CN113159157A - 改进的低频uwb sar叶簇隐蔽目标融合变化检测方法 - Google Patents
改进的低频uwb sar叶簇隐蔽目标融合变化检测方法 Download PDFInfo
- Publication number
- CN113159157A CN113159157A CN202110407968.6A CN202110407968A CN113159157A CN 113159157 A CN113159157 A CN 113159157A CN 202110407968 A CN202110407968 A CN 202110407968A CN 113159157 A CN113159157 A CN 113159157A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- target
- detection threshold
- point
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法,该方法首先对检测图像和参考图像进行预处理,进行双方向的相对辐射校正处理;其次,求解基于改进杂波分布模型的图像分割差值法的检验量图像和检测阈值;将检测图像和参考图像相减得到差值检验量图像,并对差值检验量图像的杂波分布进行估计,设定虚警概率后得到检测阈值,即得到第一个子算法的检验量图像和检测阈值;然后,求解一维Edgeworth法以及广义Laguerre多项式法的检验量图像和检测阈值;最后,将三个检验量图像以及对应阈值输入到LE‑SVDD空间中进行分类器的设计,从而实现低频UWB SAR图像的变化检测。
Description
技术领域
本发明涉及雷达技术领域,更具体地,涉及一种改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法。
背景技术
在现代战争中,作战双方越来越注重对己方军事目标的隐蔽,同时提高对敌方隐蔽军事目标的探测侦察能力。因此,对隐蔽目标探测技术的研究能为我国新型战场侦察/制导武器装备的研制提供重要的理论和技术支持,具有重要的军事意义。此外,我国边境地理形势复杂,很多区域丛林密布,这为邻国在边境附近布设军事目标和调整军事防务提供了便利。由于具有丛林遮蔽,常规雷达***无法穿透丛林对敌方进行有效探测侦察。因此,迫切需要研发先进体制雷达***以及配套的检测***,以提高对隐蔽军事目标的探测侦察能力。
低频超宽带合成孔径雷达(UWB SAR)具有良好叶簇穿透探测性能和高分辨成像能力,已成为隐蔽目标探测侦察的重要手段。由于丛林探测环境复杂和低频UWB体制,使获得的UWB SAR图像经常存在许多非目标点的强散射点(如粗壮的树干)。这些非目标的斑状散射点使得对于不同时相的低频UWB SAR图像在进行变化检测时总会存在许多虚警点,从而增加了叶簇隐蔽目标变化检测的难度。
目前,低频UWB SAR图像目标检测方法主要包括三类,第一类是基于图像像素级的变化检测方法,通过对不同时相图像中同一点像素点的比较分析,观测该像素点是否发生变化,常见的方法有差值法和比值法等。基于图像像素级的变化检测方法实现较为简单,但是单纯的像素灰度值的分析受噪声影响大,实际检测效果往往不佳。第二类方法是基于图像特征级的变化检测方法,通过对像素周围的区域进行特征提取,将提取到的特征进行综合分析,实现对变化特征点的检测,常用的算法有Edgeworth法、灰度共生矩阵方法。基于图像特征级的变化检测方法在进行对比时采用的是图像纹理特征、边缘特征等信息,具有较强的稳定性和抗干扰能力,实现相对基于图像像素级的变化检测方法复杂。第三类方法是基于图像目标级的变化检测方法,先对单时相的图像进行提取特征和图像分类,获取图像中的目标点的属性信息,再对分类后的图像进行变化检测。与其他两种算法相比较,基于图像目标级的变化检测方法是一种更高层次的变化检测技术,其研究和应用的难度极大,目前仍处于起步阶段。
上述的三种方法大多都针对于SAR图像中目标点的某一种变化检测信息进行变化测,单一变化检测方法很难充分利用好SAR图像中的变化检测信息,容易出现缺失检测目标点的情况。近些年来,融合多种方法的目标检测越来越受到了学者们的关注。将多种低频UWB SAR叶簇隐蔽目标检测方法进行改进与融合,能够获得更好的检测效果。目前,在变化检测领域比较常用的融合变化检测方法有:马尔科夫模型法、以及拉普拉斯特征映射支持向量描述(LE-SVDD)法等。基于LE-SVDD的融合变化检测方法能够融合多种算法,比单一检测算法具有更好的检测性能。但是,传统的基于LE-SVDD的融合变化检测方法由于其采用的子算法和检测阈值设置不合理,导致融合检测效果不好,难以实现低频UWB SAR图像的高效高精度目标检测。
发明内容
本发明提供一种改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法,该方法能够有效抑制低频UWB SAR图像存在的许多非目标的强散射点,减少了变化检测过程中虚警点的发生。
为了达到上述技术效果,本发明的技术方案如下:
一种改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法,包括以下步骤:
S1:对检测图像和参考图像进行预处理;
S2:求出基于改进杂波分布模型的图像分割差值法的检验量图像和检测阈值;
S3:求出一维Edgeworth法和广义Laguerre多项式法的检验量图像和检测阈值;
S4:将三个检验量图像和检测阈值都输入到LE-SVDD分类器中进行训练,并对测试样本进行目标与非目标判别,即为最终变化检测结果。
进一步地,所述步骤S1的过程包括:
对检测图像和参考图像进行预处理,进行双方向的相对辐射校正处理,去除图像中由于***响应、天气条件非目标变化因素引起的图像灰度值变化,
步骤S1的具体过程是:
对于观测区域的每一个像素点,都采用15×15的像素邻域计算参考图像和检测图像间该点的相关系数值,当相关系数大于0.5时,则将该点设为无变化点,对于检测图像和参考图像中整个图像中的无变化点,分别设为x1,x2...,xt和y1,y2...,yt;采用最小二乘法进行双方向线性估计,获得对应的线性系数 和用线性系数为无变化点分配权值进行加权最小二乘估计,得到对应的线性系数和后继续进行分配权值,直到线性系数稳定下来,即为ka、ba、ko和bo,此时:
进一步地,所述步骤S2的过程包括:
基于改进杂波分布模型的图像分割差值法是一种像素级的变化检测方法,通过对不同时相的图像的同一点进行相减得到差值检验量图像,然后对差值检验量图像进行分割,并对分割后的图像非目标区域的概率密度分布进行估计,并设定一定的虚警概率值,在概率密度分布中得到对应的检测阈值,大于该检测阈值,则视为变化检测点,由此得到第一个子算法的检验量图像和检测阈值,
所述步骤S2的具体过程是:
设S1、S2分别为不同时刻观测所得SAR的强度图像,S1为不含目标的参考图像,S2为检测图像,Zdif为由S1和S2构成的差值检验量图像:
首先,对参考图像进行图像分割,采用OTSU图像分割算法,设定参考图像的等效视数为1,图像初始分割数为N=2,对参考图像进行分割,参考图像分割后的各类子区域的误差平方除以均值平方的最小值小于等效视数时,则停止进行分割,否则N=N+1,继续分割图像,直到退出循环;
接着,对各区域的杂波分布进行估计,假定差值检验量图像的各区域的杂波分布为Fi(zdif),i∈N,设定虚假概率为10-8,对应各区域的检测阈值为 利用图像差值法对图像S2中新出现的目标进行变化检测的数学表达式为:
式中,zdif、s1、s2分别为图像Zdif、S1、S2中同一像素点的灰度值,Tdif为根据虚警率设置的检测阈值。
进一步地,所述步骤S3的过程包括:
一维Edgeworth法中,先以观测区域的每一个像素点为中心,基于Edgeworth展开式对其邻域内的像素灰度值概率密度函数进行基于高斯概率密度分布模型的估计,在此基础上基于K-L散度理论对多时相图像间各点的概率密度函数差异大小进行分析,从而得到关于概率密度差异的检验量图像;广义Laguerre多项式法则以广义Laguerre多项式为基础,对其邻域内的像素灰度值概率密度函数进行基于伽马概率密度分布模型的估计,再通过K-L散度得到检验量图像;然后,对检验量图像进行图像灰度值统计,发现统计量的曲线在左侧出现骤降的趋势,采用骤降曲线中的拐点作为检验阈值;在检测时采用最小二乘法对密度曲线进行拟合,并取拟合曲线中竖轴等于0的横轴值近似为检测阈值,得到两个子算法的检验量图像和检测阈值,
所述步骤S3的具体过程是:
一维Edgeworth法和广义Laguerre多项式法都是通过先对概率密度分布进行估计,然后采用K-L散度进行概率密度分布检验量图像的计算;对于检测图像和参考图像的对应一点,需要计算该点邻域所对应的均值、方差、三阶累积量、四阶累积量统计信息,然后代入K-L散度推导出的相关公式,求出概率分布差异值;
对于一维Edgeworth法和广义Laguerre多项式法所得到的检验量图像,由于检测图像中非目标点的个数远远大于目标点的个数,对检验量图像进行灰度统计量统计,发现非目标点集中在左侧,且出现骤降趋势,目标点集中在右侧,采用统计量曲线拐点作为检测阈值,在右侧采用拟合检验量图像的统计量曲线的方法,获得y=ax+b拟合曲线,曲线中y=0对应的x值即为检测阈值。
进一步地,步骤S4的过程包括:
SVDD分类器首先将变化区域和无变化区域的变化区域检测量记为目标类样本和外点样本,而后利用预先提取的目标类样本构成的训练样本集对SVDD进行训练,以期在核特征空间构建一个包含所有训练样本的最小超球体,并以此超球体为基础对观测场景中的变化检测量进行分类;LE-SVDD在SVDD的基础上,设定三个子算法检验量图像中一点都大于对应检验量图像的检测阈值和标准差为训练样本,三个子算法中存在一个或两个检验量图像对应点大于检测阈值和标准差为测试类样本,将训练样本输入到LE-SVDD分类器中进行训练,并对测试样本进行目标与非目标判别,即为最终变化检测结果,
所述步骤S4的具体过程是:
对于检测图像S1和参考图像S2,设基于改进杂波分布模型的图像分割差值法的检验量图像为I1,检测阈值为T1,采用一维Edgeworth法和广义Laguerre多项式法求出的检验量图像分别为I2、I3,检测阈值分别为T2、T3;
构建样本数据集为A={(i1,i2,i3)|i1∈I1,i2∈I2,i3∈I3},i1、i2、i3都是检验量图像I1、I2、I3中对应的一点;
构建进行训练的数据集为B={(i1,i2,i3)|i1-T1>σ1,i2-T2>σ2,i3-T3>σ3},其中σ1、σ2、σ3分别表示检验量图像I1、I2、I3的标准差;
测试数据集为C={(i1,i2,i3)||i1-T1|≤σ1或|i2-T2|≤σ2或|i3-T|3≤σ3};
已知非目标区域为D={(i1,i2,i3)|i1-T1<σ1或i2-T2<σ2或i3-T<σ3};
采用序贯最小优化算法利用训练数据集B进行训练,然后使用训练好的LE-SVDD分类器对测试数据集C进行判别,从而得到检测图像上目标点的信息,进而实现高效高精度低频UWB SAR叶簇隐蔽目标融合变化检测。
与现有技术相比,本发明技术方案的有益效果是:
本发明采用了基于LE-SVDD的目标融合变化检测技术,能够有效抑制低频UWB SAR图像存在的许多非目标的强散射点,减少了变化检测过程中虚警点的发生。在保持高目标检测性能的同时,提高了目标检测效率,从而实现了对低频UWB SAR的高效高精度检测,获得了隐蔽目标的位置信息。该方法适用于对隐藏在树林中的导弹发射架、坦克等军事目标进行变化检测,获取叶簇隐蔽目标部署变化信息。
附图说明
图1为本发明方法流程图;
图2为本发明在仿真实验中,所采用的检验图像和参考图像数据;
图3为基于改进杂波分布模型的图像分割差值法的检测结果;
图4为Edgeworth法和广义Laguerre多项式法的检测结果和统计概率分布图;
图5为改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法的检测结果。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示,一种改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法,包括以下步骤:
S1:对检测图像和参考图像进行预处理;
S2:求出基于改进杂波分布模型的图像分割差值法的检验量图像和检测阈值;
S3:求出一维Edgeworth法和广义Laguerre多项式法的检验量图像和检测阈值;
S4:将三个检验量图像和检测阈值都输入到LE-SVDD分类器中进行训练,并对测试样本进行目标与非目标判别,即为最终变化检测结果。
通过仿真实验,对本发明改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法进行了验证,理论分析和仿真实验结果证明了本发明的有效性。
在仿真实验中,所采用的检验图像和参考图像如图2所示。该检测图像和参考图像所用的数据集是瑞典CARABAS-II VHF SAR***在甚高频波段(20-90MHz)下的成像截取图片,成像分辨率为2.5m×2.5m。在检测图像可以观察到25个车辆目标点,在参考图像中没有目标点信息。
如图3所示,基于改进杂波分布模型的图像分割差值法是一种像素级的变化检测方法,通过对不同时相的图像的同一点进行相减得到差值检验量图像,然后对差值检验量图像进行分割,并对分割后的图像非目标区域的概率密度分布进行估计,并设定一定的虚警概率值,在概率密度分布中得到对应的检测阈值,大于该检测阈值,则视为变化检测点,由此得到第一个子算法的检验量图像和检测阈值。
步骤S2的具体过程是:
设S1、S2分别为不同时刻观测所得SAR的强度图像,S1为不含目标的参考图像,S2为检测图像,Zdif为由S1和S2构成的差值检验量图像:
首先,对参考图像进行图像分割,采用OTSU图像分割算法,设定参考图像的等效视数为1,图像初始分割数为N=2,对参考图像进行分割,参考图像分割后的各类子区域的误差平方除以均值平方的最小值小于等效视数时,则停止进行分割,否则N=N+1,继续分割图像,直到退出循环;
接着,对各区域的杂波分布进行估计,假定差值检验量图像的各区域的杂波分布为Fi(zdif),i∈N,设定虚假概率为10-8,对应各区域的检测阈值为 利用图像差值法对图像S2中新出现的目标进行变化检测的数学表达式为:
式中,zdif、s1、s2分别为图像Zdif、S1、S2中同一像素点的灰度值,Tdif为根据虚警率设置的检测阈值。由图3可知,基于改进杂波分布模型的图像分割差值法对图像有较好的检测效果,能够识别出大部分的目标点,但仍有一些目标点缺失。
如图4所示,一维Edgeworth法中,先以观测区域的每一个像素点为中心,基于Edgeworth展开式对其邻域内的像素灰度值概率密度函数进行基于高斯概率密度分布模型的估计,在此基础上基于K-L散度理论对多时相图像间各点的概率密度函数差异大小进行分析,从而得到关于概率密度差异的检验量图像;广义Laguerre多项式法则以广义Laguerre多项式为基础,对其邻域内的像素灰度值概率密度函数进行基于伽马概率密度分布模型的估计,再通过K-L散度得到检验量图像;然后,对检验量图像进行图像灰度值统计,发现统计量的曲线在左侧出现骤降的趋势,采用骤降曲线中的拐点作为检验阈值;在检测时采用最小二乘法对密度曲线进行拟合,并取拟合曲线中竖轴等于0的横轴值近似为检测阈值,得到两个子算法的检验量图像和检测阈值。
步骤S3的具体过程是:
一维Edgeworth法和广义Laguerre多项式法都是通过先对概率密度分布进行估计,然后采用K-L散度进行概率密度分布检验量图像的计算;对于检测图像和参考图像的对应一点,需要计算该点邻域所对应的均值、方差、三阶累积量、四阶累积量统计信息,然后代入K-L散度推导出的相关公式,求出概率分布差异值;
对于一维Edgeworth法和广义Laguerre多项式法所得到的检验量图像,由于检测图像中非目标点的个数远远大于目标点的个数,对检验量图像进行灰度统计量统计,发现非目标点集中在左侧,且出现骤降趋势,目标点集中在右侧,采用统计量曲线拐点作为检测阈值,在右侧采用拟合检验量图像的统计量曲线的方法,获得y=ax+b拟合曲线,曲线中y=0对应的x值即为检测阈值。由图4可知,对概率分布曲线进行拟合,采用曲线中的近似拐点作为检测阈值进行检验量图像的检测,能够检测出几乎所有目标,具有良好的检测性能,但检测结果存在一些虚警点。与基于改进杂波分布模型的图像分割差值法不一样,Edgeworth法与广义Laguerre多项式法是对图像的统计分布特征进行差异性分析,但单一检测对象的变化检测,难以兼顾好检测概率和虚警率。
如图5所示,SVDD分类器首先将变化区域和无变化区域的变化区域检测量记为目标类样本和外点样本,而后利用预先提取的目标类样本构成的训练样本集对SVDD进行训练,以期在核特征空间构建一个包含所有训练样本的最小超球体,并以此超球体为基础对观测场景中的变化检测量进行分类;LE-SVDD在SVDD的基础上,设定三个子算法检验量图像中一点都大于对应检验量图像的检测阈值和标准差为训练样本,三个子算法中存在一个或两个检验量图像对应点大于检测阈值和标准差为测试类样本,将训练样本输入到LE-SVDD分类器中进行训练,并对测试样本进行目标与非目标判别,即为最终变化检测结果,
步骤S4的具体过程是:
对于检测图像S1和参考图像S2,设基于改进杂波分布模型的图像分割差值法的检验量图像为I1,检测阈值为T1,采用一维Edgeworth法和广义Laguerre多项式法求出的检验量图像分别为I2、I3,检测阈值分别为T2、T3;
构建样本数据集为A={(i1,i2,i3)|i1∈I1,i2∈I2,i3∈I3},i1、i2、i3都是检验量图像I1、I2、I3中对应的一点;
构建进行训练的数据集为B={(i1,i2,i3)|i1-T1>σ1,i2-T2>σ2,i3-T3>σ3},其中σ1、σ2、σ3分别表示检验量图像I1、I2、I3的标准差;
测试数据集为C={(i1,i2,i3)||i1-T1|≤σ1或|i2-T2|≤σ2或|i3-T|3≤σ3};
已知非目标区域为D={(i1,i2,i3)|i1-T1<σ1或i2-T2<σ2或i3-T<σ3};
采用序贯最小优化算法利用训练数据集B进行训练,然后使用训练好的LE-SVDD分类器对测试数据集C进行判别,从而得到检测图像上目标点的信息,进而实现高效高精度低频UWB SAR叶簇隐蔽目标融合变化检测。从图5可知,本发明对低频UWB SAR图像具有良好的检测效果,能够检测出不同时相SAR图像的变化信息,在保持一定检测概率的同时,降低了虚警率,而且检测速度较传统的基于LE-SVDD的叶簇隐蔽目标融合变化检测方法更快。因此,本发明方法是一种低频UWB SAR图像的高效高精度变化检测方法。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法,其特征在于,包括以下步骤:
S1:对检测图像和参考图像进行预处理;
S2:求出基于改进杂波分布模型的图像分割差值法的检验量图像和检测阈值;
S3:求出一维Edgeworth法和广义Laguerre多项式法的检验量图像和检测阈值;
S4:将三个检验量图像和检测阈值都输入到LE-SVDD分类器中进行训练,并对测试样本进行目标与非目标判别,即为最终变化检测结果。
2.根据权利要求1所述的改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法,其特征在于,所述步骤S1的过程包括:
对检测图像和参考图像进行预处理,进行双方向的相对辐射校正处理,去除图像中由于***响应、天气条件非目标变化因素引起的图像灰度值变化。
3.根据权利要求2所述的改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法,其特征在于,所述步骤S1的具体过程是:
对于观测区域的每一个像素点,都采用15×15的像素邻域计算参考图像和检测图像间该点的相关系数值,当相关系数大于0.5时,则将该点设为无变化点,对于检测图像和参考图像中整个图像中的无变化点,分别设为x1,x2...,xt和y1,y2...,yt;采用最小二乘法进行双方向线性估计,获得对应的线性系数 和用线性系数为无变化点分配权值进行加权最小二乘估计,得到对应的线性系数和后继续进行分配权值,直到线性系数稳定下来,即为ka、ba、ko和bo,此时:
4.根据权利要求3所述的改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法,其特征在于,所述步骤S2的过程包括:
基于改进杂波分布模型的图像分割差值法是一种像素级的变化检测方法,通过对不同时相的图像的同一点进行相减得到差值检验量图像,然后对差值检验量图像进行分割,并对分割后的图像非目标区域的概率密度分布进行估计,并设定一定的虚警概率值,在概率密度分布中得到对应的检测阈值,大于该检测阈值,则视为变化检测点,由此得到第一个子算法的检验量图像和检测阈值。
5.根据权利要求4所述的改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法,其特征在于,所述步骤S2的具体过程是:
设S1、S2分别为不同时刻观测所得SAR的强度图像,S1为不含目标的参考图像,S2为检测图像,Zdif为由S1和S2构成的差值检验量图像:
首先,对参考图像进行图像分割,采用OTSU图像分割算法,设定参考图像的等效视数为1,图像初始分割数为N=2,对参考图像进行分割,参考图像分割后的各类子区域的误差平方除以均值平方的最小值小于等效视数时,则停止进行分割,否则N=N+1,继续分割图像,直到退出循环;
接着,对各区域的杂波分布进行估计,假定差值检验量图像的各区域的杂波分布为Fi(zdif),i∈N,设定虚假概率为10-8,对应各区域的检测阈值为Fi -1(zdif),i∈N,利用图像差值法对图像S2中新出现的目标进行变化检测的数学表达式为:
式中,zdif、s1、s2分别为图像Zdif、S1、S2中同一像素点的灰度值,Tdif为根据虚警率设置的检测阈值。
6.根据权利要求5所述的改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法,其特征在于,所述步骤S3的过程包括:
一维Edgeworth法中,先以观测区域的每一个像素点为中心,基于Edgeworth展开式对其邻域内的像素灰度值概率密度函数进行基于高斯概率密度分布模型的估计,在此基础上基于K-L散度理论对多时相图像间各点的概率密度函数差异大小进行分析,从而得到关于概率密度差异的检验量图像;广义Laguerre多项式法则以广义Laguerre多项式为基础,对其邻域内的像素灰度值概率密度函数进行基于伽马概率密度分布模型的估计,再通过K-L散度得到检验量图像;然后,对检验量图像进行图像灰度值统计,发现统计量的曲线在左侧出现骤降的趋势,采用骤降曲线中的拐点作为检验阈值;在检测时采用最小二乘法对密度曲线进行拟合,并取拟合曲线中竖轴等于0的横轴值近似为检测阈值,得到两个子算法的检验量图像和检测阈值。
7.根据权利要求6所述的改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法,其特征在于,所述步骤S3的具体过程是:
一维Edgeworth法和广义Laguerre多项式法都是通过先对概率密度分布进行估计,然后采用K-L散度进行概率密度分布检验量图像的计算;对于检测图像和参考图像的对应一点,需要计算该点邻域所对应的均值、方差、三阶累积量、四阶累积量统计信息,然后代入K-L散度推导出的相关公式,求出概率分布差异值;
对于一维Edgeworth法和广义Laguerre多项式法所得到的检验量图像,由于检测图像中非目标点的个数远远大于目标点的个数,对检验量图像进行灰度统计量统计,发现非目标点集中在左侧,且出现骤降趋势,目标点集中在右侧,采用统计量曲线拐点作为检测阈值,在右侧采用拟合检验量图像的统计量曲线的方法,获得y=ax+b拟合曲线,曲线中y=0对应的x值即为检测阈值。
8.根据权利要求7所述的改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法,其特征在于,所述步骤S4的过程包括:
SVDD分类器首先将变化区域和无变化区域的变化区域检测量记为目标类样本和外点样本,而后利用预先提取的目标类样本构成的训练样本集对SVDD进行训练,以期在核特征空间构建一个包含所有训练样本的最小超球体,并以此超球体为基础对观测场景中的变化检测量进行分类;LE-SVDD在SVDD的基础上,设定三个子算法检验量图像中一点都大于对应检验量图像的检测阈值和标准差为训练样本,三个子算法中存在一个或两个检验量图像对应点大于检测阈值和标准差为测试类样本,将训练样本输入到LE-SVDD分类器中进行训练,并对测试样本进行目标与非目标判别,即为最终变化检测结果。
9.根据权利要求8所述的改进的低频UWB SAR叶簇隐蔽目标融合变化检测方法,其特征在于,所述步骤S4的具体过程是:
对于检测图像S1和参考图像S2,设基于改进杂波分布模型的图像分割差值法的检验量图像为I1,检测阈值为T1,采用一维Edgeworth法和广义Laguerre多项式法求出的检验量图像分别为I2、I3,检测阈值分别为T2、T3;
构建样本数据集为A={(i1,i2,i3)|i1∈I1,i2∈I2,i3∈I3},i1、i2、i3都是检验量图像I1、I2、I3中对应的一点;
构建进行训练的数据集为B={(i1,i2,i3)|i1-T1>σ1,i2-T2>σ2,i3-T3>σ3},其中σ1、σ2、σ3分别表示检验量图像I1、I2、I3的标准差;
测试数据集为C={(i1,i2,i3)||i1-T1|≤σ1或|i2-T2|≤σ2或|i3-T|3≤σ3};
已知非目标区域为D={(i1,i2,i3)|i1-T1<σ1或i2-T2<σ2或i3-T<σ3};
采用序贯最小优化算法利用训练数据集B进行训练,然后使用训练好的LE-SVDD分类器对测试数据集C进行判别,从而得到检测图像上目标点的信息,进而实现高效高精度低频UWB SAR叶簇隐蔽目标融合变化检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407968.6A CN113159157B (zh) | 2021-04-15 | 2021-04-15 | 改进的低频uwb sar叶簇隐蔽目标融合变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407968.6A CN113159157B (zh) | 2021-04-15 | 2021-04-15 | 改进的低频uwb sar叶簇隐蔽目标融合变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159157A true CN113159157A (zh) | 2021-07-23 |
CN113159157B CN113159157B (zh) | 2023-07-25 |
Family
ID=76868045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110407968.6A Active CN113159157B (zh) | 2021-04-15 | 2021-04-15 | 改进的低频uwb sar叶簇隐蔽目标融合变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159157B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005049A (zh) * | 2010-11-16 | 2011-04-06 | 西安电子科技大学 | 基于单边广义高斯模型的sar图像变化检测阈值方法 |
CN102968790A (zh) * | 2012-10-25 | 2013-03-13 | 西安电子科技大学 | 基于图像融合的遥感图像变化检测方法 |
CN105005983A (zh) * | 2015-04-13 | 2015-10-28 | 西南科技大学 | 一种sar图像背景杂波建模及目标检测方法 |
CN106023229A (zh) * | 2016-06-02 | 2016-10-12 | 中国矿业大学 | 结合半高斯模型与高斯模型的sar影像变化检测方法 |
CN109919910A (zh) * | 2019-01-25 | 2019-06-21 | 合肥工业大学 | 基于差异图融合和改进水平集的sar图像变化检测方法 |
-
2021
- 2021-04-15 CN CN202110407968.6A patent/CN113159157B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005049A (zh) * | 2010-11-16 | 2011-04-06 | 西安电子科技大学 | 基于单边广义高斯模型的sar图像变化检测阈值方法 |
CN102968790A (zh) * | 2012-10-25 | 2013-03-13 | 西安电子科技大学 | 基于图像融合的遥感图像变化检测方法 |
CN105005983A (zh) * | 2015-04-13 | 2015-10-28 | 西南科技大学 | 一种sar图像背景杂波建模及目标检测方法 |
CN106023229A (zh) * | 2016-06-02 | 2016-10-12 | 中国矿业大学 | 结合半高斯模型与高斯模型的sar影像变化检测方法 |
CN109919910A (zh) * | 2019-01-25 | 2019-06-21 | 合肥工业大学 | 基于差异图融合和改进水平集的sar图像变化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113159157B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102496016B (zh) | 一种基于时空协同框架的红外目标检测方法 | |
CN109460764B (zh) | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 | |
CN109685045B (zh) | 一种运动目标视频跟踪方法及*** | |
CN109389609B (zh) | 基于fart神经网络的交互自反馈红外目标检测方法 | |
CN110400294B (zh) | 一种红外目标探测***及探测方法 | |
CN110992378B (zh) | 基于旋翼飞行机器人的动态更新视觉跟踪航拍方法及*** | |
CN106600613B (zh) | 基于嵌入式gpu的改进lbp红外目标检测方法 | |
CN107609571A (zh) | 一种基于lark特征的自适应目标跟踪方法 | |
Zhu et al. | Improving hyperspectral anomaly detection with a simple weighting strategy | |
Chen et al. | Change detection algorithm for multi-temporal remote sensing images based on adaptive parameter estimation | |
Benedetto et al. | Automatic aircraft target recognition by ISAR image processing based on neural classifier | |
CN112329764A (zh) | 一种基于tv-l1模型的红外弱小目标检测方法 | |
Xu et al. | COCO-Net: A dual-supervised network with unified ROI-loss for low-resolution ship detection from optical satellite image sequences | |
Soundrapandiyan et al. | Adaptive pedestrian detection in infrared images using fuzzy enhancement and top-hat transform | |
Miller et al. | Person tracking in UAV video | |
Bi et al. | A hierarchical salient-region based algorithm for ship detection in remote sensing images | |
CN109858483A (zh) | 基于共生滤波形态学和局部熵的小目标检测方法 | |
Ning et al. | Background Modeling and Fuzzy Clustering for Motion Detection from Video. | |
Tang et al. | Evaluation of deceptive jamming effect on SAR based on visual consistency | |
CN115035350B (zh) | 一种基于边缘检测增强的对空地、地面背景小目标检测方法 | |
CN113159157A (zh) | 改进的低频uwb sar叶簇隐蔽目标融合变化检测方法 | |
CN108764016B (zh) | 基于旋转域特征与cnn的极化sar图像舰船检测方法 | |
CN107564029B (zh) | 基于高斯极值滤波和群稀疏rpca的运动目标检测方法 | |
CN115861669A (zh) | 一种基于聚类思想的红外弱小目标检测方法 | |
Thangam et al. | PSO for graph-based segmentation of wrist bones in bone age assessment |
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 |