CN102855622A - 一种基于显著性分析的红外遥感图像海面船只检测方法 - Google Patents

Abstract

本发明公开了一种基于显著性分析的红外遥感图像海面船只检测方法，可用于航天、航空红外遥感图像中的海面船只检测，该方法包括以下步骤：对红外遥感图像进行分割，得到海面区域；在分割得到的海面区域中，使用基于显著性分析的方法检测海面上可能为船只的候选目标；使用尺寸信息对候选目标进行一次过滤；使用形状信息对候选目标进行二次过滤；通过尺寸和形状限制的候选目标确定为最终检测得到的海面船只。本发明结合了图像分割和显著性分析技术，解决了红外遥感图像中海面区域分割和海面船只检测问题，避免了单一的目标检测算法适用范围较窄、检测性能不高的缺点。

Description

一种基于显著性分析的红外遥感图像海面船只检测方法

技术领域

本发明属于图像处理技术领域，尤其是一种基于显著性分析的红外遥感图像海面船只检测方法。

背景技术

在现代战争中，信息主导权是影响战略全局的关键因素，而成像侦察和目标检测识别是获取信息的主要方式。红外成像传感器作为现有的多种成像侦察手段之一，只敏感于目标场景的辐射(主要由目标场景的辐射率及温差决定)，而对场景的亮度变化不敏感。当目标内具有较大的温度梯度或者背景与目标有较大热对比度，低可视目标很容易在红外图像中看到，在目标检测，尤其是海面船只检测方面具有一定的优势。

海面船只目标检测，不仅可以实现海面舰船目标普查，而且是舰船目标分类识别与海面态势变化分析等舰船目标详查任务的前提和基础，其检测性能的好坏直接影响了后续处理的成败，因此，红外遥感图像海面船只检测具有十分重要的研究意义和应用价值。

红外遥感图像中各种地物和目标没有固定的灰度性质，不同的地物和目标随着时间的变化，温度发生不同的变化，这给目标检测带来一定的难度，并且，受到天气、光照、海况等多种因素的综合影响，导致船只目标与背景海面较难区分。虽然近年来有研究人员针对红外遥感图像海面船只检测开展了研究，取得了一定的成果，但是距离实用化还有很大的距离。红外遥感图像海面船只检测目前仍是一个极具挑战性的难点课题，存在许多问题亟待解决。

发明内容

本发明的目的在于克服已有技术的缺点，提出了一种基于显著性分析的红外遥感图像海面船只检测方法，以实现对海面船只的快速准确的检测。

本发明所提出的一种基于显著性分析的红外遥感图像海面船只检测方法，其特征在于，该方法包括以下步骤：

步骤S1，对包含有待检测船只的红外遥感图像进行分割，根据每个分割区域的特征，检测得到红外遥感图像中的海面区域；

步骤S2，在所述步骤S1得到的海面区域中，使用基于显著性分析的方法检测海面上可能为船只的候选目标；

步骤S3，使用候选目标尺寸对所述候选目标进行过滤，如果候选目标的尺寸不满足尺寸要求，则去除该目标；

步骤S4，使用候选目标形状对经过所述步骤S3筛选得到的候选目标进行二次过滤，如果所述候选目标的形状不满足所述形状要求，则去除该目标；

步骤S5，根据所述尺寸和形状信息筛选得到的候选目标确定为最终检测得到的海面船只。

本发明的有益效果是，本发明通过基于显著性分析的红外遥感图像海面船只检测方法，结合图像分割、显著性分析技术，解决了红外遥感图像中海面区域分割和海面船只检测问题，避免了单一的目标检测算法适用范围较窄、检测性能不高的问题。

附图说明

图1是本发明提出的一种基于显著性分析的红外遥感图像海面船只检测方法的流程图。

图2是根据本发明实施例的海面分割方法的流程图。

图3是根据本发明实施例的基于显著性分析的候选海面船只检测方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明使用的方法既可以在个人计算机、工控机及服务器上以软件的形式安装并执行，也可将方法做成嵌入式芯片以硬件的形式来体现。

图1是本发明提出的一种基于显著性分析的红外遥感图像海面船只检测方法的流程图，如图1所示，本发明提出的基于显著性分析的红外遥感图像海面船只检测方法，包括以下几个步骤：

步骤S1，对包含有待检测船只的红外遥感图像进行分割，根据每个分割区域的特征，检测得到红外遥感图像中的海面区域；

图2是根据本发明实施例的海面分割方法的流程图。如图2所示，所述步骤S1进一步包括以下几个步骤：

步骤S11，对所述红外遥感图像进行大尺度的超像素分割，将所述红外遥感图像分割为尺寸大致相同，形状尽量规则，并且充分保留不同地物或场景之间的边界的多个区域；

设待分割图像的高度和宽度分别为h和w，分割结果中区域的大小为s，本发明中，分割区域的大小s为500，则k＝w*h/s，将上述计算得到的分割结果中分割区域的数目k作为Normalized Cut(归一化分割)算法的输入参数，利用归一化分割算法来实现所述大尺度的超像素分割，所述归一化分割算法为本领域的通用技术，在此不作赘述。

所述大尺度的超像素分割使用大尺度参数对图像进行分割，从而能够去除海面船只的影响，并且，分割得到的大尺度区域能够使海面和陆地具有很高的可分辨性。

步骤S12，对分割后得到的每一个区域进行特征提取；

虽然经过所述步骤S11分割后得到的分割区域较大，但由于海面上通常只包含一种地物类型，而陆地上通常会包含多种地物类型，因此，根据这一特点，可以通过提取每一个区域的特征来对船只进行检测；

区域特征的提取需要考虑每个区域多方面的特性，包含区域的均值、方差、梯度强度和梯度方向直方图，所述均值特征m为区域内所有像素灰度值的平均值，所述方差特征var为区域内所有像素灰度值的方差，所述梯度强度特征mag为区域内所有像素梯度值的和与区域像素数目的比值，所述梯度方向直方图特征hist为区域内所有像素归一化梯度方向直方图。

步骤S13，根据所述步骤S12提取得到的每个区域的特征以及其临近区域的类别和彼此的相似度，将分割后得到的多个区域最终确定为海面区域和非海面区域；

所述步骤S13进一步包括以下步骤：

步骤S131，根据所述步骤S12提取得到的每个区域的特征将该区域初步分为海面区域和非海面区域；

这里依据的分类原则为：若某一区域的方差var小于指定阈值thres1，梯度强度mag小于指定阈值thres2，则认为该区域是海面区域，否则为非海面区域。在本发明的实施例中，thres1的值为64，thres2的值为8。

步骤S132，根据所述步骤S131的初步分类结果，计算每一个被初步分类为海面区域的区域与其临近区域的差异D：

$D=\frac{\mathrm{mi}-\mathrm{mj}}{256}+\mathrm{dist}(\mathrm{histi},\mathrm{histj})$

其中，mi和histi表示某个被初步分类为海面区域的区域的均值和梯度方向直方图，mj和histj表示其临近区域，dist(histi，histj)表示向量histi和histj之间的距离，本发明的实施例中使用欧式距离。

步骤S133，根据计算得到的差异D和每个被初步分类为海面区域的区域的临近区域的类别，判断该被初步分类为海面区域的区域是否为海面区域；

对于被初步分类为海面区域的区域Si，设其临近的海面区域数目为N，这N个临近的海面区域中与Si的差异D大于指定阈值thres3的区域数目为N1，如果N1/N大于1/2，则将区域Si确定为非海面区域。

步骤S14，区域聚合，将所述步骤S13确定得到的海面区域进行合并，最终得到所述红外遥感图像中的海面区域。

根据所述步骤S13得到了所有分割区域的类别，即海面和非海面，任选其中一个海面区域，递归地将与其相邻的所有海面区域合并为同一个连通区域，并记录该连通区域所合并的海面区域的个数，直到所有的海面区域均遍历完毕。合并后，如果连通区域所合并的区域个数小于2，则去掉该连通区域。

最后，将连通的海面区域赋值为1，其他区域赋值为0，最终得到了所述红外遥感图像中的海面区域。

步骤S2，在所述步骤S1得到的海面区域中，使用基于显著性分析的方法检测海面上可能为船只的候选目标；

图3是本发明基于显著性分析的候选海面船只检测方法流程图。如图3所示，所述步骤S2包括以下几个步骤：

步骤S21，对海面区域图像进行小尺度的分割，得到多个海面区域的子区域；

由于目标尺度(即船只大小)存在一定的差异，因此，超像素分析中固定尺寸分割的方法并不合适，因此在该步骤中，小尺度的图像分割采用本领域常用的图分割方法，图分割方法的输入参数，区域最小尺寸min-size设定为16。

步骤S22，根据所述步骤S14得到的整个海面区域的二值图像，统计所述红外遥感图像中整个海面区域的灰度直方图；

步骤S23，对于所述步骤S21得到的每一个海面区域子区域，分别统计其灰度直方图；

步骤S24，计算每一个海面区域子区域的灰度直方图与整个海面区域的灰度直方图的相似度，相似度值较小的海面区域子区域确定为候选目标。

海面区域子区域的灰度直方图H1和整个海面区域的灰度直方图H2均为256维的向量，二者的相似度使用欧式距离计算，即：

$\mathrm{HistSim}=1-{\mathrm{\Σ}}_{i=1}^{256}{\left(H1\right[i]-H2[i\left]\right)}^2$

在计算灰度直方图的相似度前，需要对灰度直方图进行归一化，即使得灰度直方图所有的值加在一起的和为1。

步骤S3，使用候选目标尺寸对所述候选目标进行过滤，如果候选目标的尺寸不满足尺寸要求，则去除该目标；

所述候选目标尺寸的计算方法为：

首先，统计候选目标的像素数A1；

每个候选目标对应于所述步骤S21中的一个海面区域子区域，A1即为该子区域的像素数目。

然后，基于所述候选目标对应的海面区域子区域进行椭圆拟合，计算出拟合得到的椭圆的面积A2；

设所述拟合得到的椭圆的长半轴和短半轴的长度分别为a和b，则椭圆的面积A2为πab。

那么，候选目标的尺寸为A＝A1+A2。

如果候选目标尺寸A小于候选目标的最小面积thres-min，或者A大于候选目标的最大面积thres-max，则滤除该候选目标。在本发明的实施例中，thres-min的值为10，thres-max的值为300。

步骤S4，使用候选目标形状对经过所述步骤S3筛选得到的候选目标进行二次过滤，如果所述候选目标的形状不满足所述形状要求，则去除该目标；

所述候选目标形状的计算方法为：

首先，计算候选目标所对应的海面区域子区域的质心(O_x，O_y)；

$O_x={\mathrm{\Σ}}_{i=1}^n{x}_i$

$O_y={\mathrm{\Σ}}_{i=1}^n{y}_i$

其中，n是该子区域中的像素个数，(x_i，y_i)为该子区域中第i个像素的坐标；

然后，根据与质心之间的距离，对所述候选目标中的所有像素进行加权求和并将其归一化得到形状度量因子S：

$S=\frac{{\mathrm{\Σ}}_{i=1}^n{e}^{\frac{-2\×\sqrt{{(x_i-O_x)}^2+{(y_i-O_y)}^2}}{A}}}{A}$

其中，A是所述步骤S3中求得的该候选目标的尺寸。

如果候选目标形状规则，则大部分像素应均在目标的质心附近，因此S的值较大，反之，如果候选目标形状不规则，则S值较小。如果S小于指定阈值thres-s，则滤除该候选目标，在本发明的实施例中，thres-s的值为0.3。

步骤S5，根据所述尺寸和形状信息筛选得到的候选目标确定为最终检测得到的海面船只。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (13)

1.一种基于显著性分析的红外遥感图像海面船只检测方法，其特征在于，该方法包括以下步骤：

步骤S1，对包含有待检测船只的红外遥感图像进行分割，根据每个分割区域的特征，检测得到红外遥感图像中的海面区域；

步骤S2，在所述步骤S1得到的海面区域中，使用基于显著性分析的方法检测海面上可能为船只的候选目标；

步骤S3，使用候选目标尺寸对所述候选目标进行过滤，如果候选目标的尺寸不满足尺寸要求，则去除该目标；

步骤S4，使用候选目标形状对经过所述步骤S3筛选得到的候选目标进行二次过滤，如果所述候选目标的形状不满足所述形状要求，则去除该目标；

步骤S5，根据所述尺寸和形状信息筛选得到的候选目标确定为最终检测得到的海面船只。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1进一步包括以下几个步骤：

步骤S11，对所述红外遥感图像进行大尺度的超像素分割，将所述红外遥感图像分割为尺寸大致相同，形状尽量规则，并且充分保留不同地物或场景之间的边界的多个区域；

步骤S12，对分割后得到的每一个区域进行特征提取；

步骤S13，根据所述步骤S12提取得到的每个区域的特征以及其临近区域的类别和彼此的相似度，将分割后得到的多个区域最终确定为海面区域和非海面区域；

步骤S14，将所述步骤S13确定得到的海面区域进行合并，最终得到所述红外遥感图像中的海面区域。

3.根据权利要求2所述的方法，其特征在于，使用归一化分割算法进行所述大尺度的超像素分割，所述归一化分割算法的输入参数为分割结果中分割区域的数目k，其中k＝w*h/s，h和w分别为待分割图像的高度和宽度，s为分割结果中区域的大小。

4.根据权利要求2所述的方法，其特征在于，所述步骤S12中提取的特征包括：区域的均值、方差、梯度强度和梯度方向直方图。

5.根据权利要求2所述的方法，其特征在于，所述步骤S13进一步包括以下步骤：

步骤S131，根据所述步骤S12提取得到的每个区域的特征将该区域初步分为海面区域和非海面区域；

步骤S132，根据所述步骤S131的初步分类结果，计算每一个被初步分类为海面区域的区域与其临近区域的差异D：

$D=\frac{\mathrm{mi}-\mathrm{mj}}{256}+\mathrm{dist}(\mathrm{histi},\mathrm{histj})$

其中，mi和histi表示某个被初步分类为海面区域的区域的均值和梯度方向直方图，mj和histj表示其临近区域，dist(histi，histj)表示向量histi和histj之间的距离；

步骤S133，根据计算得到的差异D和每个被初步分类为海面区域的区域的临近区域的类别，判断该被初步分类为海面区域的区域是否为海面区域。

6.根据权利要求5所述的方法，其特征在于，所述步骤S131中，若某一区域的方差var小于指定阈值thres1，梯度强度mag小于指定阈值thres2，则认为该区域是海面区域，否则为非海面区域。

7.根据权利要求5所述的方法，其特征在于，所述步骤S133中，若一被初步分类为海面区域的区域Si，其临近的海面区域数目为N，这N个临近的海面区域中与Si的差异D大于指定阈值thres3的区域数目为N1，如果N1/N大于1/2，则该区域Si确定为非海面区域。

8.根据权利要求2所述的方法，其特征在于，所述步骤S14中，任选其中一个海面区域，递归地将与其相邻的所有海面区域合并为同一个连通区域，并记录该连通区域所合并的海面区域的个数，直到所有的海面区域均遍历完毕，如果某一连通区域所合并的区域个数小于2，则去掉该连通区域。

9.根据权利要求1所述的方法，其特征在于，所述步骤S2包括以下几个步骤：

步骤S21，对海面区域图像进行小尺度的分割，得到多个海面区域的子区域；

步骤S22，统计所述红外遥感图像中整个海面区域的灰度直方图；

步骤S23，对于所述步骤S21得到的每一个海面区域子区域，分别统计其灰度直方图；

步骤S24，计算每一个海面区域子区域的灰度直方图与整个海面区域的灰度直方图的相似度，相似度值较小的海面区域子区域确定为候选目标。

10.根据权利要求9所述的方法，其特征在于，所述海面区域子区域的灰度直方图H1与整个海面区域的灰度直方图H2的相似度为：

$\mathrm{HistSim}=1-{\mathrm{\Σ}}_{i=1}^{256}{\left(H1\right[i]-H2[i\left]\right)}^2.$

11.根据权利要求9所述的方法，其特征在于，在所述步骤S24之前还进一步包括对两个灰度直方图进行归一化的步骤。

12.根据权利要求1所述的方法，其特征在于，所述步骤S3进一步包括以下步骤：

首先，统计候选目标的像素数A1；

然后，基于所述候选目标对应的海面区域子区域进行椭圆拟合，计算出拟合得到的椭圆的面积A2，得到候选目标的尺寸为A＝A1+A2；

最后，如果候选目标的尺寸A小于候选目标的最小面积thres-min，或者A大于候选目标的最大面积thres-max，则滤除该候选目标。

13.根据权利要求1所述的方法，其特征在于，所述步骤S4进一步包括以下步骤：

首先，计算候选目标所对应的海面区域子区域的质心(O_x，O_y)；

$O_x={\mathrm{\Σ}}_{i=1}^n{x}_i$

$O_y={\mathrm{\Σ}}_{i=1}^n{y}_i$

其中，n是该子区域中的像素个数，(x_i，y_i)为该子区域中第i个像素的坐标；

然后，根据与质心之间的距离，对所述候选目标中的所有像素进行加权求和并将其归一化得到形状度量因子S：

$S=\frac{{\mathrm{\Σ}}_{i=1}^n{e}^{\frac{-2\×\sqrt{{(x_i-O_x)}^2+{(y_i-O_y)}^2}}{A}}}{A},$

其中，A是该候选目标的尺寸；

最后，如果形状度量因子S小于指定阈值thres-s，则滤除该候选目标。

Images