海洋背景下的海面舰船快速检测算法

针对海洋背景下海面舰船检测存在的问题,本文提出了一种海洋背景下海面舰船快速检测方法,该方法通过计算图像的高斯金字塔高频分量,得到三层拉普拉斯降维图,第二层降维图与原图相比,维数降低了16倍;对降维图通过改进Sobel检测,增强降维图中舰船目标对比度,突出感兴趣区域,实现快速检测。实验结果表明,该方法具有一定的鲁棒性,能够实现海面舰船的快速检测。     

基于多源遥感卫星的海面舰船目标检测方法

围绕光学卫星遥感图像中的海面舰船目标检测问题,考虑静止轨道遥感卫星和低轨道高分辨率遥感卫星的优缺点,提出一种基于多源遥感卫星的海面舰船目标检测方法。该方法首先通过多结构多尺度形态学滤波和自适应阈值分割对静止轨道卫星遥感图像进行目标预检测,然后将预检测结果与卫星图像的地理位置信息相结合来确定高分辨率遥感图像候选目标区域,最后提取候选目标区域中目标的主要特征,进行舰船目标判别,将判别结果反映到静止轨道遥感卫星图像上。仿真结果表明,该方法能有效检测出海洋背景遥感图像中的多个运动舰船目标,具有目标检测率高、虚警率低、时效性好等优点,为静止轨道遥感卫星对海面运动舰船目标的实时监视跟踪提供了技术支撑。     

高分辨率遥感影像感兴趣区域快速检测

传统高分辨率遥感影像感兴趣区域的检测方法通常要利用先验知识库对整幅影像进行全局分析与搜索,具有很高计算复杂度。从人眼视觉特性出发,提出一种新的高分辨率遥感影像感兴趣区域快速检测算法。基于视觉关注模型对高分辨率遥感影像进行空间降维,确定视觉关注焦点;根据关注焦点位置在原始遥感影像中描述出相应的感兴趣区域。实验结果表明,新方法不仅具有较低计算复杂度,而且有效避免了影像分割、特征检测等计算复杂度较高的全图搜索方法,提高了高分辨率遥感影像感兴趣区域的检测效率。     

基于视觉显著性的SAR遥感图像NanoDet舰船检测方法

在合成孔径雷达遥感图像中,舰船由金属材质构成,后向散射强;海面平滑,后向散射弱,因此舰船是海面背景下的视觉显著目标。然而,SAR遥感影像幅宽大、海面背景复杂,且不同舰船目标特征差异大,导致舰船快速准确检测困难。为此,该文提出一种基于视觉显著性的SAR遥感图像NanoDet舰船检测方法。该方法首先通过自动聚类算法划分图像样本为不同场景类别;其次,针对不同场景下的图像进行差异化的显著性检测;最后,使用优化后的轻量化网络模型NanoDet对加入显著性图的训练样本进行特征学习,使系统模型能够实现快速和高精确度的舰船检测效果。该方法对SAR图像应用实时性具有一定的帮助,且其轻量化模型利于未来实现硬件移植。该文利用公开数据集SSDD和AIR-SARship-2.0进行实验验证,体现了该算法的有效性。      

基于频谱残差视觉显著计算的高分辨SAR图像舰船检测算法

分析了高分辨率SAR图像中海洋背景和舰船目标的特点,针对高分辨率SAR图像提出了一种两阶段舰船目标快速检测算法:第一阶段采用改进的频谱残差视觉显著计算模型快速获取视觉的感兴趣区域;第二阶段检测阶段,结合贝叶斯理论二元假设检验的思想,设计了一个局部最大后验概率分类器进行像素分类,经参数估计、判决准则完成显著区域内像素二分类以实现目标检测。实验采用典型的高分辨率SAR卫星Terra-SAR-X卫星数据进行仿真实验,结果表明所提算法具有良好的检测性能,也更加符合实际高分辨率图像舰船目标检测的应用需求。通过进一步实验与以往检测算法的对比得出结论,高分辨率SAR图像舰船目标检测方法在能够改善由斑点噪声和不均匀的海杂波背景对检测结果带来虚警的同时,检测速度也提高了25%~50%。     

基于区域增长的遥感影像视觉显著目标快速检测

针对传统视觉注意模型在遥感影像视觉显著区域检测中存在的计算复杂度高、检测精度低等缺点,提出了一种新的视觉显著区域快速检测算法。首先利用整数小波变换降低遥感影像的空间分辨率,从而降低视觉注意焦点检测的计算复杂度;然后在视觉特征融合中引入二维离散矩变换,生成边缘与纹理信息更为丰富的遥感影像显著图;最后在显著图分析中提出区域增长策略来获得视觉显著区域的精确轮廓。实验结果表明,新算法不仅有效降低了遥感影像视觉显著区域检测的计算复杂度,而且能够精确描述视觉显著区域的轮廓信息,同时避免了对整幅遥感影像的分割与特征提取,为今后的遥感影像目标检测提供了一定地参考价值。     

基于色彩空间变换与异常检测的多光谱舰船感兴趣区域检测

针对多光谱遥感图像中复杂海面背景下海上舰船检测问题,在高斯模型RX异常检测算法的基础上进行改进,提出一种基于色彩空间变换的复杂海面上舰船感兴趣区域(ROI)的自动检测方法,解决了传统的阈值分割方法在遥感图像复杂海面背景下较难将目标与背景分离的问题。在多种不同复杂海面背景下的舰船ROI检测实验中,与传统阈值分割方法比较,该舰船ROI检测方法有较好的检测效果。     

复杂海背景下的自适应舰船目标检测

光学遥感图像海面舰船目标检测易受云雾、海岛、海杂波、阴影等多种复杂因素的干扰.同时,由于卫星遥感图像的幅宽较大,若需要满足实时检测和硬件移植的需求,还要考虑算法的计算量和可移植性.鉴于实际工程的需要,本文提出了一种基于视觉显著性适用于复杂背景下的自适应舰船目标快速定位与检测方法.本算法首先基于图像梯度自适应获取全局最优...     

基于均值漂移滤波及谱分类的海面舰船红外目标分割

提出了一种有效的海面舰船红外目标分割方法.利用均值漂移方法的不连续保持性滤波特性,滤除海面的强杂波干扰,同时又不损失舰船目标的信息.根据滤波得到的区域构建区域邻接图,采用基于最大最小SST图划分算法对区域邻接图的节点进行划分.划分结果最终将图像分为天空背景、海面背景以及舰船目标3个部分.由于采用区域节点来表征图像,较之采用原始图像象素节点表示,其节点个数大大减少,从而使算法的计算效率得到很大提高.实验结果也表明提出两步算法具有优越的性能,能够在海面强杂波干扰的情况下有效提取舰船红外目标.     

基于显著区域提取的红外图像舰船目标检测

针对复杂海面背景下红外图像舰船目标由于灰度不均匀、海杂波干扰大等因素造成的自动检测虚警率高、准确率低的问题,提出了一种显著区域提取和目标精确分割相结合的红外舰船目标检测方法。首先,利用基于图论的视觉显著性(Graph-based Visual Saliency ,GBVS)模型计算待检测图像的显著图,使得目标区域信息增强;其次,结合舰船目标先验信息（长短轴、面积等）,利用多级阈值划分算法提取关注的显著区域,并确定原图中候选目标区域;最后,利用空间约束模糊C均值(Fuzzy C-Means,FCM)算法对候选区域进行分割,结合目标先验知识对分割区域筛选并输出目标位置。所提方法在公开数据集IRShips上与相关方法进行比较,结果表明,相比直接进行全图目标搜索的方法,所提方法不仅准确率高、执行速度快,且检测目标的位置更加精确。     

海面目标高分辨率卫星成像仿真方法

海洋目标高空间分辨率遥感成像仿真技术在海面目标探测识别等方面得到了广泛应用。舰船与海水流体交互作用在高分辨率下得以显现,对其产生的复杂流场辐射模拟是成像仿真的主要难点。重点研究了舰船航行过程中与海水交互产生的流场几何形态和物性变化,提出了与海面方向辐射特性的耦合作用模型及海洋目标高分辨率遥感成像仿真方法。通过频谱分析的方法构建海面三维模型,使用计算流体力学的方法构造了船只航行流场的三维几何模型。根据海面组分分布的不同将其辐射特性与三维结构关联,构建了亚米级海洋场景三维辐射模型。通过辐射传输计算、场景内部多次反射模拟及大气影响和传感器效应仿真,最终得到观测条件下的卫星遥感图像。结果表明,将GF-6卫星全色波段实测图像与相同成像条件下的仿真图像对比,图像均值的误差为9.17%,标准差误差为9.21%,在平均灰度值、灰度分布、纹理细节等方面都具有较好的一致性,可以较真实地模拟高分辨率卫星成像下的海洋目标场景。     

基于Ecogniton的光学遥感图像舰船目标检测

利用卫星遥感技术对海上舰船目标进行识别定位具有重要的意义。提出了一种基于面向对象的图像分割和分类软件Ecognition的技术方法来提取高分辨率遥感卫星图像中的海上舰船目标。利用多尺度分割算法和光谱差异分割算法对高分辨率卫星图像进行初步分割;利用归一化差异水体指数（NDWI）或灰度共生矩阵（GLCM）同质性纹理特征对陆地和海洋进行辨别;利用对象的相邻关系特征和形状特征来获取潜在的舰船目标;利用数学形态学算子实现舰船目标的连续化,从而获得最终的海上舰船目标。利用高分辨率卫星图像进行了实验验证,实验结果说明了所提出的技术可以有效地实现海上舰船目标的识别与定位。     

光学卫星遥感图像舰船目标检测综述

遥感图像的目标检测是把海量遥感数据转化为应用成果的重要一环,而光学遥感图像中舰船目标的检测更是遥感图像处理分析的研究热点,具有重要的应用价值.本文的主要目的是研究光学遥感图像中舰船目标检测的各种方法,对目前采用的检测方法做出系统性总结.重点介绍了基于灰度信息统计特征、视觉显著性、模板匹配和分类学习的四种传统舰船目标检测方法和深度学习方法在舰船目标检测中的应用,并分析了各种方法的优缺点和适用性,同时对舰船目标检测的未来发展进行了展望.     

红外遥感图像舰船尾迹提取及检测

中低空间分辨率的红外遥感图像中,海面上的舰船所占像素很少,目标的几何形状和具体的纹理结构等特征难以获取。为提升探测的极限信杂比,将呈现线状特征的舰船尾迹特征作为检测要素,对其进行数学表征。创新性地建立了Dot-Curve检测体系,以二维曲率滤波为基础进行初步的舰船检测和尾迹特征提取,建立特征集,从中选取与背景干扰项差异较大的包含尾迹灰度方差、尾迹两侧灰度斜率正负性、尾迹线性度、与船体检测结果距离在内的多项特征,鉴别候选目标的检测结果,去除干扰项,提取目标。结果表明,经过目标鉴别,在不同波段红外图像中,舰船误检率降低到8.40%以下,检测率得到提升,至少达到94.53%。该船只检测算法结合尾迹物理特性和图像特征,适用于多种场景和波段,算法精炼有效,物理规律清晰,所需样本少。     

基于仿生视觉的海面船只检测方法

对地观测系统可以快速检测大面积区域,为世界各沿海国家的船只监测任务带来了极大便利。针对遥感影像中的船只自动化检测问题,利用船只相对于海面呈现明显的视觉显著特性,提出了一种基于船只与海面反差特性的船只检测方法,将对船只的检测定位转变为对场景中显著目标的发现与分割问题。方法以视网膜到初级视觉皮层V1这一视觉通路的生理过程为指导,模拟了其中视觉信号的产生机制以获得场景的显著图。以光学影像为例进行的实验结果显示,在没有目标先验知识的前提下,基于反差特性的方法能有效地将视觉注意力集中于海面船只目标,取得了较好的检测结果。     

Automatic detection of ship target and motion direction in visual images

In this article, we focus on automatic ship target detection in visual images. The proposed approach consists of two stages. At the first stage, emphasis is placed on sea background suppression. A pre-processing technique is studied based on mean-shift smoothing algorithm. In this process, the improvement is that we associate the range bandwidth of mean-shift with local image properties, thus achieve the purpose of suppressing sea background while protecting ship target. At the second stage, a hierarchical ship target detection approach is developed. To begin with, region-of-interest (ROI) of ship target is coarsely identified via salient edge regions extraction. Then main body of ship target is located by projection, prior spatial structure information of ship target is used for further ROI refinement. After that, a post-processing procedure based on colour features is presented to obtain final detection results. One advantage of the proposed method is that motion direction of the ship target can also be estimated, which could provide important information for ship target tracking and monitoring. Tested on real visual ship target images supplied by the co-operator, experimental results show that the proposed algorithm can effectively detect big ship targets and its motion direction with various backgrounds in visual images.     

基于融合边缘变化信息全卷积神经网络的遥感图像变化检测

高分辨率遥感图像变化检测是了解地表变化的关键,是遥感图像处理领域的一个重要分支。现有很多基于深度学习的变化检测方法,取得了良好的效果,但是不易获得高分辨率遥感图像中的结构细节且检测精度有待提高。因此,该文提出融合了边缘变化信息和通道注意力模块的网络框架(EANet),分为边缘结构变化信息检测、深度特征提取和变化区域判别3个模块。首先,为了得到双时相图像的边缘变化信息,对其进行边缘检测得到边缘图,并将边缘图相减得到边缘差异图;其次,考虑到高分辨率遥感图像精细的图像细节和复杂的纹理特征,为了充分提取单个图像的深度特征,构建基于VGG-16网络的3支路模型,分别提取双时相图像和边缘差异图的深度特征;最后,为了提高检测精度,提出将通道注意力机制嵌入到模型中,以关注信息量大的通道特征来更好地进行变化区域的判别。实验结果表明,无论从视觉解释或精度衡量上看,提出算法与目前已有的一些方法相比,具有一定的优越性。