CN106056084B - 一种多分辨层次化筛选的遥感图像港口船舶检测方法 - Google Patents

Abstract

一种多分辨层次化筛选的遥感图像港口船舶检测方法，针对大尺寸高分辨率光学遥感图像港口内船舶，采用coarse‑to‑fine(由粗到细)方法对图像处理，结合突异检测方法与Harris角点描述子(Harris Corner Detector)检测方法，构建一种高效的港口内船舶检测方法。首先，将大尺寸图像抽样后的图像分别执行突异与多角度旋转突异检测，判断两种方法得到的疑似船舶面积，并将判断结果进行区域拓展，得到港口区域的疑似显著区。之后，取得原分辨率图像中的疑似显著区域，再对原分辨率下的疑似显著区分别进行突异和多角度旋转突异检测，使用Harris角点描述子方法检测两种检测方法得到的疑似船舶的船头特征，将检测得到的船舶坐标返回到原高分辨率图像中进行标记，最终得到原高分辨率图像中的船舶标记。

Description

一种多分辨层次化筛选的遥感图像港口船舶检测方法

技术领域

本发明涉及遥感图像的处理方法，特别是大尺寸高分辨率光学卫星遥感图像快速自动处理中的港口内船舶检测方法。

背景技术

近年，高分辨率光学遥感图像已成为遥感图像目标检测的热门领域。其中，基于光学遥感图像的船舶检测更是研究中的重点，特别是针对船舶交通较为繁忙的港口区域的船舶检测研究更是成为热点技术，并且随着航空技术与传感器技术发展的日益成熟，人们可获得海量高质量高分辨率的光学遥感图像。因此缓慢的人工识别已经无法满足实际操作中的需要，从而产生了许多自动的快速检测方法，例如：基于局部特征方差图像的自适应确定目标检测阈值方法、双参数恒虚警(CFAR)算法、基于直线链码的船舶检测方法等。

但在实际应用这些方法的过程中，针对大尺寸的复杂背景下的港口光学遥感图像的检测效果并不理想。自适应中的单一的阈值分割，所使用特征过于简单，针对处在海洋背景下的船舶检测效果显著，但无法有效的检测靠港的船舶和剔除港口内多余的虚警。基于直线链码的检查方法，虽然直线链码可以有效的描述船舶结构，但港内码头的灰度和纹理特征与船舶特征较为相似，直线链码易受到此特征的干扰，导致检测结果中存在大量漏检。恒虚警检测方法可有效的检测到船舶特征，但使用划窗对每个像素进行计算的方法，针对尺寸较小的图像检测效果较好，而对于大尺寸图像来说计算量过大，导致计算过程时间较长，无法实现高效的检测。

因此，针对大尺寸的港口光学遥感图像的船舶快速检测成为了遥感图像目标检测的难点。于是，现阶段大量基于光学遥感图像的船舶检测方法，多集中在较复杂的海洋背景遥感图像上。即使是涉及港口内船舶的检测方法，也多为基于尺寸较小的光学遥感图像上的检测，并将检测得到的含有船舶的候选区当作检测结果，使得检测结果并不显著。

发明内容

本发明的目的在于针对上述技术的难点，提供一种多分辨层次化筛选的遥感图像港口船舶检测方法，通过将低分辨率条件下图像的粗筛选与原高分辨率下图像的精筛选相结合的方法对图像进行处理，并结合突异检测方法与Harris角点描述子(Harris CornerDetector)检测方法，构建一种高效的港口内船舶检测方法。

本发明针对以上叙述的情况，采用一种多分辨层次化筛选的遥感图像港口船舶检测方法，目前国内尚未有此类方法的报道。

本发明提供的方法由一层低分辨港口疑似显著区域粗筛选和二层原分率港内疑似船舶精筛选两个步骤组成。具体步骤如下：

第一步：一层低分辨港口疑似显著区域粗筛选

该步骤首先对输入的大尺寸高分辨率遥感图像进行抽样，而后对抽样后图像分别进行突异检测以及多角度旋转突异检测，将这两种检测方法得到的疑似船舶合并，并对疑似船舶进行粗筛选，之后拓展得到疑似船舶所在的显著区，从而得到经过一层粗筛选后的港口疑似显著区域。

第二步：二层原分率港内疑似船舶精筛选

根据上一步中得到的疑似显著区域坐标，返回原输入高分辨率图像中得到原分辨下的疑似显著区域的图像。对此图像分别进行突异检测以及多角度旋转突异检测，将两种检测方法得到的疑似船舶合并，并对疑似船舶进行精筛选，最终得到经过两层筛选后的船舶目标。并将船舶目标的坐标返回到原大尺寸图像中标记。

根据本发明的一个方面，提供了一种多分辨层次化筛选的遥感图像港口船舶检测方法，用于自动检测大尺寸高分辨率遥感光学图像中复杂的港口区域,其特征在于包括：

将输入的大尺寸光学高分辨遥感图像按一定规格抽样，

对抽样后的图像分别进行突异检测与多角度旋转突异检测，

将得到的疑似船舶合并，并针对每个疑似船舶的面积进行判断，

将判断得到的疑似船舶进行区域拓展，进而得到港口区域中的疑似显著区，从而实现在一层低分辨率图像条件下的疑似显著区的粗筛选，

将上一层中得到的疑似显著区返回到原大尺寸高分辨遥感图像上，从而得到原高分辨率条件下的疑似显著区，

之后，对疑似显著区域分别进行突异检测与多角度旋转突异检测，将得到的疑似船舶合并，并使用Harris角点描述子结构识别疑似船舶的船头部分，

将检测得到的船舶结果标记回原大尺寸光学高分辨率遥感图像中，从而实现二层原分辨率的疑似船舶精筛选，最终输出标记结果。

附图说明

图1是根据本发明的一个实施例的一种多分辨层次化筛选的遥感图像港口船舶检测方法的流程图。

图2是根据本发明的一个实施例的一层低分辨港口疑似显著区域粗筛选流程图。

图3是根据本发明的一个实施例的二层原分率港内疑似船舶精筛选流程图。

具体实施方式

以下说明如何具体实施本发明提供的方法。图1是是根据本发明的一个实施例的多分辨层次化筛选的遥感图像港口船舶检测方法的流程框图，其包括：

第一步：一层低分辨港口疑似显著区域粗筛选

针对输入的大尺寸高分辨率港口遥感图像，通过对其进行抽样，产生分辨率较低的图像。在此图像上，进行突异检测方法与多角度旋转突异检测方法的结合，得到港口内疑似船舶。再对这些疑似船舶进行合并与粗筛选，将筛选得到的疑似船舶拓展，从而得到港口内疑似显著区。其根据本发明的一个实施例的过程如图2所示。

第(1.1)步突异检测：如图2所示，首先对输入的大尺寸光学高分辨率遥感图像按抽样规格λ进行抽样，然后对抽样后的港口图像进行突异检测，得到疑似的船舶。

第(1.2)步多角度旋转突异检测：针对上一步骤中抽样后的图像，使其以指定角度{k₁,k₂,…,k_i}顺时针旋转。并对旋转了角度k_i的图像，进行突异检测。将检测得到的疑似船舶逆时针旋转角度k_i，返回到抽样后的图像上，并将所有检测得到的疑似船舶合并，得到多角度旋转检测后的疑似船舶目标。

第(1.3)步合并疑似显著区及虚警快速粗剔除：根据第(1.1)步与第(1.2)步中获得的疑似船舶，将两者的疑似船舶进行或计算，从而得到两种检测方法共同作用下的疑似船舶目标，形成一幅只含有疑似船舶的逻辑图像。对合并后的疑似船舶图像进行连通域标记，得到连通域L₁,L₂,…,L_i。分别计算连通域L_i的面积N_i，并执行判断：

其中，G_i(x,y)为连通域L_i中坐标；S₁为连通域面积所允许的下线；S₂为连通域面积所允许的上线。如果连通域面积N_i在面积要求的范围内，则连通域L_i中的像素都别标记为1；反之，则被标记为0。从而粗筛选出疑似船舶。

第(1.4)步截取疑似目标区域：针对上一步中得到的疑似船舶目标图像，重新进行连通域标记，得到新的连通域L'₁,L'₂,…,L'_i。取出单个连通域L'_i，并计算其尺寸：

其中，{x_imin,x_imax,y_imin,y_imax}为使用行扫描与列扫描的方法确定的连通域L'_i的像素坐标极值点。通过极值点确定L'_i的长w_i与宽h_i，并分别横纵方向延长d_i2，d_i1距离，从而拓展了的疑似船舶的范围，最终确定了疑似显著区域的位置。将得到的疑似显著区域标记为D₁,D₂,…,D_i。

第二步：二层原分率港内疑似船舶精筛选

针对上一步中得到的疑似显著区域D₁,D₂,…,D_i，将这些区域的坐标返回到原高分辨率图像中，从而得到了原高分辨率下的疑似显著区图像D'₁,D'₂,…,D'_i。对这些图像，再次进行突异检测与多角度突异检测的结合，并将两方法得到的疑似船舶合并，对合并后的疑似船舶进行精筛选，之后将筛选得到的船舶坐标返回到原大尺寸的遥感图像中，并标记。其根据本发明的一个实施例的过程如图3所示。

第(2.1)步突异检测：将第一步中得到的显著区域D₁,D₂,…,D_i返回到原高分辨率图像中，从而得到原分辨率下的疑似显著区域D'₁,D'₂,…,D'_i图像，分别进行突异检测。得到含有疑似船舶的图像。

第(2.2)步多角度旋转突异检测：针对第一步中得到的原高分辨率疑似显著区域图像D'₁,D'₂,…,D'_i，使其以指定角度{k₁,k₂,…,k_i}顺时针旋转。并对旋转了角度k_i的图像，进行突异检测。将检测得到的疑似船舶逆时针旋转角度k_i，返回到疑似显著区域图像D'₁,D'₂,…,D'_i上，并将所有检测得到的疑似船舶合并，得到多角度旋转检测后的疑似船舶。

第(2.3)步合并疑似船舶及虚警精细剔除：将上两步中突异检测与多角度旋转突异检测得到的疑似船舶通过与运算合并，形成一幅只含有疑似船舶的逻辑图像。之后对合并得到的疑似船舶进行精细筛选。首先，将逻辑图像进行连通域标记，得到连通域H₁,H₂,…H_i。取出连通域H_i后，使用Harris角点描述子结构识别疑似船舶的船头部分，将检测得到的船头特征保存在一幅逻辑图像中，从而实连通域中船舶的精细筛选。

第(2.4)步返回原图像标记目标：将疑似显著区筛选后得到的船舶坐标返回到抽样后的图像，以此生成一幅大小与抽样后遥感图像相同的逻辑图像。再按照抽样λ，对此逻辑图像进行规格为1/λ的差值放大。并对放大后的逻辑图像进行连通域标记，得到H'₁,H'₂,…H'_i连通域。之后对连通域H'_i进行列扫描和行扫描，同样取得船舶目标的像素坐标极值点{x'_imin,x'_imax,y'_imin,y'_imax}。通过这些极值点，可标记出船舶目标在大尺寸图像中的位置。

本发明与现有检测方法相比具有以下优点:

由于输入的待检测图像为大尺寸高分辨遥感图像，本方法首先对原图像进行一定规格的抽样，之后经过粗筛选得到了小块的疑似显著区域。再从原图像中截取高分辨率下的相应疑似显著区，进而可对其进行精细的筛选。这使得本方法在处理大尺寸高分辨遥感图像时，合理的减少了计算大量像素坐标所消耗的时间，同时在对小块候选区处理时也能保证图像的特征能够被较好的保留，高效的利用突异检测方法描述港口轮廓的性能，又提高局部描述子方法检测的效果。从而实现了针对大尺寸遥感图像的船舶目标的高效检测。

本方法使用多种检测方法，将这些方法合理的交叉使用，可有效的实现目标的精确检测。使用突异检测方法，可有效获取港口图像中海岸凸起的区域，在一层粗筛选时，此方法可有效确定港口内部的轮廓以及疑似显著区域。再通过筛选疑似显著区域的面积特征，可得到港口内可能含有船舶目标的疑似候选区。在二层筛选中，通过对原分辨率下的显著区域进行突异扫描，可得到更为精确且范围更小的海岸凸起目标。因此，在对这些疑似船舶进行局部描述子方法检测时，可有效的提高算法的检测精度并减少运算过程的时间。最终，实现了本方法在针对大尺寸高分辨率遥感图像的精确检测。

Claims (4)

1.一种多分辨层次化筛选的遥感图像港口船舶检测方法，用于自动检测大尺寸高分辨率遥感光学图像中复杂的港口区域,其特征在于包括：

将输入的大尺寸光学高分辨遥感图像按一定规格抽样，

对抽样后的图像分别进行突异检测与多角度旋转突异检测，

将得到的疑似船舶合并，并针对每个疑似船舶的面积进行判断，

将判断得到的疑似船舶进行区域拓展，进而得到港口区域中的疑似显著区，从而实现在一层低分辨率图像条件下的疑似显著区的粗筛选，

将上一层中得到的疑似显著区返回到原大尺寸高分辨遥感图像上，从而得到原高分辨率条件下的疑似显著区，

之后，对疑似显著区域分别进行突异检测与多角度旋转突异检测，将得到的疑似船舶合并，并使用Harris角点描述子结构识别疑似船舶的船头部分，

将检测得到的船舶结果标记回原大尺寸光学高分辨率遥感图像中，从而实现二层原分辨率的疑似船舶精筛选，最终输出标记结果。

2.根据权利 要求1所述的方法，其特征在于：

针对抽样后的图像，使其以指定角度{k₁,k₂,…,k_i}顺时针旋转，

对旋转了角度k_i的图像，进行突异检测，

将检测得到的疑似船舶逆时针旋转角度k_i，返回到抽样后的图像上，并将所有检测得到的疑似船舶合并，得到多角度旋转检测后的疑似船舶目标。

3.根据权利 要求1所述的方法，其特征在于：

对原大尺寸高分辨率遥感图像进行一定规格的抽样，之后对图像分别进行突异检测和多角度旋转突异检测，将两种检测方法得到的疑似船舶进行或计算，从而得到两种检测方法共同作用下的疑似船舶目标，形成一幅只含有疑似船舶的逻辑二值图像，

对合并后的疑似船舶图像进行连通域标记，得到连通域L₁,L₂,…,L_i，

分别计算连通域L_i的面积N_i，并执行判断：

其中，G_i(x,y)为连通域L_i中坐标；S₁为连通域面积所允许的下线；S₂为连通域面积所允许的上线，

如果连通域面积N_i在面积要求的范围内，则连通域L_i中的像素都别标记为1；反之，则被标记为0，从而粗筛选出疑似船舶。

4.根据权利 要求1所述的方法，其特征在于：

将一层低分辨率显著区域粗筛选中得到的显著区域D₁,D₂,…,D_i返回到原高分辨率图像中，从而得到原分辨率下的疑似显著区域D'₁,D'₂,…,D'_i图像，对每个疑似显著区分辨分别进行突异检测与多角度旋转突异检测，将得到的疑似船舶合并。