CN103886285A - 先验地理信息辅助下的光学遥感影像舰船检测方法 - Google Patents

Abstract

一种先验地理信息辅助下的光学遥感影像舰船检测方法，包括建立港口和海岸线相关的先验地理信息库，得到纠正后的待检测遥感影像；进行区域分割提取边界线，根据海岸线矢量库获取海岸线矢量，进行海岸线变化检测；海陆分离得到海面区域和靠岸区域；针对海面区域，先基于多视觉显著性进行舰船疑似目标检测，再基于多特征的机器学习方法在舰船疑似目标中检测舰船；针对靠岸区域，进行全局显著性检测得到初始的疑似区域，再根据形态信息进行图像分割获取最终的疑似区域，之后利用多特征约束检测靠岸舰船目标。本发明采用先验地理信息、视觉显著性、机器学习、证据理论，从多种特征入手解决复杂光学遥感影像舰船检测问题。

Description

先验地理信息辅助下的光学遥感影像舰船检测方法

技术领域

本发明涉及遥感影像处理技术领域，尤其是涉及一种基于先验地理信息的遥感影像复杂场景中舰船的高精度可靠检测方法。

背景技术

舰船作为海上运输载体和重要的军事目标，其自动检测与识别具有非常重要的现实意义，在舰船寻找与救助、捕鱼船监视、非法移民、保卫领土、反毒品、舰船非法倾倒油污检测与海上运输管理等方面都有着广泛的应用。光学遥感影像由于具有覆盖幅度宽、重访周期短、成像分辨率高、内容丰富、符合人类直观理解等特点，使之成为舰船检测的最有效手段。

在高分辨率复杂光学影像上进行舰船检测存在如下难题：（1）在复杂海洋环境条件下，海面在卫星遥感影像上呈现杂乱无章的鱼鳞光、大面积反光区域、不规则运动的丰富纹理波浪等，中小型舰船目标可能会隐藏在复杂的背景杂波中，从而影响舰船目标的检测与识别。（2）舰船目标影像上海况(风浪)、气象(云雾)、水色等造成遥感影像中海陆特性不稳定、周边小岛等干扰非常多，复杂多变的背景使目标与背景的可分离性太差，舰船检测难度大。（3）高分辨率遥感影像的种类较多、尺度不一，影像中目标细节会有差异，且舰船目标由于本身类内差异较大（航母、军舰、商船、渔船等），导致出现“同类别异特性”和“同特性异类别”的现象，从而使得舰船目标有效特征提取困难，给遥感目标的快速有效检测与识别带来了新的挑战。

对于高分辨率光学影像中的舰船目标检测，通常包括对海上舰船和港口靠岸舰船的检测两类。由于海面自然背景与舰船在灰度特性上对比比较明显，检测较为容易，因此目前大多数文献主要针对海面舰船检测开展研究。对于码头停靠的舰船，由于其背景区域包括海面和人造目标码头，近岸舰船的灰度、纹理特征与岸上设施非常相近，且由于二者经常粘连以及阴影的影响，使得靠岸舰船自动检测难度大，文献较少。

现有的舰船目标检测的算法大体上首先进行海陆分离；并在此基础上利用舰船目标与海洋背景的差异，从海域中获取包含舰船目标的疑似候选区域；最后在候选区域中利用舰船特征与其它干扰因素（云、海浪、杂波、海岛等）进一步区分，进行舰船目标的确认与分类。典型的方法包括基于灰度统计特征、基于分形理论、基于视觉注意模型三大类。基于灰度统计特征的方法主要利用水体与舰船目标的灰度统计差异性特征（灰度、影像信息熵、形态学对比度、局部统计方差等）进行影像分割，从而获取舰船目标候选区域。该类方法一般适用于海面较为平静、纹理均匀且水体灰度较低的情况。而对于海面复杂的情况，如大海浪、云层遮挡或水体灰度较亮、噪声、阴影等干扰因素，加上舰船目标的黑白极性，同一舰船目标不同部位的灰度特征也不一致，此方法易产生较多的漏警和虚警。基于分形理论的方法利用自然景物和舰船目标的分形维数有一定的差别原理，根据此差异使得运用分形理论和技术进行舰船检测成为可能，其检测结果稳定，优于边缘检测、阈值分割，但当背景比较复杂时，如受到云雾等干扰时，背景自相似性降低，用分形模型拟合误差较大，算法检测效率比较低。近年来由于视觉注意方法将人类视觉***可快速聚焦于感兴趣区域的特性而被引入到舰船目标候选区域的提取中，该模型通过模拟人脑的视觉神经机制，兼顾了局部的随机性和全局的规律性，检测结果连通性较好，对噪声、模糊、对比度和亮度均有很好的鲁棒性。但其对于影像尺度变化敏感，在不同尺度上的“显著性目标”差异较大，当影像是覆盖面积很广，包含陆地、岛屿等地物的巨幅遥感影像时，舰船相对于整幅影像不再是显著目标，此时基于视觉注意模型的方法不再有效。

尽管以上这些方法都在不同程度上解决了舰船检测的问题，但存在以下问题：1）现有提取舰船目标特征的方法往往只针对特定的影像、小范围影像块进行处理，提取的特征局限性大，检测效率低，不能适用于大范围复杂海况影像上的舰船检测；2）由于影像质量、复杂背景下海浪、云雾、海岛和舰船本身多样性的干扰，导致现有方法检测舰船目标的虚警和漏检率高，检测结果可靠性不高；3）靠岸舰船检测关注较少，即使有些方法利用了先验地理信息进行海陆分离，但主要应用于粗略估计海陆位置进行海面舰船检测。实际情况中靠岸舰船由于灰度、纹理特征与岸上设施非常相近，且由于二者经常粘连以及阴影的影响，使得靠岸舰船检测更为复杂。总的来说现有舰船检测方法普适性、可靠性均有待提高，特别对于复杂场景精度不高。因此需要迫切寻找一种检测效率高、普适性高且兼顾海面与靠岸舰船的检测方法。

发明内容

为了克服现有技术缺陷，本发明提出了一种基于先验地理信息辅助下的复杂遥感影像中舰船检测方法。

本发明提出了一种先验地理信息辅助下的光学遥感影像舰船检测方法，包括以下步骤：

步骤1，建立港口和海岸线相关的先验地理信息库，包括多尺度的港口控制点影像库和海岸线矢量库；

步骤2，利用RPC参数得到纠正后的待检测遥感影像，或者根据待检测遥感影像的地理坐标，从港口控制点影像库取相应控制点影像并进行匹配，得到纠正后的待检测遥感影像；

步骤3，对纠正后的待检测遥感影像进行区域分割提取边界线，根据海岸线矢量库获取海岸线矢量，进行海岸线变化检测；

步骤4，利用根据海岸线矢量库获取的海岸线矢量，实现海陆分离，得到海面区域和靠岸区域；

步骤5，针对海面区域，先基于多视觉显著性进行舰船疑似目标检测，再基于多特征的机器学习方法在舰船疑似目标中检测舰船；

步骤6，针对靠岸区域，先将步骤4海陆分离后的靠岸区域作为检测区域，在检测区域内进行全局显著性检测，得到初始的疑似区域；再根据形态信息进行图像分割，获取最终的疑似区域；之后利用多特征约束检测靠岸舰船目标。

而且，步骤3包括以下子步骤，

步骤3.1，叠加对应待检测遥感影像地理坐标范围的海岸线，包括以下子步骤，

步骤3.1.1，从海岸线矢量库取在待检测遥感影像地理坐标范围内的一条或多条点串作为初始的先验矢量线；

步骤3.1.2，取每个点串前两个点与最后两个点分别做延长线，并与待检测遥感影像的边缘形成交点；

步骤3.1.3，将前后两个交点作为起点和终点加入初始的先验矢量线，得到新的海岸线矢量线；

步骤3.2，对海岸线进行变化检测，包括以下子步骤，

步骤3.2.1，对纠正后的待检测遥感影像进行区域分割，提取边界线；

步骤3.2.2，将边界线与步骤3.1.3所得矢量线进行匹配，计算边界线与海岸线的重合率；

步骤3.2.3，若重合率达到相应预设阈值，则进入步骤4，否则停止流程，提示进行海岸线更新。

而且，步骤5中，基于多视觉显著性进行舰船疑似目标检测包括以下子步骤，

步骤5.1.1，将步骤4海陆分离后的海面区域作为检测区域，在检测区域内进行全局显著性检测，检测区域中点(i,j)的全局显著性采用S_g(i,j)表示，

步骤5.1.2，在检测区域内进行局部显著性检测，检测区域中点(i,j)的局部显著性采用S_l(i,j)表示；

步骤5.1.3，计算综合显著图如下，

定义规范化函数N(s)如下，

N(s)＝(s-min(s))/(max(s)-min(s))

式中，s表示区域内每一点的全局或局部显著性值，min(s)、max(s)分别表示区域内显著性的最小、最大值；

定义综合显著图S_c如下，

$S_c=\exp \{-\frac{{\left(N\left(S_g\right)\right)}^2+{(N\left(S_l\right)-1)}^2}{2}\}$

式中，N(S_l)、N(S_g)分别表示根据规范化函数N(S)规范化后的局部、全局显著值。

而且，在检测区域内进行全局显著性检测的实现方式如下，

设检测区域共有N个像素，检测区域内的RGB平均值如下，

$\stackrel{\‾}{R}=\frac{1}{N}\mathrm{\Σr}(i,j),\stackrel{\‾}{G}=\frac{1}{N}\mathrm{\Σg}(i,j),\stackrel{\‾}{B}=\frac{1}{N}\mathrm{\Σb}(i,j)$

其中，r(i,j)、g(i,j)、b(i,j)为纠正后的待检测影像上检测区域内(i,j)处的颜色特征值；

将检测区域内部影像进行高斯平滑，得到检测区域内点(i,j)新的颜色特征值r_G(i,j),g_G(i,j),b_G(i,j)；

检测区域中点(i,j)的全局显著度表示如下，

$S_g(i,j)=\left|\right|\stackrel{\‾}{R}-r_G(i,j)\left|\right|+\left|\right|\stackrel{\‾}{G}-g_G(i,j)\left|\right|+\left|\right|\stackrel{\‾}{B}-b_G(i,j)\left|\right|$

式中，||·||表示L₂范数。

而且，步骤6中，根据形态信息进行图像分割，获取最终的疑似区域的实现方式如下，

首先，利用形状信息对分割出的区域进行Hausdorff距离匹配；之后判断目标是否发生粘连，如没有，直接利用多特征约束检测靠岸舰船目标，如发生，利用形态学运算进行目标分割，然后利用多特征约束检测靠岸舰船目标。

而且，步骤6中，利用多特征约束检测靠岸舰船目标，包括计算靠岸舰船的置信度如下，

$P_{\mathrm{Judge}}=\frac{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{R}_j\×{\mathrm{\ρ}}_j}{J}$

式中，R_j为证据j的置信度。ρ_j为证据的隶属度，J为证据总个数；

根据预先划分的置信区间、拒绝区间、不确定区间，认为置信度处于置信区间的对象是船，并入对象集B_s，置信度处于拒绝区间的是其它地物，并入对象集B_N。

而且，设J=4，根据预设的面积特征证据置信度R_iArea、纹理特征证据置信度R_i3、链码特征证据置信度R_iT，靠岸距离证据置信度R_iL和相应特征隶属度ρ_Area、ρ₃、ρ_T、ρ_L，计算靠岸舰船的置信度，

a)面积与周长特征隶属度ρ_Area检测如下，

ρ_Area=80*area/perimeter^2

其中area表示影像面积，perimeter表示影像周长；

b)纹理特征隶属度ρ₃检测如下，

${\mathrm{\ρ}}_3={\mathrm{\Σ}}_{i=0}^{L-1}{(s_i-m)}^{2}p\left(s_i\right)$

式中s_i为像素点灰度值，p(s_i)为具有该灰度值的像素点所占区域的比例，其均值为

L为图像灰度值的最大值；

c)链码特征隶属度ρ_T检测如下，

(1)求出待检区域的边界的Freeman链码的差分链码d;

(2)根据d，求出待检区域的边界的夹角序列θ，设θ_i为夹角序列θ中第i个点处的夹角，

${\mathrm{\θ}}_i=\arccos \left(\frac{{d_{i+1}}^2+{d_i}^2-{z_{i+1}}^2}{{2d}_{i+1}{d}_i}\right)$

其中，n为曲线上拐角点的个数，i的取值范围是0到n-1，d_i为第i-1个点到第i个点的距离，d_i+1为第i个点到第i+1个点的距离，z_i为第i-1个点到第i+1个点的距离；

(3)求出隶属度 ${\mathrm{\ρ}}_T=\underset{i=1}{\overset{n-2}{\mathrm{\Σ}}}({\mathrm{\θ}}_{\mathrm{mi}}-{\mathrm{\θ}}_{\mathrm{li}})$

其中，θ_mi为待检影像边缘曲线上第i个点处的夹角，θ_li为模板曲线第i个点处的夹角。

d)靠岸距特征离隶属度检测如下，

${\mathrm{\ρ}}_L=\frac{|\mathrm{Ax}+\mathrm{By}+C|}{\sqrt{A^2+B^2}}$

其中Ax+By+C=0为与疑似目标距离最近的矢量线线段，（x，y）为疑似目标质心点的坐标。

而且，步骤2取得纠正后的待检测遥感影像后，进行水体指数判断，若纠正后的待检测遥感影像包含99%以上的海面，则直接进入步骤6，反之进入步骤3。

对比现有技术，本发明的有益特点如下：

1）先验地理信息库的建立：根据检测影像具有地理坐标特点以及地理信息具有恒稳性特点，建立多尺度的控制点影像库和海岸线库特别是重点港口的精确矢量线数据库；

2）利用先验地理信息海陆分离：利用控制点影像库对影像进行配准的基础上，调取矢量库中的矢量与待检影像进行叠合，通过判断矢量线与影像的套和情况，进行海岸线变化检测，实现精准海陆分离，提高舰船检测精度；

3）基于多视觉显著特征的ROI疑似区域检测：利用多视觉显著性快速寻找舰船疑似区域，能很好地进行目标-背景的分离降低漏检，同时去除大面积的云，海浪，海岛等虚警干扰；

4）多特征集成的单体舰船检测：综合应用舰船特有的几何、纹理、形状、V字型结构等特征作为判断依据，结合证据理论进行舰船目标逐级筛选，实现靠岸及海上舰船目标的实时检测；

5）反馈与更新：海岸线如有变化，更新海岸线；新检测的影像采集与更新控制点影像库中；根据检测结果将舰船目标及其他干扰目标分别添加到正负样本库中，并训练更新分类器。

附图说明

图1为本发明的流程图。

具体实施方式

本发明基于地理先验信息的复杂海面遥感影像舰船检测方法是利用舰船的显著特征和海岸线地理信息特征，对遥感影像进行海陆分离，得到海面影像与岸边范围影像，对海面影像进行预处理，再根据影像熵对有疑似舰船存在的子影像块进行单个舰船的检测。

实施例流程可采用计算机软件技术实现自动运行，如图1所示，具体包括以下步骤：

具体实施过程如下：

步骤1，利用用户拥有的遥感卫星影像以及GOOGLEARTH等建立多尺度的港口控制点影像库，利用OPENSTREETMAP等开放地理信息源建立海岸线矢量库，一起构成先验地理信息库。

一般可利用SPOT，QUICKBIRD，资三等卫星影像。具体实施时，可以获取全球范围内已建港口的经纬度坐标，建立港口信息表。在GOOGLEARTH上下载全球港口数据，同时采集每个港口所在区域的海岸线矢量数据。根据港口所属国家和所在的经纬度范围建立港口影像素材库，即港口控制点影像库。

海岸线数据分为两种，港口区域海岸线数据和自然海岸线数据。针对港口数据，可以预先采取人工精确采集的方式得到；针对自然海岸线数据，数据源为OPENSTREETMAP开源数据。下载过程如下：

a)使用OpenStreetMap API(XAPI)，选择下载区域，构建一个范围边界框，再构建一个http api URL，从OSM服务器下载矢量原始数据。API的格式形式如下：

http://www.overpass-api.de/api/xapi?map?bbox=113.8623,30.19262,114.85107,30.87394

b)对下载的矢量的原始数据进行解析。

c)利用第三方的库创建所需的矢量数据格式，将解析所得数据写入所需矢量中。

d)将下载的自然海岸线数据按经纬网格进行打断，依照GeoHash原则，以经纬度为基础对每组海岸线进行编号。之后将港口数据也依据上述准则进行编号，并替换相应范围内的海岸线数据。

步骤2，利用影像RPC参数到纠正后的待检测遥感影像，或根据待检测遥感影像的地理坐标，与已有精确控制点港口影像库的匹配得到纠正后的待检测遥感影像。

首先判断输入的遥感影像（即待检测影像）是否具有RPC参数，有则采用RPC参数对影像进行几何纠正。如果没有RPC参数，则根据控制点影像库定位遥感影像。

实施例中，输入的遥感影像如果有RPC参数，则直接利用现有软件对影像进行几何纠正。对于没有RPC参数的待检测影像，利用影像库存储基准影像进行配准。具体根据输入遥感影像的大致范围从影像库中取出对应的控制点影像作为参考图像，与输入影像进行sift匹配，得到两幅影像上同一个点的影像坐标。然后把参考影像上的该点的像素坐标根据参考影像的起始点地理坐标和地理分辨率换算成地理坐标，结合待检测影像上该点的像素坐标进行纠正。

为进一步提高效率，取得纠正后的待检测遥感影像后，可先对其进行水体指数判断。若其包含99%以上的海面，则直接进入步骤6的海面舰船检测，反之则进入步骤3，匹配对应的海岸线。

步骤3，由于海岸线的现势性问题，在影像匹配基础上利用已有的对应海岸线矢量叠加，并进行海岸线变化检测。为提高效率，可先进行水体指数判断。

实施例中的步骤3具体包括：

步骤3.1，叠加对应待检测遥感影像范围的海岸线。

具体实施时，分为以下几个步骤：

步骤3.1.1，根据矢量线经纬度索引，从海岸线矢量库取在遥感影像地理坐标范围内的一条或多条点串作为初始的先验矢量线。

步骤3.1.2，由于每一条海岸线对应的影像范围为整个港口，而遥感影像往往不能恰好包含整个港口区域，因此取每个点串前两个点与最后两个点分别做延长线，并与待检测遥感影像的边缘形成交点。

步骤3.1.3，将前后两个交点作为起点和终点加入初始的先验矢量线，所得的新的海岸线矢量线恰好能与影像范围相对应。

步骤3.2，对海岸线进行变化检测，判断其是否发生变化。

步骤3.2.1，对纠正后的待检测遥感影像进行区域分割，提取其边界线。

步骤3.2.2，将边界线与步骤3.1.3所得矢量线进行匹配，计算其边界线与海岸线的重合率。

步骤3.2.3，若重合率达到相应预设阈值（例如70%），则视为套和。若套和，则自动进入下一步，即步骤4。若没有套和，则可停止本流程，提示用户进行人工半自动提取更新部分的海岸线，以便进行对应海岸线更新。

步骤4，利用步骤3.2.2中匹配时的矢量线，实现精确海陆分离。

在海陆分离时，需判断海岸线的哪边是海洋，哪边是陆地，因此，在采集过程中统一规定，按起点到终点的方向（即采集方向），左边是海，右边是陆地。在***运行时，首先建立与纠正后的待检测遥感影像大小，坐标一致的全黑掩膜影像，之后判断海岸线的起点和终点落在影像哪条边上，选择影像对应陆地的角点点***点串，使矢量线成为一条包含陆地区域的封闭的曲线，然后新建掩膜影像将海面部分填充为白色，完成海陆分离，得到海面区域和靠岸区域。

步骤5，针对海面区域的海上舰船目标，利用多视觉显等特征结合机器学习进行检测：海上舰船检测时分粗、细分层筛选策略，以提高检测效率。在海面上首先利用多视觉显著性快速寻找舰船疑似目标，并在此基础上提取疑似目标的纹理、形状及几何结构特征，采用SVM方法进行舰船目标的进一步检测确认。

具体实施时，包括以下子步骤：

步骤5.1，基于多视觉显著性的舰船疑似目标检测。首先在大面积海域中采用全局显著性检测，经全局显著性检测进行目标-背景分离，即将大范围的海面背景与舰船目标分离开来。其次采用局部显著性检测，突出局部范围内具有特殊（稀有）灰度、方向的目标，抑制大范围的云和海浪区域。最后将两类显著图整合并加入全局一致性因子，此过程大大减少云和杂波的影响，对于薄云遮盖下的舰船也能突出出来，从而能较好的提取舰船疑似目标。具体过程如下：

步骤5.1.1，将步骤4海陆分离后的海面区域作为检测区域，在区域内进行全局显著性检测：

全局显著性检测借鉴Achanta等人提出的频率调谐(Frequency-tuned，FT)显著检测方法，此处采用影像RGB颜色空间中的各特征均值与影像高斯平滑后的差为显著度。该方法简单易实现，能提取较完整的显著目标，且其内部一致性好。同时，由于云、海浪及杂波亮度高的特性，造成检测结果中包含大量的这些类干扰。计算如下：

区域（共有N个像素）内的颜色特征分别以整个区域的RGB平均值表示，其全局均值分别为

$\stackrel{\‾}{R}=\frac{1}{N}\mathrm{\Σr}(i,j),\stackrel{\‾}{G}=\frac{1}{N}\mathrm{\Σg}(i,j),\stackrel{\‾}{B}=\frac{1}{N}\mathrm{\Σb}(i,j)$     （1）

r(i,j)、g(i,j)、b(i,j)为纠正后的待检测影像上海面区域内(i,j)处的颜色特征值。

降低噪声及杂波的影响，将区域内部影像进行高斯平滑，得到新的颜色特征值，点(i,j)的颜色特征值表示为：r_G(i,j),g_G(i,j),b_G(i,j)；

区域中每个点的全局显著度表示为：

$S_g(i,j)=\left|\right|\stackrel{\‾}{R}-r_G(i,j)\left|\right|+\left|\right|\stackrel{\‾}{G}-g_G(i,j)\left|\right|+\left|\right|\stackrel{\‾}{B}-b_G(i,j)\left|\right|$     （2）

式中，||·||表示L₂范数，即高斯平滑后的像素RGB值与整个区域的RGB平均值之间的欧氏距离。

步骤5.1.2，在区域内进行局部显著性检测：

云、海浪及大面积的杂波具有较高的全局显著性，但由于其大范围分布，局部显著性相对目标会小的多。局部显著性检测采用Harel等人基于图的（Graph-based visual saliency，GBVS）显著性检测方法，该方法通过将Itti等人的特征图归一化来突出显著部分。此方法倾向于在有显著边缘部分产生高显著性值，而不是均匀地突出整个物体，因此对于大范围的云、杂波及海浪有很强的抑制作用。此方法能快速计算影像的局部显著性，且符合人类的生物视觉特性。将区域内计算得到每一点的局部显著性采用S_l(i,j)表示。

步骤5.1.3，计算综合显著图：

为了合并全局和局部显著图，首先将得到的显著图进行规范化。对定义规范化函数N(s):

N(s)＝(s-min(s))/(max(s)-min(s))    （3）

式中，s表示区域内每一点的显著性值（全局或局部），min(s)、max(s)分别表示区域内显著性的最小、最大值。

本文使用2Ｄ的高斯型混合函数对其融合。函数定义如下综合显著图S_c为：

$S_c=\exp \{-\frac{{\left(N\left(S_g\right)\right)}^2+{(N\left(S_l\right)-1)}^2}{2}\}$     （4）

式中，N(S_l)、N(S_g)分别表示根据规范化函数N(S)规范化后的局部、全局显著值。若某一点的显著性值分别在局部和全局显著性一致时，融合后其显著性分数会很高，也表示其在图像中很显著。因此融合后的综合显著性可以突出全局及局部均显著的舰船疑似目标，进一步抑制全局显著性很高云、浪等干扰区域，完成疑似靠岸舰船目标的初步提取。具体实施时，可通过Ｏｔｓｕ方法来自动选取合适的阈值，当海面区域中点(i,j)的S_c大于阈值时判断该点属于疑似靠岸舰船目标。

步骤5.2，利用基于多特征的机器学习方法在显著目标（疑似舰船目标）中检测舰船。步骤5.1检测出的显著目标不一定就是需要检测的舰船目标，也可能是与舰船形状和大小相类似的目标，例如小岛、海浪、小块的云朵以及一些其他海上目标，因此需要对其进行进一步的识别确认。舰船的外形和纹理与小岛、海浪等其他海上目标存在着较为明显的差异，这也正是对这些显著目标进行识别区分的依据。此处通过提取显著目标的纹理、几何和形状特征，并进一步通过SVM分类器进行舰船检测。

具体实施时，本领域技术人员可自行设定显著目标的纹理、几何和形状特征提取方式。实施例的具体步骤如下：

步骤5.2.1，纹理特征提取

LBP（Local Binary Pattern，局部二值模式）是一种用来描述影像局部纹理特征的算子，它具有旋转不变性和灰度不变性等显著的优点，对于不同光照下的目标描述具有很好的鲁棒性。此处采用Ojala等提出的等价模式（Uniform Pattern）LBP进行显著目标的纹理特征描述，最终形成整个显著目标区域的LBP纹理特征向量（58维）。

步骤5.2.2，几何特征提取

对提取出的每个显著目标，分别提取如下：

1）面积:以显著目标中的像素总数作为目标面积。

2）最小外接矩形的长宽之比:是舰船的重要参数，最小外接矩形的长轴即舰船目标的主轴。

3）矩形度:显著目标的区域轮廓所围成的面积与最小外接矩形面积之比。

4）紧致度:显著目标的周长的平方与面积之比，描述显著目标的轮廓复杂程度。

几何特征共4维，提供结构特征描述。

步骤5.2.3，形状特征提取

采用Belongie等人提出的形状上下文SC（Shape Contexts）特征进行描述，该特征无视图形的旋转、缩放等变形，是一种简单且鲁棒寻找图形间的一致性的方法。此处采用SC特征进行显著目标的形状特征描述，提供尺度不变形状SC特征，最终形成整个显著目标区域轮廓的SC特征向量（64维）。

步骤5.2.4，基于SVM的舰船目标检测。

在完成了纹理特征、几何特征和形状特征提取后，得到了一个126维的特征向量，利用SVM方法进行分类。在用SVM实现舰船目标检测问题中时，只需要确实显著目标是舰船还是非舰船两类即可。而在将测试样本输入到SVM之前，预先使用大量的样本数据对SVM进行训练。因此，可以预先用舰船、非舰船两类样本（正、负样本）提取126维的特征向量构成样本特征库并对SVM进行训练，以从待检测影像的海面区域中提取出的每个显著目标为测试样本，输入SVM分类器，即可得到显著目标是舰船还是非舰船的结果。

综上所述，步骤5.1实现基于多视觉显著特征的ROI疑似区域检测，步骤5.2实现多特征集成的单体舰船检测。

步骤6，针对靠岸舰船目标，利用显著度以及形状信息进行图像分割得到疑似目标，提取舰船疑似目标多个特征并检测隶属度，结合证据概率检测属于舰船的置信度。

步骤6.1，利用全局显著度进行影像分割，得到初始的疑似区域

将步骤4海陆分离后的靠岸区域作为检测区域，在区域内进行全局显著性检测。和步骤5.1.1中的全局显著性检测实现方式相同，在步骤5中已有详细介绍，此处不再赘述。一般检测后，靠岸区域中大部分点(i,j)的全局显著性S_g(i,j)为0，其他为非0值的点设为属于初始的疑似区域。

步骤6.2，利用舰船形状先验信息进行精细舰船目标分割

具体实施中，首先，利用形状信息对分割出的区域进行Hausdorff距离匹配。之后判断目标是否发生粘连，如没有，转入下一步步骤6.3，如发生，利用形态学运算进行目标分割，然后进入步骤6.3。

步骤6.2.1，对步骤6.1所得初始的疑似区域进行Hausdorff距离匹配

定义模板影像中的边缘点用T表示，并且将搜索影像中的边缘点表示为E。那么，模板影像的边缘点集T与待搜索影像的边缘点集E之间的Hausdorff距离可以表示为:H(T,E)=max(h(T,E),h(E,T))，其中，函数

||·||表示L₂范数，即高斯平滑后的像素RGB值与整个区域的RGB平均值之间的欧氏距离。模板为舰船首部“V”字型结构以及平行线，若其距离小于经验阈值，则视为疑似目标，否则排除。

步骤6.2.2：判断目标是否发生粘连，在粘连时利用形态学运算进行目标分割。

具体分割方法如下：首先，利用Freeman链码差提取凹点，为防止过度分割，分割弦弦长必须要小于某个值，即d<=P/π，其中d为两点间距离，P为周长，这就保证了只分割距离d小于等于以P为周长的假想圆直径的点。其次，凹点的弦弧比不得小于1.5。边界上两点之间弧的长度与它们间的距离比称为弦弧比，在粘连的情况下，目标边界构成弧。构成目标的最起码条件是弧应为优弧，即它应大于弦的1.5倍。满足上述两个条件d<=P/π和凹点的弦弧比不得小于1.5，即目标发生粘连，可对凹点进行连接，从而对粘连目标进行分割，得到最终的疑似区域。

步骤6.3，提取步骤6.2所得疑似区域的特征，利用多特征约束检测靠岸舰船目标。

实施例提取遥感影像中待检测区域的周长、面积、纹理以及链码特征，并根据不同的隶属函数检测各特征的隶属度，采用分配置信度的方式给予各个特征证据概率ρ_Area、ρ₃、ρ_T、ρ_L，结合不同特征提取结果的隶属度，计算靠岸舰船的置信度。

具体实施方案如下：

a)面积与周长特征隶属度检测：ρ_Area=80*area/perimeter^2;    （6）

其中area表示影像面积，perimeter表示影像周长（80是常数）

b)纹理特征隶属度检测（三阶矩）：    （7）

式中s_i为像素点灰度值，p(s_i)为具有该灰度值的像素点所占区域的比例，其均值为

L为图像灰度值的最大值，默认取值为255。

c)舰首特征隶属度(链码特征隶属度)检测：

(4)求出待检区域的边界的Freeman链码的差分链码d。

(5)根据d，求出待检区域的边界的夹角序列θ，设θ_i为夹角序列θ中第i个点处的夹角，

${\mathrm{\&theta;}}_i=\arccos \left(\frac{{d_{i+1}}^2+{d_i}^2-{z_{i+1}}^2}{{2d}_{i+1}{d}_i}\right)$

其中，n为曲线上拐角点的个数。i的取值范围是0到n-1，d_i为第i-1个点到第i个点的距离，d_i+1为第i个点到第i+1个点的距离，z_i为第i-1个点到第i+1个点的距离。

(6)求出隶属度ρ_T： ${\mathrm{\&rho;}}_T=\underset{i=1}{\overset{n-2}{\mathrm{\&Sigma;}}}({\mathrm{\&theta;}}_{\mathrm{mi}}-{\mathrm{\&theta;}}_{\mathrm{li}});$     （8）

其中θ_mi为待检影像边缘曲线上第i个点处的夹角，θ_li为模板曲线第i个点处的夹角。

d)靠岸距离隶属度检测：    （9）

其中Ax+By+C=0为与疑似目标距离最近的矢量线线段，（x，y）为疑似目标质心点的坐标。

根据证据理论原理，疑似区域各个特征证据通过分配置信度的方式给予，具体实施时本领域技术人员可根据具体情况预先设置置信度。将检测出的面积、纹理、形状特征进行组合来计算疑似区域的置信度。认为置信度处于置信区间的对象是船，并入对象集B_s，置信度处于拒绝区间的是其它地物，并入对象集B_N，置信区间、拒绝区间、不确定区间可由技术人员根据实际情况预先给定划分。置信度P_Judge的公式如下：

$P_{\mathrm{Judge}}=\frac{\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}{R}_j\&times;{\mathrm{\&rho;}}_j}{J}$     （10）

其中，R_j为证据j的置信度。ρ_j为证据的隶属度，如果没有检测到相应证据，则ρ_j取0。J为证据总个数，最终计算出的置信度P_Judge。实施例的证据为4个，即J=4，相应的R_j为面积特征证据置信度R_iArea、纹理特征证据置信度R_i3、链码特征证据置信度R_iT，靠岸距离证据置信度R_iL，分别如a）、b）、c）、d）采用相应隶属函数得到各个特征证据隶属度ρ_Area、ρ₃、ρ_T、ρ_L。

综上所述，步骤6.1、6.2实现基于多视觉显著特征的ROI疑似区域检测，步骤6.3实现多特征集成的单体舰船检测。

步骤5、6可并行进行。具体实施时，还可以定期对矢量数据库以及控制点影像库进行更新。根据舰船检测结果更新样本库。

海岸线矢量、影像库更新：因自然地貌变化，港口改建等原因可能造成海岸线变化。根据步骤3.2的检测结果，若海岸线发生变化，链接OPENSTREETMAP开源地理信息库，下载对应区块的海岸线数据，存储到数据库中。同时定期进行自动下载以及提醒用户补充人工采集数据，实现海岸线矢量及影像库更新。

样本更新：根据检测结果将舰船目标及其他干扰目标分别添加到正负样本库中，并训练更新分类器。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (9)

1.一种先验地理信息辅助下的光学遥感影像舰船检测方法，其特征在于，包括以下步骤：

步骤1，建立港口和海岸线相关的先验地理信息库，包括多尺度的港口控制点影像库和海岸线矢量库；

步骤2，利用RPC参数得到纠正后的待检测遥感影像，或者根据待检测遥感影像的地理坐标，从港口控制点影像库取相应控制点影像并进行匹配，得到纠正后的待检测遥感影像；

步骤3，对纠正后的待检测遥感影像进行区域分割提取边界线，根据海岸线矢量库获取海岸线矢量，进行海岸线变化检测；

步骤4，利用根据海岸线矢量库获取的海岸线矢量，实现海陆分离，得到海面区域和靠岸区域；

步骤5，针对海面区域，先基于多视觉显著性进行舰船疑似目标检测，再基于多特征的机器学习方法在舰船疑似目标中检测舰船；

步骤6，针对靠岸区域，先将步骤4海陆分离后的靠岸区域作为检测区域，在检测区域内进行全局显著性检测，得到初始的疑似区域；再根据形态信息进行图像分割，获取最终的疑似区域；之后利用多特征约束检测靠岸舰船目标。

2.根据权利要求1所述先验地理信息辅助下的光学遥感影像舰船检测方法，其特征在于：步骤3包括以下子步骤，

步骤3.1，叠加对应待检测遥感影像地理坐标范围的海岸线，包括以下子步骤，

步骤3.1.1，从海岸线矢量库取在待检测遥感影像地理坐标范围内的一条或多条点串作为初始的先验矢量线；

步骤3.1.2，取每个点串前两个点与最后两个点分别做延长线，并与待检测遥感影像的边缘形成交点；

步骤3.1.3，将前后两个交点作为起点和终点加入初始的先验矢量线，得到新的海岸线矢量线；

步骤3.2，对海岸线进行变化检测，包括以下子步骤，

步骤3.2.1，对纠正后的待检测遥感影像进行区域分割，提取边界线；

步骤3.2.2，将边界线与步骤3.1.3所得矢量线进行匹配，计算边界线与海岸线的重合率；

步骤3.2.3，若重合率达到相应预设阈值，则进入步骤4，否则停止流程，提示进行海岸线更新。

3.根据权利要求1所述先验地理信息辅助下的光学遥感影像舰船检测方法，其特征在于：步骤5中，基于多视觉显著性进行舰船疑似目标检测包括以下子步骤，

步骤5.1.1，将步骤4海陆分离后的海面区域作为检测区域，在检测区域内进行全局显著性检测，检测区域中点(i,j)的全局显著性采用S_g(i,j)表示，

步骤5.1.2，在检测区域内进行局部显著性检测，检测区域中点(i,j)的局部显著性采用S_l(i,j)表示；

步骤5.1.3，计算综合显著图如下，

定义规范化函数N(s)如下，

N(s)＝(s-min(s))/(max(s)-min(s))

式中，s表示区域内每一点的全局或局部显著性值，min(s)、max(s)分别表示区域内显著性的最小、最大值；

定义综合显著图S_c如下，

$S_c=\exp \{-\frac{{\left(N\left(S_g\right)\right)}^2+{(N\left(S_l\right)-1)}^2}{2}\}$

式中，N(S_l)、N(S_g)分别表示根据规范化函数N(S)规范化后的局部、全局显著值。

4.根据权利要求1或3所述先验地理信息辅助下的光学遥感影像舰船检测方法，其特征在于：在检测区域内进行全局显著性检测的实现方式如下，

设检测区域共有N个像素，检测区域内的RGB平均值如下，

$\stackrel{\&OverBar;}{R}=\frac{1}{N}\mathrm{\&Sigma;r}(i,j),\stackrel{\&OverBar;}{G}=\frac{1}{N}\mathrm{\&Sigma;g}(i,j),\stackrel{\&OverBar;}{B}=\frac{1}{N}\mathrm{\&Sigma;b}(i,j)$

其中，r(i,j)、g(i,j)、b(i,j)为纠正后的待检测影像上检测区域内(i,j)处的颜色特征值；

将检测区域内部影像进行高斯平滑，得到检测区域内点(i,j)新的颜色特征值r_G(i,j),g_G(i,j),b_G(i,j)；

检测区域中点(i,j)的全局显著度表示如下，

$S_g(i,j)=\left|\right|\stackrel{\&OverBar;}{R}-r_G(i,j)\left|\right|+\left|\right|\stackrel{\&OverBar;}{G}-g_G(i,j)\left|\right|+\left|\right|\stackrel{\&OverBar;}{B}-b_G(i,j)\left|\right|$

式中，||·||表示L₂范数。

5.根据权利要求1所述先验地理信息辅助下的光学遥感影像舰船检测方法，其特征在于：步骤6中，根据形态信息进行图像分割，获取最终的疑似区域的实现方式如下，

首先，利用形状信息对分割出的区域进行Hausdorff距离匹配；之后判断目标是否发生粘连，如没有，直接利用多特征约束检测靠岸舰船目标，如发生，利用形态学运算进行目标分割，然后利用多特征约束检测靠岸舰船目标。

6.根据权利要求1所述先验地理信息辅助下的光学遥感影像舰船检测方法，其特征在于：步骤6中，利用多特征约束检测靠岸舰船目标，包括计算靠岸舰船的置信度如下，

$P_{\mathrm{Judge}}=\frac{\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}{R}_j\&times;{\mathrm{\&rho;}}_j}{J}$

式中，R_j为证据j的置信度。ρ_j为证据的隶属度，J为证据总个数；

根据预先划分的置信区间、拒绝区间、不确定区间，认为置信度处于置信区间的对象是船，并入对象集B_s，置信度处于拒绝区间的是其它地物，并入对象集B_N。

7.根据权利要求6所述先验地理信息辅助下的光学遥感影像舰船检测方法，其特征在于：设J=4，根据预设的面积特征证据置信度R_iArea、纹理特征证据置信度R_i3、链码特征证据置信度R_iT，靠岸距离证据置信度R_iL和相应特征隶属度ρ_Area、ρ₃、ρ_T、ρ_L，计算靠岸舰船的置信度，

a)面积与周长特征隶属度ρ_Area检测如下，

ρ_Area=80*area/perimeter^2

其中area表示影像面积，perimeter表示影像周长；

b)纹理特征隶属度ρ₃检测如下，

${\mathrm{\&rho;}}_3={\mathrm{\&Sigma;}}_{i=0}^{L-1}{(s_i-m)}^{2}p\left(s_i\right)$

式中s_i为像素点灰度值，p(s_i)为具有该灰度值的像素点所占区域的比例，其均值为

L为图像灰度值的最大值；

c)链码特征隶属度ρ_T检测如下，

(1)求出待检区域的边界的Freeman链码的差分链码d;

(2)根据d，求出待检区域的边界的夹角序列θ，设θ_i为夹角序列θ中第i个点处的夹角，

${\mathrm{\&theta;}}_i=\arccos \left(\frac{{d_{i+1}}^2+{d_i}^2-{z_{i+1}}^2}{{2d}_{i+1}{d}_i}\right)$

其中，n为曲线上拐角点的个数，i的取值范围是0到n-1，d_i为第i-1个点到第i个点的距离，d_i+1为第i个点到第i+1个点的距离，z_i为第i-1个点到第i+1个点的距离；

(3)求出隶属度 ${\mathrm{\&rho;}}_T=\underset{i=1}{\overset{n-2}{\mathrm{\&Sigma;}}}({\mathrm{\&theta;}}_{\mathrm{mi}}-{\mathrm{\&theta;}}_{\mathrm{li}})$

其中，θ_mi为待检影像边缘曲线上第i个点处的夹角，θ_li为模板曲线第i个点处的夹角。

d)靠岸距特征离隶属度检测如下，

${\mathrm{\&rho;}}_L=\frac{|\mathrm{Ax}+\mathrm{By}+C|}{\sqrt{A^2+B^2}}$

其中Ax+By+C=0为与疑似目标距离最近的矢量线线段，（x，y）为疑似目标质心点的坐标。

8.根据权利要求1或2或3或5或6或7所述先验地理信息辅助下的光学遥感影像舰船检测方法，其特征在于：步骤2取得纠正后的待检测遥感影像后，进行水体指数判断，若纠正后的待检测遥感影像包含99%以上的海面，则直接进入步骤6，反之进入步骤3。

9.根据权利要求4所述先验地理信息辅助下的光学遥感影像舰船检测方法，其特征在于：步骤2取得纠正后的待检测遥感影像后，进行水体指数判断，若纠正后的待检测遥感影像包含99%以上的海面，则直接进入步骤6，反之进入步骤3。

Images