一种基于PCA和全局对比度的SAR目标检测方法专利检索-向量处理电脑零配件专利检索查询-专利查询网

一种基于PCA和全局对比度的SAR目标检测方法

阅读：784发布：2024-01-10

专利汇可以提供一种基于PCA和全局对比度的SAR目标检测方法专利检索，专利查询，专利分析的服务。并且该发明公开了一种基于PCA和全局对比度的SAR目标检测方法，属于合成孔径雷达遥感技术目标检测领域，具体涉及利用主成分分析法和利用全局对比度想法结合的方法，生成SAR目标的显著图。本发明与传统的检测方法相比，采用超像素作为目标检测元，结合全局对比度的视觉注意模型，本发明可以取得更好的检测性能；本发明与传统的检测方法相比，检测所耗时间更短；本发明与传统的检测方法相比，在SAR图像中能更完整地保留目标原有形态。，下面是一种基于PCA和全局对比度的SAR目标检测方法专利的具体信息内容。

权利要求

1.一种基于PCA和全局对比度的SAR目标检测方法，具体包括以下步骤：
步骤1：针对原始SAR图像，使用高斯滤波器对原始图像进行滤波；设矩阵A(m,n)为原始SAR图像，A(m,n)表示原始SAR图像(m,n)位置的元素，矩阵B表示高斯核，C表示滤波后得到的图像；滤波公式为如下所示：
其中， s∈[0,MA+MB-1]，t∈[0,NA+NB-1]，MA为矩阵A的行
数，NA为矩阵A的列数，MB为矩阵B的行数，NB为矩阵B的列数，C(s,t)表示滤波后的图像坐标(s，t)位置的像素值；
步骤2：对滤波后的图像进行线性迭代聚类处理，分割为N个超像素{SP1,SP2,…,SPN}；
步骤3：对每个超像素进行特征提取；
步骤4：通过以下公式计算每一个超像素的全局对比度特征G(i)；
Wnum(j)＝num(j)/max(num)
其中，g(i)表示对全局对比度的量化，Wnum(j)表示归一化的第j个超像素，max(·)表示取最大值，G(i)为第i个超像素的全局对比度；T是确定全局对比度的阈值，依据g(i)的分布来人工选取；
步骤5：融合P(i)和G(i)，i＝1,…,N，利用下式生成显著图；
S(i)＝P(i)×G(i)i＝1,…,N
S(i)为第i个超像素的显著性值；然后对进行归一化处理，得到了显著图SM；
步骤6：计算显著目标区域；
步骤6a)将显著图SM中第i个元素sm(i)中的零元素剔除，组成新的数组
其中N1表示将零元素剔除掉之后剩下的元素个数
步骤6b)按下式设置自适应阈值TD；
TD＝μ+kσ
其中，μ为的均值，σ为的标准差，k为经验常数；
步骤6c)在显著图上通过下式确定显著目标区域Img(x)；
高于阈值的地方就是显著目标区域。
2.如权利要求1所述的一种基于PCA和全局对比度的SAR目标检测方法，其特征在于所述步骤3的具体方法为：
步骤3a)对每个超像素的内部像素按照灰度大小从高到低进行排序,得到像素排列矩阵；
步骤3b)取前M个像素排成一个M维的列向量代表各个超像素；其中；
M＝min({num(1),…,num(N)})
min(·)表示取最小值，{num(1),num(2),…,num(N)}为N个超像素包含的像素个数；
步骤3c)对步骤3b得到的结果取绝对值作为对应超像素的特征，即；
P(i)＝abs(ξ(i))i＝1,…,N
p(i)表示第i个超像素的特征，i为超像素序号，ξ(i)表示步骤3b提取的第i个超像素的前M个像素，abs(·)表示取绝对值；然后对P(i)进行归一化：P(i)＝Θ(P(i))，其中Θ(·)为归一化算子，将向量归一化到[0,255]，
Θ(P(i))＝(P(i)/max P(i))×255
max P(i)为P(i)中元素的最大值。

说明书全文

一种基于PCA和全局对比度的SAR目标检测方法

技术领域

[0001] 本发明属于合成孔径雷达遥感技术目标检测领域，具体涉及利用主成分分析法和利用全局对比度想法结合的方法，生成SAR目标的显著图。

背景技术

[0002] 合成孔径雷达是一种在遥感领域应用广泛的监测设备。它在海面监视、灾害监测、地质测绘等领域发挥着重要的作用。合成孔径雷达技术一般可分为成像技术和图像解译技术。但现在，图像解译技术似乎要远远落后于成像技术，这严重制约了SAR的进一步应用和发展。因而，研究先进的解译技术是很有必要的。

[0003] 检测是SAR解译的重要环节和关键步骤，其结果将直接影响后续的鉴别、分类处理。在雷达信号处理中最为常见的检测技术是恒需警率检测(CFAR)，而具体到SAR检测中一般采用双参数CFAR。但是，CFAR的建立基础是对杂波正确建模，只有模型和实际杂波吻合时，CFAR的性能才会很好；而SAR图像的场景一般都会很复杂，这时很难对背景杂波进行理想的建模，所以，CFAR在实际应用中其性能并不总是很理想。

[0004] 为了获得良好的SAR图像检测效果，近年来，不少学者将计算机视觉领域内的研究热点，视觉注意模型，引入到了SAR检测中。基于这些模型的显著性算法，在它们各自的检测任务中，确实展现出了不俗的性能。例如，zhang等人结合显著性和gamma分布，提出了一种适用于SAR图像的目标区域提取算法；Schwegmann等人将船只视为显著目标，对比了CFAR和经典显著性模型SR和FT的检测性能，后两者有着更好的表现；针对弱目标，Lai等人改进了ITTI显著性模型，新算法在准确率和时间复杂度上表现良好；Jin等人在飓风检测中，将显著性方法和模板匹配相融合，获得了优良的检测性能；Liu等人将线检测和显著性分析相结合，成功地应用到了SAR图像机场检测中。这些研究不仅仅顺利完成了各自的检测任务，还为SAR检测提供了新的发展方向。

发明内容

[0005] 本发明的目的是为了克服已有的SAR图像目标检测中的不足，引入视觉注意模型以提高SAR图像目标检测的效果和效率。

[0006] 本发明的基本思路是：鉴于视觉注意模型再光学图像上的成功应用，将其引用进SAR图像检测中来，并结合主成分分析方法，以提高SAR图像目标检测性能。

[0007] 本发明的技术方案是，一种基于PCA和全局对比度的SAR目标检测方法，具体包括以下步骤：

[0008] 步骤1：针对原始SAR图像，使用高斯滤波器对原始图像进行滤波；设矩阵A(m,n)为原始SAR图像，A(m,n)表示原始SAR图像(m,n)位置的元素，矩阵B表示高斯核，C表示滤波后得到的图像；滤波公式为如下所示：

[0009]

[0010] 其中， s∈[0,MA+MB-1]，t∈[0,NA+NB-1]，MA为矩阵A的行数，NA为矩阵A的列数，MB为矩阵B的行数，NB为矩阵B的列数，C(s,t)表示滤波后的图像坐标(s，t)位置的像素值；

[0011] 步骤2：对滤波后的图像进行线性迭代聚类处理，分割为N个超像素{SP1,SP2,…,SPN}；

[0012] 步骤3：对每个超像素进行特征提取；

[0013] 步骤4：通过以下公式计算每一个超像素的全局对比度特征G(i)；

[0014]

[0015] Wnum(j)＝num(j)/max(num)

[0016]

[0017] 其中，g(i)表示对全局对比度的量化，Wnum(j)表示归一化的第j个超像素，max(·)表示取最大值，G(i)为第i个超像素的全局对比度；T是确定全局对比度的阈值，依据g(i)的分布来人工选取；

[0018] 步骤5：融合P(i)和G(i)，i＝1,…,N，利用下式生成显著图；

[0019] S(i)＝P(i)×G(i)i＝1,…,N

[0020] S(i)为第i个超像素的显著性值；然后对进行归一化处理，得到了显著图SM；

[0021] 步骤6：计算显著目标区域；

[0022] 步骤6a)将显著图SM中第i个元素sm(i)中的零元素剔除，组成新的数组 x＝1，…，N1，其中N1表示将零元素剔除掉之后剩下的元素个数

[0023] 步骤6b)按下式设置自适应阈值TD；

[0024] TD＝μ+kσ

[0025] 其中，μ为的均值，σ为的标准差，k为经验常数；

[0026] 步骤6c)在显著图上通过下式确定显著目标区域Img(x)；

[0027]

[0028] 高于阈值的地方就是显著目标区域。

[0029] 进一步的，所述步骤3的具体方法为：

[0030] 步骤3a)对每个超像素的内部像素按照灰度大小从高到低进行排序,得到像素排列矩阵；

[0031] 步骤3b)取前M个像素排成一个M维的列向量代表各个超像素；其中；

[0032] M＝min({num(1),…,num(N)})

[0033] min(·)表示取最小值，{num(1),num(2),…,num(N)}为N个超像素包含的像素个数；

[0034] 步骤3c)对步骤3b得到的结果取绝对值作为对应超像素的特征，即；

[0035] P(i)＝abs(ξ(i))i＝1,…,N

[0036] p(i)表示第i个超像素的特征，i为超像素序号，ξ(i)表示步骤3b提取的第i个超像素的前M个像素，abs(·)表示取绝对值；然后对P(i)进行归一化：P(i)＝Θ(P(i))，其中Θ(·)为归一化算子，将向量归一化到[0,255]，

[0037] Θ(P(i))＝(P(i)/max P(i))×255

[0038] max P(i)为P(i)中元素的最大值。

[0039] 本发明与传统的SAR目标检测方法相比有以下优点：

[0040] 1，本发明与传统的检测方法相比，采用超像素作为目标检测元，结合全局对比度的视觉注意模型，本发明可以取得更好的检测性能；

[0041] 2，本发明与传统的检测方法相比，检测所耗时间更短；

[0042] 3，本发明与传统的检测方法相比，在SAR图像中能更完整地保留目标原有形态。附图说明：

[0043] 图1为本发明流程示意图；

[0044] 图2为用于测试的原始真实SAR图像，其中标注出了一些显著目标。用蓝色方框标注出显著目标；

[0045] 图3为高斯滤波之后的图像；

[0046] 图4为经过SLIC处理后被分割为若干超像素的图像；

[0047] 图5为采取PCA之后的特征图；

[0048] 图6为采取全局对比度特征图；

[0049] 图7为本发明生成的显著图；

[0050] 图8(a)和图8(b)分别为将原始图像经过双参数CFAR和本发明两种方法得到的检测结果。具体实施方式：

[0051] 下面结合实例对本发明做出进一步说明：

[0052] (一)实验条件

[0053] 实验平台为MATLAB 2014b

[0054] 实验数据本：来源于TerraSAR的一幅海面场景，其大小为670×320。

[0055] (二)仿真实验过程

[0056] 步骤1：对原始图像图2进行高斯滤波，得到图3；

[0057] 步骤2：对图3采取SLIC方法进行超像素分割，得到图4；

[0058] 步骤3：对图4得到的每一块超像素块进行PCA处理，得到其特征图图5；

[0059] 步骤4：对图5计算全局对比度，得到全局对比度特征图图6；

[0060] 步骤5：融合图5与图6，得到显著图图7；

[0061] 步骤6：对图7进行分割处理，得到目标检测的结果图8(b)；

[0062] 步骤7：对原始图像图2进行传统CFAR检测处理，得到检测结果图图8[0063] (a)；

[0064] 步骤8：分别计算本发明和传统CFAR的检测时间

[0065] (三)实验结论分析：

[0066] 为了评估目标检测性能，我们在同一MATLAB环境下进行检测，对比采用[0067] 传统CFAR检测算法对目标进行检测的结果。

[0068] 如图(8)所示，我们能够明显直观的看到本发明方法的检测效果要比传[0069] 统CFAR方法的检测效果更好。同时，利用CFAR的检测时间为10.169秒，利用本发明方法的检测时间为3.106秒。

[0070] 综上所述，本发明的检测方法利用更少的时间获得更佳的检测结果，性能要优于传统CFAR方法。

标题	发布/更新时间	阅读量
基于大数据实时网络流量异常检测方法	2020-05-08	615
一种基于大数据训练的行人重识别方法及装置	2020-05-08	354
一种在车联网中基于联盟博弈算法的D2D资源分配方法	2020-05-08	583
一种基于改进的蝗虫优化算法构建预测模型的方法	2020-05-08	911
神经机器翻译模型的构建方法及装置、翻译方法及装置	2020-05-08	209
一种多机器人网络中攻击机器人检测方法及检测系统	2020-05-11	911
结构表面磨损的仿真预测方法和装置	2020-05-08	216
一种基于支持向量机的超宽带室内定位方法	2020-05-08	338
一种基于深度学习的商品二维码生成方法及系统	2020-05-08	344
存储地形特征估计程序的介质、地形特征估计方法及装置	2020-05-08	142

一种基于PCA和全局对比度的SAR目标检测方法

一种基于PCA和全局对比度的SAR目标检测方法

技术领域

背景技术

发明内容

该功能需要专业版企业版VIP权限，您可以：