本发明属于雷达图像处理领域,涉及一种isar图像空中目标长度特征提取方法,可实现空中目标长度特征的提取,可用于雷达空中目标识别。
背景技术:
目标识别主要分为光学手段和雷达手段。其中,光学手段是一种传统的探测手段,技术比较成熟,主要依靠目标的反射光来对目标进行监视,因此受昼夜和天气的影响比较大。相比于光学手段,雷达手段则是通过主动向空间发射电磁波,利用接收到的回波来完成目标的监视,所以能够有效克服昼夜及天气环境的影响,具有全天时、全天候、24小时不间断监视目标的特点,且随着雷达技术的发展,雷达不仅可以对目标进行检测、跟踪及定位,还能够实现对目标的高分辨成像。雷达成像技术早在20世纪50年代就有人提出,根据成像原理的不同可以分为:合成孔径雷达(syntheticapertureradar,sar)和逆合成孔径雷达(inversesyntheticapertureradar,isar)。其中逆合成孔径雷达成像是雷达保持不动,通过发射宽带电磁波并利用目标与雷达的相对运动可实现对运动目标如飞机、导弹、卫星、舰船的二维成像得到目标的isar图像,通过二维isar图像可以刻画目标大小、形状、结构及姿态等细节信息,利用这些信息可以实现对目标属性、类别或类型的判别,为雷达目标特征提取及分类识别提供有力支撑。
由于目标的外形尺寸特征如目标长度、面积、轮廓等具有直观性、分辨性、易于提取并且具有明确的物理意义,因此被广泛的用于isar图像目标特征提取,其中,目标的长度特征是目标分类识别的有效特征之一,目标长度特征提取结果的精度是评判目标长度特征提取方法的一个重要指标,精度越高,表明此种方法性能越优。
现有技术中,isar图像目标长度特征提取方法主要是针对舰船目标,通过对isar图像进行斑点噪声抑制、横条纹干扰抑制、形态学滤波和图像分割操作,提取出图像中的舰船目标,然后利用主成分分析(pca)法提取舰船目标的长度特征。该方法利用形态学滤波的方法对图像中的舰船目标进行填充和连接,提高图像中目标的连通性,使图像中的目标连续且完整。
相比于舰船目标,空中目标的isar图像中的散射点更加稀疏、离散,因此该方法对空中目标进行长度特征提取时,需要采用较大的结构元素进行形态学滤波才能对图像中的空中目标实现充分的填充和连接,但由于结构元素过大会使得图像中的空中目标被过度连接和填充,引起图像中的空中目标失真,会严重影响isar图像空中目标长度特征提取的精度。
技术实现要素:
本发明的目的在于克服上述现有技术的缺陷,提出了一种isar图像空中目标长度特征提取方法,用于解决现有技术中存在的isar图像空中目标长度特征提取结果精度较低的问题。
为实现上述目的,本发明采取的技术方案包括如下步骤:
(1)对isar图像进行预处理:
(1a)获取包含有空中目标的大小为m×n的isar图像a,a的行维对应的距离维的分辨率为pr,列维对应的方位维的分辨率为pa,并对a的原始复数据取模值,得到a的幅度图像a′,其中,m≥100,n≥100;
(1b)对a的幅度图像a′进行归一化,得到像素幅度为0~255的灰度图像i,并提取i中大小为m′×n′的感兴趣区域roi图像i′,其中,30≤m′≤m,30≤n′≤n;
(2)获取方位维与距离维分辨率相等的感兴趣区域roi图像ia:
计算pa与pr比值
(3)获取感兴趣区域roi图像ia的二值图像ic:
(3a)利用高斯滤波方法对感兴趣区域roi图像ia进行平滑滤波,得到滤波后的图像ib,并对ib进行备份,得到ib的备份图像ib′;
(3b)对备份图像ib′进行阈值分割,得到阈值分割后的二值图像iba,并对iba进行备份,得到iba的备份图像iba′;
(3c)对备份图像iba′进行取反,并将取反结果作为掩膜矩阵对滤波后的图像ib进行掩膜操作,得到掩膜后的图像ibb;
(3d)对ibb进行阈值分割,得到阈值分割后的二值图像ibc,并对二值图像iba与二值图像ibc进行逻辑或运算,得到感兴趣区域roi图像ia的二值图像ic;
(4)获取二值图像ic横条纹噪声抑制后的二值图像id:
(4a)初始化迭代次数为t,最大迭代次数为t,t≥1,二值图像ic第t次横条纹噪声抑制后的二值图像为idt,并令t=1,idt=ic;
(4b)统计二值图像idt中每一行像素幅值为1的像素个数,得到像素个数序列n={n1,n2,…,ni,…,nm′},并判断n中的最大值max与n″之间是否满足
(4c)对像素个数序列n进行一阶前向差分,得到一阶前向差分序列δn={δn1,δn2,…δnd,…,δnm′-1},并根据δn中的最大值所对应的位置d1和最小值所对应的位置d2,确定二值图像idt中横条纹噪声所处的行范围d1+1~d2,以及横条纹噪声的宽度w=d2-d1,其中,δnd表示相邻行像素幅值为1的像素个数的差,δnd=nd+1-nd,0<d1≤m′-1,0<d2≤m′;
(4d)选取二值图像idt中大小为l×n″的二值图像ica,并统计ica中每一列像素幅值为1的像素个数,得到像素个数序列v={v1,v2,…vj,…,vn″},其中,l=l2-l1+1,l1和l2分别表示对二值图像idt进行选取时选取的起始行和终止行,l1=max(1,d1+1-w),l2=min(m′,d2+w),max(,)表示求两者最大值,min(,)表示求两者最小值,vj表示二值图像ica的第j列中像素幅值为1的像素个数,0<j≤n″;
(4e)当vj≤w时,将二值图像idt的第d1+1行至第d2行中的第j列像素的幅值置为0,否则,保持二值图像idt的第d1+1行至第d2行中的第j列像素的幅值不变,得到第t次横条纹噪声抑制后的二值图像idt;
(4f)判断t≥t是否成立,若是,得到二值图像ic横条纹噪声抑制后的二值图像id并输出,否则,令t=t+1,并执行步骤(4b);
(5)获取二值图像id中的空中目标长度特征的提取结果:
(5a)提取二值图像id中幅值为1的像素的坐标信息,得到二维坐标矩阵
(5b)根据gs中第1列元素的最小值对应的行数q1和最大值对应的行数q2,确定二值图像id中空中目标的头部坐标(xq1,yq1)和尾部坐标(xq2,yq2),并结合步骤(1)中的距离维分辨率pr,计算二值图像id中空中目标的长度length:
本发明与现有技术相比,具有如下优点:
1.本发明通过采用高斯滤波方法,对获取到的方位维与距离维分辨率相等的感兴趣区域roi图像进行平滑滤波,提高了图像中空中目标的平滑、连续和完整性,且能够较好的保持空中目标真实的形状信息,使得经过图像分割获取到的感兴趣区域roi图像的二值图像中的空中目标的形状与其真实的形状更接近,克服了现有技术对方位维与距离维分辨率相等的感兴趣区域roi图像进行形态学滤波时,引起图像中的空中目标失真的问题,能够保证提取到的空中目标的头部坐标和尾部坐标更准确。仿真结果表明,本发明与现有技术相比,有效地提高了isar图像空中目标特征提取的精度。
附图说明
图1是本发明的实现流程图;
图2是本发明实施例中所使用的isar图像的幅度图像;
图3是本发明实施例中提取的感兴趣区域roi图像;
图4是本发明实施例中获取的方位维与距离维分辨率相等的感兴趣区域roi图像;
图5是本发明实施例中对感兴趣区域roi图像ia进行平滑滤波得到的滤波后的图像ib;
图6是本发明实施例中对ib的备份图像ib′进行阈值分割得到的二值图像iba;
图7是本发明实施例中对ibb进行阈值分割,得到的二值图像ibc;
图8是本发明实施例中得到的感兴趣区域roi图像ia的二值图像ic;
图9是本发明实施例中对二值图像ic进行横条纹噪声抑制得到的二值图像id;
图10是本发明与现有技术对本实施例所采用的isar图像空中目标长度特征提取精度的仿真结果对比图。
具体实施方式
以下结合附图和具体实施例,对本发明作进一步详细描述。
参照图1,本发明包括如下步骤:
步骤1)对isar图像进行预处理:
(1a)获取包含有空中目标的大小为m×n的isar图像a,a的行维对应的距离维的分辨率为pr,列维对应的方位维的分辨率为pa,isar图像a的原始的图像数据是复数据,每个像素上的复数信息为空中目标及周围背景上对应散射点反射率的表现,由于处理复数数据时比较困难且效率低,因此对isar图像a的原始的复数据取模值,得到a的幅度图像a′,幅度图像a′的数据为实数数据,便于后续的处理,其中,m≥100,n≥100;本实例中,选取的空中目标为飞机目标,即选取1幅外场试验飞机目标的isar图像a,isar图像a的幅度图像a′如图2所示,其大小为512×256,距离维分辨率pr=0.3000m,方位维分辨率pa=0.5390m;
(1b)对幅度图像a′进行归一化,得到像素幅度为0~255的灰度图像i,其中,归一化按如下公式进行:
其中,a′(x,y)为幅度图像a′中的第x行第y列的像素的幅度值,i(x,y)为归一化后得到的灰度图像i中的第x行第y列的像素的幅度值,cmax为幅度图像a′中像素的最大幅值;
相比光学图像和sar图像,isar图像中的背景和目标结构相对较为单一、简单,不存在目标复杂的纹理和背景杂乱等情况,因此通常得到的灰度图像i仅由两个区域组成,一个区域是由飞机目标上的像素点组成的区域,称为灰度图像i的前景区域,也称飞机目标区域,另一个区域是由非飞机目标上的像素点组成的区域,称为灰度图像i的背景区域,通常灰度图像i的背景区域大于前景区域,如果对灰度图像i进行处理,则背景区域中的大量像素点对后续的目标长度特征提取没有贡献且会造成计算效率下降,因此需要提取灰度图像i中的感兴趣区域roi图像i′,感兴趣区域roi是指被处理图像中的包含研究目标区域的近似最小区域,区域形状可以为矩形、圆形、椭圆、不规则多边形等,本实例中选择矩形区域,可直接作为图像进行后续图像处理,具体的提取灰度图像i中大小为m′×n′的感兴趣区域roi图像i′步骤为:
(1b1)计算灰度图像i中每一行的所有像素的幅值之和,得到行像素幅值之和序列rs=[rs1,rs2,…,rsx,…,rsm],并计算rs中元素的均值rm,其中,rsx表示灰度图像i的第x行的所有像素幅值之和;
(1b2)计算rs中每个元素rsx与rm的差,得到序列r=[r1,r2,…,rx,…rm],并将r中大于0的元素对应的位置的最小值xmin和最大值xmax分别作为灰度图像i感兴趣区域的起始行和终止行,其中,rx=rsx-rm;
(1b3)计算灰度图像i中每一列的所有像素的幅值之和,得到列像素幅值之和序列cs=[cs1,cs2,…,csx,…,csm],并计算cs中元素的均值cm,其中,csy表示灰度图像i的第y列的所有像素幅值之和;
(1b4)计算cs中每个元素csy与cm的差,得到序列c=[c1,c2,…,cx,…cm],并将c中大于0的元素对应的位置的最小值ymin和最大值ymax分别作为灰度图像i感兴趣区域的起始列和终止列,其中,cy=csy-cm;
(1b5)将灰度图像i中的第xmin行至第xmax行,以及第ymin列至第ymax列所形成的大小为m′×n′的矩形区域图像,确定为灰度图像i的感兴趣区域roi图像i′,其中,m′=xmax-xmin,n′=ymax-ymin;
本实例中,得到的灰度图像i中的感兴趣区域roi图像i′如图3所示,其大小为230×180,从图3中可以看出,感兴趣区域roi图像为包含飞机目标的近似最小的矩形区域的图像,其中,既包含了完整的飞机目标区域图像又尽可能少的包含背景区域,在不影响目标特征提取结果的条件下尽可能地降低计算复杂度。
步骤2)获取方位维与距离维分辨率相等的感兴趣区域roi图像ia:
由于步骤(1a)中的isar图像a的距离维分辨率取决于测量雷达的带宽,方位维分辨率取决于非合作目标的旋转速度,因此isar图像a存在距离维分辨率与方位维分辨率不相等的问题,由于感兴趣区域roi图像的距离维分辨率等于isar图像a的距离维分辨率pr,方位维分辨率等于isar图像a的方位维分辨率pa,因此感兴趣区域roi图像也存在距离维分辨率与方位维分辨率不相等的问题,当感兴趣区域roi图像ia的方位维分辨率与距离维分辨率不相等时,后续得到的空中目标的头部坐标和尾部坐标与其真实的头部坐标与尾部坐标存在较大偏差,导致空中目标长度特征提取的结果存在较大误差,因此需要获得方位维与距离维分辨率相等的图像。通常同一个雷达系统对空中目标成像时得到的isar图像其距离维分辨率是相等的,而方位维分辨率通常各不相同,于是通过调整方位维分辨率使其与距离维分辨率相等,获得方位维与距离维分辨率相等的图像,具体的获取步骤为:计算方位维分辨率pa与距离维分辨率pr比值
步骤3)获取感兴趣区域roi图像ia的二值图像ic:
由于空中目标的长度特征提取是基于感兴趣区域roi图像ia中的前景区域即空中目标的特性实现的,因此首先需要把isar图像中的目标从背景中提取出来,即图像分割,分割的效果直接决定特征提取的准确度,因此,图像分割是特征提取中的关键步骤,具体的获取感兴趣区域roi图像ia的二值图像ic的步骤为:
(3a)利用高斯滤波方法对感兴趣区域roi图像ia进行平滑滤波,高斯滤波的窗口大小为5×5~9×9,得到滤波后的图像ib,并对ib进行备份,得到ib的备份图像ib′;
由于目标回波的幅度的起伏特性,得到的isar图像中目标呈稀疏、离散、孤立的散射点分布,其感兴趣区域roi图像ia中的图像也呈现同样的性质,如图4所示,ia中的目标的散射点较稀疏、离散、孤立,这往往会导致无法对ia进行有效的分割,若直接对ia进行图像分割,得到的二值图像中的目标的边缘轮廓既不完整也不连续,导致后续得到的目标的头部和尾部坐标存在较大误差,严重影响isar图像空中目标长度特征提取的精度。因此在图像分割之前,需要对感兴趣区域roi图像ia中的目标区域进行连接和填充,提高图像中目标的连通性,使目标平滑、连续且完整。
常用的图像填充、连接和删除的方法为形态学滤波,这种方法虽然能够图像中目标区域的连接和填充,但由于相比于舰船目标,飞机等空中目标的isar图像中的散射点更加稀疏、离散,其感兴趣区域roi图像ia中的图像也呈现同样的性质,采用形态学滤波方法对ia中的空中目标进行填充和连接时,需要采用较大的结构元素才能对ia中的空中目标实现充分的填充和连接,但由于结构元素过大会使得ia中的空中目标被过度连接和填充,空中目标的边缘被扩大,引起图像中的空中目标失真,严重影响isar图像空中目标长度特征提取的精度。针对形态学滤波存在的缺陷,本方法提出利用高斯滤波方法对感兴趣区域roi图像ia进行平滑滤波。
高斯滤波器是一种线性平滑滤波器,适用于消除高斯噪声,在图像处理领域最广泛的应用为光学图像去噪,通常噪声在光学图像中呈现随机分布,且噪声点的幅值远远偏离邻域内的像素幅值的平均值,即噪声点的幅值相对于邻域内的像素幅值发生突变,因此利用邻域内像素幅值的加权平均代替噪声点的幅值,抑制像素幅值突变,使噪声点的幅值服从邻域内像素点的统计特性,实现光学图像去噪。然而,相比于光学图像,isar图像通常表现为稀疏、孤立的散射中心分布形式,isar图像中目标上缺失的像素即目标上幅值较小的像素本质上是目标上回波较弱的散射点,通常这些目标上缺失的像素点的幅值相对于邻域内的像素点的幅值明显较小,即相对于邻域内的像素幅值发生突变,因此isar图像中目标上缺失的像素与光学图像中的噪声由同样的特性,于是可将isar图像中目标上缺失的像素看作“噪声”,通过对isar图像进行平滑滤波,抑制图像中的“噪声”,本质上是通过对目标上缺失的像素利用其邻域内像素幅值的加权平均幅值进行填充,提高目标上缺失的像素的幅值,使其服从邻域内像素的统计特性,使图像中的目标平滑、连续且完整;且由于平滑滤波中的高斯滤波具有平滑作用的同时,能够较好的保留目标的边缘及形状信息,因此,本方法提出利用高斯滤波方法对感兴趣区域roi图像ia进行平滑滤波,使得图像中的空中目标更加完整,边界清晰连续,同时能够较好的保持空中目标真实的边缘及形状信息,克服了形态学滤波方法引起的空中目标失真的问题,使得经过图像分割获取到的感兴趣区域roi图像的二值图像中的空中目标的形状与其真实的形状更接近,因此空中目标长度特征的提取结果更精确。
高斯滤波的窗口大小选取应注意:窗口越小,对图像中目标的连接和填充效果越差,滤波模板越大,对图像中目标的边缘保留效果越差,目标的边界越模糊,因此高斯滤波的窗口大小一般为5×5~9×9,本实例中的高斯滤波的窗口大小为7×7,标准差为20,得到的滤波后的图像ib如图5所示,可以看到,相比于滤波前的图像ia,ib中的飞机目标更加平滑、连续且完整,同时较好的保留了空中目标真实的形状信息;
(3b)对ib的备份图像ib′使用ostu方法进行阈值分割,得到分割阈值为t1,利用阈值t1对ib′进行二值化,得到二值图像iba,并对iba进行备份,得到iba的备份图像iba′,本实例得到的二值图像iba如图6所示。
将二值图像中幅值为1的像素点组成的集合称为二值图像的前景区域,幅值为0的像素点组成的集合称为背景区域,从图6可以看出,分割后的二值图像iba的前景区域只包含了飞机目标上的部分像素点,即图像ib′中的飞机目标并没有被完整分割出来,这是因为步骤2)中得到的感兴趣区域roi图像ia中的飞机目标上存在少数强散射点ah的幅度较所有散射点的幅度均值大得多的情况,ia中的少数强散射点ah经均值滤波在滤波后的图像ib′(ib)中形成飞机目标上像素幅度较大的区域,称为飞机目标上的强幅度区域ib1′(ib1),即图像ib′(ib)中像素幅值大于或等于t1的区域,ib′(ib)中除ib1′(ib1)以外的区域ib2′(ib2)中的像素幅值小于t1,且ib2′(ib2)由两部分组成,一部分是ib′(ib)中的飞机目标上除强幅度区域ib1′(ib1)以外的区域,称为飞机目标上的弱幅度区域ib21′(ib21),另一部分是ib′(ib)中除飞机目标以外的背景区域ib22′(ib22),即ib′=ib1′+ib2′=ib1′+ib21′+ib22′,ib=ib1+ib2=ib1+ib21+ib22,虽然ib′中的飞机目标上的弱幅度区域ib21′的像素幅值大于ib′中的背景区域ib22′的像素幅值,但由于ib21′的像素幅值仍小于阈值t1,因此ib′中的飞机目标上的弱幅度区域ib21′和背景区域ib22′被分割为二值图像iba的背景区域,只有ib′中的飞机目标上的强幅度区域ib21′被分割为二值图像iba的前景部分,因此分割后的二值图像iba的前景区域只包含图像ib′中的飞机目标上的强幅度区域的像素点,不包含飞机目标上的强幅度区域的像素点,即图像ib′中的飞机目标并没有被完整地分割为二值图像iba的前景区域;
(3c)对备份图像iba′进行取反,并将取反结果作为掩膜矩阵,对模糊图像ib进行掩膜操作,得到掩膜后的图像
(3d)对ibb使用ostu方法进行阈值分割,得到分割阈值t2,利用t2对ibb进行二值化,得到二值图像ibc,本实例得到的二值图像ibc如图7所示,由于ibb中的非零区域对应于ib中的ib2区域,而ib中的ib2区域又由两部分组成,一部分是ib中的飞机目标上的弱幅度区域ib21,ib21中的像素幅值大于或等于t2,另一部分是ib中除飞机目标以外的背景区域ib22,ib22中的像素幅值小于t2,于是ibb中的非零区域中对应于ib中的飞机目标上的弱幅度区域ib21区域被分割为二值图像ibc的前景区域,ibb中的其它区域被分割为二值图像ibc的背景区域,即二值图像ibc的前景区域包含ib中的飞机目标上的弱幅度区域ib21的像素点;
将步骤(3b)中得到的ib′阈值分割后的二值图像iba与ibb阈值分割后的二值图像ibc进行逻辑或运算,得到感兴趣区域roi图像ia的二值图像ic;本质上是将二值图像iba的前景区域与二值图像ibc的前景区域的并集作为二值图像ic的前景区域,二值图像iba的前景区域包含图像ib′中的飞机目标上的强幅度区域ib1′的像素点,由于ib′是ib的备份图像,则ib′=ib,则二值图像iba的前景区域包含图像ib中的飞机目标上的强幅度区域ib1的像素点,二值图像ibc的前景区域包含ib中的飞机目标上的弱幅度区域ib21的像素点,则ib1与ib21的并集即为ib中的飞机目标上的所有像素集合,则二值图像ic的前景区域包含ib中的飞机目标上的所有像素,实现了将飞机目标完整有效地提取出来,本实例得到的感兴趣区域roi图像ia的二值图像ic如图8所示,可以看出,飞机目标被较为完整地提取出来,且图8的二值图像ic中含有横条纹噪声。
步骤4)获取二值图像ic横条纹噪声抑制后的二值图像id:
横条纹噪声在二值图像ic中主要表现为一定长度的“亮点”(幅值为1的像素点)集合,通常横条纹噪声只出现在目标区域附近。引起横条纹噪声的主要原因有以下几方面,1)目标上强散射点副瓣的影响;2)自聚焦误差引起的;3)目标中存在旋转的部件。在一般图像中,大部分横条纹噪声主要由目标上强散射点的二维散布函数副瓣引起的。横条纹噪声严重影响了图像的质量,对目标长度特征的提取造成了严重的影响,因此在特征提取前需要进行横条纹噪声抑制。横条纹噪声抑制的具体步骤如下:
(4a)初始化迭代次数为t,最大迭代次数为t,t≥1,本实例中t=4,二值图像ic第t次横条纹噪声抑制后的二值图像为idt,并令t=1,idt=ic;
(4b)统计二值图像idt中每一行像素幅值为1的像素个数,得到像素个数序列n={n1,n2,…,ni,…,nm′},并判断n中的最大值max与n″之间是否满足
(4c)对像素个数序列n进行一阶前向差分,得到一阶前向差分序列δn={δn1,δn2,…,δnd,…,δnm′-1},计算δn中的最大值所对应的位置d1,d1表示二值图像idt中的第d1+1行的像素幅值为1的像素个数较前一行增加的最多,即第d1+1行对应于二值图像idt中的横条纹噪声的起始行,计算δn中的最小值所对应的位置d2,d2表示二值图像idt中的第d2+1行的像素幅值为1的像素个数较前一行减少的最多,即第d2行对应于二值图像idt中的横条纹噪声的终止行,由此可确定二值图像idt中横条纹噪声所处的行范围d1+1~d2,以及横条纹噪声所占的行数即横条纹噪声的宽度为w=d2-d1,其中,δnd表示相邻行像素幅值为1的像素个数的差,δnd=nd+1-nd,0<d1≤m′-1,0<d2≤m′;
(4d)选取二值图像idt中大小为l×n″的二值图像ica,并对ica与大小为l×1的全1卷积核h进行卷积操作,得到卷积结果序列v={v1,v2,…,vj,…,vn″},其中,l=l2-l1+1,l1和l2分别表示对二值图像idt进行选取时选取的起始行和终止行,l1=max(1,d1+1-w),l2=min(m′,d2+w),max(,)表示求两者最大值,min(,)表示求两者最小值,vj表示ica的第j列与h的卷积结果,0<j≤n″;
(4e)当vj≤w时,将二值图像idt的第d1+1行至第d2行中的第j列像素的幅值置为0,否则,保持二值图像idt的第d1+1行至第d2行中的第j列像素的幅值不变,得到第t次横条纹噪声抑制后的二值图像idt;
(4f)判断t≥t是否成立,若是,得到二值图像ic横条纹噪声抑制后的二值图像id并输出,否则,令t=t+1,并执行步骤(4b);
本实例对二值图像ic进行横条纹噪声抑制得到的二值图像id如图9所示,可以看出,横条纹噪声得到了有效的抑制。
步骤5)获取二值图像id中的飞机目标长度特征的提取结果:
(5a)提取二值图像id中幅值为1的像素的坐标信息,得到二维坐标矩阵
(5b)根据gs中第1列元素的最小值对应的行数q1和最大值对应的行数q2,确定二值图像id中飞机目标的头部坐标(xq1,yq1)和尾部坐标(xq2,yq2),飞机目标的头部与尾部之间的连线长度即为飞机目标的长度,结合步骤(1)中的距离维分辨率pr,计算二值图像id中飞机目标的长度length:
本实例得到的飞机目标长度特征提取结果如图10(a)所示,其中飞机目标的头部坐标为(xq1,yq1)=(26,204),尾部坐标为(xq2,yq2)=(195,27),pr=0.3000m,则飞机目标的长度
下面结合仿真实验,对本发明的技术效果作进一步的描述。
1、仿真条件和内容:
仿真是在cpu为intel(r)core(tm)i7-10700f2.90ghz、内存32g的windows10系统上进行的,使用的仿真实验的软件平台为matlabr2019a。本实验所用数据为:本实施例中所采用的1幅外场试验空中飞机目标的isar图像,其幅度图像如图2所示,其大小为512×256,距离维分辨率为0.3000m,方位维分辨率为0.5390m,以及50幅外场试验空中飞机目标的isar图像,其大小均为512×256,且距离维分辨率都为0.3000m,方位维分辨率各不相同。
对本发明和现有的isar图像目标长度特征提取方法的提取结果和提取精度进行对比,结果分别如图10和表1所示。
2、仿真结果分析:
表1
参照图10,图10(a)为本发明对本实施例所采用的isar图像空中目标长度特征提取结果,图10(b)为现有技术本实施例所采用的isar图像空中目标长度特征提取结果,从图10(a)中可以得到,本发明得到的飞机目标的头部坐标为(26,204),尾部坐标为(195,27),长度为
参见表1,表1给出的是50幅isar图像飞机目标长度特征提取结果的平均提取精度,由表1可以看出,本方法提取的飞机目标长度特征结果相比于现有方法,提取结果的精度提升了4.63%。
综上所述,外场实验的实测数据isar图像空中目标长度特征提取结果验证了本方法相较于现有的isar图像空中目标长度特征提取方法提取结果精度更高,具有重要的实际意义。
以上描述仅是本发明的一个具体实例,不构成对本发明的任何限制,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修改和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。