[发明专利]基于极化特征的分布式散射中心快速提取方法和装置有效
申请号: | 201810160122.5 | 申请日: | 2018-02-26 |
公开(公告)号: | CN108389196B | 公开(公告)日: | 2020-06-26 |
发明(设计)人: | 邢笑宇;霍超颖;满良 | 申请(专利权)人: | 北京环境特性研究所 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06T7/11;G06T7/136;G06T7/187 |
代理公司: | 北京格允知识产权代理有限公司 11609 | 代理人: | 周娇娇;张沫 |
地址: | 100854*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 极化 特征 分布式 散射 中心 快速 提取 方法 装置 | ||
本发明涉及一种基于极化特征的分布式散射中心快速提取方法、装置和设备,其中方法包括以下步骤:一种基于极化特征的分布式散射中心快速提取方法,其特征在于,该方法包括:利用阈值分割方法对四极化通道的ISAR图像进行图像分割;对图像分割后的每个闭合区域运用惯量矩方法确定是否为分布式散射中心;在判断为分布式散射中心时利用四极化通道的ISAR图像在对应分割区域的散射幅度来构造分布式散射中心的极化散射矩阵,并基于所述极化散射矩阵对分布式散射中心的类型进行判断。本发明相对于现有常用的分布式散射中心类型判断方法,能够更为准确、快速地实现典型分布式散射中心的类型判断。
技术领域
本发明涉及电磁特性分析技术领域,尤其涉及一种基于极化特征的分布式散射中心快速提取方法、装置和设备。
背景技术
联合极化信息对分布式散射中心的类型进行判断,常用的方法主要有三类:一类为基于属性散射中心模型,提取分布式散射中心的方位及频率依赖因子,从而实现对分布式散射中心的类型判断,由于属性散射中心模型的参数较多,结构复杂,需要循环迭代运算,因此该方法计算速度较慢,且容易陷入局优;第二类为使用CP-GTD(CoherentPolarization Geometrical Theory of Diffraction,基于相干极化几何绕射理论)模型提取分布式散射中心的频率依赖因子,从而判断散射中心的类型;第三类为把分布式散射中心看作多个点散射中心的组合,分别利用GTD模型与极化分解理论获取散射中心的频率依赖特征与极化特征,结合两者得到对散射中心的类型判断结果。其中,第二、三类判断方法均把分布式散射中心作为一个或多个点散射中心进行特征提取,没有从分布式散射中心的整体电磁散射机理出发,因此难以准确地判断其散射类型。
发明内容
本发明要解决的技术问题在于,针对现有分布式散射中心的类型判断方法速度慢、准确性低的缺陷,提供一种基于极化特征的分布式散射中心快速提取方法、装置和设备,能够更为准确、快速地实现典型分布式散射中心的类型判断。
为了解决上述技术问题,本发明第一方面,提供了一种基于极化特征的分布式散射中心快速提取方法,该方法包括以下步骤:
利用阈值分割方法对四极化通道的ISAR图像进行图像分割;
对图像分割后的每个闭合区域运用惯量矩方法确定是否为分布式散射中心;
在判断为分布式散射中心时利用四极化通道的ISAR图像在对应分割区域的散射幅度来构造分布式散射中心的极化散射矩阵,并基于所述极化散射矩阵对分布式散射中心的类型进行判断。
在根据本发明所述的基于极化特征的分布式散射中心快速提取方法中,优选地,所述利用阈值分割方法对四极化通道的ISAR图像进行图像分割,包括:
通过以下公式利用阈值T对HH通道的ISAR图像进行处理,处理后的图像O′(x,y)为:
其中,τQhh(x,y)|为HH通道的ISAR图像的坐标(x,y)处像素对应的散射强度复数Qhh(x,y)的幅度值;
将处理后图像O′(x,y)与处理前图像Qhh(x,y)作像素点乘运算,得到ISAR图像的分割结果:
其中,O′(x,y)=1的像素点被O′(x,y)=0的像素点包围形成多个闭合区域,则每个闭合区域存在一个散射中心;采用上述同样的方法得到HV通道、VH通道和VV通道的ISAR图像的分割结果。
在根据本发明所述的基于极化特征的分布式散射中心快速提取方法中,优选地,所述阈值T取值为0.01max{|Qhh(x,y)|}。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京环境特性研究所,未经北京环境特性研究所许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810160122.5/2.html,转载请声明来源钻瓜专利网。
- 上一篇:图像检测方法及装置
- 下一篇:基于深度学习的输电线路缺陷检测方法