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.     

遥感舰船目标检测识别方法

针对基于经典图像处理方法的目标检测识别方法虚警率高、分类效果差等问题,提出了一种基于深度学习的光学遥感舰船目标检测识别方法。该方法采用形态学运算+深度学习的方法,基于视觉增强技术快速筛选疑似目标,大幅降低需处理的数据量;采用深度学习网络,大幅降低目标检测虚警率。在2片Xilinx FPGA上完成了设计验证,利用FPGA全并行流水处理的特点,大幅提升处理效率和实时性,相对采用i7-CPU和GPU-GTX1050实现该算法,能效比分别提升260倍和28倍。经16景高分2号卫星遥感图像验证,目标检测识别率高于98%,虚警率低于5%。与现有的目标检测识别方法比,该方法在工程化能力、鲁棒性、实时性、准确率、能效比等方面达到较好平衡,性能优越,优于当前业内方法。     

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。     

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.     

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。     

基于支持向量机的遥感图像舰船目标识别方法

针对高分辨率遥感图像舰船目标识别问题,提出了一种基于支持向量机的舰船目标分类方法。支持向量机(SVM)是一类新型机器学习方法,基于结构风险最小化归纳原则,具有出色的学习能力。与传统的方法相比,支持向量机不但结构简单,而且技术性能特别是泛化能力明显提高。该文简要介绍了有关统计学习理论和支持向量机算法,将支持向量机应用于遥感图像舰船目标识别,并同传统的舰船识别方法进行了相关的对比实验,实验结果说明本文提出的分类器在识别性能上明显优于其它传统分类器,具有更高的识别性能率。     

一种基于模糊融合的遥感图像目标识别方法

数据融合利用多传感器的信息,克服了单一传感器信息不完整、不精确、不确定的缺点,因此广泛应用于目标识别中,该文提出了一种基于模糊融合的遥感图像目标识别的新方法。首先在单源图像上提取可疑目标,然后根据目标在不同类型图像上的成像特点,选择合适的目标特征,充分考虑到各特征的重要程度,把模糊隶属度函数和模糊密度结合起来,最后利用特征层模糊融合对目标的身份进行判定。此方法应用在实际目标的识别中,取得了很好的效果。     

基于矩与支持向量机的舰船目标识别方法

为可靠快速地识别出各种姿态下的舰船目标,提出了一种基于矩与支持向量机(SVM)的目标自动识别方法.根据实际航空摄影模型的特点,将三维舰船模型相对其俯仰轴,偏航轴和横滚轴作相应旋转,投影到二维图像空间,建立舰船样本训练库与测试库,提取舰船各种姿态下的矩特征;基于SVM设计多类分类器进行识别,并进一步计算不同训练和测试样本数下的分类精度.实验结果证明:提出的方法在舰船模型图像和真实遥感图像中的识别精度高,且样本训练和目标识别时间短,经数据库中多幅图像测试,识别系统鲁棒性强.     

基于GLRT的光学卫星遥感图像舰船目标检测

传统的CFAR检测应用到光学卫星遥感图像舰船目标检测中时不能对黑极性目标进行判断,针对此提出改进的基于广义似然比检验(Generalized Likelihood Ratio Test,GLRT)的舰船目标检测算法。该算法采用滑动窗口检测形式,在假设背景和目标灰度均服从高斯分布的前提下,通过GLRT判断背景窗口与目标窗口是否同分布来检测目标,兼顾了目标黑白两种极性的情况。算法实现中对图像进行了分块检测,并通过形态学处理对检测结果进行了目标聚类。采用SPOT5与CBERS实测数据进行实验,验证了海背景服从高斯分布的假设。典型数据检测结果表明,该算法可以检测黑极性目标,且相比CFAR虚警率更低,大量数据计算ROC曲线的结果以及比CFAR检测少约40%的耗时进一步表明该算法性能更优。     

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...     

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。     

容差粗糙集卫星遥感数据分类

结合粗糙集理论和遥感数据中地物光谱特征空间分布信息,提出了一种基于光谱特征邻域的容差粗糙集分类方法,用来处理卫星遥感数据分类中的不确定性问题。利用北京地区Landsat-5 TM数据进行分类试验,对算法分类过程进行讨论及其分类结果进行验证分析;结果表明：文中方法在可理解性和稳定性上体现出比较好的性质,能够有效处理卫星遥感数据分类中存在的不确定性因素,在具有复杂光谱特征地物分类方面具有发展潜力。     

遥感影像目标识别中的多尺度分析

针对遥感影像目标特性随分辨率变化的问题,提出了目标识别的多尺度分析方法。首先,基于混合像元分析了多尺度影像中地面目标形状结构产生变化的原因,这种变化主要是由混合像元在目标中所占的比例决定的;然后,根据多尺度影像中的目标提取实验,分析并验证了目标提取误差随着尺度变化的规律;最后,基于遥感影像目标的多尺度特性分析,进一步提出了优势类别的概念。从遥感目标的多尺度分析与实验结果来看,目标的形状结构特征随着尺度的变化而发生改变,而且尺度越大改变越大。通过研究遥感影像目标的多尺度特征,揭示了目标特征随尺度变化规律,对多尺度遥感影像自动目标识别具有指导意义。     

遥感图像目标识别的并行处理方法

为提高遥感图像目标识别的速度，减少消耗的时间，提出了一种特殊的遥感图像目标识别的并行处理方法。基于这种方法，只需对串行识别算法做较少的改动即可实现遥感图像目标识别的并行化处理，无需设计专门的并行识别算法，以较低的代价解决了遥感图像目标识别耗时较多的问题。     

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.     

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。     

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。     

基于改进区域分割遥感图像的航天器目标自动识别方法

：传统的航天器目标自动识别方法识别精准度差,为了解决这一问题,基于改进区域分割遥感图像研究了一种新的航天器目标自动识别方法,通过人工排查的方式来追踪航天器所提供的位置信息,并建立三角形立体体系,提取出航天器所追踪的目标和航天器之间的位置关系,实现航天器目标检测,分别针对复杂场景和运动场景对目标进行识别,引用击穿识别方法,基于遗传算法以及变换算法,实现了在复杂的自然遥感图像中能够识别多种目标,但是对于残缺和不完整的目标识别性差,因此又在方法中引入了自动学习智能识别算法,解决了在遥感图像中残缺不完整的目标识别效果差的问题。设定对比实验,结果表明,相较于传统方法,基于改进区域分割遥感图像的航天器目标自动识别方法识别准确率提高了15.23%。