CN106384344B - 一种光学遥感图像海面舰船目标检测与提取方法 - Google Patents

Abstract

本发明公开了一种光学遥感图像海面舰船目标检测与提取方法。使用本发明能够有效降低虚警率，快速准确地提取不同大小的舰船目标，获取其数量和位置信息，且计算复杂度低。本发明基于频域模型的结合多视觉显著性进行检测，将超复数频域变换模型与四元数傅里叶变换相位谱法模型加权融合修正各自的不足，增强二者的优势，从而抑制海面背景干扰，增强了检测到的目标整体连续性和目标间的可区分性，高效地搜索海面目标区域。对图像中可能出现的厚重云层和岛屿等虚警，使用改进的梯度方向直方图方法表征目标的梯度结构分布特征，按照制定的规则和条件对检测到的目标进行鉴别，判断检测到的目标是否为舰船，大大降低了虚警率，提高了检测准确性。

Description

一种光学遥感图像海面舰船目标检测与提取方法

技术领域

本发明涉及遥感图像处理与分析技术领域，具体涉及一种光学遥感图像海面舰船目标检测与提取方法。

背景技术

近年来，随着对地观测技术的飞速发展，大批高空间分辨率的光学遥感成像卫星涌现，如：SPOT-5、IKONOS、GeoEye、Quickbird、WorldView、Pleiades系列、Skysat系列等，可获卫星亚米级分辨率全色影像；而无人机等航空影像更可实现近地高精度目标获取，航天航空遥感为海域目标检测和识别提供了极为丰富的数据源。而舰船作为海上监测和战时打击的重要目标，对其进行检测和识别可以监察重点海域的舰船分布情况，掌握敌方作战实力及分析海上作战情报，进行精确制导等；另外，还可以满足海上交通监管、反走私、海上搜救、扩展海上渔业、防治海洋污染等实际工作的需要。

然而，在实际光学遥感图像中，由于缺乏目标与背景的先验知识，遥感拍摄距离远，且相对舰船目标，海面背景复杂，特别是在恶劣天气条件下，云层、海雾遮蔽，光照不均匀等影响严重，导致图像质量下降，海面舰船目标微弱；而海杂波、海面反射光、阴影、舰船尾迹和其他干扰因素(如垃圾漂浮物、小型海岛等)也会影响检测结果，很容易导致虚警和漏检；另外，舰船类型和舰船材料多样，舰船目标的黑白极性，同一舰船目标的不同部位亮度和纹理特征也可能有很大差异，这些都给海面舰船目标检测带来了挑战，如何快速、精准、鲁棒地检测和提取海洋背景中的舰船目标区域，赢得更可能多的反应和处理时间，已成为当前迫切需要解决的难题。

目前，用于海面舰船目标区域的提取方法主要概括如下：传统光学遥感图像舰船检测大部分基于灰度统计特征和边缘信息的分割方法，这类方法适用于海面平静，纹理均匀，水体灰度较低且舰船与海面对比度较大时的情况，但对复杂情况如大海浪、云层遮挡、加上舰船黑白极性等，很容易导致虚警；基于分形模型和模糊理论的方法，可利用自然背景和人造背景分形特征的不同进行检测，但在云雾干扰时，背景自相似性降低，分形模型拟合误差较大；基于机器学习的方法，虽然可应对各种复杂环境背景，但是该类方法往往涉及多种复杂特征的提取和搜索匹配，耗时且难度较大难以满足快速处理的要求；基于视觉注意机制的目标检测方法，可迅速觉察到与当前场景和任务相关的信息，主要分为空间域和频域模型，空间域模型方法是提取图像的多种特征并融合进行目标检测，但应用于光学遥感舰船目标检测时，目标相对较小，容易受海况、天气、光照等干扰，而且背景抑制能力较弱，耗时相对较大，而基于频域的显著性检测方法在计算速度和背景抑制方面具有明显优势，但是对目标(尤其舰船目标较大时)的内部连续性和目标相近时的目标间可区分性不能兼顾。另外，在存在厚重云层和岛屿等干扰时，前述方法的虚警率会大大提高，虽然已有一些针对去云干扰的方法，但仍不能去除厚重云层。

发明内容

有鉴于此，本发明提供了一种光学遥感图像海面舰船目标检测与提取方法，由粗到精地实现了光学遥感图像中海面舰船目标的检测与识别，能够有效降低虚警率，快速准确地提取不同大小的舰船目标，获取其数量和位置信息，且计算复杂度低。

本发明的光学遥感图像海面舰船目标检测与提取方法，包括如下步骤：

步骤1，分别采用基于选择性视觉注意机制模型中的超复数频域变换方法和四元数傅里叶变换相位谱法对光学遥感原始图像的海面目标进行检测，分别获得显著性图S₁(x,y)和S₂(x,y)；

步骤2，对S₁(x,y)和S₂(x,y)进行加权融合，得到显著图S(x,y)；

步骤3，对显著图S(x,y)进行二值分割，得到二值图像，获得目标区域和海面背景区域；

步骤4，提取目标切片，具体包括如下子步骤：

步骤4.1：针对二值图像中的每个目标区域，计算最小外接矩形，其中，外接矩形的高和宽分别与二值图像的Y轴和X轴平行，然后将外接矩形定位到光学遥感原始图像中，获得疑似目标区域；

步骤4.2，将所述疑似目标区域向外扩大N个像素后，从光学遥感原始图像中提取出来，作为目标切片，其中，8≤N≤12；

步骤5，针对每个目标切片，进行小区域GrabCut精细分割；

步骤6，对精细分割后的目标切片进行0°～180°的Radon变换，最大Radon值对应的角度即为切片中目标的主轴方向与Y轴间的夹角θ′，将切片中的目标旋转所述θ′度，获得主轴与Y轴平行、且关于主轴对称的疑似目标；

步骤7，采用梯度分布直方图法表征目标特征，进行舰船目标与伪目标的鉴别，具体包括如下子步骤：

步骤7.1：针对步骤6获得的疑似目标，求解其360°方向的梯度，并将360°的梯度方向平均划分为8个区间，每个区间范围是45°，依次为[-22.5°～22.5°)，[22.5°～47.5°)，…，[-292.5°～337.5°)；

步骤7.2，将步骤6获得的疑似目标均分为上下两部分，分别计算目标整体B1、目标下半部分B2和目标上半部分B3三部分目标图像在8个方向区间上的梯度幅度统计特征；

步骤7.3：判断B1、B2和B3三部分目标图像在8个梯度方向区间上的梯度幅度直方图是否同时满足如下条件：

1)第一和第五区间的统计值高于其他的区间；

2)第一和第五区间对称分布，近似等高；

如果同时满足，则认为该目标切片的目标为舰船，否则，不是舰船。

进一步地，所述步骤1中，对超复数频域变换方法进行改进，采用改进后的超复数频域变换方法获得显著性图S₁(x,y)，具体包括如下子步骤：

步骤1.1.1，将光学遥感图像转换到CIE Lab颜色空间中，并求解CIE Lab颜色空间中三个特征通道的均值，以及各像素分别与三个特征通道均值的差值，以所述差值的平方作为光学遥感图像的三个颜色特征，构造光学遥感图像中每个像素位置处的四元数；

步骤1.1.2，对步骤1.1.1获得的四元数作离散余弦变换，得到图像的频域值Q₁[u,v]；

步骤1.1.3，用不同的高斯核函数对离散余弦变换后的幅度谱进行平滑滤波，抑制高频信息，增强低频信息；

步骤1.1.4，对步骤1.1.3获得的滤波结果进行离散余弦反变换，得到k个显著性图S₁，S₂，…，S_k，根据熵最小准则选出最佳尺度显著图S′(x,y)，对S′(x,y)进行平滑，得到显著图S₁(x,y)。

进一步地，所述步骤1中，对四元数傅里叶变换相位谱法进行改进，采用改进后的四元数傅里叶变换相位谱法获得显著性图S₂(x,y)，具体包括如下子步骤：

步骤1.2.1，利用Lab颜色空间中的三个颜色特征，构造光学遥感图像中每个像素位置处的四元数；

步骤1.2.2，对步骤1.2.1获得的四元数作离散余弦变换，得到图像的频域值Q₂[u,v]；

步骤1.2.3，计算离散余弦变换后的幅度谱的对数值；

步骤1.2.4，对带有相位信息和幅度信息的频域值进行离散余弦反变换，平滑后得到显著图S₂(x,y)。

进一步地，所述步骤2中，融合前先将S₁(x,y)和S₂(x,y)分别进行归一化，得到S₁′(x,y)和S₂′(x,y)，采用下式进行融合：

S(x,y)＝w₁·S₁′(x,y)+w₂·S₂′(x,y)

其中，w₁＝0.3，w₂＝1-w₁。

进一步地，所述步骤7.3中，令H＝{h_i,i＝1,2,3,…,8}，H_f＝{h₁,h₅}，H_p＝{h₂,h₃,h₄,h₆,h₇,h₈}，其中，h_i为直方图中8个方向梯度统计值，是H_f的平均值，是H_p的平均值；如果B1、B2和B3三部分目标的梯度幅值统计量同时满足如下条件：

则可判定检测到的目标为舰船，否则不是舰船；其中，α₁、α₂和γ为放松因子，α₁＝0.6，α₂＝0.7，γ＝0.65。

有益效果：

本发明方法没有诸多复杂的参数设置，也不依赖海面背景及目标分布特性的先验知识，针对海面背景下舰船目标的特点，提出了基于频域模型的结合多视觉显著性检测的方法，将改进的超复数频域变换模型与改进的四元数傅里叶变换相位谱法模型加权融合修正各自的不足，增强二者的优势，从而抑制海面背景干扰，增强了检测到的目标整体连续性和目标间的可区分性，高效地搜索海面目标区域。对图像中可能出现的厚重云层和岛屿等虚警，使用改进的梯度方向直方图方法表征目标的梯度结构分布特征，按照制定的规则和条件对检测到的目标进行鉴别，判断检测到的目标是否为舰船，大大降低了虚警率，提高了检测准确性。另外，本发明方法检测和鉴别时间都为秒级，实时性好，在校正速度和自动化程度上有了明显提升，能实现大范围海域的舰船目标快速发现定位和数量确定，该方法为进一步结合无人机或卫星平台姿态数据计算出各个舰船的位置、航向等情报信息，和舰船目标的分类识别打下基础。

附图说明

图1为本发明方法流程示意图。

图2为本发明海面舰船目标区域预检测过程图。其中，图2(a)为输入各种海面背景下的光学遥感影像；图2(b)为本发明提出的使用多视觉显著性模型得到的加权融合显著图；图2(c)为对显著图自适应分割二值化，在原始遥感图像中标记的结果；图2(d)为目标区域最小外接矩形计算；图2(e)为提取出的目标区域切片。

图3为Radon变换过程说明图。其中，图3(a)为精细分割后的舰船目标切片；图3(b)为二值化目标切片；图3(c)为目标切片在0°～180°的Radon变换；图3(d)为Radon值最大时所在行与对应投影角的分布直方图；图3(e)为Radon值最大时对应着目标主轴方向与Y轴间夹角θ′；图3(f)为顺时针旋转该角度，得到对称分布的灰度目标。

图4为改进的梯度分布特征原理图。其中，图4(a)中，将梯度方向(0°～360°)平均划分为8个方向区间，用1D-8D表示，每个方向区间代表45°；图4(b)中，将经过处理的目标切片按B1，B2，B3所示区域划分为三部分，B1为对整体目标求梯度分布特征，B2为对目标的下半部分求梯度分布特征，B3为对目标的上半部分求梯度分布特征。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种光学遥感图像海面舰船目标检测与提取方法，引入视觉显著性与梯度分布特征，分别实现无监督海面舰船目标区域提取和目标确认，该方法参数设置简单，计算复杂度低，可有效降低虚警率，快速准确地提取不同大小的舰船目标，获取其数量和位置信息。

本实施方式采用操作***为WINDOWS 2007，处理器为英特尔i3-2120，主频为3.30GHz，内存为4.00GB，实验用软件处理平台为Matlab 2010a，VS 2010。图1是本发明光学遥感海面舰船目标检测与提取方法的处理流程框图，图2为海面疑似目标区域检测过程图。结合图1的结构框架和图2中的部分检测样例图说明，本发明具体步骤如下：

步骤1：输入空间分辨率为N×M的光学遥感影像f(x,y)，影像中有舰船，海雾，厚重云层，岛屿等，其中舰船目标的大小和颜色极性各不相同，在海面上的位置分布也很随机，如图2(a)所示。

步骤2：基于选择性视觉注意机制模型对光学遥感影像原始图像进行目标区域检测，搜索海面舰船目标区域，为了增强检测到的目标区域内部连续性和不同目标区域间的可区分性，结合多个视觉注意机制模型，对光学遥感图像海面目标进行检测，预提取疑似舰船目标区域。

本步骤详细过程和计算公式如下：

步骤2.1：采用基于选择性视觉注意机制模型中的超复数频域变换方法对光学遥感原始图像的海面目标进行检测，分别获得显著性图S₁(x,y)。

进一步地，本发明从颜色特征、频域变换和尺度选择上进一步改进了超复数频域变换方法(Hypercomplex Frequency Domain Transform，HFT)。

步骤2.1.1：使用更符合人眼主观感觉的Lab颜色模式作为特征，将原方法中的图像rgb颜色空间转换到CIE Lab颜色空间，求解图像的L，a，b每个特征通道在整幅图像上的均值L_m，a_m，b_m：

计算图像中各像素在各特征通道下与整幅图像各特征通道均值的距离，将原图像相应位置像素L(x,y)，a(x,y)，b(x,y)值依次减去平均值求平方，得到：

将L_d，a_d，b_d作为输入图像的三个颜色特征，则输入图像中每个像素位置处的四元数可表示为：

q(x,y)＝L_d(x,y)u₁+a_d(x,y)u₂+b_d(x,y)u₃ (3)

式中，u₁，u₂，u₃是四元数的基，满足条件：u₁ ²＝u₂ ²＝u₃ ²＝-1，u₁⊥u₂，u₂⊥u₃，u₃⊥u₁，u₃＝u₁u₂，四元数特征顺序不影响显著性计算。

步骤2.1.2：使用离散余弦变换代替傅里叶变换，对四元数作离散余弦变换DCT()：

Q[u,v]＝DCT(q(x,y)) (4)

步骤2.1.3：用不同的高斯核函数对幅度谱进行平滑滤波，抑制高频信息，增强低频信息，不同的幅度谱平滑滤波后构成了一个谱尺度空间，频域变换后的幅度谱A，高斯核函数G以及谱尺度空间Λ的定义如下式：

A(u,v)＝|Q[u,v]| (5)

Λ(u,v；k)＝(G(.,.,；k)A)(u,v) (7)

式中：k是空间尺度参数，考虑到处理的实时性和实际实验的效果，k可以取3～5，在本发明中计算三个尺度，令k＝1，2，3。再进行离散余弦反变换可得k个显著性图S₁，S₂，…，S_k，根据熵最小准则选出最佳尺度显著图S′(x,y)，平滑即得到改进后的显著图S₁(x,y)：

S₁(x,y)＝g*(S′(x,y))² (8)

式中，g是一个多尺度的高斯核函数。

步骤2.2：为突出舰船目标边缘信息，增大目标间的可区分性，基于选择性视觉注意机制模型中的四元数傅里叶变换相位谱法(Phase Quanternion Fourier Transform，PQFT)对光学遥感原始图像的海面目标进行检测，获得显著性图S₂(x,y)。

进一步地，本发明从颜色特征、频域变换和增加频域幅度信息三个方面对四元数傅里叶变换相位谱法做了进一步的改进。

步骤2.2.1：在改进算法中，将原方法中的广义调谐颜色模式改为与人类视觉感知更相近的Lab颜色模式，直接使用L，a，b三个颜色特征构造四元数：

q(x,y)＝L(x,y)u₁+a(x,y)u₂+b(x,y)u₃ (9)

步骤2.2.2：将离散傅里叶变换改为离散余弦变换：

Q[u,v]＝DCT(q(x,y)) (10)

步骤2.2.3：原PQFT方法中仅考虑相位信息不同，认为幅度值为“1”，而本发明考虑了幅度信息AL，计算离散余弦变换后的幅度谱的对数值：

AL＝lg(A)＝lg(|Q[u,v]|) (11)

反离散余弦变换，空域平滑后得到显著图S₂(x,y)。

步骤2.3：将S₂(x,y)与S₁(x,y)加权融合，得到显著图S(x,y)。

其中，可以选择如下方式进行融合：融合前先将两部分显著图分别进行归一化，得到S₁′(x,y)和S₂′(x,y)，然后采用下面的融合公式进行融合：

S(x,y)＝w₁·S₁′(x,y)+w₂·S₂′(x,y) (12)

考虑到改进的HFT算法计算的显著图会呈较大点斑状，所以多次实验后，设w₁＝0.3，w₂＝1-w₁，既可满足有效区分目标，又能使目标保持完整的检测需求，显著性检测后的显著图如图2(b)所示。

步骤3：得到显著图后，还需要一个合理的阈值将目标与背景区分开，根据显著图的灰度统计特性计算阈值T，对显著图进行二值分割。

本发明中使用OTSU方法(大津法)计算自适应分割阈值T实现对显著图粗分割，值等于1的区域表示目标区域，值等于0的区域表示海面背景区域，分离检测到的目标与海面背景，分割二值化后，得到二值图像，如图2(c)所示。

步骤4：提取目标切片。

本步骤详细过程如下：

步骤4.1：对二值图像中的每个分离目标区域计算最小外接矩形，外接矩形的高和宽分别与二值图像的Y轴和X轴平行，定位到原始遥感影像中，对疑似目标区域作标记，指出检测到的目标数量，如图2(d)所示。

步骤4.2：计算外接矩形的质心和长宽值，可将每块目标区域从原光学遥感图像中提取出来，在提取时，将每个目标切片的横纵坐标在原始坐标位置上扩大N(8≤N≤12)个像素，以便保证检测到的目标具有良好的完整性，且在后续精细分割时方便自动提取目标区域的前景范围，经过本步骤，可得到待检测图像中的目标切片如图2(e)所示。

步骤5：对多个单目标区域切片逐一进行小区域GrabCut精细分割。

定义目标切片中横坐标为(n，col-n)，纵坐标为(n，row-n)范围内的区域为前景，其余区域为切片的背景，其中：col为图像的宽，row为图像的高，n＝」(N/2-1)，“」”为向下取整符号。通过该方法得到的坐标可自动初始化前景矩形框的位置，因为本发明得到的目标切片仅包含单个目标及周围小部分附属区域，一般情况下可将分割迭代次数设为一次，如果海面环境复杂，或者目标切片较大(大于40×40)，则设定迭代参数为两次，从而实现非交互式GrabCut分割。

步骤6：对精细分割后的目标切片进行0°～180°的Radon变换，最大Radon值对应的角度即为切片中目标的主轴方向与Y轴间的夹角θ′，改变切片中目标的主轴方向，获得主轴与Y轴平行、且关于主轴对称的疑似目标。

具体过程如图3所示：(a)为精细分割且灰度化的目标切片；(b)为二值化目标切片；(c)为目标切片在0°～180°的Radon变换，图中最亮值对应的横坐标角度即为目标投影最大时的角度，也即目标切片主轴方向；(d)为Radon值最大时所在行与对应投影角的分布直方图；(e)为Radon值最大时对应着目标主轴方向与Y轴间夹角θ′；(f)为顺时针旋转该角度，得到对称分布的灰度目标。

经过该步骤，可得到一系列具有竖直朝向的规则化目标切片。

步骤7：因为检测到的舰船目标呈长条状，舰船两侧弦对称分布，形状特征较规律，而干扰目标(如云层、岛屿、垃圾漂浮物等)精细分割后形状不规则，所以本发明设计了一种新颖的梯度分布直方图方法(Histogram of oriented gradient，Hog)表征目标特征，对规则化目标切片计算梯度，并进行舰船目标与伪目标的判定。

详细过程如下：

步骤7.1：得到关于Y轴对称分布的目标切片后，求解其梯度，为了更好地突出目标的梯度方向特性，将360°的梯度方向平均划分为8个区间bins，每个区间bin范围是45°，依次为[-22.5°～22.5°)，[22.5°～47.5°)，…，[-292.5°～337.5°)，如图4(a)所示。

步骤7.2：为更充分准确地鉴别目标，排除与舰船相似的伪目标，将经过对称处理的目标细划分为三部分B1，B2，B3，B1为目标整体，B2为目标下半部分，B3为目标上半部分。如图4(b)所示，对三部分B1，B2，B3目标图像分别计算其在8个方向区间bins上的梯度幅度统计特征。

步骤7.3：一般，可以通过如下规则确认检测到的目标是否为舰船：

1)1bin和5bin的统计值应该高于其它的bins；

2)1bin和5bin应该对称分布，近似等高；

3)B1，B2，B3在8个梯度方向区间上的梯度幅度直方图，应同时满足上面两个条件。

使用上述原则可以严格对检测到的目标进行确认，但在实际应用中，光学遥感图像可能受到大量噪声和光照变化等干扰，所以计算的梯度直方图不一定严格对称，对此本发明将上述原则适应放松，引入放松因子：α₁，α₂，γ，令H＝{h_i,i＝1,2,3,…,8}，H_f＝{h₁,h₅}，H_p＝{h₂,h₃,h₄,h₆,h₇,h₈}，h_i(i＝1,…,8)为直方图中八个方向梯度统计值，是H_f的平均值，是H_p的平均值，令其满足下面的条件：根据对大量图像中的舰船目标测试，取：α₁＝0.6，α₂＝0.7，γ＝0.65，如果目标B1，B2，B3三部分的梯度幅值统计量同时满足上述三个条件，即可判定检测到的目标为舰船，否则不是舰船。

步骤7.4：不是舰船目标的区域标记删除，是舰船目标的区域保留并重新标记，输出最终检测结果。

需要说明的是，在附图的流程框图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种光学遥感图像海面舰船目标检测与提取方法，其特征在于，包括如下步骤：

步骤1，分别采用基于选择性视觉注意机制模型中的超复数频域变换方法和四元数傅里叶变换相位谱法对光学遥感原始图像的海面目标进行检测，分别获得显著性图S₁(x,y)和S₂(x,y)；

步骤2，对S₁(x,y)和S₂(x,y)进行加权融合，得到显著图S(x,y)；

步骤3，对显著图S(x,y)进行二值分割，得到二值图像，获得目标区域和海面背景区域；

步骤4，提取目标切片，具体包括如下子步骤：

步骤4.1：针对二值图像中的每个目标区域，计算最小外接矩形，其中，外接矩形的高和宽分别与二值图像的Y轴和X轴平行，然后将外接矩形定位到光学遥感原始图像中，获得疑似目标区域；

步骤4.2，将所述疑似目标区域向外扩大N个像素后，从光学遥感原始图像中提取出来，作为目标切片，其中，8≤N≤12；

步骤5，针对每个目标切片，进行小区域GrabCut精细分割；

步骤6，对精细分割后的目标切片进行0°～180°的Radon变换，最大Radon值对应的角度即为切片中目标的主轴方向与Y轴间的夹角θ′，将切片中的目标旋转所述θ′度，获得主轴与Y轴平行、且关于主轴对称的疑似目标；

步骤7，采用梯度分布直方图法表征目标特征，进行舰船目标与伪目标的鉴别，具体包括如下子步骤：

步骤7.1：针对步骤6获得的疑似目标，求解其360°方向的梯度，并将360°的梯度方向平均划分为8个区间，每个区间范围是45°，依次为[-22.5°～22.5°)，[22.5°～47.5°)，…，[-292.5°～337.5°)；

步骤7.2，将步骤6获得的疑似目标均分为上下两部分，分别计算目标整体B1、目标下半部分B2和目标上半部分B3三部分目标图像在8个方向区间上的梯度幅度统计特征；

步骤7.3：判断B1、B2和B3三部分目标图像在8个梯度方向区间上的梯度幅度直方图是否同时满足如下条件：

1)第一和第五区间的统计值高于其他的区间；

2)第一和第五区间对称分布，近似等高；

如果同时满足，则认为该目标切片的目标为舰船，否则，不是舰船；

其中，第一区间为[-22.5°～22.5°)，第五区间为[157.5°～202.5°)。

2.如权利要求1所述的光学遥感图像海面舰船目标检测与提取方法，其特征在于，所述步骤1中，对超复数频域变换方法进行改进，采用改进后的超复数频域变换方法获得显著性图S₁(x,y)，具体包括如下子步骤：

步骤1.1.1，将光学遥感图像转换到CIE Lab颜色空间中，并求解CIE Lab颜色空间中三个特征通道的均值，以及各像素分别与三个特征通道均值的差值，以所述差值的平方作为光学遥感图像的三个颜色特征，构造光学遥感图像中每个像素位置处的四元数；

步骤1.1.2，对步骤1.1.1获得的四元数作离散余弦变换，得到图像的频域值Q₁[u,v]；

步骤1.1.3，用不同的高斯核函数对离散余弦变换后的幅度谱进行平滑滤波，抑制高频信息，增强低频信息；

步骤1.1.4，对步骤1.1.3获得的滤波结果进行离散余弦反变换，得到k个显著性图S₁，S₂，…，S_k，根据熵最小准则选出最佳尺度显著图S′(x,y)，对S′(x,y)进行平滑，得到显著图S₁(x,y)。

3.如权利要求1所述的光学遥感图像海面舰船目标检测与提取方法，其特征在于，所述步骤1中，对四元数傅里叶变换相位谱法进行改进，采用改进后的四元数傅里叶变换相位谱法获得显著性图S₂(x,y)，具体包括如下子步骤：

步骤1.2.1，利用Lab颜色空间中的三个颜色特征，构造光学遥感图像中每个像素位置处的四元数；

步骤1.2.2，对步骤1.2.1获得的四元数作离散余弦变换，得到图像的频域值Q₂[u,v]；

步骤1.2.3，计算离散余弦变换后的幅度谱的对数值；

步骤1.2.4，对带有相位信息和幅度信息的频域值进行离散余弦反变换，平滑后得到显著图S₂(x,y)。

4.如权利要求1所述的光学遥感图像海面舰船目标检测与提取方法，其特征在于，所述步骤2中，融合前先将S₁(x,y)和S₂(x,y)分别进行归一化，得到S₁′(x,y)和S₂′(x,y)，采用下式进行融合：

S(x,y)＝w₁·S₁′(x,y)+w₂·S₂′(x,y)

其中，w₁＝0.3，w₂＝1-w₁。

5.如权利要求1所述的光学遥感图像海面舰船目标检测与提取方法，其特征在于，所述步骤7.3中，令H＝{h_i,i＝1,2,3,…,8}，H_f＝{h₁,h₅}，H_p＝{h₂,h₃,h₄,h₆,h₇,h₈}，其中，h_i为直方图中8个方向梯度统计值，是H_f的平均值，是H_p的平均值；如果B1、B2和B3三部分目标的梯度幅值统计量同时满足如下条件：

(1)(2)(3)

则可判定检测到的目标为舰船，否则不是舰船；其中，α₁、α₂和γ为放松因子，α₁＝0.6，α₂＝0.7，γ＝0.65。