999精品在线视频,手机成人午夜在线视频,久久不卡国产精品无码,中日无码在线观看,成人av手机在线观看,日韩精品亚洲一区中文字幕,亚洲av无码人妻,四虎国产在线观看 ?

基于多特征加權(quán)的SAR 影像艦船檢測優(yōu)化方法

2020-04-06 08:25:10趙泉華王肖李玉王光輝
通信學(xué)報 2020年3期
關(guān)鍵詞:特征實驗檢測

趙泉華,王肖,李玉,王光輝

(1.遼寧工程技術(shù)大學(xué)測繪與地理科學(xué)學(xué)院,遼寧 阜新 123000;2.國家測繪地理信息局衛(wèi)星測繪應(yīng)用中心,北京 100048)

1 引言

隨著人類海洋活動的增加,艦船作為海上交通工具被頻繁使用。實時艦船檢測可以為海上救生救援、艦船交通管理、安全航海提供基礎(chǔ)信息。遙感作為非接觸、遠距離的探測技術(shù),可以提供大范圍的海洋數(shù)據(jù),進而獲取艦船信息。特別是合成孔徑雷達(SAR,synthetic aperture radar)系統(tǒng),因其不受云、霧、降雨、降雪等干擾,可以大面積、長時間、連續(xù)地觀測海域,已成為海上艦船檢測的重要技術(shù)手段[1-3]。其中,高分辨率SAR 影像在為艦船檢測提供準(zhǔn)確數(shù)據(jù)的同時,還詳細地記錄了艦船目標(biāo)的位置和幾何結(jié)構(gòu)等特征。因此,本文利用高分辨率高分三號SAR 影像進行艦船檢測。

由于艦船和海水的雷達信號反射特性不同,在SAR 影像中艦船表現(xiàn)為亮目標(biāo),海水表現(xiàn)為暗背景,導(dǎo)致艦船區(qū)域和海水區(qū)域的光譜反射有明顯差別[4]。但由于海況變化的復(fù)雜性導(dǎo)致艦船目標(biāo)與海面背景的對比度隨之變化,因此要求設(shè)計的艦船檢測算法具備自適應(yīng)能力,且能保持恒定的虛警率。典型的SAR 影像艦船檢測算法包括艦船尾跡算法[5]、極化特征算法[6]、多分辨率算法[7]、對比度算法[8]等。在對比度算法中,基于統(tǒng)計模型的恒虛警率(CFAR,constant false alarm rate)算法[9-10]由于具有虛警率恒定、自適應(yīng)閾值、計算簡單等特點,在SAR 影像艦船檢測中受到了廣泛關(guān)注和深入研究。例如,高貴[11]提出了采用基于全局閾值的CFAR 檢測算法,檢測速度比較快,但由于只考慮了背景雜波的全局特性,沒有涉及局部特性,因此不能適應(yīng)背景雜波的變化,導(dǎo)致檢測性能降低。Novak 等[12]提出了雙參數(shù)CFAR 檢測算法,種勁松等[13]提出了局部窗口K 分布CFAR 算法,該類算法采用滑動窗口實現(xiàn)像素的自適應(yīng)檢測,可以適應(yīng)局部背景雜波的變化,但由于每個像素都要參與閾值計算,計算效率較低。因此,研究者們提出了結(jié)合全局和滑窗的CFAR算法實現(xiàn)兩級檢測,提高檢測速度與檢測性能。例如,邢相薇等[14]首先利用基于對數(shù)正態(tài)分布的CFAR 算法快速篩選艦船,實現(xiàn)第一級粗檢測;然后利用基于K 分布的局部自適應(yīng)CFAR 算法實現(xiàn)第二級精確檢測。該類方法雖然可以適應(yīng)局部背景雜波的變化,但對海表漂浮物、小型島嶼和人工目標(biāo)等產(chǎn)生虛警。在虛警剔除方面,主要通過艦船特征的先驗知識對潛在目標(biāo)進行判斷,以剔除虛警目標(biāo)。例如,高貴等[15]提取潛在目標(biāo)的尺寸特征、形狀特征和對比度特征進行基于投票機制的目標(biāo)鑒別。基于投票機制的目標(biāo)鑒別認為鑒別特征同等重要,而實際上不同特征對目標(biāo)鑒別的貢獻不同,所以其加權(quán)值不同。

針對上述算法的不足,在SAR 影像中,真實艦船目標(biāo)和虛警目標(biāo)在長寬比、艦船面積和對比度特征上有明顯差異,根據(jù)這3 個特征的特點,利用一種客觀分配權(quán)重方法——變異系數(shù)法對艦船特征進行權(quán)重分配,可以更有效地區(qū)分艦船目標(biāo)和虛警目標(biāo)。因此,本文在兩級檢測的框架下,先利用基于對數(shù)正態(tài)分布的CFAR 算法檢測得到候選目標(biāo),再提取候選目標(biāo)的長寬比、艦船面積和對比度特征,然后借助變異系數(shù)法為3 個特征分配權(quán)重,以期優(yōu)化艦船檢測結(jié)果,改善復(fù)雜環(huán)境下的檢測性能,使檢測方法適用性更強。

2 算法描述

在SAR 影像艦船檢測工作中,陸地區(qū)域會產(chǎn)生大量虛警。本文首先采用標(biāo)記分水嶺算法去除SAR 幅度影像中的陸地部分;其次,在去陸影像基礎(chǔ)上,利用基于對數(shù)正態(tài)分布的CFAR 算法獲取候選目標(biāo);再次,確定每個候選目標(biāo)的最小外接矩形區(qū)域,將其作為候選區(qū)域,并提取該區(qū)域的長寬比、艦船面積和對比度特征;最后,利用變異系數(shù)法計算3 個特征的權(quán)向量,再結(jié)合候選目標(biāo)的歸一化特征矢量計算其特征置信度,通過最佳置信度對候選目標(biāo)進行篩選,以剔除虛警目標(biāo),得到精確的艦船檢測結(jié)果。算法的具體流程如圖1 所示,其中,實線框為實現(xiàn)算法的功能,虛線框為實現(xiàn)相應(yīng)功能的技術(shù)手段。

圖1 艦船檢測流程

2.1 基于標(biāo)記分水嶺算法的海陸分割

給定SAR 幅度影像w={wi(xi,yi);(xi,yi)∈ D,i∈ N},其中,D 為影像域,i 為像素索引,(xi,yi)為像素i 的格點位置坐標(biāo),N={1,…,n}為像素索引集,n 為總像素數(shù),wi為像素i 的光譜反射幅度。

在SAR 幅度影像中,海洋和陸地區(qū)域均表現(xiàn)為各自強烈同質(zhì)性,即各區(qū)域內(nèi)梯度變化較小,而海陸邊界處梯度變化較大,因此梯度影像能更好地反映原始影像中的海陸邊界情況。將標(biāo)記分水嶺算法[16]用于梯度影像可以減少其偽局部極小值點,抑制分水嶺算法的過分割現(xiàn)象,實現(xiàn)精確的海陸分割。具體過程介紹如下。

1)利用Sobel 算子構(gòu)建原始影像w 的梯度影像g={gi;i ∈ N},其中,gi為像素i 的梯度值。

2)對原始影像w 進行形態(tài)學(xué)開閉重構(gòu)運算[17]得到重建后影像f={fi;i ∈ N}。

3)提取重建后影像f 中各像素的局部極大值,以構(gòu)建前景標(biāo)記影像d={di;i∈N},其中,di=max{fi′;i′∈Ni},Ni是以像素i 為中心像素的局部區(qū)域內(nèi)像素索引集。

4)通過自動化閾值將重建后影像f 二值化,并進行距離變換,進而利用分水嶺變換,得到分水嶺變換脊線圖,即背景標(biāo)記影像j={ji;i∈N}。

5)借助數(shù)學(xué)形態(tài)學(xué)中的極小值標(biāo)定技術(shù)[16],將影像d 和影像j 作為影像g 的局部極小值,屏蔽原先的所有局部極小值,得到修正后的梯度影像。

6)對修正后的梯度影像進行分水嶺分割,得到海陸分割二值結(jié)果e={ei;i∈N},其中,ei∈ {0,1},ei=0 表示像素i 位于海洋區(qū)域,ei=1 表示像素i位于陸地區(qū)域。以二值影像e 為掩膜,從原始影像w 中去除陸地部分。去陸影像記為z={zj(xj,yj);(xj,yj)∈ I,j ∈ M},其中,I 為去陸影像的影像域,j 為像素索引,(xj,yj)為像素j 的格點位置坐標(biāo),M={1,…,m}為像素索引集,m 為總像素數(shù),zj為像素j 的光譜反射幅度。

2.2 基于對數(shù)正態(tài)分布的CFAR 算法

在統(tǒng)計學(xué)框架下,z 可建模為隨機場Z={Zj(xj,yj);(xj,yj)∈ I,j ∈ M}的實現(xiàn),其中,Zj為像素j 幅度的隨機變量,zj為Zj的實現(xiàn)。

由于受到相干斑噪聲的影響,高分辨率SAR 幅度影像的直方圖具有明顯的拖尾現(xiàn)象。對數(shù)正態(tài)分布[18]具有分布函數(shù)簡單的特性,能有效刻畫具有明顯拖尾現(xiàn)象的非對稱性分布,適用于建模高分辨率復(fù)雜場景的海雜波。

為了驗證對數(shù)正態(tài)分布對SAR 幅度影像海洋雜波模型的擬合能力,隨機選取大小為250 像素×250 像素的局部影像,如圖2(a)所示。分別用瑞利分布、高斯分布、韋布爾分布、K 分布和對數(shù)正態(tài)分布對影像進行直方圖擬合,并利用最大似然方法估計各個模型的參數(shù),擬合曲線如圖2(b)所示。從圖2(b)中可看出,影像直方圖具有重拖尾現(xiàn)象,對數(shù)正態(tài)分布可以較好地對該直方圖進行擬合,而其他幾種分布擬合性能較差。采用K-S 統(tǒng)計量檢驗[19]評價擬合結(jié)果如圖2(c)所示,統(tǒng)計量越小代表擬合結(jié)果越好。由圖2(c)可知,對數(shù)正態(tài)分布的K-S 統(tǒng)計量最小,擬合結(jié)果最好。因此,本文利用對數(shù)正態(tài)分布建模SAR幅度影像的海洋雜波模型,如式(1)所示。

其中,μ 為尺度參數(shù),σ 為形狀參數(shù)。其累積分布函數(shù)為

其中,Φ(·)為標(biāo)準(zhǔn)正態(tài)分布函數(shù)。

去陸影像z 可近似看作海洋雜波像素集合,通過最大似然估計求出μ 和σ 的估計值,即

圖2 擬合結(jié)果

設(shè)檢測閾值為T,像素灰度值為g,則虛警率Pfa為

求解式(5),可得檢測閾值T 為

利用檢測閾值T 遍歷去陸影像z,得到對數(shù)正態(tài)分布的CFAR 檢測結(jié)果L={Lj(xj,yj);(xj,yj)∈ I;j∈ M},若zi≥T,則判為擬似艦船像素,設(shè)Lj=1;否則為擬似背景像素,設(shè)Lj=0。最后,將滿足八鄰域連通性的一組像素標(biāo)記為一個候選目標(biāo),使其等于八鄰域連通數(shù),并根據(jù)最終艦船判定結(jié)果相應(yīng)地改變L 中像素的標(biāo)記值,使Lj=1 對應(yīng)候選目標(biāo)像素,而Lj=0 對應(yīng)候選背景像素。設(shè)L 中Lj=1像素構(gòu)成c 個連通區(qū)域,每個區(qū)域看作候選目標(biāo),區(qū)域內(nèi)像素格點集合記為Lp,p∈{1,…,c}。由此可得Lp內(nèi)的像素數(shù)

2.3 候選目標(biāo)的特征提取

SAR 影像中的海表波浪、礁石等高亮目標(biāo)容易被檢測成虛警目標(biāo),影響對數(shù)正態(tài)分布的CFAR 檢測結(jié)果。經(jīng)大量實驗驗證,長寬比、艦船面積和對比度3 個特征對于艦船和虛警具有較好的可分性。因此,在選定候選目標(biāo)的最小外接矩形區(qū)域為候選區(qū)域的基礎(chǔ)上,分別提取各候選區(qū)域的長寬比、艦船面積和對比度特征作為候選目標(biāo)的特征。

候選目標(biāo)的最小外接矩形實質(zhì)上是其最小面積外接矩形[20]。任一候選目標(biāo)的最小外接矩形和其凸殼的最小外接矩形是等價的,且凸多邊形的最小外接矩形至少有一條邊經(jīng)過該凸多邊形的一邊[21]。因此,提取任一候選目標(biāo)的最小外接矩形的算法步驟如下。

1)計算候選目標(biāo)的最小凸包。

2)選取所得凸包中一條邊作為起始邊,對該凸包以選中邊的左端點為中心旋轉(zhuǎn),使該邊平行于坐標(biāo)橫軸,計算并保存其最小綁定矩形的坐標(biāo)、該邊編號和旋轉(zhuǎn)角度。

3)順序選擇其他邊,并按照步驟2)計算并保存其最小綁定矩形的坐標(biāo)、該邊編號和旋轉(zhuǎn)角度。

4)比較所得最小綁定矩形的面積,面積最小者按其記錄的旋轉(zhuǎn)角度以該邊的左端點為中心逆向旋轉(zhuǎn)即為所求的最小外接矩形。

圖3(a)中黑框為候選目標(biāo)的最小外接矩形,圖3(b)為最小外接矩形疊加到原始影像上。從圖3 可以看出,最小外接矩形緊緊貼近候選目標(biāo),可近似將其長寬比看作候選目標(biāo)的長寬比,并計算其內(nèi)的候選目標(biāo)像素數(shù)來代替艦船面積,再利用候選目標(biāo)像素和候選背景像素計算對比度。所以,在最小外接矩形的基礎(chǔ)上,可以更準(zhǔn)確地計算候選目標(biāo)的長寬比、艦船面積和對比度特征。

圖3 候選目標(biāo)的最小外接矩形

在L 基礎(chǔ)上構(gòu)建S={Sj;j ∈M},其中,Sj∈ {0,1},Sj=1 對應(yīng)Lp最小外接矩形內(nèi)像素。由此,得到對應(yīng)Lp的最小外接矩形Sp,稱其為候選區(qū)域。對于給定的影像空間分辨率,Sp的艦船面積正比于艦船像素數(shù)mp,為方便起見,本文用mp代替艦船面積。設(shè)Sp的長和寬分別為lp和wp,則其長寬比

1)長寬比。在高分辨率SAR 影像中,艦船一般表現(xiàn)為細長型,其長寬比較大;而島嶼、礁石和高亮噪聲等虛警則為非細長型,其長寬比較小,因此利用長寬比可以將此類虛警剔除。在真實艦船目標(biāo)中,除了小型漁船外,艦船長度一般約為100~400 m,寬度約為15~70 m,長寬比約為2.5~7.5。

2)艦船面積。艦船面積一般用艦船像素數(shù)量乘以影像分辨率來表示。對于給定遙感影像其分辨率是確定值,因此可直接用艦船像素數(shù)代表艦船面積。這樣,可以通過設(shè)置艦船像素數(shù)閾值濾除像素數(shù)過多或過少的虛警目標(biāo)。艦船面積一般在1 500~20 000 m2,如SAR 影像分辨率為2.81 m,則艦船像素數(shù)為190~2 500 像素。

3)對比度。對比度為目標(biāo)均值與背景均值的灰度差再除以背景均值。在高分辨率SAR 影像中,艦船表現(xiàn)為高亮目標(biāo),周圍區(qū)域表現(xiàn)為暗背景,其對比度較大;海面劇烈運動造成的海表波浪較亮,但其亮度明顯低于艦船目標(biāo),由于較明顯的海表波浪與周圍區(qū)域的對比度相對較小,因此可以利用對比度剔除此類虛警目標(biāo)。由于環(huán)境、艦船、海洋等因素的影響,目標(biāo)與背景的對比度σp一般約為0.6~1.8。

令zp={zj;j ∈ Sp}為Sp內(nèi)像素集合,則Sp內(nèi)像素幅度的對比度σp為

其中,bp=#zp,#為計算集合內(nèi)元素數(shù)操作符,為Lp在Sp中的補集,即背景像素集合。

2.4 多特征加權(quán)的艦船優(yōu)化檢測

變異系數(shù)法[22]直接利用各特征本身所包含的信息獲取特征的權(quán)重,無人為因素干擾,定量、客觀、具有可靠性。長寬比、艦船面積和對比度3 個特征在權(quán)重決策中重要程度不同,本節(jié)利用變異系數(shù)法對3 個特征進行權(quán)重分配,以達到區(qū)分真實艦船和虛警目標(biāo)的目的。各項特征的變異系數(shù)為

其中,q=1,2,3 為特征索引,分別表示長寬比、艦船面積和對比度特征,λq為第q 項特征的變異系數(shù),qσ′和pμ′ 分別為所有候選目標(biāo)的第q 項特征的標(biāo)準(zhǔn)差和均值。若λq較大,則第q 項特征對艦船鑒別的貢獻較大,應(yīng)賦予較大權(quán)重;否則,應(yīng)賦予較小權(quán)重。

各項特征的權(quán)重為

其中,ωq為第q 項特征的權(quán)重。根據(jù)各項特征的權(quán)重ω1、ω2和ω3,計算特征權(quán)向量k 為

設(shè)所有候選目標(biāo)中典型艦船的最大和最小長寬比分別為rmax和rmin,最大和最小艦船像素數(shù)分別為mmax和mmin,最大和最小對比度分別為σmax和σmin,則候選目標(biāo)的歸一化特征矢量vp為

其中,若rp?[rmin,rmax],則r'p=0;若mp?[mmin,mmax],則m'p=0;若σp?[σmin,σmax],則σ'p=0。

利用特征權(quán)向量k 和歸一化特征矢量vp,得到候選目標(biāo)的特征置信度up為

選取最佳置信度對所有候選目標(biāo)進行判斷,若候選目標(biāo)的特征置信度大于最佳置信度,即為真實艦船目標(biāo);否則為虛假目標(biāo)。設(shè)最佳置信度為u',艦船優(yōu)化檢測結(jié)果為h={hj=0,j∈M},若up≥u',p=1,…,c,則hj=1,(xj,yj)∈ Lp。

3 實驗結(jié)果及討論

為驗證艦船檢測算法的可行性和有效性,選取高分三號單視幅度VH 極化影像進行實驗,具體參數(shù)如表1 所示。為了方便處理,首先對兩幅影像進行En-Frost 濾波、斜地矩轉(zhuǎn)換和地理編碼等預(yù)處理,再采用兩幅高分三號影像中的3 幅子影像進行艦船檢測實驗,其中實驗影像1 從影像1 中截取,尺度為1 505 像素×1 947 像素;實驗影像2 和實驗影像3 從影像2 中截取,尺度分別為5 700 像素×8 688 像素和10 877 像素×7 733 像素。3 幅實驗影像的場景復(fù)雜程度不同,參考對應(yīng)區(qū)域的光學(xué)影像,排除陸地、港口、島嶼、礁石等易混淆目標(biāo),判斷實驗影像中的真實艦船以白色矩形框標(biāo)記,如圖4 所示,其中圖4(a)~圖4(c)的實際艦船數(shù)分別為55、17 和147。

表1 高分三號數(shù)據(jù)參數(shù)

圖4 實驗影像艦船標(biāo)記

圖5(a)~圖5(c)給出實驗影像陸地掩膜后的海域影像。由圖5 可見,標(biāo)記分水嶺算法對陸地的分割效果較好,但卻無法剔除小面積島嶼。在后續(xù)艦船檢測過程中,可以利用多特征加權(quán)的艦船優(yōu)化檢測,有效地抑制這類小面積島嶼導(dǎo)致的虛警目標(biāo)。

圖5 陸地掩膜后的海域影像

以實驗影像3 為例,計算得到各項特征的權(quán)重ω1、ω2和ω3分別為0.33、0.44 和0.23,其中艦船面積所占權(quán)重最大,長寬比次之,對比度所占權(quán)重最小。在SAR 影像中,首先,真實艦船和虛警且標(biāo)的面積差異最明顯,相較于長寬比和對比度,艦船面積更為直觀,更易區(qū)分艦船和虛警;其次,真實艦船和虛警目標(biāo)的形狀不同,真實艦船為細長型,虛警目標(biāo)為非細長型,長寬比差異較大,相較于對比度,其表現(xiàn)較明顯;最后,對比度反映目標(biāo)與背景的灰度差異,真實艦船比虛警目標(biāo)相對于周圍背景更亮,但對比度差異不大,不如艦船面積和長寬比表現(xiàn)明顯。該權(quán)重符合各項特征對艦船鑒別的貢獻,長寬比、艦船面積和對比度在該權(quán)重下對艦船具有更好的可分性。實驗影像3 內(nèi)艦船和虛警目標(biāo)較多,包括實驗影像1 和實驗影像2 內(nèi)的艦船類型和虛警目標(biāo)。雖然3 幅實驗影像的場景復(fù)雜程度不同,但計算的特征權(quán)向量變化較小,所以本文統(tǒng)一將特征權(quán)向量k 設(shè)置為實驗影像3 計算的[0.33,0.44,0.23]。實驗結(jié)果表明,該特征權(quán)向量適用于3 幅實驗影像,且艦船檢測結(jié)果較好。

圖6 為對數(shù)正態(tài)分布CFAR 檢測結(jié)果中部分候選目標(biāo)及其實驗影像內(nèi)對應(yīng)區(qū)域。圖6(a)~圖6(d)為航行方向不同的艦船目標(biāo);圖6(e)~圖6(h)為虛警目標(biāo),其中,圖6(e)為較明顯的海表波浪,圖6(f)為人工目標(biāo),圖6(g)和圖6(h)均為小島嶼。經(jīng)統(tǒng)計,對于實驗影像內(nèi)候選目標(biāo),rmax=5.5,rmin=2.5,mmax=600,mmin=200,σmax=1.8,σmin=0.8,再結(jié)合特征權(quán)向量k,計算各候選目標(biāo)的長寬比、艦船面積、對比度、歸一化特征矢量和特征置信度如表2 所示。從表2 可以看到,真實艦船a1~a4具有高于29%的中高置信度,虛警目標(biāo)b1~b4具有低于15%的低置信度。經(jīng)多次實驗,確定當(dāng)最佳置信度為16%時,檢測結(jié)果可以最大程度地區(qū)分真實艦船和虛警目標(biāo),達到最好的艦船檢測效果。如果真實艦船目標(biāo)的各項特征計算偏低,則特征置信度會偏低,但一般情況下,真實艦船目標(biāo)的特征置信度都高于29%,所以,雖然各項特征計算偏低會導(dǎo)致特征置信度偏低,但其仍然會高于最佳置信度16%,從而真實艦船目標(biāo)會被檢測為艦船;如果真實艦船目標(biāo)的各項特征計算偏高,則特征置信度會偏高,從而更易被檢測為艦船。虛警目標(biāo)的特征置信度一般在15%以下,當(dāng)虛警目標(biāo)的各項特征計算偏高時,特征置信度也會低于最佳置信度,從而被檢測為虛警;當(dāng)虛警目標(biāo)的各項特征計算偏低時,特征置信度會更低于最佳置信度,從而更易被檢測為虛警。所以,在無法準(zhǔn)確計算各項特征的情況下,可以保證較高的艦船檢測精度。

圖6 部分候選目標(biāo)及其實驗影像內(nèi)對應(yīng)區(qū)域

表2 部分候選目標(biāo)特征分析

為了研究多特征加權(quán)對艦船檢測結(jié)果的影響,選取實驗影像3 內(nèi)典型區(qū)域作為實驗區(qū)域,即圖4(c)中白色大矩形框所示區(qū)域。圖7(a)是該實驗區(qū)域的真實情況,尺寸為1 640 像素×1 854 像素,共有30 個真實艦船目標(biāo),利用白色矩形框標(biāo)記真實艦船。圖7(b)是本文算法的檢測結(jié)果,利用黑色矩形框標(biāo)記真實艦船目標(biāo),黑色橢圓框標(biāo)記漏檢目標(biāo),黑色三角框標(biāo)記虛警目標(biāo),可以看出,檢測結(jié)果出現(xiàn)一次漏檢和2 次虛警。圖7(c)是不同特征權(quán)向量下的品質(zhì)因子三維圖,其中,X 軸為艦船面積權(quán)重,Y 軸為長寬比權(quán)重,Z 軸為品質(zhì)因子,品質(zhì)因子越高,檢測結(jié)果越好,則對比度權(quán)重為1-X-Y,特征權(quán)向量k 為[Y,X,1-X-Y]。由圖7(c)可知,不同特征權(quán)向量可能對應(yīng)相同的檢測結(jié)果,當(dāng)特征權(quán)向量k 為[0.28,0.48,0.24],[0.28,0.49,0.23],[0.29,0.48,0.23],[0.29,0.49,0.22],[0.30,0.47,0.23],[0.30,0.48,0.22],[0.31,0.46,0.23],[0.31,0.47,0.22],[0.32,0.45,0.23],[0.32,0.46,0.22]和[0.33,0.44,0.23]時,品質(zhì)因子最大為0.878 8,檢測結(jié)果最優(yōu),并都得到如圖7(b)所示的檢測結(jié)果。本文計算的特征權(quán)向量[0.33,0.44,0.23]為得到最優(yōu)檢測結(jié)果的特征權(quán)向量之一,因而運用變異系數(shù)法計算的特征權(quán)向量進行艦船檢測可以得到最優(yōu)的檢測結(jié)果。

圖7 多特征加權(quán)對艦船檢測結(jié)果的影響

除本文引言部分提到的雙參數(shù)CFAR 算法[12]外,最佳熵雙閾值算法[23]也經(jīng)常用于SAR 影像艦船檢測。因此,為了驗證本文算法的有效性,本文選取雙參數(shù)CFAR 算法和最佳熵雙閾值算法作為對比算法與本文算法進行比較。為了公平起見,保證檢測流程中的去陸操作一致。針對實驗影像進行實驗,實驗過程中雙參數(shù)CFAR 算法的虛警率設(shè)定為10-6,基于對數(shù)正態(tài)分布的CFAR 算法的虛警率設(shè)定為10-4,在此情況下,各算法均能取得較好性能;且雙參數(shù)CFAR 算法檢測過程中涉及背景窗口、保護窗口和目標(biāo)窗口的設(shè)定,其大小變化直接影響檢測結(jié)果的優(yōu)劣,經(jīng)多次檢測比較,本文選擇最優(yōu)檢測結(jié)果作為實驗結(jié)果。

實驗選取圖7(a)研究3 種算法的時間性能,運行時間如表3 所示。最佳熵雙閾值算法基于全局閾值進行艦船檢測,與雙參數(shù)CFAR 算法和本文算法相比,算法復(fù)雜程度最低,時間性能最好;雙參數(shù)CFAR 算法和本文算法的運行時間相差不大,但雙參數(shù)CFAR 算法基于滑動窗口進行檢測,本文算法需要提取每個候選目標(biāo)的最小外接矩形,再計算各項特征,此過程比滑動窗口較復(fù)雜,因此計算時間略長。

表3 運行時間

圖8 所示為3 種算法的艦船檢測結(jié)果,并利用黑色矩形框標(biāo)記檢測結(jié)果中的真實艦船目標(biāo),黑色橢圓框標(biāo)記漏檢目標(biāo),黑色三角框標(biāo)記虛警目標(biāo)。圖8 可見,在本文算法的檢測結(jié)果中,黑色矩形框較多,黑色橢圓框和黑色三角框明顯少于2 種對比算法,說明本文算法正確檢測的數(shù)量較多,發(fā)生的漏檢和虛警較少,可以有效區(qū)分艦船和非艦船,檢測效果優(yōu)于2 種對比算法。

圖8 3 種算法的艦船檢測取反結(jié)果對比

3 種算法的艦船檢測結(jié)果中漏檢主要包括復(fù)雜海雜波中的艦船、相距很近的艦船、停靠在一起的艦船、尺寸過大或過小的艦船等。由于復(fù)雜海雜波的影響,少部分艦船在復(fù)雜海雜波中表現(xiàn)不明顯,艦船與海雜波的對比度較低,使最佳熵雙閾值對此類艦船目標(biāo)發(fā)生漏檢;雙參數(shù)CFAR 算法基于局部窗口實現(xiàn)艦船檢測,可以適應(yīng)背景雜波的復(fù)雜變化;復(fù)雜海雜波中的艦船可以表現(xiàn)出艦船特征,本文算法能夠檢測得到此類艦船目標(biāo)。相距很近的艦船會出現(xiàn)在雙參數(shù)CFAR 算法的背景窗口內(nèi),使真實艦船不滿足鑒別準(zhǔn)則,從而造成漏檢,但最佳熵雙閾值和本文算法不會受到相距很近艦船的影響。停靠在一起的艦船同樣會出現(xiàn)在雙參數(shù)CFAR 算法的背景窗口內(nèi),造成漏檢,且由于停靠在一起的艦船在影像中表現(xiàn)為一個目標(biāo),所以最佳熵雙閾值只檢測到一次,而停靠在一起的艦船不表現(xiàn)艦船特征,所以本文算法會對其發(fā)生漏檢。雙參數(shù)CFAR 算法的檢測結(jié)果受滑動窗口尺寸的影響,對尺寸過大、過小的艦船造成漏檢,其他2 種算法不會受到艦船尺寸的影響。少部分艦船目標(biāo)的長寬比、艦船面積和對比度特征都不明顯,特征置信度低于最佳置信度,使本文算法發(fā)生漏檢,而2 種對比算法基于閾值實現(xiàn)艦船檢測,能夠檢測得到此類艦船目標(biāo)。

虛警主要包括高亮的海表波浪、人工目標(biāo)、礁石和未剔除的島嶼等。由于海面波浪的劇烈運動,造成高亮的海表波浪,最佳熵雙閾值和雙參數(shù)CFAR 算法對其發(fā)生虛警,而高亮的海表波浪并不表現(xiàn)出類似艦船的特征,因此本文算法將其剔除;人工目標(biāo)、礁石和未剔除的島嶼在SAR 影像中均表現(xiàn)為亮度接近艦船的高亮目標(biāo),導(dǎo)致最佳熵雙閾值和雙參數(shù)CFAR 算法發(fā)生虛警,而此類目標(biāo)的長寬比、艦船面積和對比度特征與真實艦船有顯著差異,因此本文算法中的多特征加權(quán)的優(yōu)化檢測可以剔除此類虛警目標(biāo),但少部分人工目標(biāo)與真實艦船目標(biāo)的特征相似,從而造成虛警。

為了定量評價3 種算法的檢測性能,本文引入檢測率和品質(zhì)因子來評估算法。

檢測率越高,說明檢測算法搜尋真實艦船的能力越強;品質(zhì)因子越高,說明檢測算法對艦船和非艦船的辨別越靈敏,且只有當(dāng)檢測到全部真實艦船目標(biāo)且無任何虛警和漏檢時,其值才為1。

從表4 可以看出,在虛警目標(biāo)較少的簡單場景(實驗影像1)下,3 種算法的檢測率均在90%以上,品質(zhì)因子均在85%以上,都能得到較好的艦船檢測結(jié)果。但隨著虛警目標(biāo)增多導(dǎo)致場景復(fù)雜度增加(實驗影像2 和實驗影像3),最佳熵雙閾值和雙參數(shù)CFAR 算法的錯檢數(shù)量也隨之增加,雖然2 種算法的檢測率在一定范圍之內(nèi),但品質(zhì)因子分別從65.4%和70.8%降為23.1%和23.3%,已經(jīng)無法滿足實際精度要求,而本文算法錯檢數(shù)量最少,檢測率最高,且品質(zhì)因子從100%降到86.4%,仍然保持較高的精度。對比發(fā)現(xiàn),本文算法正確檢測艦船目標(biāo)最多,虛警和漏檢都最少,說明該算法搜尋真實艦船的能力更強,對艦船和非艦船的辨別更靈敏。

表4 3 種算法的檢測結(jié)果對比

總地來說,最佳熵雙閾值和雙參數(shù)CFAR 算法在簡單場景下,可以較好地進行艦船檢測,但在虛警目標(biāo)較多的復(fù)雜場景下,2 種對比算法的檢測效果較差;本文算法受虛警目標(biāo)的影響較小,雖然運行時間較長,但在不同復(fù)雜場景下有較好的檢測效果,適用性更好。

4 結(jié)束語

利用本文算法對高分三號SAR 影像進行艦船檢測實驗,并對其結(jié)果進行定量和定性分析,以評價艦船檢測精度,主要結(jié)論概括如下。

1)真實SAR 影像的場景復(fù)雜程度不同,實驗結(jié)果表明,基于多特征加權(quán)的SAR 影像艦船檢測優(yōu)化方法能夠改善虛警目標(biāo)較多的復(fù)雜環(huán)境下的檢測性能,適用性更強。

2)由于島嶼、人工目標(biāo)和復(fù)雜海雜波等影響,傳統(tǒng)艦船檢測算法會發(fā)生漏檢和虛警;對數(shù)正態(tài)分布能夠較好地擬合高分辨率SAR 影像的海雜波分布,利用基于對數(shù)正態(tài)分布的CFAR 算法檢測得到所有的候選目標(biāo),再采用多特征加權(quán)的艦船優(yōu)化檢測將虛警目標(biāo)剔除,優(yōu)化艦船檢測結(jié)果。由于艦船與非艦船的長寬比、艦船面積和對比度特征有顯著差異,因此多特征加權(quán)的艦船優(yōu)化檢測可以有效地區(qū)分艦船與非艦船,得到精確的艦船檢測結(jié)果。

3)在提取的艦船長寬比、艦船面積和對比度特征基礎(chǔ)上,可以進一步刻畫艦船的速度、材質(zhì)、裝載信息等特征,為進一步的艦船檢測提供充分的依據(jù),因此本文算法具有重要的理論意義和實用價值。

猜你喜歡
特征實驗檢測
記一次有趣的實驗
“不等式”檢測題
“一元一次不等式”檢測題
“一元一次不等式組”檢測題
如何表達“特征”
做個怪怪長實驗
不忠誠的四個特征
抓住特征巧觀察
NO與NO2相互轉(zhuǎn)化實驗的改進
實踐十號上的19項實驗
太空探索(2016年5期)2016-07-12 15:17:55
主站蜘蛛池模板: 欧美日本一区二区三区免费| 欧美精品啪啪一区二区三区| 首页亚洲国产丝袜长腿综合| 亚洲国产欧美国产综合久久 | 亚洲国产精品无码AV| 国产精品亚洲欧美日韩久久| 97精品国产高清久久久久蜜芽 | 欧美中文一区| 视频二区亚洲精品| 天天综合亚洲| 亚洲91精品视频| 国产一级毛片高清完整视频版| av一区二区人妻无码| 中文字幕在线不卡视频| 人妻出轨无码中文一区二区| 日韩大片免费观看视频播放| 强奷白丝美女在线观看| 久久一级电影| 91成人试看福利体验区| 99热最新网址| 久久精品亚洲专区| 18禁高潮出水呻吟娇喘蜜芽| 久久国产精品国产自线拍| 国产在线精彩视频二区| 免费国产一级 片内射老| 在线人成精品免费视频| 亚洲人成影视在线观看| 精品小视频在线观看| 免费 国产 无码久久久| 久久毛片网| 在线色国产| 国产麻豆福利av在线播放| 黄色网址免费在线| 91蝌蚪视频在线观看| 色婷婷国产精品视频| 亚洲日本中文字幕乱码中文| 日韩a级毛片| 手机在线免费不卡一区二| 香蕉eeww99国产精选播放| 被公侵犯人妻少妇一区二区三区| 91精品国产自产在线老师啪l| 精品无码视频在线观看| 最新亚洲人成无码网站欣赏网| 免费啪啪网址| 国产美女91呻吟求| 日韩av电影一区二区三区四区| 中文无码精品a∨在线观看| 国产十八禁在线观看免费| 九色在线观看视频| 国产精品lululu在线观看| 国产乱子精品一区二区在线观看| 久久亚洲天堂| AV片亚洲国产男人的天堂| 在线亚洲精品自拍| 国产丰满大乳无码免费播放| 精品免费在线视频| 中国国产一级毛片| 伊人激情久久综合中文字幕| 免费精品一区二区h| 国产精品久久久久无码网站| 亚洲综合在线最大成人| 丝袜亚洲综合| 香蕉久久国产超碰青草| 日本不卡在线视频| 久久青草免费91观看| 国产永久在线视频| 2021天堂在线亚洲精品专区| 亚洲精品爱草草视频在线| 国产亚洲欧美另类一区二区| 特黄日韩免费一区二区三区| 人妻少妇乱子伦精品无码专区毛片| 国产精品夜夜嗨视频免费视频| 精品人妻一区二区三区蜜桃AⅤ| 成人亚洲天堂| 国产青青操| 超碰91免费人妻| 五月婷婷亚洲综合| 亚洲一区免费看| 潮喷在线无码白浆| 99re经典视频在线| 欧美精品高清| 久久国产精品无码hdav|