CN105139034B - 一种结合光谱滤除的船舶检测方法 - Google Patents
一种结合光谱滤除的船舶检测方法 Download PDFInfo
- Publication number
- CN105139034B CN105139034B CN201510536275.1A CN201510536275A CN105139034B CN 105139034 B CN105139034 B CN 105139034B CN 201510536275 A CN201510536275 A CN 201510536275A CN 105139034 B CN105139034 B CN 105139034B
- Authority
- CN
- China
- Prior art keywords
- sea area
- spectrum
- land
- false
- width ratio
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Abstract
本发明公开了一种结合光谱滤除的船舶检测方法,首先利用光谱波段比得到比值图像进行海陆分割,将陆地部分去除不予以检测;再对海域部分进行异常检测,确认候选目标,建立可疑目标集;最后对可疑目标集进行光谱分类虚警滤除,利用光谱特征剔除云、海浪、岛屿、海岸、堤坝等虚警目标。本发明兼具基于限定范围内检测的优点和基于光谱特征虚警目标剔除方法的优点,有效降低了检测的运算量、虚警率,提高了检测结果的准确性。
Description
技术领域
本发明涉及遥感光谱图像船舶检测的方法,尤其是针对光谱海陆分割方法与光谱虚假目标滤除方法相结合的一种船舶检测方法,属于遥感图像处理技术领域。
背景技术
遥感图像船舶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船舶目标,并对其进行检测、分类与精确定位,它在船舶跟踪监视、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。
光学图像可以具有较高的分辨率,具有目标结构清晰、细节丰富等特点,在船舶检测中具有一定的优越性,但是受自然环境、成像参数等因素影响,基于灰度的纯光学船舶检测检测率不够高,且为了保证足够的检测率引入了更高的虚警率;另一方面,目标的光谱特性引入了一种新的船舶检测方法,目标表面材质的不同在光谱曲线上会有所体现,有利于目标的分类识别,因此,能否设计一种结合光谱滤除的船舶检测方法,综合利用光学图像船舶检测方法和光谱滤除陆地和虚假目标的优点,实现优势互补,以提高检测结果的准确率,降低虚警率,为本领域技术人员开辟崭新的思路。
在现有的利用光学遥感图像来进行海上船舶检测的技术领域中,专利号为CN201210077407.5,一种光学遥感图像中的海上舰船检测方法,其采用的技术方案是:一种光学遥感图像中的海上舰船检测方法,具体包括下述步骤:第一步:海陆区域分割,基于海面与陆地的灰度差异根据OTSU方法确定二值化分割阈值,得到海域和陆地初始分割,再在海域中选择种子点采用区域生长法得到海面区域;第二步,疑似舰船目标的粗检测,采用修订了判决准则的ContrastBox算法进行处理,检测得到一组包含疑似舰船目标的矩形区域;第三步,疑似舰船目标的上下文特征提取,采用对疑似舰船目标区域获取疑似目标邻域图像块,利用空间金字塔匹配模型提取空间上下文特征;第四步,疑似舰船目标识别确认。其不同于本发明的通过RGB三个波段分别除以近红外波段,获取得到三幅比值图像,最后对三幅比值图像进行投票,获取稳定的海陆分割;利用海域的近红外图像对海域进行异常检测,以500m×500m的窗口进行搜索,确认候选目标,建立可疑目标集对海域进行异常检测,提取虚警目标的光谱值与船舶的光谱值分别除以海域平均光谱,然后利用支持向量机分类器进行训练。
发明内容
本发明的目的就在于克服现有技术的不足,提供一种结合光谱滤除的船舶检测方法,综合利用光学图像船舶检测方法的优势和结合光谱特征进行虚警滤除方法的优势,实现优势的互补,提高检测结果的准确率。
为了实现上述目的,本发明提供了一种结合光谱滤除的船舶检测方法,包括如下步骤:
步骤一,光谱海陆分割,滤除陆地区域:首先利用RGB三个波段分别除以近红外波段,获取得到三幅比值图像,对三幅比值图像进行直方图分析,基于水体的吸收,水体对近红外的反射率远低于陆地对近红外的反射率,因此在三幅比值图像中海域获得的比值都比陆地的高,分割出三幅比值图像中获取比值较高的区域,再对三幅比值图像中获取比值较高的区域进行投票,如果三幅比值图像中至少有两幅比值图像能确定此获取比值较高的区域为海域,则此区域为海域,否则为陆地;
步骤二,海域异常检测:海陆分割后,利用海域的近红外图像对海域进行异常检测,以500m×500m的窗口进行搜索,基于水体的吸收,海域在近红外波段的反射率低,因此如果发现窗口中心的亮度高于窗口四周的亮度,且面积小于400m×100m的目标,则确认为候选目标,建立可疑目标集;
步骤三,训练支持向量机:提取虚警目标的光谱值,并利用海域平均光谱进行校正,提高泛化性能,然后利用支持向量机分类器进行训练,支持向量机分类器的决策函数表达式为:
其中为约束条件yi(w·xi+b)的拉格朗日乘子,sgn()为符号函数;x为支持向量,l为样本个数,yi为{-1,1},xi为最优解系数,b*为分类超平面截距;
步骤四,支持向量机分类确认:利用步骤三中已训练好的支持向量机对可疑目标集进行分类,滤除虚警。
进一步的,在步骤三中,为了考虑方法的适用性,考虑到海水的光谱相对稳定,首先将虚警目标的光谱值与船舶的光谱值分别除以海域平均光谱,然后利用支持向量机分类器进行训练。
进一步的,在步骤四中,为了考虑方法的适用性,由于在步骤三中利用支持向量机分类器进行训练的过程中使用了海域平均光谱平衡,因此首先对可疑目标集的光谱除以海域平均光谱,然后再使用支持向量机对可疑目标集进行分类,滤除虚警。
本发明的有益效果:本发明所提供的方法有效地结合目标的光谱特征,实现海洋陆地的更准确分割,并且在假目标滤除时,进一步利用光谱特征的优势,降低运算量和虚警率,提高检测率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的流程图;
图2为本发明实施例海陆原始图像;
图3为本发明实施例绿波段除以近红外波段后得到的比值图像。
具体实施方式
下面结合附图对发明进一步说明,但不用来限制本发明的范围。
实施例
如图1所示,本发明提供的一种结合光谱滤除的船舶检测方法,包括如下步骤:
步骤一,光谱海陆分割,滤除陆地区域:首先利用RGB三个波段分别除以近红外波段,获取得到三幅比值图像,对三幅比值图像进行直方图分析,基于水体的吸收,水体对近红外的反射率远低于陆地对近红外的反射率,因此在三幅比值图像中海域获得的比值都比陆地的高,分割出三幅比值图像中获取比值较高的区域,再对三幅比值图像中获取比值较高的区域进行投票,如果三幅比值图像中至少有两幅比值图像能确定此获取比值较高的区域为海域,则此区域为海域,否则为陆地;
在步骤一中,RGB三个波段具体指的是红、绿、蓝三个波段,将红、绿、蓝三个波段分别除以近红外波段,通过光谱波段比获取得到三幅比值图像。通过对三幅比值图像进行简单地直方图分析,就能实现初步的海陆分割。为获取稳定的海陆分割,对三幅比值图像进行直方图分析后,对分析后得到的结果,需进一步投票处理,即对三幅比值图像中获取比值较高的区域进行投票处理,其中投票结果分为三种形式:1、如果三幅比值图像都确定此比获取比值较高的区域为海域,则此区域为海域;2、如果有两幅比值图像确定此获取比值较高的区域为海域,另一幅比值图像确定此获取比值较高的区域为陆地,则此区域确定为海域;3、如果只有一幅比值图像确定此获取比值较高的区域为海域,而另两幅比值图像确定此获取比值较高的区域为陆地,则此区域确定为陆地。4、如果三幅比值图像都确定此获取比值较高的区域为陆地,则此区域为陆地。
为清楚直观地说明步骤一中利用光谱波段比得到比值图像,实现海陆分割的原理。图2和图3以对比形式的方式,分别给出了海陆原始图像和绿波段除以近红外波段后得到的比值图像。在图3的比值图像中,其亮度较高区域为海域,周边亮度较低区域为陆地。由此比值图像,可以很清楚地将海域和陆地分割出来,实现了海陆准确性地分割。
步骤二,海域异常检测:海陆分割后,利用海域的近红外图像对海域进行异常检测,以500m×500m的窗口进行搜索,基于水体的吸收,海域在近红外波段的反射率低,因此如果发现窗口中心的亮度高于窗口四周的亮度,且面积小于400m×100m的目标,则确认为候选目标,建立可疑目标集;
步骤三,训练支持向量机:提取云、海浪、岛屿、海岸、堤坝等虚警目标的光谱值,并利用海域平均光谱进行校正,提高泛化性能,然后对支持向量机分类器进行训练,支持向量机分类器的决策函数表达式为:
其中为约束条件yi(w·xi+b)的拉格朗日乘子,sgn()为符号函数;x为支持向量,l为样本个数,yi为{-1,1},xi为最优解系数,b*为分类超平面截距。
在步骤三中,为了考虑方法的适用性,考虑到海水的光谱相对稳定,首先将云、海浪、岛屿、海岸、堤坝等虚警目标的光谱值与船舶的光谱值分别除以海域平均光谱,然后利用支持向量机分类器进行训练。
步骤四,支持向量机分类确认:利用步骤三中已训练好的支持向量机对可疑目标集进行分类,滤除云、海浪、岛屿、海岸、堤坝等虚警。
在步骤四中,在步骤四中,为了考虑方法的适用性,由于在步骤三中利用支持向量机分类器进行训练的过程中使用了海域平均光谱平衡,因此首先对可疑目标集的光谱除以海域平均光谱,然后再使用支持向量机对可疑目标集进行分类,滤除云、海浪、岛屿、海岸、堤坝等虚警。
本发明首先利用RGB三个波段分别除以近红外波段,得到三幅比值图像,由于水体对近红外反射率远低于陆地对近红外的反射率,因此要比值图像中海域获得的比值比陆地的高,因此根据获得的比值图像实现海陆分割,将陆地部分去除不予以检测;再对海域部分进行异常检测,确认候选目标,建立可疑目标集;最后对可疑目标集进行光谱分类虚警滤除,利用光谱特征剔除云、海浪、岛屿、海岸、堤坝等虚警目标。本发明兼具基于限定范围内检测的优点和基于光谱特征虚警目标剔除方法的优点,有效降低了检测的运算量和虚警率,提高了检测结果的准确性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (2)
1.一种结合光谱滤除的船舶检测方法,其特征在于,包括如下步骤:
步骤一,光谱海陆分割,滤除陆地区域:首先利用RGB三个波段分别除以近红外波段,获取得到三幅比值图像,对三幅比值图像进行直方图分析,基于水体的吸收,水体对近红外的反射率远低于陆地对近红外的反射率,因此在三幅比值图像中海域获得的比值都比陆地的高,分割出三幅比值图像中获取比值较高的区域,再对三幅比值图像中获取比值较高的区域进行投票,如果三幅比值图像中至少有两幅比值图像能确定此获取比值较高的区域为海域,则此区域为海域,否则为陆地;
步骤二,海域异常检测:海陆分割后,利用海域的近红外图像对海域进行异常检测,以500m×500m的窗口进行搜索,基于水体的吸收,海域在近红外波段的反射率低,因此如果发现窗口中心的亮度高于窗口四周的亮度,且面积小于400m×100m的目标,则确认为候选目标,建立可疑目标集;
步骤三,训练支持向量机:提取虚警目标的光谱值,并利用海域平均光谱进行校正,提高泛化性能,为了考虑方法的适用性,考虑到海水的光谱相对稳定,首先将虚警目标的光谱值与船舶的光谱值分别除以海域平均光谱,然后利用支持向量机分类器进行训练,支持向量机分类器的决策函数表达式为:
其中为约束条件yi(w·xi+b)的拉格朗日乘子,sgn()为符号函数;x为支持向量,l为样本个数,yi为{-1,1},xi为最优解系数,b*为分类超平面截距;
步骤四,支持向量机分类确认:利用步骤三中已训练好的支持向量机对可疑目标集进行分类,滤除虚警。
2.根据权利要求1所述的一种结合光谱滤除的船舶检测方法,其特征在于,在步骤四中,为了考虑方法的适用性,由于在步骤三中利用支持向量机分类器进行训练的过程中使用了海域平均光谱平衡,因此首先对可疑目标集的光谱除以海域平均光谱,然后再使用支持向量机对可疑目标集进行分类,滤除虚警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510536275.1A CN105139034B (zh) | 2015-08-27 | 2015-08-27 | 一种结合光谱滤除的船舶检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510536275.1A CN105139034B (zh) | 2015-08-27 | 2015-08-27 | 一种结合光谱滤除的船舶检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105139034A CN105139034A (zh) | 2015-12-09 |
CN105139034B true CN105139034B (zh) | 2019-06-28 |
Family
ID=54724377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510536275.1A Expired - Fee Related CN105139034B (zh) | 2015-08-27 | 2015-08-27 | 一种结合光谱滤除的船舶检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139034B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485705A (zh) * | 2016-10-08 | 2017-03-08 | 西安交通大学 | 基于支持矩阵机的电力设备红外图像异常识别方法 |
CN106886760B (zh) * | 2017-01-24 | 2019-08-16 | 北京理工大学 | 一种基于空谱信息结合的高光谱舰船检测方法 |
CN107609534B (zh) * | 2017-09-28 | 2020-07-28 | 北京市遥感信息研究所 | 一种基于码头光谱信息的遥感驻泊船只自动检测方法 |
CN109087319B (zh) * | 2018-08-17 | 2021-07-02 | 北京华航无线电测量研究所 | 一种掩膜制作方法及系统 |
CN115331113A (zh) * | 2022-10-12 | 2022-11-11 | 浙江华是科技股份有限公司 | 船舶目标检测模型训练方法、系统及计算机存储介质 |
Citations (3)
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 |
CN103984945A (zh) * | 2014-05-14 | 2014-08-13 | 武汉大学 | 一种光学遥感影像船只检测方法 |
CN104732215A (zh) * | 2015-03-25 | 2015-06-24 | 广西大学 | 一种基于信息向量机的遥感影像海岸线提取方法 |
-
2015
- 2015-08-27 CN CN201510536275.1A patent/CN105139034B/zh not_active Expired - Fee Related
Patent Citations (3)
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 |
CN103984945A (zh) * | 2014-05-14 | 2014-08-13 | 武汉大学 | 一种光学遥感影像船只检测方法 |
CN104732215A (zh) * | 2015-03-25 | 2015-06-24 | 广西大学 | 一种基于信息向量机的遥感影像海岸线提取方法 |
Non-Patent Citations (1)
Title |
---|
基于多光谱遥感影像的海船目标检测技术研究;李红宣;《中国优秀硕士学位论文全文数据库信息科技辑》;20140115;第2014年卷(第1期);第2.1.3节第1段、第2.2节第1段和第2.2.3节第1-2段、第3.2.2节 |
Also Published As
Publication number | Publication date |
---|---|
CN105139034A (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139034B (zh) | 一种结合光谱滤除的船舶检测方法 | |
CN102855622B (zh) | 一种基于显著性分析的红外遥感图像海面船只检测方法 | |
CN102880856B (zh) | 基于油、水光谱特征差异的航空高光谱遥感自动识别海表溢油的方法 | |
CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN102842032B (zh) | 基于多模式组合策略的移动互联网色情图像识别方法 | |
CN104217196B (zh) | 一种遥感影像圆形油罐自动检测方法 | |
CN106446926A (zh) | 一种基于视频分析的变电站工人安全帽佩戴检测方法 | |
CN103400156A (zh) | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 | |
CN107704865A (zh) | 基于结构森林边缘候选区域提取的舰船目标检测算法 | |
CN109214439A (zh) | 一种基于多特征融合的红外图像结冰河流检测方法 | |
CN109815807A (zh) | 一种基于边缘线分析和聚合通道特征的靠岸船舶检测方法 | |
CN106886760A (zh) | 一种基于空谱信息结合的高光谱舰船检测方法 | |
CN106778495A (zh) | 遥感影像中复杂海面背景下的舰船检测方法 | |
Daniel et al. | Automatic ship detection from commercial multispectral satellite imagery | |
CN112907520A (zh) | 基于端到端深度学习方法的单株树冠检测方法 | |
CN110415224A (zh) | 一种海上船舶遥感监测系统及平台和方法 | |
CN110147716A (zh) | 一种基于频域与空域相结合的sar图像内波区域检测方法 | |
CN106526558B (zh) | 基于多普勒天气雷达资料的阵风锋自动识别方法 | |
CN108694415B (zh) | 图像特征提取方法、装置及水源图像分类方法、装置 | |
CN103810487A (zh) | 一种海洋航拍图像的目标检测与识别方法及系统 | |
CN110516565A (zh) | 一种基于Zernike和SVM的海面船只识别方法 | |
Ke et al. | Comparison of individual tree crown detection and delineation methods | |
CN106023166B (zh) | 微波图像中人体隐藏危险物体的检测方法和装置 | |
Li et al. | Detection of oil spills based on gray level co-occurrence matrix and support vector machine | |
CN112418156B (zh) | 基于无监督分类的光学遥感图像海面舰船目标检测方法 |
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 | ||
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: 20190628 |