公开/公告号CN112766286A
专利类型发明专利
公开/公告日2021-05-07
原文格式PDF
申请/专利权人 清华大学;中国人民解放军海军航空大学;
申请/专利号CN202110161165.7
申请日2021-02-05
分类号G06K9/46(20060101);G06K9/62(20060101);G06K9/34(20060101);G01S13/90(20060101);
代理机构11201 北京清亦华知识产权代理事务所(普通合伙);
代理人廖元秋
地址 100084 北京市海淀区清华园1号
入库时间 2023-06-19 10:54:12
技术领域
本发明属于雷达图像处理领域,特别涉及一种基于SAR图像全局-局部特征的舰船目标检测方法,具体可用于合成孔径雷达图像中的舰船检测。
背景技术
合成孔径雷达(SAR)是一种主动成像装置,可提供海面舰船目标的高分辨成像结果。相比于光学、红外等传感器,SAR成像几乎不受光照和天气的影响,是一种具备全天候、全时段工作能力的传感器。SAR图像中的舰船目标检测是目前学术、国防领域的热点研究问题,它在军事海防、民船监视、可持续渔业等方面有着重要的应用。
费雪向量是一种图像多阶特征,包含SAR图像中超像素丰富的零阶、一阶、二阶信息。但现有基于费雪向量的SAR图像舰船检测方法大多基于费雪向量的局部对比,其中,2020年发表在IEEE Transactions on Geoscience andRemote Sensing上的文章ShipDetection in SAR Images via Local Contrast ofFisher Vectors中提出了一种只基于费雪向量局部对比的方法,该方法的主要步骤如下:首先对SAR图像建立对应的混合高斯模型,并对该图像进行超像素分割;然后分别计算每个超像素的费雪向量以及每个费雪向量的局部对比度,并将局部对比度作为检验统计量;对每个检验统计量进行判定,最终得到SAR图像的舰船检测结果。因此,现有方法缺乏对全局费雪向量对比的考量,导致检测结果中虚警目标较多,使得检测性能降低。
发明内容
本发明的目的是为克服已有技术的不足之处,提出一种基于SAR图像全局-局部特征的舰船目标检测方法。本发明在SAR图像舰船检测中额外考虑了费雪向量的全局对比特征,有助于降低检测结果中的虚警率。
本发明提出一种基于SAR图像全局-局部特征的舰船目标检测方法,其特征在于,该方法首先获取一张SAR图像,对该SAR图像建立对应的混合高斯模型,并对该图像进行超像素分割;然后分别计算每个超像素的费雪向量,以及每个费雪向量的全局密度对比度、全局密度距离对比度以及局部对比度;对全局密度对比度、全局密度距离对比度和局部对比度求积得到每个超像素的检验统计量,对每个检验统计量进行判定,最终得到SAR图像的舰船检测结果。该方法包括以下步骤:
1)获取一张SAR图像,该图像像素数量为N;设置超像素尺寸S,则该图像中超像素个数为
2)建立该SAR图像对应的混合高斯模型GMM,表达式如下:
其中,ω
3)超像素分割;
将超像素的尺寸S、正则化参数λ、以及SAR图像作为输入,利用简单线性迭代聚类SLIC算法获得该SAR图像中的所有超像素;
4)计算每个超像素的费雪向量α
其中,
其中,l为超像素的索引,l=1,2,…,L;
β
令α
5)计算每个费雪向量的全局密度对比度κ
κ
其中ρ
6)计算每个费雪向量的全局密度距离对比度ψ
其中,
7)计算每个费雪向量的局部对比度
其中,med{}表示选择集合中数据的中值,G(l)表示第l个超像素的邻域超像素,
8)获取SAR图像的舰船检测结果;具体步骤如下:
8-1)计算每个超像素的检验统计量T
8-2)计算决策阈值τ:
其,
8-3)利用下式分别对每个检验统计量T
所有T
本发明的特点及有益效果:
现有的基于费雪向量的SAR图像舰船检测方法考虑费雪向量的局部对比特征,没有考虑费雪向量的全局对比特征,易造成检测结果中虚警较多。本发明提出了基于费雪向量全局和局部对比特征的SAR图像舰船检测方法,通过进一步引入费雪向量全局对比特征,增强了对杂波的全局抑制效果,有助于降低检测结果中的虚警率。
附图说明
图1为本发明方法的整体流程图。
具体实施方式
本发明提出一种基于SAR图像全局-局部特征的舰船目标检测方法,下面结合附图和具体实施例进一步详细说明如下。
本发明提出一种基于SAR图像全局-局部特征的舰船目标检测方法,整体流程如图1所示,包括以下步骤:
1)获取一张SAR图像,该图像像素数量为N(本实施例中N=3000×3000);设置超像素尺寸S(S可设置为舰船所占像素数量的25%,S一般取10~100,本实施例取30),则该图像中超像素个数为
2)将SAR图像建模为包含参数{ω
其中,ω
本发明中,参数{ω
3)超像素分割;
将超像素的尺寸S、正则化参数λ、以及SAR图像作为输入,根据林慧平发表在IEEEGeoscience and Remote Sensing Letters上的Ship Detection With Superpixel-LevelFisher Vector in High-Resolution SAR Images中的简单线性迭代聚类(SLIC)算法获得该SAR图像中的所有超像素。
4)计算每个超像素的费雪向量α
其中,
其中,l为超像素的索引,l=1,2,…,L,L为SAR图像中超像素的数量;
式(3)-(5)中的符号β
令α
5)计算每个费雪向量的全局密度对比度κ
κ
其中ρ
6)计算每个费雪向量的全局密度距离对比度ψ
其中,
7)计算每个费雪向量的局部对比度
其中,med{}表示选择集合中数据的中值,G(l)表示第l个超像素的邻域超像素,
8)获取SAR图像的舰船检测结果;具体步骤如下:
8-1)计算每个超像素的检验统计量T
其中,检验统计量T
8-2)计算决策阈值τ:
其
8-3)利用下式分别对每个检验统计量T
所有T
机译: 基于卫星SAR图像的运动信息检测方法
机译: 基于深度学习的停车槽检测方法和装置集成全局和局部信息
机译: 基于深度学习的对象检测方法和系统利用图像的全局上下文特征