CN106384344B - 一种光学遥感图像海面舰船目标检测与提取方法 - Google Patents
一种光学遥感图像海面舰船目标检测与提取方法 Download PDFInfo
- Publication number
- CN106384344B CN106384344B CN201610780324.0A CN201610780324A CN106384344B CN 106384344 B CN106384344 B CN 106384344B CN 201610780324 A CN201610780324 A CN 201610780324A CN 106384344 B CN106384344 B CN 106384344B
- Authority
- CN
- China
- Prior art keywords
- target
- remote sensing
- image
- gradient
- sensing image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 16
- 230000003287 optical effect Effects 0.000 claims description 14
- 229910052704 radon Inorganic materials 0.000 claims description 13
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract description 5
- 230000004438 eyesight Effects 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000012512 characterization method Methods 0.000 abstract description 2
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000009472 formulation Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 101150080778 INPP5D gene Proteins 0.000 description 21
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20052—Discrete cosine transform [DCT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
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
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,…,Sk,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={hi,i=1,2,3,…,8},Hf={h1,h5},Hp={h2,h3,h4,h6,h7,h8},其中,hi为直方图中8个方向梯度统计值,是Hf的平均值,是Hp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Lm,am,bm:
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Ld,ad,bd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)=Ld(x,y)u1+ad(x,y)u2+bd(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,…,Sk,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={hi,i=1,2,3,…,8},Hf={h1,h5},Hp={h2,h3,h4,h6,h7,h8},hi(i=1,…,8)为直方图中八个方向梯度统计值,是Hf的平均值,是Hp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,…,Sk,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={hi,i=1,2,3,…,8},Hf={h1,h5},Hp={h2,h3,h4,h6,h7,h8},其中,hi为直方图中8个方向梯度统计值,是Hf的平均值,是Hp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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610780324.0A CN106384344B (zh) | 2016-08-30 | 2016-08-30 | 一种光学遥感图像海面舰船目标检测与提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610780324.0A CN106384344B (zh) | 2016-08-30 | 2016-08-30 | 一种光学遥感图像海面舰船目标检测与提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106384344A CN106384344A (zh) | 2017-02-08 |
CN106384344B true CN106384344B (zh) | 2019-02-22 |
Family
ID=57938482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610780324.0A Expired - Fee Related CN106384344B (zh) | 2016-08-30 | 2016-08-30 | 一种光学遥感图像海面舰船目标检测与提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106384344B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782447A (zh) * | 2019-10-25 | 2020-02-11 | 中国科学院电子学研究所 | 地球静止轨道卫星光学遥感图像多运动舰船目标检测方法 |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997055B (zh) * | 2017-05-27 | 2019-09-24 | 金华航大北斗应用技术有限公司 | 基于最小二乘和梯度下降法的北斗meo卫星信号拟合方法 |
CN107256559B (zh) * | 2017-06-01 | 2020-07-14 | 北京环境特性研究所 | 复杂背景抑制的方法 |
CN107705313B (zh) * | 2017-06-23 | 2020-08-18 | 北京理工大学 | 一种遥感图像舰船目标分割方法 |
CN107766792B (zh) * | 2017-06-23 | 2021-02-26 | 北京理工大学 | 一种遥感图像舰船目标识别方法 |
CN107368819B (zh) * | 2017-08-02 | 2020-03-24 | 首都师范大学 | 人脸识别方法及*** |
CN109427055B (zh) * | 2017-09-04 | 2022-12-20 | 长春长光精密仪器集团有限公司 | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 |
CN107977621A (zh) * | 2017-11-29 | 2018-05-01 | 淮海工学院 | 沉船识别模型构建方法、装置、电子设备及存储介质 |
CN110443823A (zh) * | 2018-05-03 | 2019-11-12 | 西南科技大学 | 一种水面漂浮物前景分割方法 |
CN109859178B (zh) * | 2019-01-18 | 2020-11-03 | 北京航空航天大学 | 一种基于fpga的红外遥感图像实时目标检测方法 |
CN110276240B (zh) * | 2019-03-28 | 2021-05-28 | 北京市遥感信息研究所 | 一种sar图像建筑物墙面窗户信息提取方法 |
CN110414411B (zh) * | 2019-07-24 | 2021-06-08 | 中国人民解放军战略支援部队航天工程大学 | 基于视觉显著性的海面船只候选区域检测方法 |
CN111368629A (zh) * | 2019-11-23 | 2020-07-03 | 中国科学院长春光学精密机械与物理研究所 | 一种基于全色遥感图像的舰船识别方法、***及终端设备 |
CN111428624B (zh) * | 2020-03-20 | 2023-04-14 | 上海航天测控通信研究所 | 一种光学遥感图像在轨舰船目标检测方法 |
CN111639623B (zh) * | 2020-06-09 | 2022-04-26 | 中国地质大学(武汉) | 结合空间距离约束的多尺度船企场景识别与提取方法 |
CN111881725B (zh) * | 2020-06-14 | 2024-01-12 | 浙江大学 | 一种融合空频域特征的光学遥感图像船舶目标检测方法 |
CN111832502A (zh) * | 2020-07-20 | 2020-10-27 | 中国人民解放军战略支援部队航天工程大学 | 面向卫星在轨应用的遥感影像视觉显著区域智能搜索方法 |
CN111860336B (zh) * | 2020-07-21 | 2022-02-11 | 西北工业大学 | 基于位置感知的高分辨遥感图像倾斜船舶目标检测方法 |
CN112149567A (zh) * | 2020-09-23 | 2020-12-29 | 中国科学院长春光学精密机械与物理研究所 | 一种海上目标检测方法、装置及设备 |
CN113158715A (zh) * | 2020-11-05 | 2021-07-23 | 西安天伟电子***工程有限公司 | 一种船只检测方法及装置 |
CN112816956A (zh) * | 2020-12-31 | 2021-05-18 | 北京海兰信数据科技股份有限公司 | 一种获取雷达目标信息的方法和装置 |
CN113256720B (zh) * | 2021-06-03 | 2021-09-24 | 浙江大学 | 一种同时检测sar图像船只及其尾迹的方法 |
CN113408615B (zh) * | 2021-06-16 | 2022-04-12 | 中国石油大学(华东) | 一种基于光学卫星遥感影像的船只自动匹配方法 |
CN115908509B (zh) * | 2023-01-06 | 2023-05-12 | 中国科学院空天信息创新研究院 | 基于航向恒定船舶的远海序列光学遥感影像配准方法 |
CN116665615B (zh) * | 2023-07-27 | 2023-11-14 | 深圳市安立信电子有限公司 | 一种医用显示器控制方法、***、设备及其存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096824A (zh) * | 2011-02-18 | 2011-06-15 | 复旦大学 | 基于选择性视觉注意机制的多光谱图像舰船检测方法 |
CN103177458A (zh) * | 2013-04-17 | 2013-06-26 | 北京师范大学 | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9307251B2 (en) * | 2009-08-19 | 2016-04-05 | Sharp Laboratories Of America, Inc. | Methods and systems for determining data-adaptive weights for motion estimation in a video sequence |
US9495762B2 (en) * | 2014-05-14 | 2016-11-15 | Qualcomm Incorporated | Detecting and compensating for motion between a flash and a no-flash image |
-
2016
- 2016-08-30 CN CN201610780324.0A patent/CN106384344B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096824A (zh) * | 2011-02-18 | 2011-06-15 | 复旦大学 | 基于选择性视觉注意机制的多光谱图像舰船检测方法 |
CN103177458A (zh) * | 2013-04-17 | 2013-06-26 | 北京师范大学 | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782447A (zh) * | 2019-10-25 | 2020-02-11 | 中国科学院电子学研究所 | 地球静止轨道卫星光学遥感图像多运动舰船目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106384344A (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106384344B (zh) | 一种光学遥感图像海面舰船目标检测与提取方法 | |
CN110414411B (zh) | 基于视觉显著性的海面船只候选区域检测方法 | |
CN107563303B (zh) | 一种基于深度学习的鲁棒性舰船目标检测方法 | |
Qi et al. | A robust directional saliency-based method for infrared small-target detection under various complex backgrounds | |
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN103400156B (zh) | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
CN111626290A (zh) | 一种复杂海面环境下的红外舰船目标检测识别方法 | |
CN105022990A (zh) | 一种基于无人艇应用的水面目标快速检测方法 | |
US9031285B2 (en) | Detection of floating objects in maritime video using a mobile camera | |
CN104217215A (zh) | 一种水面有雾图像和清晰图像的分类识别方法 | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别***及方法 | |
CN103679694B (zh) | 一种基于全景视觉的舰船小目标检测方法 | |
CN110428425B (zh) | 一种基于海岸线矢量数据的sar图像海陆分离方法 | |
CN102096824A (zh) | 基于选择性视觉注意机制的多光谱图像舰船检测方法 | |
CN108229342A (zh) | 一种海面舰船目标自动检测方法 | |
CN115272876A (zh) | 一种基于深度学习的遥感图像船舶目标检测方法 | |
He et al. | Ship detection without sea-land segmentation for large-scale high-resolution optical satellite images | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
Zhang Sr et al. | A ship target tracking algorithm based on deep learning and multiple features | |
CN105335688B (zh) | 一种基于视觉图像的飞机机型识别方法 | |
Paravolidakis et al. | Coastline extraction from aerial images based on edge detection | |
CN113409325B (zh) | 基于精细分割的大幅面sar影像舰船目标检测识别方法 | |
CN114140484A (zh) | 一种基于光电传感器的高鲁棒性海天线提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190222 |
|
CF01 | Termination of patent right due to non-payment of annual fee |