CN109886218B - 基于超像素统计相异性的sar图像舰船目标检测方法 - Google Patents
基于超像素统计相异性的sar图像舰船目标检测方法 Download PDFInfo
- Publication number
- CN109886218B CN109886218B CN201910142161.7A CN201910142161A CN109886218B CN 109886218 B CN109886218 B CN 109886218B CN 201910142161 A CN201910142161 A CN 201910142161A CN 109886218 B CN109886218 B CN 109886218B
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- value
- super
- calculating
- 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
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达技术领域,公开了一种基于超像素统计相异性的SAR图像舰船目标检测方法。该方法包括:获取待检测的SAR图像,对SAR图像进行超像素分割得到W个超像素;其次基于伽玛分布假设,计算每个超像素对应的伽玛分布的形状参数和逆尺度参数;计算每个超像素的全局对比度值和局部对比度值,进一步计算得到该超像素对应的TCR增强值,将TCR增强值作为该超像素中各像素点的强度值,从而得到TCR增强图像;最后,计算检测阈值T,对TCR图像进行二值化,得到TCR增强图像对应的二值图像。本发明能够基于超像素统计相异性更好的提高TCR,从而能够以较低的虚警率实现较高的目标检测率,提升目标检测性能。
Description
技术领域
本发明涉及雷达技术领域,尤其涉及基于超像素统计相异性的SAR图像舰船目标检测方法。
背景技术
合成孔径雷达(英文全称:Synthetic Aperture Radar,英文缩写:SAR)***不受光照、天气等条件的限制,能够对感兴趣的目标进行全天候、全天时的观测,获得高分辨的二维SAR图像,是一种重要的对地观测手段,在民用和军用领域都得到了广泛应用。
基于SAR图像的目标检测作为自动目标识别***中的关键技术,是雷达领域的研究热点。传统的恒虚警率(英文全称:Constant False-Alarm Rate,英文缩写:CFAR)方法,如单元平均恒虚警(英文全称:Cell-Averaging Constant False-Alarm Rate,英文缩写:CA-CFAR)方法,利用SAR灰度图像中目标像素和杂波像素的灰度值差异,设定合适的阈值进行目标检测。随着SAR技术水平的发展,SAR图像的分辨率不断提高,这虽然有利于获得更为精细的目标信息,但同时也给CFAR方法带来了困难。由于高分辨率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,造成目标像素的灰度值起伏,导致目标-杂波对比度(英文全称:Target to Clutter Rate,英文缩写:TCR)降低,在采用传统CFAR方法进行检测时目标区域中的灰度值较低的目标像素会被漏检,从而造成检测结果中出现目标断裂和不连续的现象。
此外,相对于低分辨SAR图像,高分辨SAR图像中的目标呈现出复杂的形状和结构特征,它不仅是高亮像素点的简单集合,目标的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CFAR方法大多以像素为目标检测的基本单元,并未考虑像素之间的空间关系。为了解决这一问题,提出了超像素的概念,超像素是根据像素之间的相似程度对图像中的像素进行分组得到的局部图像块。通常,高分辨SAR图像中的目标可以分割为一个或多个相邻的超像素,相对于单个像素,将超像素作为目标检测的基本单元,不仅可以获得目标更加有用的统计和结构信息,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。
为实现SAR图像近岸舰船目标检测,有文章提出了一种超像素显著图法,该方法利用超像素中像素平均强度,即灰度值的平方,生成全局和局部显著性特征。这种方法旨在提高TCR,在此基础上进行目标检测,并利用上下文信息剔除虚警。然而,该方法依赖于超像素中像素的平均强度,当背景超像素与目标超像素具有相似的强度时,目标检测结果中会出现虚警和漏检,目标检测性能下降。
发明内容
本发明的实施例提供一种基于超像素统计相异性的SAR图像舰船目标检测方法,能够基于超像素统计相异性更好的提高TCR,从而能够以较低的虚警率实现较高的目标检测率,提升目标检测性能。
为达到上述目的,本发明的实施例采用如下技术方案:
步骤1、获取待检测的SAR图像,对待检测的SAR图像进行超像素分割,得到W个超像素;
步骤2、基于伽玛分布假设,计算每个超像素对应的伽玛分布的形状参数和逆尺度参数;
步骤3、利用每个超像素与其他W-1个超像素之间的统计相异值,计算每个超像素的全局对比度值;其中,任意两个超像素之间的统计相异值由两个超像素中每个超像素对应的伽玛分布的形状参数和逆尺度参数计算得到;利用每个超像素与其所有相邻超像素之间的统计相异值,计算每个超像素的局部对比度值;对于任意一个超像素,根据该超像素的全局对比度值和局部对比度值,计算得到对应的TCR增强值,进而将TCR增强值作为该超像素中各像素点的强度值,从而得到TCR增强图像;
步骤4、确定检测阈值T;对于TCR增强图像中的任一像素点,若该像素点的强度值大于等于检测阈值T,则将该像素点的灰度设为255;若该像素点的强度值小于检测阈值T,则将该像素点的灰度设为0;遍历TCR增强图像中的所有像素点,即得到TCR增强图像对应的二值图像,其中灰度值为255的像素点对应的区域为舰船目标,灰度值为0的像素点对应的区域为图像背景。
本发明提供的基于超像素统计相异性的SAR图像舰船目标检测方法,首先对待检测SAR图像进行超像素分割;然后基于伽马分布假设,计算每个超像素对应的伽玛分布的形状参数和逆尺度参数;进一步的利用每个超像素对应的伽马分布的形状参数和逆尺度参数,计算每个超像素的全局对比度值和局部对比度值;根据每个超像素的全局对比度值和局部对比度值,得到每个超像素的TCR增强值,将每个超像素的TCR增强值作为超像素中每个像素点的强度值,得到TCR增强图像;计算TCR增强图像对应的形状参数和逆尺度参数计算得到检测阈值;最后利用检测阈值对TCR增强图像进行二值化,得到TCR图像对应的二值图像,其中灰度值为255的像素点对应的区域为舰船目标,灰度值为0的像素点对应的区域为图像背景。本发明提供的方法基于基于伽马分布假设计算每两个超像素之间的统计相异值,并基于超像素统计相异性最终得到TCR增强图,能够更好的提高TCR,进一步能够以较低的虚警率实现较高的目标检测率,提升目标检测性能。
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为本发明实施例提供的基于超像素统计相异性的SAR图像舰船目标检测方法的流程示意图;
图2为利用不同等效视数的仿真SAR图像得到的TCR增强图像对比;其中图2(a)-(d)对应的等效视数为1,图2(a)为目标像素点和背景杂波像素点对应的伽马分布,图2(b)为利用图2(a)中目标和背景的伽马分布生成的仿真SAR图像,图2(c)为图2(b)的超像素分割结果,图2(d)为图2(b)对应的TCR增强图像;其中图2(e)-(h)对应的等效视数为4,图2(e)为目标和背景杂波对应的伽马分布,图2(f)为利用图2(e)中目标和背景的伽马分布生成的仿真SAR图像,图2(g)为图2(f)的超像素分割结果,图2(h)为图2(f)对应的TCR增强图像;
图3为对印度某港口SAR图像利用本发明方法、CA-CFAR方法和超像素显著图法的对比图;其中,图3(a)为印度某港口的SAR图像,图3(b)为地面实况图,图3(c)为利用本发明实施例提供的方法得到的全局超像素TCR增强图,图3(d)为为利用本发明实施例提供的方法得到的局部超像素TCR增强图,图3(e)利用本发明实施例提供的方法得到的TCR增强图像,图3(f)为利用本发明实施例提供的方法得到图3(a)对应的二值图像;图3(g)为超像素显著图法的TCR增强图像,图3(h)为利用超像素显著图法得到的图3(a)对应的二值图像;图3(i)为利用CA-CFAR方法得到的图3(a)对应的二值图像;
图4为对新加坡某港口SAR图像利用本发明方法、CA-CFAR方法和超像素显著图法的对比图;其中,图4(a)为新加坡某港口的SAR图像,图4(b)为地面实况图,图4(c)为利用本发明实施例提供的方法得到的全局超像素TCR增强图,图4(d)为为利用本发明实施例提供的方法得到的局部超像素TCR增强图,图4(e)利用本发明实施例提供的方法得到的TCR增强图像,图4(f)为利用本发明实施例提供的方法得到图4(a)对应的二值图像;图4(g)为超像素显著图法的TCR增强图像,图4(h)为利用超像素显著图法得到的图4(a)对应的二值图像;图4(i)为利用CA-CFAR方法得到的图4(a)对应的二值图像。
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。
图1为本发明实施例提供的基于超像素统计相异性的SAR图像舰船目标检测方法的流程示意图。
参见图1,本发明实施例提供的基于超像素统计相异性的SAR图像舰船目标检测方法具体包括以下步骤:
步骤1、获取待检测的SAR图像,对待检测的SAR图像进行超像素分割,得到W个超像素。
进一步的,步骤1具体包括:
步骤1.1、令I表示迭代次数,初始化I=1;获取待检测的SAR图像,将待检测SAR图像划分为N个S×S的矩形块R1,R2,...,Rn,...,RN,取矩形块R1,R2,...,Rn,...,RN的几何中心c1,c2,...,cn,...,cN作为SAR图像的聚类中心,并用标签1,2,…,n,…,N标记;
步骤1.2、计算SAR图像中的第i个像素点的标签,具体为:获取以第i个像素点为中心、2S为边长的正方形邻域,将正方形邻域内的K个聚类中心ci1,ci2,…,cik,…,ciK作为第i个像素点的候选聚类中心,分别计算第i个像素点与每个候选聚类中心的差异值,将差异值最小的候选聚类中心对应的标签作为第i个像素点的标签;遍历SAR图像中的全部像素点,获取SAR图像中每个像素点的标签;
其中,i=1,2,…,H×L;
优选的,计算第i个像素点与每个候选聚类中心的差异值,具体包括:
获取以第i个像素点为中心的图像块ui和以候选聚类中心cik为中心的图像块uik,图像块ui和图像块uik均为5×5像素的图像块;
其中,xim为图像块ui中第m个像素点的强度,xikm为图像块uik中第m个像素点的强度,为图像块ui和图像块uik的像素点的并集中第j个像素点的强度,M为图像块ui中像素点的总数,图像块uik中像素点的总数与图像块ui中像素点的总相等,L=α为SAR图像的等效视数。
优选的,计算图像块ui和图像块uik之间的空间距离d(i,cik),具体包括:
遍历第i个像素点的所有候选聚类中心,得到第i个像素点与每个候选聚类中心的差异值。
其中,i=1,2,...,H×L;
步骤1.3、将SAR图像中标签相同的像素点所构成的集合作为一个超像素,得到P个超像素;对于每一个超像素,获取其中每个像素点在SAR图像中的行坐标与列坐标,将所有像素点对应的行坐标的均值作为该超像素的聚类中心的行坐标,将所有像素点对应的列坐标的均值作为该超像素的聚类中心的列坐标,从而得到该超像素的聚类中心;将P个超像素的聚类中心作为SAR图像的聚类中心;令I加1,判断I是否小于或等于10,如果是则转至步骤1.2,如果否,则转至步骤1.4;
步骤1.4、得到W个超像素Q1,Q2,…,Qw,…,QW,其中W为10次迭代后得到的超像素的个数。
需要说明的是,最终得到的超像素个数W与初始的设定的矩形块个数N不一定相同,原因是经过10次迭代计算,有的标签里可能没有对应的像素点出现。
步骤2、基于伽玛分布假设,计算每个超像素对应的伽玛分布的形状参数和逆尺度参数。
进一步的,步骤2中,计算任一超像素Qw对应的伽玛分布的形状参数和逆尺度参数,具体包括:
其中,Nw表示超像素Qw中像素点的总数,xwn'表示超像素Qw中第n'个像素点的强度值,n'=1,2,…,Nw,w∈[1,2,…,W];
需要说明的是,此处基于伽马分布假设的依据是,基于SAR图像的先验统计模型,可以得出SAR图像的背景杂波像素点与目标像素点均服从伽马分布。
步骤3、利用每个超像素与其他W-1个超像素之间的统计相异值,计算每个超像素的全局对比度值;其中,任意两个超像素之间的统计相异值由两个超像素中每个超像素对应的伽玛分布的形状参数和逆尺度参数计算得到;利用每个超像素与其所有相邻超像素之间的统计相异值,计算每个超像素的局部对比度值;对于任意一个超像素,根据该超像素的全局对比度值和局部对比度值,计算得到对应的TCR增强值,进而将TCR增强值作为该超像素中各像素点的强度值,从而得到TCR增强图像;
进一步的,计算任一超像素Qw的全局对比度值、局部对比度值和对应的TCR增强值,具体包括:
其中,w∈[1,2,…,W],r∈[1,2,…,W]且r≠w;D(pQw,pQr)为超像素Qw和超像素Qr之间的统计相异性值;
其中,D(pQw,pQs)为超像素Qw和超像素Qs之间的统计相异值,表示超像素Qw和超像素Qs之间的空间距离权重,Dspatial(Qw,Qs)表示超像素Qw和超像素Qs之间的欧几里得距离,(aw,bw)为超像素Qw的几何中心在SAR图像中的坐标,(as,bs)为超像素Qs的几何中心在SAR图像中的坐标,Ω(Qw)表示超像素Qw的相邻超像素的集合,s∈[1,2,…,W]且s≠w;
根据公式Ssp(Qw)=Sglobal(Qw)·Slocal(Qw)计算得到超像素Qw对应的TCR增强值Ssp(Qw)。
需要说明的是,将每个超像素的全局对比度值作为该超像素中各像素点的强度值,遍历所有的超像素可以得到SAR图像的全局超像素TCR增强图;将每个超像素的局部对比度值作为该超像素中各像素点的强度值,遍历所有的超像素可以得到SAR图像的局部超像素TCR增强图。
优选的,计算任一超像素Qw和超像素Qr之间的统计相异性值,具体包括:
步骤4、计算检测阈值T,对于TCR增强图像中的任一像素点,若该像素点的强度值大于等于检测阈值T,则将该像素点的灰度设为255。若该像素点的强度值小于检测阈值T,则将该像素点的灰度设为0。遍历TCR增强图像中的所有像素点,即得到TCR增强图像对应的二值图像,其中灰度值为255的像素点对应的区域为舰船目标,灰度值为0的像素点对应的区域为图像背景。
进一步的,步骤4中,确定检测阈值T,具体包括:
其中,xn″是TCR增强图像中第n″个像素的强度值,n″=1,2,...,NTCR,NTCR为TCR增强图像中像素点的总数;
其中,Ψ(·)为多元polygamma函数,Ψ(1,·)代表Ψ(·)函数的一阶导数;
其中,Γ(·)为标准的伽玛函数。
本发明提供的基于超像素统计相异性的SAR图像舰船目标检测方法,首先对待检测SAR图像进行超像素分割;然后基于伽马分布假设,计算每个超像素对应的伽玛分布的形状参数和逆尺度参数;进一步的利用每个超像素对应的伽马分布的形状参数和逆尺度参数,计算每个超像素的全局对比度值和局部对比度值;根据每个超像素的全局对比度值和局部对比度值,得到每个超像素的TCR增强值,将每个超像素的TCR增强值作为超像素中每个像素点的强度值,得到TCR增强图像;计算TCR增强图像对应的形状参数和逆尺度参数计算得到检测阈值;最后利用检测阈值对TCR增强图像进行二值化,得到TCR图像对应的二值图像,其中灰度值为255的像素点对应的区域为舰船目标,灰度值为0的像素点对应的区域为图像背景。本发明提供的方法基于基于伽马分布假设计算每两个超像素之间的统计相异值,并基于超像素统计相异性最终得到TCR增强图,能够更好的提高TCR,进一步能够以较低的虚警率实现较高的目标检测率,提升目标检测性能。
进一步的,以下通过仿真实验对本发明上述有益效果进行验证。
仿真实验运行平台:Matlab R2014a,Intel(R)Core(TM)[email protected],内存8GB。
实验一:
图2(a)为背景杂波像素点服从形状参数α=L=1和逆尺度参数β=0.5的伽马分布和目标像素点服从形状参数α=L=1和逆尺度参数β=0.2的伽马分布。图2(e)为背景杂波像素点服从形状参数α=L=4和逆尺度参数β=0.5的伽马分布和目标像素点服从形状参数α=L=4和逆尺度参数β=0.2的伽马分布。图2(b)和图2(f)分别为根据图2(a)与图2(e)生成的仿真SAR图像,仿真SAR图像的尺寸为200×200像素,设置超像素尺寸S=20,利用本发明实施例提供的方法对图2(b)和图2(f)分别进行处理得到图2(c)、图2(d)、图2(g)、和图2(h),其中,图2(c)为图2(b)的超像素分割结果,图2(d)为图2(b)对应的TCR增强图像,图2(g)为图2(f)的超像素分割结果,图2(h)为图2(f)对应的TCR增强图像。引入TCR值作为TCR增强效果的评判标准,表1为在等效视数L分别取1、2、3和4时,利用本发明实施例提供的方法得到的TCR增强图像的TCR值:
表1
由表1可以看出本发明实施例提供的方法能够显著提高TCR,并且当等效视数L越大时,TCR值越大,表明TCR增强效果越好。
实验二:
图3(a)为印度某港口的SAR图像,如图3(a)所示,港口附近的成像场景中停靠着两个舰船目标,地面实况如图3(b)所示。分别采用本发明实施例提供的方法、超像素显著图方法和CA-CFAR方法进行目标检测,在本发明实施例提供的方法中,设置超像素尺寸S=85,分别得到图3(c)-图3(f),其中,图3(a)为印度某港口的SAR图像,图3(b)为地面实况图,图3(c)为利用本发明实施例提供的方法得到的全局超像素TCR增强图,图3(d)为为利用本发明实施例提供的方法得到的局部超像素TCR增强图,图3(e)利用本发明实施例提供的方法得到的TCR增强图像,图3(f)为利用本发明实施例提供的方法得到图3(a)对应的二值图像;图3(g)为超像素显著图法的TCR增强图像,图3(h)为利用超像素显著图法得到的图3(a)对应的二值图像;图3(i)为利用CA-CFAR方法得到的图3(a)对应的二值图像。
对比图3(e)和图3(g),可以看出在图3(g)中用圆圈标记的目标主体几乎不可见,造成图3(h)中目标区域出现缺失,可以得出本发明实施例提供的方法的目标增强效果较好,即在增强目标和抑制背景杂波方面表现的更好。对比图3(f)和图3(i),可以看出本发明实施例提供的方法能够完整地检测到舰船目标,并且检测结果中没有虚警,图3(i)中目标区域包括空洞和裂缝,并且陆地区域出现了大量用矩形框标记出的虚警像素。
实验三:
图4(a)为新加坡某港口的SAR图像,如图4(a)所示,港口附近的成像场景中停靠着多个具有不同尺寸的舰船目标,且存在具有强后向散射强度的大面积陆地区域,地面实况如图4(b)所示。分别采用本发明实施例提供的方法、超像素显著图方法和CA-CFAR方法进行目标检测,在本发明实施例提供的方法中,设置超像素尺寸S=25,分别得到图4(c)-图4(f),其中,图4(a)为印度某港口的SAR图像,图4(b)为地面实况图,图4(c)为利用本发明实施例提供的方法得到的全局超像素TCR增强图,图4(d)为为利用本发明实施例提供的方法得到的局部超像素TCR增强图,图4(e)利用本发明实施例提供的方法得到的TCR增强图像,图4(f)为利用本发明实施例提供的方法得到图4(a)对应的二值图像;图4(g)为超像素显著图法的TCR增强图像,图4(h)为利用超像素显著图法得到的图4(a)对应的二值图像;图4(i)为利用CA-CFAR方法得到的图4(a)对应的二值图像。
对比图4(e)和图4(g),可以看出虽然超像素显著图法能够更好地抑制大面积的陆地区域,然而一些舰船目标的强度也受到了抑制,表现为在图4(h)中用圆圈标记出的舰船目标出现了漏检。对比图4(f)和图4(i)可以看出虽然CA-CFAR方法能够检测出所有目标,但是图4(i)中的目标区域存在一些由陆地区域产生的虚警。
为了定量地评估目标检测性能,分别定义目标实际检测率DR和实际虚警率FAR:
目标实际检测率DR=Ndt/NT,Ndt为正确检测到的目标像素点数,NT为目标像素总数;实际虚警率FAR=Ndc/NC,Ndc为杂波像素中被误判为目标像素的杂波像素总数,NC为杂波像素总数。分别采用本发明实施例提供的方法,超像素显著图法和CA-CFAR对图3(a)和图4(a)进行处理得到的图像对应的目标实际检测率DR和实际虚警率FAR如表2所示:
表2
方法 | 本发明实施例提供的方法 | 超像素显著图法 | CA-CFAR |
指标 | DR/FAR(%) | DR/FAR(%) | DR/FAR(%) |
图3(a) | 91.04/0.28 | 47.01/0.18 | 40.19/1.56 |
图4(a) | 95.60/1.23 | 71.19/1.90 | 85.93/1.40 |
从表2中可以看出,本发明方法能够获得最高的检测率,同时保持较低的虚警率。
针对图3(a),CA-CFAR方法用时17.2s,而本发明实施例提供的方法采用MATLAB和C++混合编程,超像素分割用时1.5s,图像增强和检测用时1.2s,极大地提高了目标检测的效率,能够满足实时性的要求。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于超像素统计相异性的SAR图像舰船目标检测方法,其特征在于,所述方法包括以下步骤:
步骤1、获取待检测的SAR图像,对待检测的SAR图像进行超像素分割,得到W个超像素;
步骤2、基于伽玛分布假设,计算每个超像素对应的伽玛分布的形状参数和逆尺度参数;
步骤3、利用每个超像素与其他W-1个超像素之间的统计相异值,计算每个超像素的全局对比度值;其中,任意两个超像素之间的统计相异值由所述两个超像素中每个超像素对应的伽玛分布的形状参数和逆尺度参数计算得到;利用每个超像素与其所有相邻超像素之间的统计相异值,计算每个超像素的局部对比度值;对于任意一个超像素,根据该超像素的全局对比度值和局部对比度值,计算得到对应的TCR增强值,进而将所述TCR增强值作为该超像素中各像素点的强度值,从而得到TCR增强图像;
步骤4、确定检测阈值T;对于所述TCR增强图像中的任一像素点,若该像素点的强度值大于等于所述检测阈值T,则将该像素点的灰度设为255;若该像素点的强度值小于所述检测阈值T,则将该像素点的灰度设为0;遍历所述TCR增强图像中的所有像素点,即得到所述TCR增强图像对应的二值图像,其中灰度值为255的像素点对应的区域为舰船目标,灰度值为0的像素点对应的区域为图像背景。
2.根据权利要求1所述的方法,其特征在于,所述步骤1具体包括:
步骤1.1、令I表示迭代次数,初始化I=1;获取待检测的SAR图像,将所述待检测SAR图像划分为N个S×S的矩形块R1,R2,...,Rn,...,RN,取所述矩形块R1,R2,...,Rn,...,RN的几何中心c1,c2,...,cn,...,cN作为所述SAR图像的聚类中心,并用标签1,2,...,n,...,N标记;
步骤1.2、计算所述SAR图像中的第i个像素点的标签,具体为:获取以第i个像素点为中心、2S为边长的正方形邻域,将所述正方形邻域内的K个聚类中心ci1,ci2,…,cik,…,ciK作为第i个像素点的候选聚类中心,分别计算第i个像素点与每个候选聚类中心的差异值,将所述差异值最小的候选聚类中心对应的标签作为第i个像素点的标签;遍历所述SAR图像中的全部像素点,获取SAR图像中每个像素点的标签;
其中,i=1,2,...,H×L;
步骤1.3、将所述SAR图像中标签相同的像素点所构成的集合作为一个超像素,得到P个超像素;对于每一个超像素,获取其中每个像素点在所述SAR图像中的行坐标与列坐标,将所有像素点对应的行坐标的均值作为该超像素的聚类中心的行坐标,将所有像素点对应的列坐标的均值作为该超像素的聚类中心的列坐标,从而得到该超像素的聚类中心;将P个超像素的聚类中心作为所述SAR图像的聚类中心;令I加1,判断I是否小于或等于10,如果是则转至步骤1.2,如果否,则转至步骤1.4;
步骤1.4、得到W个超像素Q1,Q2,…,QW,其中W为10次迭代后得到的超像素的个数。
3.根据权利要求2所述的方法,其特征在于,在所述步骤1.2中,所述计算第i个像素点与每个候选聚类中心的差异值,具体包括:
获取以第i个像素点为中心的图像块ui和以候选聚类中心cik为中心的图像块uik,所述图像块ui和所述图像块uik均为5×5像素的图像块;
利用所述强度差异值和空间距离,计算所述图像块ui和所述图像块uik的差异值将所述所述图像块ui和所述图像块uik的差异值作为所述第i个像素点和候选聚类中心cik的差异值,其中,λ=2S为调整空间距离在差异值中占的权重;
遍历所述第i个像素点的所有候选聚类中心,得到所述第i个像素点与每个候选聚类中心的差异值。
7.根据权利要求1所述的方法,其特征在于,计算任一超像素Qw的全局对比度值、局部对比度值和对应的TCR增强值,具体包括:
其中,为超像素Qw和超像素Qs之间的统计相异值,表示超像素Qw和超像素Qs之间的空间距离权重,Dspatial(Qw,Qs)表示超像素Qw和超像素Qs之间的欧几里得距离,(aw,bw)为超像素Qw的几何中心在SAR图像中的坐标,(αs,bs)为超像素Qs的几何中心在SAR图像中的坐标,Ω(Qw)表示超像素Qw的相邻超像素的集合,s∈[1,2,...,W]且s≠w;
根据公式Ssp(Qw)=Sglobal(Qw)·Slocal(Qw)计算得到超像素Qw对应的TCR增强值Ssp(Qw)。
9.根据权利要求1所述的方法,其特征在于,所述步骤4中,所述确定检测阈值T,具体包括:
其中,xn″是所述TCR增强图像中第n″个像素的强度值,n″=1,2,...,NTcR,NTCR为所述TCR增强图像中像素点的总数;
其中,Ψ(·)为多元polygamma函数,Ψ(1,·)代表Ψ(·)函数的一阶导数;
其中,Γ(.)为标准的伽玛函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910142161.7A CN109886218B (zh) | 2019-02-26 | 2019-02-26 | 基于超像素统计相异性的sar图像舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910142161.7A CN109886218B (zh) | 2019-02-26 | 2019-02-26 | 基于超像素统计相异性的sar图像舰船目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886218A CN109886218A (zh) | 2019-06-14 |
CN109886218B true CN109886218B (zh) | 2022-12-23 |
Family
ID=66929467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910142161.7A Active CN109886218B (zh) | 2019-02-26 | 2019-02-26 | 基于超像素统计相异性的sar图像舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886218B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163450A (zh) * | 2020-08-24 | 2021-01-01 | 中国海洋大学 | 基于s3d学习算法的高频地波雷达船只目标检测方法 |
CN112183518B (zh) * | 2020-09-25 | 2024-05-28 | 伏羲九针智能科技(北京)有限公司 | 静脉靶点自动确定方法、装置和设备 |
CN112164087B (zh) * | 2020-10-13 | 2023-12-08 | 北京无线电测量研究所 | 基于边缘约束和分割边界搜索的超像素分割方法及装置 |
CN112528468A (zh) * | 2020-11-20 | 2021-03-19 | 南京航空航天大学 | 一种基于电磁场sar图像处理的标签天线逆向设计方法 |
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 |
CN113781386B (zh) * | 2021-05-06 | 2024-04-16 | 清华大学 | 一种基于多源遥感图像显著度模糊融合的舰船检测方法 |
CN113406625A (zh) * | 2021-05-08 | 2021-09-17 | 杭州电子科技大学 | 一种sar图像超像素滑窗cfar检测方法 |
CN113362293A (zh) * | 2021-05-27 | 2021-09-07 | 西安理工大学 | 一种基于显著性的sar图像舰船目标快速检测方法 |
CN113379694B (zh) * | 2021-06-01 | 2024-02-23 | 大连海事大学 | 雷达图像局部点面对比度积舰船检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
US9389311B1 (en) * | 2015-02-19 | 2016-07-12 | Sandia Corporation | Superpixel edges for boundary detection |
CN107067039A (zh) * | 2017-04-25 | 2017-08-18 | 西安电子科技大学 | 基于超像素的sar图像舰船目标快速检测方法 |
-
2019
- 2019-02-26 CN CN201910142161.7A patent/CN109886218B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
US9389311B1 (en) * | 2015-02-19 | 2016-07-12 | Sandia Corporation | Superpixel edges for boundary detection |
CN107067039A (zh) * | 2017-04-25 | 2017-08-18 | 西安电子科技大学 | 基于超像素的sar图像舰船目标快速检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109886218A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886218B (zh) | 基于超像素统计相异性的sar图像舰船目标检测方法 | |
Li et al. | An improved superpixel-level CFAR detection method for ship targets in high-resolution SAR images | |
Zhai et al. | Inshore ship detection via saliency and context information in high-resolution SAR images | |
Fan et al. | Real-time stereo vision-based lane detection system | |
Fan et al. | Real-time stereo vision for road surface 3-d reconstruction | |
Zhao et al. | Building detection from urban SAR image using building characteristics and contextual information | |
CN107194896B (zh) | 一种基于邻域结构的背景抑制方法和*** | |
Wang et al. | A novel multi-scale segmentation algorithm for high resolution remote sensing images based on wavelet transform and improved JSEG algorithm | |
Wang et al. | Real-time plane segmentation and obstacle detection of 3D point clouds for indoor scenes | |
CN113362293A (zh) | 一种基于显著性的sar图像舰船目标快速检测方法 | |
CN103366371A (zh) | 基于k分布和纹理特征的sar图像分割方法 | |
CN108038856B (zh) | 基于改进多尺度分形增强的红外小目标检测方法 | |
Liang et al. | An extraction and classification algorithm for concrete cracks based on machine vision | |
Yamaguchi et al. | Detection and localization of manhole and joint covers in radar images by support vector machine and Hough transform | |
CN116051822A (zh) | 凹障碍的识别方法和装置、处理器及电子设备 | |
Gao et al. | Agricultural image target segmentation based on fuzzy set | |
Paravolidakis et al. | Coastline extraction from aerial images based on edge detection | |
Guo et al. | KD-tree-based euclidean clustering for tomographic SAR point cloud extraction and segmentation | |
Liu et al. | Vehicle detection from aerial color imagery and airborne LiDAR data | |
CN102509308A (zh) | 基于混合动态纹理空时显著性检测的运动分割方法 | |
Liu et al. | An approach to ship target detection based on combined optimization model of dehazing and detection | |
CN107835998A (zh) | 用于识别数字图像中的表面类型的分层平铺方法 | |
Buck et al. | Enhanced ship detection from overhead imagery | |
Li et al. | An improved CFAR scheme for man-made target detection in high resolution SAR images | |
Liu et al. | Automatic detection of ship target and motion direction in visual images |
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 |