买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国人民解放军空军工程大学申请的专利一种基于稀疏增强和贝叶斯显著性的SAR图像目标检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115294444B 。

龙图腾网通过国家知识产权局官网在2026-01-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210500753.3，技术领域涉及：G06V20/10；该发明授权一种基于稀疏增强和贝叶斯显著性的SAR图像目标检测方法是由倪嘉成;张群;王聃;李开明;梁佳;罗迎;张婧怡设计研发完成，并于2022-05-09向国家知识产权局提交的专利申请。

本一种基于稀疏增强和贝叶斯显著性的SAR图像目标检测方法在说明书摘要公布了：本发明提供一种基于SAR图像稀疏增强和贝叶斯显著性检测的SAR图像目标检测方法；包括：步骤一：输入一幅匹配滤波SAR图像，通过计算图像的灰度统计特性，得到SAR稀疏增强方法的正则化参数初值；步骤二：利用交替方向乘子法求解基于L1范数的卷积稀疏特征增强算法模型，得到SAR稀疏增强图像；步骤三：计算SAR稀疏增强图像的贝叶斯显著图，利用阈值检测方法对显著图进行二值化，实现最终的目标检测。本发明方法能够利用稀疏图像增强方法降低SAR相干斑噪声，降低背景灰度值，利用SAR图像显著性检测方法突出目标区域，进一步压低背景像素值，最终实现对地海面感兴趣目标的高效检测。

本发明授权一种基于稀疏增强和贝叶斯显著性的SAR图像目标检测方法在权利要求书中公布了：1.一种基于稀疏增强和贝叶斯显著性的SAR图像目标检测方法，其特征在于，该方法通过下列步骤实现： 步骤一：输入一幅匹配滤波SAR图像，通过计算图像的灰度统计特性，得到SAR稀疏增强方法的正则化参数初值；具体如下： Step01输入匹配滤波SAR图像其中，YMF表示通过匹配滤波获得的SAR图像，简称为“匹配滤波SAR图像”，表示图像尺寸为M×N像素；将图像灰度值归一化到[0,255]范围内，即8bit量化；然后计算图像的灰度直方图； Step02利用灰度直方图得到图像的稀疏率，利用稀疏率计算得到正则化参数的初始值； 定义匹配滤波SAR图像的稀疏率为sr＝NhiNMF，其中NMF表示匹配滤波SAR图像中所有像素点的数量，Nhi表示灰度值高于220的像素点数量；sr的值越大，表示图像中前景的像素点数量越多，越需要设置一个较小的稀疏正则化参数初值，而sr的值越小，表示图像中背景像素点的数量越多，越需要设置一个较大的稀疏正则化参数初值，来压低背景噪声强度； 定义稀疏正则化参数λ的初值和变化情况如下： λk＝ini+k·varYMF 其中ini表示初值，k表示计算SAR稀疏增强方法的迭代次数，varYMF表示输入图像的方差； 步骤二：利用交替方向乘子法求解基于L1范数的卷积稀疏特征增强算法模型，得到SAR稀疏增强图像； Step03基于矩阵乘法的ADMM算子，设计基于L1范数的卷积稀疏特征增强算法模型； 首先构建SAR图像稀疏增强模型，该模型基于如下表达式： YMF＝X+N2 其中为稀疏增强结果，尺寸为M×N像素；表示稀疏增强结果与原始图像的不同；通过L1范数稀疏正则化方法求解X；具体是通过如下稀疏模型求解X的估计值 其中，表示X的估计值，表示矩阵的F范数，||||1表示L1范数，λ是正则化参数；表示矩阵X与矩阵C的卷积运算，C具体表达式为： 其中c1∈[0.5,1]为0.5到1之间的常数；通过卷积运算消除目标中已经被置零的散射点；设定卷积过程中滑动步长为1，并在卷积后剔除边缘点，使得卷积后的图像大小与输入图像一致；ε表示一个较小的常数，⊙表示矩阵的哈达玛Hadamard乘积； Step04计算ADMM算法中三步迭代的具体表达式，得到一次迭代过程中的SAR稀疏增强结果； 利用矩阵相乘的ADMM算法，利用迭代步骤，分步计算稀疏增强图像辅助矩阵拉格朗日乘子矩阵具体而言，设定X、Z，β、Pc初始值为其中I为单位矩阵，Pc表示连通域矩阵，表示第k次迭代中的连通域矩阵，控制着算法的终止条件；X，Z，β三个矩阵的迭代优化表达式如下： βk+1＝βk+ρXk+1-Zk+17 其中，k表示迭代次数，上角标k+1表示第k+1次迭代中的相应数值；公式5中，L·表示目标函数，ρ表示惩罚因子，用于控制算法的重构精度和收敛速度；公式6中，S·；·表示迭代软阈值操作，T表示阈值矩阵，表达式如下： 其中sign·表示sigmoid非线性函数，|·|表示取绝对值，maxx，0表示取x或0中的最大值；常数ε为较小的常数； 步骤三：计算SAR稀疏增强图像的贝叶斯显著图，利用阈值检测方法对显著图进行二值化，实现最终的目标检测； Step05利用SAR稀疏增强结果计算超像素块，并计算基于超像素块的贝叶斯先验显著图； 利用SAR稀疏增强图像作为输入来计算超像素块，直接利用单线性迭代聚类SLIC算法进行超像素分割，利用像素点i和超像素种子点j之间的灰度差di和距离差ds来度量像素点之间的相似性Dij，然后利用SLIC算法进行分割，具体度量表达式如下： 其中li表示像素点i处的灰度值，xi，yi表示像素点i的位置；通过SLIC算法得到分割后的超像素点si，i＝1,2，...Ns；Ns为超像素块的数量； 得到si后，计算超像素块的贝叶斯先验显著图Psal|si如下： 其中ωpossi，sj表示距离权重，dintsi，sj表示超像素块sj中所有像素点与si中心像素点的欧式距离数值，将该数值归一化到[0,1]之间；距离参数σpos控制着超像素之间距离的贡献度；dshapesi表示si中所有像素点的数量； 计算得到Psal|si后，利用最小-最大尺度法得到归一化先验显著图公式为： 其中，Pminsal|si表示最小的显著图值，Pmaxsal|si表示最大的显著图值； 利用公式11得到所有超像素块的归一化先验显著图后，将所有的组合起来到整幅图像的先验显著图 Step06判断归一化先验显著图中前10个像素点数量最多的连通域的变化情况，当这10个连通域的像素点和对应的像素值变化范围小于设定的阈值时，利用归一化先验显著图计算得到最终的贝叶斯显著图； 首先利用归一化先验显著图计算图像的超像素属于前景fg还是背景bg，利用先验显著图的像素值的均值作为阈值进行分割，若超像素的归一化先验显著图的像素值大于均值，则认为该超像素属于前景区域fg，否则属于背景，具体公式如下： 其中si表示第i个超像素块，mean·表示超像素块中先验显著性像素点的灰度均值； 进一步计算前景fg中最大的前10个连通域，将剩余的较小连通域像素值置0，处理后的前景区域计为为M×N矩阵； 判断：如果或者迭代次数k＞Ns， 则：令k＝k+1，继续返回计算公式5； 如果则输出特征增强结果X，整幅图像的归一化先验显著图 计算最终的贝叶斯先验显著图，对于整幅SAR图像中的某一像素点z，该点的最终显著图值利用如下公式计算： 其中Pz|sal和Pz|bg分别表示显著性区域和背景区域的后验概率，Nfgz表示利用公式12得到的背景区域bg中，与z点的灰度值相同的像素点个数，Nbgz表示前景区域fg中，与z点的灰度值相同的像素点个数；Nfg和Nbg分别表示经过公式12处理后，SAR图像中前景和背景中像素点的总数； Step07利用阈值检测方法将贝叶斯显著图二值化，得到最终的目标检测结果； 具体为，设定基于Psal|z的全局阈值Tz，当图像中像素点z处的贝叶斯显著图值Psal|z大于该阈值时，将z点的像素值置1，即置1的像素位置即为目标区域，否则置0，置0的像素点所在位置为背景区域；得到最终的二值图像，即目标检测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军空军工程大学，其通讯地址为：710051 陕西省西安市灞桥区长乐东路甲字1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。