CN106886760B - 一种基于空谱信息结合的高光谱舰船检测方法 - Google Patents
一种基于空谱信息结合的高光谱舰船检测方法 Download PDFInfo
- Publication number
- CN106886760B CN106886760B CN201710052487.1A CN201710052487A CN106886760B CN 106886760 B CN106886760 B CN 106886760B CN 201710052487 A CN201710052487 A CN 201710052487A CN 106886760 B CN106886760 B CN 106886760B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- image
- waters
- target
- targeted
- 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.)
- Active
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于空谱信息结合的高光谱舰船检测方法,能够解决现有舰船检测方法中舰船目标的检测的准确度和虚警的问题。本发明方法中涉及基于类间差异性的无监督光谱子区间筛选方法,是一种准确、快速、鲁棒性强的无监督光谱波段筛选方法。阈值分割中加入了水域的相对稳定性,极大削弱了亮度值较低的非水域区域对检测结果的干扰,能够实现十分准确的海陆分割结果,该方法简单、快速并且自适应。本发明提出了对RX异常检测结果进行空间特征增强的方法,即利用二维本征模态分解重构图像,并且该方法是自适应的,完全依赖数据本身的结构。本方法利用物质的光谱特征分析物质的主要材质构成,所有光谱均可由光谱字典中光谱向量线性组合得到。
Description
技术领域
本发明涉及高光谱遥感图像处理技术领域,具体涉及一种基于空谱信息结合的高光谱舰船检测方法。
背景技术
随着卫星遥感技术的飞速发展,卫星遥感经历了由传统光学图像,到数个波段的多光谱图像,再到数百个波段的高光谱图像的发展过程,传感器成像的光谱分辨率已达到5nm的精度。现有高光谱成像器件已经可以获得覆盖所有可见光和近红外波长在内的几十甚至几百个波段的中高空间分辨率图像,不同波段的图像集合起来,形成一个高光谱立方体。从单个波段的角度看,它是空间里分辨率较低的二维图像;从像素点的角度看,它是高维光谱向量。
与传统光学图像不同,高光谱图像具有“图谱合一”的特点,高光谱数据源的出现,以及它所具有的“图谱合一”、“光谱字典”的特性,该数据在传统光学图像空间维的基础上增加了具有较高光谱分辨率的光谱维度。由于分子、原子、离子的晶振不同,任何物质的吸收或反射光谱都有着自己独特的特征。从探测和识别物质构成的角度上来说,光谱向量承载着物质特有的材质属性,是“光谱字典”,这为卫星遥感图像目标探测与识别提供了良好的素材。
舰船检测是卫星遥感图像处理中一个十分重要的问题,它与我国国防以及沿海地区的安全具有十分密切的关系。现在,应用于舰船检测的数据源主要有SAR图像和传统光学图像。SAR图像穿透性强,可探测云层及云层以下物质,然而,该成像方法在成像原理上存在距离徙动的问题,该问题会造成目标模糊,从根本上影响舰船目标的存在和位置判定。传统光学图像空间分辨率高,主要依靠舰船的独有形态,对舰船目标提取空间特征,并利用相应分类器进行舰船与非舰船的分类。然而,由于港口以及远洋区域存在大量与舰船形态相近的伪目标,如浮标、碎云、港口,跨海公路和钻井平台等,使得现有光学舰船检测方法存在诸多虚警。而在实际应用中,SAR舰船检测中存在的舰船目标模糊以及光学舰船检测中存在的目标虚警问题,对相关战略决策和目标打击任务具有十分恶劣的影响,针对卫星遥感图像进行精准的舰船检测是现在急需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于空谱信息结合的高光谱舰船检测方法,能够解决现有舰船检测方法中舰船目标的检测的准确度和虚警的问题。
本发明的技术方案包括如下步骤:
步骤1,对原始高光谱图像进行光谱采集,分别构建舰船目标光谱子空间和非目标光谱子空间,其中非目标包括伪目标和背景;
步骤2,光谱波段筛选:
步骤2.1,计算目标光谱子空间中所有目标光谱的均值,作为均值目标光谱,从非目标光谱子空间中任意选取K条非目标光谱,将均值目标光谱与选取的K条非目标光谱放置在同一坐标系中;
步骤2.2,设置滑动窗口;
步骤2.3,计算在滑动窗口内的均值目标光谱分别与K条非目标光谱的归一化欧氏距离其中xt为均值目标光谱向量,xkt为第k条非目标光谱向量,其中k=1,2,3…K;
步骤2.4,将步骤2.3得到的K个归一化欧氏距离进行阈值分割,记录最优分割阈值所对应的目标函数值S,其中最优分割阈值为使目标函数值S最大的分割阈值;
步骤2.5,移动滑窗,利用步骤2.3~步骤2.4的方法计算该滑窗内的最大的目标函数值S;重复执行步骤2.5,直至滑窗遍历整条均值目标光谱;
步骤2.6,选择具有最大S的滑动窗口对应的光谱波段作为保留光谱波段,在步骤1的目标光谱子空间和非目标光谱子空间中,清空保留光谱波段外的其他光谱波段,构成新的目标光谱子空间和非目标光谱子空间;
步骤3,对原始高光谱图像进行海陆分割,得到水域高光谱图像:
首先对原始高光谱图像中所有波段的图像在光谱维求统计均值,得到一幅均值二维图像;然后利用阈值分割方法对均值二维图像进行海陆阈值分割,得到初步水域图像,将初步水域图像中连通域中的像素个数大于设定阈值的连通域剔除,得到最终水域图像,称原始高光谱图像中最终水域图像所对应的部分为水域高光谱图像;
步骤4,对步骤3得到的水域高光谱图像进行RX异常检测,得到水域检测结果,将原始高光谱图像中除水域高光谱图像外的其他区域统一设置为水域检测结果的最小值,得到其他区域结果,将水域检测结果和其他区域结果放在一张空白二维灰度图像中,得到异常检测后的二维灰度图像;
步骤5,对步骤4得到的二维灰度图像进行异常区域筛选:
对所述步骤4得到的二维灰度图像进行二维本征模态分解,得到一系列本征模态,将分解得到的不同本征模态对应的图像按照从高频到低频的顺序排列,取前N个图像进行线性叠加构成新的检测结果图,N≥2,然后对新的检测结果图进行0到1之间的归一化,采用设定的阈值将归一化后的图像二值化;
对于二值化后的图像中值为0的像素,不进行后续处理;对于二值化后的图像中值为1的像素,将连通域中的像素个数大于设定阈值的连通域剔除,得到异常像素;
步骤6,利用判别函数:T(x)=||x-Ct×at||2-||x-Cb×ab||2得到舰船目标判读结果;其中x为步骤5得到的异常像素所对应的光谱向量,Ct为光谱字典C的目标字典部分,Cb为光谱字典C的非目标字典部分,光谱字典C通过将步骤2.6获取的新的目标光谱子空间和非目标光谱子空间中的光谱向量按列保存在矩阵中获得,C=[CtCb],x=[CtCb]×a,其中a为光谱字典C的稀疏系数,a包括目标系数at与非目标系数ab;
若舰船目标判读结果即T(x)不小于0,则向量x为目标,反之,若该结果小于0,向量x为非目标,得到舰船目标最终结果。
其中步骤3中,采用改进的OTSU阈值分割方法对均值二维图像进行海陆阈值分割,其中改进的OTSU阈值分割方法的目标函数为其中Th为分割阈值,Sb为分割后水和非水的类间方差,S1为水的类内方差。
其中步骤4的RX异常检测中,将水域高光谱图像的每一个像元光谱输入检测算子DRX(y)=(y-μy)TCy -1(y-μy)进行检测,其中上标T表示转置,上标-1表示求逆,y为水域高光谱图像的像元光谱向量,μy为水域高光谱图像中像元光谱向量的均值,Cy为水域高光谱图像中像元光谱向量的协方差矩阵。
其中步骤5中的N=2。
其中步骤1中的光谱采集包括从星地联合光谱库中采集、直接在高光谱数据中认为标定或光谱端元提取。
其中步骤3和步骤5中,将连通域中的像素个数大于20的连通域剔除。
有益效果:
1、本发明提出了一套新颖的卫星高光谱图像舰船检测的方法,利用空谱信息结合的高光谱检测方法能够实现高准确度、低虚警率的舰船检测任务;本发明方法中涉及基于类间差异性的无监督光谱子区间筛选方法,该方法能自动筛选使得目标与非目标光谱间具有最大差异性的连续子区间,且容错率高,即使有少量目标光谱混入非目标光谱,也不会对子区间筛选结果造成影响,是一种准确、快速、鲁棒性强的无监督光谱波段筛选方法。
2、本发明提出了一种基于改进OTSU阈值分割方法和连通域剔除的有效海陆分割的方法,本发明中高光谱图像相对于光学图像空间分辨率较低,这恰可以消除复杂问题特征对阈值分割方法的影响,并且本发明的方法中,将水域的类内方差加入原始阈值分割方法的目标函数中,阈值分割中加入了水域的相对稳定性,极大削弱了亮度值较低的非水域区域对检测结果的干扰,能够实现十分准确的海陆分割结果,该方法简单、快速并且自适应。
3、本发明提出了对RX异常检测结果进行空间特征增强的方法,即利用二维本征模态分解重构图像,该方法的优越性在于:根据先验信息,针对小面积异常区域,该方法能够将小面积异常像素点的幅值增大,使得异常相对于背景更加突出,增大了分割阈值的鲁棒性;同时,该方法能够抑制异常像素周围像素点的幅值,使得经阈值分割得到的异常区域更接近真实目标的大小和范围。此外,该方法是自适应的,完全依赖数据本身的结构,无需人为干涉。
4、本方法利用物质的光谱特征去分析物质的主要材质构成,认为所有光谱均可由光谱字典中光谱向量线性组合得到,通过分别计算目标与背景部分字典与系数的重构误差,判断目标是否为舰船目标,即系数统一求解,字典分开判断。由于光谱字典的包涵性,该方法能够有效去除光学舰船检测中的多类虚警,提高遥感图像舰船检测的精度,相对于光学遥感舰船检测是一个更加可靠的验证方法。
附图说明
图1为本发明的实施流程图。
图2为本发明中光谱波段筛选结果示意图。
图3为本发明中光谱字典构建和测试光谱判别示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种基于空谱信息结合的高光谱舰船检测方法,属于高光谱遥感图像处理技术在舰船检测问题上的应用,具体为基于中高分辨率高光谱图像空谱信息结合的舰船检测方法。
本发明的技术方案包括如下步骤:
步骤1,对原始高光谱图像进行光谱采集,分别构建舰船目标光谱子空间和非目标光谱子空间,其中非目标包括伪目标和背景,光谱采集可以通过从星地联合国光谱库中采集、直接在高光谱数据中认为标定或光谱端元提取的方法来进行。
步骤2,光谱波段筛选:利用步骤1获取的目标光谱子空间和非目标光谱子空间,在目标光谱上连续滑窗,筛选有效的光谱子区间,筛选原则为,选择使目标光谱与非目标光谱间差异性最大的光谱所在的光谱波段,作为保留的光谱波段,具体包括如下子步骤:
步骤2.1,计算目标光谱子空间中所有目标光谱的均值,作为均值目标光谱,从非目标光谱子空间中任意选取K条非目标光谱,将均值目标光谱与选取的K条非目标光谱放置在同一坐标系中;
步骤2.2,设置一个区间长度为m的滑窗,滑窗的滑动步长为1,窗口的初始左端点为步骤2.1所述坐标系的原点;
步骤2.3,计算在滑动窗口内的均值目标光谱分别与K条非目标光谱的归一化欧氏距离其中xt为均值目标光谱向量,xkt为第k条非目标光谱向量,其中k=1,2,3…K;
步骤2.4,将步骤2.3得到的K个归一化欧氏距离进行阈值分割(即二分类),记录最优分割阈值所对应的目标函数值S,其中最优分割阈值为使目标函数值S最大的分割阈值;
步骤2.5,移动滑窗,利用步骤2.3~步骤2.4的方法计算该滑窗内的最大的目标函数值S;重复执行步骤2.5,直至滑窗遍历整条均值目标光谱;
步骤2.6,选择具有最大S的滑动窗口对应的光谱波段作为保留光谱波段,在步骤1的目标光谱子空间和非目标光谱子空间中,清空保留光谱波段外的其他光谱波段,构成新的目标光谱子空间和非目标光谱子空间;
步骤3,对原始高光谱图像进行海陆分割,得到水域高光谱图像:首先对原始高光谱图像中所有波段的图像在光谱维求统计均值,得到一幅均值二维图像;然后利用改进的无监督OTSU阈值分割方法对均值二维图像进行海陆阈值分割,得到初步水域图像;最后结合考虑高光谱数据的空间分辨率以及目标本身的大小,将初步水域图像中连通域中的像素个数大于设定阈值的连通域剔除,得到最终水域图像,称原始高光谱图像中最终水域图像所对应的部分为水域高光谱图像。
无监督OTSU阈值分割方法具体改进如下:水具有低辐射和相对稳定的特性,原始OTSU阈值分割方法仅考虑分割后两类像素点间的差异性,即最大类间方差Sb。考虑到水的特性,水具有低辐射特性,因此水是分割出的第一类;并且水具有相对稳定性,即第一类具有较小的类内方差S1。因此,本方法在原始阈值分割方法的基础上综合考虑了第一类即水的类内方差,使得分割结果更贴合实际需求,更准确。在原始OTSU方法目标函数为其中Th为分割阈值,Sb为分割后两类(水和非水)的类间方差,本算法改进后的目标函数为其中S1为第一类(水)的类内方差。同时,S1为求得Sb的一个中间参量,因此本算法并没有引入新的计算复杂度,仍是一种快速的自适应阈值分割算法。
结合考虑高光谱数据的空间分辨率以及目标本身的大小,设定剔除连通域的阈值,举例如下:假定卫星高光谱图像空间分辨率为30m,根据普通船只的大小和容错范围,将水中连通域中的像素个数大于20的连通域标记为非水域,将此连通域剔除。排除了海港地区陆地、跨海公路、大片云团和较大岛屿等典型伪目标对后续检测步骤的影响,同时削减了数据量,提高了数据处理效率。
步骤4,对步骤3得到的水域高光谱图像进行RX异常检测,得到水域检测结果,将原始高光谱图像中除水域高光谱图像外的其他区域统一设置为水域检测结果的最小值,得到异常检测后的二维灰度图像:将水域高光谱图像的每一个像元光谱输入检测算子进行检测,将检测结果在放在像元光谱的原始空间位置,并将非水域部分的像素统一设置为RX异常检测结果的最小灰度值,得到RX异常检测结果的二维灰度图像。
在本实施例中,RX异常检测的检测算子为:DRX(y)=(y-μy)TCy -1(y-μy),其中上标T表示转置,上标-1表示求逆,y为水域高光谱图像的像元光谱向量,μy为水域高光谱图像中像元光谱向量的均值,Cy为水域高光谱图像中像元光谱向量的协方差矩阵。根据图像数据求得μy和Cy,并将每一个像元光谱输入该检测算子进行检测,得到水域检测结果,将原始高光谱图像中除水域高光谱图像外的其他区域统一设置为水域检测结果的最小值,得到其他区域结果,依据像元光谱在高光谱图像中的原始位置,将水域检测结果和其他区域结果放在一张空白二维灰度图像中,得到异常检测后的二维灰度图像;
步骤5,对步骤4得到的二维灰度图像进行异常区域筛选:对所述步骤4得到的二维灰度图像进行二维本征模态分解,得到一系列本征模态,将分解得到的不同本征模态对应的图像按照从高频到低频的顺序排列,取前两个图像进行线性叠加,构成新的检测结果图,为了突出舰船目标的空间特征,在本方案中是取前两个图像进行线性叠加,构成新的检测结果图。根据不同的检测目标,可以增加进行线性叠加的数目。然后对新的检测结果图进行0到1之间的归一化,采用设定的阈值将归一化后的图像二值化,二值化后的图像中值为1的像素点对应异常像素点,进行后续处理;值为0的像素点,对应背景像素点,认为背景区域无舰船目标,无需进行后续处理;根据所检测舰船的尺寸,对于二值化后的图像中值为1的像素,将连通域中的像素个数大于设定阈值的连通域剔除,得到异常像素,实现该场景下的异常像素的检测;
其中,二维本征模态分解方法将一张二维图像分解为多个不同的模态,不同的模态代表图像不同波动范围上的固有属性,与二维小波分解不同,二维本征模态分解不需要人为选择小波基函数,是一种完全依赖于图像本身结构的自适应分解方法。
步骤6,利用判别函数:T(x)=||x-Ct×at||2-||x-Cb×ab||2得到舰船目标判读结果:
将步骤2.6获取的新的目标光谱子空间和非目标光谱子空间中的光谱向量按列保存在矩阵中,构建光谱字典C,C的列为光谱列向量,字典包括目标字典部分Ct和非目标字典部分Cb,即C=[CtCb],如图3所示为光谱字典构建和测试光谱判别示意图;
将步骤5所得到的异常像素所对应的光谱向量作为输入光谱向量,输入光谱向量由光谱字典和稀疏系数进行矩阵相乘得到,即利用光谱字典和稀疏系数重构输入光谱向量x=[CtCb]×a,其中x为输入光谱向量,a为光谱字典C的稀疏表征系数。利用输入光谱向量与光谱字典求解稀疏系数,该问题是一个凸优化问题,存在全局最优解。利用最小角回归方法可求到输入光谱向量在该光谱字典下的稀疏表征系数。稀疏系数包括目标系数和非目标系数,稀疏系数与光谱字典中的光谱向量一一对应,分别利用目标字典、目标系数和非目标字典、非目标系数重构输入光谱向量,并分别计算二者相对于输入光谱的重构误差,对比两部分误差即得到判别函数:T(x)=||x-Ct×at||2-||x-Cb×ab||2;
若舰船目标判读结果即T(x)不小于0,意味着目标光谱子空间比用非目标光谱子空间更好的构建输入光谱,则输入光谱即向量x为目标;反之,若该结果小于0,意味着用非目标光谱子空间比用目标光谱子空间更好的构建输入光谱,则输入光谱即向量x为非目标,进而得到舰船目标结果。
步骤7,将步骤6得到的舰船目标结果按像素位置放入新的空白二维图像,得到舰船目标结果的二维图像,进而得到高准确度、低虚警率的舰船检测结果。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于空谱信息结合的高光谱舰船检测方法,其特征在于,包括如下步骤:
步骤1,对原始高光谱图像进行光谱采集,分别构建舰船目标光谱子空间和非目标光谱子空间,其中非目标包括伪目标和背景;
步骤2,光谱波段筛选:
步骤2.1,计算目标光谱子空间中所有目标光谱的均值,作为均值目标光谱,从非目标光谱子空间中任意选取K条非目标光谱,将均值目标光谱与选取的K条非目标光谱放置在同一坐标系中;
步骤2.2,设置滑动窗口;
步骤2.3,计算在滑动窗口内的均值目标光谱分别与K条非目标光谱的归一化欧氏距离其中xt为均值目标光谱向量,xkt为第k条非目标光谱向量,其中k=1,2,3…K;
步骤2.4,将步骤2.3得到的K个归一化欧氏距离进行阈值分割,记录最优分割阈值所对应的目标函数值S,其中最优分割阈值为使目标函数值S最大的分割阈值;
步骤2.5,移动滑窗,利用步骤2.3~步骤2.4的方法计算该滑窗内的最大的目标函数值S;重复执行步骤2.5,直至滑动窗口遍历整条均值目标光谱;
步骤2.6,选择具有最大S的滑动窗口对应的光谱波段作为保留光谱波段,在步骤1的目标光谱子空间和非目标光谱子空间中,清空保留光谱波段外的其他光谱波段,构成新的目标光谱子空间和非目标光谱子空间;
步骤3,对原始高光谱图像进行海陆分割,得到水域高光谱图像:
首先对原始高光谱图像中所有波段的图像在光谱维求统计均值,得到一幅均值二维图像;然后利用阈值分割方法对均值二维图像进行海陆阈值分割,得到初步水域图像,将初步水域图像中连通域中的像素个数大于设定阈值的连通域剔除,得到最终水域图像,称原始高光谱图像中最终水域图像所对应的部分为水域高光谱图像;
步骤4,对步骤3得到的水域高光谱图像进行RX异常检测,得到水域检测结果,将原始高光谱图像中除水域高光谱图像外的其他区域统一设置为水域检测结果的最小值,得到其他区域结果,将水域检测结果和其他区域结果放在一张空白二维灰度图像中,得到异常检测后的二维灰度图像;
步骤5,对步骤4得到的二维灰度图像进行异常区域筛选:
对所述步骤4得到的二维灰度图像进行二维本征模态分解,得到一系列本征模态,将分解得到的不同本征模态对应的图像按照从高频到低频的顺序排列,取前N个图像进行线性叠加构成新的检测结果图,N≥2,然后对新的检测结果图进行0到1之间的归一化,采用设定的阈值将归一化后的图像二值化;
对于二值化后的图像中值为0的像素,不进行后续处理;对于二值化后的图像中值为1的像素,将连通域中的像素个数大于设定阈值的连通域剔除,得到异常像素;
步骤6,利用判别函数:T(x)=||x-Ct×at||2-||x-Cb×ab||2得到舰船目标判读结果;其中x为步骤5得到的异常像素所对应的光谱向量,Ct为光谱字典C的目标字典部分,Cb为光谱字典C的非目标字典部分,光谱字典C通过将步骤2.6获取的新的目标光谱子空间和非目标光谱子空间中的光谱向量按列保存在矩阵中获得,C=[CtCb],x=[CtCb]×a,其中a为光谱字典C的稀疏系数,a包括目标系数at与非目标系数ab;
若舰船目标判读结果即T(x)不小于0,则向量x为目标,反之,若该结果小于0,向量x为非目标,得到舰船目标最终结果。
2.如权利要求1所述的一种基于空谱信息结合的高光谱舰船检测方法,其特征在于,所述步骤3中,采用改进的OTSU阈值分割方法对均值二维图像进行海陆阈值分割,其中改进的OTSU阈值分割方法的目标函数为其中Th为分割阈值,Sb为分割后水和非水的类间方差,S1为水的类内方差。
3.如权利要求1所述的一种基于空谱信息结合的高光谱舰船检测方法,其特征在于,所述步骤4的RX异常检测中,将水域高光谱图像的每一个像元光谱输入检测算子DRX(y)=(y-μy)TCy -1(y-μy)进行检测,其中上标T表示转置,上标-1表示求逆,y为水域高光谱图像的像元光谱向量,μy为水域高光谱图像中像元光谱向量的均值,Cy为水域高光谱图像中像元光谱向量的协方差矩阵。
4.如权利要求1所述的一种基于空谱信息结合的高光谱舰船检测方法,其特征在于,所述步骤5中的N=2。
5.如权利要求1所述的一种基于空谱信息结合的高光谱舰船检测方法,其特征在于,所述步骤1中的光谱采集包括从星地联合光谱库中采集、直接在高光谱数据中人为标定或光谱端元提取。
6.如权利要求1所述的一种基于空谱信息结合的高光谱舰船检测方法,其特征在于,所述步骤3和步骤5中,将连通域中的像素个数大于20的连通域剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710052487.1A CN106886760B (zh) | 2017-01-24 | 2017-01-24 | 一种基于空谱信息结合的高光谱舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710052487.1A CN106886760B (zh) | 2017-01-24 | 2017-01-24 | 一种基于空谱信息结合的高光谱舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106886760A CN106886760A (zh) | 2017-06-23 |
CN106886760B true CN106886760B (zh) | 2019-08-16 |
Family
ID=59176678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710052487.1A Active CN106886760B (zh) | 2017-01-24 | 2017-01-24 | 一种基于空谱信息结合的高光谱舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106886760B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464255B (zh) * | 2017-08-08 | 2020-06-05 | 大连海事大学 | 一种基于信息量与多尺度异常检测的船舶目标检测方法 |
CN109558771B (zh) * | 2017-09-26 | 2023-06-09 | 中电科海洋信息技术研究院有限公司 | 海上船舶的行为状态识别方法、装置、设备及存储介质 |
CN108734122B (zh) * | 2018-05-17 | 2022-05-20 | 北京理工大学 | 一种基于自适应样本选择的高光谱城区水体检测方法 |
CN108764097B (zh) * | 2018-05-21 | 2021-07-20 | 北京理工大学 | 一种基于分段稀疏表示的高光谱遥感图像目标识别方法 |
CN109063537B (zh) * | 2018-06-06 | 2021-08-17 | 北京理工大学 | 针对异常小目标解混的高光谱图像预处理方法 |
CN109031343B (zh) * | 2018-07-13 | 2022-04-15 | 福州大学 | 一种窗口遍历的sevi调节因子自动优化算法 |
CN109117802B (zh) * | 2018-08-21 | 2021-10-29 | 东北大学 | 面向大场景高分遥感影像的舰船检测方法 |
CN109635730A (zh) * | 2018-12-12 | 2019-04-16 | 中船(浙江)海洋科技有限公司 | 基于异常检测与双层筛选机制的sar图像舰船检测方法 |
CN112949679B (zh) * | 2021-01-25 | 2021-11-30 | 浙江大学 | 一种基于高光谱图像的电缆型号识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105139034A (zh) * | 2015-08-27 | 2015-12-09 | 北京市遥感信息研究所 | 一种结合光谱滤除的船舶检测方法 |
CN105551029A (zh) * | 2015-12-09 | 2016-05-04 | 云南大学 | 一种多光谱遥感图像舰船检测方法 |
-
2017
- 2017-01-24 CN CN201710052487.1A patent/CN106886760B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105139034A (zh) * | 2015-08-27 | 2015-12-09 | 北京市遥感信息研究所 | 一种结合光谱滤除的船舶检测方法 |
CN105551029A (zh) * | 2015-12-09 | 2016-05-04 | 云南大学 | 一种多光谱遥感图像舰船检测方法 |
Non-Patent Citations (3)
Title |
---|
The state-of-the-art in ship detection in synthetic aperture radar imagery;CRISP D J.;《DSTO Information Sciences》;20041231;全文 |
一种基于航天图像的舰船目标检测和船速估计方法;曾蕾等;《光电工程》;20131231;第40卷(第12期);全文 |
基于卷积神经网络的遥感图像舰船目标检测;黄洁等;《北京航空航天大学学报》;20170119;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106886760A (zh) | 2017-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106886760B (zh) | 一种基于空谱信息结合的高光谱舰船检测方法 | |
Song et al. | Hyperspectral anomaly detection via convolutional neural network and low rank with density-based clustering | |
Liu et al. | Multiscale morphological compressed change vector analysis for unsupervised multiple change detection | |
Al Bashish et al. | A framework for detection and classification of plant leaf and stem diseases | |
Xie et al. | Background learning based on target suppression constraint for hyperspectral target detection | |
CN108389188B (zh) | 一种稀疏高光谱异常目标检测方法 | |
CN104408482B (zh) | 一种高分辨率sar图像目标检测方法 | |
CN102096824B (zh) | 基于选择性视觉注意机制的多光谱图像舰船检测方法 | |
CN108133232A (zh) | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 | |
Ye et al. | Classification based on 3-D DWT and decision fusion for hyperspectral image analysis | |
Wang et al. | A sparse representation-based method for infrared dim target detection under sea–sky background | |
Xie et al. | Hyperspectral band selection for spectral–spatial anomaly detection | |
CN107798345B (zh) | 基于块对角与低秩表示的高光谱伪装目标检测方法 | |
CN107133648B (zh) | 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN110443139A (zh) | 一种面向分类的高光谱遥感影像噪声波段探测方法 | |
Yang et al. | Evaluation and mitigation of rain effect on wave direction and period estimation from X-band marine radar images | |
Tao et al. | Radio frequency interference signature detection in radar remote sensing image using semantic cognition enhancement network | |
Sun et al. | ABLAL: Adaptive background latent space adversarial learning algorithm for hyperspectral target detection | |
Zhang et al. | Feature-band-based unsupervised hyperspectral underwater target detection near the coastline | |
Wang et al. | A novel filter-based anomaly detection framework for hyperspectral imagery | |
Zhao et al. | Infrared small target detection based on adjustable sensitivity strategy and multi-scale fusion | |
CN116030300A (zh) | 一种用于零样本sar目标识别的渐进式域自适应识别方法 | |
CN110751144A (zh) | 一种基于稀疏表示的冠层植物高光谱图像分类方法 | |
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 |
---|---|---|---|
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 |