279360000085
的差异性度量向量
Figure BDA0001541279360000086
分配给它里面所属的像素，得到像素p的差异度量向量
Figure BDA0001541279360000087
其中
Figure BDA0001541279360000088
表示超像素
Figure BDA0001541279360000089
中的像素；
3f)通过滑窗模型，重复步骤3a)到3e)得到每个滑窗中心超像素中像素点的差异度量向量
Figure BDA00015412793600000810
s＝1,...,P，P表示极化SAR图像I中的像素点个数；
3g)将不同超像素分割结果Sk下每个像素的差异性度量进行平均，得到每个像素s的最终差异性度量向量：
Figure BDA00015412793600000811
步骤4，选择高斯核函数，利用核fisher判别分析算法KFDA将(3)中得到的每个像素点在不同分割尺度下融合后的差异性度量向量Ds映射成每个像素点最终的差异性度量值Diss。
步骤5，利用线性支持向量机分类器SVM，对(4)中映射出的每个像素点最终的差异性度量值Diss进行分类，输出每个像素点的类别，实现自动目标检测。
本发明的效果可通过以下实验数据进一步说明：
实验1：
1.1)实验场景：
本实验所用的数据是C波段RadarSat-2全极化数据集，分辨率为12米×8米，即距离向×方位向，该数据集是于2010年8月4日在东京湾获得，入射角为35度，如图2所示。
训练数据是图2中R4区域图像，测试数据是图2中的R5区域图像如图4(a)所示，图4(a)中一共有38个潜在目标，强目标用矩形圈出，弱目标由圆圈圈出。
1.2)实验参数：
线性支持向量机SVM的惩罚系数V＝50，核fisher判别分析算法KFDA中的核参数g＝2。
1.3)实验内容：
用本发明对图4(a)进行实验，检测结果如图4(b)所示；
用现有的极化白化滤波检测器PWF对图4(a)进行实验，结果如图4(c)所示；
用现有的极化陷波滤波器PNF对图4(a)进行实验，结果如图4(d)所示；
用现有的反射对称滤波器RSF对图4(a)进行实验,结果如图4(e)所示；
用现有的基于显著性的检测器SD-LSMDRK对图4(a)进行实验，结果如图4(f)所示；
用现有的基于超像素散射机制分布特征的检测器SPD对图4(a)进行实验，结果如图4(g)所示。
由图4(b)-4(g)可见，本发明方法检测到了所有目标且只有很少的虚警，这证明了该方法对抑制海杂波的有效性。而对于传统的方法PWF、PNF和RSF，有更多的虚警；PWF检测到的目标像素数目比本发明方法要少，PNF没有检测到图4(a)中目标3，RSF没有检测到图4(a)中目标1-4；SD-LSMDRK和SPD虽然与本发明方法有相似的检测性能，然而，本方法可自动确定阈值,而这两个方法无法自动确定阈值。
上述实验1的检测结果对比如表1所示：
表1不同方法的检测结果
不同方法 本发明 PWF PNF RSF SD-LSMDRK SPD
N<sub>td</sub> 38 38 37 34 38 38
N<sub>fa</sub> 6 >6 12 >6 5 12
表1中的Ntd表示检测到的目标个数，Nfa表示虚假目标的个数。
从表1中可见，本发明检测到了所有的目标，且虚假目标的个数也是较少的，因此与传统方法相比较，本发明在一定程度上提升了算法的检测性能。
实验2：
2.1)实验场景：
本实验所用的数据是C波段RadarSat-2全极化数据集，分辨率为12米×8米，即距离向×方位向，该数据集是于2011年6月23日在中国塘沽港获得，入射角为30度。如图3所示。
训练数据是图3中R7区域图像，测试数据是图3中的R6区域图像如图5(a)所示，图5(a)中一共有46个潜在目标，强目标用矩形圈出，弱目标由圆圈圈出。
2.2)实验参数：
线性支持向量机SVM的惩罚系数V＝50，核fisher判别分析算法KFDA中的核参数g＝2。
2.3)实验内容：
用本发明对图5(a)进行实验，检测结果如图5(b)所示；
用现有的极化白化滤波检测器PWF对图5(a)进行实验，结果如图5(c)所示；
用现有的极化陷波滤波器PNF对图5(a)进行实验，结果如图5(d)所示；
用现有的反射对称滤波器RSF对图5(a)进行实验,结果如图5(e)所示；
用现有的基于显著性的检测器SD-LSMDRK对图5(a)进行实验，结果如图5(f)所示；
用现有的基于超像素散射机制分布特征的检测器SPD对图5(a)进行实验，结果如图5(g)所示。
从图5(b)-5(g)可看出，本发明方法检测到了所有目标且只有很少的虚警，这证明了该方法对抑制海杂波的有效性。而对于传统的方法PWF、PNF、RSF、SD-LSMDRK和SPD，有更多的虚警。PWF、PNF、RSF、SD-LSMDRK和SPD检测到的目标像素数目比本发明方法要少，说明本发明在一定程度上提升了算法的检测性能。
上述实验2的检测结果对比如表2所示：
表2不同方法的检测结果
不同方法 本发明 PWF PNF RSF SD-LSMDRK SPD
N<sub>td</sub> 46 45 43 42 45 42
N<sub>fa</sub> 3 >3 >3 >3 5 4
从表2中可见，只有本发明检测到了所有的目标，且虚假目标的个数也是最少的，因此与传统方法相比较，本发明在一定程度上提升了算法的检测性能。
综上，本发明是基于超像素局部信息度量的极化SAR舰船目标检测方法，增强了舰船与海杂波的对比度，抑制了相干斑的影响，使得舰船与海杂波的差异性增大，并利用监督分类进行自动目标检测，从而提升了舰船检测算法的性能。

Claims (5)

1.基于超像素局部信息度量的极化SAR舰船目标检测方法,包括：
(1)对给定的极化SAR图像I分别进行多尺度超像素分割，得到4个尺度下极化SAR图像超像素分割结果：S1,S2,S3,S4；
(2)对超像素分割后的结果Sk，利用超像素滑动窗口模型分别计算三种基于超像素级的差异性度量：似然比度量
Figure FDA0003176095960000011
黎曼距离度量
Figure FDA0003176095960000012
散射分量相似性度量
Figure FDA0003176095960000013
其中，k＝1,...,4，表示4个尺度，
Figure FDA0003176095960000014
Figure FDA0003176095960000015
表示当前尺度分割结果Sk中的超像素个数，j＝1,...,Mi，Mi表示以超像素
Figure FDA0003176095960000016
为中心的滑窗边界上的超像素个数；其中，求解基于超像素级的似然比度量
Figure FDA0003176095960000017
按照如下步骤进行：
2a1)在超像素分割结果Sk中，利用超像素滑动窗口模型计算滑窗中心超像素
Figure FDA0003176095960000018
与滑窗边界上超像素
Figure FDA0003176095960000019
似然比统计量
Figure FDA00031760959600000110
Figure FDA00031760959600000111
其中，L(·)是似然函数，n是视数，Ni表示超像素
Figure FDA00031760959600000112
中的像素个数，Nj表示超像素
Figure FDA00031760959600000113
中的像素个数，参数
Figure FDA00031760959600000114
和
Figure FDA00031760959600000115
为中间变量，通过以下公式估计得出：
Figure FDA00031760959600000116
其中，
Figure FDA00031760959600000117
表示滑窗中心超像素
Figure FDA00031760959600000118
里的第li个像素的相干矩阵，
Figure FDA00031760959600000119
表示滑窗边界上超像素
Figure FDA00031760959600000120
里的第lj个像素的相干矩阵，
Figure FDA00031760959600000121
表示
Figure FDA00031760959600000122
和
Figure FDA00031760959600000123
中的第l个像素的相干矩阵；
2a2)根据步骤2a1)中计算得到的似然比检测统计量
Figure FDA00031760959600000124
计算滑窗中心超像素
Figure FDA00031760959600000125
与滑窗边界上超像素
Figure FDA00031760959600000126
的似然比度量
Figure FDA00031760959600000127
Figure FDA00031760959600000128
其中，lnQc是一个恒定参数，取值为-150；
(3)将(2)中三种基于超像素级的差异性度量转化为基于像素级的差异性度量向量
Figure FDA0003176095960000021
得到每个像素点在不同分割尺度下融合后的差异性度量向量Ds：
Figure FDA0003176095960000022
其中，
Figure FDA0003176095960000023
为每个像素点在超像素分割结果Sk下的差异性度量向量，s＝1,...,P，P为极化SAR图像I中所有的像素点个数；
(4)选择高斯核函数，利用核fisher判别分析算法KFDA将(3)中得到的每个像素点在不同分割尺度下融合后的差异性度量向量Ds映射成每个像素点最终的差异性度量值Diss；
(5)利用支持向量机分类器SVM，对(4)中映射出的每个像素点最终的差异性度量值Diss进行分类，输出每个像素点的类别，实现自动目标检测。
2.根据权利要求1所述的方法，其中步骤(1)进行多尺度的超像素分割，按如下步骤进行；
超像素分割算法包括：SLIC算法、Turbo pixel算法、Normalized-cuts算法和Y.Wang提出的针对极化SAR图像的改进的SLIC算法，根据不同的尺度，利用改进的SLIC算法对极化SAR图像I进行超像素分割，其实现如下：
当尺度为6时，利用改进的SLIC算法，对给定的极化SAR图像I进行超像素分割，得到分割后的结果S1；
当尺度为9时，利用改进的SLIC算法，对给定的极化SAR图像I进行超像素分割，得到分割后的结果S2；
当尺度为12时，利用改进的SLIC算法，对给定的极化SAR图像I进行超像素分割，得到分割后的结果S3；
当尺度为15时，利用改进的SLIC算法，对给定的极化SAR图像I进行超像素分割，得到分割后的结果S4。
3.根据权利要求1所述的方法，其中步骤2)求基于超像素级的黎曼距离度量
Figure FDA0003176095960000024
按如下步骤进行；
2b1)利用下式，分别计算滑窗中心超像素
Figure FDA0003176095960000031
等效的相干矩阵
Figure FDA0003176095960000032
和滑窗边界上超像素
Figure FDA0003176095960000033
等效的相干矩阵
Figure FDA0003176095960000034
Figure FDA0003176095960000035
Figure FDA0003176095960000036
其中，p表示滑窗中心超像素
Figure FDA0003176095960000037
中的像素，Ni表示
Figure FDA0003176095960000038
中的像素个数，||·||F表示F范数，Tp表示
Figure FDA0003176095960000039
中的像素p的相干矩阵，q表示滑窗边界上超像素
Figure FDA00031760959600000310
中的像素，Nj表示
Figure FDA00031760959600000311
中的像素个数，Tq表示
Figure FDA00031760959600000312
中的像素q的相干矩阵；
2b2)在超像素分割结果Sk中，利用超像素滑动窗口模型计算滑窗中心超像素
Figure FDA00031760959600000313
与滑窗边界上超像素
Figure FDA00031760959600000314
的黎曼距离统计量
Figure FDA00031760959600000315
Figure FDA00031760959600000316
其中，tr(·)表示矩阵的迹；
2b3)根据步骤2b2)中得到的黎曼距离统计量
Figure FDA00031760959600000317
计算滑窗中心超像素
Figure FDA00031760959600000318
与滑窗边界上超像素
Figure FDA00031760959600000319
的黎曼距离度量
Figure FDA00031760959600000320
Figure FDA00031760959600000321
其中，h是一个参数，其值为0.5。
4.根据权利要求1所述的方法，其中步骤2)求基于超像素级的散射分量相似性度量
Figure FDA00031760959600000322
按如下步骤进行；
2c1)计算滑窗中心超像素
Figure FDA00031760959600000323
散射功率向量ki：
Figure FDA00031760959600000324
其中，T表示矩阵的转置，
Figure FDA00031760959600000325
分别由以下公式求得：
Figure FDA0003176095960000041
表示滑窗中心超像素
Figure FDA0003176095960000042
相干矩阵
Figure FDA0003176095960000043
的面散射功率，
Figure FDA0003176095960000044
表示滑窗中心超像素
Figure FDA0003176095960000045
相干矩阵
Figure FDA0003176095960000046
的二次散射功率，
Figure FDA0003176095960000047
表示滑窗中心超像素
Figure FDA0003176095960000048
相干矩阵
Figure FDA0003176095960000049
的体散射功率，
其中，|·|表示取绝对值，β1是滑窗中心超像素
Figure FDA00031760959600000410
相干矩阵
Figure FDA00031760959600000411
通过极化目标分解算法得到的面散射参数，α1是滑窗中心超像素
Figure FDA00031760959600000412
相干矩阵
Figure FDA00031760959600000413
通过极化目标分解算法得到的二次散射参数，
Figure FDA00031760959600000414
为滑窗中心超像素
Figure FDA00031760959600000415
相干矩阵
Figure FDA00031760959600000416
通过极化目标分解算法得到的面散射分解系数，
Figure FDA00031760959600000417
为滑窗中心超像素
Figure FDA00031760959600000418
相干矩阵
Figure FDA00031760959600000419
通过极化目标分解算法得到的二次散射分解系数，
Figure FDA00031760959600000420
为滑窗中心超像素
Figure FDA00031760959600000421
相干矩阵
Figure FDA00031760959600000422
通过极化目标分解算法得到的体散射分解系数；
2c2)计算滑窗边界超像素
Figure FDA00031760959600000423
散射功率向量kj：
Figure FDA00031760959600000424
其中，
Figure FDA00031760959600000425
分别由以下公式求得：
Figure FDA00031760959600000426
表示滑窗边界超像素
Figure FDA00031760959600000427
相干矩阵
Figure FDA00031760959600000428
的面散射功率，
Figure FDA00031760959600000429
表示滑窗边界超像素
Figure FDA00031760959600000430
相干矩阵
Figure FDA00031760959600000431
的二次散射功率，
Figure FDA00031760959600000432
表示滑窗边界超像素
Figure FDA00031760959600000433
相干矩阵
Figure FDA00031760959600000434
的体散射功率，
其中，β2是滑窗边界超像素
Figure FDA00031760959600000435
相干矩阵
Figure FDA00031760959600000436
通过极化目标分解算法得到的面散射参数，α2是滑窗边界超像素
Figure FDA00031760959600000437
相干矩阵
Figure FDA00031760959600000438
通过极化目标分解算法得到的二次散射参数，
Figure FDA00031760959600000439
为滑窗边界超像素
Figure FDA00031760959600000440
相干矩阵
Figure FDA00031760959600000441
通过极化目标分解算法得到的面散射分解系数，
Figure FDA00031760959600000442
为滑窗边界超像素
Figure FDA00031760959600000443
相干矩阵
Figure FDA00031760959600000444
通过极化目标分解算法得到的二次散射分解系数，
Figure FDA00031760959600000445
为滑窗边界超像素
Figure FDA00031760959600000446
相干矩阵
Figure FDA00031760959600000447
通过极化目标分解算法得到的体散射分解系数；
2c3)在超像素分割结果Sk中，利用超像素滑动窗口模型计算滑窗中心超像素
Figure FDA00031760959600000448
与滑窗边界超像素
Figure FDA00031760959600000449
的散射功率向量相似参数rij：
Figure FDA0003176095960000051
其中，上标H是共轭转置，||·||2是L2范数，|·|表示取绝对值；
2c4)根据步骤2c3)中得到的散射功率向量相似参数rij，计算滑窗中心超像素
Figure FDA0003176095960000052
与滑窗边界超像素
Figure FDA0003176095960000053
的散射分量相似性度量
Figure FDA0003176095960000054
其值由以下公式计算得到：
Figure FDA0003176095960000055
5.根据权利要求1所述的方法，步骤(3)将似然比度量
Figure FDA0003176095960000056
黎曼距离度量
Figure FDA0003176095960000057
散射分量相似性度量
Figure FDA0003176095960000058
这三种基于超像素级的差异性度量转化为基于像素级的差异性度量向量
Figure FDA0003176095960000059
按如下步骤进行；
3a)利用K均值聚类算法，将滑窗中心超像素
Figure FDA00031760959600000510
与滑窗边界超像素
Figure FDA00031760959600000511
的似然比度量
Figure FDA00031760959600000512
聚类到两个类别中，将多数类中的似然比度量的均值作为滑窗中心超像素
Figure FDA00031760959600000513
最终的似然比度量
Figure FDA00031760959600000514
Figure FDA00031760959600000515
其中，
Figure FDA00031760959600000516
表示当前多数类中超像素似然比度量值，c1＝1,...,ML，ML表示似然比度量值在当前聚类中多数类的超像素个数；
3b)利用K均值聚类算法，将滑窗中心超像素
Figure FDA00031760959600000517
与滑窗边界超像素
Figure FDA00031760959600000518
的黎曼距离度量
Figure FDA00031760959600000519
聚类到两个类别中，并将多数类中的黎曼距离度量的均值作为滑窗中心超像素
Figure FDA00031760959600000520
最终的黎曼距离度量
Figure FDA00031760959600000521
Figure FDA00031760959600000522
其中，
Figure FDA00031760959600000523
表示当前多数类中超像素黎曼距离度量值，c2＝1,...,MR，MR表示黎曼距离度量值在当前聚类中多数类的超像素个数；
3c)利用K均值聚类算法，将滑窗中心超像素
Figure FDA0003176095960000061
与滑窗边界超像素
Figure FDA0003176095960000062
的散射分量相似性度量
Figure FDA0003176095960000063
聚类到两个类别中，将多数类中的散射分量相似性度量的均值作为滑窗中心超像素
Figure FDA0003176095960000064
最终的散射分量相似性度量
Figure FDA0003176095960000065
Figure FDA0003176095960000066
其中，
Figure FDA0003176095960000067
表示当前多数类中超像素散射分量相似性度量值，c3＝1,...,MC，MC表示散射分量相似性度量在当前聚类中多数类的超像素个数；
3d)将滑窗中心超像素
Figure FDA0003176095960000068
最终的似然比度量
Figure FDA0003176095960000069
黎曼距离度量
Figure FDA00031760959600000610
散射分量相似性度量
Figure FDA00031760959600000611
构成向量作为滑窗中心超像素
Figure FDA00031760959600000612
的差异性度量向量
Figure FDA00031760959600000613
Figure FDA00031760959600000614
3e)将滑窗中心超像素
Figure FDA00031760959600000615
的差异性度量向量
Figure FDA00031760959600000616
分配给它里面所属的像素，得到像素p的差异度量向量
Figure FDA00031760959600000617
其中
Figure FDA00031760959600000618
表示超像素
Figure FDA00031760959600000619
中的像素；
3f)通过滑窗模型，重复步骤3a)到3e)得到每个滑窗中心超像素中像素点的差异度量向量
Figure FDA00031760959600000620
P表示极化SAR图像I中的像素点个数。
CN201810013991.5A 2018-01-08 2018-01-08 基于超像素局部信息度量的极化sar舰船目标检测方法 Active CN108171193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810013991.5A CN108171193B (zh) 2018-01-08 2018-01-08 基于超像素局部信息度量的极化sar舰船目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810013991.5A CN108171193B (zh) 2018-01-08 2018-01-08 基于超像素局部信息度量的极化sar舰船目标检测方法

Publications (2)

Publication Number Publication Date
CN108171193A CN108171193A (zh) 2018-06-15
CN108171193B true CN108171193B (zh) 2021-09-10

Family

ID=62517417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810013991.5A Active CN108171193B (zh) 2018-01-08 2018-01-08 基于超像素局部信息度量的极化sar舰船目标检测方法

Country Status (1)

Country Link
CN (1) CN108171193B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063750B (zh) * 2018-07-17 2022-05-13 西安电子科技大学 基于cnn和svm决策融合的sar目标分类方法
CN110070545B (zh) * 2019-03-20 2023-05-26 重庆邮电大学 一种城镇纹理特征密度自动提取城镇建成区的方法
CN110781753A (zh) * 2019-09-27 2020-02-11 杭州电子科技大学 基于Gp0混合模型的极化SAR舰船目标快速检测方法
CN110717956B (zh) * 2019-09-30 2023-06-20 重庆大学 一种有限角投影超像素引导的l0范数最优化重建方法
CN111123267B (zh) * 2019-10-30 2021-08-20 清华大学 合成孔径雷达图像舰船检测方法及装置
CN111027511B (zh) * 2019-12-23 2022-04-29 西安电子科技大学 基于感兴趣区块提取的遥感图像舰船检测方法
CN112766221B (zh) * 2021-02-01 2022-06-14 福州大学 基于船舶方向和位置多任务的sar图像船舶目标检测方法
CN113989505B (zh) * 2021-11-02 2024-02-20 陕西师范大学 基于融合多层级模糊聚类软决策结果的sar目标检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8144361B2 (en) * 2008-03-18 2012-03-27 Konica Minolta Laboratory U.S.A., Inc. Creation and placement of two-dimensional barcode stamps on printed documents for storing authentication information
CN104376330A (zh) * 2014-11-19 2015-02-25 西安电子科技大学 基于超像素散射机制的极化sar图像舰船目标检测方法
CN104392228A (zh) * 2014-12-19 2015-03-04 中国人民解放军国防科学技术大学 基于条件随机场模型的无人机图像目标类检测方法
CN104680181A (zh) * 2015-03-09 2015-06-03 西安电子科技大学 基于似然比特征的sar图像超像素分割方法
CN105469088A (zh) * 2015-11-17 2016-04-06 西北工业大学 一种适用于目标识别的物体预测区域优化方法
CN105976376A (zh) * 2016-05-09 2016-09-28 电子科技大学 一种基于部件模型的高分辨sar图像目标检测方法
CN106291550A (zh) * 2016-07-27 2017-01-04 西安电子科技大学 基于局部散射机制差异回归核的极化sar舰船检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10642891B2 (en) * 2013-04-12 2020-05-05 Avigilon Fortress Corporation Graph matching by sub-graph grouping and indexing

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8144361B2 (en) * 2008-03-18 2012-03-27 Konica Minolta Laboratory U.S.A., Inc. Creation and placement of two-dimensional barcode stamps on printed documents for storing authentication information
CN104376330A (zh) * 2014-11-19 2015-02-25 西安电子科技大学 基于超像素散射机制的极化sar图像舰船目标检测方法
CN104392228A (zh) * 2014-12-19 2015-03-04 中国人民解放军国防科学技术大学 基于条件随机场模型的无人机图像目标类检测方法
CN104680181A (zh) * 2015-03-09 2015-06-03 西安电子科技大学 基于似然比特征的sar图像超像素分割方法
CN105469088A (zh) * 2015-11-17 2016-04-06 西北工业大学 一种适用于目标识别的物体预测区域优化方法
CN105976376A (zh) * 2016-05-09 2016-09-28 电子科技大学 一种基于部件模型的高分辨sar图像目标检测方法
CN106291550A (zh) * 2016-07-27 2017-01-04 西安电子科技大学 基于局部散射机制差异回归核的极化sar舰船检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Hierarchical Ship Detection Scheme for High-Resolution SAR Images;Yinghua Wang 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20121031;第50卷(第10期);4173-4184 *
HRWS SAR 图像舰船目标监视技术研究综述;邢相薇 等;《雷达学报》;20150206;第4卷(第1期);107-121 *
Riemannian Distances for Signal Classification by Power Spectral Density;Kon Max Wong 等;《IEEE Journal of Selected Topics in Signal Processing》;20130831;654-669 *
SAR 图像舰船目标识别综述;陈文婷 等;《现代雷达》;20121115;第34卷(第11期);53-58 *
Superpixel-Level CFAR Detectors for Ship Detection in SAR Imagery;Odysseas Pappas 等;《IEEE Geoscience and Remote Sensing Letters》;20160405;730-734 *

Also Published As

Publication number Publication date
CN108171193A (zh) 2018-06-15

Similar Documents

Publication Publication Date Title
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
Xia et al. Infrared small target detection based on multiscale local contrast measure using local energy factor
Zhai et al. Inshore ship detection via saliency and context information in high-resolution SAR images
Leng et al. A bilateral CFAR algorithm for ship detection in SAR images
Bujor et al. Application of log-cumulants to the detection of spatiotemporal discontinuities in multitemporal SAR images
He et al. A novel automatic PolSAR ship detection method based on superpixel-level local information measurement
Parizzi et al. Adaptive InSAR stack multilooking exploiting amplitude statistics: A comparison between different techniques and practical results
WO2016101279A1 (zh) 一种合成孔径雷达图像舰船目标快速检测方法
CN110349160B (zh) 一种基于超像素与模糊c均值聚类sar图像分割方法
Fan et al. Oil spill monitoring based on SAR remote sensing imagery
Xia et al. A novel sea-land segmentation algorithm based on local binary patterns for ship detection
CN106646469B (zh) 基于变异系数法的sar船只检测优化方法
CN107742113B (zh) 一种基于目标数量后验的sar图像集群目标检测方法
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
CN101482969B (zh) 基于同质点计算的sar图像去斑方法
CN110889843A (zh) 基于最大稳定极值区域的sar图像舰船目标检测方法
Li et al. Ship detection in a large scene SAR image using image uniformity description factor
CN112883877B (zh) 基于双重非监督分类的极化sar红树林提取方法及***
Huang et al. Superpixel-based change detection in high resolution sar images using region covariance features
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
CN112101250B (zh) 一种基于上下文语义感知的近岸舰船目标检测方法
Jiang et al. Ship detection based on feature confidence for high resolution SAR images
CN105046707B (zh) 基于n阶多项式函数拟合海杂波的SAR图像船只检测方法
CN108710816B (zh) 一种基于概率融合的极化sar图像建筑物检测方法
CN113822361B (zh) 一种基于汉明距离的sar图像相似程度度量方法和***

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