基于表征转换机的SAR图像目标分割方法

赵晓辉 姜义成 朱同宇

赵晓辉, 姜义成, 朱同宇. 基于表征转换机的SAR图像目标分割方法[J]. 雷达学报, 2016, 5(4): 402-409. doi: 10.12000/JR16066
引用本文: 赵晓辉, 姜义成, 朱同宇. 基于表征转换机的SAR图像目标分割方法[J]. 雷达学报, 2016, 5(4): 402-409. doi: 10.12000/JR16066
Zhao Xiaohui, Jiang Yicheng, Zhu Tongyu. Target Segmentation Method in SAR Images Based on Appearance Conversion Machine[J]. Journal of Radars, 2016, 5(4): 402-409. doi: 10.12000/JR16066
Citation: Zhao Xiaohui, Jiang Yicheng, Zhu Tongyu. Target Segmentation Method in SAR Images Based on Appearance Conversion Machine[J]. Journal of Radars, 2016, 5(4): 402-409. doi: 10.12000/JR16066

基于表征转换机的SAR图像目标分割方法

doi: 10.12000/JR16066
基金项目: 

国家自然科学基金资助项目(201306120111)

详细信息
    作者简介:

    赵晓辉(1988–),男,内蒙古赤峰人,哈尔滨工业大学博士研究生,主要研究方向为机器学习和图像目标识别;姜义成(1964–),男,黑龙江哈尔滨人,教授,哈尔滨工业大学电子与信息学院电子工程系主任,博士生导师,主要研究方向为雷达信号处理;朱同宇(1992–),男,黑龙江哈尔滨人,哈尔滨工业大学硕士研究生,主要研究方向为雷达成像与目标识别。

    通讯作者:

    姜义成jiangyc@hit.edu.cn

Target Segmentation Method in SAR Images Based on Appearance Conversion Machine

Funds: 

The National Natural Science Foundation of China (201306120111)

  • 摘要: 针对SAR(Synthetic Aperture Radar)图像中的目标分割问题,由于目标与杂波空间模式(像素强度和分布)不同,通过分析图像空间模式的方式可达到分辨目标和杂波并分割目标的目的。该文基于表征转换机理论提出一种有效的SAR图像目标分割方法,该算法分析SAR图像中的空间模式,计算其与参考杂波图像的相似程度,最后将与参考杂波相似程度较高的部分消除以达到分割目标的目的,并在衡量相似度部分使用基于累积直方图的自动阈值选取办法。仿真和实测数据的实验验证了此算法的有效性。
  • [1] 程江华, 高贵, 库锡树, 等. 高分辨率SAR图像道路交叉口检测与识别新方法[J]. 雷达学报, 2012, 1(1): 100-108. Cheng Jiang-hua, Gao Gui, Ku Xi-shu, et al.. A novel method for detecting and identifying road junctions from high resolution SAR images[J]. Journal of Radars, 2012, 1(1): 100-108.
    [2] 李光廷, 杨亮, 黄平平, 等. SAR图像相干斑抑制中的像素相关性测量[J]. 雷达学报, 2012, 1(3): 301-308. Li Guang-ting, Yang Liang, Huang Ping-ping, et al.. The pixel-similarity measurement in SAR image despeckling[J]. Journal of Radars, 2012, 1(3): 301-308.
    [3] Sauvola J and Pietikinen M. Adaptive document image binarization[J]. Pattern Recognition, 2000, 33(2): 225-236.
    [4] Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62-66.
    [5] Zhao X, Jiang Y, and Zhang Y. Automatic binarization method in ISAR image[C]. IEEE International Geoscience and Remote Sensing Symposium, Milan, 2015: 5415-5418.
    [6] Stagliano D, Lupidi A, Berizzi F, et al.. Exploitation of COSMO-SkyMed system for detection of ships responsible for oil spills[C]. 2012 IEEE International Geoscience and Remote Sensing Symposium, Munich, 2012: 915-918.
    [7] Leng X, Ji K, Yang K, et al.. A bilateral CFAR algorithm for ship detection in SAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(7): 1536-1540.
    [8] Liao M, Wang C, Wang Y, et al.. Using SAR images to detect ships from sea clutter[J]. IEEE Geoscience and Remote Sensing Letters, 2008, 5(2): 194-198.
    [9] Mcconnell A I and Oliver C J. Comparison of segmentation methods with standard CFAR for point target detection[C]. Proceedings SPIE 3497, SAR Image Analysis, Modeling, and Techniques, 1998. doi:  10.1117/12.331364.
    [10] Lankoande O, Hayat M M, and Santhanam B. Segmentation of SAR images based on Markov random field model[C]. IEEE International Conference on Systems, Man and Cybernetics, 2005, 3: 2956-2961.
    [11] HUANG Yu, FU Kun, and WU Yi-Rong. Image segmentation method using K-means based on Markov random field[J]. Acta Electronica Sinica, 2009, 37(12): 2700-2704.
    [12] Fowlkes C, Belongie S, Fan C, et al.. Spectral grouping using the Nystrm method[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004, 26(2): 214-225.
    [13] Zhang X, Hao L, Liu F, et al.. Spectral clustering ensemble applied to SAR image segmentation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(7): 2126-2136.
    [14] Kusakunniran W, Wu Q, Zhang J, et al.. A new view-invariant feature for cross-view gait recognition[J]. IEEE Transactions on Information Forensics and Security, 2013, 8(10): 1642-1653.
    [15] Zhao X, Jiang Y, Stathaki T, et al.. Gait recognition method for arbitrary straight walking paths using appearance conversion machine[J]. Neurocomputing, 2015, 173(3): 530-540.
    [16] Huang G B, Zhou H, Ding X, et al.. Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 2012, 42(2): 513-529.
    [17] Huang G B, Chen L, and Siew C K. Universal approximation using incremental constructive feedforward networks with random hidden nodes[J]. IEEE Transactions on Neural Networks, 2006, 17(4): 879-892.
    [18] Huang G B and Chen L. Enhanced random search based incremental extreme learning machine[J]. Neurocomputing, 2008, 71(16/18): 3460-3468.
    [19] Huang G B, Zhu Q Y, and Siew C K. Extreme learning machine: theory and applications[J]. Neurocomputing, 2006, 70(1/3): 489-501.
    [20] Gao G, Zhao L, Zhang J, et al.. A segmentation algorithm for SAR images based on the anisotropic heat diffusion equation[J]. Pattern recognition, 2008, 41(10): 3035-3043.
  • [1] 郭炜炜, 张增辉, 郁文贤, 孙效华.  SAR图像目标识别的可解释性问题探讨 . 雷达学报, 2020, 9(3): 462-476. doi: 10.12000/JR20059
    [2] 杜兰, 王兆成, 王燕, 魏迪, 李璐.  复杂场景下单通道SAR目标检测及鉴别研究进展综述 . 雷达学报, 2020, 9(1): 34-54. doi: 10.12000/JR19104
    [3] 郭倩, 王海鹏, 徐丰.  SAR图像飞机目标检测识别进展 . 雷达学报, 2020, 9(3): 497-513. doi: 10.12000/JR20020
    [4] 戴牧宸, 冷祥光, 熊博莅, 计科峰.  基于改进双边网络的SAR图像海陆分割方法 . 雷达学报, 2020, 9(5): 886-897. doi: 10.12000/JR20089
    [5] 李宁, 牛世林.  基于局部超分辨重建的高精度SAR图像水域分割方法 . 雷达学报, 2020, 9(1): 174-184. doi: 10.12000/JR19096
    [6] 李晓峰, 张彪, 杨晓峰.  星载合成孔径雷达遥感海洋风场波浪场 . 雷达学报, 2020, 9(3): 425-443. doi: 10.12000/JR20079
    [7] 李永祯, 黄大通, 邢世其, 王雪松.  合成孔径雷达干扰技术研究综述 . 雷达学报, 2020, 9(5): 753-764. doi: 10.12000/JR20087
    [8] 黄岩, 赵博, 陶明亮, 陈展野, 洪伟.  合成孔径雷达抗干扰技术综述 . 雷达学报, 2020, 9(1): 86-106. doi: 10.12000/JR19113
    [9] 马琳, 潘宗序, 黄钟泠, 韩冰, 胡玉新, 周晓, 雷斌.  基于子孔径与全孔径特征学习的SAR多通道虚假目标鉴别 . 雷达学报, 2020, 9(): 1-14. doi: 10.12000/JR20106
    [10] 卫扬铠, 曾涛, 陈新亮, 丁泽刚, 范宇杰, 温育涵.  典型线面目标合成孔径雷达参数化成像 . 雷达学报, 2020, 9(1): 143-153. doi: 10.12000/JR19077
    [11] 张金松, 邢孟道, 孙光才.  一种基于密集深度分离卷积的SAR图像水域分割算法 . 雷达学报, 2019, 8(3): 400-412. doi: 10.12000/JR19008
    [12] 邢孟道, 林浩, 陈溅来, 孙光才, 严棒棒.  多平台合成孔径雷达成像算法综述 . 雷达学报, 2019, 8(6): 732-757. doi: 10.12000/JR19102
    [13] 喻玲娟, 王亚东, 谢晓春, 林赟, 洪文.  基于FCNN和ICAE的SAR图像目标识别方法 . 雷达学报, 2018, 7(5): 622-631. doi: 10.12000/JR18066
    [14] 赵飞翔, 刘永祥, 霍凯.  一种基于Dropout约束深度极限学习机的雷达目标分类算法 . 雷达学报, 2018, 7(5): 613-621. doi: 10.12000/JR18048
    [15] 刘泽宇, 柳彬, 郭炜炜, 张增辉, 张波, 周月恒, 马高, 郁文贤.  高分三号NSC模式SAR图像舰船目标检测初探 . 雷达学报, 2017, 6(5): 473-482. doi: 10.12000/JR17059
    [16] 徐丰, 王海鹏, 金亚秋.  深度学习在SAR目标识别与地物分类中的应用 . 雷达学报, 2017, 6(2): 136-148. doi: 10.12000/JR16130
    [17] 张增辉, 郁文贤.  稀疏微波SAR图像特征分析与目标检测研究 . 雷达学报, 2016, 5(1): 42-56. doi: 10.12000/JR15097
    [18] 任笑真, 杨汝良.  一种基于幅度和相位迭代重建的四维合成孔径雷达成像方法 . 雷达学报, 2016, 5(1): 65-71. doi: 10.12000/JR15135
    [19] 韩萍, 王欢.  基于改进的稀疏保持投影的SAR目标特征提取与识别 . 雷达学报, 2015, 4(6): 674-680. doi: 10.12000/JR15068
    [20] 金添.  叶簇穿透合成孔径雷达增强成像方法 . 雷达学报, 2015, 4(5): 503-508. doi: 10.12000/JR15114
  • 加载中
计量
  • 文章访问数:  1071
  • HTML全文浏览量:  164
  • PDF下载量:  1074
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-04-05
  • 修回日期:  2016-06-20
  • 刊出日期:  2016-08-28

基于表征转换机的SAR图像目标分割方法

doi: 10.12000/JR16066
    基金项目:

    国家自然科学基金资助项目(201306120111)

    作者简介:

    赵晓辉(1988–),男,内蒙古赤峰人,哈尔滨工业大学博士研究生,主要研究方向为机器学习和图像目标识别;姜义成(1964–),男,黑龙江哈尔滨人,教授,哈尔滨工业大学电子与信息学院电子工程系主任,博士生导师,主要研究方向为雷达信号处理;朱同宇(1992–),男,黑龙江哈尔滨人,哈尔滨工业大学硕士研究生,主要研究方向为雷达成像与目标识别。

    通讯作者: 姜义成jiangyc@hit.edu.cn

摘要: 针对SAR(Synthetic Aperture Radar)图像中的目标分割问题,由于目标与杂波空间模式(像素强度和分布)不同,通过分析图像空间模式的方式可达到分辨目标和杂波并分割目标的目的。该文基于表征转换机理论提出一种有效的SAR图像目标分割方法,该算法分析SAR图像中的空间模式,计算其与参考杂波图像的相似程度,最后将与参考杂波相似程度较高的部分消除以达到分割目标的目的,并在衡量相似度部分使用基于累积直方图的自动阈值选取办法。仿真和实测数据的实验验证了此算法的有效性。

English Abstract

赵晓辉, 姜义成, 朱同宇. 基于表征转换机的SAR图像目标分割方法[J]. 雷达学报, 2016, 5(4): 402-409. doi: 10.12000/JR16066
引用本文: 赵晓辉, 姜义成, 朱同宇. 基于表征转换机的SAR图像目标分割方法[J]. 雷达学报, 2016, 5(4): 402-409. doi: 10.12000/JR16066
Zhao Xiaohui, Jiang Yicheng, Zhu Tongyu. Target Segmentation Method in SAR Images Based on Appearance Conversion Machine[J]. Journal of Radars, 2016, 5(4): 402-409. doi: 10.12000/JR16066
Citation: Zhao Xiaohui, Jiang Yicheng, Zhu Tongyu. Target Segmentation Method in SAR Images Based on Appearance Conversion Machine[J]. Journal of Radars, 2016, 5(4): 402-409. doi: 10.12000/JR16066
参考文献 (20)

目录

    /

    返回文章
    返回