CN1920594A - 基于小波增强的合成孔径雷达图像船舰目标检测方法 - Google Patents
基于小波增强的合成孔径雷达图像船舰目标检测方法 Download PDFInfo
- Publication number
- CN1920594A CN1920594A CN 200610080745 CN200610080745A CN1920594A CN 1920594 A CN1920594 A CN 1920594A CN 200610080745 CN200610080745 CN 200610080745 CN 200610080745 A CN200610080745 A CN 200610080745A CN 1920594 A CN1920594 A CN 1920594A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- sar
- sar image
- ships
- image
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明在图像处理领域提出了一种基于小波多尺度积增强的SAR图像船舰目标检测方法。针对常规合成孔径雷达(Synthetic Aperture Radar,SAR)图像船舰目标检测方法中背景杂波的概率分布估计不准确,导致检测性能低的问题,基于小波多尺度积增强的SAR图像船舰目标检测方法,先对SAR图像进行三级非抽样小波变换,将高频分量进行阈值滤波过滤绝对值较小的小波系数,并将不同尺度上位置相同的小波系数作连乘,得到经过多尺度积增强的高频小波系数。用此高频分量和小波变换的低频分量重构增强SAR图像,将增强SAR图像作为待检测图像输入双参数恒虚警概率检测器,从而提高SAR图像船舰目标的检测性能。
Description
技术领域
本发明涉及图像处理领域的一种目标检测方法,特别是涉及合成孔径雷达(SyntheticAperture Radar,简称SAR)图像经过小波增强后的图像船舰目标检测方法。
背景技术
早期SAR图像船舰目标检测使用简单阈值法,主要适用于背景杂波简单,船舰目标角反射信号强的情形。随着SAR的发展,后来相继提出了单元平均(Cell Averaging,简称CA)类恒虚警概率检测算法、顺序统计量(Ordered Statistic,简称OS)类恒虚警概率检测算法以及中值和形态(Median and Morphological,简称MEMO)滤波器恒虚警概率检测算法。为适应背景杂波变换,采用了高斯概率模型、对数正态模型、伽马分布模型、韦布尔模型以及K-分布模型模拟背景杂波。在上述三类检测算法中,CA类算法具有复杂度低,易于实现等特点,常用于实际检测***中。检测***经典模型如图1所示。
影响SAR图像船舰目标检测性能的主要因素有雷达入射角、扫描模式、极化方式、目标形状、海(地)面状况和SAR成像***的热噪声等。在对同一SAR图像的检测中,各种SAR图像船舰目标检测算法的检测性能主要取决于准确估计SAR图像背景参数,包括SAR图像背景杂波概率分布模型、均值以及有效视数(effective number of looks)。
在实际应用中,图1的检测窗口的目标信号常常泄漏到背景窗口中,影响背景参数的估计,降低了检测器性能。为改善检测器性能,提出了双参数恒虚警概率(Constant False AlarmRate,简称CFAR)检测算法,检测***如图2所示。与经典检测器相比,双参数CFAR检测算法在检测窗口周围增加了一个边框厚度为N的保护窗口,用于提高背景参数估计的准确性。
SAR成像***发射的相干电磁波照射的地(海)表单元包含了大量随机分布的散射体,该单元总的回波是各散射体反射的电磁波的相干叠加,使SAR图像出现随机分布的黑白斑点,即斑点(Speckle)噪声。SAR图像的斑点噪声降低了双参数恒虚警概率检测算法的检测性能。为提高检测器性能,可对输入SAR图像进行预处理,主要预处理方法为船舰目标信号增强和背景去噪。因小波分析在图像处理方面具有数学显微镜功能,即可将图像分解为不同尺度、不同方向的图像分量,从而小波分析可应用于SAR图像船舰目标增强和去噪。
由于小波函数是局部非零的紧支函数,从而SAR图像小波变换(Wavelet Transform,简称WT)后的小波系数实际可看成是经过高频滤波器处理后的结果。根据多分辨分析的思想,小波变换相当于一对由高通和低通滤波器组成的滤波器组,这便于实现图像的快速小波分解和重构。结合高通滤波器的性质可知,图像经过小波变换后,在图像发生突变之处小波系数将产生局部极值。根据小波系数的这一局部特性,可检测SAR图像信号的突变,并对船舰目标信号进行有效增强,同时可抑制SAR图像斑点噪声以及使SAR背景均匀化。
发明内容
为了解决经典SAR图像船舰目标检测算法中复杂背景杂波难以用数学概率模型准确拟和的问题,本发明提供了一种基于小波多尺度积(Wavelet Multiscale Products,简称WMP)的SAR图像船舰目标信号增强和去噪方法。该方法设计了一种在小波域内增强船舰目标信号和削弱斑点噪声的算法,提出了一种采用小波变换预处理SAR图像的检测器。
本发明解决其技术问题所采用的技术方案是:在预处理器中,对输入SAR图像进行小波变换,得SAR图像的低频分量和高频分量。对高频小波系数进行阈值滤波,过滤系数绝对值较小的小波系数,将位置相同且尺度不同的高频小波系数相乘,得船舰信号增强和背景杂波削弱的高频小波系数,将此高频小波系数与低频分量一起,通过综合滤波器重构SAR图像,得到经过小波多尺度积增强的SAR图像。将增强SAR图像作为待检测图像输入双参数CFAR检测器,得到最后检测结果。
本发明的有益效果是,通过对SAR图像进行小波多尺度积增强处理,可增强SAR图像船舰目标信号,削弱背景噪声,均匀SAR图像背景杂波,提高SAR图像背景杂波的可估计性,从而提高了SAR图像船舰目标检测性能。
附图说明
图1是通用检测***模型:
图中1.M-单元延迟器,2.K-单元延迟器,3.均值估计器,4.判决器,x(n)为输入SAR图像,z(n)为输出检测结果,为乘法器,T为与虚警概率相关的阈值。
图2是双参数检测器模型:
图中5.N-单元延迟器。
图3是小波多尺度积增强检测器模型:
图中6.小波多尺度积增强器模块。
图4是小波多尺度积增强器结构,是图3中的6的具体实现:
图中11.分析低通滤波器,12.分析高通滤波器,13.综合低通滤波器,14.综合高通滤波器,15.阈值滤波器,21.第一级小波变换,22.第二级小波变换,23.第三级小波变换,为乘法器,为加法器,Li(i=1,2)分别为图像经过低通滤波器11后的第一级、第二级输出,Hi(i=1,2,3)分别为图像经过高通滤波器12后的第一级、第二级和第三级输出,Hi′(i=1,2,3)分别为高频分量Hi(i=1,2,3)经过阈值滤波器15后的输出系数,H′为Hi′(i=1,2,3)经过乘法器后输出的高频分量,HR为H′经过综合高通滤波器14后的高频重建分量,LR为L1经过综合低通滤波器13后的低频重建分量,y(n)为输出增强信号。
具体实施方式
1.小波多尺度积增强器
分析SAR图像斑点噪声的形成机理以及小波系数的特点,本发明采用图3的检测器结构示意图,其中6为小波多尺度积增强器模块,它由分析低通滤波器、分析高通滤波器、阈值滤波器、乘法器、综合低通滤波器、综合高通滤波器和加法器组成,本发明采用三级小波变换达到增强SAR的目的,详细结构如图4所示。
实现信号的离散小波变换有抽样离散小波变换(Decimated Discrete Wavelet Transform,简称DDWT)和非抽样离散小波变换(Undecimated Discrete Wavelet Transform,简称UDWT)两种,由于UDWT具有平移不变性,能更精确的估计信号波形,本发明采用UDWT计算信号的小波系数。对SAR图像作小波变换时,为计算方便,本发明选择的小波函数为可分离函数,即二维小波函数可分解为两个一维小波函数的乘积,从而SAR图像的小波变换等同于对图像的行、列分别作一维小波变换。在图像重建时,采用相对应的顺序进行逆小波变换,即对变换图像的列、行进行一维逆小波变换。
首先对输入SAR图像进行三级小波变换,并对高频系数进行阈值滤波。具体方案为:SAR图像x(n)进入第一级小波变换21,通过分析低通滤波器11得低频分量L1,通过分析高通滤波器12得高频分量H1,分析高通滤波器12的作用是获得SAR图像船舰信号的边缘,H1经过阈值滤波器15后得H1′,其作用是过滤绝对值较小的小波系数,从而达到去噪目的;低频分量L1进入第二级小波变换22,通过分析低通滤波器11得低频分量L2,通过分析高通滤波器12得高频分量H2,H2经过阈值滤波器15后得H2′;低频分量L2进入第三级小波变换23,通过分析高通滤波器12得高频分量H3,H3经过阈值滤波器15后得H3′,由于本发明没有应用第三级小波变换的低频分量,故第三级小波变换没有使用低通滤波器。
其次,对高频系数作多尺度积。将经过阈值滤波处理后的三个高频分量H1′、H2′和H3′输入乘法器,输出经过多尺度积处理后的高频分量H′。
最后,输出增强图像。用低频分量和经过多尺度积处理后的高频分量重建增强图像,具体实施步骤为:将第一级小波变换的低频分量L1输入综合低通滤波器13,输出重建低频分量LR,将经过多尺度积处理后的高频分量H′输入综合高通滤波器14,输出重建高频分量HR;将LR和HR输入加法器,输出经过小波多尺度积增强后的重建SAR图像y(n)。
2.小波多尺度积检测算法
本发明采用的检测算法的原理图如图3所示,在双参数恒虚警概率(Constant False AlarmRate,CFAR)检测算法中增加SAR图像预处理小波多尺度积增强器模块。输入SAR图像x(n)经过小波多尺度积增强后,输出增强SAR图像y(n)。y(n)经过下列三个步骤后输出检测结果z(n)。
首先,获取背景窗口、保护窗口和检测窗口。具体实施方案为:将增强SAR图像y(n)作为双参数CFAR检测器的输入,y(n)通过两个延迟器1输出背景窗口,用于统计背景参数;通过两个延迟器5得保护窗口,作用是避免检测窗口中的船舰目标信号泄漏到背景窗口,提高背景窗口估计参数的准确性;y(n)通过延迟器2输出检测窗口,检测器对检测窗口中的信号进行判决,确定是否为船舰目标。
其次,相关参数估计。将背景窗口输入均值估计器3输出背景窗口估计均值μb,将检测窗口输入均值估计器得检测窗口估计均值μt。根据用户接收的虚警概率,输入阈值系数T,将T和μb输入乘法器,输出检测阈值T·μb。
最后,获得检测结果。将检测窗口估计均值μt和检测阈值T·μb输入判决器4,若μt>T·μb,则判决为目标,否则判决为背景杂波。根据判决器结果,输出检测结果z(n)。
Claims (3)
1.一种基于小波增强的合成孔径雷达(SAR)图像船舰目标检测方法,检测***中SAR图像预处理器与常规目标检测器相连,其特征是SAR图像预处理器利用了船舰目标边缘信号和背景噪声分布特点,实现SAR图像船舰信号增强和背景噪声削弱。
2.根据权利要求1所述的基于小波增强的SAR图像船舰目标检测方法,其特征还在于:对SAR作三级非抽样小波变换,用阈值滤波器过滤系数较小的小波系数,并将不同尺度上相同位置的小波系数作连乘,增强具有跨尺度的船舰目标信号边缘,并对不具有跨尺度特征的斑点噪声去噪,用处理后的小波系数和低频分量作逆小波变换,增强SAR图像船舰目标边缘,同时削弱背景噪声和均匀背景杂波。
3.根据权利要求1或2所述的基于小波增强的SAR图像船舰目标检测方法,其特征还在于:将经过多尺度积增强的SAR图像作为双参数恒虚警概率检测器的输入,经过双参数恒虚警概率算法检测后,输出SAR船舰目标检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100807459A CN100439937C (zh) | 2006-05-16 | 2006-05-16 | 基于小波增强的合成孔径雷达图像船舰目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100807459A CN100439937C (zh) | 2006-05-16 | 2006-05-16 | 基于小波增强的合成孔径雷达图像船舰目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1920594A true CN1920594A (zh) | 2007-02-28 |
CN100439937C CN100439937C (zh) | 2008-12-03 |
Family
ID=37778354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006100807459A Expired - Fee Related CN100439937C (zh) | 2006-05-16 | 2006-05-16 | 基于小波增强的合成孔径雷达图像船舰目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100439937C (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975940A (zh) * | 2010-09-27 | 2011-02-16 | 北京理工大学 | 基于分割组合的sar图像自适应恒虚警率目标检测方法 |
CN101216553B (zh) * | 2007-12-27 | 2011-03-30 | 南京航空航天大学 | 一种基于变尺度原理的合成孔径雷达极坐标格式成像方法 |
CN101271160B (zh) * | 2007-03-21 | 2011-05-11 | 中国科学院电子学研究所 | 选小单元平均恒虚警率实时检测sar运动目标方法、装置 |
CN102540159A (zh) * | 2011-10-13 | 2012-07-04 | 哈尔滨工程大学 | 基于小波降噪的ls-svm海面小目标检测的方法 |
CN101821775B (zh) * | 2007-07-20 | 2012-07-18 | 爱克发医疗保健公司 | 用于生成多尺度的对比度增强的图像的方法 |
CN101930605B (zh) * | 2009-11-12 | 2012-09-05 | 北京交通大学 | 基于二维混合变换的sar图像目标提取方法及*** |
CN102109597B (zh) * | 2009-12-29 | 2013-04-10 | 中国科学院对地观测与数字地球科学中心 | 根据船舶的高分辨率sar影像识别船舶类型的方法 |
CN105160648A (zh) * | 2014-11-26 | 2015-12-16 | 中国人民解放军第二炮兵工程大学 | 基于小波和恒虚警率的雷达目标及阴影分割方法 |
CN108133468A (zh) * | 2017-12-25 | 2018-06-08 | 南京理工大学 | 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 |
CN109696662A (zh) * | 2017-10-24 | 2019-04-30 | 中国科学院声学研究所 | 一种基于k统计分布模型背景的目标检测方法 |
CN117077066A (zh) * | 2023-10-17 | 2023-11-17 | 合肥联宝信息技术有限公司 | 波形异常检测方法、装置、电子设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033804A (zh) * | 2012-12-14 | 2013-04-10 | 武汉大学 | 基于小波熵阈值与模极大值法的激光雷达信号处理方法 |
-
2006
- 2006-05-16 CN CNB2006100807459A patent/CN100439937C/zh not_active Expired - Fee Related
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271160B (zh) * | 2007-03-21 | 2011-05-11 | 中国科学院电子学研究所 | 选小单元平均恒虚警率实时检测sar运动目标方法、装置 |
CN101821775B (zh) * | 2007-07-20 | 2012-07-18 | 爱克发医疗保健公司 | 用于生成多尺度的对比度增强的图像的方法 |
CN101216553B (zh) * | 2007-12-27 | 2011-03-30 | 南京航空航天大学 | 一种基于变尺度原理的合成孔径雷达极坐标格式成像方法 |
CN101930605B (zh) * | 2009-11-12 | 2012-09-05 | 北京交通大学 | 基于二维混合变换的sar图像目标提取方法及*** |
CN102109597B (zh) * | 2009-12-29 | 2013-04-10 | 中国科学院对地观测与数字地球科学中心 | 根据船舶的高分辨率sar影像识别船舶类型的方法 |
CN101975940A (zh) * | 2010-09-27 | 2011-02-16 | 北京理工大学 | 基于分割组合的sar图像自适应恒虚警率目标检测方法 |
CN101975940B (zh) * | 2010-09-27 | 2012-11-28 | 北京理工大学 | 基于分割组合的sar图像自适应恒虚警率目标检测方法 |
CN102540159B (zh) * | 2011-10-13 | 2013-07-03 | 哈尔滨工程大学 | 基于小波降噪的ls-svm海面小目标检测的方法 |
CN102540159A (zh) * | 2011-10-13 | 2012-07-04 | 哈尔滨工程大学 | 基于小波降噪的ls-svm海面小目标检测的方法 |
CN105160648A (zh) * | 2014-11-26 | 2015-12-16 | 中国人民解放军第二炮兵工程大学 | 基于小波和恒虚警率的雷达目标及阴影分割方法 |
CN105160648B (zh) * | 2014-11-26 | 2018-04-13 | 中国人民解放军第二炮兵工程大学 | 基于小波和恒虚警率的雷达目标及阴影分割方法 |
CN109696662A (zh) * | 2017-10-24 | 2019-04-30 | 中国科学院声学研究所 | 一种基于k统计分布模型背景的目标检测方法 |
CN109696662B (zh) * | 2017-10-24 | 2021-04-09 | 中国科学院声学研究所 | 一种基于k统计分布模型背景的目标检测方法 |
CN108133468A (zh) * | 2017-12-25 | 2018-06-08 | 南京理工大学 | 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 |
CN108133468B (zh) * | 2017-12-25 | 2021-09-03 | 南京理工大学 | 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 |
CN117077066A (zh) * | 2023-10-17 | 2023-11-17 | 合肥联宝信息技术有限公司 | 波形异常检测方法、装置、电子设备及存储介质 |
CN117077066B (zh) * | 2023-10-17 | 2024-03-12 | 合肥联宝信息技术有限公司 | 波形异常检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN100439937C (zh) | 2008-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100439937C (zh) | 基于小波增强的合成孔径雷达图像船舰目标检测方法 | |
Huang et al. | A novel method for speckle noise reduction and ship target detection in SAR images | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
Abo-Zahhad et al. | Edge detection with a preprocessing approach | |
Serir et al. | No-reference blur image quality measure based on multiplicative multiresolution decomposition | |
Gupta et al. | Despeckle and geographical feature extraction in SAR images by wavelet transform | |
CN112731307A (zh) | 基于距离-角度联合估计的ratm-cfar检测器及检测方法 | |
CN113674308A (zh) | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 | |
Li et al. | A method to improve the accuracy of SAR image change detection by using an image enhancement method | |
CN112163606B (zh) | 基于块对比度加权的红外小目标检测的方法 | |
CN111985342B (zh) | 一种基于经验模态分解的海杂波时间相关性分析方法 | |
Khosravi et al. | A tutorial and performance analysis on ENVI tools for SAR image despeckling | |
Stagliano et al. | Ship detection from SAR images based on CFAR and wavelet transform | |
Yasar et al. | Comparison of real and complex-valued versions of wavelet transform, curvelet transform and ridgelet transform for medical image denoising | |
CN115657140A (zh) | 基于结构化汉克尔全变分正则化的磁异常检测方法及*** | |
Xiao et al. | Underwater image classification based on image enhancement and information quality evaluation | |
CN113963017A (zh) | 一种实时红外弱小目标检测方法、装置和计算机设备 | |
Jia et al. | A piecewise nonlinear enhancement method of side scan sonar images | |
Ashique et al. | Speckle noise reduction from medical ultrasound images–a comparative study | |
Fan et al. | An automatic correction method of marine radar rainfall image based on continuous wavelet transform | |
Chen et al. | Research on sonar image denoising method based on fixed water area noise model | |
Wenge et al. | SAR image despeckling based on edge detection and nonsubsampled second generation bandelets | |
Wen et al. | A method for automatic infrared point target detection in a sea background based on morphology and wavelet transform | |
Tello et al. | A novel algorithm for ship detection in Envisat SAR imagery based on the wavelet transform | |
Wu et al. | Object-Enhanced YOLO Networks for Synthetic Aperture Radar Ship Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20081203 Termination date: 20170516 |
|
CF01 | Termination of patent right due to non-payment of annual fee |