CN107704865A - 基于结构森林边缘候选区域提取的舰船目标检测算法 - Google Patents
基于结构森林边缘候选区域提取的舰船目标检测算法 Download PDFInfo
- Publication number
- CN107704865A CN107704865A CN201710322288.8A CN201710322288A CN107704865A CN 107704865 A CN107704865 A CN 107704865A CN 201710322288 A CN201710322288 A CN 201710322288A CN 107704865 A CN107704865 A CN 107704865A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- edge
- mtd
- detection
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于结构森林边缘候选区域提取的舰船目标检测算法,首先通过人工采集并标注的方式获得训练样本和测试样本,并利用训练好的结构化随机森林边缘检测模型,对输入图像进行边缘检测;在得到边缘检测结果之后,通过一系列操作,得到连通区域检测结果,从而将候选区域提取出来,其次利用训练好的支持向量机分类器,将前序步骤中得到所有符合要求的候选区域输入到分类器中进行分类识别,最终得到检测结果。本发明不仅可以抑制光照不均的影响,检测出疑似目标边缘,同时利用候选区域提取的策略可有效缩小检测范围;而且利用边缘信息作为特征输入分类器进行分类识别,可有效去除虚警干扰,进一步提高检测结果的精确度。
Description
技术领域
本发明涉及数字图像处理领域,尤其是涉及一种遥感图像目标检测领域的数字图像处理技术。
背景技术
作为海上运输载体和重要的军事目标,舰船目标检测一直有着非常重要的意义和价值。在军用领域了解目标舰船的实时位置能够让我军对敌方舰队的布局和动态有清晰的认知,在监测敌情和制定作战策略方面有指导意义;并且在民用领域,实时关注目标海域过往船只的位置能够更好地对海域进行管理,对渔业管理、海上交通、海事安全、海上救援等均有重要作用。
随着航空航天事业的发展,对地观测技术有了显著的进步,各国争相发射的高分辨率成像卫星为遥感目标检测提供了大量的图像数据。因此,利用遥感图像进行舰船检测成为目前目标检测领域的一大热点问题,有着重要的军事意义和经济价值。
根据算法流程,舰船目标检测主要有候选区域提取和目标确认识别两个过程:首先利用候选区域提取算法对输入图像进行筛选,得到待测候选区域;再利用基于机器学习算法对候选区域进行特征提取和分类,即对提取出的候选区域进行判断,得到最终的舰船检测结果。其中候选区域提取算法主要包括:基于图割、小波变换、显著性检测、异常检测的方法(非监督方法),以及形态学方法或者邻域分析方法。常用的机器学习算法包括:(1)监督方法,包括支持向量机(SVM)、极限学习机(ELM),Adaboost,稀疏表示以及神经网络方法;(2)非监督方法,包括轮廓分析法和形状分析法。在目标识别算法中,特征的质量对舰船检测的结果有着决定性的影响。常用的人工特征描述有Gabor纹理特征、局部二值模式(LBP)特征、尺度不变量特征变换以及有向梯度直方图(HOG)特征等,这些特征在行人检测和人脸检测方面取得了较好的效果,同时传统的舰船检测方法大多基于此类人工提取的特征。光学遥感成像是地面上各种物体所感受的能量以光谱形式的综合反映,作为海上运输载体和重要的军事目标,遥感图像中的舰船目标检算法研究具有重要的应用价值。然而,目前的遥感图像成像易受到拍摄时间、季节、天气等的影响,在不同海况、云况和光照等影响下,成像亮度不均、质量不稳定,给后续处理带来困难;同时,海洋中的岛屿、海岸陆地等都会对检测结果造成影响,产生大量虚警,对算法性能要求高;随着对地观测传感器的快速发展,遥感图像分辨率迅速增加,数据量非常大,给数据处理带来困难。
因此,如何提供一种可以解决干扰物影响以及图像亮度不均的完善的遥感图像目标检测***是本领域亟需解决的问题。
发明内容
本发明主要针对海洋背景遥感图像,利用随机森林分类器良好的分类性能,抑制光照不均的影响,检测出疑似目标边缘,以用于候选区域的提取;利用候选区域提取的策略可以有效地缩小检测范围,由此可知,本发明不仅可以适用于大幅宽遥感图像,而且利用边缘信息作为特征输入分类器进行分类识别,可以有效去除虚警干扰,得到最终的舰船目标检测结果。
为了实现上述目的,本发明采取的具体技术方案是:
一种基于结构森林边缘候选区域提取的舰船目标检测算法,具体包括:
(1)通过人工样本采集并标注的方式获得训练样本和测试样本,并标注边缘真值图和目标真值图;
(2)利用训练数据集对结构化随机森林模型和支持向量机(SVM)模型进行训练;
(3)利用训练好的结构化随机森林模型对输入图像进行边缘检测,并对边缘检测结果进行形态学处理,提取连通域作为目标候选区域;其中形态学处理具体包括:
a、对边缘图像进行类似阈值分割操作,其目的是将结构森林检测结果中低于指定阈值的弱边缘去除,公式为:
其中,I为输入的边缘灰度图像,P为经过类似阈值分割后的边缘结果图像,均为灰度图像,I(x,y)和P(x,y)分别为输入边缘图像与输出结果图像在(x,y)点处的灰度值,T为分割阈值;
b、对图像进行反色处理,主要目的是将边缘转变为白色,便于使用连通区域检测方法将边缘提取出来,公式为:
Q(x,y)=255-P(x,y)
其中,P为阈值化后的边缘灰度图像,Q为经过反色处理的结果图像,均为灰度图像,P(x,y)和Q(x,y)分别为输入图像与输出结果图像在(x,y)点处的灰度值;
c、对图像进行腐蚀操作,去除边缘毛刺及孤立像素,公式为:
Ge(x,y)=erode[Q(x,y),Be]
=min{Q(x+x′,y+y′)-Be(x′,y′)|(x′,y′)∈Be}
其中,Q为反色处理后的灰度图像,Ge为经过腐蚀处理的结果图像,均为灰度图像,Be为该腐蚀操作的结构元素,Q(x,y)和Ge(x,y)分别为输入反色图像与输出腐蚀结果图像在(x,y)点处的灰度值,Be(x′,y′)表示在(x′,y′)点处的结构元素值;
d、对图像进行膨胀操作,对边缘图像中孔洞进行填充,公式为:
Gd(x,y)=dilate[Ge(x,y),Bd]
=max{Ge(x+x′,y+y′)-Bd(x′,y′)|(x′,y′)∈Bd}
其中,Ge为输入的腐蚀图像,Gd为经过膨胀处理的结果图像,均为灰度图像,Bd为该膨胀操作的结构元素,Ge(x,y)和Gd(x,y)分别为输入图像与输出膨胀结果图像在(x,y)点处的灰度值,Bd(x′,y′)表示在(x′,y′)点处的结构元素值;
e、对经过腐蚀和膨胀操作的图像进行二值化操作,得到二值图像,即可得到图中所有连通区域,公式为:
其中,O为输出结果二值图像,Gd为上述步骤中得到的膨胀图像,O(x,y)和Gd(x,y)分别为输出结果图像和膨胀图像在(x,y)点处的值,TOtsu为Gd图像的大津阈值;
f、对得到的连通区域进行初步判断,符合面积要求的连通区域即为本步骤中候选区域检测结果。
(4)利用训练好的支持向量分类器,将步骤(3)提取的所有符合要求的目标候选区域输入分类器中进行分类识别,并对结果进行非极大值抑制处理,最终得到舰船目标检测结果;其中具体程如下:
①、根据上述步骤检测得到的候选区域的位置在边缘检测图像上截取出相应的图像块,即为待分类的舰船目标;
②、采用最近邻插值法将过程①得到的尺寸不同的图像调整到统一维度;
③、将过程②统一维度后的图像块灰度信息输入支持向量机分类器中,进行分类识别,得到属于目标类的分数值;
④、利用分数阈值对过程③得到的分类结果进行判断,最终得到舰船目标检测结果。
本发明提供了一种基于结构森林边缘候选区域提取的舰船目标检测算法,有益效果如下:
首先在边缘检测效果方面使用训练数据集对结构化随机森林模型进行训练,得到的随机森林模型可对输入图像进行有针对性地边缘检测,从而在很大程度上排除了光照不均以及云雾干扰的问题;并且与无差别的边缘检测算法相比,本发明的算法可以根据训练样本的具体内容进行有针对性地边缘检测,适用于本发明所针对的遥感图像,解决了本发明所针对的遥感图像海面舰船目标检测问题。
其次本发明从两个方面论证了在目标检测效果上的优越性:一方面是候选区域提取效果,本发明所述算法与常用的显著性检测方法相比在精确率和召回率均具有明显的优势;另一方面候选区域提取与分类器相结合的检测效果,与目前先进算法基于舰船方向梯度直方图的检测算法相比,具有更好的检测效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为传统的舰船图像目标检测流程图;
图2为本发明算法流程图;
图3为边缘检测效果图;其中(a)为原始输入图像,(b)为结构森林边缘检测结果,(c)为Canny算法边缘检测结果,(d)为Sobel算子边缘检测结果。
图4为本发明的舰船目标检测结果;
具体实施方式
以下通过具体实施例并结合附图对本发明做进一步说明。
请参照说明书附图图2,本发明的具体实施方式如图2所示,各部分的具体实施细节如下:
(1)通过人工样本采集获得训练样本和测试样本,并标注边缘真值图和目标真值图;本实施例所用的遥感图像由谷歌地球地图(Google Earth Map)截取得到,共57张图像,其中13张用于训练,44张用于测试。
对于任意一张训练图像,对其进行两类真值标注,包括边缘真值图和目标真值图,均为二值图像。边缘真值图中,所有舰船目标的边缘被标注为白色,其他区域标注为黑色;目标真值图中,所有舰船目标被标注为白色,其他区域标注为黑色。
(2)利用训练数据集对结构化随机森林模型和支持向量机(SVM)模型进行训练;
本发明中需要对结构化随机森林模型和支持向量机分类器模型进行训练,训练数据即为步骤(1)中人工标注的训练集真值图像样本;
随机森林由许多随机形成的简单二分决策树组成,决策树将空间用超平面进行划分,每次分割的时候,都将当前的空间一分为二,这些决策树之间没有关联关系,当测试数据进入随机森林时,每一颗决策树都对其进行分类决策,最后取所有结果中得票最多类别即为最终的决策结果。随机森林是一个包含多个决策数的分类器,并且其输出的类别是由个别树输出的类别的众数而定。
结构化随机森林在通用随机森林算法的基础上,利用训练集中的边缘真值图对模型进行参数训练,从而充分学习目标图像的空间结构信息,更加有利于对目标进行分类,在本发明的结构化随机森林模型训练中,利用图像中每个点“边缘”与“非边缘”的属性对模型进行训练,并在训练结束后,将训练好的模型存储下来以供边缘检测时使用。
在训练支持向量机分类器模型时,使用目标真值图。利用结构化随机森林模型对训练样本进行边缘检测,根据目标真值图的标注信息,将包含目标的边缘图像块取出来,对向量机分类器模型进行训练。由于样本尺寸不同,需要将样本调整到统一维度,再进行训练。在训练结束后,将训练好的模型存储下来,以供后续分类识别时使用。
(3)利用训练好的结构化随机森林模型对输入图像进行边缘检测,并对边缘检测结果进行形态学处理,提取连通域作为目标候选区。
将原始遥感图像输入到随机森林模型中,进行边缘检测,得到边缘图像,该图像为灰度图。在边缘灰度图上提取疑似目标的连通区域,需要对该图像进行一系列的形态学处理:
其中形态学处理的步骤如下:
a、对边缘图像进行类似阈值分割操作,其目的是将结构森林检测结果中低于指定阈值的弱边缘去除,公式为:
其中,I为输入的边缘灰度图像,P为经过类似阈值分割后的边缘结果图像,均为灰度图像,I(x,y)和P(x,y)分别为输入边缘图像与输出结果图像在(x,y)点处的灰度值,T为分割阈值;
b、对图像进行反色处理,主要目的是将边缘转变为白色,便于使用连通区域检测方法将边缘提取出来,公式为:
Q(x,y)=255-P(x,y)
其中,P为阈值化后的边缘灰度图像,Q为经过反色处理的结果图像,均为灰度图像,P(x,y)和Q(x,y)分别为输入图像与输出结果图像在(x,y)点处的灰度值;
c、对图像进行腐蚀操作,去除边缘毛刺及孤立像素,公式为:
Ge(x,y)=erode[Q(x,y),Be]
=min{Q(x+x′,y+y′)-Be(x′,y′)|(x′,y′)∈Be}
其中,Q为反色处理后的灰度图像,Ge为经过腐蚀处理的结果图像,均为灰度图像,Be为该腐蚀操作的结构元素,Q(x,y)和Ge(x,y)分别为输入反色图像与输出腐蚀结果图像在(x,y)点处的灰度值,Be(x′,y′)表示在(x′,y′)点处的结构元素值;
d、对图像进行膨胀操作,对边缘图像中孔洞进行填充,公式为:
Gd(x,y)=dilate[Ge(x,y),Bd]
=max{Ge(x+x′,y+y′)-Bd(x′,y′)|(x′,y′)∈Bd}
其中,Ge为输入的腐蚀图像,Gd为经过膨胀处理的结果图像,均为灰度图像,Bd为该膨胀操作的结构元素,Ge(x,y)和Gd(x,y)分别为输入图像与输出膨胀结果图像在(x,y)点处的灰度值,Bd(x′,y′)表示在(x′,y′)点处的结构元素值;
e、对经过腐蚀和膨胀操作的图像进行二值化操作,得到二值图像,即可得到图中所有连通区域,公式为:
其中,O为输出结果二值图像,Gd为上述步骤中得到的膨胀图像,O(x,y)和Gd(x,y)分别为输出结果图像和膨胀图像在(x,y)点处的值,TOtsu为Gd图像的大津阈值;
f、对得到的连通区域进行初步判断,符合面积要求的连通区域即为本步骤中候选区域检测结果。
(4)利用训练好的支持向量机分类器,将步骤(3)提取的所有符合要求的目标候选区域输入分类器中进行分类识别,并对结果进行非极大值抑制处理,最终得到舰船目标检测结果;其中具体过程如下:
①、根据上述步骤中检测得到的候选区域的位置在边缘检测图像上截取出相应的图像块,即为待分类的舰船目标;
②、采用最近邻插值法将过程①得到的尺寸不同的图像调整到统一维度;
③、将过程②统一维度后的图像块灰度信息输入支持向量机分类器中,进行分类识别,得到属于目标类的分数值;
④、利用分数阈值对过程③得到的分类结果进行判断,最终得到舰船目标检测结果。
本发明主要在边缘检测效果以及舰船目标检测效果上表现出较大的优势;首先在边缘检测效果方面:使用训练数据集对结构化随机森林模型进行训练,得到的随机森林模型可对输入图像进行有针对性地边缘检测,从而在很大程度上排除了光照不均及云雾干扰;与无差别的边缘检测算法相比,本算法可以根据训练样本的具体内容进行有针对性地边缘检测,适用于本发明所针对的遥感图像海面舰船目标检测问题;如图3所示为边缘检测结果对比图;其中(a)为原始输入图像,(b)为结构森林边缘检测结果,(c)为Canny算法边缘检测结果,(d)为Sobel算子边缘检测结果。
其次在目标检测效果方面,本发明从两个方面论证了在目标检测效果上的优越性:一是候选区域提取效果,与常用的显著性候选区域取提取算法相比,得到如表1所示的实验结果,本发明所述方法的精确率和召回率均优于常用的显著性检测方法;二是候选区域提取与分类器相结合的检测效果,与目前先进算法基于舰船方向梯度直方图的检测算法(Ship Histogram of Oriented Gradient,S-HOG)相比,得到如表2所示的实验结果,本发明所述方法取得和S-HOG方法近似的精确率,同时得到远远高于该方法的召回率,检测效果好。
表1.候选区域提取算法检测结果对比
表2.舰船目标检测算法检测结果对比
图4为本发明的舰船目标检测结果。
上述实施例只为说明本发明的技术构思及特点,并不能以此限制本发明的保护范围,凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围内。
Claims (3)
1.一种基于结构森林边缘候选区域提取的舰船目标检测算法,其特征在于,具体包括:
(1)通过人工样本采集并标注的方式获得训练样本和测试样本,并标注边缘真值图和目标真值图;
(2)利用训练数据集对结构化随机森林模型和支持向量机(SVM)模型进行训练;
(3)利用步骤(2)训练好的结构化随机森林模型对输入图像进行边缘检测,并对边缘检测结果进行形态学处理,提取连通域作为目标候选区域;
(4)将目标候选区域输入训练好的支持向量机分类器中进行分类识别,并对结果进行非极大值抑制处理,最终得到舰船目标检测结果。
2.根据权利要求1所述的基于结构森林边缘候选区域提取的舰船目标检测算法,其特征在于,所述步骤(3)中的关于形态学处理具体包括如下步骤:
a、对边缘图像进行类似阈值分割操作,其目的是将结构森林检测结果中低于指定阈值的弱边缘去除,公式为:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>255</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,I为输入的边缘灰度图像,P为经过类似阈值分割后的边缘结果图像,均为灰度图像,I(x,y)和P(x,y)分别为输入边缘图像与输出结果图像在(x,y)点处的灰度值,T为分割阈值;
b、对图像进行反色处理,主要目的是将边缘转变为白色,便于使用连通区域检测方法将边缘提取出来,公式为:
Q(x,y)=255-P(x,y)
其中,P为阈值化后的边缘灰度图像,Q为经过反色处理的结果图像,均为灰度图像,P(x,y)和Q(x,y)分别为输入图像与输出结果图像在(x,y)点处的灰度值;
c、对图像进行腐蚀操作,去除边缘毛刺及孤立像素,公式为:
Ge(x,y)=erode[Q(x,y),Be]
=min{Q(x+x′,y+y′)-Be(x′,y′)|(x′,y′)∈Be}
其中,Q为反色处理后的灰度图像,Ge为经过腐蚀处理的结果图像,均为灰度图像,Be为该腐蚀操作的结构元素,Q(x,y)和Ge(x,y)分别为输入反色图像与输出腐蚀结果图像在(x,y)点处的灰度值,Be(x′,y′)表示在(x′,y′)点处的结构元素值;
d、对图像进行膨胀操作,对边缘图像中孔洞进行填充,公式为:
Gd(x,y)=dilate[Ge(x,y),Bd]
=max{Ge(x+x′,y+y′)-Bd(x′,y′)|(x′,y′)∈Bd}
其中,Ge为输入的腐蚀图像,Gd为经过膨胀处理的结果图像,均为灰度图像,Bd为该膨胀操作的结构元素,Ge(x,y)和Gd(x,y)分别为输入图像与输出膨胀结果图像在(x,y)点处的灰度值,Bd(x′,y′)表示在(x′,y′)点处的结构元素值;
e、对经过腐蚀和膨胀操作的图像进行二值化操作,得到二值图像,即可得到图中所有连通区域,公式为:
<mrow>
<mi>O</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>G</mi>
<mi>d</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>O</mi>
<mi>t</mi>
<mi>s</mi>
<mi>u</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>G</mi>
<mi>d</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<msub>
<mi>T</mi>
<mrow>
<mi>O</mi>
<mi>t</mi>
<mi>s</mi>
<mi>u</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,O为输出结果二值图像,Gd为上述步骤中得到的膨胀图像,O(x,y)和Gd(x,y)分别为输出结果图像和膨胀图像在(x,y)点处的值,TOtsu为Gd图像的大津阈值;f、对得到的连通区域进行初步判断,符合面积要求的连通区域即为本步骤中候选区域检测结果。
3.根据权利要求1所述的基于结构森林边缘候选区域提取的舰船目标检测算法,其特征在于,步骤(4)的具体操作过程如下:
①、根据上述步骤检测得到的候选区域的位置在边缘检测图像上截取出相应的图像块,即为待分类的舰船目标;
②、采用最近邻插值法将过程①得到的尺寸不同的图像调整到统一维度;
③、将过程②统一维度后的图像块灰度信息输入支持向量机分类器中,进行分类识别,得到属于目标类的分数值;
④、利用分数阈值对过程③得到的分类结果进行判断,最终得到舰船目标检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710322288.8A CN107704865A (zh) | 2017-05-09 | 2017-05-09 | 基于结构森林边缘候选区域提取的舰船目标检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710322288.8A CN107704865A (zh) | 2017-05-09 | 2017-05-09 | 基于结构森林边缘候选区域提取的舰船目标检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107704865A true CN107704865A (zh) | 2018-02-16 |
Family
ID=61169572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710322288.8A Pending CN107704865A (zh) | 2017-05-09 | 2017-05-09 | 基于结构森林边缘候选区域提取的舰船目标检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107704865A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063669A (zh) * | 2018-08-16 | 2018-12-21 | 武汉理工大学 | 一种基于图像识别的桥区船舶航行态势分析方法及装置 |
CN109087305A (zh) * | 2018-06-26 | 2018-12-25 | 汕头大学 | 一种基于深度卷积神经网络的裂缝图像分割方法 |
CN109102528A (zh) * | 2018-08-07 | 2018-12-28 | 上海海事大学 | 一种船舶跟踪方法及*** |
CN109902618A (zh) * | 2019-02-26 | 2019-06-18 | 青岛海之声科技有限公司 | 一种海面船只识别方法和装置 |
CN109961097A (zh) * | 2019-03-20 | 2019-07-02 | 西北大学 | 一种嵌入式场景下基于边缘计算的图像分类调度方法 |
CN110263635A (zh) * | 2019-05-14 | 2019-09-20 | 中国人民解放***箭军工程大学 | 基于结构森林和PCANet的标志物检测与识别方法 |
CN115578725A (zh) * | 2022-09-08 | 2023-01-06 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种基于人机协同的滑坡边界与裂缝的标注方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663348A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种光学遥感图像中的海上舰船检测方法 |
CN102867196A (zh) * | 2012-09-13 | 2013-01-09 | 武汉大学 | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 |
CN103886285A (zh) * | 2014-03-11 | 2014-06-25 | 武汉大学 | 先验地理信息辅助下的光学遥感影像舰船检测方法 |
CN104036239A (zh) * | 2014-05-29 | 2014-09-10 | 西安电子科技大学 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
-
2017
- 2017-05-09 CN CN201710322288.8A patent/CN107704865A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663348A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种光学遥感图像中的海上舰船检测方法 |
CN102867196A (zh) * | 2012-09-13 | 2013-01-09 | 武汉大学 | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 |
CN103886285A (zh) * | 2014-03-11 | 2014-06-25 | 武汉大学 | 先验地理信息辅助下的光学遥感影像舰船检测方法 |
CN104036239A (zh) * | 2014-05-29 | 2014-09-10 | 西安电子科技大学 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
Non-Patent Citations (2)
Title |
---|
PIOTR DOLLAR 等: "Structured Forests for Fast Edge Detection", 《2013 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
王鹤智 等: "阈值分割和数学形态学在遥感图像边缘提取中的应用", 《森林工程》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087305A (zh) * | 2018-06-26 | 2018-12-25 | 汕头大学 | 一种基于深度卷积神经网络的裂缝图像分割方法 |
CN109102528A (zh) * | 2018-08-07 | 2018-12-28 | 上海海事大学 | 一种船舶跟踪方法及*** |
CN109063669A (zh) * | 2018-08-16 | 2018-12-21 | 武汉理工大学 | 一种基于图像识别的桥区船舶航行态势分析方法及装置 |
CN109063669B (zh) * | 2018-08-16 | 2022-06-03 | 武汉理工大学 | 一种基于图像识别的桥区船舶航行态势分析方法及装置 |
CN109902618A (zh) * | 2019-02-26 | 2019-06-18 | 青岛海之声科技有限公司 | 一种海面船只识别方法和装置 |
CN109961097A (zh) * | 2019-03-20 | 2019-07-02 | 西北大学 | 一种嵌入式场景下基于边缘计算的图像分类调度方法 |
CN109961097B (zh) * | 2019-03-20 | 2023-04-07 | 西北大学 | 一种嵌入式场景下基于边缘计算的图像分类调度方法 |
CN110263635A (zh) * | 2019-05-14 | 2019-09-20 | 中国人民解放***箭军工程大学 | 基于结构森林和PCANet的标志物检测与识别方法 |
CN115578725A (zh) * | 2022-09-08 | 2023-01-06 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种基于人机协同的滑坡边界与裂缝的标注方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107704865A (zh) | 基于结构森林边缘候选区域提取的舰船目标检测算法 | |
CN104217196B (zh) | 一种遥感影像圆形油罐自动检测方法 | |
CN102663348B (zh) | 一种光学遥感图像中的海上舰船检测方法 | |
CN102867196B (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN108647648A (zh) | 一种基于卷积神经网络的可见光条件下的舰船识别***及方法 | |
CN108121991A (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
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 | |
CN109117802A (zh) | 面向大场景高分遥感影像的舰船检测方法 | |
CN109902618A (zh) | 一种海面船只识别方法和装置 | |
CN108257151B (zh) | 基于显著性分析的PCANet图像变化检测方法 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN103886285A (zh) | 先验地理信息辅助下的光学遥感影像舰船检测方法 | |
CN110008900B (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
CN104217221A (zh) | 基于纹理特征的书画作品检测方法 | |
CN109815807A (zh) | 一种基于边缘线分析和聚合通道特征的靠岸船舶检测方法 | |
CN112417931B (zh) | 一种基于视觉显著性的水面物体检测和分类的方法 | |
CN103020592B (zh) | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 | |
CN110659550A (zh) | 交通标志牌识别方法、装置、计算机设备和存储介质 | |
CN107480585A (zh) | 基于dpm算法的目标检测方法 | |
CN103778627A (zh) | 一种基于sar图像的海域溢油检测方法 | |
Kalkan et al. | Comparison of support vector machine and object based classification methods for coastline detection | |
CN109977899B (zh) | 一种物品识别的训练、推理以及增加新种类的方法和*** | |
CN106446925A (zh) | 一种基于图像处理的海豚身份识别的方法 |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20220506 |