CN113780422B - 背景杂波相似性评估方法及装置 - Google Patents

背景杂波相似性评估方法及装置 Download PDF

Info

Publication number
CN113780422B
CN113780422B CN202111066801.4A CN202111066801A CN113780422B CN 113780422 B CN113780422 B CN 113780422B CN 202111066801 A CN202111066801 A CN 202111066801A CN 113780422 B CN113780422 B CN 113780422B
Authority
CN
China
Prior art keywords
evaluation
evaluated
parameter
sar image
similarity
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
CN202111066801.4A
Other languages
English (en)
Other versions
CN113780422A (zh
Inventor
胡利平
李焕敏
刘锦帆
李胜
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.)
Beijing Institute of Environmental Features
Original Assignee
Beijing Institute of Environmental Features
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 Beijing Institute of Environmental Features filed Critical Beijing Institute of Environmental Features
Priority to CN202111066801.4A priority Critical patent/CN113780422B/zh
Publication of CN113780422A publication Critical patent/CN113780422A/zh
Application granted granted Critical
Publication of CN113780422B publication Critical patent/CN113780422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种背景杂波相似性评估方法及装置，其中方法包括：确定用于评估背景杂波相似性的至少两个特征维度以及确定每一个特征维度分别对应的至少一个评估指标；针对至少两个特征维度对应至少两个评估指标中的每一个评估指标，计算两张待评估SAR图像中每一张待评估SAR图像对应该评估指标的评估参数；根据两张待评估SAR图像对应该评估指标的评估参数，计算该两张待评估SAR图像对应该评估指标的相似性；将计算得到的与至少两个评估指标一一对应的至少两个相似性进行合并处理，得到对两张待评估SAR图像的背景杂波相似性的评估结果。本方案，能够提高评估结果的准确性。

Description

背景杂波相似性评估方法及装置
技术领域
本发明实施例涉及图像分析技术领域，特别涉及一种背景杂波相似性评估方法及装置。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)因其全天时全天候、探测距离远、穿透性强、高分辨成像等优点，已被广泛应用于遥感侦察监视等领域。在机载或星载下视SAR对地海目标及地海场景的侦查监视等需求应用中，背景杂波一直是影响雷达目标探测识别的不可回避的问题。为了识别两张SAR图像中的背景是否为相同场景，需要研究两张SAR图像中背景杂波在高分辨SAR图像中的特性，并分析对应背景杂波的相似性程度。
现有技术中，主要计算SAR图像背景杂波的后向散射量级的均方根，根据均方根的误差确定SAR图像背景杂波的相似性程度。但是对于SAR图像，其背景杂波特性较复杂，仅凭借后向散射量级来对SAR图像背景杂波的相似性进行评估，评估结果准确性较低。
发明内容
本发明实施例提供了一种背景杂波相似性评估方法及装置，能够提高评估结果的准确性。
第一方面，本发明实施例提供了一种背景杂波相似性评估方法，包括：
确定用于评估背景杂波相似性的至少两个特征维度以及确定每一个特征维度分别对应的至少一个评估指标；
针对至少两个特征维度对应至少两个评估指标中的每一个评估指标，计算两张待评估SAR图像中每一张待评估SAR图像对应该评估指标的评估参数；
根据两张待评估SAR图像对应该评估指标的评估参数，计算该两张待评估SAR图像对应该评估指标的相似性；
将计算得到的与至少两个评估指标一一对应的至少两个相似性进行合并处理，得到对两张待评估SAR图像的背景杂波相似性的评估结果。
优选地，所述至少两个特征维度包括纹理特征；与所述纹理特征对应的评估指标包括对比度、相关性、能量和同质性中的至少一个；
所述计算两张待评估SAR图像中每一张待评估SAR图像对应该评估指标的评估参数，包括：
针对每一张待评估SAR图像，确定该待评估SAR图像的灰度级；
构建该待评估SAR图像的灰度共现矩阵；所述灰度共现矩阵为M×M矩阵；M为该待评估SAR图像的灰度级，且M为正整数；
根据所述灰度共现矩阵中的各元素，对所述纹理特征的评估指标进行统计，得到评估指标的评估参数。
优选地，所述构建该待评估SAR图像的灰度共现矩阵，包括：
确定在该待评估SAR图像中，相距为(Δx,Δy)的像元对中，一个像元的灰度为i、另一个像元的灰度为j的像元对的数量；将该数量确定为所述灰度共现矩阵中第(i，j)个元素；i、j均为不大于M的正整数。
优选地，所述至少两个特征维度包括概率分布特征；与所述概率分布特征对应的评估指标包括概率分布；
所述计算两张待评估SAR图像中每一张待评估SAR图像对应该评估指标的评估参数，包括：
针对每一张待评估SAR图像，确定该待评估SAR图像的概率分布函数；该概率分布函数中包括尺寸参数、能量参数和形状参数；
利用对数累积量估计方法估计所述尺寸参数、所述能量参数和所述形状参数的值；
将所述尺寸参数、所述能量参数和所述形状参数的值代入该待评估SAR图像的概率分布函数中，得到该待评估SAR图像的概率分布。
优选地，所述利用对数累积量估计方法估计所述尺寸参数、所述能量参数和所述形状参数的值，包括：
对该待评估SAR图像的概率分布函数进行推导，得到三阶对数累积量中每一阶对数累积量分别与所述尺寸参数、所述能量参数和所述形状参数的计箅关系式；
将该待评估SAR图像中每个像素点的值确定为观测数据，利用所述观测数据计算得到每一阶对数累积量的估计值；
根据每一阶对数累积量的计算关系式和估计值，得到用于计算所述形状参数的表达式；
根据该用于计算所述形状参数的表达式，估计求解得到所述形状参数的值；
根据所述形状参数的值，计算得到所述尺寸参数的值和所述能量参数的值。
优选地，所述用于计算所述形状参数的表达式为：
Figure GDA0003283506030000031
其中，
Figure GDA0003283506030000032
为所述形状参数的估计值，/>
Figure GDA0003283506030000036
为第l阶polygamma函数，l为正整数，
Figure GDA0003283506030000033
分别为三阶对数累积量中第二阶对数累积量、第三阶对数累积量的估计值；
所述根据该用于计算所述形状参数的表达式，估计求解得到所述形状参数的值，包括：
确定
Figure GDA0003283506030000034
值是否满足设定条件，若满足，则利用下式计算得到所述形状参数的值：
Figure GDA0003283506030000035
若不满足，则基于数值法对该用于计算所述形状参数的表达式进行估计求解，得出所述形状参数的值。
优选地，在所述确定用于评估背景杂波相似性的至少两个特征维度以及确定每一个特征维度分别对应的至少一个评估指标之后，所述将计算得到的与至少两个评估指标一一对应的至少两个相似性进行合并处理之前，还包括：
获取至少一个样本SAR图像；所述至少一个样本SAR图像与至少一个背景类型一一对应；
针对每一个样本SAR图像，获取该样本SAR图像对应每一个评估指标的样本评估参数；
根据每一个样本SAR图像对应每一个评估指标的样本评估参数，构建数据矩阵；
根据所述数据矩阵中的各元素，计算每一个评估指标的信息熵；
根据每一个评估指标的信息熵，计算每一个评估指标的权重；
所述将计算得到的与至少两个评估指标一一对应的至少两个相似性进行合并处理，得到对两张待评估SAR图像的背景杂波相似性的评估结果，包括：将每一个评估指标的权重与对应相似性的乘积之和，确定为所述评估结果。
第二方面，本发明实施例还提供了一种背景杂波相似性评估装置，包括：
确定单元，用于确定用于评估背景杂波相似性的至少两个特征维度以及确定每一个特征维度分别对应的至少一个评估指标；
评估参数计算单元，用于针对至少两个特征维度对应至少两个评估指标中的每一个评估指标，计算两张待评估SAR图像中每一张待评估SAR图像对应该评估指标的评估参数；
相似性计算单元，用于根据两张待评估SAR图像对应该评估指标的评估参数，计算该两张待评估SAR图像对应该评估指标的相似性；
合并处理单元，用于将计算得到的与至少两个评估指标一一对应的至少两个相似性进行合并处理，得到对两张待评估SAR图像的背景杂波相似性的评估结果。
第三方面，本发明实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种背景杂波相似性评估方法及装置，由于SAR图像背景杂波的特性较为复杂，从影响背景杂波相似性的至少两个特征维度出发，针对每一个特征维度均确定至少一个评估指标，因此可以利用至少两个评估指标对背景杂波相似性进行评估，通过对两张待评估SAR图像针对每一个评估指标均计算相似性，然后将至少两个相似性进行合并处理，从而得到利用至少两个评估指标的评估结果，可见，本方案考虑了更多的评估指标，相对于单一评估指标，能够提高评估结果的准确性。
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是本发明一实施例提供的一种背景杂波相似性评估方法流程图；
图2是本发明一实施例提供的一种计算设备的硬件架构图；
图3是本发明一实施例提供的一种背景杂波相似性评估装置结构图；
图4是本发明一实施例提供的另一种背景杂波相似性评估装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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的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。
如前所述，为了确定两张SAR图像中的背景杂波的相似性，现有技术主要计算SAR图像背景杂波的后向散射量级的均方根，根据均方根的误差确定SAR图像背景杂波的相似性程度。但是对于SAR图像，其背景杂波特性较复杂，比如，背景杂波的纹理特征、概率分布特征等，如果仅凭借后向散射量级来对SAR图像背景杂波的相似性进行评估，评估结果准确性较低。因此，可以考虑利用背景杂波的多种特征来综合评估相似性。
下面描述以上构思的具体实现方式。
请参考图1，本发明实施例提供了一种背景杂波相似性评估方法，该方法包括：
步骤100，确定用于评估背景杂波相似性的至少两个特征维度以及确定每一个特征维度分别对应的至少一个评估指标。
步骤102，针对至少两个特征维度对应至少两个评估指标中的每一个评估指标，计算两张待评估SAR图像中每一张待评估SAR图像对应该评估指标的评估参数。
步骤104，根据两张待评估SAR图像对应该评估指标的评估参数，计算该两张待评估SAR图像对应该评估指标的相似性。
步骤106，将计算得到的与至少两个评估指标一一对应的至少两个相似性进行合并处理，得到对两张待评估SAR图像的背景杂波相似性的评估结果。
本发明实施例中，由于SAR图像背景杂波的特性较为复杂，从影响背景杂波相似性的至少两个特征维度出发，针对每一个特征维度均确定至少一个评估指标，因此可以利用至少两个评估指标对背景杂波相似性进行评估，通过对两张待评估SAR图像针对每一个评估指标均计算相似性，然后将至少两个相似性进行合并处理，从而得到利用至少两个评估指标的评估结果，可见，本方案考虑了更多的评估指标，相对于单一评估指标，能够提高评估结果的准确性。
下面描述图1所示的各个步骤的执行方式。
首先，针对步骤100，确定用于评估背景杂波相似性的至少两个特征维度以及确定每一个特征维度分别对应的至少一个评估指标。
对于高分辨SAR图像中的背景环境来说，其后向散射量级、空间纹理特征和概率分布特征是描述它的主要特征维度，因此，在本发明一个实施例中，用于评估背景杂波相似性的特征维度可以包括后向散射量级、空间纹理特征和概率分布特征中的至少两个。
下面针对上述三个特征维度分别进行说明。
(一)特征维度为后向散射量级
SAR图像中描述后向散射量级的评估指标可以包括：均值、标准差、中位数和极差等。其中，均值定义为场景图像的平均灰度值，反映了场景的平均后向散射系数；标准差则反映了场景中灰度值的变化程度，一般来说，两个SAR图像差异越大，则标准差越大；中位数描述了场景的全部灰度值从小到大排列后处于中间位置的那个值；极差定义为场景中的最大值与最小值的差，也可以简单的度量场景中灰度值的变异程度。因此，本发明一个实施例中，可以将均值、标准差、中位数和极差中的至少一个确定为后向散射量级对应的评估指标。
(二)特征维度为空间纹理特征
纹理特征是从物体的图像中计算出来的一组值，是对物体内部灰度级变化的特征进行量化，通常与物体的位置、走向、尺寸、形状有关，但与平均灰度级无关。常用的纹理建模分析方法包括：统计学纹理分析方法、结构纹理分析方法、基于模型的纹理分析方法和信号处理的纹理分析方法。由于SAR图像上的纹理不具有规则不变的局部模式和简单的周期重复，其纹理信息往往只具有统计学的意义，使得其他三种分析方法在SAR图像中的应用效果不够理想，因此，本发明实施例中对SAR图像的空间纹理特征进行分析主要采用统计学分析方法。
灰度共现矩阵(Gray Level Co-occurrence Matrix，GLCM)是统计方法中的典型算法，它是建立在图像的二阶组合条件概率密度函数基础上的。GLCM在一定程度上反映了图像中各灰度级在空间上的分布特性，由GLCM可以计算出一些参数来定量描述纹理的特性。由于GLCM可以反映区域的空间纹理特征，而SAR图像中一块背景杂波区域的空间纹理反映的是背景杂波的空间相关特性，因此，本发明一个实施例中，可以采用灰度共现矩阵描述背景杂波区域，然后基于灰度共现矩阵计算其统计参数，如此，就可以将空间纹理特性转化成了定量的统计量描述。
考虑到在GLCM基础上能够提取出纹理特征量，比如，对比度(Contrast)、相关性(Correlation)、能量(Energy)、同质性(Homogeneity)等，因此，可以将对比度、相关性、能量和同质性中的至少一个确定为纹理特征对应的评估指标。
(三)特征维度为概率分布特征
常用于描述杂波分布的模型主要包括指数分布、伽马分布(Gammadistribution)、对数正态(Lognormal)分布、威布尔分布(Weibull distribution)、瑞利分布(Rayleigh distribution)等。另外，K分布也是一种描述SAR杂波的著名分布。目前，广义伽马分布(generalized Gamma distribution，GΓD)在信号处理领域也被广泛应用，并被相关试验证明是一种能够很好的拟合SAR杂波统计行为的概率分布。因此，在本发明一个实施例中，利用GΓD进行杂波分布拟合，并将GΓD函数确定为概率分布特征的评估指标。
本步骤100中，需要确定好选择的特征维度和特征维度对应的评估指标，以便于后续过程中直接对确定好的评估指标进行计算，得到评估结果。比如，本步骤100中确定的特征维度为后向散射量级(评估指标为均值、方差)和空间纹理特征(评估指标为对比度、相关性)。
为了保证评估结果的准确性，优选地，本步骤中将上述三个特征维度均确定为用于评估背景杂波相似性的特征维度，以及，将能够表征该特征维度的所有评估指标均确定为该特征维度对应的评估指标。
然后，针对步骤102“针对至少两个特征维度对应至少两个评估指标中的每一个评估指标，计算两张待评估SAR图像中每一张待评估SAR图像对应该评估指标的评估参数”和步骤104“根据两张待评估SAR图像对应该评估指标的评估参数，计算该两张待评估SAR图像对应该评估指标的相似性”进行说明。
以两张待评估SAR图像为图像X和图像Y为例，继续对步骤100中的三种特征维度进行说明。
(一)特征维度为后向散射量级
特征维度为后向散射量级时，评估指标为均值、标准差、中位数和极差中的至少一个，针对图像X和图像Y分别计算每一个评估指标的评估参数。
针对每一个评估指标，将图像X的评估参数和图像Y的评估参数之间的差异转换为相似性。在本发明一个实施例中，可以使用如下公式(1)计算两个评估参数之间的相似性。
Figure GDA0003283506030000081
其中，f1和f2分别为两张待评估SAR图像对应同一个评估指标时的评估参数。
利用上述公式(1)，可以得到至少一个相似性，该至少一个相似性与该后向散射量级对应的至少一个评估指标一一对应。
上述公式(1)通过乘以100％，以将相似性转换为百分比，从而便于后续对各评估指标对应的相似性进行合并处理时，能够进行加权计算。需要说明的是，上述公式(1)为计算相似性的一种方式，除该方式以外，还可以使用其它计算方式，比如，去除公式(1)中“×100％”，再比如，相似性为两个评估参数差值绝对值的倒数等。
(二)特征维度为空间纹理特征
特征维度为空间纹理特征时，评估指标为对比度、相关性、能量和同质性中的至少一个，针对图像X和图像Y分别计算每一个评估指标的评估参数。
本步骤102具体可以包括：
S11：针对每一张待评估SAR图像，确定该待评估SAR图像的灰度级。
在将图像中像素点量化为灰度值时，将灰度值对应范围所报考的灰度值数量确定为图像的灰度级。比如，将图像中像素点量化为0-255的灰度值时，该图像的灰度级为256；再比如，将图像中像素点量化为0-65535的灰度值时，该图像的灰度级为65536。
S12：构建该待评估SAR图像的灰度共现矩阵；所述灰度共现矩阵为M×M矩阵；M为该待评估SAR图像的灰度级，且M为正整数。
在本步骤S12中，可以通过如下一种方式实现：确定在该待评估SAR图像中，相距为(Δx,Δy)的像元对中，一个像元的灰度为i、另一个像元的灰度为j的像元对的数量；将该数量确定为所述灰度共现矩阵中第(i，j)个元素的值；i、j均为不大于M的正整数。
S13：根据所述灰度共现矩阵中的各元素，对所述纹理特征的评估指标进行统计，得到评估指标的评估参数。
当评估指标为对比度、相关性、能量或同质性时，可以通过如下公式(2)计算各评估指标的评估参数。
Figure GDA0003283506030000101
其中，Con为对比度，Cor为相关性，Ene为能量，Homo为同质性，概率p(i，j)为第(i，j)个元素的值比上灰度共现矩阵中所有元素的值之和得到的比值，μi、μj分别为灰度值为i、j时的均值，δi、δj分别为灰度值为i、j时的标准差。
在针对上述每一个评估指标，得到图像X的评估参数和图像Y的评估参数之后，与特征维度为后向散射量级同理，需要将图像X的评估参数和图像Y的评估参数之间的差异转换为相似性。本实施例中，同样可以使用公式(1)进行计算。
(三)特征维度为概率分布特征
特征维度为概率分布特征时，评估指标为概率分布，针对图像X和图像Y分别计算评估参数时即为计算两个图像分别对应的概率分布。
本步骤102具体可以包括：
S21：针对每一张待评估SAR图像，确定该待评估SAR图像的概率分布函数；该概率分布函数中包括尺寸参数、能量参数和形状参数。
其中，概率分布函数可以为如下公式(3)或公式(4)(其中，公式(4)为公式(3)的推广)：
Figure GDA0003283506030000102
Figure GDA0003283506030000103
其中，σ、v、κ分别为尺度参数、能量参数和形状参数；Γ(·)表示伽马函数。
S22：利用对数累积量估计方法估计所述尺寸参数、所述能量参数和所述形状参数的值。
为了能够估计出概率分布函数中的上述三个参数的值，估计方法可以包括矩估计(method ofmoments，MoM)、极大似然估计(maximum likelihood estimation，MLE)、最大期望(expectation maximization，EM)、对数累积量估计方法(method of logarithmiccumulants，MoLC)等。
本发明一个实施例中，优选使用对数累积量估计方法进行估计，具体地：
S221：对该待评估SAR图像的概率分布函数进行推导，得到三阶对数累积量中每一阶对数累积量分别与所述尺寸参数、所述能量参数和所述形状参数的计算关系式。
三阶对数累积量中每一阶对数累积量对应的计算关系式如下：
c1＝lnσ+(Ψ(κ)-lnκ)/v (5)
c2＝Ψ(1，κ)/v2 (6)
c3＝Ψ(2，κ)/v3 (7)
其中，Ψ(l，κ)为第l阶polygamma函数，c1、c2、c3分别为第一阶对数累积量、第二阶对数累积量、第三阶对数累积量。
S222：将该待评估SAR图像中每个像素点的值确定为观测数据，利用所述观测数据计算得到每一阶对数累积量的估计值。
为了统计三阶对数累积量，可以采用观测数据进行估计。待评估SAR图像的观测数据为{xi|i＝1，…，N}，其中，xi为待评估SAR图像中第i个像素点的值，该值可以为灰度值。
具体地，可以通过如下公式(8)计算每一阶对数累积量的估计值：
Figure GDA0003283506030000111
其中，
Figure GDA0003283506030000112
分别为第一阶对数累积量、第二阶对数累积量、第三阶对数累积量的估计值。
S223：根据每一阶对数累积量的计算关系式和估计值，得到用于计算所述形状参数的表达式。
为了能够计算出尺度参数、能量参数和形状参数，可以结合上述公式(5)～(8)，得到如下用于计算所述形状参数的表达式：
Figure GDA0003283506030000121
其中，
Figure GDA0003283506030000122
为所述形状参数的估计值。
S224：根据该用于计算所述形状参数的表达式，估计求解得到所述形状参数的值。
考虑到直接使用数值法对公式(9)进行估计计算，计算量较大，在本发明一个实施例中，可以利用如下公式(10)和(11)进行估计求解形状参数：
Figure GDA0003283506030000123
Figure GDA0003283506030000124
根据文献《Scheme of Parameter Estimation for Generalized GammaDistribution and Its Application to Ship Detection in SAR Images》和《On theEmpirical-Statistical Modeling of SAR Images With Generalized GammaDistribution》的推导，得到当λ≥2.3052或λ＜0.25时，
Figure GDA0003283506030000125
当λ为其它值时，仍然基于公式(9)利用数值法求解κ的估计值。
因此，在本步骤S224中，具体可以包括：确定
Figure GDA0003283506030000126
值(λ值)是否满足设定条件(λ≥2.3052或λ＜0.25时，确定满足设定条件)，若满足，则利用公式(12)计算得到所述形状参数的值；若不满足，则基于数值法对该用于计算所述形状参数的表达式进行估计求解，得出所述形状参数的值。
需要说明的是，在求解κ的估计值时，也可以直接使用数值法进行求解。
S225：根据所述形状参数的值，计算得到所述尺寸参数的值和所述能量参数的值。
其中，可以使用如下公式计算尺寸参数、能量参数：
Figure GDA0003283506030000131
Figure GDA0003283506030000132
其中，sgn(·)为sign函数，
Figure GDA0003283506030000133
和/>
Figure GDA0003283506030000134
分别为σ和v的估计值。
S23：将所述尺寸参数、所述能量参数和所述形状参数的值代入该待评估SAR图像的概率分布函数中，得到该待评估SAR图像的概率分布。
在计算得出上述尺寸参数、能量参数、形状参数的值之后，代入概率分布函数(3)或(4)，得出该待评估SAR图像的概率分布。
针对图像X和图像Y分别得出对应的概率分布之后，可以计算两张图像之间的KL距离，然后将KL距离转换为相似度。
其中，图像X和图像Y之间的KL距离通过如下公式计算得到：
D(X，Y)＝K(X，Y)+K(Y，X) (15)
Figure GDA0003283506030000135
Figure GDA0003283506030000136
其中，D(X，Y)为图像X和图像Y之间的KL距离，K(X，Y)为图像X相对于图像Y的非对称KL距离，K(Y，X)为图像Y相对于图像X的非对称KL距离，PX(x)为图像X的概率分布，PY(x)为图像Y的概率分布。
在将图像X和图像Y之间的KL距离转换为相似度时，可以通过如下公式转换：
Figure GDA0003283506030000137
其中，Spdf为评估指标为概率分布时图像X和图像Y的相似度，D为公式(15)计算得到的D(X，Y)。
最后针对步骤106，将计算得到的与至少两个评估指标一一对应的至少两个相似性进行合并处理，得到对两张待评估SAR图像的背景杂波相似性的评估结果。
在本发明实施例中，将至少两个相似性进行合并处理时，可以通过求平均值、加权求和、模糊综合评判、贝叶斯网络等方法进行处理。本发明一个实施例中，优选采用加权求和法进行处理，具体地，将每一个评估指标的权重与对应相似性的乘积之和确定为评估结果，即通过如下公式计算得到评估结果：
Sim＝w1S1+…+wmSm (19)
Figure GDA0003283506030000141
其中，m为评估指标的个数，Sj为第j个评估指标的相似性，wj为第j个评估指标的权重系数。
在本发明一个实施例中，每一个评估指标的权重系数可以通过如下一种方式来计算得到：
S61：获取至少一个样本SAR图像；所述至少一个样本SAR图像与至少一个背景类型一一对应。
其中，背景类型可以为水泥地、草地、沥青地面、海面、森林等。
S62：针对每一个样本SAR图像，获取该样本SAR图像对应每一个评估指标的样本评估参数。
需要说明的是，本步骤S62中样本SAR图像对应的评估指标与步骤100中确定的评估指标一致，即步骤100中确定的评估指标为均值、方差、对比度和相关性，那么本步骤中的评估指标为均值、方差、对比度和相关性，以保证权重计算结果的准确性。
在获取样本SAR图像对应每一个评估指标的样本评估参数时，利用步骤102中的方式进行计算。
S63：根据每一个样本SAR图像对应每一个评估指标的样本评估参数，构建数据矩阵。
其中，该数据矩阵A为：
Figure GDA0003283506030000151
其中，Xij(i＝1，…，m；j＝1，…，n)为第i个背景类型中第j个评估指标对应的相似性。对于某个评估指标，其评估指标对应的相似性的差距越大，则该评估指标在综合评价中所起的作用越大；如果某一个评估指标的相似性全部相等，则该评估指标在综合评价中不起作用。
S64：根据所述数据矩阵中的各元素，计算每一个评估指标的信息熵。
在计算信息熵之前，先对评估指标按照如下公式进行归一化：
Figure GDA0003283506030000152
然后利用如下公式计算信息熵：
Figure GDA0003283506030000153
其中，Ej为第j个评估指标的信息熵，K、pij为中间参数。
当某个属性下各背景类型的贡献度趋于一致，那么Ej趋于1，当全相等时，也就不考虑该评估指标在决策中的作用，即此时该评估指标的权重为零。
S65：根据每一个评估指标的信息熵，计算每一个评估指标的权重。
利用如下公式计算每一个评估指标的权重：
dj＝1-Ej，j＝1，…，m (24)
Figure GDA0003283506030000154
其中，dj为第j个评估指标的信息冗余度，当dj＝0时，第j个评估指标可以剔除，其权重等于零。
需要说明的是，每一个评估指标的权重系数除上述方式计算得到以外，还可以使用其它方式确定，比如，根据经验值确定。
为验证本方案的有效性，通过截取星载SAR图像中不同背景类型的背景杂波作为对象进行相似性评估实验，其中，背景类型分布为机场跑道、海面、地物，实验结果如表1所示，结果表明，该方法的综合评估结果与人眼视觉较为一致。
表1：
Figure GDA0003283506030000161
如图2、图3所示，本发明实施例提供了一种背景杂波相似性评估装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种背景杂波相似性评估装置所在计算设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的计算设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在计算设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种背景杂波相似性评估装置，包括：
确定单元301，用于确定用于评估背景杂波相似性的至少两个特征维度以及确定每一个特征维度分别对应的至少一个评估指标；
评估参数计算单元302，用于针对至少两个特征维度对应至少两个评估指标中的每一个评估指标，计算两张待评估SAR图像中每一张待评估SAR图像对应该评估指标的评估参数；
相似性计算单元303，用于根据两张待评估SAR图像对应该评估指标的评估参数，计算该两张待评估SAR图像对应该评估指标的相似性；
合并处理单元304，用于将计算得到的与至少两个评估指标一一对应的至少两个相似性进行合并处理，得到对两张待评估SAR图像的背景杂波相似性的评估结果。
在本发明一个实施例中，所述至少两个特征维度包括纹理特征；与所述纹理特征对应的评估指标包括对比度、相关性、能量和同质性中的至少一个；
所述评估参数计算单元302，具体用于针对每一张待评估SAR图像，确定该待评估SAR图像的灰度级；构建该待评估SAR图像的灰度共现矩阵；所述灰度共现矩阵为M×M矩阵；M为该待评估SAR图像的灰度级，且M为正整数；根据所述灰度共现矩阵中的各元素，对所述纹理特征的评估指标进行统计，得到评估指标的评估参数。
在本发明一个实施例中，所述评估参数计算单元302，在执行构建该待评估SAR图像的灰度共现矩阵时，具体包括：确定在该待评估SAR图像中，相距为(Δx,Δy)的像元对中，一个像元的灰度为i、另一个像元的灰度为j的像元对的数量；将该数量确定为所述灰度共现矩阵中第(i，j)个元素；i、j均为不大于M的正整数。
在本发明一个实施例中，所述至少两个特征维度包括概率分布特征；与所述概率分布特征对应的评估指标包括概率分布；
所述评估参数计算单元302，具体用于针对每一张待评估SAR图像，确定该待评估SAR图像的概率分布函数；该概率分布函数中包括尺寸参数、能量参数和形状参数；利用对数累积量估计方法估计所述尺寸参数、所述能量参数和所述形状参数的值；将所述尺寸参数、所述能量参数和所述形状参数的值代入该待评估SAR图像的概率分布函数中，得到该待评估SAR图像的概率分布。
在本发明一个实施例中，所述评估参数计算单元302，在执行利用对数累积量估计方法估计所述尺寸参数、所述能量参数和所述形状参数的值时，包括：对该待评估SAR图像的概率分布函数进行推导，得到三阶对数累积量中每一阶对数累积量分别与所述尺寸参数、所述能量参数和所述形状参数的计算关系式；将该待评估SAR图像中每个像素点的值确定为观测数据，利用所述观测数据计算得到每一阶对数累积量的估计值；根据每一阶对数累积量的计算关系式和估计值，得到用于计算所述形状参数的表达式；根据该用于计算所述形状参数的表达式，估计求解得到所述形状参数的值；根据所述形状参数的值，计算得到所述尺寸参数的值和所述能量参数的值。
在本发明一个实施例中，所述用于计算所述形状参数的表达式为：
Figure GDA0003283506030000181
其中，
Figure GDA0003283506030000182
为所述形状参数的估计值，/>
Figure GDA0003283506030000183
为第l阶polygamma函数，l为正整数，
Figure GDA0003283506030000184
分别为三阶对数累积量中第二阶对数累积量、第三阶对数累积量的估计值；
所述评估参数计算单元302执行所述根据该用于计算所述形状参数的表达式，估计求解得到所述形状参数的值时，包括：确定
Figure GDA0003283506030000185
值是否满足设定条件，若满足，则利用下式计算得到所述形状参数的值：
Figure GDA0003283506030000186
若不满足，则基于数值法对该用于计算所述形状参数的表达式进行估计求解，得出所述形状参数的值。
在本发明一个实施例中，请参考图4，该背景杂波相似性评估装置还可以包括：权重计算单元305，用于获取至少一个样本SAR图像；所述至少一个样本SAR图像与至少一个背景类型一一对应；针对每一个样本SAR图像，获取该样本SAR图像对应每一个评估指标的样本评估参数；根据每一个样本SAR图像对应每一个评估指标的样本评估参数，构建数据矩阵；根据所述数据矩阵中的各元素，计算每一个评估指标的信息熵；根据每一个评估指标的信息熵，计算每一个评估指标的权重；
所述合并处理单元，具体用于将每一个评估指标的权重与对应相似性的乘积之和，确定为所述评估结果。
可以理解的是，本发明实施例示意的结构并不构成对一种背景杂波相似性评估装置的具体限定。在本发明的另一些实施例中，一种背景杂波相似性评估装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种背景杂波相似性评估方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种背景杂波相似性评估方法。
具体地，可以提供配有存储介质的***或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该***或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作***等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到***计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
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在计算机可读取的存储介质中，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中。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种背景杂波相似性评估方法，其特征在于，包括：
确定用于评估背景杂波相似性的至少两个特征维度以及确定每一个特征维度分别对应的至少一个评估指标；
针对至少两个特征维度对应至少两个评估指标中的每一个评估指标，计算两张待评估SAR图像中每一张待评估SAR图像对应该评估指标的评估参数；
根据两张待评估SAR图像对应该评估指标的评估参数，计算该两张待评估SAR图像对应该评估指标的相似性；
将计算得到的与至少两个评估指标一一对应的至少两个相似性进行合并处理，得到对两张待评估SAR图像的背景杂波相似性的评估结果；
所述至少两个特征维度包括纹理特征；与所述纹理特征对应的评估指标包括对比度、相关性、能量和同质性中的至少一个；则所述计算两张待评估SAR图像中每一张待评估SAR图像对应该评估指标的评估参数，包括：针对每一张待评估SAR图像，确定该待评估SAR图像的灰度级；构建该待评估SAR图像的灰度共现矩阵；所述灰度共现矩阵为M×M矩阵；M为该待评估SAR图像的灰度级，且M为正整数；根据所述灰度共现矩阵中的各元素，对所述纹理特征的评估指标进行统计，得到评估指标的评估参数；
所述至少两个特征维度包括概率分布特征；与所述概率分布特征对应的评估指标包括概率分布；则所述计算两张待评估SAR图像中每一张待评估SAR图像对应该评估指标的评估参数，包括：针对每一张待评估SAR图像，确定该待评估SAR图像的概率分布函数；该概率分布函数中包括尺寸参数、能量参数和形状参数；利用对数累积量估计方法估计所述尺寸参数、所述能量参数和所述形状参数的值；将所述尺寸参数、所述能量参数和所述形状参数的值代入该待评估SAR图像的概率分布函数中，得到该待评估SAR图像的概率分布。
2.根据权利要求1所述的方法，其特征在于，所述构建该待评估SAR图像的灰度共现矩阵，包括：
确定在该待评估SAR图像中，相距为(Δx,Δy)的像元对中，一个像元的灰度为i、另一个像元的灰度为j的像元对的数量；将该数量确定为所述灰度共现矩阵中第(i，j)个元素；i、j均为不大于M的正整数。
3.根据权利要求1所述的方法，其特征在于，所述利用对数累积量估计方法估计所述尺寸参数、所述能量参数和所述形状参数的值，包括：
对该待评估SAR图像的概率分布函数进行推导，得到三阶对数累积量中每一阶对数累积量分别与所述尺寸参数、所述能量参数和所述形状参数的计算关系式；
将该待评估SAR图像中每个像素点的值确定为观测数据，利用所述观测数据计算得到每一阶对数累积量的估计值；
根据每一阶对数累积量的计算关系式和估计值，得到用于计算所述形状参数的表达式；
根据该用于计算所述形状参数的表达式，估计求解得到所述形状参数的值；
根据所述形状参数的值，计算得到所述尺寸参数的值和所述能量参数的值。
4.根据权利要求3所述的方法，其特征在于，
所述用于计算所述形状参数的表达式为：
Figure FDA0004236243420000021
其中，
Figure FDA0004236243420000022
为所述形状参数的估计值，/>
Figure FDA0004236243420000023
为第l阶polygamma函数,l为正整数，/>
Figure FDA0004236243420000024
分别为三阶对数累积量中第二阶对数累积量、第三阶对数累积量的估计值；
所述根据该用于计算所述形状参数的表达式，估计求解得到所述形状参数的值，包括：
确定
Figure FDA0004236243420000025
值是否满足设定条件，若满足，则利用下式计算得到所述形状参数的值：
Figure FDA0004236243420000031
若不满足，则基于数值法对该用于计算所述形状参数的表达式进行估计求解，得出所述形状参数的值。
5.根据权利要求1-4中任一所述的方法，其特征在于，
在所述确定用于评估背景杂波相似性的至少两个特征维度以及确定每一个特征维度分别对应的至少一个评估指标之后，所述将计算得到的与至少两个评估指标一一对应的至少两个相似性进行合并处理之前，还包括：
获取至少一个样本SAR图像；所述至少一个样本SAR图像与至少一个背景类型一一对应；
针对每一个样本SAR图像，获取该样本SAR图像对应每一个评估指标的样本评估参数；
根据每一个样本SAR图像对应每一个评估指标的样本评估参数，构建数据矩阵；
根据所述数据矩阵中的各元素，计算每一个评估指标的信息熵；
根据每一个评估指标的信息熵，计算每一个评估指标的权重；
所述将计算得到的与至少两个评估指标一一对应的至少两个相似性进行合并处理，得到对两张待评估SAR图像的背景杂波相似性的评估结果，包括：将每一个评估指标的权重与对应相似性的乘积之和，确定为所述评估结果。
6.一种背景杂波相似性评估装置，其特征在于，包括：
确定单元，用于确定用于评估背景杂波相似性的至少两个特征维度以及确定每一个特征维度分别对应的至少一个评估指标；
评估参数计算单元，用于针对至少两个特征维度对应至少两个评估指标中的每一个评估指标，计算两张待评估SAR图像中每一张待评估SAR图像对应该评估指标的评估参数；
相似性计算单元，用于根据两张待评估SAR图像对应该评估指标的评估参数，计算该两张待评估SAR图像对应该评估指标的相似性；
合并处理单元，用于将计算得到的与至少两个评估指标一一对应的至少两个相似性进行合并处理，得到对两张待评估SAR图像的背景杂波相似性的评估结果；
所述至少两个特征维度包括纹理特征；与所述纹理特征对应的评估指标包括对比度、相关性、能量和同质性中的至少一个；则所述评估参数计算单元，具体用于针对每一张待评估SAR图像，确定该待评估SAR图像的灰度级；构建该待评估SAR图像的灰度共现矩阵；所述灰度共现矩阵为M×M矩阵；M为该待评估SAR图像的灰度级，且M为正整数；根据所述灰度共现矩阵中的各元素，对所述纹理特征的评估指标进行统计，得到评估指标的评估参数；
所述至少两个特征维度包括概率分布特征；与所述概率分布特征对应的评估指标包括概率分布；则所述评估参数计算单元，具体用于针对每一张待评估SAR图像，确定该待评估SAR图像的概率分布函数；该概率分布函数中包括尺寸参数、能量参数和形状参数；利用对数累积量估计方法估计所述尺寸参数、所述能量参数和所述形状参数的值；将所述尺寸参数、所述能量参数和所述形状参数的值代入该待评估SAR图像的概率分布函数中，得到该待评估SAR图像的概率分布。
7.一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-5中任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-5中任一项所述的方法。
CN202111066801.4A 2021-09-13 2021-09-13 背景杂波相似性评估方法及装置 Active CN113780422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111066801.4A CN113780422B (zh) 2021-09-13 2021-09-13 背景杂波相似性评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111066801.4A CN113780422B (zh) 2021-09-13 2021-09-13 背景杂波相似性评估方法及装置

Publications (2)

Publication Number Publication Date
CN113780422A CN113780422A (zh) 2021-12-10
CN113780422B true CN113780422B (zh) 2023-06-27

Family

ID=78842794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111066801.4A Active CN113780422B (zh) 2021-09-13 2021-09-13 背景杂波相似性评估方法及装置

Country Status (1)

Country Link
CN (1) CN113780422B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723971B (zh) * 2022-05-16 2022-08-23 中国科学院空天信息创新研究院 一种sar图像中仿真对象的相似度度量方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488798A (zh) * 2015-11-30 2016-04-13 东南大学 基于点集对比的sar图像相似性度量方法
CN105931257A (zh) * 2016-06-12 2016-09-07 西安电子科技大学 基于纹理特征和结构相似度的sar图像质量评估方法
CN108550145A (zh) * 2018-04-11 2018-09-18 北京环境特性研究所 一种sar图像质量评估方法和装置
WO2020134797A1 (zh) * 2018-12-28 2020-07-02 通鼎互联信息股份有限公司 通过构建虚拟sar图像实现wsn节点定位的方法及装置
CN111563414A (zh) * 2020-04-08 2020-08-21 西北工业大学 一种基于非局部特征增强的sar图像舰船目标检测方法
CN111666856A (zh) * 2020-05-29 2020-09-15 武汉大学 基于结构特性的高分辨率单极化sar影像建筑目标检测方法
CN111899269A (zh) * 2020-07-16 2020-11-06 武汉大学 一种基于边缘结构信息的无人机图像与sar卫星图像的匹配方法
CN112215832A (zh) * 2020-10-21 2021-01-12 中国科学院空天信息创新研究院 Sar尾迹图像质量评估及自适应探测参数调整方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9207318B2 (en) * 2011-06-20 2015-12-08 California Institute Of Technology Damage proxy map from interferometric synthetic aperture radar coherence
JP5706389B2 (ja) * 2011-12-20 2015-04-22 富士フイルム株式会社 画像処理装置および画像処理方法、並びに、画像処理プログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488798A (zh) * 2015-11-30 2016-04-13 东南大学 基于点集对比的sar图像相似性度量方法
CN105931257A (zh) * 2016-06-12 2016-09-07 西安电子科技大学 基于纹理特征和结构相似度的sar图像质量评估方法
CN108550145A (zh) * 2018-04-11 2018-09-18 北京环境特性研究所 一种sar图像质量评估方法和装置
WO2020134797A1 (zh) * 2018-12-28 2020-07-02 通鼎互联信息股份有限公司 通过构建虚拟sar图像实现wsn节点定位的方法及装置
CN111563414A (zh) * 2020-04-08 2020-08-21 西北工业大学 一种基于非局部特征增强的sar图像舰船目标检测方法
CN111666856A (zh) * 2020-05-29 2020-09-15 武汉大学 基于结构特性的高分辨率单极化sar影像建筑目标检测方法
CN111899269A (zh) * 2020-07-16 2020-11-06 武汉大学 一种基于边缘结构信息的无人机图像与sar卫星图像的匹配方法
CN112215832A (zh) * 2020-10-21 2021-01-12 中国科学院空天信息创新研究院 Sar尾迹图像质量评估及自适应探测参数调整方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SAR image segmentation based on analysing similarity with clutter spatial patterns;Xiaohui Zhao等;《ELECTRONICS LETTERS》;第52卷(第21期);1807–1809 *
SAR图像相似度评估技术研究;项德良;《中国优秀硕士学位论文全文数据库_基础科学辑》;A008-62 *
基于模糊综合评判的车辆目标SAR仿真图像评估方法;胡利平等;《***工程与电子技术》;第41卷(第03期);534-540 *
相关序列小目标图像背景杂波度量方法仿真;龙波;《计算机仿真》;第37卷(第09期);377-381 *

Also Published As

Publication number Publication date
CN113780422A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
Grimaldi et al. Remote sensing-derived water extent and level to constrain hydraulic flood forecasting models: Opportunities and challenges
Amirmazlaghani et al. Two novel Bayesian multiscale approaches for speckle suppression in SAR images
Chandra et al. Small area estimation under spatial nonstationarity
Redding Estimating the parameters of the K distribution in the intensity domain
Buehner et al. Non-Gaussian deterministic assimilation of radar-derived precipitation accumulations
CN113780422B (zh) 背景杂波相似性评估方法及装置
CN102254185B (zh) 基于对比度敏感函数的背景杂波量化方法
Peter et al. Application of a Bayesian classifier of anomalous propagation to single-polarization radar reflectivity data
CN112462367B (zh) 一种基于极化合成孔径雷达的车辆检测方法
Boyles et al. Ensemble Kalman filter updates based on regularized sparse inverse Cholesky factors
Sadouki et al. Classification of radar echoes with a textural–fuzzy approach: an application for the removal of ground clutter observed in Sétif (Algeria) and Bordeaux (France) sites
Agbailu et al. Kalman filter algorithm versus other methods of estimating missing values: time series evidence
PC et al. Comparison of rainfall nowcasting derived from the STEPS model and JMA precipitation nowcasts
CN116030300A (zh) 一种用于零样本sar目标识别的渐进式域自适应识别方法
Tao et al. Error variance estimation for individual geophysical parameter retrievals
Shehu et al. Improving radar-based rainfall nowcasting by a nearest-neighbour approach–Part 1: Storm characteristics
Liu et al. Study on segmentation and interpretation of multi-look polarimetric SAR images
CN113408019A (zh) 一种基于bme-gwr的水系沉积物地球化学异常制图方法
Krylov et al. Dictionary-based probability density function estimation for high-resolution SAR data
CN112698330A (zh) 基于比值对数积的极化sar图像非局部均值方法
CN116385840A (zh) 基于主客观赋权的背景杂波相似性综合评估方法及装置
Jurczyk et al. Research studies on improvement in real-time estimation of radar-based precipitation in Poland
Harnist Probabilistic Precipitation Nowcasting using Bayesian Convolutional Neural Networks
CN118091657B (zh) 基于分类三元搭配的流域洪涝淹没范围集成识别方法及***
Hedir et al. Radar echoes classification based on local descriptor

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