[发明专利]一种基于超像素和随机森林的SAR图像舰船目标检测方法有效
申请号: | 201810166712.9 | 申请日: | 2018-02-28 |
公开(公告)号: | CN108399430B | 公开(公告)日: | 2019-09-27 |
发明(设计)人: | 崔宗勇;谭秀兰;曹宗杰;闵锐;皮亦鸣 | 申请(专利权)人: | 电子科技大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06T7/40;G06T7/46;G06T7/90 |
代理公司: | 成都点睛专利代理事务所(普通合伙) 51232 | 代理人: | 孙一峰 |
地址: | 611731 四川省*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明涉及高分辨SAR图像的检测技术领域,具体为一种基于超像素和随机森林的舰船目标检测方法。本发明融合了超像素分割与随机森林无监督聚类,将图像分块后进行聚类,准确检测出稀有舰船目标的同时,又较好地保留了船只的轮廓形状信息。较传统的CFAR舰船目标检测方法,本发明避开了杂波建模、参数估计、滑窗等耗时费力的操作。 | ||
搜索关键词: | 舰船目标 随机森林 聚类 像素 检测 检测技术领域 轮廓形状信息 参数估计 图像分块 像素分割 准确检测 传统的 高分辨 无监督 滑窗 建模 杂波 耗时 避开 费力 船只 融合 保留 | ||
【主权项】:
1.一种基于超像素和随机森林的SAR图像舰船目标检测方法,其特征在于,包括以下步骤:步骤1、定义原图有M个像素,生成的超像素目为N;对图像的像素进行采样,采样步长为初始化聚类中心Ck=[lk,ak,bk,xk,yk]T,其中lk,ak,bk为像素在CIE‑Lab空间的颜色值,xk,yk为像素坐标;步骤2、将聚类中心移动到3×3邻域内的最小梯度位置;步骤3、对每一个像素i,设置标签l(i)=1,距离度量d(i)=∞;步骤4、对于聚类中心Ck的2S×2S邻域里的每一个像素i,计算Ck和像素i之间的距离D;判断D是否小于d(i),若是,就令d(i)=D,l(i)=k;若否,则重复步骤4直至完成对所有像素的判断;计算D的公式为:其中,li,ai,bi为像素i在CIE‑Lab空间的颜色值,xi,yi为像素i的坐标;dlab表示颜色距离;dxy表示空间距离;m用来调整dxy的权值,取值范围为1‑20;步骤5、更新聚类中心,计算残差E;步骤6、对每一个聚类中心,重复步骤4和步骤5,直到E小于阈值;步骤7、得到SAR图像的超像素分割集合S={s1,s2,...,sN},定义某一个像素区域为sq,计算sq在水平方向和垂直方向的灰度共生矩阵G0o和G90o;步骤8、分别计算步骤7所得到的G0o和G90o的角二阶矩和熵,其中,角二阶矩熵最终得到sq的纹理特征fq=(ASM0o,ENT0o,ASM90o,ENT90o)T,q=1,...,N;G(p,j)为灰度共生矩阵G的第p行第j列的值,k为灰度共生矩阵行数;ASM0o和ENT0o分别为G0o的角二阶矩和熵,ASM90o,ENT90o分别为G90o的角二阶矩和熵;步骤9、对超像素集合S={s1,s2,...,sN}中的每一个超像素重复步骤7和步骤8,最终得到整幅图像的特征F={f1,f2,...,fN};步骤10、创建随机森林:从1到4中产生两个随机数,定义为a1,a2,设置树的最大深度depth;步骤11、计算a1和a2维度上的平均特征差δ(a1,a2),计算公式为:步骤12、把根结点S分成左右孩子结点,分裂准则为:其中,Sl和Sr分别为左孩子结点和右孩子结点;F(a1,v)是特征矩阵F的第a1行第v列的值,F(a2,v)同理;步骤13、将得到的左右孩子结点视为后续分裂的根节点,继续执行步骤10到步骤12,直到达到树的最大深度depth;步骤14、选取所包含元素最少的叶子节点,将其中每个超像素里的每一个像素灰度值置为255,其余的超像素区域置为0,由此检测显示出船只目标。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
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电子科技大学,未经电子科技大学许可,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/patent/201810166712.9/,转载请声明来源钻瓜专利网。