结合多尺度视觉显著性的舰船目标检测

光学遥感图像海面舰船目标检测易受云雾,海岛,海杂波等复杂背景的干扰。本文提出了一种适用于复杂背景的舰船目标检测方法。首先为了克服目标尺度多变问题,利用视觉显著性生成多尺度显著图,然后使用基尼指数自适应选择最优显著图。考虑到全局阈值分割算法带来的漏检测问题,提出一种新的方案来分离目标和背景像素点。利用图像膨胀原理获取显著图的局部极大值点,然后使用k-means算法判断极大值点属于目标像素点还是背景像素点。接着对目标点邻近区域进行精细分割。最后引入基于径向梯度变换的旋转不变特征来进一步剔除虚警。实验结果表明,该算法能够成功检测出不同尺寸和方向的舰船目标,有效克服复杂背景的干扰。算法检测正确率93%,虚警率4%,优于其他舰船检测方法。     

红外偏振舰船目标自适应尺度局部对比度检测

针对海天场景复杂干扰情况下多尺度检测红外偏振图像中舰船目标困难的问题,本文提出一种基于引导滤波和自适应尺度局部对比度的舰船目标检测方法。首先将强度信息作为引导信息对红外偏振图像利用引导滤波,得到目标背景对比度、局部信噪比更高的融合图像;然后基于融合图像显著的海天线垂直梯度特征,提出一种检测海天线方法,再对融合图像进行海天线加权抑制海杂波干扰;最后基于单尺度局部对比度算法与舰船目标比例特征,提出自适应尺度局部对比度方法,当尺度与目标匹配时响应最大,通过不同尺度对目标的响应结果确定最大尺度,得到舰船目标检测结果。实验结果表明,引导滤波融合方法的提高图像的目标背景对比度和局部信杂比,与典型检测方法对比,本文方法能够有效抑制干扰并能够检测海天场景不同尺度舰船目标,具有较高的鲁棒性和准确性,检测率、虚警率分别为95.0%,3.5%,为红外偏振图像目标检测提供了新的方法。     

多特征融合视频火灾识别研究

针对目前的视频火焰检测算法容易受到复杂场景、光照条件的影响,算法的实时性较差且容易误判等问题,提出一种红外视频图像自适应背景更新疑似火焰区域检测与改进层次分析法多特征融合火灾火焰识别方法。利用改进型自适应背景更新运动目标检测来获取红外视频图像中疑似火焰区域,消除背景干扰,提高火焰静动态特征的提取效率,将火焰的多种特征用三标度改进层次分析法进行融合,实验结果表明该方法对火焰的识别效果更加快速、精确、有效。     

基于视觉显著性的无监督海面舰船检测与识别

在航天航空光学遥感舰船目标检测中,受大气、光照、云雾和海岛等海面不确定条件的影响,传统的舰船检测方法存在检测效率低和可靠性差等问题,因此,本文提出一种无监督海面舰船目标自动检测方法。该方法以视觉显著性为依据,结合多显著性检测模型快速搜索海面目标,生成显著图后对其进行粗分割,对提取的目标切片做标记并进行精细分割,利用改进的Hough变换旋转目标主轴以保证目标对Y轴的对称性;对可能检测到的厚重云层和岛屿等伪目标使用梯度方向特征进行鉴别,通过判定目标在360°范围内8个区间的梯度幅度统计值,确认舰船目标及去除伪目标。实验结果表明,该舰船检测方法能够成功提取海面上大小不同,位置随机分布的舰船目标,准确获取舰船目标的数量和位置信息,在大量真实光学遥感图像上的测试结果显示,本文方法检测准确率高于93%,通过目标鉴别处理,剔除伪目标后,虚警率可低于4%,鲁棒性较强。     

应用颜色聚类图像块的多舰船显著性检测

由于多舰船目标显著性检测过程容易将边界像素作为背景处理,本文提出了应用颜色聚类图像块的多舰船显著性检测方法。该方法首先检测邻域像素是否具有颜色相似性,并将临近的具有相似颜色的像素聚集在一起作为一个图像块。接着,对获得的图像块进行扩展,使图像块包含很多其他图像块的像素以提高图像块内像素间的对比强度;对边缘像素进行背景索引标记,计算图像块中像素的显著性强度,采用阈值分割方法获得目标显著性区域。最后,基于颜色聚类的图像块存在部分重叠的特点,利用权值对存在叠加的显著性图像进行融合,从而获得多舰船目标整幅图像的显著性检测结果。对获得的多舰船目标图像进行了实验测试,并对本文算法结果和当前比较先进的其它显著性检测算法进行了效果对比。结果显示:提出的利用颜色聚类图像块的舰船显著性检测方法的查全率达到78%以上,准确率达到92%以上,综合评价指标Fβ≥0.7;无论考虑单个指标还是整体指标,本文算法均优于其他对比算法。     

基于均值漂移的红外舰船图像分割算法

提出了一种有效的舰船红外目标图像分割算法,利用均值漂移分割算法的二维灰度和灰度邻域信息,滤除了海面的强杂波干扰,同时又不会损失舰船目标信息。利用不同类别的灰度权重,将红外舰船图像分割成为天空、海水和舰船3类,从而将舰船从图像中有效地分割。由于采用区域节点和灰度直方图来表征图像,与原始图像像素节点表征图像相比,区域节点的个数远远小于原始图像像素节点,从而提高了算法计算效率。计算结果也表明,该算法能够在海面强杂波的干扰下,有效地提取红外舰船目标。     

光学遥感图像中复杂海背景下的舰船检测

本文针对光学遥感图像中复杂海背景下的舰船检测问题,提出一种快速精确的舰船检测方法。首先,基于最大对称环绕显著性检测完成初始目标候选区域提取,并结合一种基于元胞自动机的同步更新机制,利用图像局部相似性和舰船目标几何特征,对初始目标候选区域进行更新,并通过OTSU算法获取最终目标候选区域;然后,根据舰船目标的固有特性对方向梯度直方图特征进行改进,提出一种新的表征舰船特性的边缘-方向梯度直方图特征对舰船目标进行描述,与传统HOG特征相比,这种特征向量侧重于对边缘特征的描述,对梯度向量鲁棒性更强,并且仅为一个24维的特征向量,计算复杂度低;最后,通过构建的训练库完成AdaBoost分类器的训练,并利用训练完成后的AdaBoost分类器完成目标的最终判别确认。本文的检测算法,针对尺寸为1 024pixel×1 024pixel的遥感图像,检测时间为2.386 0s,召回率为97.4%,检测精度为97.2%。实验表明,本文提出算法的检测性能优于目前主流的舰船检测算法,在检测时间和检测精度上都能够满足实际工程需要。     

基于深度学习的遥感图像舰船目标检测算法综述

海面舰船目标检测是遥感图像处理和模式识别领域备受关注的重点研究方向，对舰船目标的自动检测在民用和军用方面都具有重大意义。梳理和分析了典型基于深度学习的目标检测算法的优缺点，并进行了对比和总结；归纳了基于深度学习的舰船目标检测的技术现状，并从多尺度检测、多角度检测、小目标检测、模型轻量化和大幅宽遥感图像舰船目标检测等方面对技术现状进行了详细的介绍。最后，介绍了舰船目标识别算法常用的评价标准和现有的舰船图像数据集，探讨了遥感图像舰船目标检测算法现在所面临的问题和未来的发展趋势。     

基于剪切波变换的复杂海面红外目标检测算法

针对复杂海面红外目标检测问题,利用剪切波变换优良的各向异性能力和系数的几何特性,提出了一种基于剪切波变换的复杂海面红外目标检测算法.该算法利用剪切波变换得到边缘图像,同时提供边缘的方向信息,极大提高了海天线的检测和识别概率;然后根据海天线位置进行边缘加权,抑制海杂波,保留目标信息;经过减行均值滤波,对加权边缘图像进行分割;最后,进行数学形态学处理,检测出舰船目标.实验结果表明,该算法可以在单帧图像中检出目标,并且对存在阳光亮带、海杂波等干扰的复杂海面背景取得较好的检测效果.     

基于数学形态学的图像边缘提取方法

为了解决传统边缘提取算法边缘定位不精确、抗噪能力差的问题,提出了一种基于数学形态学的边缘提取算法。该算法首先利用了双尺度双结构的数学形态学对目标图像进行滤波降噪处理,以提高目标图像的信噪比,然后利用多尺度多结构的数学形态学对目标图像进行边缘提取。利用该算法在配置了OpenCV的Visual Studio对Lena图像进行仿真处理,并将其处理结果与Canny算法处理结果进行对比。实验结果表明,该算法抗噪性能优异,对含有噪声的图像边缘的提取清晰且流畅、细节丰富。     

窗口融合特征对比度的光学遥感目标检测

提出了一种基于窗口融合特征对比度的光学遥感目标检测方法。首先,在训练图像上生成大量不同尺寸的滑动窗,计算了各窗口的多尺度显著度、仿射协变区域对比度、边缘密度对比度以及超像素完整度4项特征分值,在确认集上基于窗口重合度和后验概率最大化学习各个特征的阈值参数。然后,采用Naive Bayes框架进行特征融合,并训练分类器。在目标检测阶段首先计算测试图像中各窗口的多尺度显著度分值,初步筛选出显著度高且符合待检测目标尺寸比例的部分窗口。然后计算初选窗口集的其余3项特征,再根据训练好的分类模型计算各个窗口的后验概率。最后,挑选出局部高分值的候选区域并进行判断合并,得到最终目标检测结果。针对飞机、油罐、舰船等3类遥感目标的检测结果显示:4类特征在单独描述3类目标时表现出的性能各有差异,最高检测准确率为74.21%~80.32%,而融合方案能够综合考虑目标自身特点,准确率提高至80.78~87.30%。与固定数量滑动窗方法相比,准确率从约80%提高到约85%,虚警率从20%左右降低为3%左右。最终高分值区域数降低约90%,测试时间减少约25%。得到的结果显示该方法大大提高了目标检测精度和算法效率。     

应用Rényi熵的显著图生成与目标探测

为了在复杂的地面场景中实现准确的自动目标检测,分析了地面场景图像经二维加窗的伪Wigner-Ville分布(PWVD)后,归一化的Rényi熵与其出现概率间存在的基于e指数的统计特性,以及人造目标的出现引起的地面场景中Rényi熵的统计特性变化,提出了一种新的基于Rényi熵的显著图生成和目标探测方法。对Renyi熵图像进行了均值滤波,然后滤波前后的图像相减得到熵残余图像,并经过高斯滤波获得显著图,最终通过简便的阈值分割,完成目标探测。实验结果表明,该方法对8幅不同场景图像中共计14个目标的探测概率为100%,虚警概率不大于7.1%。与传统方法相比,本文提出的方法能够更为有效地检测复杂地面背景中的军事目标。     

基于Rényi熵的显著图生成与目标探测(2009-0316重投稿)

复杂的地面场景在很大程度上影响了自动目标检测的效果。分析了地面场景图像经采用二维加窗的伪Wigner-Ville分布（PWVD）后,归一化的Rényi熵与其出现概率间存在基于e指数的统计特性,以及人造目标的出现会引起地面场景中Rényi熵统计特性的变化。提出了一种新的基于Rényi熵的显著图生成和目标探测方法。对Renyi熵图像进行均值滤波,滤波前后的图像相减得到熵残余图像,并经过高斯滤波获得显著图。最终通过简便的阈值分割,完成目标探测。实验结果表明,本文提出的方法能够有效地检测复杂地面背景中的军事目标,在8幅不同场景共计14个目标的实验中,本文算法的探测概率为100%,虚警概率不大于7.1%。     

纹理粗糙度在红外图像显著性检测中的应用

提出了基于纹理粗糙度的红外图像显著性检测算法,以解决红外图像对比度低,目标显著性检测难的问题。首先,研究了Tamura的粗糙度原理,对粗糙度进行分析和评价,提出了新的粗糙度计算方法。然后,将图像分解为超级像素集合,并计算超级像素的最大平均强度差;利用最大平均强度差定义超级像素的最佳尺度,作为纹理粗糙度的度量。最后,将超级像素区域均匀外延,利用粗糙度的局部对比度和灰度信息度量红外图像的显著性。通过实验验证了本文算法的有效性,结果表明:在10%的噪声水平下,本文粗糙度保持不变,粗糙度特征图一致性较好,而Tamura的粗糙度特征图中杂点明显增多。与其它显著性检测算法对比,本文算法击中率最高,为0.752。该算法挖掘了红外图像的纹理粗糙度特征,为红外图像显著性检测提供了新的特征选择。     

面向无人艇环境感知的改进型 SSD 目标检测方法

为了提升无人艇对典型水面小目标感知能力,本文提出了基于多尺度卷积融合结构和空间注意力加强的改进型SSD目标检测算法。首先,对SSD浅层网络进行多尺度卷积融合,提升浅层网络的语义信息;其次,设计空间注意力结构对卷积特征层逐个增强,提升对弱纹理小目标特征保持性;最后,在VOC公开数据集和自构水面目标数据集上进行了测试,并基于无人艇开展了真实海域目标检测识别验证。实验结果表明,该算法在无人艇Nvidia平台的运行效率可达15 fps,能准确检测识别浮标、桥墩、渔船、快艇和货船等目标,在典型海面场景虚警率为5%时的小目标检测率相对原生SSD算法提升近20.2%,平均有效检测率达到79.3%。     

结合局部特征及全局特征的显著性检测

针对目前大多数显著性检测方法中采用背景种子以及局部区域对比度显著性检测模型的缺点,本文提出了一种综合考虑局部特征以及全局特征的显著性检测算法。在对图像进行分割之后,算法首先融合了采用多特征方式生成的背景显著图与采用前景区域对比度方式生成的前景显著图,之后使用高斯滤波器对融合后的结果进行优化形成局部特征显著图。其次,在局部特征显著图的基础上提取多种特征的样本集合进行训练,从而得到全局特征显著图。算法最后将第一步生成的局部特征显著图与全局特征显著图进行结合生成最终的显著图。实验部分验证了算法各部分的有效性,并且在3个公开数据集上对文章方法与近年来优秀的显著性检测算法进行了对比,实验结果显示,本文算法在CSSD数据集上的准确率、召回率以及F-measure分别达到了0.837 5、0.743 4和0.813 7,在其它数据集上也有良好表现。实验表明,本文算法能够有效抑制背景区域,并且高亮前景区域,更好地检测出显著目标。