遥感图像中舰船检测方法综述

随着遥感成像技术的发展,遥感图像中大型移动目标的检测和识别成为可能,舰船目标检测和识别就是在这一背景下提出的.在参考大量文献的基础上,回顾了舰船检测的发展历程,分析了其研究现状,对舰船检测方法进行了综述并分类,在此基础上对各类算法进行对比,最后给出了该领域存在的问题和发展趋势.     

旋转矩形区域的遥感图像舰船目标检测模型

高分辨率遥感图像舰船目标检测是遥感图像理解任务中的热点研究问题.由于遥感图像中舰船目标存在成像视角单一、目标分布密集和目标尺度变化大等特点,直接将自然场景目标检测方法应用于遥感图像舰船检测任务中,并不能获得满意的效果.此外,自然场景目标检测任务中常用的水平矩形框对细长型舰船目标的定位精确度无法满足实际应用需求.因此,提出了基于旋转矩形区域的遥感舰船目标检测算法.首先,采用旋转矩形框完成舰船目标的定位.其次,提出兴趣区域特征金字塔池化模块,融合兴趣区域的多尺度池化特征以处理目标尺度变化较大的问题.最后,设计定位准确度预测分支,利用定位准确度预测值指导非极大值抑制算法,从而优化后处理的结果.在遥感舰船公开数据集HRSC2016上,通过3个级别任务(分别为单类、4类和19类舰船检测识别)上的实验结果验证了算法的有效性.     

FGSC-23：面向深度学习精细识别的高分辨率光学遥感图像舰船目标数据集

目的 基于光学遥感图像的舰船目标识别研究广受关注,但是目前公开的光学遥感图像舰船目标识别数据集存在规模小、目标类别少等问题,难以训练出具有较高舰船识别精度的深度学习模型。为此,本文面向基于深度学习的舰船目标精细识别任务研究需求,搜集公开的包含舰船目标的高分辨率谷歌地球和GF-2卫星水面场景遥感图像,构建了一个高分辨率光学遥感图像舰船目标精细识别数据集（fine-grained ship collection-23,FGSC-23）。方法 将图像中的舰船目标裁剪出来,制作舰船样本切片,人工对目标类别进行标注,并在每个切片中增加舰船长宽比和分布方向两类属性标签,最终形成包含23个类别、4 052个实例的舰船目标识别数据集。结果 按1：4比例将数据集中各类别图像随机划分为测试集和训练集,并展开验证实验。实验结果表明,在通用识别模型识别效果验证中,VGG16（Visual Geometry Group 16-layer net）、ResNet50、Inception-v3、DenseNet121、MobileNet和Xception等经典卷积神经网络（convolutional neural network,CNN）模型的整体测试精度分别为79.88%、81.33%、83.88%、84.00%、84.24%和87.76%;在舰船目标精细识别的模型效果验证中,以VGG16和ResNet50模型为基准网络,改进模型在测试集上的整体测试精度分别为93.58%和93.09%。结论 构建的FGSC-23数据集能够满足舰船目标识别算法的验证任务。     

可见光遥感图像海面目标检测技术综述

基于可见光遥感图像的海面目标检测技术是当前遥感领域的研究热点,为推进基于可见光遥感图像的海面目标检测技术的发展,文中对当前主要的检测方法进行了总结。首先,介绍了可见光遥感图像目标特性以及图像目标检测基本流程,并分析了遥感图像目标检测的研究现状;然后,针对海面目标快速检测问题,详细介绍了视觉显著性方法在遥感图像目标检测方面的研究现状;接着,针对遥感图像分类识别问题,详细介绍了卷积神经网络在遥感图像目标检测方面的研究现状;最后,总结了现有方法应用于海面目标检测存在的问题以及未来的研究方向。     

局部显著特征下的光学遥感图像舷靠舰船检测

目的 在光学遥感图像中,针对舷靠舰船灰度和纹理特征与港口相近,传统方法检测效果不理想的问题,提出一种基于局部显著特征的舷靠舰船检测方法。方法 首先,对原始图像预处理得到海陆分割后的二值图像;然后,提取二值图像中的直线段作为局部显著特征检测舰船目标;再将直线段提取结果与舰首检测相结合,建立舷靠舰船检测模型;最后,通过计算舰船几何尺寸及环境信息分析确定舰船目标。结果 在两幅不同场景的光学遥感图像中验证本文方法并与其他算法进行对比,本文方法识别率可达100%,且不存在误检和漏检情况,相比于其他算法具有一定优势。在舰船背景复杂或停泊朝向不定时,文中方法可有效判别舰船停靠方向并对舰船目标进行正确标记。结论 在复杂背景环境及其他干扰下,应用本文方法检测舷靠舰船目标准确率高,鲁棒性强,具有较高适应性。     

入侵目标视觉检测与识别的研究进展

入侵目标视觉检测与识别是无人机感知与规避技术领域中重点研究的课题,关键任务是无人机在飞行过程中通过机载传感器获取光学机载图像中并判断是否存在入侵目标,并对入侵目标进行检测识别和定位。入侵目标视觉检测与识别是将无人机安全集成到国家空域并保证无人机和有人机飞行安全的关键技术之一。本文主要围绕无人机感知与规避技术中的入侵目标视觉检测与识别技术方面,分析检测与识别入侵目标所面临的一些难点问题,综述当前入侵目标视觉检测与识别的主要处理方法,并指出了该领域存在的尚未解决的问题和展望未来的发展趋势。     

高分辨率遥感图像港内舰船的自动检测方法

在高分辨率的光学遥感图像中,港口内停靠舰船的灰度、纹理特征与陆地接近,因此同行驶于海上的舰船相比,是较难实现自动检测的目标.考虑到港口几何布局稳定的特点,提出了一套基于地理信息的舰船目标检测算法.该算法结合矢量数据和栅格数据的优点,采用模板形式存储地理信息,并以自动阈值法进行目标的粗分割,充分利用先验信息和相关知识完成并联目标的切割和断裂目标的连接.通过仿真实验,证明该算法能准确、快速的实现港内舰船的自动检测.     

基于卷积神经网络的光学遥感影像分析综述

光学遥感影像包含大量的地物信息，图像复杂性高，如何充分利用影像中的特征信息准确进行识别一直是该领域应用的一个难题。卷积神经网络具有对复杂特征进行选择和提取的优势，在遥感影像识别中有着优异的表现。介绍光学遥感影像的特点和经典的卷积神经网络及其在光学遥感影像中的研究实例，并基于遥感影像数据集进行了网络性能分析。从场景分类、目标检测和图像检索三大领域，详细综述常用的遥感影像数据集和研究进展，并作算法性能分析。最后给出基于卷积神经网络的光学遥感影像识别在未来的研究方向。     

遥感图像中复杂海面背景下的海上舰船检测

针对遥感图像中复杂海面背景下海上舰船的检测问题展开讨论,在Itti视觉显著度模型的基础之上进行改进,提出一种基于特征显著度图的复杂海面上舰船的自动检测方法,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检测实验中,与传统阈值分割方法比较,本文方法有较高的检测率和较低的虚警率.     

基于显著性的遥感图像舰船目标检测

舰船作为海洋信息感知中的重要目标,其检测在军舰探测、精确制导等军用领域以及海面搜救、渔船监测等民用领域具有极其重要的战略意义.海洋遥感图像受云雾、风浪、海杂波和光照等干扰使得舰船检测具有挑战性.根据可见光遥感图像舰船目标检测特点提出粗检测和细鉴别相结合的技术路线.先基于视觉显著性的谱残差法对图像进行增强以提取目标候选区域,后根据舰船与干扰因素差异采用舰船方向梯度直方图特征对目标候选区域进行鉴别,提取真正的舰船目标.实验结果表明,上述算法舰船检测率高,对光照、海杂波干扰具有一定程度的鲁棒性,且能有效剔除碎云岛屿等干扰物,显著降低虚警率.     

多尺度分形维的星载舰船显著性检测

目的 星上的舰船检测需要在资源和时间受限条件下实现快速检测,并且对目标的种类和尺寸缺少先验信息的指导,更多时候还需要实现一景图像中不同尺寸舰船的检测,因此,星上舰船检测要求检测方法具有一定的自适应性,从而实现星上多变的检测场景。方法 针对这一问题,提出了一种多尺度分形维的检测方法,可以实现一景遥感图像中不同尺寸舰船目标的检测。首先,针对差分盒算法受盒子尺寸约束的限制使分形维数的计算精度受到影响的问题提出了一种改进算法,改进算法增加了拟合直线的点对数目并引入了拟合误差剔除误差点对,提高了分形维特征计算的精确度。结果 在提高了分形维计算精度的基础上,新算法利用自然物体在不同尺度上具有的自相似性,通过多尺度分形维的计算并借鉴视觉显著性中c-s算子来排除背景对目标的干扰,突出舰船目标。实验结果表明,新算法能够有效检测出一景图像中不同尺寸的舰船,优于双参数CFAR算法的检测结果。结论 本文提出的多尺度分形维的检测算法可以实现对一景图像中不同尺寸舰船目标的检测,在保证一定检测率的同时有效降低了目标检测的虚警率。     

密集子区域切割的任意方向舰船快速检测

目的 遥感图像上任意方向舰船目标的检测,是给出舰船在图像上的最小外切矩形边界框。基于双阶段深度网络的任意方向舰船检测算法速度较慢;基于单阶段深度网络的任意方向舰船检测算法速度较快,但由于舰船具有较大长宽比的形态特点,导致虚警率较高。为了降低单阶段目标检测的虚警率,进一步提升检测速度,针对舰船目标的形态特点,提出了基于密集子区域切割的快速检测算法。方法 沿长轴方向,将舰船整体密集切割为若干个包含在正方形标注框内的局部子区域,确保标注框内最佳的子区域面积有效占比,保证核心检测网络的泛化能力;以子区域为检测目标,训练核心网络,在训练过程对重叠子区域进行整合;基于子图分割将检测得到的子区域进行合并,进而估计方向角度等关键舰船目标参数。其中采用子区域合并后处理替代了非极大值抑制后处理,保证了检测速度。结果 在HRSC2016（high resolution ship collections）实测数据集上,与最新的改进YOLOv3（you only look once）、RRCNN （rotated region convolutional neural network）、RRPN （rotation region proposal networks）、R-DFPN-3（rotation dense feature pyramid network）和R-DFPN-4等5种算法进行了比较,相较于检测精度最高的R-DFPN-4对照算法,本文算法的mAP （mean average precision）（IOU （inter section over union）=0.5）值提高了1.9%,平均耗时降低了57.9%;相较于检测速度最快的改进YOLOv3对照算法,本文算法的mAP （IOU=0.5）值提高了3.6%,平均耗时降低了31.4%。结论 本文所提出的任意方向舰船检测算法,结合了舰船目标的形态特点,在检测精度与检测速度均优于当前主流任意方向舰船检测算法,检测速度有明显提升。     

Determining target detection limits and accuracy delineation using an incremental technique

Classification of terrestrial materials using remotely sensed imagery is becoming an increasingly popular method to assess natural systems. This study uses predictions derived from remotely sensed hyperspectral images to determine minimum target detection thresholds and to statistically constrain classification accuracies. Minimum detection thresholds are determined using an iterative regression breakpoint technique, and accuracy is delineated by quantifying the variance above the correlation breakpoint. Assessing confidence and determining detection limits generates a greater understanding of the classification process and adds significant utility to the classified product.     

联合显著性特征与卷积神经网络的遥感影像舰船检测

目的 针对高分辨率遥感影像舰船检测受云雾、海浪以及海岛等复杂因素干扰,存在虚警率高、漏检率高、目标检测和识别困难等问题,提出一种联合视觉显著性特征与卷积神经网络的海面舰船目标检测方法。方法 基于频率域相位谱显著性检测能够有效抑制高分辨率遥感影像上云层、海面杂波干扰的特点,计算影像多尺度显著图并进行加权融合。采用对数变换对融合后的图像进行空间域灰度增强以提高目标与背景的区分度,利用灰度形态学闭运算填充舰船目标孔洞,采用大津分割法来提取疑似舰船目标作为兴趣区域。最后构建舰船样本库,利用迁移学习的思想训练卷积神经网络模型,对所有兴趣区域切片进行分类判断和识别,得到最终检测结果。结果 利用多幅不同背景下的高分辨率遥感影像,分别从视觉显著性检测、舰船粗检测与船只类型识别3个方面进行实验验证,选取检测率、虚警率、识别率3个指标进行定量评价。结果表明,本文方法相比于其他方法能有效排除云雾、海岛等多种因素的干扰,检测率、虚警率、识别率分别为93.63%、3.01%、90.09%,明显优于其他算法,能够实现大范围影像上多种类型舰船的快速准确检测和识别。结论 本文将图像视觉显著性检测快速获取图像显著目标的特点与卷积神经网络在图像分类的优势相结合,应用于遥感影像的海域舰船目标检测,能够实现对复杂背景下舰船目标的检测和船只类型的精细化识别。     

A novel approach to polarimetric SAR data processing based on Nonlinear PCA

In remotely sensed Synthetic Aperture Radar (SAR) images, scattering from a target is often the result of a mixture of different mechanisms. For this reason, detection of targets and classification of SAR images may be very difficult and very different from other sensor imagery. Fully polarimetric data offer the possibility to separate the different mechanisms, interpret them and consequently identify the geometry of the targets. To achieve this task, several target decomposition techniques have been proposed in the literature to improve the interpretation of this kind of data. Among these, the physical based techniques are the most considered.     

斑块状植被遥感检测研究进展

斑块状植被是世界上干旱—半干旱区常见的景观类型,对于它们的形成、结构和演替研究能够提高人们对干旱—半干旱地区生态系统动态及其重要的生态水文过程的理解,具有重要的理论研究意义和应用价值。传统的基于地面调查和长期定位观测的方法观测范围有限,已无法满足目前区域斑块状植被分布及其空间格局特征研究的需要。利用遥感技术快速重复获取大面积对地观测数据,已成为斑块状植被检测的主要发展方向。通过对近20 a斑块状植被遥感检测相关文献的综述,阐述了现有研究中使用的航空和高分辨率卫星遥感数据、基于像元的检测方法、基于对象的检测方法和基于形态学的检测方法,以及各自的局限性和优势。在此基础上,对今后斑块状植被遥感检测的研究方向进行了展望,应加强高空间高光谱分辨率卫星遥感数据和低空无人机高光谱和激光雷达图像的应用,重视面向粘连斑块的新型图像分割算法研发,以期进一步提高斑块状植被检测的精度。     

Fast algorithms for estimating aerosol optical depth and correcting Thematic Mapper imagery

Remotely sensed images collected by satellites are usually contaminated by the effects of atmospheric particles through the absorption and scattering of radiation from the earth's surface. The objective of atmospheric correction is to retrieve the surface reflectance from remotely sensed imagery by removing the atmospheric effects, which is usually performed in two steps. First, the optical characteristics of the atmosphere are estimated and then the remotely sensed imagery is corrected by inversion procedures that derive the surface reflectance. In this paper we introduce an efficient algorithm to estimate the optical characteristics of the Thematic Mapper imagery and to remove the atmospheric effects from it. Our algorithm introduces a set of techniques to significantly improve the quality of the retrieved images. We pay particular attention to the computational efficiency of the algorithm, thereby allowing us to correct large TM images quickly. We also provide a parallel implementation of our algorithm and show its portability and scalability on three parallel machines.     

基于地质统计学纹理的遥感影像分类研究进展

传统的基于像素与像素基础上的遥感影像光谱分类方法忽视了邻近像素值之间潜在有用的空间信息,三十多年来,人们一直都在谋求利用遥感影像本身所固有的空间信息以加强光谱分类,尽管从事该方面研究的人一直都很少,其实现的手段主要依靠对原始影像的滤波,滤波的一般方式是生成纹理波段以指导接下来的分类。近年来,变异函数被用来表达空间依赖性,并取代简单的方差滤波成为了纹理分类的主要手段,在这篇综述性的论文中,笔者主要讨论了两类将基于地质统计学的纹理信息集成到遥感影像分类中的应用,它们代表了当前遥感影像纹理分类的主流。     

基于极小误差阈值分割的舰船自动检测方法

针对中、高分辨率(0.6m ~5m)可见光卫星遥感图像，提出了一种基于极小误差分割的海上舰船自动检测算法，该方法利用自适应定向正交投影的高斯分解法，拟合海洋区域直方图，采用改进的信息熵极小误差分割算法，确定分割阈值。对于候选舰船目标采用基于多判据的目标检测思想检测舰船，对100多幅可见光图像进行了试验。结果表明，该方法能够自动、快速、准确地检测图像中的舰船，具有较高的检测能力。