CN107657272B - 一种遥感图像海上目标检测方法 - Google Patents

一种遥感图像海上目标检测方法 Download PDF

Info

Publication number
CN107657272B
CN107657272B CN201710825022.5A CN201710825022A CN107657272B CN 107657272 B CN107657272 B CN 107657272B CN 201710825022 A CN201710825022 A CN 201710825022A CN 107657272 B CN107657272 B CN 107657272B
Authority
CN
China
Prior art keywords
target
significance
point
remote sensing
feature
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
Application number
CN201710825022.5A
Other languages
English (en)
Other versions
CN107657272A (zh
Inventor
王港
高峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN201710825022.5A priority Critical patent/CN107657272B/zh
Publication of CN107657272A publication Critical patent/CN107657272A/zh
Application granted granted Critical
Publication of CN107657272B publication Critical patent/CN107657272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种遥感图像海上目标检测方法,涉及遥感领域中目标显著性检测、目标检测识别等应用。它首先利用SIFT特征提取获得计算显著度的基础;再根据特征点的位置计算目标所占外接矩形面积;最后保留每一维特征值,对其进行累加作为单点显著度,累加各个点的显著度并除以目标的矩形面积,获得目标的显著度度量。本发明方法具有效率高、准确率高、鲁棒性好等特点,是对现有技术的一种重要改进。

Description

一种遥感图像海上目标检测方法
技术领域
本发明属于目标检测技术领域,特别是指一种遥感图像海上目标检测方法。
背景技术
在遥感领域中目标检测的主要依据是目标的显著性,显著性的形式有如下几种,但它们在性能上均存在某些缺陷。
(1)简单的像素累加计算,虽然可以形成初步的显著性表示,但是缺乏鲁棒性和稳定性。
(2)Sliency模型使用了初级视觉特征如颜色、亮度和方位,并将每个特征图分成几个不同尺度的高斯金字塔图,用中央周边差分的方法在细尺度和粗尺度中模拟视觉接受域,这些特征通过不同尺度间的相减被合并成亮度、颜色和方位3个特征图,这些特征图被归一化后联合生成一个显著图,该显著图中利用生物学中赢者取全的机制得到图像中最显著的空间位置,用来向导注意位置的选取,最后采用返回抑制的方法来完成注意焦点的转移。但由于该模型没有利用任何的先验知识同时无法体现目标的属性,难以直接应用到遥感图像目标检测中。
发明内容
有鉴于此,本发明提供一种遥感图像海上目标检测方法,该方法具有高效率、高准确率的特点,并具有较好的鲁棒性,适合用于可见光遥感影像处理等领域。
为了实现上述目的,本发明所采用的技术方案是:
一种遥感图像海上目标检测方法,其包括以下步骤:
(1)在遥感图像上进行SIFT特征提取;
(2)利用SIFT特征的128维向量,以特征点的特征值密度作为目标区域的显著度;
(3)根据步骤(2)所获得的显著度以及预设阈值,检测海上目标。
可选的,所述步骤(1)包括:
(101)生成系列不同尺度空间的差分图像;
(102)将各差分图像的局部极值点确定为初始特征点pi,其中i为特征点顺序号;
(103)去除不稳定的特征点;
(104)通过特征点描述获得SIFT特征点。
可选的,所述步骤(2)包括:
(201)在诸多SIFT特征点坐标位置中,选取其中横纵坐标的最大值和最小值,形成目标外接矩形的四个顶点,并求算目标外接矩形的面积;
(202)每一个SIFT特征点具有128维特征,保留每一维特征值,并对所有128个特征值进行累加,将累加的结果作为单点显著性的评价标准;
(203)将目标区域内所有特征点的单点显著性累加,并将累加结果与所述目标外接矩形的面积的比值作为目标区域的显著度。
与现有技术相比,本发明具有如下有益效果:
1、本发明克服了现有方法中缺乏鲁棒性和稳定性的缺点,改善了显著性检测的性能。
2、本发明具有较好的实际应用和海上环境检测的性能,能够满足海上环境下的显著目标检测应用要求。
附图说明
图1是本发明实施例中SIFT特征点的邻域及其划分示意图。
图2是本发明实施例中目标特征点集的外接矩形示意图。
图3a、图3b是本发明实施例中军舰目标的SIFT特征点提取示意图。
图4a、图4b是本发明实施例中潜艇目标的SIFT特征点提取示意图。
图5a、图5b是本发明实施例中民用船只目标的SIFT特征点提取示意图。
图6是本发明实施例中军舰目标的显著度计算的示意图。
图7是本发明实施例中潜艇目标的显著度计算的示意图。
图8是本发明实施例中民用船只目标的显著度计算的示意图。
图9是本发明实施例中有云遥感图像显著度计算的示意图。
图10是本发明实施例中有海浪的遥感图像显著度计算的示意图。
图11是本发明实施例的一种方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明做进一步的详细说明。
如图11所示,一种遥感图像海上目标检测方法,其包括以下步骤:
(1)在遥感图像上进行SIFT特征提取;
(2)利用SIFT特征的128维向量,以特征点的特征值密度作为目标区域的显著度;
(3)根据步骤(2)所获得的显著度以及预设阈值,检测海上目标。
其中阈值的预设值要根据实际情况进行选取,该选取方式为现有技术,此处不再赘述。
可选的,所述步骤(1)包括:
(101)生成系列不同尺度空间的差分图像;
设原图像为I1(x,y),原图的增倍插值图像为I0(x,y)、隔点采样图像为 Ir(x,y),r=1,2,其中x、y为图像坐标。
首先通过高斯函数G(x,y,kσ)对图像Ir(x,y)生成不同尺度空间的图像:
Lrk(x,y)=G(x,y,kσ)*Ir(x,y) k=1,2,…,K,r=0,1,2 (1)
将r为定值的相邻Lrk(x,y)相减生成差分图像
Drk=Lr(k+1)-Lrk k=1,2,…,K-1,r=0,1,2 (2)
(102)将各差分图像的局部极值点确定为初始特征点pi,其中i为特征点顺序号;pi应满足如下条件:
①pi位于图像Drk,k=2,…K-2之中,r=0,1,2,该点在图像Drk中的取值为Drk(pi);
②设pil,l=1,2,…8为pi的八邻域点,则
Drk(pi)=max{Drk(pi),Drk(pil),Dr(k-1)(pi),Dr(k-1)(pil),Dr(k+1)(pi),Dr(k+1)(pil)} (3)
Drk(pi)=min{Drk(pi),Drk(pil),Dr(k-1)(pi),Dr(k-1)(pil),Dr(k+1)(pi),Dr(k+1)(pil)} (4)
(103)去除不稳定的特征点;具体包括:
①去掉弱极值点。对差分图像函数Drk进行泰勒展开,将Drk中初始特征点的极值点pi带入展开式,得到其函数值Drk(pi)。若|Drk(pi)|<0.03,则视Drk中pi为不稳定点,剔除之。
②去掉边缘特征点。位于边缘的特征点会在边缘方向有很大的主曲率而在垂直边缘的方向主曲率很小。借助对Drk的计算得到2×2海森矩阵H,根据(Tr(H))2与Det(H)的比值进行边缘不稳定点的剔除,其中Tr()为求矩阵的迹,Det()为求矩阵的行列式。
(104)通过特征点描述获得SIFT特征点;具体方式为:
①遍历各Drk中所有特征点,以特征点pi为中心,圈定在Lrk上的17×17的邻域Ωi
②对Ωi内的每一点(x,y),按照下式求其变化幅值m和幅角θ:
Figure BDA0001407270790000051
Figure BDA0001407270790000052
③将Ωi划为16个4×4的子区域(ψi,i=1,2,…,16),如图1所示。将每个子域的16个点的变化方向值依临近规则归到0°,45°,90°,135°,180°,225°,270°,315°八个方向上,再对具有相同变化方向的变化幅值进行累加,得到一个8维矢量。则16个子区域得到16个8维矢量:
{mn),m45°n),…,m315°n)}={mkn)|k=1,…,8},n=1,…,16 (7)
④将pi的主方向定义为:
Figure BDA0001407270790000061
⑤令
Figure BDA0001407270790000062
其中k′=1,…,8;n=1,…,16,则
Figure BDA0001407270790000063
根据主方向得到调整后的16个8维矢量{mk′n)|k′=1,2,…,8}。沿约定的子区域顺序,将属于特征点pi的16个子域ψn的16个8维矢量依次拼接形成128维向量:
Figure BDA0001407270790000064
向量中,主方向所决定的各矢量使SIFT具有了旋转不变性。正因为上述算法是在空间域和尺度域上同时进行特征点的计算与提取的,因此得到的特征点具有尺度不变性,能够正确的提取尺度和视角变化较大的图像序列中存在的特征点,可以有效地防范输入图像中的噪声干扰。图3a、图3b、图4a、图4b、图5a、图5b分别表示了军舰、潜艇和民用船只SIFT特征提取的结果示意图。
可选的,所述步骤(2)包括:
(201)在诸多SIFT特征点坐标位置中,选取其中横纵坐标的最大值和最小值,形成目标外接矩形的四个顶点,并求算目标外接矩形的面积;
设图中有N个SIFT特征点,特征点为Pi,i=1…N,如图2所示。则最大 X坐标(Xmax)、最大Y坐标(Ymax)、最小X坐标(Xmin)、最小Y坐标(Ymin)分别为如下定义:
Figure BDA0001407270790000065
Figure BDA0001407270790000071
Figure BDA0001407270790000072
Figure BDA0001407270790000073
则目标外接矩形的长a和宽b分别为:
a=Xmax-Xmin (15)
b=Ymax-Ymin (16)
最后,得到目标外接矩形的面积:
S=a×b (17)
(202)每一个SIFT特征点具有128维特征,保留每一维特征值,并对所有128个特征值进行累加,将累加的结果作为单点显著性的评价标准;
由于SIFT特征提取时进行了归一化处理,因此在此不再进行归一化。则单点的显著性计算公式如下:
Figure BDA0001407270790000074
(203)将目标区域内所有特征点的单点显著性累加,并将累加结果与所述目标外接矩形的面积的比值作为目标区域的显著度。
得到单点的显著性特征值以后,需要计算目标区域的显著度。特征点的数量是一个考量标准,但是SIFT的128维向量也应该作为显著性的一个度量因素。特征点足够多,但是其分布状态不一样,引起的关注度也不一样。特征点聚集在一起比分散到周围更能引起人类的注意力。故,定义特征点特征值密度作为目标区域的显著度:
Figure BDA0001407270790000081
图6~10为针对军舰、潜艇、民用船只、云遥感图像、有海浪的遥感图像所做的显著度计算的示意图。可以看出,针对人造目标,其显著性明显增强,自然现象的显著性较低,这样就可以有效地区分开遥感影像中自然现象对目标的干扰。因此,本方法具有一定的鲁棒性。
此外,为了进一步检验本发明方法的效果,将阈值设为0.03,使用本发明的方法进行舰船检测,并与文献[1](Christina Corbane,Laurent Najman, EmilienPecoul,etal.A complete processing chain for ship detection using optical satelliteimagery[J].International Journal of Remote Sensing,2010, 31(22):5837-5854.)和文献[2](Yang G,Li B,Ji S,et al.Ship Detection From Optical Satellite ImagesBased on Sea Surface Analysis[J].IEEE Geoscience& Remote Sensing Letters,2014,11(3):641-645.)的方法进行对比,对比结果如表1所示:
表1实验统计对比
方法 目标总数 检测正确数 虚警数 准确率 虚警率
方法[1] 200 163 26 81.5% 13%
方法[2] 200 171 19 85.5% 9.5%
本发明方法 200 190 6 95% 3%
可见,在检测准确率和虚警率方面本发明方法相对于现有技术均取得了显著进步。
总之,本发明的发明人通过观察遥感图像SIFT特征提取的结果发现,人造目标的SIFT特征点十分密集,并呈现出目标应有的轮廓性和规律性,因此提出利用SIFT特征128向量并结合特征点密度量的方式来定义显著度。该方法具有检测性能高的特点,特别适用于可见光遥感影像的海上目标检测、海上目标定位、海上目标识别预处理等应用,是对现有技术的一种重要改进。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子。凡在本发明的精神和原则之内,对以上实施例所做的任何省略、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 (2)

1.一种遥感图像海上目标检测方法,其特征在于,包括以下步骤:
(1)在遥感图像上进行SIFT特征提取;
(2)利用SIFT特征的128维向量,以特征点的特征值密度作为目标区域的显著度;
(3)根据步骤(2)所获得的显著度以及预设阈值,检测海上目标;
所述步骤(2)包括:
(201)在诸多SIFT特征点坐标位置中,选取其中横纵坐标的最大值和最小值,形成目标外接矩形的四个顶点,并求算目标外接矩形的面积;
(202)每一个SIFT特征点具有128维特征,保留每一维特征值,并对所有128个特征值进行累加,将累加的结果作为单点显著性的评价标准;
(203)将目标区域内所有特征点的单点显著性累加,并将累加结果与所述目标外接矩形的面积的比值作为目标区域的显著度。
2.根据权利要求1所述的遥感图像海上目标检测方法,其特征在于,所述步骤(1)包括:
(101)生成系列不同尺度空间的差分图像;
(102)将各差分图像的局部极值点确定为初始特征点pi,其中,下标i为特征点顺序号;
(103)去除不稳定的特征点;
(104)通过特征点描述获得SIFT特征点。
CN201710825022.5A 2017-09-14 2017-09-14 一种遥感图像海上目标检测方法 Active CN107657272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710825022.5A CN107657272B (zh) 2017-09-14 2017-09-14 一种遥感图像海上目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710825022.5A CN107657272B (zh) 2017-09-14 2017-09-14 一种遥感图像海上目标检测方法

Publications (2)

Publication Number Publication Date
CN107657272A CN107657272A (zh) 2018-02-02
CN107657272B true CN107657272B (zh) 2020-08-07

Family

ID=61130418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710825022.5A Active CN107657272B (zh) 2017-09-14 2017-09-14 一种遥感图像海上目标检测方法

Country Status (1)

Country Link
CN (1) CN107657272B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573221A (zh) * 2018-03-28 2018-09-25 重庆邮电大学 一种基于视觉的机器人目标零件显著性检测方法
CN108648176A (zh) * 2018-04-13 2018-10-12 中国电子科技集团公司第五十四研究所 一种基于神经网络的非线性高光谱图像异常目标检测方法
CN108960085B (zh) * 2018-06-20 2021-10-01 中国电子科技集团公司第五十四研究所 一种合成孔径雷达图像舰船目标候选区域快速提取方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679138A (zh) * 2013-11-15 2014-03-26 中国科学院遥感与数字地球研究所 舰船与港口先验知识支持的大型舰船检测方法
CN107122787A (zh) * 2017-02-14 2017-09-01 北京理工大学 一种基于特征融合的图像缩放质量评价方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102214298B (zh) * 2011-06-20 2013-10-16 复旦大学 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法
CN103309982B (zh) * 2013-06-17 2016-02-10 武汉大学 一种基于视觉显著点特征的遥感影像检索方法
JP6726052B2 (ja) * 2015-11-20 2020-07-22 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America 画像処理方法およびプログラム
CN107092871B (zh) * 2017-04-06 2018-01-16 重庆市地理信息中心 基于多尺度多特征融合的遥感影像建筑物检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679138A (zh) * 2013-11-15 2014-03-26 中国科学院遥感与数字地球研究所 舰船与港口先验知识支持的大型舰船检测方法
CN107122787A (zh) * 2017-02-14 2017-09-01 北京理工大学 一种基于特征融合的图像缩放质量评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Visual Attention-Based Ship Detection in SAR Images;Ying Yu,et al.;《Advances in neural network research and applications》;20101231;第67卷;283-292 *

Also Published As

Publication number Publication date
CN107657272A (zh) 2018-02-02

Similar Documents

Publication Publication Date Title
Hou et al. Shape-adaptive selection and measurement for oriented object detection
CN101295363B (zh) 从距离图像确定物体姿势的方法和系统
CN107301661A (zh) 基于边缘点特征的高分辨率遥感图像配准方法
CN107657272B (zh) 一种遥感图像海上目标检测方法
CN103729872B (zh) 一种基于分段重采样和表面三角化的点云增强方法
CN104834915B (zh) 一种复杂云天背景下小红外目标检测方法
US9651661B2 (en) Methods and systems for local principal axis rotation angle transform
CN108305277B (zh) 一种基于直线段的异源图像匹配方法
CN106447688A (zh) 一种高光谱溢油图像的有效分割方法
WO2018000252A1 (zh) 高分辨遥感海洋图像的海背景建模与抑制的方法及系统
CN110838115A (zh) 运用轮廓线提取和四维曲面拟合的古文物三维模型变化检测方法
CN103745463A (zh) 基于梯度信息的新颖多源图像快速配准方法
CN104392428A (zh) 一种针对侧扫声纳图像的拼接系统
CN107292899B (zh) 一种针对二维激光扫描仪的角点特征提取方法
CN106504219B (zh) 有约束的路径形态学高分辨率遥感影像道路增强方法
CN111105390A (zh) 一种改进的海天线检测和评估方法
CN113344148A (zh) 一种基于深度学习的海上舰船目标识别方法
Zhang et al. Ship detection and recognition in optical remote sensing images based on scale enhancement rotating cascade R-CNN networks
CN110390337A (zh) 一种舰船个体识别方法
CN106778870B (zh) 一种基于rpca技术的sar图像舰船目标检测方法
CN105184803A (zh) 一种姿态测量方法和装置
CN104392465A (zh) 基于d-s证据理论信息融合的多核目标跟踪方法
CN110322454B (zh) 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法
CN110796042B (zh) 基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法
CN109613489B (zh) 一种基于模糊函数地貌特征的雷达信号分选方法

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