CN104992140A - 一种基于遥感图像的海面异常漂浮物检测方法 - Google Patents
一种基于遥感图像的海面异常漂浮物检测方法 Download PDFInfo
- Publication number
- CN104992140A CN104992140A CN201510278075.0A CN201510278075A CN104992140A CN 104992140 A CN104992140 A CN 104992140A CN 201510278075 A CN201510278075 A CN 201510278075A CN 104992140 A CN104992140 A CN 104992140A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- image
- point
- remote sensing
- picture
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于遥感图像的海面异常漂浮物检测方法,所述的图像去噪模块将遥感卫星图像读入遥感图像进行去噪;所述的异常物体检测模块对图像进行异常物体检测;所述的排除已知信息模块用于排除海面上的已知物体;所述的异常物体识别模块对异常物体进行分类;所述的异常信息汇总模块根据异常物体的子图像上所附带的坐标方位信息和分类信息,构建权重图;所述的输出模块,将权重图与原始遥感图像进行合并,并输出结果。本发明能够在飞机失事时的方位信息缺失的情况下,根据遥感卫星图像,快速的搜寻到飞机可能的失事地点,从而有效的缩小了搜救范围,为搜救工作提供了强有力的参考信息。
Description
技术领域
本发明涉及计算机视觉监控技术领域,海上搜救领域,具体涉及用于对海面异常漂浮物(可能是飞机残骸,或者生还者)的检测方法。
背景技术
对于在空中解体的飞机,传统的搜救方法是根据飞机失事时所报告的方位,从而计算出该飞机可能的着陆地点,然后根据这个可能的地点来进行搜救,主要包括海面舰艇搜救和飞机搜救,这两种方法都依靠人眼的观察。这种方法针对于传统的有着完整的飞机失事时所提供的方位信息的搜救环境,是非常可行的,但是,对于那些失联客机或者由于飞机的通讯故障导致搜救队伍无法获取准确的失事时的方位信息的搜救任务,传统的方法就很难胜任。
对于基于图像的异常物体检测和异常物体识别,是计算机视觉领域的比较成熟的方法,本发明通过将现如今较为成熟的物体检测方法(基于哈尔(haar)特征和级联强分类器(Adaboost)算法),与线性判别分析(LDA)算法相结合,并结合已知的信息,提供了一种成本低速度快的异常漂浮物检测方法,从而能够为搜救任务提供一个较为可靠的搜救位置信息。
发明内容
本发明所要解决的技术问题是为了克服在传统搜救方法必须依靠飞机失事时所提供的方位信息的限制,尤其在飞机失事时无法提供准确的方位信息的时候所遇到的搜救困难,提出了一种基于遥感图像的海面异常漂浮物检测方法。
本发明解决其技术问题所采用的技术方案是:
一种基于遥感图像的海面异常漂浮物检测方法,包括图像去噪模块,异常物体检测模块,排除已知信息模块,异常物体识别模块,异常信息汇总模块,输出模块;所述的图像去噪模块将遥感卫星图像导入到所述的漂浮物检测系统中,使用中值滤波方法对读入遥感图像进行去噪,并将去噪后的遥感卫星图像传递给异常物体检测模块;所述的异常物体检测模块将接收到的去噪后的遥感卫星图像使用基于哈尔特征的级联强分类器方法进行异常物体检测,并将检测出的疑似异常物体所对应的子图像传递给排除已知信息模块;所述的排除已知信息模块将接收到的异常物体的子图像根据其上附带的方位信息,与在遥感图像所采集时刻海面上船只所报告的方位进行对比、与海面上岛屿信息作对比、以及其他已知的海面物体作对比,排除海面上已知的正常信息,将未被排除的异常物体的子图像传递给异常物体识别模块;所述的异常物体识别模块将接收到异常物体子图像使用线性判别分析算法进行识别,从而区分出所述的异常物体是未知的合法物体(例如飞鸟,浮于海面的动物等)还是所要寻找的异常物体,并将异常物体的子图像以及所对应的分类信息传递给异常信息汇总模块;所述的异常信息汇总模块,将接收到的异常物体的子图像,根据其上所附带的坐标方位,与原始的遥感图像作对比,由于接收到的子图像之间可能会出现重合,那么将根据某一区域重合块数的多少以及分类结果给以不同的权值进行合并,并将合并后的附带权值的图像传递给输出模块;所述的输出模块,将得到的附带权值的图像,根据其上的权值不同给以不同的颜色,标注颜色依据权重由大到小依次从红色过渡到蓝色,对于权重为0的区域给以灰色标注。
所述的一种基于遥感图像的海面异常漂浮物检测方法,所需的设备为计算机,考虑到遥感图像像素值通常非常高,导致运算量非常大,为了减少时间消耗,建议使用多核心的工作站或者更高级别的计算机。
所述的图像去噪模块在初始化的过程中,将典型海面上正常物体和异常物体的彩色样本图片导入到所述的一基于遥感图像的海面异常漂浮物检测系统中,这些样本图片的维度统一为n×n维,对每一张彩色图像,按照其R分量所构成的矩阵,G分量所构成的矩阵,B分量所构成的矩阵进行滤波,滤波过程为:首先,设置一个3×3维的窗口,对于得到的基于R′、G′和B′分量中的某一分量所构成的矩阵X,考虑该图像X的每个像素点Xi,j,以该点为中心点的3×3维矩阵所对应的像素值分别为[Xi-1,j-1,Xi-1,j,Xi-1,j+1,Xi,j-1,Xi,j,Xi,j+1,Xi+1,j-1,Xi+1,j,Xi+1,j+1]进行从大到小排列,取其排在中间的值为新的像素X′i,j所对应滤波后值,注意对于X的边界点,会出现其3×3维的窗口所对应的某些像素点不存在的情况,那么只需计算落在窗口内存在的像素点的中间值即可,若窗口内为偶数个点,将排在中间两个像素值的平均值作为该像素点滤波后的值X′i,j,从而,新的图像矩阵X′即为滤波后所得的图片矩阵;然后将滤波处理过的图像传递给异常物体检测模块和异常物体识别模块;在检测的过程中,将拟检测的遥感图像导入到所述的海面异常漂浮物检测系统中,在这里我们约定对于彩色遥感图像X,可以将该图像看作为一个M行N列的矩阵,则对于矩阵的第i行第j列的像素点Xi,j,其共有红绿蓝三个分量,对于整张遥感图像的每一个点辅以该点所对应的经度Longi,j和纬度Lati,j,从而对于矩阵的每一个像素点,一共有5个维度,分别为(Ri,j,Gi,j,Bi,j,Longi,j,Lati,j),其中,每一个经纬度的坐标以度分秒的形式,秒精确到小数点后1位;然后,将该图片按照其R分量所构成的矩阵,G分量所构成的矩阵,B分量所构成的矩阵进行滤波,得到对应的滤波后的R′、G′和B′分量,从而构成新的分量(R′i,j,G′i,j,B′i,j,Longi,j,Lati,j),然后将该滤波后的数据传递给异常物体检测模块。
所述的异常物体检测模块,在初始化的过程中,接收到从图像去噪模块传递来的已经过滤波处理的典型海面上正常物体和异常物体的彩色样本图片,这些样本图片的维度统一为n×n维,然后对每一张样本图片P,构建该图片P所对应的积分图PP,然后使用所有积分图对级联分类器进行参数初始化,最后将训练所得的级联分类器保存起来用于检测过程;在检测过程中,首先将接收到的一整幅去噪后的遥感图像X′按照窗口大小为n×n进行多层分割,对于分割后所得的所有子图片,构建其积分图,最后用训练所得的级联分类器进行分类筛选,得到所有异常物体的子图片,将这些子图片附带其在原始图片的坐标及经纬度信息传递给排除已知信息模块。
所述的构建图片P所对应的积分图PP,其过程为:
对于图像X′的(R′,G′,B′)分量,分别构造其积分图,这里首先提取X′所对应的R分量所构成的矩阵R′,该矩阵与X′有着相同的维度。我们从该矩阵的第1行第1列开始构造积分图,初始时设s(1,1)=R(1,1),RR(1,1)=R(1,1),构造过程为一个二层循环:
For x=1,2,…,M
For y=1,2,…,N
s(x,y)=s(x,y-1)+R(x,y);
RR(x,y)=RR(x,y-1)+s(x,y);
end
end
从而构造出R分量所对应的积分图RR;
同样的方法可以构造出G分量所对应的积分图GG,B分量所对应的积分图BB。
所述的使用积分图PP对级联分类器进行训练,其过程为:
第一步,定义弱分类器的函数h(x,f,p,θ)为:
其中f为特征函数,θ为阈值,p取值为1或-1,x代表根据积分图PP所构建的子窗口,对于每一个子窗口x,f(x)为该子窗口x对应于特征函数f的特征值。
为了叙述方便,我们将子窗口x的四个边界分别定义为左上点A,右上点B,左下点C,右下点D,A与B的中心点为ab,A与B的三分之一靠近A点为aab,三分之一靠近B点为abb,其余类推,区域内的中心点用O来表示。则x(A)表示子窗口在左上点A的积分图所对应的值,其余同理。
则定义:
f1=[x(bd)+x(A)-x(B)-x(ac)]-[x(ac)+x(D)-x(bd)-x(C)],并且定义s=1,t=2;
f2=[x(A)+x(cd)-x(BC)-x(ab)]-[x(ab)+x(D)-x(B)-x(cd)],并且定义s=2,t=1;
f3=[x(A)+x(bbd)-x(aac)-x(B)]-2×[x(bdd)+x(aac)-x(acc)-x(bbd)]+[x(D)+x(acc)-x(bdd)-x(C)],并且定义s=1,t=3;
f4=[x(A)+x(ccd)-x(aab)-x(C)]-2×[x(cdd)+x(aab)-x(abb)-x(ccd)]+[x(D)+x(abb)-x(B)-x(cdd)],并且定义s=3,t=1;
f5=[x(A)+x(O)-x(ab)-x(ac)]+[x(D)+x(O)-x(bd)-x(cd)]-[x(ab)+x(bd)-x(B)-x(O)]-[x(ac)+x(cd)-x(O)-x(C)],并且定义s=2,t=2;
第二步:构建积分图PP分别所对应积分图RR,GG,BB的子窗口x。该子窗口x的选择过程如下:
定义自然数s和t,这两个数为子窗口的倍数,这两个数值的选定由特征函数给定,于是,x所对应的子窗口区域为:[(i,j),(i,j+t×(b-1)),(i+s×(a-1),j),(i+s×(a-1),j+t×(b-1))],其中:i,j,a,b分别为从1开始递增的整数,并且能够保证i+s×(a-1)≤n,j+t×(b-1)≤n成立的所有取值。
第三步:对于定义的5个特征函数,计算所有训练样本的所有RGB分量对应于当前子窗口x的特征值f(x),我们此称之为在当前RGB分量下当前子窗口x的特征,如果当前窗口下有wf个子窗口,那么一共有T=3×wf×5个特征,每一个特征表示为ht。设海面上正常物体的图片和异常物体的图片各有K张,则对分类器的训练过程如下:
1.对于每一张图片Xi,yi为该图片的分类,若yi=1表示该图片为异常物体的图片,若yi=-1表示该图片为正常物体的图片;
2.对于t=1,2,…,T,(T为特征个数)
1).所有样本在特征ht下的特征值fr,其中(r=1,2,…,2K),2K为正常物体和异常物体图片的总数;
2).将所得的所有特征值按照从大到小的顺序进行排序;
3).计算全部异常物体子图的权重之和:T+=sum(fr(x)),x∈异常物体的子图;
4).计算全部正常物体子图的权重之和:T-=sum(fr(x)),x∈正常物体的子图;
5).对于排序好的每个元素,从第一个开始处理,设当前处理的元素为i:
a).计算所有大于当前元素异常物体的子图的权重值和:xj∈异常物体的子图,并且j<i;
b).计算所有大于当前元素的正常物体的子图的权重值和:xj∈正常物体的子图并且j<i;
c).计算分类器在当前元素下的误差:
6).选取使得ei最小的元素所对应的标号i,然后将特征值f(xi)和特征值排在i前一位的f(xi-1)求平均值,得到弱分类器的参数若p=-1,否则,p=1;
7).若最小的误差ei>1%,则意味着误差过大,舍弃;否则,将当前ht(x,f,p,θ)作为选好的弱分类器;
3.将所有选好的分类器ht按照t值从小到大排列起来,构成集合H,于是得到了我们要训练的级联分类器。
所述的提取子图的过程为:
首先,对于原始的M行N列的图像,首先定义块大小为n×n,则将提取像素区域定义为:[(i,j),(i,j+n-1),(i+n-1,j),(i+n-1,j+n-1)]所围成的正方形区域,其中i=[1,…,M-n+1],j=[1,…,N-n+1],从而得到缩放图的第1层,该层共有(M-n+1)×(N-n+1)张子图,每张子图大小为n×n维,对于每一张图片,记录其图像的提取区域为左上点A=(i,j)右下点D=(i+n-1,j+n-1);
然后,将原始图缩放成行列。
对于原始图片X,其上的每一个像素点为Xi,j,对于缩放后的图片缩放过程为:
对于
对于
其中,i=2×a,j=2×b;
其中,和为M/2和N/2所得的整数部分。
对于所得的缩放后的图像继续使用上述方法进行提取子图,从而得到缩放图的第2层,该层共有张子图,每张子图的大小为n×n维,对于每一张子图片,记录其在原始图像上提取区域的坐标(左上点A和右下点D);对于第i层,将原始图像缩放成列的图像,并继续使用上述方法进行提取子图,该层共有 张子图,每张子图的大小为n×n维,对于每一张子图片,记录其在当前图像上提取区域的坐标(左上点A和右下点D);…;直到时,意味着缩小的遥感图像最短边小于n,此时已经无法提取出子图,于是提取过程结束。
所述的用训练所得的级联分类器进行分类筛选,其过程如下:
设级联分类器H共有T′个分类器hi(i=1,2,…,T′),
对于所用于筛选的每一张n×n维子图
对于i=1,2,…,T′
计算在当前子图下的hi,若hi=0,当前子图是正常物体,该子图的分类筛选过程结束;
若当前子图在所有分类器下的分类结果hi都为1,则说明当前子图为异常物体。
所述的排除已知信息模块,在初始化的过程中,该模块不工作;在检测过程中,该模块导入一张保存有监控区域内所包含的合法物体(包括海面,陆地,海岸,海上钻井平台,在图片采集时刻已知船只的位置信息,孤岛等)的坐标信息,该坐标信息由经度和纬度(Longi,j,Lati,j)构成,每一个经纬度的坐标以度分秒的形式表示,秒精确到小数点后1位, 从而构造出监控区域所对应的矩阵I,该矩阵每一个横纵坐标(i,j),对应着监控区域的一个坐标,为了叙述方便,这里我们以(Longi,j,Lati,j)来表示对应于该矩阵I的坐标,则对于矩阵I每一个坐标点(Longi,j,Lati,j),若该点值为0,意味着该点所对应的区域为未知,若该点的元素为1,则意味着该点所对应的区域为已知的合法物体。该模块接收由异常物体检测模块所传递来的所有异常物体的子图片以及这些子图片附带其在原始图片的坐标及经纬度信息,对于每一张子图片,考虑其左上点A和右下点D的经纬度信息,定义Longstart为A点的经度坐标,Latstart为A点的纬度坐标,Longend为D点的经度坐标,Latend为D点的纬度坐标,则提取出矩阵I所对应的由(Longstart,Latstart)和(Longend,Latend)所围成的子矩阵,若该子矩阵中存在为1的矩阵,说明该区域存在已知的合法物体,将该图片舍弃,最后将剩下的图片以及这些子图片附带其在原始图片的坐标及经纬度信息传递给异常物体识别模块。
所述的异常物体识别模块,在初始化过程中,接收从图像去噪模块所传递来的滤波处理过的典型海面上正常物体和异常物体的彩色样本图片,其中,所采集的异常物体包括船只,海上漂浮物,海面动物,穿着救生衣的人,海面油污,这5类异常物体,并从海面上正常物体中随机选择同样个数的图片,构成第6类,使用分类器对所构成的图像集合进行训练,得到转换矩阵Wp和每个类在转换后的中心点其中i=1,2,…,6,并保存Wp和(i=1,2,…,6)供检测过程使用;在检测过程中,对于每一张n×n维的图片,首先将其按列展开成n2维的列向量L,然后计算该列向量的转换向量y=Wp×L,然后分别计算y与每个类的中心点的欧氏距离,选择欧氏距离最近的点为该图像的分类结果,在所有图片分类完成后,将该结果传递给异常信息汇总模块。
所述的将所构成的图像集合使用分类器进行训练,其步骤为:
1.将带有分类信息的每张图片,按列展开,对于每一张n×n维的图片,将其按列展开成n2维的列向量Xi,从而构成了一个集合XP=[X1,X2,…,Xk],计算X1,X2,…,Xk的平均值μ,并将集合XP的每列减去平均值μ,得到归一后集合X′P=[X`1,X`2,…,X`k].
2.计算公式 和: 其中,Ni为第i类的个数,μi为第i类的均值,C为类的个数,在本发明中C=6.
4.对于每一类所对应的数据集计算并计算所对应于所有列的平均值为每一类的聚类中心。
所述的异常信息汇总模块,在初始化的过程中不工作;在检测过程中,将接收到的具有分类结果的异常物体图片进行整合,首先给每一个类以一个权值,这里我们给定权值为:穿着救生衣的人的权值为w1=10,海上漂浮物的权值为w2=9,船只的权值为为w3=5,海面动物的权值为w4=3,海面动物的权值为w5=2,其他正常物体的权值w6=1,然后构建一个与原始遥感图像相同维度的权值图Q,在初始的时候,Q的所有元素都为0,对于每一张子图片,读取其在原始图片上的坐标区域,则将其在权值图所对应的区域的权值改为Qi,j=Qi,j+wt(i,j∈当前子图片所对应于原始图像的区域内,t为当前子图片所对应的分类)。由于子图可能会相互重合,所以,重合度越高的区域,权值越重,将汇总后的权值图Q传递给输出模块。
所述的输出模块,在初始化的过程中不工作;在检测过程中将接收到的汇总后的权值图
所述的图像去噪模块在初始化的过程中,将典型海面上正常物体和异常物体的彩色样本图片导入到所述的一基于遥感图像的海面异常漂浮物检测系统中,这些样本图片的维度统一为n×n维,对每一张彩色图像,按照其R分量所构成的矩阵,G分量所构成的矩阵,B分量所构成的矩阵进行滤波,滤波过程为:首先,设置一个3×3维的窗口,对于得到的基于R′、G′和B′分量中的某一分量所构成的矩阵X,考虑该图像X的每个像素点Xi,j,以该点为中心点的3×3维矩阵所对应的像素值分别为[Xi-1,j-1,Xi-1,j,Xi-1,j+1,Xi,j-1,Xi,j,Xi,j+1,Xi+1,j-1,Xi+1,j,Xi+1,j+1]进行从大到小排列,取其排在中间的值为新的像素X′i,j所对应滤波后值,注意对于X的边界点,会出现其3×3维的窗口所对应的某些像素点不存在的情况,那么只需计算落在窗口内存在的像素点的中间值即可,若窗口内为偶数个点,将排在中间两个像素值的平均值作为该像素点滤波后的值X′i,j,从而,新的图像矩阵X′即为滤波后所得的图片矩阵;然后将滤波处理过的图像传递给异常物体检测模块和异常物体识别模块;在检测的过程中,将拟检测的遥感图像导入到所述的海面异常漂浮物检测系统中,在这里我们约定对于彩色遥感图像X,可以将该图像看作为一个M行N列的矩阵,则对于矩阵的第i行第j列的像素点Xi,j,其共有红绿蓝三个分量,对于整张遥感图像的每一个点辅以该点所对应的经度Longi,j和纬度Lati,j,从而对于矩阵的每一个像素点,一共有5个维度,分别为(Ri,j,Gi,j,Bi,j,Longi,j,Lati,j),其中,每一个经纬度的坐标以度分秒的形式,秒精确到小数点后1位;然后,将该图片按照其R分量所构成的矩阵,G分量所构成的矩阵,B分量所构成的矩阵进行滤波,得到对应的滤波后的R′、G′和B′分量,从而构成新的分量(R′i,j,G′i,j,B′i,j,Longi,j,Lati,j),然后将该滤波后的数据传递给异常物体检测模块。
所述的异常物体检测模块,在初始化的过程中,接收到从图像去噪模块传递来的已经过滤波处理的典型海面上正常物体和异常物体的彩色样本图片,这些样本图片的维度统一为n×n维,然后对每一张样本图片P,构建该图片P所对应的积分图PP,然后使用所有积分图对级联分类器进行参数初始化,最后将训练所得的级联分类器保存起来用于检测过程;在检测过程中,首先将接收到的一整幅去噪后的遥感图像X′按照窗口大小为n×n进行多层分割,对于分割后所得的所有子图片,构建其积分图,最后用训练所得的级联分类器进行分类筛选,得到所有异常物体的子图片,将这些子图片附带其在原始图片的坐标及经纬度信息传递给排除已知信息模块。
所述的构建图片P所对应的积分图PP,其过程为:
对于图像X′的(R′,G′,B′)分量,分别构造其积分图,这里首先提取X′所对应的R分量所构成的矩阵R′,该矩阵与X′有着相同的维度。我们从该矩阵的第1行第1列开始构造积分图,初始时设s(1,1)=R(1,1),RR(1,1)=R(1,1),构造过程为一个二层循环:
For x=1,2,…,M
For y=1,2,…,N
s(x,y)=s(x,y-1)+R(x,y);
RR(x,y)=RR(x,y-1)+s(x,y);
end
end
从而构造出R分量所对应的积分图RR;
同样的方法可以构造出G分量所对应的积分图GG,B分量所对应的积分图BB。
所述的使用积分图PP对级联分类器进行训练,其过程为:
第一步,定义弱分类器的函数h(x,f,p,θ)为: 素值的平均值作为该像素点滤波后的值X′i,j,从而,新的图像矩阵X′即为滤波后所得的图片矩阵。以同样方法分别对R分量,G分量,B分量所构成的矩阵进行滤波,将滤波后的结果(R′,G′,B′)重新以彩色图片的形式(对于该图片上的每一点X′i,j=(R′,G′,B′))传递给异常物体检测模块和异常物体识别模块。图像去噪模块的初始化结束。
2.异常物体检测模块在初始化的过程中,接收到从图像去噪模块传递来的已经过滤波处理的典型海面上正常物体和异常物体的彩色样本图片,这些样本图片的维度统一为16×16维,然后:
第一步:对每一张样本图片P,构建该图片P所对应的积分图PP,其具体过程为:
对于图像X′的(R′,G′,B′)分量,分别构造其积分图,这里首先提取X′所对应的R分量所构成的矩阵R′,该矩阵与X′有着相同的维度。我们从该矩阵的第1行第1列开始构造积分图,初始时设s(1,1)=R(1,1),RR(1,1)=R(1,1),构造过程为一个二层循环:
For x=1,2,…,M
For y=1,2,…,N
s(x,y)=s(x,y-1)+R(x,y);
RR(x,y)=RR(x,y-1)+s(x,y);
end
end
从而构造出R分量所对应的积分图RR;
同样的方法可以构造出G分量所对应的积分图GG,B分量所对应的积分图BB。
第二步:使用所有积分图对级联分类器进行训练,其过程为:
首先,定义弱分类器的函数h(x,f,p,θ)为:
其中f为特征函数,θ为阈值,p取值为1或-1,x代表根据积分图PP所构建的子窗口,对于每一个子窗口x,f(x)为该子窗口x对应于特征函数f的特征值。
为了叙述方便,我们将子窗口x的四个边界分别定义为左上点A,右上点B,左下点C,右下点D,A与B的中心点为ab,A与B的三分之一靠近A点为aab,三分之一靠近B点为abb,其余点类推,区域内的中心点用O来表示,如图3至图7所示。则x(A)表示子窗口在左上点A的积分图所对应的值,其余同理。
则定义:
f1=[x(bd)+x(A)-x(B)-x(ac)]-[x(ac)+x(D)-x(bd)-x(C)],并且定义s=1,t=2;其中,点A,B,C,D,ac,bd的位置如图3所示;
f2=[x(A)+x(cd)-x(BC)-x(ab)]-[x(ab)+x(D)-x(B)-x(cd)],并且定义s=2,t=1;其中,点A,B,C,D,ab,cd的位置如图4所示;
f3=[x(A)+x(bbd)-x(aac)-x(B)]-2×[x(bdd)+x(aac)-x(acc)-x(bbd)]+[x(D)+x(acc)-x(bdd)-x(C)],并且定义s=1,t=3;其中,点A,B,C,D,aac,acc,bbd,bdd的位置如图5所示;
f4=[x(A)+x(ccd)-x(aab)-x(C)]-2×[x(cdd)+x(aab)-x(abb)-x(ccd)]+[x(D)+x(abb)-x(B)-x(cdd)],并且定义s=3,t=1;其中,点A,B,C,D,aab,abb,ccd,cdd的位置如图6所示;
f5=[x(A)+x(O)-x(ab)-x(ac)]+[x(D)+x(O)-x(bd)-x(cd)]-[x(ab)+x(bd)-x(B)-x(O)]-[x(ac)+x(cd)-x(O)-x(C)];并且定义s=2,t=2.其中,点A,B,C,D,O,ab,cd,ac,bd的位置如图7所示;
然后,构建积分图PP分别所对应积分图RR,GG,BB的子窗口x。该子窗口x的选择过程如下:
定义自然数s和t,这两个数为子窗口的倍数,这两个数值的选定由特征函数给定,于是,x所对应的子窗口区域为:[(i,j),(i,j+t×(b-1)),(i+s×(a-1),j),(i+s×(a-1),j+t×(b-1))],其中:i,j,a,b分别为从1开始递增的整数,并且能够保证i+s×(a-1)≤n,j+t×(b-1)≤n成立的所有取值。
最后,对于定义的5个特征函数,计算所有训练样本的所有RGB分量对应于当前子窗口x的特征值f(x),我们此称之为在当前RGB分量下当前子窗口x的特征,如果当前窗口下有wf个子窗口,那么一共有T=3×wf×5个特征,每一个特征表示为ht。设海面上正常物体的图片和异常物体的图片各有K张,则对分类器的训练过程如下:
1.对于每一张图片Xi,yi为该图片的分类,若yi=1表示该图片为异常物体的图片,若yi=-1表示该图片为正常物体的图片;
2.对于t=1,2,…,T,(T为特征个数)
1).所有样本在特征ht下的特征值fr,其中(r=1,2,…,2K),2K为正常物体和异常物体图片的总数;
2).将所得的所有特征值按照从大到小的顺序进行排序;
3).计算全部异常物体子图的权重之和:T+=sum(fr(x)),x∈异常物体的子图;
4).计算全部正常物体子图的权重之和:T-=sum(fr(x)),x∈正常物体的子图;
5).对于排序好的每个元素,从第一个开始处理,设当前处理的元素为i:
a).计算所有大于当前元素异常物体的子图的权重值和:xj∈异常物体的子图,并且j<i;
b).计算所有大于当前元素的正常物体的子图的权重值和:xj∈正常物体的子图并且j<i;
c).计算分类器在当前元素下的误差:
6).选取使得ei最小的元素所对应的标号i,然后将特征值f(xi)和特征值排在i前一位的f(xi-1)求平均值,得到弱分类器的参数θ=[f(xi)+f(xi-1)]/2,若p=-1,否则,p=1;
7).若最小的误差ei>1%,则意味着误差过大,舍弃;否则,将当前ht(x,f,p,θ)作为选好的弱分类器;
3.将所有选好的分类器ht按照t值从小到大排列起来,构成集合H,于是得到了我们要训练的级联分类器。
第三步:将训练所得的级联分类器保存起来用于检测过程;
异常物体检测模块的初始化结束。
3.排除已知信息模块,在初始化的过程中,该模块不工作;
4.异常物体识别模块,在初始化过程中:
第一步,将接收从图像去噪模块所传递来的滤波处理过的典型海面上正常物体和异常物体的彩色样本图片(此处为16×16维),其中,所采集的异常物体包括船只,海上漂浮物, 海面动物,穿着救生衣的人,海面油污,这5类异常物体,并从海面上正常物体中随机选择同样个数的图片,构成第6类。
第二步,将所构成的图像集合使用分类器进行训练,其步骤为:所述的将所构成的图像集合使用分类器进行训练,其步骤为:
1.将带有分类信息的每张图片,按列展开,对于每一张n×n维的图片,将其按列展开成n2维的列向量Xi,从而构成了一个集合XP=[X1,X2,…,Xk],计算X1,X2,…,Xk的平均值μ,并将集合XP的每列减去平均值μ,得到归一后集合X′P=[X`1,X`2,…,X`k].
2.计算公式: 和 其中,Ni为第i类的个数,μi为第i类的均值,C为类的个数,在本发明中C=6.
4.对于每一类所对应的数据集计算并计算所对应于所有列的平均值为每一类的聚类中心。
第三步,将得到转换矩阵Wp和每个类在转换后的中心点其中i=1,2,…,6,并保存Wp和供检测过程使用。异常物体识别模块的初始化过程结束。
5.所述的异常信息汇总模块,在初始化的过程中不工作;
6.所述的输出模块,在初始化的过程中不工作。
实施例2:
本实施例实现了一种基于遥感图像的海面异常漂浮物检测方法的检测全过程。
1.图像去噪模块在检测的过程中,将拟检测的遥感图像导入到所述的海面异常漂浮物检测系统中,在这里我们约定对于彩色遥感图像X,可以将该图像看作为一个M行N列的矩阵,则对于矩阵的第i行第j列的像素点Xi,j,其共有红绿蓝三个分量,对于整张遥感图像的每一个点辅以该点所对应的经度Longi,j和纬度Lati,j,从而对于矩阵的每一个像素点,一共有5个维度,分别为(Ri,j,Gi,j,Bi,j,Longi,j,Lati,j),其中,每一个经纬度的坐标以度分秒的形式,秒精确到小数点后1位;然后,将该图片按照其R分量所构成的矩阵,G分量所构成的矩阵,B分量所构成的矩阵进行滤波,得到对应的滤波后的R′、G′和B′分量,从而构成新的分量(R′i,j,G′i,j,B′i,j,Longi,j,Lati,j),然后将该滤波后的数据传递给异常物体检测模块。
2.异常物体检测模块的检测过程为:
第一步:将接收到的一整幅去噪后的遥感图像X′按照窗口大小为16×16进行多层分割,并提取子图,其过程为:对于原始的M行N列的图像,首先根据窗口大小可知,定义块大小为n×n,其中,n=16假设M≥N,则将提取像素区域为:[(i,j),(i,j+n-1),(i+n-1,j),(i+n-1,j+n-1)]所围成的正方形区域,其中i=[1,…,M-n+1],j=[1,…,N-n+1],从而得到缩放图的第1层,该层共(M-n+1)×(N-n+1)有张子图,每张子图大小为n×n维,对于每一张图片,记录其图像的提取区域为左上点A=(i,j)右下点D=(i+n-1,j+n-1);然后,将原始图缩放成行列。
对于原始图片X,其上的每一个像素点为Xi,j,对于缩放后的图片缩放过程为:
对于
对于
其中f为特征函数,θ为阈值,p取值为1或-1,x代表根据积分图PP所构建的子窗口,对于每一个子窗口x,f(x)为该子窗口x对应于特征函数f的特征值。
为了叙述方便,我们将子窗口x的四个边界分别定义为左上点A,右上点B,左下点C,右下点D,A与B的中心点为ab,A与B的三分之一靠近A点为aab,三分之一靠近B点为abb,其余类推,区域内的中心点用O来表示。则x(A)表示子窗口在左上点A的积分图所对应的值,其余同理。
则定义:
f1=[x(bd)+x(A)-x(B)-x(ac)]-[x(ac)+x(D)-x(bd)-x(C)],并且定义s=1,t=2;
f2=[x(A)+x(cd)-x(BC)-x(ab)]-[x(ab)+x(D)-x(B)-x(cd)],并且定义s=2,t=1;
f3=[x(A)+x(bbd)-x(aac)-x(B)]-2×[x(bdd)+x(aac)-x(acc)-x(bbd)]+[x(D)+x(acc)-x(bdd)-x(C)],并且定义s=1,t=3;
f4=[x(A)+x(ccd)-x(aab)-x(C)]-2×[x(cdd)+x(aab)-x(abb)-x(ccd)]+[x(D)+x(abb)-x(B)-x(cdd)],并且定义s=3,t=1;
f5=[x(A)+x(O)-x(ab)-x(ac)]+[x(D)+x(O)-x(bd)-x(cd)]-[x(ab)+x(bd)-x(B)-x(O)]-[x(ac)+x(cd)-x(O)-x(C)],并且定义s=2,t=2;
第二步:构建积分图PP分别所对应积分图RR,GG,BB的子窗口x。该子窗口x的选择过程如下:
定义自然数s和t,这两个数为子窗口的倍数,这两个数值的选定由特征函数给定,于是,x所对应的子窗口区域为:[(i,j),(i,j+t×(b-1)),(i+s×(a-1),j),(i+s×(a-1),j+t×(b-1))],其中:i,j,a,b分别为从1开始递增的整数,并且能够保证i+s×(a-1)≤n,j+t×(b-1)≤n成立的所有取值。
第三步:对于定义的5个特征函数,计算所有训练样本的所有RGB分量对应于当前子窗口x的特征值f(x),我们此称之为在当前RGB分量下当前子窗口x的特征,如果当前窗口下有wf个子窗口,那么一共有T=3×wf×5个特征,每一个特征表示为ht。设海面上正常物体的图片和异常物体的图片各有K张,则对分类器的训练过程如下:
1.对于每一张图片Xi,yi为该图片的分类,若yi=1表示该图片为异常物体的图片,若yi=-1表示该图片为正常物体的图片;
2.对于t=1,2,…,T,(T为特征个数)
1).所有样本在特征ht下的特征值fr,其中(r=1,2,…,2K),2K为正常物体和异常物体图片的总数;
2).将所得的所有特征值按照从大到小的顺序进行排序;
3).计算全部异常物体子图的权重之和:T+=sum(fr(x)),x∈异常物体的子图;
4).计算全部正常物体子图的权重之和:T-=sum(fr(x)),x∈正常物体的子图;
5).对于排序好的每个元素,从第一个开始处理,设当前处理的元素为i:
a).计算所有大于当前元素异常物体的子图的权重值和:xj∈异常物体的子图,并且j<i; 则将其在权值图所对应的区域的权值改为Qi,j=Qi,j+wt(i,j∈当前子图片所对应于原始图像的区域内,t为当前子图片所对应的分类)。由于子图可能会相互重合,所以,重合度越高的区域,权值越重,将汇总后的权值图Q传递给输出模块。异常信息汇总模块的检测过程结束。
6.输出模块在检测过程中,将接收到的汇总后的权值图Qi,j进行归一化,即Q′i,j=Qi,j/(Qmax-Qmin),其中,Qmax为权值图中最大的权值,Qmin为权值图中最小的权值(通常为0)。然后进行颜色映射:权值高的区域为红色,权值低的区域为蓝色,权值为0的地方为灰色,其具体步骤为:首先,将所有权值为0的区域给以灰色(RGB值的为:C0C0C0);然后,计算对应的R分量为计算对应的G分量为Gij=0、计算对应的B分量为Bij=255- 从而构造出一个模板Q″,将模板Q″与原始遥感图像X按照4∶1的权重合并,即 输出图像newX,输出模块的检测过程结束,搜救人员可以根据图像newX来判定搜救区间和搜救范围。
附图说明
图1是本发明的功能流程图
图2是本发明整体的功能模块及其相互关系框图
图3是本发明所述的特征函数f1上各点的位置关系图
图4是本发明所述的特征函数f2上各点的位置关系图
图5是本发明所述的特征函数f3上各点的位置关系图
图6是本发明所述的特征函数f4上各点的位置关系图
图7是本发明所述的特征函数f5上各点的位置关系图。
Claims (7)
1.一种基于遥感图像的海面异常漂浮物检测方法,其特征在于,所述一种基于遥感图像的海面异常漂浮物检测方法,包括图像去噪模块,异常物体检测模块,排除已知信息模块,异常物体识别模块,异常信息汇总模块,输出模块,所述的一种基于遥感图像的海面异常漂浮物检测方法的步骤如下:
步骤一、图像去噪模块将遥感卫星图像导入到所述的一种基于遥感图像的海面异常漂浮物检测系统中,使用中值滤波方法对读入的遥感图像进行去噪;
步骤二、异常物体检测模块将接收到的去噪后的遥感卫星图像使用基于哈尔特征的级联强分类器方法进行异常物体检测;
步骤三、排除已知信息模块将接收到的异常物体的子图像根据其上附带的方位信息,与在遥感图像所采集时刻海面上船只所报告的方位进行对比、与海面上岛屿信息作对比、以及其他已知的海面物体作对比,排除海面上已知的正常信息;
步骤四、异常物体识别模块将接收到异常物体子图像使用线性判别分析算法进行识别,从而区分出所述的异常物体是未知的合法物体还是所要寻找的异常物体;
步骤五、异常信息汇总模块,将接收到的异常物体的子图像,根据其上所附带的坐标方位,与原始的遥感图像作对比,由于接收到的子图像之间可能会出现重合,那么将根据某一区域重合块数的多少以及分类结果给以不同的权值进行合并;
步骤六、输出模块,将得到的附带权值的图像,根据其上的权值不同给以不同的颜色,标注颜色依据权重由大到小依次从红色过渡到蓝色,对于权重为0的区域给以灰色标注。
2.根据权利要求1所述的一种基于遥感图像的海面异常漂浮物检测方法,其特征在于步骤一中所述的使用中值滤波方法对读入遥感图像进行去噪的具体过程为:
所述的图像去噪模块在初始化的过程中,将典型海面上正常物体和异常物体的彩色样本图片导入到所述的一基于遥感图像的海面异常漂浮物检测系统中,这些样本图片的维度统一为n×n维,对每一张彩色图像,按照其R分量所构成的矩阵,G分量所构成的矩阵,B分量所构成的矩阵进行滤波,滤波过程为:首先,设置一个3×3维的窗口,对于得到的基于R′、G′和B′分量中的某一分量所构成的矩阵X,考虑该图像X的每个像素点Xi,j,以该点为中心点的3×3维矩阵所对应的像素值分别为[Xi-1,j-1,Xi-1,j,Xi-1,j+1,Xi,j-1,Xi,j,Xi,j+1,Xi+1,j-1,Xi+1,j,Xi+1,j+1]进行从大到小排列,取其排在中间的值为新的像素X′i,j所对应滤波后值,注意对于X的边界点,会出现其3×3维的窗口所对应的某些像素点不存在的情况,那么只需计算落在窗口内存在的像素点的中间值即可,若窗口内为偶数个点,将排在中间两个像素值的平均值作为该像素点滤波后的值X′i,j,从而,新的图像矩阵X′即为滤波后所得的图片矩阵;然后将滤波处理过的图像传递给异常物体检测模块和异常物体识别模块;在检测的过程中,将拟检测的遥感图像导入到所述的海面异常漂浮物检测系统中,在这里我们约定对于彩色遥感图像X,可以将该图像看作为一个M行N列的矩阵,则对于矩阵的第i行第j列的像素点Xi,j,其共有红绿蓝三个分量,对于整张遥感图像的每一个点辅以该点所对应的经度Longi,j和纬度Lati,j,从而对于矩阵的每一个像素点,一共有5个维度,分别为(Ri,j,Gi,j,Bi,j,Longi,j,Lati,j),其中,每一个经纬度的坐标以度分秒的形式,秒精确到小数点后1位;然后,将该图片按照其R分量所构成的矩阵,G分量所构成的矩阵,B分量所构成的矩阵进行滤波,得到对应的滤波后的R′、G′和B′分量,从而构成新的分量(R′i,j,G′i,j,B′i,j,Longi,j,Lati,j),然后将该滤波后的数据传递给异常物体检测模块。
3.根据权利要求1所述的一种基于遥感图像的海面异常漂浮物检测方法,其特征在于步骤二中所述的使用基于哈尔特征的级联强分类器方法进行异常物体检测的具体过程为:
在初始化的过程中,接收到从图像去噪模块传递来的已经过滤波处理的典型海面上正常物体和异常物体的彩色样本图片,这些样本图片的维度统一为n×n维,然后对每一张样本图片P,构建该图片P所对应的积分图PP,然后使用所有积分图对级联分类器进行参数初始化,最后将训练所得的级联分类器保存起来用于检测过程;在检测过程中,首先将接收到的一整 幅去噪后的遥感图像X′按照窗口大小为n×n进行多层分割,对于分割后所得的所有子图片,构建其积分图,最后用训练所得的级联分类器进行分类筛选,得到所有异常物体的子图片,将这些子图片附带其在原始图片的坐标及经纬度信息传递给排除已知信息模块;
所述的构建图片P所对应的积分图PP,其过程为:
对于图像X′的(R′,G′,B′)分量,分别构造其积分图,这里首先提取X′所对应的R分量所构成的矩阵R′,该矩阵与X′有着相同的维度;我们从该矩阵的第1行第1列开始构造积分图,初始时设s(1,1)=R(1,1),RR(1,1)=R(1,1),构造过程为一个二层循环:
从而构造出R分量所对应的积分图RR;
同样的方法可以构造出G分量所对应的积分图GG,B分量所对应的积分图BB;
所述的使用积分图PP对级联分类器进行训练,其过程为:
第一步,定义弱分类器的函数h(x,f,p,θ)为:
其中f为特征函数,θ为阈值,p取值为1或-1,x代表根据积分图PP所构建的子窗口,对于每一个子窗口x,f(x)为该子窗口x对应于特征函数f的特征值;
为了叙述方便,我们将子窗口x的四个边界分别定义为左上点A,右上点B,左下点C,右下点D,A与B的中心点为ab,A与B的三分之一靠近A点为aab,三分之一靠近B点为abb,其余类推,区域内的中心点用O来表示;则x(A)表示子窗口在左上点A的积分图所对应的值,其余同理;
则定义:
f1=[x(bd)+x(A)-x(B)-x(ac)]-[x(ac)+x(D)-x(bd)-x(C)],并且定义s=1,t=2;
f2=[x(A)+x(cd)-x(BC)-x(ab)]-[x(ab)+x(D)-x(B)-x(cd)],并且定义s=2,t=1;
f3=[x(A)+x(bbd)-x(aac)-x(B)]-2×[x(bdd)+x(aac)-x(acc)-x(bbd)]+[x(D)+x(acc)-x(bdd)-x(C)],并且定义s=1,t=3;
f4=[x(A)+x(ccd)-x(aab)-x(C)]-2×[x(cdd)+x(aab)-x(abb)-x(ccd)]+[x(D)+x(abb)-x(B)-x(cdd)],并且定义s=3,t=1;
f5=[x(A)+x(O)-x(ab)-x(ac)]+[x(D)+x(O)-x(bd)-x(cd)]-[x(ab)+x(bd)-x(B)-x(O)]-[x(ac)+x(cd)-x(O)-x(C)],并且定义s=2,t=2;
第二步:构建积分图PP分别所对应积分图RR,GG,BB的子窗口x;该子窗口x的选择过程如下:
定义自然数s和t,这两个数为子窗口的倍数,这两个数值的选定由特征函数给定,于是,x所对应的子窗口区域为:[(i,j),(i,j+t×(b-1)),(i+s×(a-1),j),(i+s×(a-1),j+ t×(b-1))],其中:i,j,a,b分别为从1开始递增的整数,并且能够保证i+s×(a-1)≤n,j+t×(b-1)≤n成立的所有取值;
第三步:对于定义的5个特征函数,计算所有训练样本的所有RGB分量对应于当前子窗口x的特征值f(x),我们此称之为在当前RGB分量下当前子窗口x的特征,如果当前窗口下有wf个子窗口,那么一共有T=3×wf×5个特征,每一个特征表示为ht;设海面上正常物体的图片和异常物体的图片各有K张,则对分类器的训练过程如下:
1.对于每一张图片Xi,yi为该图片的分类,若yi=1表示该图片为异常物体的图片,若yi=-1表示该图片为正常物体的图片;
2.对于t=1,2,…,T,(T为特征个数)
1).所有样本在特征ht下的特征值fr,其中(r=1,2,…,2K),2K为正常物体和异常物体图片的总数;
2).将所得的所有特征值按照从大到小的顺序进行排序;
3).计算全部异常物体子图的权重之和:T+=sum(fr(x)),x∈异常物体的子图;
4).计算全部正常物体子图的权重之和:T-=sum(fr(x)),x∈正常物体的子图;
5).对于排序好的每个元素,从第一个开始处理,设当前处理的元素为i:
a).计算所有大于当前元素异常物体的子图的权重值和:xj∈异常物体的子图,并且j<i;
b).计算所有大于当前元素的正常物体的子图的权重值和:xj∈正常物体的子图并且j<i;
c).计算分类器在当前元素下的误差:
6).选取使得ei最小的元素所对应的标号i,然后将特征值f(xi)和特征值排在i前一位的f(xi-1)求平均值,得到弱分类器的参数θ=[f(xi)+f(xi-1)]/2,若p=-1,否则,p=1;
7).若最小的误差ei>1%,则意味着误差过大,舍弃;否则,将当前ht(x,f,p,θ)作为选好的弱分类器;
3.将所有选好的分类器ht按照t值从小到大排列起来,构成集合H,于是得到了我们要训练的级联分类器;
所述的提取子图的过程为:
所述的提取子图的过程为:
首先,对于原始的M行N列的图像,首先定义块大小为n×n,则将提取像素区域定义为:[(i,j),(i,j+n-1),(i+n-1,j),(i+n-1,j+n-1)]所围成的正方形区域,其中i=[1,…,M-n+1],j=[1,…,N-n+1],从而得到缩放图的第1层,该层共有(M-n+1)×(N-n+1)张子图,每张子图大小为n×n维,对于每一张图片,记录其图像的提取区域为左上点A=(i,j)右下点D=(i+n-1,j+n-1);
然后,将原始图缩放成行列;
对于原始图片X,其上的每一个像素点为Xi,j,对于缩放后的图片缩放过程为:
对于
对于
其中,i=2×a,j=2×b;
其中,和为M/2和N/2所得的整数部分;
对于所得的缩放后的图像继续使用上述方法进行提取子图,从而得到缩放图的第2层,该层共有张子图,每张子图的大小为n×n维,对于每一张子图片,记录其在原始图像上提取区域的坐标(左上点A和右下点D);对于第i层,将原始图像缩放成行列的图像,并继续使用上述方法进行提取子图,该层共有 张子图,每张子图的大小为n×n维,对于每一张子图片,记录其在当前图像上提取区域的坐标(左上点A和右下点D);…;直到时,意味着缩小的遥感图像最短边小于n,此时已经无法提取出子图,于是提取过程结束;
所述的用训练所得的级联分类器进行分类筛选,其过程如下:
设级联分类器H共有T′个分类器hi(i=1,2,…,T′),
对于所用于筛选的每一张n×n维子图
对于i=1,2,…,T′
计算在当前子图下的hi,若hi=0,当前子图是正常物体,该子图的分类筛选过程结束;
若当前子图在所有分类器下的分类结果hi都为1,则说明当前子图为异常物体;
使用基于哈尔特征的级联强分类器方法进行异常物体检测过程结束。
4.根据权利要求1所述的一种基于遥感图像的海面异常漂浮物检测方法,其特征在于步骤三中所述的排除海面上已知的正常信息的具体过程为:
在初始化的过程中,在初始化的过程中,该模块不工作;在检测过程中,该模块导入一张保存有监控区域内所包含的合法物体(包括海面,陆地,海岸,海上钻井平台,在图片采集时刻已知船只的位置信息,孤岛等)的坐标信息,该坐标信息由经度和纬度(Longi,j,Lati,j)构成,每一个经纬度的坐标以度分秒的形式表示,秒精确到小数点后1位,从而构造出监控区域所对应的矩阵I,该矩阵每一个横纵坐标(i,j),对应着监控区域的一个坐标,为了叙述方便,这里我们以(Longi,j,Lati,j)来表示对应于该矩阵I的坐标,则对于矩阵I每一个坐标点(Longi,j,Lati,j),若该点值为0,意味着该点所对应的区域为未知,若该点的元素为1,则意味着该点所对应的区域为已知的合法物体;该模块接收由异常物体检测模块所传递来的所有异常物体的子图片以及这些子图片附带其在原始图片的坐标及经纬度信息,对于每一张子图片,考虑其左上点A和右下点D的经纬度信息,定义Longstart为A点的经度坐标,Latstart为A点的纬度坐标,Longend为D点的经度坐标,Latend为D点的纬度坐标,则提取出矩阵I所对应的由(Longstart,Latstart)和(Longend,Latend)所围成的子矩阵,若该子矩阵中存在为1的矩阵,说明该区域存在已知的合法物体,将该图片舍弃,最后将剩下的图片以及这些子图片附带其在原始图片的坐标及经纬度信息传递给异常物体识别模块。
5.根据权利要求1所述的一种基于遥感图像的海面异常漂浮物检测方法,其特征在于步骤四中所述的异常物体识别模块的具体过程为:
在初始化过程中,接收从图像去噪模块所传递来的滤波处理过的典型海面上正常物体和异常物体的彩色样本图片,其中,所采集的异常物体包括船只,海上漂浮物,海面动物,穿着救生衣的人,海面油污,这5类异常物体,并从海面上正常物体中随机选择同样个数的图片,构成第6类,使用分类器对所构成的图像集合进行训练,得到转换矩阵Wp和每个类在转换后的中心点其中i=1,2,…,6,并保存Wp和(i=1,2,…,6)供检测过程使用;在检测过程中,对于每一张n×n维的图片,首先将其按列展开成n2维的列向量L,然后计算该列向量的转换向量y=Wp×L,然后分别计算y与每个类的中心点的欧氏距离,选择欧氏距离最近的点为该图像的分类结果,在所有图片分类完成后,将该结果传递给异常信息汇总模块。
6.根据权利要求1所述的一种基于遥感图像的海面异常漂浮物检测方法,其特征在于步骤五中所述的异常信息汇总的具体过程为:
在初始化的过程中不工作;在检测过程中,将接收到的具有分类结果的异常物体图片进 行整合,首先给每一个类以一个权值,这里我们给定权值为:穿着救生衣的人的权值为w1=10,海上漂浮物的权值为w2=9,船只的权值为为w3=5,海面动物的权值为w4=3,海面动物的权值为w5=2,其他正常物体的权值w6=1,然后构建一个与原始遥感图像相同维度的权值图Q,在初始的时候,Q的所有元素都为0,对于每一张子图片,读取其在原始图片上的坐标区域,则将其在权值图所对应的区域的权值改为Qi,j=Qi,j+wt(i,j∈当前子图片所对应于原始图像的区域内,t为当前子图片所对应的分类);由于子图可能会相互重合,所以,重合度越高的区域,权值越重,将汇总后的权值图Q传递给输出模块。
7.根据权利要求1所述的一种基于遥感图像的海面异常漂浮物检测方法,其特征在于步骤六中所述的输出模块,将得到的附带权值的图像,根据其上的权值不同给以不同的颜色的具体过程为:
在初始化的过程中不工作;在检测过程中将接收到的汇总后的权值图Qi,j进行归一化,即Q′i,j=Qi,j/(Qmax-Qmin),其中,Qmax为权值图中最大的权值,Qmin为权值图中最小的权值(通常为0);然后进行颜色映射:权值高的区域为红色,权值低的区域为蓝色,权值为0的地方为灰色,其具体步骤为:首先,将所有权值为0的区域给以灰色(RGB值的为:C0C0C0);然后,计算对应的R分量为计算对应的G分量为Gij=0、计算对应的B分量为从而构造出一个模板Q″,将模板Q″与原始遥感图像X按照4∶1的权重合并,即输出图像newX,搜救人员可以根据图像newX来判定搜救区间和搜救范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510278075.0A CN104992140B (zh) | 2015-05-27 | 2015-05-27 | 一种基于遥感图像的海面异常漂浮物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510278075.0A CN104992140B (zh) | 2015-05-27 | 2015-05-27 | 一种基于遥感图像的海面异常漂浮物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104992140A true CN104992140A (zh) | 2015-10-21 |
CN104992140B CN104992140B (zh) | 2019-07-26 |
Family
ID=54303953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510278075.0A Expired - Fee Related CN104992140B (zh) | 2015-05-27 | 2015-05-27 | 一种基于遥感图像的海面异常漂浮物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104992140B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513061A (zh) * | 2015-12-02 | 2016-04-20 | 上海海事大学 | 一种使用无人机进行海上遇险人员自动搜救方法 |
CN107463957A (zh) * | 2017-08-04 | 2017-12-12 | 河海大学 | 一种有效的遥感图像目标识别方法 |
CN108460356A (zh) * | 2018-03-13 | 2018-08-28 | 上海海事大学 | 一种基于监控系统的人脸图像自动处理系统 |
CN110119718A (zh) * | 2019-05-15 | 2019-08-13 | 燕山大学 | 一种基于深度学习的落水检测及救援控制系统 |
CN112735091A (zh) * | 2019-10-29 | 2021-04-30 | 深圳云天励飞技术有限公司 | 一种应用于水域场景的告警方法及设备、存储介质 |
CN113240026A (zh) * | 2021-05-24 | 2021-08-10 | 中国科学院重庆绿色智能技术研究院 | 一种矢栅结合的内陆水面漂浮物批量识别提取方法 |
CN113642463A (zh) * | 2021-08-13 | 2021-11-12 | 广州市赋安电子科技有限公司 | 一种视频监控和遥感图像的天地多视图对齐方法 |
CN114549522A (zh) * | 2022-04-24 | 2022-05-27 | 启东新朋莱纺织科技有限公司 | 基于目标检测的纺织品质量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007135659A2 (en) * | 2006-05-23 | 2007-11-29 | Elbit Systems Electro-Optics Elop Ltd. | Clustering - based image registration |
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 |
CN104050638A (zh) * | 2014-06-12 | 2014-09-17 | 杭州电子科技大学 | 一种结合尺度优选的显著法红外小目标增强方法 |
-
2015
- 2015-05-27 CN CN201510278075.0A patent/CN104992140B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007135659A2 (en) * | 2006-05-23 | 2007-11-29 | Elbit Systems Electro-Optics Elop Ltd. | Clustering - based image registration |
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 |
CN104050638A (zh) * | 2014-06-12 | 2014-09-17 | 杭州电子科技大学 | 一种结合尺度优选的显著法红外小目标增强方法 |
Non-Patent Citations (1)
Title |
---|
龚志成等: "基于邻域分析的海洋遥感图像舰船检测方法", 《深圳大学学报理工版》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513061B (zh) * | 2015-12-02 | 2018-06-19 | 上海海事大学 | 一种使用无人机进行海上遇险人员自动搜救方法 |
CN105513061A (zh) * | 2015-12-02 | 2016-04-20 | 上海海事大学 | 一种使用无人机进行海上遇险人员自动搜救方法 |
CN107463957A (zh) * | 2017-08-04 | 2017-12-12 | 河海大学 | 一种有效的遥感图像目标识别方法 |
CN107463957B (zh) * | 2017-08-04 | 2020-04-03 | 河海大学 | 一种有效的遥感图像目标识别方法 |
CN108460356B (zh) * | 2018-03-13 | 2021-10-29 | 上海海事大学 | 一种基于监控系统的人脸图像自动处理系统 |
CN108460356A (zh) * | 2018-03-13 | 2018-08-28 | 上海海事大学 | 一种基于监控系统的人脸图像自动处理系统 |
CN110119718A (zh) * | 2019-05-15 | 2019-08-13 | 燕山大学 | 一种基于深度学习的落水检测及救援控制系统 |
CN112735091A (zh) * | 2019-10-29 | 2021-04-30 | 深圳云天励飞技术有限公司 | 一种应用于水域场景的告警方法及设备、存储介质 |
CN112735091B (zh) * | 2019-10-29 | 2022-06-24 | 深圳云天励飞技术有限公司 | 一种应用于水域场景的告警方法及设备、存储介质 |
CN113240026A (zh) * | 2021-05-24 | 2021-08-10 | 中国科学院重庆绿色智能技术研究院 | 一种矢栅结合的内陆水面漂浮物批量识别提取方法 |
CN113240026B (zh) * | 2021-05-24 | 2022-03-25 | 中国科学院重庆绿色智能技术研究院 | 一种矢栅结合的内陆水面漂浮物批量识别提取方法 |
CN113642463A (zh) * | 2021-08-13 | 2021-11-12 | 广州市赋安电子科技有限公司 | 一种视频监控和遥感图像的天地多视图对齐方法 |
CN113642463B (zh) * | 2021-08-13 | 2023-03-10 | 广州赋安数字科技有限公司 | 一种视频监控和遥感图像的天地多视图对齐方法 |
CN114549522A (zh) * | 2022-04-24 | 2022-05-27 | 启东新朋莱纺织科技有限公司 | 基于目标检测的纺织品质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104992140B (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104992140A (zh) | 一种基于遥感图像的海面异常漂浮物检测方法 | |
Nieto-Hidalgo et al. | Two-stage convolutional neural network for ship and spill detection using SLAR images | |
CN108921066B (zh) | 基于特征融合卷积网络的光学遥感图像舰船检测方法 | |
CN109543715A (zh) | 一种船舶航路提取以及航迹偏离检测的方法 | |
Tao et al. | Low-altitude small-sized object detection using lightweight feature-enhanced convolutional neural network | |
CN109766830A (zh) | 一种基于人工智能图像处理的舰船目标识别系统及方法 | |
CN105513061B (zh) | 一种使用无人机进行海上遇险人员自动搜救方法 | |
CN111368690B (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
CN101923652B (zh) | 一种基于肤色和特征部位联合检测的色情图片识别方法 | |
CN110363115A (zh) | 基于ais轨迹数据的船舶作业异常半监督实时检测方法 | |
Ghorbani et al. | Monitoring offshore oil pollution using multi-class convolutional neural networks | |
CN114821282B (zh) | 一种基于域对抗神经网络的图像检测装置及方法 | |
CN104268570B (zh) | 一种基于类内差异的层次化单分类舰船目标虚警剔除方法 | |
CN115131580B (zh) | 基于注意力机制的空间目标小样本识别方法 | |
CN113569921A (zh) | 一种基于gnn的船舶分类识别方法及装置 | |
Kathiravan et al. | Ship detection from satellite images using deep learning | |
CN106951924B (zh) | 基于AdaBoost算法的地震相干体图像断层自动识别方法及系统 | |
Pritt | Deep learning for recognizing mobile targets in satellite imagery | |
Rajyalakshmi et al. | Taxonomy of satellite image and validation using statistical inference | |
Mishra et al. | Detection Of Ships in The Ocean Using Deep Learning Algorithm | |
CN111553421B (zh) | 基于双层嵌套结构的sar装备任务失效成因推理方法 | |
Deng et al. | Fast multiclass object detection in optical remote sensing images using region based convolutional neural networks | |
Aziz et al. | Unmanned aerial vehicle emergency landing site identification system using machine vision | |
Feinauer et al. | Oil Spill Identification using Deep Convolutional Neural Networks | |
Ma et al. | Hard ship detection via generative adversarial networks |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190726 Termination date: 20210527 |