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。     

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。     

大场景SAR图像中提取小型港口区域技术研究

目的 漫长的海岸线上有很多由简单码头和突堤组成的小型港口,它们不像大型港口那样时刻被监视着,但其作为舰船的临时停靠场所,也是需要重点关注的区域,有必要对其区域进行自动检测。方法 本文在充分分析小型港口特征的基础之上,根据其海岸线轮廓在不同尺度下均能表现出丰富角点的特点,构造了提取小型港口区域的完整流程,包括采用多尺度角点检测提取港口潜在区域、采用新型突堤检测方法精提取港口区域、采用改进的岸线封闭性测度法鉴别去除虚假港口3个环节,通过实际SAR图像仿真验证了方法的优越性。结果 利用本文所提出的方法,处理两幅典型的港口区域SAR图像：Radarsat-2烟台港1 m分辨率的SAR图像和TerraSAR-X印度维沙卡帕特南港1 m分辨率的SAR图像,并与文献4中所述的方法进行对比,发现经过本文方法处理之后,虚警率从10%降到了6.6%,准确率从91.9%提高到了93.3%,但是由于计算流程较复杂,导致处理时间从11.58 s增加到了13.26 s。结论 本文针对小型港口的特点,提出了港口检测的完整的流程。实验结果表明,该方法的虚警率更低、准确性更高,但是存在运算速度慢的缺点,这是下一步需要优化的地方。该方法适用于大场景SAR图像中快速准确地检测出小型港口区域,可用于监视那些由简单码头和突堤组成的舰船临时停靠场所。     

高分辨率光学遥感影像舰船检测算法研究

针对传统舰船检测方法在高分辨率光学遥感影像中虚警率较高的问题,提出了一种适用于高分辨率光学遥感影像的舰船检测算法。利用能够表征地物纹理特征的二维图像熵结合区域生长原理实现海陆分离,在舰船目标分割阶段,引入视觉显著性模型,解决了不能分割暗极性舰船目标的问题,大部分场景下分割精度较高。最后在分割出的候选目标中,采用多特征量综合的方法剔除虚警。结果表明,该算法在舰船目标检测中有较高的检测率和较低的虚警率。     

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。     

SAR图像舰船目标检测的信息几何方法

目的 舰船目标检测是合成孔径雷达（SAR）图像在海事监测领域中的一项重要应用。由于海面微波散射的复杂性,SAR图像中海杂波分布具有非均匀性、非平稳性等特点,传统的基于恒虚警率（CFAR）的SAR图像舰船检测算法难以适应复杂多变的海杂波环境,无法实现实时有效的智能检测任务。鉴于此,本文提出了基于信息几何的SAR图像船舰目标检测方法,旨在分析统计流形及其在参数空间中的几何结构,探讨信息几何在SAR图像目标检测应用中的切入点,从新的角度提升该应用领域的理论与技术水平。方法 首先,运用威布尔分布族对SAR图像中的海杂波进行统计建模,利用最大似然方法估计SAR图像局部邻域像素的分布参数,并将不同参数下的统计分布作为威布尔流形上的不同点;其次,融合高斯分布的费歇耳度量来构造威布尔流形空间中概率分布之间的测度,实现目标与背景区域的差异性表征;最后,利用最大类间方差法,实现SAR图像舰船目标检测。结果 实验和分析表明,相比于传统的基于恒虚警率的检测算法,信息几何方法可以有效地区分舰船目标和海杂波背景,降低虚警率,实现舰船目标显著性表示与检测。结论 由于舰船目标的复杂后向散射特性,如何有效地表征这一差异,是统计类检测算法的关键所在。本文依据信息几何理论,将概率分布族的参数空间视为微分流形,在参数流形上构造合适的黎曼度量,对SAR图像中各像素局部邻域进行测度表征,可以显著性表示目标与背景杂波之间的统计差异,实现舰船目标检测。     

注意力机制改进卷积神经网络的遥感图像目标检测

目的 遥感图像目标检测是遥感图像处理的核心问题之一,旨在定位并识别遥感图像中的感兴趣目标。为解决遥感图像目标检测精度较低的问题,在公开的NWPU_VHR-10数据集上进行实验,对数据集中的低质量图像用增强深度超分辨率（EDSR）网络进行超分辨率重构,为训练卷积神经网络提供高质量数据集。方法 对原Faster-RCNN （region convolutional neural network）网络进行改进,在特征提取网络中加入注意力机制模块获取更多需要关注目标的信息,抑制其他无用信息,以适应遥感图像视野范围大导致的背景复杂和小目标问题;并使用弱化的非极大值抑制来适应遥感图像目标旋转;提出利用目标分布之间的互相关对冗余候选框进一步筛选,降低虚警率,以进一步提高检测器性能。结果 为证明本文方法的有效性,进行了两组对比实验,第1组为本文所提各模块间的消融实验,结果表明改进后算法比原始Faster-RCNN的检测结果高了12.2%,证明了本文所提各模块的有效性。第2组为本文方法与其他现有方法在NWPU_VHR-10数据集上的对比分析,本文算法平均检测精度达到79.1%,高于其他对比算法。结论 本文使用EDSR对图像进行超分辨处理,并改进Faster-RCNN,提高了算法对遥感图像目标检测中背景复杂、小目标、物体旋转等情况的适应能力,实验结果表明本文算法的平均检测精度得到了提高。     

一种高分辨率遥感影像码头轮廓提取方法

针对高分辨率遥感影像码头提取中靠岸舰船的干扰难题,提出了一种高分辨率遥感影像码头轮廓提取方法。该方法首先对码头区域影像进行海陆分割分离出海域,然后利用码头轮廓的平直特性和舰船的形状特征,在海陆图像中的陆域进行靠岸舰船和码头目标的粘连分割,从而实现码头目标轮廓信息的获取。实验结果验证了该方法的有效性。     

改进Deeplab网络的遥感影像海岛岸线分割

目的 海岛作为一项特殊资源,在海洋开发和利用方面发挥着重要的作用;遥感作为一种非接触式远距离探测手段,为海岛研究提供了重要的数据来源;而深度学习因其对图像特征的提取能力和对复杂问题的拟合能力广泛应用于各个领域。本文结合深度学习的计算优势,兼顾遥感影像的波段数量多和覆盖范围大的特征,以海岛岸线的快速分割为目的,提出了一种改进的海岛岸线遥感影像分割模型。方法 该分割模型包括3方面：1）针对遥感影像的多波段特征,提出基于最佳指数的遥感影像波段组合选择,将选择后的波段组合作为海岛岸线分割模型的输入数据;2）针对遥感影像大范围覆盖的特征,提出基于Deeplab神经网络结构的海岛岸线粗分割,将粗分割结果作为海岛岸线优化的初始边界;3）利用全连接条件随机场优化海岛岸线,实现海岛岸线的细分割提取。结果 以大小不等的4个海岛的岸线提取为例,分别采用改进的海岛岸线分割模型、全卷积神经网络模型（fully convolutional networks,FCN）、Deeplab模型和目视解译法从遥感影像数据中分割海岛岸线。同时,引入平均交并比（mean intersection over union,MIoU）和相对误差,对各模型分割的海岛岸线结果进行精度比较。结果表明,本文改进的海岛岸线分割模型克服了FCN模型海岛岸线的不连续性问题,降低了海岛岸线的误分割现象;从MIoU值的比较可以看出,本文改进模型与目视解译的海岛岸线结果具有更高的吻合度,较FCN模型提高了17.7%,较Deeplab模型提高了5.2%;从海岸岸线的周长和面积的相对误差可以看出,本文改进模型的相对误差均低于FCN模型和Deeplab模型。结论 本文改进模型包含了面向遥感影像的波段选择、利用神经网络训练的海岛岸线粗分割和基于全连接条件随机场的海岛岸线优化,在保证岸线连续性的前提下,提高了海岛岸线的分割精度。     

基于特征融合的可见光图像舰船检测新方法

该文以可见光图像舰船目标为研究对象,提出了用多谱图像和全色图像进行特征融合来检测舰船目标的方法。该方法首先利用多谱图像实现水域和陆地的分离,然后把分类结果映射到全色图像上从而实现在全色图像上区分水域和陆地;屏蔽陆地后用Otsu方法分别在多谱图像和全色图像上对目标进行分割,并提取目标特征,最后对目标特征进行融合来检测舰船目标。实验证明该方法有效可行。     

一种基于几何特征的舰船与码头目标分割的新方法

论文以可见光卫星图像中码头停靠的舰船目标为研究对象,提出一种新的码头与停靠舰船的分割方法。该方法根据码头区域的平直几何特征,利用改进的Hough变换提取码头轮廓,通过二次分割将停靠舰船与码头分离,从而解决了由于停靠舰船与码头区域连接,无法根据灰度特性将舰船目标与码头区域完整地分割的困难,达到准确识别舰船的目的。     

一种基于可变夹角链码的靠岸舰船目标检测方法

高分辨率遥感图像上靠岸舰船的灰度、纹理特征往往和码头接近,其自动检测相对比较困难,而半米粒状轮廓特征是靠岸舰船检测中区分度较好的特征之一。利用可变夹角链码对靠岸舰船的这种轮廓特征进行描述,具有平移、旋转及缩放相对不变性。改进了可变夹角链码生成算法,并在此基础上提出了一种基于可变夹角链码的靠岸舰船检测方法。实测数据实验证明该方法在一定程度上能够解决靠岸舰船检测问题。     

结合HSV空间的水面图像特征水岸线检测

目的 水岸线可用于无人艇视觉导航、运动状态估计,是无人水面艇自主航行的重要参照特征。水岸线类似于水天线,但由于水波、反光、倒影等因素,内河水岸线检测的背景更复杂,难以采用现有水天线检测技术。通过分析水面图像在HSV空间的特征,发现陆地区域的饱和度值均高于天空和水面区域;在光照较暗时,色彩信息不能使用,亮度图像中的陆地区域相对其他区域较暗,但仍然存在水岸线轮廓特征。基于这一分析结果,提出结合HSV空间的水面图像特征水岸线检测方法。方法 首先将RGB图像经过高斯滤波后变换到HSV空间,依据权重进行HSV空间特征分量选取,接着进行像素点非线性增强;然后在增强的图像上进行区域分割,并将各个区域定义为基底图像;其次分析饱和度图像的行列特性,提取高饱和度的陆地区域,并将其定义为模板图像,将模板图像覆盖在各个基底图像上,按重叠区域面积比选取基底图像;最后通过边缘检测算子检测水岸线。结果 本文采集不同季节,不同光照强度的水面图像进行水岸线检测实验,实验结果表明本文算法可以在不同光照环境下准确检测出水岸线,且轮廓清晰完整,本文算法的实时性可达到1帧/s。结论 本文提出的结合HSV空间的水面图像特征水岸线检测方法,可以在不同的光照环境中有效地检测出轮廓清晰完整的水岸线,验证了水面图像分析的结论,本文算法可适用于无人艇视觉导航中。     

复杂背景下SAR近岸舰船检测

目的 船舶在合成孔径雷达（synthetic aperture radar, SAR）图像中的检测是研究热点,但目前适合近岸舰船检测的方法并不多。在SAR图像中,近岸舰船受到岸上建筑物的干扰严重,尤其是对于排列紧密的近岸船舶来说,其对比度相似,很难区分船舶与背景。为解决近岸舰船检测困难问题,提出了一种基于加权双向注意金字塔网络的近岸舰船检测方法。方法 本文在FCOS （fully convolutional one-stage）网络的基础上提出了一种新的双向特征金字塔网络。将卷积注意力机制模块（convolutional block attention module,CBAM）与金字塔网络的每个特征图进行连接,提取丰富的语义信息特征;借鉴PANet （path aggregation network）的思想,添加自下而上的金字塔模块,突出不同尺度船舶的显著特征。最后提出了一种加权特征融合方式,使特征图提取的特征信息的着重点不同,提高舰船检测精度。结果 本文在公开的SAR图像舰船数据集SSDD （SAR ship detection dataset）上进行实验。实验结果表明,相比原FCOS方法,本文方法的检测精度提高了9.5%;与对比方法相比,本文方法在同等条件下的检测精度达到90.2%。在速度方面,本文方法比SSD提高0.6 s,比Faster R-CNN （region convolutional neural network）提高1.67 s,明显优于对比方法。结论 本文通过改进特征网络和特征融合方式,提高了算法对SAR图像舰船目标检测中背景复杂、排列紧密的近岸舰船目标的定位效果,有效增强了对舰船目标定位的准确性。     

结合改进Deeplab v3+网络的水岸线检测算法

目的 水岸线既是水利行业视频监控分析的基础,也是无人水面艇实现自主航行的关键。现有的许多水岸线检测的图像识别方法,不仅无法克服水面波纹、水面倒影等因素的影响,而且不具有适应性,无法同时适用于多个水岸场景分析。为此,本文采用多个复杂的水岸场景图像,训练了用于水岸分割的Deeplab v3+网络,并综合考虑分割性能和计算速度,对Deeplab v3+进行简化与改进,提出了基于改进的Deeplab v3+分割水面图像提取水岸线的检测方法。方法 采集不同水岸场景图像作为训练及验证图集,并利用伽马函数扩充样本;接着修改Deeplab v3+网络,对xception结构进行微调,同时在decoder时多增加一路低级特征（low-level feature）,增加特征信息;然后依据图像信息设置损失权重系数,设置可视化参数,基于改进的Deeplab v3+网络针对自己的数据集进行训练。利用训练好的PB模型在Linux操作系统调用TensorFlow的C++接口对测试图像进行区域分割。最后基于提取出的水面区域通过边缘检测算子检测水岸线,将水岸线叠加到原图。结果 本文采集了不同光照强度、不同波纹程度以及不同阴影程度的水面图像进行水岸线检测实验,并与现有算法进行比较。实验结果表明本文算法可以在不同的水岸图像中检测出较为清晰完整的水岸线,准确率达93.98%,实时性达到8帧/s。结论 本文算法能克服水岸边缘严重不规则、不同水岸场景差异大和复杂水岸场景中光照、波纹、倒影等因素的干扰,提升水岸图像分割准确度及效率,检测出轮廓清晰完整的水岸线,服务于水利行业的智能监控分析。