【《基于轮廓提取的雷达回波图像目标检测分析案例》4500字】

基于轮廓提取的雷达回波图像目标检测分析案例目录TOC\o"1-3"\h\u12714基于轮廓提取的雷达回波图像目标检测分析案例 [50-52]。（1）基于旋转法提取最小外接矩形主要分为三步：首先将图像中的目标在一定的角度范围内按照等角度间隔的方式进行旋转，然后记录其坐标系方向上的外接矩形参数，最后，取获得面积最小的矩形并且记录该矩形的长和宽两个参数。旋转法由于其原理简单，在实际应用中使用较为广泛，但是基于旋转法的提取外接矩形算法计算量偏大。（2）顶点链码法光栅扫描显示器的显示屏由一个个被称为像素的正方形网络构成，图1.4中（a）所示的是有16个像素组成的离散图像、（b）则显示了它对应的顶点链码的码值。为了方便统计，不妨假设这些正方形网格的边长为1，对于某一个特定的区域，可以认为该区域是由若干个像素组成。进一步计算该区域的链码数目，可以发现该值的确定与目标区域边界所占的方格数目有关，即等于该区域的正方形网格数目。因此，目标区域轮廓线的描述与该区域的链码数目呈正相关，对该区域轮廓线的描述越细致，需要的链码数目也就越多。同时，它对应的图像分辨率也越高。(a)(b)图1.416个像素组成的图形：（a）散点图；（b）顶点链码的码值Fig.1.416-pixelgraphics:(a)Scatterfigure;(b)Thevalueofvertexchaincode顶点链码的定义为，设S是一个平面区域，其边界的顶点链码描述是一个有序的元素序列，即：L=a1其中ai成为L的码值，它表示S顶点链码法的基本思想是首先将二值图像采用方形点阵的八近邻顶点链进行编码，然后生成图像边界顶点的链码表，接着通过解码运算将其转化成边界顶点为x方向与y方向的坐标，其次，利用搜索的方式获取x方向与y方向坐标中的最大最小值点。最后，连接这两点作为对角线的矩形，即为该图形区域的最小外接矩形。观察实际得到的雷达回波图像，我们可以发现，图像上的轮廓基本为矩形居多，本章采用顶点链码法计算轮廓的最小外接矩形。1.4二元筛选曲线假设图像中某个被选中目标的候选框大小为M×N，图像中第i个目标的参考框大小的x×y。于是定义中间变量t=M−xN那么二次滤波曲线的方程为：fM,N从上式给出的二元方程可以看出，当候选框与参考框接近，则最后的得到的fM,N1.5雷达回波图像目标检测前面两个小结分别介绍了目标检测领域的IOU的基本概念以及提取图像上目标轮廓信息的主要算法，根据这两个重要的基本理论，本章的第三小节给出本章提出的雷达回波图像目标检测算法。以下是整个章节的算法流程：算法1：基于边缘轮廓的雷达回波图像目标检测输入：雷达回波图像。输出：检测到目标的图像（1）输入雷达回波图像。（2）对雷达回波图像采用均值滤波处理。（3）利用边界跟踪算法提取雷达回波图像中的轮廓信息。（4）获取雷达回波图像中目标轮廓的最小外接矩形。（5）计算最小外接矩形的面积。（6）设置二元过滤曲线，过滤部分不符合要求的小目标信息。（7）设置IOU阈值为0.4，进一步过滤不符合要求的目标信息。（8）框出雷达回波图像中的目标。1.6实验结果与分析本节利用实验来说明本章提出改进的雷达回波图像目标检测算法的有效性。根据雷达回波图像的特点，将图像简单的分为两类，一种是简单场景下得到的雷达回波图像，另一种是复杂场景下得到的雷达回波图像。本次实验算法是基于opencv图像处理库构建，主要运行平台为windows7系统、其硬件环境为Intel(R)Core(TM)i5-4460CPU(3.20GHZ)、8GB运行内存。（a）（b）图1.2两种不同场景下获得的图像：（a）复杂场景；（b）简单场景Fig1.2Imagesobtainedinthetwodifferentscenes:(a)complexscene;(b)simplescene图1.2中的（a）与（b）分别给出了不同场景下得到的雷达回波图像，我们区分的依据主要为图像存在目标数量的多少以及图像在感官上的平滑程度，这样的区分有利于评价本章提出方法的有效性。每个类别将提供三种简单场景与复杂场景得到的雷达回波图像进行实验。（a）（b）图1.3两种不同场景下获得的图像目标轮廓信息：（a）复杂场景；（b）简单场景Fig1.3Thecontourinformationoftheimagesinthetwodifferentscenes:(a)complexscene;(b)simplescene图1.3中的（a）、（b）分别为利用边界跟踪算法提取不同场景的雷达回波图像中目标的轮廓信息。该算法将雷达回波图像中的目标（包含真假目标）都标识出来。注意到这些信息既包含了因噪声形成的白色小斑点，也有雷达回波图像中真实存在的目标信息，还有海面上其他物体反馈回来的信息，例如：海浪或者是小岛信息，这几种信息在图像中的反映是极其相似的，这为识别雷达回波图像上的目标信息造成比较大的干扰。（a）（b）（c）图1.4复杂场景下算法检测的结果：（a）场景一；（b）场景二；（c）场景三Fig.1.4Thedetectedresultsofthecomplexscenes:(a)thefirstscene;(b)thesecondscene;(c)thethirdscene(d)(e)(f)图1.5复杂场景下算法检测的结果：（d）场景一；（e）场景二；（f）场景三Fig.1.5Thedetectedresultsofthecomplexscenes:(d)thefirstscene;(e)thesecondscene;(f)thethirdscene图1.4与图1.5分别是雷达在复杂场景与简单场景中所获得回波图像经过本章提出的算法处理的结果。结合图1.3、图1.4以及图1.5，可以看出，算法第一步将图像上的各种轮廓都进行了标定，其中不乏假目标信息以及真目标信息，算法的第二步计算图像中被任意标定相邻两个“目标”轮廓的IOU值，得到IOU的数值与设定的阈值0.4作对比，从而过滤掉部分不符合要求的目标轮廓，将剩下的目标轮廓再一次经过二次滤波曲线的过滤，保留符合要求的信息。通过不断的循环操作，最终生成上图所示的实验效果。最后的处理结果检测出了图像中的大部分真实目标，漏检以及相应的误检发生率较低，说明的本章提出的算法针对雷达回波图像的目标检测具有一定的有效性。表1.1两种场景下的实验结果Table1.1Theexperimentalresultsinthetwoscenes序号真实目标检测目标漏检数误检数漏检率误检率a405741410%35%b397372017.9%51.3%c336251515.2%45.5%d30256320%10%e25305720%28%f10152220%20%从表1.1的数据可以看出，本章提出的雷达回波图像目标检测算法所检测到的目标个数大于图像中真实存在的目标数，尤其是当雷达探测的场景为复杂场景时，这种现象变的较为明显。原因在于针对这两种典型的场景，算法在第一步获取了图像上的各种轮廓信息，接下来的初步过滤与最终的二次曲线过滤不能很好的解决复杂场景中第一步生成的大量轮廓信息，导致误检较多。针对于简单场景获得的雷达回波图像，本章提出的方法在误检率以及检测到的目标（包含虚假目标）与图像上的真实目标之间的差值的大小上要优于在复杂场景下的检测结果。因为在简单场景中，第一次提取的轮廓信息相对较少，并且后续的过滤操作也能很好的解决不符合要求的目标轮廓信息。因此，本章提出的方法运用于雷达在简单场景的探测具有一定的优势，如果应用于复杂场景时，船只的航行需要借助其他辅助设备，例如：光电、摄像头等其他传感器。对比第三章基于Canny算子的雷达回波图像目标检测，本章提出基于边缘轮廓的雷达回波图像目标检测具有较大的优势。首先，图3.2（c