CN111695524A - 一种遥感图像海面舰船检测方法 - Google Patents

Abstract

本发明提供了一种遥感图像海面舰船检测方法，包括如下步骤：1、对待检测遥感图像进行预处理操作，滤除图像噪声的同时改善图像视觉效果；2、利用GBVS模型对预处理后图像进行多特征的显著分析，得到融合显著图；3、根据显著性分析结果作为改进Chan‑Vese模型初始条件，完成遥感图像海面舰船分割。4、根据TBR准则选择ROI作为最小外切矩形区域，最终实现海面舰船检测。本发明有效地实现了复杂背景下遥感图像海面舰船检测。

Description

一种遥感图像海面舰船检测方法

技术领域

本发明涉及遥感图像海面舰船检测领域，具体涉及一种遥感图像海面舰船检测方法。

背景技术

舰船是海上的关键目标，舰船检测作为遥感图像处理领域的重要研究方向，在海上交通监管、海洋空间规划等领域都具有极大价值。利用遥感图像自动检测海面舰船目标可以避免传统依赖人工判读的缺陷，大大提高效率，降低成本及劳动力。现有的遥感图像海面舰船检测大多基于阈值分割的方法，该算法简单快速，但在实际应用中，由于遥感图像成像机理、气候、光照等因素干扰，图像中往往存在雾霾遮蔽、光照不均、舰船与海面灰度相近等现象。传统的海面舰船检测方法很容易导致漏检、虚警。因此，如何有效地提取遥感图像中的海面舰船目标已成为该领域研究热点。

发明内容

针对现有遥感图像海面舰船检测领域中存在的问题，本发明公开了一种基于显著性和改进Chan-Vese模型的遥感图像海面舰船检测方法。针对遥感图像存在数据量大、噪声干扰、对比度不理想等问题，首先对遥感图像进行灰度化、中值滤波和线性拉伸，滤除噪声等无用信息的同时强调感兴趣区域；然后采用GBVS模型对预处理后的图像进行多特征显著分析，生成综合显著图；为了避免Chan-Vese模型对初始条件敏感这个缺陷，再将显著分析结果作为改进Chan-Vese模型的初始区域，实现海面舰船分割；最后，综合考虑目标与背景区域像素数目，基于最小外切矩形法最终完成海面舰船目标检测。

技术方案：本发明公开了一种基于显著性和改进Chan-Vese模型的遥感图像海面舰船检测方法，包括如下步骤：

步骤1，对待检测遥感图像进行预处理；

步骤2，对图的视觉显著GBVS(Graph Based Visual Saliency,GBVS)模型进行简化，利用简化的图的视觉显著GBVS模型对预处理后的遥感图像进行显著分析，经融合生成综合显著图；

步骤3，将显著分析结果作为Chan-Vese模型的初始迭代条件，得到遥感图像海面舰船分割结果；

步骤4，根据TBR准则(Target-Background Rate，目标区域的目标像素数目与背景像素数目比值)，最终实现海面舰船检测。

步骤1包括：

步骤1-1，图像灰度化：采用图像灰度化操作对待检测遥感图像进行降维，剔除图像中的冗余信息；

步骤1-2，图像滤波去噪：采用中值滤波对灰度化后的图像进行去噪处理；

步骤1-3，图像线性增强：利用如下公式对去噪后图像进行线性拉伸处理，重新分配图像灰度级范围：

式中，g_e为进行图像线性增强后的图像灰度级，g为去噪后图像灰度级，g_max、g_min分别为去噪后图像灰度级的最大值与最小值。

步骤1包括：

步骤2-1，对图的视觉显著GBVS模型进行简化，仅提取亮度和方向的子图像特征图，将待检测图像进行降采样，利用高斯金字塔低通滤波器进行图像滤波，得到1组多尺度的亮度特征图，同时利用Gabor金字塔滤波器组进行图像滤波，得到4组方位角0°、45°、90°、135°的多尺度方向特征图(传统GBVS模型采用了该算法：Jonathan H,Christof K,PietroP.Graph-based visual saliency[C].Advances in Neural Information ProcessingSystems,Vancouver,2006,19:545-552.)；

步骤2-2，生成子显著图：简化后的图的视觉显著GBVS模型首先构建待检测图像的马尔可夫链，通过对马尔可夫链平衡分布求解实现子显著图生成；

步骤2-3，对生成的子显著图进行融合，生成综合显著图。

步骤2-2包括：设定图像特征图(即前文得到的4组方位角0°、45°、90°、135°的多尺度方向特征图)为M_F，现将特征图M_F中任意一个像素点看作一个节点，并将该节点与相邻节点相连，形成一个有向图G_A，节点M_F(i,j)和节点M_F(p,q)之间的差异度d((i,j),(p,q))定义为：

i,j分别表示节点M_F(i,j)的横坐标和纵坐标，p,q分别表示节点M_F(p,q)的横坐标和纵坐标；

连接节点(i,j)和(p,q)的边设置权值w₁((i,j),(p,q))如下式所示：

w₁((i,j),(p,q))＝d((i,j),(p,q))·F(i-p,j-q)，

式中，F(i-p,j-q)＝exp[-(i-p)²-(j-q)²)/2σ²]，σ为可调参数，一般取值为0～1；

由于反向的边权值相同，通过把从相同节点出发的边的权值归一化，将节点视为状态、将边的权值视为转移概率，在有向图G_A上定义一个马尔可夫链，将平衡分布状态图作为该特征图M_F相应的显著图M_A(对于平衡分布状态图，用马尔科夫链的平衡状态表示停留在每个点上的时间。一个节点与周围的节点具有小的相似性，那么将在这个节点上聚集很多时间，停留时间可以判断一个区域的显著性。具体求解过程参考马尔可夫链平衡分布状态求解)；

在归一化显著图的过程中，再次构建一个马尔可夫链G_N，并且令连接两个节点(i,j)和(p,q)的边的权值w₂((i,j),(p,q))为：

w₂((i,j),(p,q))＝M_A(p,q)·F(i-p,j-q)，

再次计算G_N的稳定状态分布图(具体求解过程参考马尔可夫链稳定状态分布求解)，得到归一化后的显著图M_N。

步骤2-3包括：

根据如下公式对生成的子显著图进行融合，分别得到亮度显著图S_I和方向显著图S_O：

式中，

表示尺度为k的亮度子显著图，

表示尺度k、方位角为θ的方向子显著图，K代表尺度总数；

表示跨尺度相加；

根据以下公式对得到的亮度显著图S_I和方向显著图S_O进行再次融合得到待检测遥感图像的综合显著图S_M：

步骤3包括：采用加权Chan-Vese模型，引入自适应权值δ₁和δ₂计算拟合中心，将综合显著图S_M作为加权Chan-Vese模型的输入，并根据下式改进偏微分方程进行计算，使能量函数最小：

其中，

表示水平集函数，选择符号距离函数(Signed Distance Function,SDF)作为水平集函数，则水平集函数变为：

式中，d为符号距离函数，表示高维空间内点(x,y)到零水平集的距离，

零水平集函数

如下式所示：

其中，t表示迭代时间，▽是微分算子符号，g(x,y)为预处理后的待检测遥感图像，所述边界轮廓为步骤2-3得到的综合显著图S_M的边界轮廓，作为改进CV模型的初始轮廓进行输入；

式中，μ、v、λ₁、λ₂为常数，C₁、C₂分别为引入自适应权值δ₁和δ₂的目标拟合中心和背景拟合中心，定义如下：

其中，

表示理想阶跃函数，当进行数值运算时，可用下式来参与运算：

中间函数

ε表示趋于0的小正数；

其中

通过迭代实现自适应调节；

通过水平集更新及边界演化得到最佳轮廓，由此实现海面舰船目标分割。

步骤4包括：根据TBR准则，选取海面舰船目标域的目标像素数目与海洋区域背景像素数目的最大比值的感兴趣区域以作为海面舰船目标的最小外切矩形区域，实现海面舰船检测，最终完成海面舰船检测。

有益效果：与现有技术相比，本发明公开的基于显著性和改进Chan-Vese模型的遥感图像海面舰船检测方法的优点在于：

(1)考虑到遥感图像往往数据量大、噪声干扰、可读性不理想，综合运用图像灰度化、中值滤波、线性增强手段对遥感图像进行预处理，为后续海面舰船检测提供优质数据保障；

(2)视觉显著机制理论受生物视觉机理的启发，具有一定的从复杂背景中捕捉感兴趣目标的能力，在遥感图像海面舰船检测领域中引入视觉显著机制，可望能凸显海洋场景中的显著舰船目标，进一步改善海面舰船检测效果。其中GBVS模型能有效突出图像中的“关注”位置，尤其针对背景复杂、目标结构清晰的遥感图像，具有明显的优势。鉴于此，采用简化GBVS模型描述预处理后的遥感图像中的显著区域，融合后生成综合显著图；

(3)将显著分析结果作为加权Chan-Vese模型的输入，解决传统Chan-Vese模型初始条件未知、收敛时间长的问题，提高方法速度及智能化程度。同时构建自适应权值加权平均策略替代传统的算术平均计算像素点对拟合中心的贡献值，充分考虑差异性，使分割结果更加精准。

(4)根据TBR准则选取舰船目标与海洋背景像素数目比值最大区域作为最小外切矩形区域，从而实现遥感图像海面舰船检测，该步骤易于后续对舰船目标的长、宽、朝向等信息进行提取，为舰船分类及识别提供条件。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1是本发明的流程示意图；

图2是本发明的待检测遥感图像；

图3是本发明的待检测遥感图像灰度化结果；

图4是本发明的待检测遥感图像滤波去噪结果；

图5是本发明的待检测遥感图像线性增强结果；

图6是本发明的待检测遥感图像显著分析结果；

图7是本发明的遥感图像舰船分割结果；

图8是本发明的遥感图像舰船检测结果；

图9是本发明的遥感图像舰船检测结果与原始图像叠加效果。

具体实施方式

本发明提供了一种基于显著性和改进Chan-Vese模型的遥感图像海面舰船检测方法。该方法首先对对待检测遥感图像进行预处理操作，滤除图像噪声的同时改善图像视觉效果；然后利用简化GBVS模型对预处理后图像进行多特征的显著分析，得到融合显著图；再根据显著性分析结果作为改进Chan-Vese模型初始条件，完成遥感图像海面舰船分割；最后采用最小外切矩形法对舰船目标长度和宽度的提取，并根据TBR准则利用目标域的目标像素数目与背景像素数目的最大比值来恰当选择ROI以作为最小外切矩形区域，实现海面舰船检测。

下面结合附图和具体实施方式，进一步阐明本发明。

实现本发明的流程示意图如图1所示，方法具体实施步骤如下：

步骤1：对对待检测遥感图像进行预处理操作。

(1)图像灰度化。鉴于遥感图像的数据量较大，而颜色分量对舰船检测并无突出贡献，采用图像灰度化操作对待检测遥感图像(图2)进行降维，剔除图像中的冗余信息，减少后续检测算法运行时间，灰度化后图像如图3所示。

(2)图像滤波去噪。为了减少传感器成像及数据传输过程中带来的噪声及成像、气候等因素导致的干扰信息，采用优良的非线性滤波器—中值滤波对灰度化后的图像进行去噪处理，在滤除噪声的同时保留图像的细节信息，去噪后图像如图4所示。

(3)图像线性增强。鉴于遥感图像灰度级往往集中在某一段灰度区间内，对比度不尽如人意，不利于后续检测。为了解决这个问题，利用如下公式对去噪后图像进行线性拉伸处理，重新分配图像灰度级范围，提高图像可读性，增强后图像如图5所示。

式中，g_e为增强后图像灰度级，g为去噪后图像灰度级，g_max、g_min分别为去噪后图像灰度级的最大值与最小值。

步骤2：采用GBVS模型描述预处理后图像中的显著区域。主要包括对图像的多特征提取、子显著图生成、显著图融合等操作。

(1)多特征提取。由于步骤1中已对待检测图像实施了灰度化操作，使其不再具有颜色维度，因此对GBVS模型进行简化，仅提取亮度和方向的子图像特征图。并且为了提高算法的运行效率，将待检测图像进行降采样，利用高斯金字塔低通滤波器进行图像滤波，得到1组多尺度的亮度特征图，于此同时利用Gabor金字塔滤波器组进行图像滤波，得到4组方位角(0°、45°、90°、135°)的多尺度方向特征图。

(2)子显著图生成。GBVS模型首先构建待检测图像的马尔可夫链，通过对其平衡分布求解实现子显著图生成，该模型采用链式结构，模拟了生物视觉神经网络的工作原理，具体步骤包括：

假设图像特征图为M_F，现将特征图M_F中任意一个像素点看作一个节点，并将该节点与相邻节点相连，形成一个有向图G_A。节点M_F(i,j)和节点M_F(p,q)之间的差异度定义为：

连接节点(i,j)和(p,q)的边设置权值如下式所示。

w₁((i,j),(p,q))＝d((i,j),(p,q))·F(i-p,j-q)

式中，F(i-p,j-q)＝exp[-(i-p)²-(j-q)²)/2σ²]，σ为可调参数。

由于反向的边权值相同，可以通过把从相同节点出发的边的权值归一化，将节点视为状态、将边的权值视为转移概率，在有向图G_A上定义一个马尔可夫链。这样一个马尔可夫链的平衡分布反映了一次无限长度的随机行走在每一个节点处的时隙，由于从不相似度高的节点处经过的概率更大，因此这些节点处的平衡分布值就自然较高，于是将此平衡分布状态图作为该特征图相应的显著图M_A。

在归一化显著图的过程中，再次构建一个马尔可夫链G_N，并且令连接两个节点(i,j)和(p,q)的边的权值为：

w₂((i,j),(p,q))＝M_A(p,q)·F(i-p,j-q)

再次计算G_N的稳定状态分布图，得到归一化后的显著图M_N。

(3)显著图融合。根据以下策略对生成的子显著图进行融合，分别得到亮度显著图S_I和方向显著图S_O

式中，

表示尺度为k的亮度子显著图，

表示尺度k、方位角为θ的方向子显著图，K代表尺度总数，本案例设置为2；

表示跨尺度相加(通过插值变成同样大小后相加)。

根据以下融合策略对得到的亮度显著图S_I和方向显著图S_O进行再次融合得到待检测遥感图像的综合显著图S_M，如图6所示。

步骤3：鉴于传统Chan-Vese模型采用算术平均计算拟合中心，未考虑到任意像素点对拟合中心贡献值的差异性，导致分割结果不准确，采用加权Chan-Vese模型，引入自适应权值δ₁和δ₂计算拟合中心，以改善分割效果。将根据步骤2所得的综合显著图S_M作为加权Chan-Vese模型的输入，并根据下式改进偏微分方程进行计算，使能量函数最小，通过水平集更新及边界演化得到最佳轮廓，由此实现海面舰船目标分割，分割结果如图7所示。

式中，μ、v、λ₁、λ₂为常数，本案例中设置λ₁＝λ₂＝1、μ＝1、v＝0，C₁、C₂分别为引入自适应权值δ₁和δ₂的目标拟合中心和背景拟合中心，定义如下：

其中

通过迭代实现自适应调节。

步骤4：为了更好的表征待检测海面舰船目标的长宽及朝向，根据TBR准则，选取海面舰船目标域的目标像素数目与海洋区域背景像素数目的最大比值的ROI以作为海面舰船目标的最小外切矩形区域，实现海面舰船检测，最终完成海面舰船检测(如图8所示)，图9给出了海面舰船检测结果与原始图像的叠加效果。

本发明提供了一种遥感图像海面舰船检测方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (7)

1.一种遥感图像海面舰船检测方法，其特征在于，包括如下步骤：

步骤1，对待检测遥感图像进行预处理；

步骤2，对图的视觉显著GBVS模型进行简化，利用简化的图的视觉显著GBVS模型对预处理后的遥感图像进行显著分析，经融合生成综合显著图；

步骤3，将显著分析结果作为Chan-Vese模型的初始迭代条件，得到遥感图像海面舰船分割结果；

步骤4，根据TBR准则，最终实现海面舰船检测。

2.根据权利要求1所述的方法，其特征在于，步骤1包括：

步骤1-1，图像灰度化：采用图像灰度化操作对待检测遥感图像进行降维，剔除图像中的冗余信息；

步骤1-2，图像滤波去噪：采用中值滤波对灰度化后的图像进行去噪处理；

步骤1-3，图像线性增强：利用如下公式对去噪后图像进行线性拉伸处理，重新分配图像灰度级范围：

式中，g_e为进行图像线性增强后的图像灰度级，g为去噪后图像灰度级，g_max、g_min分别为去噪后图像灰度级的最大值与最小值。

3.根据权利要求2所述的方法，其特征在于，步骤1包括：

步骤2-1，对图的视觉显著GBVS模型进行简化，仅提取亮度和方向的子图像特征图，将待检测图像进行降采样，利用高斯金字塔低通滤波器进行图像滤波，得到1组多尺度的亮度特征图，同时利用Gabor金字塔滤波器组进行图像滤波，得到4组方位角0°、45°、90°、135°的多尺度方向特征图；

步骤2-2，生成子显著图：简化后的图的视觉显著GBVS模型首先构建待检测图像的马尔可夫链，通过对马尔可夫链平衡分布求解实现子显著图生成；

步骤2-3，对生成的子显著图进行融合，生成综合显著图。

4.根据权利要求3所述的方法，其特征在于，步骤2-2包括：设定特征图为M_F，现将特征图M_F中任意一个像素点看作一个节点，并将该节点与相邻节点相连，形成一个有向图G_A，节点M_F(i,j)和节点M_F(p,q)之间的差异度d((i,j),(p,q))定义为：

i,j分别表示节点M_F(i,j)的横坐标和纵坐标，p,q分别表示节点M_F(p,q)的横坐标和纵坐标；

连接节点(i,j)和(p,q)的边设置权值w₁((i,j),(p,q))如下式所示：

w₁((i,j),(p,q))＝d((i,j),(p,q))·F(i-p,j-q)，

式中，F(i-p,j-q)＝exp[-(i-p)²-(j-q)²)/2σ²]，σ为可调参数；

由于反向的边权值相同，通过把从相同节点出发的边的权值归一化，将节点视为状态、将边的权值视为转移概率，在有向图G_A上定义一个马尔可夫链，将平衡分布状态图作为该特征图M_F相应的显著图M_A；

在归一化显著图的过程中，再次构建一个马尔可夫链G_N，并且令连接两个节点(i,j)和(p,q)的边的权值w₂((i,j),(p,q))为：

w₂((i,j),(p,q))＝M_A(p,q)·F(i-p,j-q)，

再次计算G_N的稳定状态分布图，得到归一化后的显著图M_N。

5.根据权利要求4所述的方法，其特征在于，步骤2-3包括：

根据如下公式对生成的子显著图进行融合，分别得到亮度显著图S_I和方向显著图S_O：

式中，

表示尺度为k的亮度子显著图，

表示尺度k、方位角为θ的方向子显著图，K代表尺度总数；

表示跨尺度相加；

根据以下公式对得到的亮度显著图S_I和方向显著图S_O进行再次融合得到待检测遥感图像的综合显著图S_M：

6.根据权利要求5所述的方法，其特征在于，步骤3包括：采用加权Chan-Vese模型，引入自适应权值δ₁和δ₂计算拟合中心，将综合显著图S_M作为加权Chan-Vese模型的输入，并根据下式改进偏微分方程进行计算，使能量函数最小：

其中，

表示水平集函数，选择符号距离函数作为水平集函数，则水平集函数变为：

式中，d为符号距离函数，表示高维空间内点(x,y)到零水平集的距离；

零水平集函数

如下式所示：

其中，t表示迭代时间，

是微分算子符号，g(x,y)为预处理后的待检测遥感图像，所述边界轮廓为步骤2-3得到的综合显著图S_M的边界轮廓，作为改进CV模型的初始轮廓进行输入；

μ、v、λ₁、λ₂为常数，C₁、C₂分别为引入自适应权值δ₁和δ₂的目标拟合中心和背景拟合中心，定义如下：

其中，

表示理想阶跃函数，当进行数值运算时，用下式来参与运算：

中间函数

ε表示趋于0的正数；

通过迭代实现自适应调节；

通过水平集更新及边界演化得到最佳轮廓，由此实现海面舰船目标分割。

7.根据权利要求6所述的方法，其特征在于，步骤4包括：根据TBR准则，选取海面舰船目标域的目标像素数目与海洋区域背景像素数目的最大比值的感兴趣区域以作为海面舰船目标的最小外切矩形区域，实现海面舰船检测，最终完成海面舰船检测。

Images