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技术

本发明专利技术提供了一种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，包括以下步骤：步骤1，将输入的SAR图像映射到APT域；步骤2，APT域中对舰船目标的CFAR检测；步骤3，舰船目标虚警排除。

【技术实现步骤摘要】
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
本专利技术涉及一种图像增强和目标检测技术，特别是一种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。
技术介绍
合成孔径雷达(SAR)图像已被广泛应用于船舶交通监测和渔船检测。在所有传统和现代工具中，如陆基、舰载、机载探测方式以及在可见光和红外遥感波段等，SAR在收集数据方面具有全天时，全天候，长距离，范围广等诸多优势。由于其特殊的成像原理，SAR可以提供高分辨率的遥感影像。因此，它有利于检测舰船和尾迹，并且可以从尾流中提取额外的参数，用来估计舰船的运动状态，如速度和航向。船舶通常在SAR图像中表现为明亮的物体，因为它们是由卫星发射的雷达脉冲的强反射体。在更高分辨率的图像中，有可能区分舰船的结构，不但可以检测舰船甚至能识别出舰船类型。并且图像空间信息越多，船舶检测效果越好。在SAR图像中，尾迹最明显的特征是线性特征。船舶尾迹通常表现为可能保持在舰船后几公里长的亮线或暗线。但由于海杂波和散斑噪声的影响，目标特征在SAR图像中并不明显，极大地影响了舰船和尾迹的检测。许多算法已经在舰船目标检测中取得了良好的效果。恒虚警率(CFAR)检测是最常用的舰船检测方法之一，它基于恒虚警率和自适应门限。常用的CFAR算法主要有：两参数CFAR(2p-CFAR)和单元平均CFAR(CA-CFAR)等。但他们仅使用目标的强度特征来进行检测，在高分辨率SAR图像中，这是对目标空间结构信息的浪费。此外，在舰船目标检测中对目标的特征仍然缺乏有效的约束。这里根据实际的目标特征定义了目标筛选准则，结合舰船尾迹检测，使得整个系统方法保证了检测的准确率。
技术实现思路
本专利技术提供了一种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，包括以下步骤：步骤1，将输入的SAR图像映射到APT域；步骤2，APT域中对舰船目标的CFAR检测；步骤3，舰船目标虚警排除。采用上述方法，步骤1的具体过程在于：步骤1.1，将SAR图像中的256级灰度特征量化为16级；步骤1.2，获取图像中两个像素位置(i,j)和(m,n)间的相似性，相似性用强度差id来表示id＝|level[f(i,j)]-level[f(m,n)]|(1)其中，f(i,j)和f(m,n)分别为(i,j)和(m,n)的灰度值，level表示像素所在的量化后的级别，|·|表示绝对值；步骤1.3，确定阈值L，L大于海杂波的大小，并且小于船宽的最小尺寸的一半；步骤1.4，对权重t的动态分配；步骤1.5，通过式(2)，将输入的SAR图像映射到APT域其中，fAPT(i,j)是APT域值，f(i,j)是灰度图像在(i,j)的值，t是不同像素的自适应权重值，R(i',j')是像素(i,j)与像素(i',j')之间的欧式距离，id是强度相似性，α是控制衰减速度的常数。采用上述方法，步骤1.4的具体过程在于：步骤1.4.1，设置判别函数若为true，则为目标(目标包括船和尾迹)，转步骤1.4.2；若为flase，不作处理；f(i,j)是SAR图像的灰度图像，μ是图像平均值，σ是图像标准差，是一个设计参数；步骤1.4.2，在该位置(i,j)设置L大小的滑动窗口，通过式(3)计算(i,j)邻近像素所在子窗口的权重，子窗口的大小为L；若为flase，不作处理；步骤1.4.3，获取加权新值fenh(i,j)其中，sumweight是通过计算主窗口中步骤1.4.1和计算子窗口中1.4.2得到的权重和；sumthreshold是权重的分割阈值；Ω(L)表示L大小的滑动窗口的所在空间，k表示L大小的滑动窗口内的像素，k∈[1,8]。采用上述方法，步骤2中通过下式实现目标检测：其中，xAPT是测试像素值，σb是背景标准偏差，t是检测器设计参数；erf表示误差函数。采用上述方法，步骤3中选择核密度估计、长宽比、目标区域特征对舰船目标虚警进行排除，若特征大于预先设置的阈值，则为舰船目标，其中采用式(7)获取核密度估计值其中，x1,x2,…,xj是潜在目标的像素；目标区域为潜在目标的像素数量。本专利技术与现有技术相比，其显著优点为：(1)将强度和空间信息进行结合的APT-CFAR方法来检测船舶，在APT域中，目标(舰船或尾迹)的特征更为突出，并且它使模型鲁棒性更强；(2)在高目标对比度下，结合目标自身特征和尾迹辅助检测方法，使得舰船目标检测更加准确。下面结合说明书附图对本专利技术做进一步描述。附图说明图1是本专利技术的方法流程图。图2是SAR图像直方图。图3是计算相邻像素的动态权重的过程。图4是APT过程示例。图5是变换前后的模拟图像效果比较。图6是使用TerraSAR-X数据的效果比较。图7是原始图像中舰船目标和尾迹和APT域中舰船掩膜后尾迹比较。图8是增强后尾迹二值图像和尾迹的检测结果。图9是检测性能曲线的比较。具体实施方式结合图1，本专利技术提出的基于自适应参数增强和尾迹辅助检测的恒虚警率舰船检测算法，整个方法基于APT域值。首先，通过算法将图像映射到新的变换域。其次，通过CFAR检测器和定义目标特征，筛选出候选目标像素，突出目标舰船。使舰船像素被均匀的海洋背景取代，然后利用Niblack算法对增强后的图像进行处理，得到尾迹二值图像。最后，用归一化的霍夫变换(NHT)来检测二值图像中的尾迹，以验证船只的存在。实现上述基于自适应参数增强和尾迹辅助检测的恒虚警率舰船检测算法的具体实施步骤如下：(1)自适应参数变换。SAR图像中像素灰度与分布距离的相关性是不可分割的。像素之间的距离越近，灰度相似性就越强。通过结合图像像素的灰度特征和位置空间关系，将原始图像空间的强度值转化为新的变换域值。详细步骤如下：1)图像灰度级差SAR图像中相邻像素的强度值具有非常高的相似性。我们将SAR图像中的256级灰度特征量化为16级。例如，0-15的强度值为1级，16-31的强度值为2级，...，240-255的强度值为16级。图像中两个像素的位置分别为(i,j)和(m,n)，它们的灰度值分别对应于f(i,j)和f(m,n)。两个像素的相似性由其相应的级别的差异来定义。强度差(id)定义如下。id＝|level[f(i,j)]-level[f(m,n)]|(1)我们通过绝对值量化像素之间的强度差异。2)有效范围一个像素对另一个像素的影响随着距离的增加而减小。显然，存在一个范围L，使得这样的影响可以忽略不计。范围不应该太大，以免引入多余的计算机负载，也不能太小，以限制我们要利用的空间关系信息。L取决于船舶目标和海杂波的强度。实验表明，它应该大于海杂波的大小，并且小于船宽的最小尺寸的一半，以使滑动窗所包含的内容能够正确地反映它们的空间差异。虽然L通常在很大的范围内变化，但是由于以下两个原因我们优先考虑最小的L：一是较小的L可以减少更多的时间消耗；二是利用较小的L对船舶目标边缘的空间提取影响较小。3)权重的动态分配为了更容易计算像素强度的分布，我们假设背景杂波符合高斯分布。图像中背景区域的比例较大。船舶和尾流区域不仅在图像中较小，而且比背景还暗(尾迹)或亮(船舶或尾流)。实验表明，绝大多数的目标像素明显分布在直方图的两端。根据这个规则，给出了不同强度值的动态分布权重。图2给出了包含舰船和尾迹的SAR图像本文档来自技高网...

【技术保护点】
一种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，其特征在于，包括以下步骤：步骤1，将输入的SAR图像映射到APT域；步骤2，APT域中对舰船目标的CFAR检测；步骤3，舰船目标虚警排除。

【技术特征摘要】
1.一种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，其特征在于，包括以下步骤：步骤1，将输入的SAR图像映射到APT域；步骤2，APT域中对舰船目标的CFAR检测；步骤3，舰船目标虚警排除。2.根据权利要求1所述的方法，其特征在于，步骤1的具体过程在于：步骤1.1，将SAR图像中的256级灰度特征量化为16级；步骤1.2，获取图像中两个像素位置(i,j)和(m,n)间的相似性，相似性用强度差id来表示id＝|level[f(i,j)]-level[f(m,n)]|(1)其中，f(i,j)和f(m,n)分别为(i,j)和(m,n)的灰度值，level表示像素所在的量化后的级别，|·|表示绝对值；步骤1.3，确定阈值L，L大于海杂波的大小，并且小于船宽的最小尺寸的一半；步骤1.4，对权重t的动态分配；步骤1.5，通过式(2)，将输入的SAR图像映射到APT域其中，fAPT(i,j)是APT域值，f(i,j)是灰度图像在(i,j)的值，t是不同像素的自适应权重值，R(i',j')是像素(i,j)与像素(i',j')之间的欧式距离，id是强度相似性，α是控制衰减速度的常数。3.根据权利要求2所述的方法，其特征在于，步骤1.4的具体...

【专利技术属性】
技术研发人员：任侃，孟思岐，陈钱，顾国华，钱惟贤，路东明，王敏，王佳佳，朱宇遥，过玲钰，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32