CN103996017A - 一种基于Hu不变矩和支持向量机的舰船检测方法 - Google Patents
一种基于Hu不变矩和支持向量机的舰船检测方法 Download PDFInfo
- Publication number
- CN103996017A CN103996017A CN201410060914.7A CN201410060914A CN103996017A CN 103996017 A CN103996017 A CN 103996017A CN 201410060914 A CN201410060914 A CN 201410060914A CN 103996017 A CN103996017 A CN 103996017A
- Authority
- CN
- China
- Prior art keywords
- ship target
- ship
- sample set
- support vector
- invariant moment
- 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.)
- Granted
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种基于Hu不变矩和支持向量机的舰船检测方法,主要应用于遥感影像处理领域。步骤分为三大部分:样本集构建、获取分类面和舰船检测。样本集构建部分主要是利用遥感图像来获取训练样本集和基于Hu不变矩的训练样本特征集;获取分类面部分主要是采用支持向量机(SVM)对样本特征集训练,获得线性分类面;舰船检测部分主要是获取测试数据集并采用线性分类面对测试数据集进行分类,获取舰船目标。本发明基于遥感图像中舰船目标表现出来的尺寸不同,停靠方向不统一的特点,充分利用Hu不变矩特征的抗尺度变化、抗旋转变化等性质以及SVM的分类性能对舰船目标进行检测,实验结果表明该方法能够有效区分舰船目标和海面、近海区域的非舰船目标。
Description
技术领域
本发明涉及一种基于Hu不变矩和支持向量机的舰船检测方法,属于卫星图像处理技术,用于遥感图像在海面、港口等区域对舰船目标的自动监控领域。
背景技术
舰船检测是自动目标识别领域的研究内容之一,实现海面目标的自动监控技术,不仅仅具有重要的军事战略意义,而且对于发展海洋应用具有重要的民用价值。舰船检测技术是对于一幅由传感器采集到的海面图像或者港口图像,根据预先设计的检测准则,提取出图像内的舰船目标的方法。根据传感器类型的不同,可以分为红外图像舰船检测、可见光图像舰船检测和SAR图像舰船检测等技术。舰船检测的一般步骤为:(1)输入待检测图像;(2)确定检测准则;(3)根据检测准则进行舰船检测;(4)检测率和虚警率分析。
舰船目标可以分为海面舰船目标和近港舰船目标。海面舰船目标具有相对简单的背景,且舰船和海水背景之间的对比度较为明显,通常可以通过简单的图像分割技术而得到。近港舰船和港口码头紧贴在一起,其灰度级分布和港口码头较为接近,直接采用分割方法难以获得好的检测效果,且离港口码头较近的目标不一定是舰船,对于该类型的舰船,直接分割法的检测能力有限。
基于形状特征的舰船检测方法是另外一种研究思路。根据舰船呈现出来的近似于矩形和椭圆型的特征,可以人工制备模板,对舰船进行检测。该方法对于已知舰船大小和停靠方向的前提下能够获得较好的检测效果,但是,在很多应用中,这一先验知识是无从获取的。也即基于形状特征的舰船检测无法抗尺度变化和旋转变化。
发明内容
本发明的技术解决问题是:克服现有技术的不足,设计出一种基于Hu不变矩特征和支持向量机的舰船检测方法。有效解决了遥感图像中不同大小、不同方向舰船目标的检测问题,且具有思路简单,容易推广的特点。
本发明的技术解决方案是:一种基于Hu不变矩特征和支持向量机的舰船检测方法,步骤如下:
(1)构建舰船目标的训练样本集:搜集包含舰船目标的遥感图像,并截取舰船区域,将舰船目标的背景设为纯黑色,从而完成构建舰船目标的训练样本集,即正样本集;
(2)构建非舰船目标的训练样本集:搜集包含近海区域的遥感图像,并截取海面或近海水域等非舰船目标区域,将非舰船目标的背景设为纯黑色,从而完成构建非舰船目标的训练样本集,即负样本集;
(3)对正样本集和负样本集中的样本依次计算7个Hu不变矩特征φ1、φ2、φ3、φ4、φ5、φ6和φ7,得到训练样本特征集;
(4)采用支持向量机对所述训练样本特征集进行训练,选取线性核函数,得到线性分类面;
(5)对于待检测的图像,进行平滑滤波,以消除噪声点和孤立点的影响;
(6)采用OTSU分割算法对平滑滤波后的图像进行海陆分割,获得海水和陆地的二值图像;
(7)对二值图像中的海水区域进行孔洞填充处理;
(8)对孔洞填充处理后的海水区域和孔洞填充前的海水区域做减法操作,获得海面疑似舰船目标;
(9)对陆地区域进行形态学开运算操作,提取出近港疑似舰船目标;
(10)将步骤(8)中得到的海面疑似舰船目标和步骤(9)中得到的近港疑似舰船目标作为样本集,依次计算该样本集中样本的7个Hu不变矩特征φ1、φ2、φ3、φ4、φ5、φ6和φ7,获得疑似舰船目标的样本特征集;
(11)利用步骤(4)获得的分类面,对疑似舰船的样本特征集进行分类面判别,剔除非舰船目标,获得舰船目标。
步骤(3)中所述计算7个Hu不变矩特征,具体方法为:
通过公式
φ1=η20+η02
φ3=(η30-3η12)2+(3η21-η03)2
φ4=(η30+η12)2+(η21+η03)2
φ5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]
+(3η21-η03)(η21+η03)[(3η30+η12)2-(η21+η03)2]
φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
φ7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]
+(3η21-η30)(η21+η03)[3(η30+η12)2-(η21+η03)2]
计算Hu不变矩特征φ1、φ2、φ3、φ4、φ5、φ6、φ7,其中,p+q=2,3,4,...,归一化中心矩其中,
μpq为图像的中心矩,f(x,y)表示一幅图像且有 M,N分别表示图像的行数和列数。
本发明与现有技术相比的有益效果在于:
(1)在海陆分割之后获得海面区域,对海面区域采用孔洞填充法获得海面疑似舰船目标,方法简单,易于实现。
(2)采用Hu不变矩特征和SVM相结合的方法对疑似舰船目标数据集进行非船目标剔除,Hu不变矩特征存在尺度不变性和旋转不变性,因此不需要考虑舰船的大小影响以及停靠方向的不同,具有良好的实验效果。
附图说明
图1为本发明的整体流程图;
图2为SVM分类结果示意图;
图3为3*3平滑滤波器掩膜示意图。
具体实施方式
下面结合附图1对本发明的具体实施方式进行进一步的详细描述:
1.对于训练样本集的构建过程,采用Photoshop图像处理工具,人工勾勒出舰船部分,剔除非船像素点,即设置背景灰度级为0,从而完成构建舰船目标的训练样本集,即正样本集。
2.采集海面或近港区域的非船目标,例如道路、建筑、码头,构成负样本集。采集方法为:采用Photoshop的截图工具从图像上截取道路、建筑、码头等非舰船图片,将非舰船目标的背景设为纯黑色,从而完成构建非舰船目标的训练样本集,即负样本集。
3.根据Hu不变矩的计算方法,计算正负样本集的Hu不变矩特征。具体方法为:
通过公式
φ1=η20+η02
φ3=(η30-3η12)2+(3η21-η03)2
φ4=(η30+η12)2+(η21+η03)2
φ5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]
+(3η21-η03)(η21+η03)[(3η30+η12)2-(η21+η03)2]
φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
φ7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]
+(3η21-η30)(η21+η03)[3(η30+η12)2-(η21+η03)2]
计算Hu不变矩特征φ1、φ2、φ3、φ4、φ5、φ6、φ7,其中,p+q=2,3,4,...,归一化中心矩其中,
μpq为图像的中心矩,f(x,y)表示一幅图像且有 M,N分别表示图像的行数和列数。
4.采用SVM分类器对训练样本进行训练,获得线性分类面。
SVM(Support Vector Machine),又称支持向量机,是建立在统计学习理论和结构风险最小原理的基础上的一种方法。其基本思想是,通过非线性内积核函数将线性不可分的低维空间数据映射到一个线性可分的高维特征空间,在这个特征空间中进行分类或回归拟合。SVM最终归结为一个凸优化问题,它的解是在其对偶空间求取的,是全局最优解。
SVM的工作原理为:对于给定的线性可分的训练样本集T={(xi,yi),i=1,2,...,l},其中xi∈Rn,yi∈{+1,-1},寻找一个决策函数f(x)=sgn(g(x))来将训练集正确地分开,分类示意图如图2所示:
图2为一个线性可分情况下的SVM分类结果,图中的实线为求得的最佳分类面,虚线为过正(负)样本中离分类面最近的样本点且和分类面平行的边界面,这些离分类面最近的样本点称为分类器的支持向量。对于线性不可分的情况,SVM通过一种映射关系将样本点映射到线性可分的高维空间,从而达到分类的目的,这种映射关系称为核函数。
线性核函数是SVM的内积核函数中的一种,是核函数中比较基础且易于理解的核函数,其定义为两个模式向量的内积。对于模式向量x=(x1,x2,...,xn)T和y=(y1,y2,...,yn)T,线性核函数的表达式为:
5.对待检测图像进行平滑滤波,采取3*3的平滑滤波器掩膜进行滤波,3*3的平滑滤波器掩膜如图3所示。
平滑滤波器的数学表达式由下式给出:
其中,f(x,y)表示输入图像f在(x,y)处的灰度值,w(s,t)表示滤波掩膜w在位置(s,t)处的数值,g(x,y)表示滤波以后的灰度值。
6.采用OTSU分割算法对平滑后的图像进行海陆分割,获得海水和陆地的二值图像。
OTSU算法,又称为最大类间方差法,是一种经典的灰度图像二值化算法,该算法基于最大化类间方差的思想求的最佳分割阈值。对于一幅包含L个灰度级的图像f,灰度值为i的像素点数为Ni,则图像总的像素点数为:
N=N0+N1+...+NL-1
灰度值为i的点的概率为:
假设将图像f分割为两个类别c0和c1的阈值为t,类别c0、c1的概率分别为:
类别c0、c1的均值分别为:
其中,
则类间方差σ2定义为t的函数:
则最佳阈值为:
根据类间方差的定义,从0到L-1遍历得到每一个灰度级别的类间方差,使得类间方差最大的灰度级即为最佳的分割阈值t*。
7.对海水区域进行孔洞填充处理。孔洞填充算法是在对二值图像进行区域标记的基础上,将和边缘不相连接地区域标记为前景,和边缘相连接的区域标记为背景的过程。
8.填充处理后的海水区域和填充前的海水区域做减法操作,获得海面疑似舰船目标。
9.对陆地区域进行形态学开运算操作,提取出近港疑似舰船目标。
开运算定为:
其中,f为图像灰度值函数,S为结构函数,Θ表示腐蚀操作,表示膨胀操作。
10.将步骤8中得到的海面疑似舰船目标和步骤9中得到的近港疑似舰船目标作为样本集,依次计算该样本集中样本的7个Hu不变矩特征φ1、φ2、φ3、φ4、φ5、φ6和φ7,获得疑似舰船目标的样本特征集。
11.利用步骤4获得的分类面,对疑似舰船的样本特征集进行分类面判别,剔除非舰船目标,获得舰船目标。
本发明未详细阐述的部分属于本领域公知技术。
Claims (2)
1.一种基于Hu不变矩和支持向量机的舰船检测方法,其特征在于步骤如下:
(1)构建舰船目标的训练样本集:搜集包含舰船目标的遥感图像,并截取舰船区域,将舰船目标的背景设为纯黑色,从而完成构建舰船目标的训练样本集,即正样本集;
(2)构建非舰船目标的训练样本集:搜集包含近海区域的遥感图像,并截取海面或近海水域等非舰船目标区域,将非舰船目标的背景设为纯黑色,从而完成构建非舰船目标的训练样本集,即负样本集;
(3)对正样本集和负样本集中的样本依次计算7个Hu不变矩特征φ1、φ2、φ3、φ4、φ5、φ6和φ7,得到训练样本特征集;
(4)采用支持向量机对所述训练样本特征集进行训练,选取线性核函数,得到线性分类面;
(5)对于待检测的图像,进行平滑滤波,以消除噪声点和孤立点的影响;
(6)采用OTSU分割算法对平滑滤波后的图像进行海陆分割,获得海水和陆地的二值图像;
(7)对二值图像中的海水区域进行孔洞填充处理;
(8)对孔洞填充处理后的海水区域和孔洞填充前的海水区域做减法操作,获得海面疑似舰船目标;
(9)对陆地区域进行形态学开运算操作,提取出近港疑似舰船目标;
(10)将步骤(8)中得到的海面疑似舰船目标和步骤(9)中得到的近港疑似舰船目标作为样本集,依次计算该样本集中样本的7个Hu不变矩特征φ1、φ2、φ3、φ4、φ5、φ6和φ7,获得疑似舰船目标的样本特征集;
(11)利用步骤(4)获得的分类面,对疑似舰船的样本特征集进行分类面判别,剔除非舰船目标,获得舰船目标。
2.根据权利要求1所述的一种基于Hu不变矩和支持向量机的舰船检测方法,其特征在于:步骤(3)中所述计算7个Hu不变矩特征,具体方法为:
通过公式
φ1=η20+η02
φ3=(η30-3η12)2+(3η21-η03)2
φ4=(η30+η12)2+(η21+η03)2
φ5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]
+(3η21-η03)(η21+η03)[(3η30+η12)2-(η21+η03)2]
φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
φ7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]
+(3η21-η30)(η21+η03)[3(η30+η12)2-(η21+η03)2]
计算Hu不变矩特征φ1、φ2、φ3、φ4、φ5、φ6、φ7,其中,p+q=2,3,4,...,归一化中心矩其中,
μpq为图像的中心矩,f(x,y)表示一幅图像且有 M,N分别表示图像的行数和列数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060914.7A CN103996017B (zh) | 2014-02-24 | 2014-02-24 | 一种基于Hu不变矩和支持向量机的舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060914.7A CN103996017B (zh) | 2014-02-24 | 2014-02-24 | 一种基于Hu不变矩和支持向量机的舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103996017A true CN103996017A (zh) | 2014-08-20 |
CN103996017B CN103996017B (zh) | 2018-08-31 |
Family
ID=51310178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410060914.7A Active CN103996017B (zh) | 2014-02-24 | 2014-02-24 | 一种基于Hu不变矩和支持向量机的舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103996017B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992172A (zh) * | 2015-08-05 | 2015-10-21 | 北方工业大学 | 一种基于沿岸突异区扫描的港口遥感图像靠岸船舶检测方法 |
CN106022375A (zh) * | 2016-05-19 | 2016-10-12 | 东华大学 | 一种基于hu不变矩和支持向量机的服装款式识别方法 |
CN106156780A (zh) * | 2016-06-29 | 2016-11-23 | 南京雅信科技集团有限公司 | 轨道上异物侵限识别中排除误报的方法 |
CN106203457A (zh) * | 2016-06-30 | 2016-12-07 | 南京理工大学 | 一种基于改进的胡氏不变矩的坦克识别系统及方法 |
TWI567660B (zh) * | 2014-12-03 | 2017-01-21 | 財團法人資訊工業策進會 | 多類別物件分類方法及系統 |
CN106803064A (zh) * | 2016-12-26 | 2017-06-06 | 广州大学 | 一种交通灯快速识别方法 |
CN107766792A (zh) * | 2017-06-23 | 2018-03-06 | 北京理工大学 | 一种遥感图像舰船目标识别方法 |
CN107784655A (zh) * | 2016-12-28 | 2018-03-09 | 中国测绘科学研究院 | 一种自适应阈值的视觉注意模型sar舰船检测算法 |
CN115222758A (zh) * | 2022-09-21 | 2022-10-21 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测算法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663348A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种光学遥感图像中的海上舰船检测方法 |
-
2014
- 2014-02-24 CN CN201410060914.7A patent/CN103996017B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663348A (zh) * | 2012-03-21 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种光学遥感图像中的海上舰船检测方法 |
Non-Patent Citations (4)
Title |
---|
张振: "高分辨率可见光遥感图像港口及港内目标识别方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
李玉景等: "基于不变矩和支持向量机理论的船舰目标识别", 《SCIENCE&TECHNOLOGY INFORMATION》 * |
毛剑英等: "基于不变距的舰船目标识别", 《光电技术应用》 * |
王彦情等: "光学遥感图像舰船目标检测与识别综述", 《自动化学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI567660B (zh) * | 2014-12-03 | 2017-01-21 | 財團法人資訊工業策進會 | 多類別物件分類方法及系統 |
CN104992172B (zh) * | 2015-08-05 | 2019-05-03 | 北方工业大学 | 基于沿岸突异区扫描的港口遥感图像靠岸船舶检测方法 |
CN104992172A (zh) * | 2015-08-05 | 2015-10-21 | 北方工业大学 | 一种基于沿岸突异区扫描的港口遥感图像靠岸船舶检测方法 |
CN106022375A (zh) * | 2016-05-19 | 2016-10-12 | 东华大学 | 一种基于hu不变矩和支持向量机的服装款式识别方法 |
CN106022375B (zh) * | 2016-05-19 | 2019-07-26 | 东华大学 | 一种基于hu不变矩和支持向量机的服装款式识别方法 |
CN106156780A (zh) * | 2016-06-29 | 2016-11-23 | 南京雅信科技集团有限公司 | 轨道上异物侵限识别中排除误报的方法 |
CN106156780B (zh) * | 2016-06-29 | 2019-08-13 | 南京雅信科技集团有限公司 | 轨道上异物侵限识别中排除误报的方法 |
CN106203457A (zh) * | 2016-06-30 | 2016-12-07 | 南京理工大学 | 一种基于改进的胡氏不变矩的坦克识别系统及方法 |
CN106803064A (zh) * | 2016-12-26 | 2017-06-06 | 广州大学 | 一种交通灯快速识别方法 |
CN106803064B (zh) * | 2016-12-26 | 2020-05-19 | 广州大学 | 一种交通灯快速识别方法 |
CN107784655A (zh) * | 2016-12-28 | 2018-03-09 | 中国测绘科学研究院 | 一种自适应阈值的视觉注意模型sar舰船检测算法 |
CN107766792A (zh) * | 2017-06-23 | 2018-03-06 | 北京理工大学 | 一种遥感图像舰船目标识别方法 |
CN107766792B (zh) * | 2017-06-23 | 2021-02-26 | 北京理工大学 | 一种遥感图像舰船目标识别方法 |
CN115222758A (zh) * | 2022-09-21 | 2022-10-21 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测算法 |
CN115222758B (zh) * | 2022-09-21 | 2023-01-10 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103996017B (zh) | 2018-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103996017A (zh) | 一种基于Hu不变矩和支持向量机的舰船检测方法 | |
CN110443806B (zh) | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 | |
CN104392463B (zh) | 一种基于联合稀疏多尺度融合的图像显著区域检测方法 | |
Zhang et al. | S-CNN-based ship detection from high-resolution remote sensing images | |
CN102509091B (zh) | 一种飞机尾号识别方法 | |
CN103942803B (zh) | 基于sar图像的水域自动检测方法 | |
CN102867196B (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
CN101551863B (zh) | 基于非下采样轮廓波变换的遥感图像道路提取方法 | |
CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN104217196B (zh) | 一种遥感影像圆形油罐自动检测方法 | |
CN102945378B (zh) | 一种基于监督方法的遥感图像潜在目标区域检测方法 | |
CN104463877B (zh) | 一种基于雷达影像与电子海图信息的岸线配准方法 | |
CN104732215A (zh) | 一种基于信息向量机的遥感影像海岸线提取方法 | |
CN104091147A (zh) | 一种近红外眼睛定位及眼睛状态识别方法 | |
CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
CN107992818B (zh) | 一种光学遥感图像海面船只目标的检测方法 | |
CN105022990A (zh) | 一种基于无人艇应用的水面目标快速检测方法 | |
CN102629380B (zh) | 基于多组滤波和降维的遥感图像变化检测方法 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
You et al. | A sea-land segmentation scheme based on statistical model of sea | |
CN104951799A (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN103198480A (zh) | 基于区域和Kmeans聚类的遥感图像变化检测方法 | |
CN105225216A (zh) | 基于空间距圆标记边缘检测的虹膜预处理算法 | |
CN105893960A (zh) | 基于相位对称性的道路交通标志检测方法 | |
CN101976347A (zh) | 基于Mean Shift分割的遥感图像中水上桥梁识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |