CN107292245A - 一种高分遥感影像上的港口检测方法 - Google Patents
一种高分遥感影像上的港口检测方法 Download PDFInfo
- Publication number
- CN107292245A CN107292245A CN201710409046.2A CN201710409046A CN107292245A CN 107292245 A CN107292245 A CN 107292245A CN 201710409046 A CN201710409046 A CN 201710409046A CN 107292245 A CN107292245 A CN 107292245A
- Authority
- CN
- China
- Prior art keywords
- spot
- image
- sample
- harbour
- grader
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
一种高分遥感影像上的港口检测方法,发明目的在于解决现有技术中存在的问题,利用一种非监督的方法提取遥感影像中港口的可分图斑作为中层特征,并利用提取出的中层特征进行高分遥感影像中不同尺度和方向不同的港口检测。本发明方法对于高分遥感影像中不同种类的港口泛化能力强,能检测出各种特殊类型的港口。
Description
技术领域
本发明所属遥感影像(高空间分辨率,约一米)处理技术。
背景技术
考虑到港口为了停泊船只,通常在近岸区域有多个混凝土构筑物延伸至水域,在水域交界处呈锯齿状,李艳等、方晓芙等以及周拥军等通过检测岸线上这种特殊的凹凸结构进行港口检测。但仅依赖凹凸结构容易错检到半岛、河道入海口等具有类似结构的地物,因而刘春等提出在检测凹凸结构的基础上加入直线段长度、拐点夹角、岸线角点的聚集程度等约束来提高检测的正确率[5]。而另一些学者如吴建华、魏军伟、刘丽丽和陈琪等则通过检测伴随港口出现的人工堤坝来检测港口。这类方法综合利用水陆交界处直线段的长度、环水性、长宽比、聚集程度等特征提取伴随港后出现的堤坝从而确定港口位置。朱兵等通过岸线的封闭性进行检测,即先对影像进行水陆分割,再通过计算岸线的封闭度确定港口区域[10]。考虑到不同类型港口的岸线封闭度差异较大,邢坤等、樊利恒等在岸线封闭度计算的基础上结合封闭区内的不变矩特征描述内港区域,进一步提高检测的准确性。除了上述以结构特征为主的港口检测方法,除此之外,Bhagavathy等提出通过描述港口中船只的周期性停泊特征来检测港口,即利用一种多方向、多尺度的Gabor滤波集合描述影像的纹理特征,通过聚类形成影像的纹理特征基元,将港口看作是不同纹理基元的概率集合,利用混合高斯模型对其进行建模,从而检测出影像中的港口[13]。这种方法对于港口的定位较为准确,但要求检测样本中船只的停泊密度等特征与样本具有较高的相似性。
参考文献:
[1]黄顺泉,余思勤.全球供应链企业的港口集聚模型与仿真[J].同济大学学报(自然科学版),2011,(09):1401-1406.
HUANG Shunquan,YU Siqin.Model and Simulation for Global Supply ChainEnterprises to Migrate to Port Cluster[J].Journal of Tongji University(Natural Science),2011,(09):1401-1406.
[2]李艳,彭嘉雄.港口目标特征提取与识别[J].华中科技大学学报,2001,06:10-12.
LI Yan,PENG Jiaxiong.Feature Extraction and Recognition of Harbor[J].Journal of Huazhong University of Science and Technology,2001,06:10-12.
[3]方晓芙.遥感图像中战略目标识别方法研究[D].西北工业大学,2004.
FANG Xiaofu.Research on strategic target recognition in remotesensing images[D],Northwestern Polytechnical University,2004.
[4]周拥军,朱兆达,丁全心.遥感图像中港口目标识别技术[J].南京航空航天大学学报,2008,3:350-353.
ZHOU Yongjun,ZHU Zhaoda,DING Quanxin.Port Target Recognition ofRemote Sensing Image[J].Journal of Nanjing University of Aeronautics andAstronautics,2008,3:350-353.
[5]刘春,殷君君,杨健.基于岸线特征点合并的极化SAR图像小型港口检测[J].清华大学学报(自然科学版),2015,08:849-853.
LIU Chun,YIN Junjun,YANG Jian.Small harbor detection in polarimetricSAR images based on coastline feature point merging[J].Journal of TsinghuaUniversity(Science and Technology),2015,08:849-853.
[6]吴建华.遥感图像中港口识别与毁伤分析研究[D].南京理工大学,2005.
WU Jianhua.Research on Harbor recognition and damage analysis inremote sensing images[D],Nanjing University of Science&Technology,2005.
[7]魏军伟.遥感图像中港口目标检测研究与实现[D].西安电子科技大学,2007.
WEI Junwei.Research and implementation of target detection of harborin remote sensing image[D].Xi'an Electronic and Science University,2007.
[8]刘丽丽.遥感图像中港口目标的检测与识别[D].哈尔滨工业大学,2008.
LIU Lili.Target detection and recognition of harbor in remote sensingimages[D].Harbin Institute of Technology,2008
[9]陈琪,陆军,匡纲要.基于感知编组的遥感图像港口提取方法[J].信号处理,2010,07:1099-1103.
CHEN Qi,LU Jun,KUANG Gangyao.Harbor Detection Method of RemoteSensing Images Based on Perceptual Organization[J].Signal Processing,2010,07:1099-1103.
[10]朱兵,李金宗,陈爱军.基于知识的快速港口识别[J].计算机应用,2006,03:729-732.
ZHU Bin,LI Jinzong,CHEN Aijun.Fast knowledge based recognition ofharbor target[J].Computer Applications,2006,03:729-732.
[11]邢坤,付宜利.基于内港区域的港口目标识别[J].电子与信息学报,2009,06:1275-1278.
XIN Kun,FU Yili.Harbor Target Recognition Based on Inside Region[J].Journal of Electronics&Information Technology,2009,06:1275-1278.
[12]樊利恒,吕俊伟,于振涛.基于线不变矩和封闭性的遥感图像港口识别[J].光电工程,2013,04:92-100.
FAN Liheng,LV Junwei,YU Zhentao.Port Recognition in Remote SensingImages Based onInvariant Linear-moment and Closure[J].Opto-ElectronicEngineering,2013,04:92-100.
[13]Bhagavathy S,Manjunath B S.Modeling and detection of geospatialobjects using texture motifs[J].IEEE Transactions on Geoscience and RemoteSensing,2006,44(12):3706-3715.
由于类型、规模以及自然环境等差异,不同港口的形状、方向、纹理等特征在高分遥感影像上往往表现出较大差异,因此高分遥感影像上港口的自动检测仍面临较大挑战。然而现有的港口检测方法均通过对港口样本特征的观察,人为定义和提取遥感影像中港口的低层特征,再将其与港口样本对比从而检测出港口。这些方法对于高分遥感影像中不同种类的港口泛化能力差,仅能检测出几种特殊类型的港口。
发明内容
发明目的在于解决现有技术中存在的问题,利用一种非监督的方法提取遥感影像中港口的可分图斑作为中层特征,并利用提取出的中层特征进行高分遥感影像中不同尺度和方向不同的港口检测。
需要保护的技术方案表征为:
一种高分遥感影像上的港口检测方法,其特征在于,包括如下步骤:
一、训练过程:
步骤1、样本准备:
步骤1.1,可分图斑提取样本:从遥感影像中截取一些的港口样本作为正样本(D),再截取大量的非港口影像作为负样本(N)。同时,将影像中所有正样本进行若干次旋转,每次旋转45°,共同作为这个样本参与训练,供步骤2处理。
步骤1.2,词袋模型训练样本:从遥感影像中截取一些的港口样本作为正样本,再截取同等数量的非港口影像作为负样本,供步骤2处理。
步骤2、HOG特征金字塔的生成:为了适应不同分辨率影像的目标检测,利用高斯滤波和下采样方法,不断模糊和缩减影像,得到不同尺度的影像,分别构建影像金字塔,并对影像金字塔提取梯度直方图(HOG)特征作为影像的低层特征描述。其中,利用步骤1.1得到的可分图斑提取样本的HOG特征金字塔提供给步骤3处理;利用步骤1.2得到的词袋模型训练样本HOG特征金字塔提供给步骤5处理。
步骤3、可分图斑的提取,
步骤3.1,样本初始化:将用于可分图斑检测的正负样本集随机平均分为互不重叠的两部分,即得到D1、D2和N1、N2四个集合。
步骤3.2,对D1随机采样,得到S:在D1中随机截取固定长宽比的HOG特征图斑,并对其进行筛选,保证图斑的高信息量和采样图斑之间的低重叠度,得到随机采样结果S。S的数量约为D1样本数量的4倍。
步骤3.3,初始聚类:对步骤3.2得到的随机采样结果S中的图斑进行k均值聚类,聚类数目设置为S样本量的四分之一,设聚类结果为K。
步骤3.4,精炼聚类:在步骤3.3聚类结果K中,删除其中聚类成员数量少于参数MinSize的聚类。
步骤3.5,生成分类器:对步骤3.4删除处理后留下的每一个聚类,以N1中的HOG特征图斑作为负样本,进行SVM训练,得到分类器集合C(若非第一次迭代,则新的分类器代替上一次的分类器)。
步骤3.6,交叉检测:将步骤3.5得到分类器集合C中的每一个分类器置于D2中进行图斑监测,并选取其中检测得分最高的前m个图斑最为新聚类Knew的成员。(注:Knew的大小等同于K的大小)
步骤3.7,检验K与Knew,如果两个聚类集合的相似度大于某一阈值Threshold,则交换D1、D2,N1、N2,并将Knew赋给K。然后返回步骤3.4。如果小于阈值,则说明迭代收敛,转到步骤3.8。
步骤3.8,得分计算:计算所提取的每类图斑C的纯度(每个分类器C在所有正样本D中检测得分最高的前r个成员的分数之和)和可分度(每个分类器C在所有正样本D中响应图斑个数与在所有样本中相应图斑个数之比)。以阈值λ作为二者之间的权重,进行相加,得到每类分类器的得分。
步骤3.9,最优筛选:并根据步骤3.8得分选取前n类分类器作为目标的可分图斑。供步骤4处理。
步骤4、可分图斑的方向归并:对每类可分图斑成员的梯度直方图进行统计,再在各类间进行梯度直方图匹配,合并相似度高的图斑。得到方向归并后的可分图斑,供步骤5处理。
步骤5、可分图斑的检测:利用提取出的方向归并后的港口可分图斑在步骤2处理后的词袋模型训练用的金字塔影像上进行检测时,需在金字塔影像上以滑窗检测的方式逐层进行。对每个划窗计算各个可分图斑的响应分数(SVM检测),将分数高于‐0.5的,看作检测成功。采用非极大抑制的策略进行约束。
步骤6、词袋模型的构建及SVM分类器训练:利用步骤5的检测结果构建影像的特征向量,并利用正负样本集所得到的特征向量训练SVM分类器获得BOW模型,用于港口检测。
二、检测过程:
首先为每张测试影像如所述步骤2一样的方法构建HOG特征金字塔,将步骤4中训练得到的经过方向归并后的港口可分图斑采用步骤5方法在测试影像的特征金字塔上进行检测,并对检测结果进行非极大抑制约束,统计每一类可分图斑在每张测试影像中被检测出现的频率用以构建测试影像的特征向量,放入步骤6得到的词袋(BoW)模型进行检测,输出存在或者不存在港口的检测判断结果。
本发明实施例有益效果:本发明方法对于高分遥感影像中不同种类的港口泛化能力强,能检测出各种特殊类型的港口。
附图说明
图1为现阶段用来进行港口检测的方法分类。
图2为本发明方法的总流程图。
图3为可分图斑的提取算法。
图4为样例图。
具体实施方式
以下通过附图对本发明技术方案做进一步说明。
如图2所示,本发明方法包括如下步骤:
一、训练过程:
步骤1、样本准备:
步骤1.1,可分图斑提取样本:从遥感影像中截取一些的港口样本作为正样本(D),再截取大量的非港口影像作为负样本(N)。样本影像应该:1、统一大小;2、数量保证负样本为多数;3、分辨率与待检测的遥感影像相近。同时,将影像中所有正样本进行8次旋转,每次旋转45°,共同作为这个样本参与训练,供步骤2处理。
步骤1.2,词袋模型训练样本:从遥感影像中截取一些的港口样本作为正样本,再截取同等数量的非港口影像作为负样本,供步骤2处理。(要求:1、统一大小;2、与可分图斑样本尽量不要重合;3、分辨率与待检测的遥感影像相近。)
步骤2、HOG特征金字塔的生成:为了适应不同分辨率影像的目标检测,利用高斯滤波(该算法本身已属于现有技术)和下采样方法(该算法本身已属于现有技术),不断模糊和缩减影像,得到不同尺度的影像,分别构建影像金字塔,并对影像金字塔提取梯度直方图(HOG)特征作为影像的低层特征描述。其中,利用步骤1.1得到的可分图斑提取样本的HOG特征金字塔提供给步骤3处理;利用步骤1.2得到的词袋模型训练样本HOG特征金字塔提供给步骤5处理。
步骤3、可分图斑的提取,该算法(如图3所示):
步骤3.1,样本初始化:将用于可分图斑检测的正负样本集随机平均分为互不重叠的两部分,即得到D1、D2和N1、N2四个集合。
步骤3.2,对D1随机采样,得到S:在D1中随机截取固定长宽比的HOG特征图斑,并对其进行筛选,保证图斑的高信息量(图斑本身的灰度信息丰富)和采样图斑之间的低重叠度,得到随机采样结果S。S的数量约为D1样本数量的4倍。
步骤3.3,初始聚类:对步骤3.2得到的随机采样结果S中的图斑进行k均值聚类,聚类数目设置为S样本量的四分之一,设聚类结果为K。
步骤3.4,精炼聚类:在步骤3.3聚类结果K中,删除其中聚类成员数量少于参数MinSize的聚类。
步骤3.5,生成分类器:对步骤3.4删除处理后留下的每一个聚类,以N1中的HOG特征图斑作为负样本,进行SVM训练,得到分类器集合C(若非第一次迭代,则新的分类器代替上一次的分类器)。
步骤3.6,交叉检测:将步骤3.5得到分类器集合C中的每一个分类器置于D2中进行图斑监测,并选取其中检测得分最高的前m个图斑最为新聚类Knew的成员。(注:Knew的大小等同于K的大小)
步骤3.7,检验K与Knew,如果两个聚类集合的相似度大于某一阈值Threshold,则交换D1、D2,N1、N2,并将Knew赋给K。然后返回步骤3.4。如果小于阈值,则说明迭代收敛,转到步骤3.8。
步骤3.8,得分计算:计算所提取的每类图斑C的纯度(每个分类器C在所有正样本D中检测得分最高的前r个成员的分数之和)和可分度(每个分类器C在所有正样本D中响应图斑个数与在所有样本中相应图斑个数之比)。以阈值λ作为二者之间的权重,进行相加,得到每类分类器的得分。
步骤3.9,最优筛选:并根据步骤3.8得分选取前n类分类器作为目标的可分图斑。供步骤4处理。
图3算法流程,其流程伪代码:
相应参数配置:
步骤4、可分图斑的方向归并:对每类可分图斑成员的梯度直方图进行统计,再在各类间进行梯度直方图匹配,合并相似度高于95%的图斑。得到方向归并后的可分图斑,供步骤5处理
步骤5、可分图斑的检测:利用提取出的方向归并后的港口可分图斑在步骤2处理后的词袋模型训练用的金字塔影像上进行检测时,需在金字塔影像上以滑窗检测的方式逐层进行。对每个划窗计算各个可分图斑的响应分数(SVM检测),将分数高于‐0.5的,看作检测成功。由于滑窗检测容易造成邻近区域重复检测成功的情况,本发明采用非极大抑制的策略(即计算成功检测图斑间的面积重叠度,在重叠度大于50%的图斑中筛选得分较低的图斑予以删除)进行约束。
步骤6、词袋模型的构建及SVM分类器训练:利用步骤5的检测结果(即每一类方向归并后的可分图斑在词袋模型训练用的金字塔影像上检测时被检测到的频率)构建影像的特征向量,并利用正负样本集所得到的特征向量训练SVM分类器获得BOW模型,用于港口检测。所述BOW模型本质上也是符合特征相应频率的SVM分类器,该分类方法本身已为现有技术。
二、检测过程:
首先为每张测试影像如所述步骤2一样的方法构建HOG特征金字塔,将步骤4中训练得到的经过方向归并后的港口可分图斑采用步骤5方法在测试影像的特征金字塔上进行检测,并对检测结果进行非极大抑制约束,统计每一类可分图斑在每张测试影像中被检测出现的频率用以构建测试影像的特征向量,放入步骤6得到的词袋(BoW)模型进行检测,由于BOW模型本质上是SVM分类器(已为现有技术),这里的检测方法参见SVM检测即可。
本实施例输入相应的测试数据,根据本发明方法检测后输出结果,如下:
Claims (1)
1.一种高分遥感影像上的港口检测方法,其特征在于,包括如下步骤:
一、训练过程:
步骤1、样本准备:
步骤1.1,可分图斑提取样本:从遥感影像中截取一些的港口样本作为正样本(D),再截取大量的非港口影像作为负样本(N)。同时,将影像中所有正样本进行若干次旋转,每次旋转45°,共同作为这个样本参与训练,供步骤2处理。
步骤1.2,词袋模型训练样本:从遥感影像中截取一些的港口样本作为正样本,再截取同等数量的非港口影像作为负样本,供步骤2处理。
步骤2、HOG特征金字塔的生成:为了适应不同分辨率影像的目标检测,利用高斯滤波和下采样方法,不断模糊和缩减影像,得到不同尺度的影像,分别构建影像金字塔,并对影像金字塔提取梯度直方图(HOG)特征作为影像的低层特征描述。其中,利用步骤1.1得到的可分图斑提取样本的HOG特征金字塔提供给步骤3处理;利用步骤1.2得到的词袋模型训练样本HOG特征金字塔提供给步骤5处理。
步骤3、可分图斑的提取,
步骤3.1,样本初始化:将用于可分图斑检测的正负样本集随机平均分为互不重叠的两部分,即得到D1、D2和N1、N2四个集合。
步骤3.2,对D1随机采样,得到S:在D1中随机截取固定长宽比的HOG特征图斑,并对其进行筛选,保证图斑的高信息量和采样图斑之间的低重叠度,得到随机采样结果S。S的数量约为D1样本数量的4倍。
步骤3.3,初始聚类:对步骤3.2得到的随机采样结果S中的图斑进行k均值聚类,聚类数目设置为S样本量的四分之一,设聚类结果为K。
步骤3.4,精炼聚类:在步骤3.3聚类结果K中,删除其中聚类成员数量少于参数MinSize的聚类。
步骤3.5,生成分类器:对步骤3.4删除处理后留下的每一个聚类,以N1中的HOG特征图斑作为负样本,进行SVM训练,得到分类器集合C(若非第一次迭代,则新的分类器代替上一次的分类器)。
步骤3.6,交叉检测:将步骤3.5得到分类器集合C中的每一个分类器置于D2中进行图斑监测,并选取其中检测得分最高的前m个图斑最为新聚类Knew的成员。(注:Knew的大小等同于K的大小)
步骤3.7,检验K与Knew,如果两个聚类集合的相似度大于某一阈值Threshold,则交换D1、D2,N1、N2,并将Knew赋给K。然后返回步骤3.4。如果小于阈值,则说明迭代收敛,转到步骤3.8。
步骤3.8,得分计算:计算所提取的每类图斑C的纯度(每个分类器C在所有正样本D中检测得分最高的前r个成员的分数之和)和可分度(每个分类器C在所有正样本D中响应图斑个数与在所有样本中相应图斑个数之比)。以阈值λ作为二者之间的权重,进行相加,得到每类分类器的得分。
步骤3.9,最优筛选:并根据步骤3.8得分选取前n类分类器作为目标的可分图斑。供步骤4处理。
步骤4、可分图斑的方向归并:对每类可分图斑成员的梯度直方图进行统计,再在各类间进行梯度直方图匹配,合并相似度高的图斑。得到方向归并后的可分图斑,供步骤5处理。
步骤5、可分图斑的检测:利用提取出的方向归并后的港口可分图斑在步骤2处理后的词袋模型训练用的金字塔影像上进行检测时,需在金字塔影像上以滑窗检测的方式逐层进行。对每个划窗计算各个可分图斑的响应分数(SVM检测),将分数高于‐0.5的,看作检测成功。采用非极大抑制的策略进行约束。
步骤6、词袋模型的构建及SVM分类器训练:利用步骤5的检测结果构建影像的特征向量,并利用正负样本集所得到的特征向量训练SVM分类器获得BOW模型,用于港口检测。
二、检测过程:
首先为每张测试影像如所述步骤2一样的方法构建HOG特征金字塔,将步骤4中训练得到的经过方向归并后的港口可分图斑采用步骤5方法在测试影像的特征金字塔上进行检测,并对检测结果进行非极大抑制约束,统计每一类可分图斑在每张测试影像中被检测出现的频率用以构建测试影像的特征向量,放入步骤6得到的词袋(BoW)模型进行检测,输出存在或者不存在港口的检测判断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710409046.2A CN107292245B (zh) | 2017-06-02 | 2017-06-02 | 一种高分遥感影像上的港口检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710409046.2A CN107292245B (zh) | 2017-06-02 | 2017-06-02 | 一种高分遥感影像上的港口检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292245A true CN107292245A (zh) | 2017-10-24 |
CN107292245B CN107292245B (zh) | 2018-04-10 |
Family
ID=60094166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710409046.2A Expired - Fee Related CN107292245B (zh) | 2017-06-02 | 2017-06-02 | 一种高分遥感影像上的港口检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292245B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021890A (zh) * | 2017-12-05 | 2018-05-11 | 武汉大学 | 一种基于plsa和bow的高分遥感影像港口检测方法 |
CN108537116A (zh) * | 2018-03-05 | 2018-09-14 | 中国地质大学(武汉) | 一种基于多尺度特征的海岸线二级类型提取方法及系统 |
CN109740494A (zh) * | 2018-12-27 | 2019-05-10 | 中国船舶重工集团公司第七研究院 | 一种基于船舶轨迹大数据的港口识别方法 |
CN109948415A (zh) * | 2018-12-30 | 2019-06-28 | 中国科学院软件研究所 | 基于背景过滤和尺度预测的光学遥感图像目标检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663394A (zh) * | 2012-03-02 | 2012-09-12 | 北京航空航天大学 | 基于多源遥感图像融合的大中型目标识别方法 |
CN104021381A (zh) * | 2014-06-19 | 2014-09-03 | 天津大学 | 一种基于多层级特征的人体动作识别方法 |
CN104484347A (zh) * | 2014-11-28 | 2015-04-01 | 浙江大学 | 一种基于地理信息的层次化视觉特征提取方法 |
CN105426924A (zh) * | 2015-12-14 | 2016-03-23 | 北京工业大学 | 一种基于图像中层特征的场景分类方法 |
CN105551049A (zh) * | 2015-12-28 | 2016-05-04 | 清华大学 | 基于港区水域提取的极化sar图像大型港口检测方法 |
CN106407327A (zh) * | 2016-08-31 | 2017-02-15 | 广州精点计算机科技有限公司 | 一种基于hog和视觉词袋的相似图像搜索方法和装置 |
-
2017
- 2017-06-02 CN CN201710409046.2A patent/CN107292245B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663394A (zh) * | 2012-03-02 | 2012-09-12 | 北京航空航天大学 | 基于多源遥感图像融合的大中型目标识别方法 |
CN104021381A (zh) * | 2014-06-19 | 2014-09-03 | 天津大学 | 一种基于多层级特征的人体动作识别方法 |
CN104484347A (zh) * | 2014-11-28 | 2015-04-01 | 浙江大学 | 一种基于地理信息的层次化视觉特征提取方法 |
CN105426924A (zh) * | 2015-12-14 | 2016-03-23 | 北京工业大学 | 一种基于图像中层特征的场景分类方法 |
CN105551049A (zh) * | 2015-12-28 | 2016-05-04 | 清华大学 | 基于港区水域提取的极化sar图像大型港口检测方法 |
CN106407327A (zh) * | 2016-08-31 | 2017-02-15 | 广州精点计算机科技有限公司 | 一种基于hog和视觉词袋的相似图像搜索方法和装置 |
Non-Patent Citations (4)
Title |
---|
FAN LIHENG等: "Port recognition in remote sensing images based on invariant linear-moment and closure", 《OPTO-ELECTRONIC ENGINEERING》 * |
刘春等: "基于岸线特征点合并的极化SAR图像小型港口检测", 《清华大学学报(自然科学版)》 * |
周拥军等: "遥感图像中港口目标识别技术", 《南京航空大学学报》 * |
邢坤等: "基于内港区域的港口目标识别", 《电子与信息学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021890A (zh) * | 2017-12-05 | 2018-05-11 | 武汉大学 | 一种基于plsa和bow的高分遥感影像港口检测方法 |
CN108537116A (zh) * | 2018-03-05 | 2018-09-14 | 中国地质大学(武汉) | 一种基于多尺度特征的海岸线二级类型提取方法及系统 |
CN109740494A (zh) * | 2018-12-27 | 2019-05-10 | 中国船舶重工集团公司第七研究院 | 一种基于船舶轨迹大数据的港口识别方法 |
CN109740494B (zh) * | 2018-12-27 | 2020-11-24 | 中国船舶重工集团公司第七研究院 | 一种基于船舶轨迹大数据的港口识别方法 |
CN109948415A (zh) * | 2018-12-30 | 2019-06-28 | 中国科学院软件研究所 | 基于背景过滤和尺度预测的光学遥感图像目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107292245B (zh) | 2018-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292245B (zh) | 一种高分遥感影像上的港口检测方法 | |
Fouad et al. | Automatic nile tilapia fish classification approach using machine learning techniques | |
CN110135296A (zh) | 基于卷积神经网络的机场跑道fod检测方法 | |
CN113065455B (zh) | 一种基于深度学习的滑坡风险巡检方法及系统 | |
CN105866775A (zh) | 一种基于全极化合成孔径雷达图像的海面溢油检测方法 | |
Barreto et al. | Classification of detected changes from multitemporal high-res Xband SAR images: intensity and texture descriptors from SuperPixels | |
Liu et al. | Aquaculture area extraction and vulnerability assessment in Sanduao based on richer convolutional features network model | |
CN103971377A (zh) | 基于先验形状水平集分割的建筑物提取方法 | |
CN103778627A (zh) | 一种基于sar图像的海域溢油检测方法 | |
CN105512622B (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 | |
CN103971370A (zh) | 一种针对遥感大图像的海洋溢油智能检测方法 | |
Wang et al. | Automatic fault surface detection by using 3D Hough transform | |
Li et al. | High-resolution SAR change detection based on ROI and SPP net | |
Yang et al. | An improved algorithm for the detection of fastening targets based on machine vision | |
Zhang et al. | Water surface target detection based on improved YOLOv3 in UAV images | |
Lantini et al. | A deep learning approach for tree root detection using GPR spectrogram imagery | |
Xu et al. | Extraction and spatiotemporal evolution analysis of tidal flats in the Bohai Rim during 1984–2019 based on remote sensing | |
Picard et al. | Seafloor description in sonar images using the monogenic signal and the intrinsic dimensionality | |
Brekke et al. | Feature extraction for oil spill detection based on SAR images | |
Gao et al. | Early landslide mapping with slope units division and multi-scale object-based image analysis—A case study in the Xianshui river basin of Sichuan, China | |
Zhou et al. | Underwater sonar target detection based on YOLOv5 | |
Mu et al. | Small scale dog face detection using improved Faster RCNN | |
Atallah et al. | Object detection at different resolution in archaeological side-scan sonar images | |
Wang et al. | An intelligent coastline interpretation of several types of seacoasts from TM/ETM+ images based on rules | |
Wu et al. | Automated temporal tracking of coherently evolving density fronts in numerical models |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180410 Termination date: 20210602 |