CN103413127B - 基于频谱奇异值分解的海上目标显著性检测方法 - Google Patents
基于频谱奇异值分解的海上目标显著性检测方法 Download PDFInfo
- Publication number
- CN103413127B CN103413127B CN201310408461.8A CN201310408461A CN103413127B CN 103413127 B CN103413127 B CN 103413127B CN 201310408461 A CN201310408461 A CN 201310408461A CN 103413127 B CN103413127 B CN 103413127B
- Authority
- CN
- China
- Prior art keywords
- sigma
- greaterequal
- spectrum
- color
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Complex Calculations (AREA)
Abstract
一种基于频谱奇异值分解的海上目标显著性检测方法,利用海上图像CIELab空间的亮度和颜色通道,对其分别进行傅里叶变换,并根据设定的阈值选择其幅度谱的非主要分量,与原相位谱结合进行傅里叶逆变换,得到各特征的显著图,将颜色显著图合并后再与亮度显著图合并得到总显著图。本发明能够快速提取海上场景中的显著区域,有利于海上场景中目标检测,较好的抑制了海杂波的干扰,无须多个尺度的显著图融合,可在图像原图尺度上实现,能为海难搜救中的目标检测、海事监控、港口视频监控、海事执法取证中的各类船舶检测等提供机器视觉的辅助手段。
Description
技术领域
本发明涉及一种基于频谱奇异值分解(singularvaluedecomposition,SVD)的海上目标显著性检测方法。
背景技术
近十几年来,国内外很多学者对人眼视觉的注意机制进行了深入研究。计算机视觉领域的学者在提出各类视觉注意的计算模型方面进行了大量的研究工作。目前,视觉注意的研究成果已应用于图像检索、图像质量评价、图像和视频编码、目标检测和跟踪等领域。显著性检测是视觉注意模型的核心问题,即如何度量图像的显著性。根据利用的图像空间划分,可分为空间域方法和频域方法。目前已提出的频域显著性检测方法,其本质多为通过对图像傅里叶变换或离散余弦变换后的频谱进行白化或者滤波来突出显著区域。
侯晓迪等人提出频谱残差方法(SR,spectralresidual),以图像对数幅度谱的残差定义图像显著性。之后有学者提出基于图像相位谱的显著性检测方法,并利用四元数傅里叶变换,将SR方法中仅处理亮度通道扩展到同时处理颜色、亮度和运动特征等四个通道(QPFT,phasespectrumusingquaternionFourierTransform)。余映等人提出脉冲余弦变换的显著性检测方法。之后,侯晓迪等人也证明了利用离散余弦变换方法提取显著图的有效性,并在RGB颜色空间和CIELab颜色空间分别进行了实验。但这些显著性检测方法,均是在图像单一尺度上实现,且需要对图像进行下采样。改变图像尺寸时,得到的显著图差异较大。张巧荣等利用多尺度SR方法,选择亮度、颜色和方向三类特征,提取显著图,其检测效果好于单一尺度的方法。为了解决多通道数据的显著性检测问题,丁正虎等人在四元数傅里叶变换的基础上提出利用双四元数检测多谱图像中的显著目标,该方法的本质与相位谱方法一致。
针对海上场景中的船舶检测问题,部分学者提出基于可见光图像和红外图像的海上舰船检测方法,同时对利用不同颜色空间进行了研究工作,包括利用海上场景的RGB颜色空间和HIS颜色空间等。吴琦颖等人在海上运动目标实时监测和跟踪系统中引入视觉注意机制,提出了一种迭代的基于倒三角小模板的线性低通滤波方法,快速实现粗分辨率图像上的平滑去噪,以此凸显目标。吴琦颖等还提出基于可见光图像序列的海上运动目标快速检测方法,利用视觉注意模型首先在静态图像中分割感兴趣区域(ROI,regionofinterest),进而仅在感兴趣区域中应用改进的时间差分法检测运动目标。同时,就利用SAR图像和多光谱图像进行舰船检测,有学者提出了相应的显著性检测方法。
但由于利用单一尺度的频谱残差方法、相位谱方法、离散余弦变换方法等对图像尺度是敏感的,当改变图像尺度时会得到不同的显著图,同时无法完整的提取显著目标的内部区域。而利用多个尺度融合的方法会增加算法的复杂度,特别的在无任何先验信息的前提下,如何选择融合的尺度也是需要额外考虑的问题。
发明内容
本发明提供一种基于频谱奇异值分解的海上目标显著性检测方法,能够快速提取海上场景中的显著区域,有利于海上场景中目标检测,较好的抑制了海杂波的干扰,无须多个尺度的显著图融合,可在图像原图尺度上实现,能为海难搜救中的目标检测、海事监控、港口视频监控、海事执法取证中的各类船舶检测等提供机器视觉的辅助手段。
为了达到上述目的,本发明提供一种基于频谱奇异值分解的海上目标显著性检测方法,其特征在于,该检测方法包含以下步骤:
步骤1、提取可见光海上图像I;
步骤2、将海上图像I由RGB颜色空间转换至CIELab颜色空间,并提取亮度L和两个颜色通道a,b作为基本特征L,a,b;
步骤3、将各特征图像分别进行傅里叶变换,得到各个特征的幅度谱;
其中,F表示傅里叶变换,AL(u,v),Aa(u,v),Ab(u,v)是各特征的幅度谱,幅度谱是对图像中不同频率信号分布情况的表征方式,是各特征的相位谱;
步骤4、对得到的各幅度谱进行奇异值分解;
其中,左奇异矩阵为UL,Ua,Ub,右奇异矩阵为VL,Va,Vb,同时奇异值矩阵为ΣL,Σa,Σb,且其对角线元素按照降序排列,分别为 rL,ra,rb为各奇异值矩阵的秩;
步骤5、根据设定的阈值th,选择每个特征幅度谱的非主要分量;
选择满足的最小p个特征分量,与原幅度谱差的绝对值作为非主要分量的幅度谱,其中,p是指排序前p个奇异值,r是指排序前r个奇异值,均为正整数;
对每个特征均利用上述方法计算幅度谱的非主要分量有:
其中,ALs,Aas,Abs表示各特征幅度谱的非主要分量,ULp,Uap,Ubp,∑Lp,∑ap,∑bp,VLp,Vap,Vbp分别由各矩阵的前pL,pa,pb个矢量构成;
步骤6、将各特征提取的幅度谱非主要分量与原相位谱结合进行傅里叶逆变换,得到各个特征的显著图;
其中,IF表示傅里叶逆变换,exp是指数运算,即的意思,参数分别表示三个特征的相位谱,j是虚数单位;
步骤7、对步骤7得到的各显著图进行空间域的高斯滤波以去除杂波噪声;
步骤8、将两个颜色通道的显著图进行线性合并,得到颜色通道显著图SMcolor;
SMcolor=(Sa+Sb)/2(13)
步骤9、将颜色通道显著图与亮度显著图融合为总显著图SM;
SM=SL+SMcolor(14)。
本发明能够快速提取海上场景中的显著区域,有利于海上场景中目标检测,较好的抑制了海杂波的干扰,无须多个尺度的显著图融合,可在图像原图尺度上实现,能为海难搜救中的目标检测、海事监控、港口视频监控、海事执法取证中的各类船舶检测等提供机器视觉的辅助手段。
附图说明
图1是本发明的流程图。
具体实施方式
以下根据图1,具体说明本发明的较佳实施例。
本发明提供一种基于频谱奇异值分解的海上目标显著性检测方法,该检测方法包含以下步骤:
步骤1、提取可见光海上图像I;
步骤2、将海上图像I由RGB颜色空间转换至CIELab颜色空间,并提取亮度L和两个颜色通道a,b作为基本特征L,a,b;
步骤3、将各特征图像分别进行傅里叶变换,得到各个特征的幅度谱;
其中,F表示傅里叶变换,AL(u,v),Aa(u,v),Ab(u,v)是各特征的幅度谱,幅度谱是对图像中不同频率信号分布情况的表征方式,是各特征的相位谱;
步骤4、对得到的各幅度谱进行SVD(奇异值分解);
其中,左奇异矩阵为UL,Ua,Ub,右奇异矩阵为VL,Va,Vb,同时奇异值矩阵为ΣL,Σa,Σb,且其对角线元素按照降序排列,分别为 rL,ra,rb为各奇异值矩阵的秩;
步骤5、根据设定的阈值,选择每个特征幅度谱的非主要分量;
根据信号处理理论,奇异值表征了数据的各特征分量能量的分布,而一般海上图像中的潜在目标由于距离等原因多为小目标,因此可选择设定的阈值th(一般的选择阈值为0.6-0.8之间)提取其非主要分量;
即选择满足的最小p个特征分量,与原幅度谱差的绝对值作为非主要分量的幅度谱,其中,p是指排序前p个奇异值,r是指排序前r个奇异值,均为正整数;
对每个特征均利用上述方法计算幅度谱的非主要分量有:
其中,ALs,Aas,Abs表示各特征幅度谱的非主要分量,ULp,Uap,Ubp,∑Lp,∑ap,∑bp,VLp,Vap,Vbp分别由各矩阵的前pL,pa,pb个矢量构成;
步骤6、将各特征提取的幅度谱非主要分量与原相位谱结合进行傅里叶逆变换,得到各个特征的显著图;
其中,IF表示傅里叶逆变换,exp是指数运算,即的意思,参数分别表示三个特征的相位谱,j是虚数单位;
步骤7、对步骤7得到的各显著图进行空间域的高斯滤波以去除杂波噪声;
步骤8、将两个颜色通道的显著图进行线性合并,得到颜色通道显著图SMcolor;
SMcolor=(Sa+Sb)/2(13)
步骤9、将颜色通道显著图与亮度显著图融合为总显著图SM;
SM=SL+SMcolor(14)。
本发明可应用于海难搜救、海事巡逻、基于视觉的船舶避碰、反海盗监控、值班瞭望、海事执法取证光电监控等领域,即应用显著性检测突出海上场景中的船舶等潜在目标,抑制背景,为后续的目标检测和目标跟踪、识别提供基础。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (1)
1.一种基于频谱奇异值分解的海上目标显著性检测方法,其特征在于,该检测方法包含以下步骤:
步骤1、提取可见光海上图像I;
步骤2、将海上图像I由RGB颜色空间转换至CIELab颜色空间,并提取亮度L和两个颜色通道a,b作为基本特征L,a,b;
步骤3、将各特征图像分别进行傅里叶变换,得到各个特征的幅度谱;
其中,F表示傅里叶变换,AL(u,v),Aa(u,v),Ab(u,v)是各特征的幅度谱,幅度谱是对图像中不同频率信号分布情况的表征方式,是各特征的相位谱;
步骤4、对得到的各幅度谱进行奇异值分解;
其中,左奇异矩阵为UL,Ua,Ub,右奇异矩阵为VL,Va,Vb,同时奇异值矩阵为ΣL,Σa,Σb,且其对角线元素按照降序排列,分别为 rL,ra,rb为各奇异值矩阵的秩;
步骤5、根据设定的阈值th,选择每个特征幅度谱的非主要分量;
选择满足的最小p个特征分量,与原幅度谱差的绝对值作为非主要分量的幅度谱,其中,p是指排序前p个奇异值,r是指排序前r个奇异值,均为正整数;
对每个特征均利用上述方法计算幅度谱的非主要分量有:
其中,ALs,Aas,Abs表示各特征幅度谱的非主要分量,ULp,Uap,Ubp,∑Lp,∑ap,∑bp,VLp,Vap,Vbp分别由各矩阵的前pL,pa,pb个矢量构成;
步骤6、将各特征提取的幅度谱非主要分量与原相位谱结合进行傅里叶逆变换,得到各个特征的显著图;
其中,IF表示傅里叶逆变换,exp是指数运算,即的意思,参数分别表示三个特征的相位谱,j是虚数单位;
步骤7、对步骤7得到的各显著图进行空间域的高斯滤波以去除杂波噪声;
步骤8、将两个颜色通道的显著图进行线性合并,得到颜色通道显著图SMcolor;
SMcolor=(Sa+Sb)/2(13)
步骤9、将颜色通道显著图与亮度显著图融合为总显著图SM;
SM=SL+SMcolor(14)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310408461.8A CN103413127B (zh) | 2013-09-10 | 2013-09-10 | 基于频谱奇异值分解的海上目标显著性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310408461.8A CN103413127B (zh) | 2013-09-10 | 2013-09-10 | 基于频谱奇异值分解的海上目标显著性检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103413127A CN103413127A (zh) | 2013-11-27 |
CN103413127B true CN103413127B (zh) | 2016-06-08 |
Family
ID=49606136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310408461.8A Expired - Fee Related CN103413127B (zh) | 2013-09-10 | 2013-09-10 | 基于频谱奇异值分解的海上目标显著性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103413127B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103973976B (zh) * | 2014-04-14 | 2017-06-06 | 杭州电子科技大学 | 一种利用光学成像的显著性提取装置及方法 |
CN104537681A (zh) * | 2015-01-21 | 2015-04-22 | 北京联合大学 | 一种谱分离的视觉显著区域提取方法及系统 |
CN106991682B (zh) * | 2016-01-21 | 2019-12-20 | 深圳力维智联技术有限公司 | 自动港口货船的提取方法及装置 |
CN107169516B (zh) * | 2017-05-11 | 2020-10-23 | 上海海事大学 | 基于k-l变换的海上小目标显著性检测方法 |
CN107239760B (zh) * | 2017-06-05 | 2020-07-17 | 中国人民解放军军事医学科学院基础医学研究所 | 一种视频数据处理方法及系统 |
CN107967474A (zh) * | 2017-11-24 | 2018-04-27 | 上海海事大学 | 一种基于卷积神经网络的海面目标显著性检测方法 |
CN111770246A (zh) * | 2019-04-02 | 2020-10-13 | 上海富瀚微电子股份有限公司 | 一种图像降噪装置及方法 |
CN111881725B (zh) * | 2020-06-14 | 2024-01-12 | 浙江大学 | 一种融合空频域特征的光学遥感图像船舶目标检测方法 |
CN112001239B (zh) * | 2020-07-15 | 2023-11-28 | 成都信息工程大学 | 基于多重svd显著性融合的sar图像目标检测优化方法 |
CN113591708B (zh) * | 2021-07-30 | 2023-06-23 | 金陵科技学院 | 基于星载高光谱图像的气象灾害监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980248A (zh) * | 2010-11-09 | 2011-02-23 | 西安电子科技大学 | 基于改进视觉注意力模型的自然场景目标检测方法 |
CN102800086A (zh) * | 2012-06-21 | 2012-11-28 | 上海海事大学 | 一种海上场景显著性检测方法 |
-
2013
- 2013-09-10 CN CN201310408461.8A patent/CN103413127B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980248A (zh) * | 2010-11-09 | 2011-02-23 | 西安电子科技大学 | 基于改进视觉注意力模型的自然场景目标检测方法 |
CN102800086A (zh) * | 2012-06-21 | 2012-11-28 | 上海海事大学 | 一种海上场景显著性检测方法 |
Non-Patent Citations (2)
Title |
---|
TARGET DETECTION IN MARITIME SEARCH AND RESCUE USING SVD;Lei Ren;《Proceedings of the 2011 International Conference on Machine Learning and Cybernetics》;20110713;556-560 * |
应用奇异值分解的海上场景显著性检测;任蕾,施朝健,冉鑫;;《计算机工程与应用》;20120811(第23期);161-172 * |
Also Published As
Publication number | Publication date |
---|---|
CN103413127A (zh) | 2013-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103413127B (zh) | 基于频谱奇异值分解的海上目标显著性检测方法 | |
Xia et al. | Infrared small target detection based on multiscale local contrast measure using local energy factor | |
US10055648B1 (en) | Detection, classification, and tracking of surface contacts for maritime assets | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN102800086B (zh) | 一种海上场景显著性检测方法 | |
Guo et al. | Lightweight deep network-enabled real-time low-visibility enhancement for promoting vessel detection in maritime video surveillance | |
CN104408482B (zh) | 一种高分辨率sar图像目标检测方法 | |
CN110031843A (zh) | 基于roi区域的sar图像目标定位方法、系统、装置 | |
Song et al. | Automatic ship detection for optical satellite images based on visual attention model and LBP | |
CN102156881B (zh) | 基于多尺度图像相位信息的海难搜救目标检测方法 | |
CN107255818A (zh) | 一种两维多特征融合的水下目标快速检测方法 | |
Dong et al. | Infrared target detection in backlighting maritime environment based on visual attention model | |
Xu et al. | COCO-Net: A dual-supervised network with unified ROI-loss for low-resolution ship detection from optical satellite image sequences | |
Tao et al. | Radio frequency interference signature detection in radar remote sensing image using semantic cognition enhancement network | |
Zhou et al. | Inshore dense ship detection in SAR images based on edge semantic decoupling and transformer | |
Song et al. | Ship detection in haze and low-light remote sensing images via colour balance and DCNN | |
Xiangwei et al. | A fast ship detection algorithm in SAR imagery for wide area ocean surveillance | |
CN107464255B (zh) | 一种基于信息量与多尺度异常检测的船舶目标检测方法 | |
CN105551029B (zh) | 一种多光谱遥感图像舰船检测方法 | |
Voinov et al. | Multiclass vessel detection from high resolution optical satellite images based on deep neural networks | |
Ji-yang et al. | On-board ship targets detection method based on multi-scale salience enhancement for remote sensing image | |
CN107169516B (zh) | 基于k-l变换的海上小目标显著性检测方法 | |
CN102323989A (zh) | 基于奇异值分解非局部均值的极化sar数据相干斑抑制方法 | |
Li et al. | Processing of Envisat alternating polarization data for vessel detection | |
Klimkowska et al. | A prealiminary study of ship detection from UAV images based on color space conversion and image segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160608 Termination date: 20190910 |
|
CF01 | Termination of patent right due to non-payment of annual fee |