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.     

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.     

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.     

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.     

高分辨率遥感图像投影分析的靠岸舰船检测

目的 高分辨率遥感图像中,靠岸舰船检测有着广泛的应用前景,其主要难点在于舰船与港口陆地在空间上紧邻,在颜色和纹理特征上相似,舰船与港口陆地难以分割。针对这种情况,利用港口岸线平直的几何特点和靠岸舰船多为舷靠的停泊特点,提出一种基于投影分析的靠岸舰船检测方法。方法 首先,对原始图像进行预处理,利用K-means聚类算法与区域生长算法相结合的方式得到海陆分割图像,利用Sobel算子与Otsu分割结合的方式获取边缘图像;然后,通过改进的Hough变换提取直线特征,结合港岸几何特性定位港口岸线;再将海陆分割后的二值图像向沿岸线和垂直岸线两个方向进行投影,根据沿岸线方向投影形态确定和分离并靠舰船,根据垂直岸线方向的投影形态定位舰船目标;最后,利用舰船尺寸、长宽比、最小外接矩形占空比特征去除虚警。结果 在15个港口场景不同分辨率的遥感图像测试集上,本文方法整体检测率达到85.4%,虚警率达17.2%;限定分辨率范围在24 m的情形下,检测率提高到93.5%,虚警率降低至5.3%。结论 本文方法简单有效,无需港口先验信息,适用于多尺度和多方向的靠岸舰船目标检测任务,对不同类型舰船形态差异具有鲁棒性,且能够分离并靠舰船。     

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。     

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.     

改进Oriented R-CNN的遥感舰船目标细粒度检测方法

遥感图像舰船目标检测技术在工程上得到广泛应用.但是,目前的研究主要集中在粗粒度检测方法上,面向细粒度检测任务的研究较少.在遥感舰船图像中,细粒度检测面临两类挑战:一是目标任意角度分布,二是目标粗细粒度特征混杂,这些挑战造成现有细粒度检测方法存在检测精度不高的问题.为了解决上述问题,提出基于改进Oriented R-CNN网络的遥感舰船图像旋转目标细粒度检测方法.针对遥感图像中舰船目标任意角度分布的问题,基于Oriented R-CNN网络,提供了新的旋转目标候选框生成方法,有效降低背景冗余信息,提升模型表现.针对粗细粒度混杂的问题,提出特征再融合方法,在二阶段网络特征映射阶段融合FPN多层特征,充分保留目标的粗细粒度特征,提升细粒度检测能力.实验结果显示,改进模型在公开的遥感舰船细粒度检测数据集HRSC2016上,检测精度达到83.57%,取得了较好的检测效果.     

遥感图像舰船检测的旋转卷积集成YOLOv3模型

遥感图像俯视角带来的目标朝向多样性影响了大长宽比舰船目标检测的旋转不变性。针对这一问题;提出了一个基于改进YOLOv3的倾斜边界框检测模型。通过引入角度预测实现倾斜边界框回归;提出一种旋转卷积集成模块;通过旋转卷积和旋转激活提高深度卷积网络（Deep Convolutional Neural Networks;DCNN）特征图对于角度变化的敏感性;将目标边界框倾斜角度预测建模为由粗粒度到细粒度的两次角度分类问题;将角度惩罚引入模型的多任务损失函数中;使得模型能够学习目标的角度偏移。通过对舰船目标标注数据集上的实验可以看到;所提的模型和经典YOLOv3模型相比平均精度提高了12.7%;同时能够保持单阶段目标检测的速度优势。     

基于改进FCOS的遥感图像舰船目标检测

由于遥感图像中舰船目标方向任意,基于深度学习的通用目标检测算法采用水平框,在检测舰船时易框选大量背景,检测效果欠佳。文中提出一种改进全卷积一阶段目标检测网络(FCOS)的遥感图像舰船目标检测算法,以FCOS为基线,在检测头部分增加一条偏移回归分支,通过偏移水平框的上边中点和右边中点,产生旋转框。舰船目标通常具有较大的长宽比,预测框与真实框之间的角度偏差对交并比的影响较大,进而影响模型的检测精度。针对该问题,在计算偏移损失时引入与舰船目标长宽比有关的加权因子,使得具有较大长宽比的目标获得较大的偏移损失。在HRSC2016数据集上的实验结果表明,所提算法的平均精确度达到89.00%,检测速度达到19.8FPS,相比同类型的无锚框算法,其在检测速度和检测精度上均表现优秀。     

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。     

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。     

面向舰船目标识别的遥感图像超分辨率重建

天基遥感图像分辨率的退化为舰船目标的识别带来了巨大挑战.图像超分辨率重建技术可以为识别任务提供丰富的信息,然而将图像超分辨率重建与舰船目标识别任务分别独立进行,将会忽略两个任务间的内在相关性.针对这些问题,为了探索图像超分辨率重建与目标识别任务间的有效结合方式,提出了面向舰船目标识别的遥感图像超分辨率重建方法.设计了一种通道全连接网络,以自适应加权的通道全连接代替残差连接,提升各层特征的流动性与表达性能,实现遥感图像的高效超分辨率重建.为了进一步挖掘超分辨率重建对舰船目标识别性能提升的潜力,引入多任务学习技术,提出了一种超分辨率重建与目标识别联合网络,通过多阶段训练优化策略实现联合端到端网络的稳定训练,从而引导任务间进行有效的互相监督学习.在公开数据集FGSCR-42上的实验结果表明,当遥感图像在8倍和16倍的分辨率退化情况下,提出的超分辨率重建网络帮助舰船目标识别准确率分别提升了33.27和17.48个百分点,所提联合网络则将识别准确率进一步提升了1.75和1.91个百分点.     

用于遥感舰船细粒度检测与识别的关键子区域融合网络

目的 遥感图像中的舰船目标细粒度检测与识别在港口海域监视以及情报搜集等应用中有很高的实际应用价值,但遥感图像中不同种类的舰船目标整体颜色、形状与纹理特征相近,分辨力不足,导致舰船细粒度识别困难。针对该问题,提出了一种端到端的基于关键子区域特征的舰船细粒度检测与识别方法。方法 为了获得更适于目标细粒度识别的特征,提出多层次特征融合识别网络,按照整体、局部子区域两个层次从检测网络得到的候选目标区域中提取特征。然后结合候选目标中所有子区域的信息计算每个子区域的判别性显著度,对含有判别性组件的关键子区域进行挖掘。最后基于判别性显著度将子区域特征与整体特征进行自适应融合,形成表征能力更强的特征,对舰船目标进行细粒度识别。整个检测与识别网络采用端到端一体化设计,所有候选目标特征提取过程只需要经过一次骨干网络的计算,提高了计算效率。结果 在公开的带有细粒度类别标签的HRSC2016(high resolution ship collection)数据集L3任务上,本文方法平均准确率为77.3%,相较于不采用多层次特征融合识别网络提升了6.3%;在自建的包含45类舰船目标的FGSAID(fine-gr...     

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。     

高分辨率SAR图像道路提取综述

在遥感领域,SAR(Synthetic Aperture Radar,SAR)图像道路提取具有很高的研究意义和应用价值,特别是随着SAR成像技术的不断发展、SAR图像分辨率的逐步提高,该课题的研究更加备受关注。然而,从目前的情况看,高分辨率SAR图像的道路提取研究还不够完善,许多低分辨率SAR图像的道路提取方法在处理高分辨图像时并不适用,因此文中归纳总结了高分辨率SAR图像道路提取的一般流程,列举了一些具体的方法,同时有针对性地分析其优缺点和适用范围,指出该研究课题目前存在的主要问题,并展望其发展趋势。     

A computationally efficient algorithm for enhancing linear features in images

We present a computationally efficient algorithm for highlighting long linear features in images. The algorithm is based on the recursive binary decomposition of the image into subimages that have been line enhanced along different directions. After a number of successive decompositions, the subimages are recombined to yield a line enhanced image. The performance of the algorithm is similar to that of rotating-kernel-type enhancement routines. However, the new algorithm can be executed much faster, making it ideal for use on large noisy images such as those provided by synthetic aperature radar.     

星载高分辨率合成孔径雷达影像纠正技术

为检测TERRASAR、COSMO SkyMed、RADARSAT-2等星载高分辨率合成孔径雷达影像(SAR)在土地利用调查监测中的适用性,该文针对高分辨率SAR数据和产品特性,提出了控制点选取方法,分析了不同纠正模型的应用效果。试验表明高分辨率SAR几何纠正一般需要10～15个控制点,1m聚束模式纠正中误差约3m～5m,3m条带模式纠正中误差约5m～8m,分别满足1∶1万和1∶2.5万土地调查监测几何精度要求。研究结果为构建基于高分辨率SAR数据土地利用调查监测应用技术流程和促进高分辨率极化SAR数据业务化应用奠定了基础。