[發明專利]基于極化特征的分布式散射中心快速提取方法和裝置有效
| 申請號: | 201810160122.5 | 申請日: | 2018-02-26 |
| 公開(公告)號: | CN108389196B | 公開(公告)日: | 2020-06-26 |
| 發明(設計)人: | 邢笑宇;霍超穎;滿良 | 申請(專利權)人: | 北京環境特性研究所 |
| 主分類號: | G06T7/00 | 分類號: | G06T7/00;G06T7/11;G06T7/136;G06T7/187 |
| 代理公司: | 北京格允知識產權代理有限公司 11609 | 代理人: | 周嬌嬌;張沫 |
| 地址: | 100854*** | 國省代碼: | 北京;11 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 基于 極化 特征 分布式 散射 中心 快速 提取 方法 裝置 | ||
本發明涉及一種基于極化特征的分布式散射中心快速提取方法、裝置和設備,其中方法包括以下步驟:一種基于極化特征的分布式散射中心快速提取方法,其特征在于,該方法包括:利用閾值分割方法對四極化通道的ISAR圖像進行圖像分割;對圖像分割后的每個閉合區域運用慣量矩方法確定是否為分布式散射中心;在判斷為分布式散射中心時利用四極化通道的ISAR圖像在對應分割區域的散射幅度來構造分布式散射中心的極化散射矩陣,并基于所述極化散射矩陣對分布式散射中心的類型進行判斷。本發明相對于現有常用的分布式散射中心類型判斷方法,能夠更為準確、快速地實現典型分布式散射中心的類型判斷。
技術領域
本發明涉及電磁特性分析技術領域,尤其涉及一種基于極化特征的分布式散射中心快速提取方法、裝置和設備。
背景技術
聯合極化信息對分布式散射中心的類型進行判斷,常用的方法主要有三類:一類為基于屬性散射中心模型,提取分布式散射中心的方位及頻率依賴因子,從而實現對分布式散射中心的類型判斷,由于屬性散射中心模型的參數較多,結構復雜,需要循環迭代運算,因此該方法計算速度較慢,且容易陷入局優;第二類為使用CP-GTD(CoherentPolarization Geometrical Theory of Diffraction,基于相干極化幾何繞射理論)模型提取分布式散射中心的頻率依賴因子,從而判斷散射中心的類型;第三類為把分布式散射中心看作多個點散射中心的組合,分別利用GTD模型與極化分解理論獲取散射中心的頻率依賴特征與極化特征,結合兩者得到對散射中心的類型判斷結果。其中,第二、三類判斷方法均把分布式散射中心作為一個或多個點散射中心進行特征提取,沒有從分布式散射中心的整體電磁散射機理出發,因此難以準確地判斷其散射類型。
發明內容
本發明要解決的技術問題在于,針對現有分布式散射中心的類型判斷方法速度慢、準確性低的缺陷,提供一種基于極化特征的分布式散射中心快速提取方法、裝置和設備,能夠更為準確、快速地實現典型分布式散射中心的類型判斷。
為了解決上述技術問題,本發明第一方面,提供了一種基于極化特征的分布式散射中心快速提取方法,該方法包括以下步驟:
利用閾值分割方法對四極化通道的ISAR圖像進行圖像分割;
對圖像分割后的每個閉合區域運用慣量矩方法確定是否為分布式散射中心;
在判斷為分布式散射中心時利用四極化通道的ISAR圖像在對應分割區域的散射幅度來構造分布式散射中心的極化散射矩陣,并基于所述極化散射矩陣對分布式散射中心的類型進行判斷。
在根據本發明所述的基于極化特征的分布式散射中心快速提取方法中,優選地,所述利用閾值分割方法對四極化通道的ISAR圖像進行圖像分割,包括:
通過以下公式利用閾值T對HH通道的ISAR圖像進行處理,處理后的圖像O′(x,y)為:
其中,τQhh(x,y)|為HH通道的ISAR圖像的坐標(x,y)處像素對應的散射強度復數Qhh(x,y)的幅度值;
將處理后圖像O′(x,y)與處理前圖像Qhh(x,y)作像素點乘運算,得到ISAR圖像的分割結果:
其中,O′(x,y)=1的像素點被O′(x,y)=0的像素點包圍形成多個閉合區域,則每個閉合區域存在一個散射中心;采用上述同樣的方法得到HV通道、VH通道和VV通道的ISAR圖像的分割結果。
在根據本發明所述的基于極化特征的分布式散射中心快速提取方法中,優選地,所述閾值T取值為0.01max{|Qhh(x,y)|}。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于北京環境特性研究所,未經北京環境特性研究所許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201810160122.5/2.html,轉載請聲明來源鉆瓜專利網。
- 上一篇:圖像檢測方法及裝置
- 下一篇:基于深度學習的輸電線路缺陷檢測方法





