合成孔径雷达图像舰船检测方法及装置

摘要

本发明公开了一种合成孔径雷达图像舰船检测方法及装置，其中，方法包括以下步骤：获取合成孔径雷达图像，并估计得到合成孔径雷达图像的参数；利用超像素的尺寸和正则化参数得到合成孔径雷达图像的所有超像素；获取所有超像素的每个超像素的费雪向量，并确定费雪向量的局部对比度，以生成舰船检测结果。该方法摆脱了对训练数据的依赖，有助于提升对SAR图像中弱舰船目标的检测性能，简单易实现。

权利要求

1.一种合成孔径雷达图像舰船检测方法，其特征在于，包括以下步骤：获取合成孔径雷达图像，并估计得到所述合成孔径雷达图像的参数，所述合成孔径雷达图像的参数，包括：将所述合成孔径雷达图像建模为包含所述参数的混合高斯模型，以得到所述参数的权重，均值和标准差；

利用超像素的尺寸和正则化参数得到所述合成孔径雷达图像的所有超像素；以及获取所述所有超像素的每个超像素的费雪向量，并确定所述费雪向量的局部对比度，以生成舰船检测结果。

2.根据权利要求1所述的方法，其特征在于，所述费雪向量的计算公式为：其中，

其中，

Pl表示当前l个超像素中包含的像素的数量，xl,p表示l个超像素中的第p个像素；ωq、μq、σq分别表示混合高斯模型中第q个高斯成分的权重、均值和标准差。

3.根据权利要求2所述的方法，其特征在于，所述局部对比度的计算公式为：

1/2

其中，αl←sign(αl)|αl| ，并进行2范数归一化，sign()表示符号函数，输入为正，sign()为1，否则为‑1， 表示紧邻第l个超像素的所有超像素的集合，med表示选择集合中的中值。

4.根据权利要求1所述的方法，其特征在于，所述舰船检测结果包括：其中， 和 分别表示{θl,l＝1,2,…,L}的均值和标准差，ξ为已经输入的自适应尺度因子。

5.一种合成孔径雷达图像舰船检测装置，其特征在于，包括：第一获取模块，用于获取合成孔径雷达图像，并估计得到所述合成孔径雷达图像的参数；

计算模块，用于利用超像素的尺寸和正则化参数得到所述合成孔径雷达图像的所有超像素；以及

第二获取模块，用于获取所述所有超像素的每个超像素的费雪向量，并确定所述费雪向量的局部对比度，以生成舰船检测结果。

6.根据权利要求5所述的装置，其特征在于，所述第一获取模块进一步用于将所述合成孔径雷达图像建模为包含所述参数的混合高斯模型，以得到所述参数的权重，均值和标准差。

7.根据权利要求5所述的装置，其特征在于，所述费雪向量的计算公式为：其中，

其中，

Pl表示当前l个超像素中包含的像素的数量，xl,p表示l个超像素中的第p个像素；ωq、μq、σq分别表示混合高斯模型中第q个高斯成分的权重、均值和标准差。

8.根据权利要求7所述的装置，其特征在于，所述局部对比度的计算公式为：

1/2

其中，αl←sign(αl)|αl| ，并进行2范数归一化，sign()表示符号函数，输入为正，sign()为1，否则为‑1， 表示紧邻第l个超像素的所有超像素的集合，med表示选择集合中的中值。

9.根据权利要求5所述的装置，其特征在于，所述舰船检测结果包括：其中， 和 分别表示{θl,l＝1,2,…,L}的均值和标准差，ξ为已经输入的自适应尺度因子。

说明书

合成孔径雷达图像舰船检测方法及装置

技术领域

[0001] 本发明涉及图像处理技术领域，涉及局部费雪向量对比，特别涉及一种合成孔径雷达图像舰船检测方法及装置。

背景技术

[0002] SAR(synthetic aperture radar，合成孔径雷达)是一种主动成像的传感器，可以提供舰船目标的高分辨成像结果。相比于光学、红外等被动成像传感器，SAR的成像过程几
乎不受光照、天气条件的影响，是一种可以全天候、全时段工作的传感器。SAR图像中的舰船
检测是目前业界的热点问题，它在海上舰船管理、监督上扮演着极其重要的角色。恒虚警检
测是一种传统的舰船检测算法，它主要基于舰船和海杂波散射强度的对比,往往只适用于
强舰船目标的检测。此外，恒虚警检测大多基于像素级别的特征，无法获取舰船的形状和结
构信息。

[0003] 超像素是指图像中具有相关性的图像块。超像素有利于提取目标的形状、边缘等特征。目前已经有基于超像素的SAR舰船检测算法。但这些算法是基于目标超像素和杂波超
像素中灰度的直接对比，不利于实现弱目标的检测。费雪向量是用来衡量当前超像素和全
局生成模型差异性的一种超像素特征，包含当前超像素的多阶信息。

[0004] 然而，目前已有的基于超像素费雪信息的SAR舰船检测算法需要训练数据，且没有考虑SAR图像中的上下文信息，即舰船目标往往被海杂波所包围。

发明内容

[0005] 本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

[0006] 为此，本发明的一个目的在于提出一种合成孔径雷达图像舰船检测方法，该方法摆脱了对训练数据的依赖，且有助于提升对SAR图像中弱舰船目标的检测性能，简单易实
现。

[0007] 本发明的另一个目的在于提出一种合成孔径雷达图像舰船检测装置。

[0008] 为达到上述目的，本发明一方面实施例提出了一种合成孔径雷达图像舰船检测方法，包括以下步骤：获取合成孔径雷达图像，并估计得到所述合成孔径雷达图像的参数；利
用超像素的尺寸和正则化参数得到所述合成孔径雷达图像的所有超像素；获取所述所有超
像素的每个超像素的费雪向量，并确定所述费雪向量的局部对比度，以生成舰船检测结果。

[0009] 本发明实施例的合成孔径雷达图像舰船检测方法，无需训练数据，且充分考虑SAR图像中的上下文信息，有效避免舰船目标被海杂波淹没，实现舰船检测，且摆脱了对训练数
据的依赖，有助于提升对SAR图像中弱舰船目标的检测性能，简单易实现。

[0010] 另外，根据本发明上述实施例的合成孔径雷达图像舰船检测方法还可以具有以下附加的技术特征：

[0011] 进一步地，在本发明的一个实施例中，所述估计得到所述合成孔径雷达图像的参数，包括：将所述合成孔径雷达图像建模为包含所述参数的混合高斯模型，以得到所述参数
的权重，均值和标准差。

[0012] 进一步地，在本发明的一个实施例中，所述费雪向量的计算公式为：

[0013]

[0014] 其中，

[0015]

[0016]

[0017]

[0018] 其中， l＝1,2,…,L,q＝1,2,…,Q,p＝1,2,…,Pl，Pl表示当前l个超像素中包含的像素的数量，xl,p表示l个超像素中的第p个像素；
ωq、μq、σq分别表示混合高斯模型中第q个高斯成分的权重、均值和标准差。

[0019] 进一步地，在本发明的一个实施例中，所述局部对比度的计算公式为：

[0020]

[0021] 其中，αl←sign(αl)|αl|1/2，并进行2范数归一化，sign()表示符号函数，输入为正，sign()为1，否则为‑1， 表示紧邻第l个超像素的所有超像素的集合，med表示选择集
合中的中值。

[0022] 进一步地，在本发明的一个实施例中，所述舰船检测结果包括：

[0023]

[0024] 其中， 和 分别表示{θl,l＝1,2,…,L}的均值和标准差，ξ为已经输入的自适应尺度因子。

[0025] 为达到上述目的，本发明另一方面实施例提出了一种合成孔径雷达图像舰船检测装置，包括：第一获取模块，用于获取合成孔径雷达图像，并估计得到所述合成孔径雷达图
像的参数；计算模块，用于利用超像素的尺寸和正则化参数得到所述合成孔径雷达图像的
所有超像素；第二获取模块，用于获取所述所有超像素的每个超像素的费雪向量，并确定所
述费雪向量的局部对比度，以生成舰船检测结果。

[0026] 本发明实施例的合成孔径雷达图像舰船检测装置，无需训练数据，且充分考虑SAR图像中的上下文信息，有效避免舰船目标被海杂波淹没，实现舰船检测，且摆脱了对训练数
据的依赖，有助于提升对SAR图像中弱舰船目标的检测性能，简单易实现。

[0027] 另外，根据本发明上述实施例的合成孔径雷达图像舰船检测装置还可以具有以下附加的技术特征：

[0028] 进一步地，在本发明的一个实施例中，所述第一获取模块进一步用于将所述合成孔径雷达图像建模为包含所述参数的混合高斯模型，以得到所述参数的权重，均值和标准
差。

[0029] 进一步地，在本发明的一个实施例中，所述费雪向量的计算公式为：

[0030]

[0031] 其中，

[0032]

[0033]

[0034]

[0035] 其中， l＝1,2,…,L,q＝1,2,…,Q,p＝1,2,…,Pl，Pl表示当前l个超像素中包含的像素的数量，xl,p表示l个超像素中的第p个像素；
ωq、μq、σq分别表示混合高斯模型中第q个高斯成分的权重、均值和标准差。

[0036] 进一步地，在本发明的一个实施例中，所述局部对比度的计算公式为：

[0037]

[0038] 其中，αl←sign(αl)|αl|1/2，并进行2范数归一化，sign()表示符号函数，输入为正，sign()为1，否则为‑1， 表示紧邻第l个超像素的所有超像素的集合，med表示选择集
合中的中值。

[0039] 进一步地，在本发明的一个实施例中，所述舰船检测结果包括：

[0040]

[0041] 其中， 和 分别表示{θl,l＝1,2,…,L}的均值和标准差，ξ为已经输入的自适应尺度因子。

[0042] 本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

[0043] 本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

[0044] 图1为根据本发明实施例的合成孔径雷达图像舰船检测方法的流程图；

[0045] 图2为根据本发明一个实施例的合成孔径雷达图像舰船检测方法的流程图；

[0046] 图3为根据本发明实施例的合成孔径雷达图像舰船检测装置的结构示意图。

具体实施方式

[0047] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附
图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

[0048] 下面参照附图描述根据本发明实施例提出的合成孔径雷达图像舰船检测方法及装置，首先将参照附图描述根据本发明实施例提出的合成孔径雷达图像舰船检测方法。

[0049] 图1是本发明一个实施例的合成孔径雷达图像舰船检测方法的流程图。

[0050] 如图1所示，该合成孔径雷达图像舰船检测方法包括以下步骤：

[0051] 在步骤S101中，获取合成孔径雷达图像，并估计得到合成孔径雷达图像的参数。

[0052] 可以理解的是，如图2所示，本发明实施例首先输入图像和相关参数，具体如下：

[0053] 1：待处理的SAR图像，图像中像素的总数量为N；

[0054] 2：超像素的尺寸S(S一般为舰船所占像素数量的25％),则超像素的个数为L＝N/2
S；

[0055] 3：正则化参数λ，用于控制超像素的空间差异和强度差异，λ一般取0.8；

[0056] 4:混和高斯模型的阶数Q，Q一般取7；

[0057] 5：自适应尺度因子ξ，用于生成最终的检测阈值，ξ一般取3～14。

[0058] 进一步地，在本发明的一个实施例中，估计得到合成孔径雷达图像的参数，包括：将合成孔径雷达图像建模为包含参数的混合高斯模型，以得到参数的权重，均值和标准差。

[0059] 可以理解的是，如图2所示，本发明实施例利用期望‑最大化算法估计混合高斯模型参数，具体地：根据文献“The expectation‑maximization algorithm”中的期望‑最大化
算法获得SAR图像所满足的混合高斯模型的参数{ωq,μq,σq,q＝1,2,…,Q}，其中ωq，μq，σq
分别表示混合高斯模型第q个高斯成分的权重，均值和标准差。

[0060] 具体而言，估计图像中的参数：将图像建模为包含参数{ωq,μq,σq,q＝1,2,…,Q}的混合高斯模型：

[0061]

[0062] 其中， ωq，μq，σq分别表示混合高斯模型中第q个高斯成分的权重，均值和标准差，参数{ωq,μq,σq,q＝1,2,…,Q}可以利用文献“The 
expectation‑maximization algorithm”中的期望‑最大化算法获得。

[0063] 在步骤S102中，利用超像素的尺寸和正则化参数得到合成孔径雷达图像的所有超像素。

[0064] 可以理解的是，如图2所示，本发明实施例利用简单线性迭代聚类实现超像素分割，具体地：利用超像素的尺寸S和正则化参数λ，根据文献“Ship  Detection 
WithSuperpixel‑Level Fisher Vector in High‑Resolution SAR Images”中的简单线性
迭代聚类算法获得SAR图像中的所有超像素。

[0065] 在步骤S103中，获取所有超像素的每个超像素的费雪向量，并确定费雪向量的局部对比度，以生成舰船检测结果。

[0066] 可以理解的是，如图2所示，本发明实施例计算每个超像素的费雪向量，并确定费雪向量的符号‑开根号操作和局部对比度，并对局部对比度进行阈值化，从而获取舰船检测
结果，然后输出检测结果。

[0067] 具体而言，(1)计算每个超像素的费雪向量

[0068] 假定l＝1,2,…,L，L为SAR图像中超像素的数量，则第l个超像素的费雪向量为：

[0069]

[0070] 其中，

[0071]

[0072]

[0073]

[0074] 需要说明的是，公式3至公式5中的符号βq和 均是为了方便叙述定义的符号，其含义为：

[0075] 其中，l＝1,2,…,L,q＝1,2,…,Q,p＝1,2,…,Pl，Pl表示当前l个超像素中包含的像素的数量，xl,p表示l个超像素中的第p个像素。

[0076] (2)符号‑开根号步骤：αl←sign(αl)|αl|1/2，并进行2范数归一化，sign()表示符号函数，输入为正，sign()为1，否则为‑1。

[0077] (3)计算费雪向量的局部对比度θl：

[0078]

[0079] 其中， 表示紧邻第l个超像素的所有超像素的集合，med表示选择集合中的中值。

[0080] (4)获取舰船检测结果：首先计算阈值η：

[0081] 其中， 和 分别表示{θl,l＝1,2,…,L}的均值和标准差，ξ为已经输入的自适应尺度因子。比较θl和η；

[0082] 输出：

[0083] 综上，本发明实施例提出的合成孔径雷达图像舰船检测方法，无需训练数据，且充分考虑SAR图像中的上下文信息，有效避免舰船目标被海杂波淹没，实现舰船检测，且摆脱
了对训练数据的依赖，有助于提升对SAR图像中弱舰船目标的检测性能，简单易实现。

[0084] 其次参照附图描述根据本发明实施例提出的合成孔径雷达图像舰船检测装置。

[0085] 图3是本发明一个实施例的合成孔径雷达图像舰船检测装置的结构示意图。

[0086] 如图3所示，该合成孔径雷达图像舰船检测装置10包括：第一获取模块100、计算模块200和第二获取模块300。

[0087] 其中，第一获取模块100用于获取合成孔径雷达图像，并估计得到合成孔径雷达图像的参数；计算模块200用于利用超像素的尺寸和正则化参数得到合成孔径雷达图像的所
有超像素；第二获取模块300用于获取所有超像素的每个超像素的费雪向量，并确定费雪向
量的局部对比度，以生成舰船检测结果。本发明实施例的装置10摆脱了对训练数据的依赖，
有助于提升对SAR图像中弱舰船目标的检测性能，简单易实现。

[0088] 进一步地，在本发明的一个实施例中，第一获取模块100进一步用于将合成孔径雷达图像建模为包含参数的混合高斯模型，以得到参数的权重，均值和标准差。

[0089] 进一步地，在本发明的一个实施例中，费雪向量的计算公式为：

[0090]

[0091] 其中，

[0092]

[0093]

[0094]

[0095] 其中， l＝1,2,…,L,q＝1,2,…,Q,p＝1,2,…,Pl，Pl表示当前l个超像素中包含的像素的数量，xl,p表示l个超像素中的第p个像素；
ωq、μq、σq分别表示混合高斯模型中第q个高斯成分的权重、均值和标准差。

[0096] 进一步地，在本发明的一个实施例中，局部对比度的计算公式为：

[0097]

[0098] 其中，αl←sign(αl)|αl|1/2，并进行2范数归一化，sign()表示符号函数，输入为正，sign()为1，否则为‑1， 表示紧邻第l个超像素的所有超像素的集合，med表示选择集
合中的中值。

[0099] 进一步地，在本发明的一个实施例中，舰船检测结果包括：

[0100]

[0101] 其中， 和 分别表示{θl,l＝1,2,…,L}的均值和标准差，ξ为已经输入的自适应尺度因子。

[0102] 需要说明的是，前述对合成孔径雷达图像舰船检测方法实施例的解释说明也适用于该实施例的合成孔径雷达图像舰船检测装置，此处不再赘述。

[0103] 根据本发明实施例提出的合成孔径雷达图像舰船检测装置，无需训练数据，且充分考虑SAR图像中的上下文信息，有效避免舰船目标被海杂波淹没，实现舰船检测，且摆脱
了对训练数据的依赖，有助于提升对SAR图像中弱舰船目标的检测性能，简单易实现。

[0104] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特
点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不
必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任
一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技
术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结
合和组合。

[0105] 此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者
隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三
个等，除非另有明确具体的限定。

[0106] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特
点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不
必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任
一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技
术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结
合和组合。

[0107] 尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述
实施例进行变化、修改、替换和变型。