基于改进多尺度间隙度的海上目标分割方法

针对复杂海面背景下的可见光图像舰船目标分割问题,引入了图像的多尺度间隙度特征,分析了Dong提出的图像间隙度特征提取算法存在的问题,并进行了改进,采用滑动盒子内像素值方差计算滑动盒子的质量,提高了舰船目标与海面背景的可分离程度,最后利用改进算法提取图像的多尺度间隙度特征对海上舰船目标进行分割。实验结果表明,利用改进方法对海面背景下舰船目标进行分割,相对于sobel边缘检测、ostu阈值分割和基于传统提取算法的多尺度间隙度特征分割方法结果更优,可以更好地抑制海面亮度变化、海浪和背景杂波的影响,准确分割出海上舰船目标。     

利用图像区域自然尺度特征的海面舰船目标检测

为了提高动态海面背景中目标的检测性能,提出了一种新的基于图像区域自然尺度特征的海面舰船目标检测算法.算法将一维信号的自然尺度特征提取方法拓展到二维图像信号,通过相空间重构和分类,提取了图像灰度时间序列的自然尺度特征.利用BP神经网络,得到背景与目标自然尺度特征的辨识模型,然后对图像序列的自然尺度进行分类,检测得到舰船目...     

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。     

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。     

基于图像等级多样性的海上红外舰船显著性检测

海天和海岛背景下的海面多舰船红外目标检测一直是图像处理方面的难题。多舰船目标监视采用较广的视场和较大的景深,囊括了更多的目标信息和海天背景成像像素,使多舰船目标显著性的提取难度增大。同时,景深的增大使舰船目标成像更多地表现为小目标,轮廓特征不再明显,这对舰船目标的显著性检测造成了极大的困难。将图像等级多样性和超级像素理论用于海面多舰船目标显著性检测,提出了海面多舰船目标显著性检测方法。     

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9/7提升小波的海面弱目标检测算法

弱目标的检测一直是监视和报警系统的重要组成部分.海面背景下海面及连绵起伏的波浪反光使图像的信噪比和对比度都较低,而且舰船目标像素较少.先利用自适应灰度阈值对图像进行滤波;再进行9/7提升小波变换,提取高频部分;然后利用高频部分进行重构;最后对重构后的图像进行自适应灰度阈值处理,检测出目标.实验结果表明该算法能够有效地检测出强噪声和背景杂波干扰情况下的舰船目标.     

复杂海天背景下红外舰船目标的自动检测方法

近年来,舰船目标的检测与识别技术得到了人们越来越多的重视.研究了复杂海天背景下红外舰船目标的自动检测问题.首先运用小波变换对图像进行预处理,提高了图像的信噪比,从而抑制了噪声和背景杂波.然后针对红外舰船目标总是出现在海天线附近的问题,采用梯度强度均值分割的算法检测了海天线,确定了目标的潜在区域.最后,提出了一种基于行列均值的自适应阈值分割算法,结合使用红外舰船目标的几何特征量,采用特征匹配方法提取出舰船目标,达到了自动检测的目的.实验结果表明:该方法能有效地自动检测复杂海面背景中的红外舰船目标.     

基于SVM分类的红外舰船目标识别

针对海天背景下红外舰船目标识别提出了一种基于机器学习的分类算法。该算法首先利用分割算法提取红外图像中的连通区域,并对原图相应的位置进行标记和归一化处理,然后利用HOG特征提取标记区域的高维特征向量,用线下样本库训练得到的SVM分类器对所提取的HOG特征进行高维特征空间的分类,识别目标和干扰。仿真实验表明,该算法具有良好的性能,在复杂海天干扰背景下能够有效地识别红外舰船目标。     

海面舰船红外与可见光图像配准

在利用特征点集的红外与可见光舰船图像配准过程中,经常会存在点集的一致性差而无法配准的情况,本文针对可见光图像中背景干扰大,纹理丰富容易出现较多非舰船目标轮廓特征点的情况,利用全局广义直方图均衡化和显著性增强对可见光图像进行增强,然后进行Canny轮廓提取并在轮廓的基础上提取舰船目标边缘角点作为匹配点集;对于红外舰船图像,海面背景与舰船温度差异较大,其舰船目标成像效果较好,存在的干扰较少,本文直接进行Canny算子运算并提取角点作为特征点集。实验效果显示,本算法实用性较强,误差小于3个像素,能够满足工程使用要求。     

基于多尺度双邻域显著性的高分四号遥感图像运动船舶检测方法

静止轨道(GEO)的高分四号(GF-4)卫星具备对海上运动船舶进行连续观测的能力,由于轨道高,海面船舶在GF-4卫星遥感图像中比较弱小不易检测。该文分析海面运动船舶的尾迹特征,提出一种基于多尺度双邻域显著性(MDSM)的GF-4卫星遥感图像运动船舶检测方法。首先依据多尺度双邻域显著性模型计算显著度,生成显著图;然后使用自适应阈值分割提取运动船舶的位置;最后利用尾迹几何特征对候选目标的形状进行校验,进一步去除虚假目标。实验结果和分析表明,所提方法可以有效地检测GF-4卫星遥感图像中的多个运动船舶目标,相比目前主流的视觉显著性检测算法,该文所提算法具有更好的检测性能。     

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.     

基于显著性与稠密光流的红外船只烟幕检测方法研究

船只目标是海上的一种重要目标。红外成像系统由于其可白天、夜间同时工作的特点已被广泛应用于船只检测系统中。但是,红外成像系统容易受到烟幕干扰,导致船只检测系统失效。因此及时有效地检测到红外船只图像中的烟幕干扰区域,对于提高船只目标检测系统的准确性具有重要意义。针对红外图像中船只释放的烟幕区域的检测问题,提出了一种基于显著性与稠密光流融合的烟幕检测方法。由于舰船释放的烟幕有明显区别于背景的特性,因此首先采用多尺度邻域滤波的AC算法对图像进行显著性区域检测,提取显著的烟幕区域;然后利用烟幕扩散的运动特点,对图像前后帧进行稠密光流计算得到图像的运动信息,通过设置阈值筛选得到明显的运动点、扩充运动点区域、合并分裂的运动区域,得到运动的烟幕区域;最后对显著性区域与运动烟幕区域进行合并得到最终的烟幕区域。实验结果表明,该方法能有效检测到烟幕区域,并且能够很好地适应烟幕反射光以及背景亮度的变化。     

基于频率调制的红外舰船显著性检测方法研究

针对海面背景下的红外舰船目标检测,改进了一种基于频率调制的显著性检测方法。首先,利用高斯高通滤波器对红外图像进行处理,抑制海杂波影响;然后,利用频率调制的显著性方法检测舰船目标。结果表明,利用本文的方法检测红外舰船时目标较完整,得到的显著图分辨率高。该方法能满足实时性的要求。     

一种基于Attention-YOLOv3的海面舰船目标检测的方法

近年来，基于深度学习的视觉检测方法在海面舰船目标检测领域中的应用愈加广泛。为了解决传统视觉检测方法检测精度不高，对小目标检测效果不好的问题，提出了一种基于Attention-YOLOv3的海面舰船目标检测方法，有效提高了对舰船目标的检测性能。在对主流的One-stage与Two-stage模型结构及特点的调研分析的基础上，利用YOLOv3的特征提取网络Darknet-53来获取图像特征，通过特征金字塔网络（FPN）网络结构融合特征提取网络中深浅层的语义信息，并添加注意力机制模块来进一步优化网络性能。将改进后的Attention-YOLOv3模型应用到海面舰船检测场景中进行验证，基于搜集到的舰船目标制作成COCO格式的数据集进行训练，使用包含海面舰船目标的图片作为测试集进行测试。实验结果表明，改进后的Attention-YOLOv3网络对比原检测网络模型，解决了小目标检测不敏感的问题，达到了更高的检测效果。     

基于视觉注意机制的UWB SAR叶簇隐蔽目标变化检测

在超宽带合成孔径雷达叶簇隐蔽目标检测中,传统的UWB SAR图像变化检测方法易受图像灰度值起伏和成像条件变化的影响,致使现有的变化检测算法的性能下降.本文根据人类视觉系统的生理结构和认知特点,提出了一种基于视觉注意机制的叶簇隐蔽目标变化检测算法.该方法使用视觉注意模型,将图像的多尺度特征信息融合为单幅视觉显著图像,并利用图像局部邻域信息和目标的空间相关特性对视觉显著图中视觉注意焦点进行分层筛选和变化检测.实验结果表明:本文中基于视觉注意机制的变化检测方法可以有效检测多时相UWB SAR图像中的叶簇隐蔽目标,较之传统的基于统计原理的变化检测方法,其检测速度更快,且对场景复杂的UWB SAR图像亦具有鲁棒性.     

基于无监督栈式降噪自编码网络的显著性检测算法

针对现有的显著性检测算法检测目标类型单一、通用性差的问题,提出一种基于无监督栈式降噪自编码网络的显著性检测算法.该算法利用无监督栈式降噪自编码网络（Stacked Denoising Auto Encoder,SDAE）在多个尺度对原始图像进行稀疏重构,将原始图像与SDAE网络重构图像之间的差作为显著图,二值化后的显著图作为显著性目标检测结果.在SDAE网络训练过程中,将原始图像作为原始数据,网络重构的图像作为观察数据.为了提升网络训练效率,首先利用无监督逐层贪婪方法训练同结构的深度信念网络（Deep Belief Network,DBN）,将训练得到的DBN网络参数设为SDAE网络的初始参数,再计算原始数据与观察数据之间的互信息作为网络收敛代价,利用反向传播进行网络参数微调.实验表明,该网络模型可以完成多类型目标的显著性检测,具有通用性好,准确度高等优点.     

基于Top-hat变换与OTSU的近岸舰船目标检测

长期以来,雷达对近岸目标的检测是目标识别的难题。对于近岸低速舰船目标,存在探测难、识别难的问题。然而,舰船目标具有较好的红外辐射特征,在探测过程中可以充分地利用这一特征。针对其红外特性提出了一种基于Top-hat变换与最大类间方差法的图像处理方法。经开运算重构,利用Top-hat变换增强红外图像中目标与背景的对比度;根据图像的灰度特性,使用最大类间方差法对图像进行阈值分割,以便检测目标。实验结果表明,该算法能够有效地检测出近岸舰船目标,对近岸目标识别具有一定的现实意义。