CN106886747B - 一种基于扩展小波变换的复杂背景下舰船检测方法 - Google Patents
一种基于扩展小波变换的复杂背景下舰船检测方法 Download PDFInfo
- Publication number
- CN106886747B CN106886747B CN201611232350.6A CN201611232350A CN106886747B CN 106886747 B CN106886747 B CN 106886747B CN 201611232350 A CN201611232350 A CN 201611232350A CN 106886747 B CN106886747 B CN 106886747B
- Authority
- CN
- China
- Prior art keywords
- res
- point
- abs
- new
- image
- 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
- 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
- G06F18/24—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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于扩展小波变换的复杂背景下舰船检测方法,属于可见光遥感图像目标检测和识别领域。本发明的目的是当海域灰度分布复杂,波浪、尾迹、云块干扰导致常见检测失败。本发明提出了用扩展小波变换方法查找感性趣区域,通过提取候选区域的轮廓,统计轮廓的长、宽、周长、面积、能量、熵等十一维特征信息最后完成舰船检测,剔除虚警信息。
Description
技术领域
本发明属于中高等分辨率下可见光遥感图像目标检测和识别技术领域,尤其涉及一种基于扩展小波变换的复杂背景下舰船检测方法。
背景技术
遥感图像目标检测与识别一直是遥感图像处理和模式识别领域研究的热点课题,而舰船目标作为海上监测和战时打击的重点目标,其自动检测与识别具有非常重要的现实意义,无论在民用还是军事领域都有着广阔的应用前景。目前海面舰船检测的算法主要是利用SAR图像舰船目标与水体之间不同的电磁散射的特性,SAR图像可以全天时、全天候对地观测,但是其分辨率和信噪比都较低(大约5m~25m),并且重访周期长,不利于实时海域监测;随着高分辨率遥感图像的出现,图像细节丰富。结构特征明显,近年来受到学者的青睐。
当海面较为平静、纹理均匀且水体较暗的图像,海面与舰船对比度明显时,常见算法能够取得良好的效果,但是受气候条件、太阳角度、天气状况、海面状况等因素的影响,海域灰度分布复杂,波浪、尾迹、云块的干扰使得常见算法效果大大降低,甚至无法定位到目标的感兴趣区域。本发明的方法结合遥感相机同时产生的多光谱数据,能够快速、准确的检测到海面复杂海况的舰船。
发明内容
为了解决现有技术中存在的技术问题,本发明提供一种基于扩展小波变换的复杂背景下舰船检测方法。
为了解决上述问题,本发明的技术方案具体如下:
一种基于扩展小波变换的复杂背景下舰船检测方法,包括如下步骤:
步骤1:通过绿波段的灰度值BG和近红外波段的灰度值BNir,计算待识别图像img0(w*h)每个像素位置(i,j)的FunMSS=BG-BNir/BG+BNir值,同时设定阈值threshold;
步骤2:建立一幅和原始图像一样大小(w*h)全0图像img1;
步骤3:判断img0每个像素位置(i,j)的FunMSS的值,若大于threshold,img1(i,j)置255,至此,完成海洋和陆地的分离;
步骤4:将img0沿着垂直方向卷积高通滤波器G(Z1),得到第一层高频垂直细节系数:D1 1,大小为w*h;
步骤5:将img0沿着水平方向卷积高通滤波器G(Z2),得到第一层高频水平细节系数:D1 2,大小为w*h;
步骤6:将img0先卷积水平方向低通滤波器H(Z2),再卷积垂直方向低通滤波器H(Z1),得到第一层低频近似系数:X,大小为w*h;
步骤7:将X沿着垂直方向卷积高通滤波器G(Z1),得到第二层高频垂直细节系数:D2 1,大小为w*h;
步骤8:将X沿着水平方向卷积高通滤波器G(Z2),得到第二层高频水平细节系数:D2 2,大小为w*h;
步骤9:将D1 1、D1 2、D2 1、D2 2各自取绝对值得到abs_D1 1、abs_D1 2、abs_D2 1、abs_D2 2;
步骤10:将abs_D1 1、abs_D2 1、abs_D1 2和abs_D2 2相乘得到Res_VH;
步骤11:采用局部极大值抑制的方法,在窗口m0*m0内寻找Res_VH的局部极大值点pt={pt1,pt2,...,ptn},共n个;
步骤12:设定阈值threshold1,判断n个点之间任意两个点距离,若任意两点间的距离小于threshold1,将其合并为一个质心点;这样得到合并后的点pt_new={pt1_new,pt2_new,...,ptm_new},共m个。
步骤13:以pt_new={pt1_new,pt2_new,...,ptm_new}中每一个点为中心,判断m1*m1大小范围内海陆分离图像img1的像素值,若m1*m1范围内所有点的值都是255,则保留该中心点,否则删除该中心点,最后得到k个点pt_res={pt1_res,pt2_res,...,ptk_res};
步骤14:以pt_res={pt1_res,pt2_res,...,ptk_res}为中心,在图img0截取m2*m2切片图像,得到k个切片图像img_s={img1_s,img2_s,…,imgk_s};
步骤15:以pt_res={pt1_res,pt2_res,...,ptk_res}每个点为中心,利用活动轮廓的方法检测每个切片图像的边缘,得到边缘图像img_b={img1_b,img2_b,…,imgk_b};
步骤16:统计每个边缘图像轮廓的外接矩形、长、宽和区域面积、周长;
步骤17:计算每个边缘图像长宽比、紧致度、矩形度和灰度共生矩阵的四个参数能量、熵、对比度和相关性;
步骤18;将步骤16和步骤17中得到的参数输入到SVM分类器中,将对应切片图像进行分类,确认舰船切片,剔除虚警切片。
本发明具有以下优点和积极效果:
1、结合多光谱信息,在快速分割得到的海域图像上,利用扩展小波变换的方法定位到候选舰船的区域;能够克服复杂海况下舰船检测困难,该法具有很高的检测率,虚警和漏警较少,便于硬件实现。
2、利用了扩展小波变换的方法,并且将高频子带相乘,能够使算法应用到信噪比较低的情况下,扩展了算法的使用范围。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1是基于扩展小波变换的复杂背景下舰船检测方法的大体流程图。
图2是步骤4到步骤12中涉及到的扩展小波算法流程图。
图3是步骤1中待处理原图示意图。
图4是步骤3海陆分解结果示意图。
图5是步骤6进行了第一次扩展小波变换的得到低频近似图像。
图6是步骤10将四个高频系数相乘后三维显示效果图。
图7是切片示意图。
图8是边缘提取示意图。
具体实施方式
本发明的发明思想为:
一种基于扩展小波变换的复杂背景下舰船检测方法,关键是在复杂背景中快速定位到目标所在区域,本方法采取“在预筛选阶段最大化可疑目标个数,在后处理阶段最小化虚警概率”的策略,分三步骤进行:预处理阶段进行海洋和陆地分离;预筛选阶段快速检测海域上的感兴趣区域,定位目标所在位置区域;后处理阶段提取有利于区分目标和虚警的特征,排除大部分虚警保留最终的目标。
本方法通过结合多光谱图像提供的冗余信息快速进行海陆分离,然后利用扩展小波变换法实现查找感兴趣区域,该方法速度快,同时有良好的抗噪声能力;当找到目标所在图像的位置时,利用活动轮廓方法提取目标的轮廓区域,统计长、宽、面积、周长、细长度、紧致度和矩形度等11维特征,并输入到SVM分类器中,最终将目标和虚警分离。
为了更好的表述本发明的特征,下面结合具体实施方式对本发明作进一步详细的说明。
实施例1:本发明在舰船夹杂在云层中图像上的应用。
步骤1:如图3,通过绿波段的灰度值BG和近红外波段的灰度值BNir,计算待识别图像img0(273*273)每个像素位置(i,j)的FunMSS=BG-BNir/BG+BNir值,根据经验值,设定阈值threshold=0.3;
步骤2:建立一幅和原始图像一样大小(273*273)全0图像img1;
步骤3:如图4所示,判断img0每个像素位置(i,j)的FunMSS的值,若大于threshold,img1(i,j)置255,至此,完成海洋和陆地的分离;
步骤4:将img0沿着垂直方向卷积高通滤波器G(Z1),该方案中采用Haar小波的高通滤波器得到第一层高频垂直细节系数:D1 1,大小为273*273;
步骤5:将img0沿着水平方向卷积高通滤波器G(Z2),该方案中采用Haar小波的高通滤波器得到第一层高频水平细节系数:D1 2,大小为273*273;
步骤6:如图5所示,将img0先卷积水平方向低通滤波器H(Z2),再卷积垂直方向低通滤波器H(Z1),该方案中采用Haar小波的高通滤波器得到第一层低频近似系数:X,大小为273*273;
步骤7:将X沿着垂直方向卷积高通滤波器G(Z1),该方案中采用Haar小波的高通滤波器得到第二层高频垂直细节系数:D2 1,大小为273*273;
步骤8:将X沿着水平方向卷积高通滤波器G(Z2),该方案中采用Haar小波的高通滤波器得到第二层高频水平细节系数:D2 2,大小为273*273;
步骤9:将D1 1、D1 2、D2 1、D2 2各自取绝对值得到abs_D1 1、abs_D1 2、abs_D2 1、abs_D2 2;
步骤10:如图6所示,将abs_D1 1、abs_D2 1、abs_D1 2和abs_D2 2相乘得到Res_VH,大小为273*273;
步骤11:采用局部极大值抑制的方法,在窗口61*61内寻找Res_VH局部极大值点pt={pt1,pt2,...,pt8},共8个;
步骤12:设定阈值10,判断8个点之间任意两个点的距离,若任意两点间的距离小于10,将其合并为一个质心点;这样得到合并后的点pt_new={pt1_new,pt2_new,...,pt3_new},共3个。
步骤13:以pt_new={pt1_new,pt2_new,...,pt3_new}中每一个点为中心,img0图像分辨率为2m,该步骤取m1=100,统计100*100范围内海陆分离图像img1的像素值,若100*100范围内所有点的值都是255,则保留该中心点,否则删除该中心点,最后得到2个点pt_res={pt1_res,pt2_res};
步骤14:如图7,该步骤设定m2=100,分别以pt1_res和pt2_res为中心,在图img0截取100*100切片图像,得到2个切片img1_s和img2_s;
步骤15:如图8,以pt1_res和pt2_res分别为中心,用活动轮廓方法的分割的方法,检测每个切片图像的边缘img1_b和img2_b;
步骤16:统计边缘图像img1_b的轮廓的外接矩形的长、宽、区域的面积和周长为(7515 1080 180);统计边缘图像img2_b的轮廓的外接矩形的长、宽、区域的面积和周长为(64 30 1780 188);
步骤17:计算img1_b的边缘图像长宽比、紧致度和矩形度为(530 1.041)和灰度共生矩阵的四个参数能量、熵、对比度和相关性(0.195 1.369 3.109 4841.893);计算img2_b的边缘图像长宽比、紧致度和矩形度为(219.8 1.07)和灰度共生矩阵的四个参数能量、熵、对比度和相关性(0.228 0.794 0.179 1171888.663)
步骤18;将步骤16和步骤17中得到的11个参数输入到SVM分类器中,将对应切片图像进行分类,确认舰船切片img1_s、剔除虚警切片img2_s。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (2)
1.一种基于扩展小波变换的复杂背景下舰船检测方法,其特征在于,包含如下步骤:
步骤1:通过绿波段的灰度值BG和近红外波段的灰度值BNir,计算待识别图像img0(w*h)每个像素位置(i,j)的FunMSS=BG-BNir/BG+BNir值,同时设定阈值threshold;
步骤2:建立一幅和原始图像一样大小(w*h)全0图像img1;
步骤3:判断img0每个像素位置(i,j)的FunMSS的值,若大于threshold,img1(i,j)置255,至此,完成海洋和陆地的分离;
步骤4:将img0沿着垂直方向卷积高通滤波器G(Z1),得到第一层高频垂直细节系数:D1 1,大小为w*h;
步骤5:将img0沿着水平方向卷积高通滤波器G(Z2),得到第一层高频水平细节系数:D1 2,大小为w*h;
步骤6:将img0先卷积水平方向低通滤波器H(Z2),再卷积垂直方向低通滤波器H(Z1),得到第一层低频近似系数:X,大小为w*h;
步骤7:将X沿着垂直方向卷积高通滤波器G(Z1),得到第二层高频垂直细节系数:D2 1,大小为w*h;
步骤8:将X沿着水平方向卷积高通滤波器G(Z2),得到第二层高频水平细节系数:D2 2,大小为w*h;
步骤9:将D1 1、D1 2、D2 1、D2 2各自取绝对值得到abs_D1 1、abs_D1 2、abs_D2 1、abs_D2 2;
步骤10:将abs_D1 1、abs_D2 1、abs_D1 2和abs_D2 2相乘得到Res_VH;
步骤11:在窗口m0*m0内寻找Res_VH的局部极大值点pt={pt1,pt2,...,ptn},共n个;
步骤12:设定阈值threshold1,判断n个点之间任意两个点距离,若任意两点间的距离小于threshold1,将其合并为一个质心点;这样得到合并后的点pt_new={pt1_new,pt2_new,...,ptm_new},共m个;
步骤13:以pt_new={pt1_new,pt2_new,...,ptm_new}中每一个点为中心,判断m1*m1大小范围内海陆分离图像img1的像素值,若m1*m1范围内所有点的值都是255,则保留该中心点,否则删除该中心点,最后得到k个点pt_res={pt1_res,pt2_res,...,ptk_res};
步骤14:以pt_res={pt1_res,pt2_res,...,ptk_res}为中心,在图img0截取m2*m2切片图像,得到k个切片图像img_s={img1_s,img2_s,…,imgk_s};
步骤15:以pt_res={pt1_res,pt2_res,...,ptk_res}每个点为中心,利用活动轮廓的方法检测每个切片图像的边缘,得到边缘图像img_b={img1_b,img2_b,…,imgk_b};
步骤16:统计每个边缘图像轮廓的外接矩形、长、宽和区域面积、周长;
步骤17:计算每个边缘图像长宽比、紧致度、矩形度和灰度共生矩阵的四个参数能量、熵、对比度和相关性;
步骤18;将步骤16和步骤17中得到的参数输入到SVM分类器中,将对应切片图像进行分类,确认舰船切片,剔除虚警切片。
2.根据权利要求1所述的基于扩展小波变换的复杂背景下舰船检测方法,其特征在于,在所述步骤11中,采用局部极大值抑制的方法,在窗口m0*m0内寻找Res_VH的局部极大值点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611232350.6A CN106886747B (zh) | 2016-12-28 | 2016-12-28 | 一种基于扩展小波变换的复杂背景下舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611232350.6A CN106886747B (zh) | 2016-12-28 | 2016-12-28 | 一种基于扩展小波变换的复杂背景下舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106886747A CN106886747A (zh) | 2017-06-23 |
CN106886747B true CN106886747B (zh) | 2019-09-06 |
Family
ID=59176274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611232350.6A Expired - Fee Related CN106886747B (zh) | 2016-12-28 | 2016-12-28 | 一种基于扩展小波变换的复杂背景下舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106886747B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967696B (zh) * | 2017-11-23 | 2021-06-25 | 湖南文理学院 | 一种水面船只雷达遥感检测方法、电子设备 |
CN109871731A (zh) * | 2017-12-05 | 2019-06-11 | 上海齐耀重工有限公司 | 船舶检测的方法、装置及计算机存储介质 |
CN111382632A (zh) * | 2018-12-29 | 2020-07-07 | 中国科学院长春光学精密机械与物理研究所 | 目标检测方法、终端设备及计算机可读存储介质 |
CN111368629A (zh) * | 2019-11-23 | 2020-07-03 | 中国科学院长春光学精密机械与物理研究所 | 一种基于全色遥感图像的舰船识别方法、系统及终端设备 |
CN111027497B (zh) * | 2019-12-17 | 2023-03-31 | 西安电子科技大学 | 基于高分辨率光学遥感影像的弱小目标快速检测方法 |
CN111695397A (zh) * | 2019-12-20 | 2020-09-22 | 珠海大横琴科技发展有限公司 | 一种基于yolo的船只识别方法及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070031042A1 (en) * | 2005-08-02 | 2007-02-08 | Edmundo Simental | Efficient imagery exploitation employing wavelet-based feature indices |
US20090304231A1 (en) * | 2008-06-09 | 2009-12-10 | Arcsoft, Inc. | Method of automatically detecting and tracking successive frames in a region of interesting by an electronic imaging device |
CN102609701A (zh) * | 2012-01-10 | 2012-07-25 | 河海大学 | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 |
CN106022280A (zh) * | 2016-05-26 | 2016-10-12 | 西安空间无线电技术研究所 | 一种基于分级不变性特征的典型舰船目标识别方法 |
-
2016
- 2016-12-28 CN CN201611232350.6A patent/CN106886747B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070031042A1 (en) * | 2005-08-02 | 2007-02-08 | Edmundo Simental | Efficient imagery exploitation employing wavelet-based feature indices |
US20090304231A1 (en) * | 2008-06-09 | 2009-12-10 | Arcsoft, Inc. | Method of automatically detecting and tracking successive frames in a region of interesting by an electronic imaging device |
CN102609701A (zh) * | 2012-01-10 | 2012-07-25 | 河海大学 | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 |
CN106022280A (zh) * | 2016-05-26 | 2016-10-12 | 西安空间无线电技术研究所 | 一种基于分级不变性特征的典型舰船目标识别方法 |
Non-Patent Citations (2)
Title |
---|
SAR图像多尺度积增强的目标检测算法;陈德元等;《遥感学报》;20070330;第11卷(第02期);第187-192页 * |
一种基于小波变换的SAR图像船舰检测的新算法;陈德元等;《电子与信息学报》;20070430;第29卷(第04期);第855-858页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106886747A (zh) | 2017-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106886747B (zh) | 一种基于扩展小波变换的复杂背景下舰船检测方法 | |
Nasiri et al. | Infrared small target enhancement based on variance difference | |
CN103761731A (zh) | 一种基于非下采样轮廓波变换的红外空中小目标检测方法 | |
CN109919870B (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
CN107507209B (zh) | 极化sar图像的素描图提取方法 | |
CN104463877B (zh) | 一种基于雷达影像与电子海图信息的岸线配准方法 | |
CN107403134B (zh) | 基于局部梯度三边的图域多尺度红外弱小目标检测方法 | |
CN106709426A (zh) | 基于红外遥感图像的舰船目标检测方法 | |
CN110660065B (zh) | 一种红外故障检测识别算法 | |
CN102750705A (zh) | 基于图像融合的光学遥感图像变化检测 | |
Dong et al. | Infrared target detection in backlighting maritime environment based on visual attention model | |
Zhao et al. | An adaptation of CNN for small target detection in the infrared | |
CN114549642B (zh) | 一种低对比度红外弱小目标检测方法 | |
Jia et al. | Research on the decomposition and fusion method for the infrared and visible images based on the guided image filtering and Gaussian filter | |
CN112163606B (zh) | 基于块对比度加权的红外小目标检测的方法 | |
CN105931235A (zh) | 一种基于复数Scharr滤波器的海空红外图像弱小目标检测方法 | |
CN112669332A (zh) | 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法 | |
CN105869156B (zh) | 一种基于模糊距离的红外小目标检测方法 | |
Cai et al. | Man-made object detection based on texture clustering and geometric structure feature extracting | |
CN111951299B (zh) | 一种红外空中目标检测方法 | |
Zhang et al. | Ship target segmentation and detection in complex optical remote sensing image based on component tree characteristics discrimination | |
CN110211124B (zh) | 一种基于MobileNetV2的红外成像结冰湖泊检测方法 | |
Faramarzi et al. | Infrared dim and small targets detection based on multi-scale local contrast measure utilizing efficient spatial filters | |
Ning et al. | Ship detection of infrared image in complex scene based on bilateral filter enhancement | |
Zhang et al. | Target detection in sar images based on sub-aperture coherence and phase congruency |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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 |
Granted publication date: 20190906 Termination date: 20201228 |
|
CF01 | Termination of patent right due to non-payment of annual fee |