光学遥感图像舰船目标检测与识别综述

遥感图像舰船目标自动检测与识别是遥感图像处理与分析领域备受关注的课题, 其核心任务是判断遥感图像中是否存在舰船目标,并对其进行检测、分类与精确定位, 它在海面交通监控、船只搜救、渔业管理和海域态势感知等领域具有广阔的应用前景. 本文主要围绕光学卫星遥感图像中的舰船目标自动检测与识别, 分析舰船目标检测与识别面临的难点问题, 综述当前光学遥感图像舰船检测与识别的主要处理方法, 在此基础上指出研究中尚存在的问题并展望未来的发展趋势.     

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.     

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.     

生成对抗网络辅助学习的舰船目标精细识别

针对近岸舰船目标细粒度识别的难题,提出了一种利用生成对抗网络辅助学习的任意方向细粒度舰船目标识别框架。通过训练能模仿舰船目标区域的抽象深度特征的生成网络引入生成样本,来辅助分类子网络学习样本空间的流形分布,从而增强细粒度的类别间判别能力。在细粒度类别的近岸舰船数据集上,引入生成对抗网络后的算法识别准确率得到较大提升,平均识别精度提升了2%。消融实验结果表明,利用生成样本辅助训练分类子网络可以有效地提升舰船目标的细粒度识别精度。     

光学遥感图像低可观测区域舰船检测

海洋区域受云雾和气流影响导致其光学遥感图像局部对比度低、能见度差,给舰船监视带来困难。针对这一问题,首先利用多尺度相位谱对低可观测图像进行重构生成舰船目标的显著图,然后采用全局阈值快速提取具有较高显著度的感兴趣区域(ROI)。对各个ROI,首先利用其外部环状窗口各区间平均亮度的有序统计量来估计阈值对其进行二值分割,然后分别提取平均显著度、形状复杂度和空间扩展度特征,训练最小距离分类器对ROI进行鉴别,得到最终的检测结果。用大量受云雾影响的SPOT4全色影像进行实验,结果表明该算法能够满足应用要求。     

基于Mask R-CNN改进的遥感图像舰船检测

遥感图像中舰船朝向不确定性,舰船种类的多样性以及和其他海上及港口物体之间的相似性,使舰船检测的性能下降严重。针对这一问题,使用一种简单且有效的方法来训练有旋转不变性和Fisher判别的Mask R-CNN舰船检测模型,通过优化模型的目标函数以提高舰船检测性能,在保持原有检测模型结构不变的基础上引入两个正则化器,第一个正则化器加强训练样本旋转之前和之后的特征联系,第二个正则化器限制卷积神经网络有小的类内散度和大的类间散度。实验中,在Kaggle遥感图像船只检测数据集上验证了所提出的方法提高了检测遥感图像中舰船目标的性能。     

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.     

区域建议网络的细粒度车型识别

目的 细粒度车型识别旨在通过任意角度及场景下的车辆外观图像识别出其生产厂家、品牌型号、年款等信息,在智慧交通、安防等领域具有重要意义。针对该问题,目前主流方法已由手工特征提取向卷积神经网络为代表的深度学习方法过渡。但该类方法仍存在弊端,首先是识别时须指定车辆的具体位置,其次是无法充分利用细粒度目标识别其视觉差异主要集中在关键的目标局部的特点。为解决这些问题,提出基于区域建议网络的细粒度识别方法,并成功应用于车型识别。方法 区域建议网络是一种全卷积神经网络,该方法首先通过卷积神经网络提取图像深层卷积特征,然后在卷积特征上滑窗产生区域候选,之后将区域候选的特征经分类层及回归层得到其为目标的概率及目标的位置,最后将这些区域候选通过目标检测网络获取其具体类别及目标的精确位置,并通过非极大值抑制算法得到最终识别结果。结果 该方法在斯坦福BMW-10数据集的识别准确率为76.38%,在斯坦福Cars-196数据集识别准确率为91.48%,不仅大幅领先于传统手工特征方法,也取得了与目前最优的方法相当的识别性能。该方法同时在真实自然场景中取得了优异的识别效果。结论 区域建议网络不仅为目标检测提供了目标的具体位置,而且提供了具有区分度的局部区域,为细粒度目标识别提供了一种新的思路。该方法克服了传统目标识别对于目标位置的依赖,并且能够实现一图多车等复杂场景下的车型细粒度识别,具有更好的鲁棒性及实用性。     

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.     

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。     

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。     

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。     

光学遥感舰船目标识别方法

提出一种基于粗糙集理论和分层判别回归技术的光学遥感舰船目标识别方法。该方法首先提出新的光学遥感舰船识别特征———面积比编码,并与四类特征组合作为备选特征;然后基于粗糙集理论按同可区分度来计算各备选特征的重要性权值,自动选择出对正确识别贡献较大的特征组合;最后根据分层判别回归原理生成分类判决树来识别光学遥感舰船目标。实验结果表明,本文方法在识别精度和速度方面优于最近邻和支持向量机方法,且通用可行。     

遥感影像小目标检测研究进展

独特的拍摄视角和多变的成像高度使得遥感影像中包含大量尺寸极其有限的目标,如何准确有效地检测这些小目标对于构建智能的遥感图像解译系统至关重要。本文聚焦于遥感场景,对基于深度学习的小目标检测进行全面调研。首先,根据小目标的内在特质梳理了遥感影像小目标检测的3个主要挑战,包括特征表示瓶颈、前背景混淆以及回归分支敏感。其次,通过深入调研相关文献,全面回顾了基于深度学习的遥感影像小目标检测算法。选取3种代表性的遥感影像小目标检测任务,即光学遥感图像小目标检测、SAR图像小目标检测和红外图像小目标检测,系统性总结了3个领域内的代表性方法,并根据每种算法使用的技术思路进行分类阐述。再次,总结了遥感影像小目标检测常用的公开数据集,包括光学遥感图像、SAR图像及红外图像3种数据类型,借助于3种领域的代表性数据集SODA-A（small object detection datasets）、AIR-SARShip和NUAA-SIRST（Nanjing University of Aeronautics and Astronautics,single-frame infrared small target）,进一步对主流的遥感影像目标检测算法在面对小目标时的性能表现进行横向对比及深入评估。最后,对遥感影像小目标检测的应用现状进行总结,并展望了遥感场景下小目标检测的发展趋势。     

特征点和不变矩结合的遥感图像飞机目标识别

传统的飞机目标识别算法一般是通过目标分割,然后提取不变特征进行训练来完成目标的识别。但是,对于实际情况比较复杂的遥感图像飞机目标,至今没有一种适合多种机型的分割和识别算法。针对现有识别算法的不足,本研究提出一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的遥感图像飞机目标识别算法。方法：首先,对预处理后的遥感图像和模板图像进行小波变换,在低分辨率图像下采用圆投影特征进行粗匹配,确定候选目标;粗匹配结束后,提取高分辨率图像的多尺度Harris-laplace角点,并画出Delaunay三角网,同时提取出颜色不变矩和Zernike不变矩;然后使用欧氏距离作为这三种特征的相似性度量,并和样本图像进行加权匹配;最后选取欧式距离最小的图像作为最终的识别目标。结果：实验表明,本文算法飞机检测精度比现有算法高2.2%,飞机识别精度比现有算法高1.4%-10.4%。该算法能从遥感图像中精确识别出十大飞机目标,并对背景、噪声、视角变化等多种干扰具有良好的鲁棒性。结论：提出了一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的飞机识别算法,该算法使用了图像的多种信息,包括特征点和不变矩,有效地克服了使用单一特征无法描述多种信息的不足。实验结果表明,本文采用基于特征点和不变矩的飞机识别算法比其他算法具有更强的抗干扰能力和识别精度。     

一种新的遥感图像城区自动识别算法

针对可见光遥感图像的特点和城市区域地貌的复杂性,提出了一种由粗到细、逐步求精自动识别城区的新算法。该算法建立了预分类、初识别、边界精确定位分层结构模型,首先利用模糊分类技术对城区进行预分类,在此基础上通过多特征判据投票实现城区初识别,最后采用自适应边缘搜索细化算法精确定位城区边界。与传统的单源可见光遥感图像城区识别方法相比,该算法能更快速、准确地自动识别城区,具有计算量小、鲁棒性强、识别正确率高的特点。     

基于局部-全局特征耦合与边界引导的遥感图像建筑物变化检测

针对现有变化检测方法局部特征和全局特征难以兼顾、变化对象和背景之间分界模糊的问题,提出了一种基于局部-全局特征耦合与边界引导的遥感图像建筑物变化检测方法。该方法在编码阶段采用并行的卷积神经网络和Transformer分别提取遥感图像的局部特征与全局表示。在不同尺度下,使用局部-全局特征耦合模块融合局部特征和全局特征表示,以增强图像特征的表达能力。引入边界引导分支获取变化对象的先验边界信息,使其引导变化图突出建筑物的结构特征,促进边界精确定位。该方法在LEVIR-CD和WHU数据集上进行实验验证,其F1-score分别为91.25%和91.27%,IoU分别为83.90%和83.95%。实验结果表明,该方法在检测精度上有较大的提升,且具有良好的泛化能力。     

多源特征自适应融合网络的高分遥感影像语义分割

目的 在高分辨率遥感影像语义分割任务中,仅利用可见光图像很难区分光谱特征相似的区域(如草坪和树、道路和建筑物),高程信息的引入可以显著改善分类结果。然而,可见光图像与高程数据的特征分布差异较大,简单的级联或相加的融合方式不能有效处理两种模态融合时的噪声,使得融合效果不佳。因此如何有效地融合多模态特征成为遥感语义分割的关键问题。针对这一问题,本文提出了一个多源特征自适应融合模型。方法 通过像素的目标类别以及上下文信息动态融合模态特征,减弱融合噪声影响,有效利用多模态数据的互补信息。该模型主要包含3个部分：双编码器负责提取光谱和高程模态的特征;模态自适应融合模块协同处理多模态特征,依据像素的目标类别以及上下文信息动态地利用高程信息强化光谱特征,使得网络可以针对特定的对象类别或者特定的空间位置来选择特定模态网络的特征信息;全局上下文聚合模块,从空间和通道角度进行全局上下文建模以获得更丰富的特征表示。结果 对实验结果进行定性、定量相结合的评价。定性结果中,本文算法获取的分割结果更加精细化。定量结果中,在ISPRS(International Society for Photogrammetry...