CN107464255B - 一种基于信息量与多尺度异常检测的船舶目标检测方法 - Google Patents

一种基于信息量与多尺度异常检测的船舶目标检测方法 Download PDF

Info

Publication number
CN107464255B
CN107464255B CN201710672199.6A CN201710672199A CN107464255B CN 107464255 B CN107464255 B CN 107464255B CN 201710672199 A CN201710672199 A CN 201710672199A CN 107464255 B CN107464255 B CN 107464255B
Authority
CN
China
Prior art keywords
image
detection
scale
ship target
information quantity
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.)
Active
Application number
CN201710672199.6A
Other languages
English (en)
Other versions
CN107464255A (zh
Inventor
刘丙新
张强
侯永超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201710672199.6A priority Critical patent/CN107464255B/zh
Publication of CN107464255A publication Critical patent/CN107464255A/zh
Application granted granted Critical
Publication of CN107464255B publication Critical patent/CN107464255B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral image

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于信息量与多尺度异常检测的船舶目标检测方法，针对单波段遥感图像，首先进行图像的重构，生成“伪”多光谱图像，然后通过正则化的RX算法进行多尺度异常检测，最后通过信息熵加权平均计算得到船舶目标检测结果。本发明综合各个检测尺度的优点，在不利用图像先验信息的情况下，能有效的对船舶目标预检测，不仅能在背景单一时保持各检测尺度的检测率，同时能在复杂海面背景时有效的检测出其中的船舶目标，具有一定的抗干扰能力，提高了各尺度的检测率，最终的检测率保证在百分之八十以上。本发明创造性的对图像空间域向频率域的变换，形成“伪”多光谱图像，解决了对单波段图像处理效果不佳的难题。

Description

一种基于信息量与多尺度异常检测的船舶目标检测方法
技术领域
本发明属于遥感图像处理领域，涉及一种海洋遥感图像的处理方法，针对单波段遥感图像的分析与处理结合滤除复杂海面背景干扰的方法，实现船舶目标的快速检测。
背景技术
随着地球卫星成像***不断发展，地球观测卫星数据已可获取大范围的连续数据，为船舶目标检测提供了应用基础。目前，船舶目标检测主要通过合成孔径雷达(Synthetic aperture radar，SAR)图像和光学遥感图像完成。SAR图像具有分辨率普遍较低、可视效果差、假目标区分困难等劣势。基于光学图像的船舶目标检测方法主要包括基于阈值检测、基于统计检测以及基于特征检测三种。在以上船舶目标检测的研究中，大部分基于图像相关的一些先验信息，而图像的相关先验信息较难获得，给相关的船舶检测带来了较大的难度。并且在单波段图像的检测中效果也不佳。为了充分发挥光学遥感，尤其是单波段的光学遥感图像在海洋船舶检测方面的作用，并在保持高检测率的前提下，能有效地除去云、岛屿等背景信息的干扰，实现海洋船舶的高精度检测。综上，构建一种具有单波段图像处理能力，快速、高精度的船舶检测方法具有很大的实际意义和应用价值。
发明内容
为解决现有技术存在的图像相关先验信息较难获得、单波段图像处理效果不佳等问题，本发明的目的是提供一种基于信息量与多尺度异常检测的船舶目标检测方法。本发明能够在不利用图像先验信息的情况下，对单波段遥感图像船舶目标进行检测，在保证船舶目标检测率的前提下，能有效地除去云、岛屿等背景信息的干扰，实现船舶目标的快速、高精度的检测，为海上船舶航行安全、加强海洋监测执法力度，提供了强有力的信息支持和可靠保障。
为了达到上述目的，本发明的技术方案如下：
一种基于信息量与多尺度异常检测的船舶目标检测方法，包括如下步骤：
步骤一：获取高分辨率的遥感图像，并输入单波段遥感图像；
步骤二：对输入的遥感图像进行图像重构，对图像进行空间域向频率域的变换，生成“伪”多光谱图像。
步骤三：对图像重构后的“伪”多光谱图像，进行多尺度异常检测；
首先进行图像的多尺度分割。采用的分割方法为矩形分割，将图像按25×25、50×50、100×100、200×200以及400×400像素的矩形进行划分，形成5类尺度的分割结果。
然后，采用RX算法进行多尺度异常检测。为提高检测的稳定性，采用正则化的RX算法：
Figure BDA0001373416140000021
其中，δ为每个光谱向量的异常值；
Figure BDA0001373416140000022
为平均光谱向量；
Figure BDA0001373416140000023
为背景协方差；I为单位矩阵；β为一个常量。
步骤四：对多尺度异常检测的遥感图像，进行信息熵加权平均计算，对信息量进行统计分析处理。
首先进行图像灰度信息量计算，公式如下：
Figure BDA0001373416140000024
其中，I(i)表示灰度为i的信息量，p(i)表示灰度为i的像素所占的比值。
将各检测尺度信息量对各尺度总信息量归一化作为该检测尺度的权重值，公式如下：
Figure BDA0001373416140000025
式中，W(n)表示第n种分割尺度结果所占的权重，N表示采用了N种不同分割尺度，I(i)n表示第n种分割尺度灰度为i的信息量。
步骤五：输出检测结果。
本发明的基本思路如下：
A、针对单波段遥感图像，首先进行图像的重构，生成“伪”多光谱图像，然后通过正则化的RX算法进行多尺度异常检测，最后通过信息熵加权平均计算得到船舶目标检测结果。
B、在对输入的遥感图像进行图像重构操作时，考虑到针对处理的为单波段遥感图像，需要将将原图像转换为RX算法可处理的多光谱图像。通过对图像空间域向频率域的变换，生成“伪”多光谱图像。通过一定大小的活动窗口对图像进行扫描，将滑动窗口中的值按一定顺序排列形成一个光谱向量，滑动窗口对整幅图像扫描完后，得到每个像素的光谱向量；然后，将这些光谱向量组合，形成“伪”多光谱图像。
C、在对遥感图像进行多尺度异常检测操作时，首先进行图像的多尺度分割，将图像按一定大小的矩形进行划分。根据船舶目标的平均大小为25×25像素，所以选择的最小分割尺度为25像素；通过对比，400×400像素分割尺度异常检测的效果好于500×500像素的分割尺度，多尺度分割选择的尺度为：25×25像素、50×50像素、100×100像素、200×200像素以及400×400像素。然后，采用正则化的RX算法，进行多尺度异常检测。RX算法根据图像的平均光谱向量和背景协方差，以达到增大异常目标与背景之间的识别度(灰度值)的目的。图像的平均光谱向量和背景协方差矩阵是影响检测结果的两个主要因素，因此对同一图像使用不同尺度分割，其分割后不同部分图像的平均光谱向量和背景协方差矩阵存在差异，异常目标则会不同。
D、在对图像的信息量进行统计分析处理，采用信息熵加权平均计算。首先计算图像灰度信息量。其次，根据检测尺度与信息量成反比的关系，信息量越大其重要程度也就越高。综合各检测尺度优点，将各检测尺度信息量对各尺度总信息量归一化作为该检测尺度的权重值。最后输出检测结果。
与现有技术相比，本发明的有益效果是：
1、本发明综合各个检测尺度的优点，在不利用图像先验信息的情况下，能有效的对船舶目标预检测，不仅能在背景单一时保持各检测尺度的检测率，同时能在复杂海面背景时有效的检测出其中的船舶目标，具有一定的抗干扰能力，提高了各尺度的检测率，最终的检测率保证在百分之八十以上。
2、本发明创造性的对图像空间域向频率域的变换，形成“伪”多光谱图像，解决了对单波段图像处理效果不佳的难题。
3、本发明采用的船舶目标检测方法，提高了RX异常检测算法的适用性，并结合信息量分析方法能有效的检测出小目标船舶。
附图说明
本发明共有附图3张，其中：
图1是基于信息量与多尺度异常检测的船舶目标检测方法流程图。
图2是图像重构过程示意图。
图3是图像多尺度异常检测示意图。
具体实施方式
下面结合附图对本发明进行进一步地描述。
如图1所示，基于信息量与多尺度异常检测的船舶目标检测方法的主要流程为图像输入1、图像重构2、多尺度异常检测3、信息熵加权平均4、输出检测结果5五个步骤。其中，多尺度异常检测3分为多尺度分割31和异常检测32两部分，最终完成对船舶目标的检测与提取。
如图2所示，为图像重构过程示意图，考虑到针对单波段遥感图像进行处理，而在进行图像多尺度异常检测时采用的RX算法是针对多光谱图像处理的算法，所以需要将将原图像转换为RX算法可处理的多光谱图像。对图像采用空间域向频率域的变换方法。
具体操作如图2所示，通过一定大小的活动窗口对图像进行扫描，如图中扫描原图21到窗口提取22的过程，将滑动窗口中的值按一定顺序排列形成一个光谱向量如图2所示窗口排列23，滑动窗口对整幅图像扫描完后，得到每个像素的光谱向量如图2所示光谱向量24；然后，将这些光谱向量组合，形成“伪”多光谱图像。
如图3所示，为图像多尺度异常检测示意图。首先进行整个图像的异常检测321，然后对进行过多尺度分割后的每块图像进行异常检测322。对同一图像使用不同尺度分割，其分割后不同部分图像的平均光谱向量和背景协方差矩阵存在差异，异常目标则会不同，从而达到提取出船舶目标的效果。
在对图像进行多尺度检测中，采用正则化的RX算法。RX异常检测算法目的在于从影像中将船舶目标信息从图像的背景和噪声中分离出来，是根据图像的平均光谱向量和背景协方差的不同，达到增大船舶(异常)目标与背景之间的识别度(灰度值)的目的。图像的平均光谱向量和背景协方差矩阵是影响检测结果的两个主要因素，因此对同一图像使用不同尺度分割，其分割后不同部分图像的平均光谱向量和背景协方差矩阵存在差异，异常目标则会不同。为提高检测方法的稳定性，采用正则化的RX算法：如下：
Figure BDA0001373416140000041
其中，δ为每个光谱向量的异常值；
Figure BDA0001373416140000051
为平均光谱向量；
Figure BDA0001373416140000052
为背景协方差；I为单位矩阵；β为一个常量，取较小的值。
本发明不局限于本实施例，任何在本发明披露的技术范围内的等同构思或者改变，均列为本发明的保护范围。

Claims (1)

1.一种基于信息量与多尺度异常检测的船舶目标检测方法，其特征在于：包括如下步骤：
步骤一：获取高分辨率的遥感图像，并输入单波段遥感图像；
步骤二：对输入的遥感图像进行图像重构，对图像进行空间域向频率域的变换，生成“伪”多光谱图像；具体步骤如下：通过一定大小的活动窗口对图像进行扫描，将滑动窗口中的值按一定顺序排列形成一个光谱向量，滑动窗口对整幅图像扫描完后，得到每个像素的光谱向量；然后，将这些光谱向量组合，形成“伪”多光谱图像；
步骤三：对图像重构后的“伪”多光谱图像，进行多尺度异常检测；
首先进行图像的多尺度分割；采用的分割方法为矩形分割，将图像按25×25、50×50、100×100、200×200以及400×400像素的矩形进行划分，形成5类尺度的分割结果；
然后，采用RX算法进行多尺度异常检测；为提高检测的稳定性，采用正则化的RX算法：
Figure FDA0002401176860000011
其中，δ为每个光谱向量的异常值；
Figure FDA0002401176860000012
为平均光谱向量；
Figure FDA0002401176860000013
为背景协方差；I为单位矩阵；β为一个常量；
步骤四：对多尺度异常检测的遥感图像，进行信息熵加权平均计算，对信息量进行统计分析处理；
首先进行图像灰度信息量计算，公式如下：
Figure FDA0002401176860000014
其中，I(i)表示灰度为i的信息量，p(i)表示灰度为i的像素所占的比值；
将各检测尺度信息量对各尺度总信息量归一化作为该检测尺度的权重值，公式如下：
Figure FDA0002401176860000015
式中，W(n)表示第n种分割尺度结果所占的权重，N表示采用了N种不同分割尺度，I(i)n表示第n种分割尺度灰度为i的信息量；
步骤五：输出检测结果。
CN201710672199.6A 2017-08-08 2017-08-08 一种基于信息量与多尺度异常检测的船舶目标检测方法 Active CN107464255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710672199.6A CN107464255B (zh) 2017-08-08 2017-08-08 一种基于信息量与多尺度异常检测的船舶目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710672199.6A CN107464255B (zh) 2017-08-08 2017-08-08 一种基于信息量与多尺度异常检测的船舶目标检测方法

Publications (2)

Publication Number Publication Date
CN107464255A CN107464255A (zh) 2017-12-12
CN107464255B true CN107464255B (zh) 2020-06-05

Family

ID=60547687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710672199.6A Active CN107464255B (zh) 2017-08-08 2017-08-08 一种基于信息量与多尺度异常检测的船舶目标检测方法

Country Status (1)

Country Link
CN (1) CN107464255B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214317B (zh) * 2018-08-22 2021-11-12 北京慕华信息科技有限公司 一种信息量确定方法及装置
CN109948415A (zh) * 2018-12-30 2019-06-28 中国科学院软件研究所 基于背景过滤和尺度预测的光学遥感图像目标检测方法
CN110008863A (zh) * 2019-03-22 2019-07-12 哈尔滨工业大学 基于高分辨率桥梁区域船舶图像的高效多尺度采样方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559714A (zh) * 2013-11-07 2014-02-05 中国科学院对地观测与数字地球科学中心 一种异常检测方法及装置
CN106709465A (zh) * 2016-12-29 2017-05-24 武汉大学 基于条件随机场的极化sar图像道路提取方法
CN106886760A (zh) * 2017-01-24 2017-06-23 北京理工大学 一种基于空谱信息结合的高光谱舰船检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9704059B2 (en) * 2014-02-12 2017-07-11 International Business Machines Corporation Anomaly detection in medical imagery

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559714A (zh) * 2013-11-07 2014-02-05 中国科学院对地观测与数字地球科学中心 一种异常检测方法及装置
CN106709465A (zh) * 2016-12-29 2017-05-24 武汉大学 基于条件随机场的极化sar图像道路提取方法
CN106886760A (zh) * 2017-01-24 2017-06-23 北京理工大学 一种基于空谱信息结合的高光谱舰船检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
The Application of GF-1 Imagery to Detect Ships on the Yangtze River;Bingxin Liu 等;《Journal of the Indian Society of Remote Sensing》;20160402;第45卷(第1期);179–183 *
基于多尺度分解的超光谱图像异常检测;秦翰林 等;《强激光与粒子束》;20120215;第24卷(第2期);327-330 *
基于多检测器最大熵融合的多通道光谱图像异常检测;邸韡 等;《光子学报》;20070715;第36卷(第7期);1338-1344 *
多光谱遥感图像中风车目标的检测算法研究;郝宇俊;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170615(第6期);I140-430 *

Also Published As

Publication number Publication date
CN107464255A (zh) 2017-12-12

Similar Documents

Publication Publication Date Title
Xia et al. Infrared small target detection based on multiscale local contrast measure using local energy factor
Chitradevi et al. An overview on image processing techniques
CN107464255B (zh) 一种基于信息量与多尺度异常检测的船舶目标检测方法
CN103761731A (zh) 一种基于非下采样轮廓波变换的红外空中小目标检测方法
CN109427055A (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
CN109064479B (zh) 一种基于邻近视频帧灰度动态特征的海天线检测方法
CN107705313A (zh) 一种遥感图像舰船目标分割方法
Dong et al. Infrared target detection in backlighting maritime environment based on visual attention model
CN104036461B (zh) 一种基于联合滤波的红外复杂背景抑制方法
Zhang et al. PolSAR ship detection using the superpixel-based neighborhood polarimetric covariance matrices
Deng et al. Ship detection from optical satellite image using optical flow and saliency
CN112163606B (zh) 基于块对比度加权的红外小目标检测的方法
CN111428624B (zh) 一种光学遥感图像在轨舰船目标检测方法
CN116109829B (zh) 一种基于融合网络的珊瑚礁水域图像分割方法
Song et al. Ship detection in haze and low-light remote sensing images via colour balance and DCNN
CN104268831B (zh) 海上阳光亮带干扰下的红外图像补偿方法
Padmavathi et al. Implementation and Comparison of different segmentation algorithms used for underwater images based on nonlinear objective assessments
Zehtabian et al. Adaptive restoration of multispectral datasets used for SVM classification
Ji-yang et al. On-board ship targets detection method based on multi-scale salience enhancement for remote sensing image
CN107967696B (zh) 一种水面船只雷达遥感检测方法、电子设备
CN115205216A (zh) 一种基于显著性和加权引导滤波的红外小目标检测方法
CN112700437B (zh) 基于分块和低秩先验的发射率域热红外高光谱异常探测方法
CN109584255B (zh) 一种基于全色与高光谱图像融合的目标轮廓提取方法
Ma et al. Shadow removal in remote sensing images using features sample matting
Yang et al. Oil spill AISA+ hyperspectral data detection based on different sea surface glint suppression methods

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant