CN107766858A - 一种应用合成孔径雷达图像进行船舶检测的方法 - Google Patents
一种应用合成孔径雷达图像进行船舶检测的方法 Download PDFInfo
- Publication number
- CN107766858A CN107766858A CN201710985970.5A CN201710985970A CN107766858A CN 107766858 A CN107766858 A CN 107766858A CN 201710985970 A CN201710985970 A CN 201710985970A CN 107766858 A CN107766858 A CN 107766858A
- Authority
- CN
- China
- Prior art keywords
- ship
- image
- vector
- training
- object candidate
- 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.)
- Pending
Links
Classifications
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种应用合成孔径雷达图像进行船舶检测的数据处理方法,包含两个处理步骤:第一步是模型训练,第二步是船舶检测。该方法利用极限学习机技术进行机器学习,采用灰度共生矩阵法计算出能量、对比度、熵、相关性、逆差矩和方差特征,与图像一起构成特征向量。本发明的检测方法在具有高准确率的同时,还具有计算速度快的优点,可以广泛应用于海上交通管制、渔业发展、人员搜救及海上防卫等应用中,有效地实现长期、动态、实时的船舶自动检测。
Description
技术领域
本发明涉及信号和图像处理领域,尤其涉及一种应用合成孔径雷达图像进行船舶检测的数据处理方法。
背景技术
船舶检测在海上交通管制、渔业发展、人员搜救及海上防卫等应用中都发挥着重要作用。合成孔径雷达具有全天时和全天候对陆地和海洋进行观测的能力,利用合成孔径雷达图像能有效地实现长期、动态、实时的船舶自动检测。
目前,已经出现了一些应用合成孔径雷达图像进行船舶检测的方法,如基于K近邻算法(KNN)的检测方法,基于支持向量机(SVM)的检测方法[1],以及基于卷积神经网络(CNN)的检测方法[2]等。KNN方法在确定分类决策上只依据最近邻的一个或几个样本的类别来决定待分类样本所属的类别,所以该算法的严重不足之处是不适合不平衡数据分类,即当一个样本的容量很大,另一个样本的容量很小时,小容量样本几乎对分类效果不产生影响,分类偏差大。SVM方法可以较好地解决小样本、非线性以及维数灾难等问题,但对大规模样本训练效果不佳,耗时长。CNN方法使图像可以直接作为网络的输入,避免了传统识别算法中复杂的特征提取和数据重建过程,分类检测准确率较高,但是对样本数据需求量大,对硬件要求高,训练时间长,易过拟合等,对小样本检测准确率过低,实时性差。总之,这些方法都存在着准确率不够高、速度不够快的问题。
本发明的方法是基于数字图像处理和机器学习算法的。本发明的检测方法依据目标几何特征进行图像分割,获取目标候选区,进行统计特征提取,最后应用机器学习检测算法,克服现有技术存在的准确性不高和计算速度慢的不足,实现应用合成孔径雷达图像进行船舶检测。
发明内容
针对现有技术存在的准确性不高和计算速度慢的不足,本发明提出一种应用合成孔径雷达图像进行船舶检测的方法,本发明的主要思想如下:先对合成孔径雷达图像进行分割提取出感兴趣的目标区域,然后进行特征提取,采用极限学习机(ELM)算法进行机器学习,从而得到实时性好、准确率高的检测结果。该发明的优点在于:一方面采用ELM算法克服了SVM、CNN方法对样本数据量要求有局限的不足,对大数据或小数据量样本训练都可以得到良好的效果;另一方面ELM算法在保证学习精度的前提下学习速度更快。所以本发明的检测方法在具有高准确率的同时,还具有实时性强的优点。
下面给出本发明的的具体步骤,其特点是:
本发明方法包含两个处理步骤:第一步是模型训练,第二步是船舶检测;
前述第一步模型训练中,进行以下处理:
(1)建立训练样本数据集
对合成孔径雷达图像进行分割,消除其中形状不规则的区域,得到目标候选区域,这些目标候选区域包括船舶对象区域和非船舶对象区域,随机选取等数量的船舶对象区域和非船舶对象区域,把这些选择出来的区域缩放为大小为32×32的图像,做为训练样本数据集;
(2)提取样本的特征
对训练样本数据集中的每张图像采用灰度共生矩阵法计算出以下六个特征:能量、对比度、熵、相关性、逆差矩、方差,这些特征的数值依次排列,组成一个数值向量;把该张图像按行展开,形成一个长度为1024的图像向量;把前述数值向量和前述图像向量相连接,得到该样本的特征向量;根据该样本的特征向量对应的图像是否是船舶进行标注,如果是船舶,则标注为1,否则标注为-1,该标注称为该样本的输出向量;
(3)进行极限学习机训练
应用前述训练样本数据集得到的每个样本的特征向量和输出向量进行极限学习机的训练,极限学习机的网络结构如下:输入层的节点数等于特征向量中的数值的个数,输出层的节点个数为1,隐层节点数为200,激活函数采用sigmoid函数;训练完成后得到完成训练的极限学习机模型;
前述第二步船舶检测中,进行以下处理:
(1)获得目标候选区域
对需要进行船舶检测的合成孔径雷达图像进行分割,消除其中形状不规则的区域,得到目标候选区域,把这些目标候选区域缩放为大小为32×32的图像,得到待检测的目标候选区域,;
(2)计算特征向量
对前述每一个待检测的目标候选区域的每张图像,采用灰度共生矩阵法计算出以下六个特征:能量、对比度、熵、相关性、逆差矩、方差,这些特征的数值依次排列,组成一个数值向量;把该张图像按行展开,形成一个长度为1024的图像向量;把前述数值向量和前述图像向量相连接,得到一个待检测的目标候选区域的特征向量;
(3)进行极限学习机检测
分别把前述每一个待检测的目标候选区域的特征向量,输入到前述完成训练的极限学习机模型,得到的输出结果如果是1,则该待检测的目标候选区域是船舶,否则该待检测的目标候选区域不是船舶。
本发明利用数字图像处理技术,结合极限学习机的机器学习技术,能够得到更高的船舶检测正确率,并且具有更快的速度。下面结合附图,对具体实施实例及其有益效果作进一步的说明。
附图说明
图1本发明方法步骤图
图2 SAR图像样例
图3非船舶图像和样本图像
图4多种分类方法的分类正确率比较
图5 ROC和AUC评估曲线图
图2中:
201 SAR图像样例1
202 SAR图像样例2
图3中:
301 薄云层图像
302 厚云层图像
303 水迹图像
304 小岛屿图像
305 船舶样本图像
306 船舶样本图像
307 非船舶样本图像
308 非船舶样本图像
具体实施方式
下面结合附图,对本发明的具体实施方式说明如下:
首先从TerraSAR-X图像集[3]中选择包含有船舶的合成孔径雷达图像,图像样例如图2,进行第一步模型训练,对合成孔径雷达图像进行分割,消除其中形状不规则的区域,得到目标候选区域,采用文献[4]中的图像分割、图像预处理和简单形状分析的方法完成,结果如图3所示。灰度共生矩阵法的六个特征的计算,采用文献[5]中的方法完成。按照第一步模型训练中的方法,得到每个样本的特种向量与输出向量。
其次,利用极限学习机进行训练。下面先说明极限学习机的原理和优点。
本发明中,采用极限学习机[6-7]的方法对合成孔径雷达图像进行船舶检测。传统的神经网络学习算法,如BP算法,需要人为设置大量的网络训练参数,并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数,在算法执行过程中不需要调整网络的输入权值以及隐层神经元的偏置,且能产生唯一的最优解,因此具有学习速度快且泛化性能好的优点。
在传统的神经网络训练中,通常的做法是要通过梯度下降算法来不断的调整隐层与输出层,输出层与隐层之间的权值矩阵,以及偏置。但是极限学习机算法指出,在学习算法开始时,它可随机产生网络的输入权重和偏置,使之在训练过程中无需再进行调整,只需设置网络的隐含层节点个数及隐含层神经元的激活函数即可产生唯一的最优解,有效地克服了大多数梯度下降法训练速度慢、学习率选择敏感和易陷入局部极小等缺点。
对于具有含有L个隐层节点的单隐层神经网络,有N个任意的训练样本(Xi,ti),i=1,...,N,X=[x1,x2,...,xN]T∈RD×N是输入特征矩阵,ti=[ti1,ti2,...,tM]T∈RM是第i个样本的输出值,其中D是输入样本的维数,其与输入样本的特征个数或输入节点的个数是一致的。N是样本的个数,M是输出节点个数。
隐层节点的个数是L,第i个隐层节点的输出表示为:
g(x;wi,bi)=g(x·wi+bi), (1)
其中,x表示输入样本的特征向量,wi表示第i个隐层节点与所有输入节点之间的权重向量,bi表示这个隐层节点的偏置,此处的i=1,...,L,g(·)表示激活函数。
将输入层数据映射到隐含层:
h(x)=[g(x;w1,b1),g(x;w2,b2),...,g(x;wL,bL)], (2)
h(x)是样本x的隐层节点输出向量。
以下是输入层和输出层的关系公式:
其中的βij是第i个隐层节点和第j个输出节点之间的输出权重,fj(x)是样本x的第j个输出值,j=1,…,M。
隐含层到输出层之间的映射关系:
f(x)=[f1(x),f2(x)...,fM(x)]=h(x)β, (4)
其中
h(x)是隐层节点的输出矩阵,β是输出权重矩阵。在训练过程中,β起到解决优化问题作用,所以β需要训练调整。
极限学习机中的非线性转换函数即激活函数可以很好地提高强其学习能力,本发明中使用sigmoid函数。
使用ELM训练分类器的过程:
输出矩阵Y,输入矩阵X之间的关系表示:Y=Hβ,其中H为隐含层输出矩阵,其具体形式为
且
训练的目标是使得训练误差||T-Hβ||2和输出权重||β||的范数最小,因此训练过程可以表示为一个有约束最优化问题:
其中ξ是实际输出值Y和期望输出值T之间的差值,C是规则化函数,用来平衡拟合函数的平滑度和函数拟合值与真实数据距离差距这两者之间的关系。可以使用拉格朗日法解决此问题,如果矩阵为非奇异矩阵,则
若矩阵为非奇异,则有:
可以看到,矩阵是L*L维的矩阵,而是N*N维矩阵,因此当训练样本很大时,可以进行降维处理。
以上是对极限学习机原理和优点的说明。本发明实例采用[8]中的MATLAB版软件实现极限学习机模型,本发明实例的计算实例都是在Matlab环境下完成的。
最后,按照第二步船舶检测中所述的方法,进行检测。
为了说明本发明方法的优点,把本发明方法与其他文献中的方法进行测试对比,对比的方法包括KNN、SVM和CNN,分别对样本数为120、240、360和480的不同分类方法进行测试,每种方法都是运行10次取平均值得到结果,不同方法的准确率结果如图4所示,可见,本发明方法取得最高的检测准确率。再用ROC指标对不同的方法进行对比,每种方法都是运行10次取平均值得到结果,不同方法的ROC曲线如图5所示,可以看出,本发明方法具有最好的ROC性能指标。
总之,本发明提出的应用合成孔径雷达图像进行船舶检测的方法优于已有方法,可以更准确地对实现对船舶的检测。
参考文献:
[1]Yang X,Bi F,Yu Y,et al.An Effective False-alarm Removal MethodBased on OC-SVM for SAR Ship Detection.In:Proc.IET International RadarConference,pp.1-4,2015
[2]Schwegmann C P,Kleynhans W,Salmon B P,et al.Very Deep Learning forShip Discrimination in Synthetic Aperture Radar Imagery.In:Proc.2016 IEEEInternational Geoscience and Remote Sensing Symposium,pp.104-107,2016
[3]TerraSAR-X Data Samples,http://www.infoterra.de/free-sample-data.
[4]Selvi M U,Kumar S S.Sea Object Detection Using Shape and HybridColor Texture Classification.Communications in Computer&Information Science,204,19-31(2011)
[5]Hall-Beyer Mryka.GLCM Texture:A Tutorial V3.0 March,2017,https://prism.ucalgary.ca/handle/1880/51900
[6]Huang GB,Zhu QY,Siew CK.Extreme Learning Machine:Theory andApplications,Neurocomputing,70,489-501(2006)
[7]Huang G.,Huang G.B.,Song S,You K.Trends in Extreme LearningMachines:A Review,Neural Networks,61,32-46(2015)
[8]http://www.ntu.edu.sg/home/egbhuang/elm_codes.html
Claims (1)
1.一种应用合成孔径雷达图像进行船舶检测的方法,其特征在于:
本发明方法包含两个处理步骤:第一步是模型训练,第二步是船舶检测;
前述第一步模型训练中,进行以下处理:
(1)建立训练样本数据集
对合成孔径雷达图像进行分割,消除其中形状不规则的区域,得到目标候选区域,这些目标候选区域包括船舶对象区域和非船舶对象区域,随机选取等数量的船舶对象区域和非船舶对象区域,把这些选择出来的区域缩放为大小为32×32的图像,做为训练样本数据集;
(2)提取样本的特征
对训练样本数据集中的每张图像采用灰度共生矩阵法计算出以下六个特征:能量、对比度、熵、相关性、逆差矩、方差,这些特征的数值依次排列,组成一个数值向量;把该张图像按行展开,形成一个长度为1024的图像向量;把前述数值向量和前述图像向量相连接,得到该样本的特征向量;根据该样本的特征向量对应的图像是否是船舶进行标注,如果是船舶,则标注为1,否则标注为-1,该标注称为该样本的输出向量;
(3)进行极限学习机训练
应用前述训练样本数据集得到的每个样本的特征向量和输出向量进行极限学习机的训练,极限学习机的网络结构如下:输入层的节点数等于特征向量中的数值的个数,输出层的节点个数为1,隐层节点数为200,激活函数采用sigmoid函数;训练完成后得到完成训练的极限学习机模型;
前述第二步船舶检测中,进行以下处理:
(1)获得目标候选区域
对需要进行船舶检测的合成孔径雷达图像进行分割,消除其中形状不规则的区域,得到目标候选区域,把这些目标候选区域缩放为大小为32×32的图像,得到待检测的目标候选区域,;
(2)计算特征向量
对前述每一个待检测的目标候选区域的每张图像,采用灰度共生矩阵法计算出以下六个特征:能量、对比度、熵、相关性、逆差矩、方差,这些特征的数值依次排列,组成一个数值向量;把该张图像按行展开,形成一个长度为1024的图像向量;把前述数值向量和前述图像向量相连接,得到一个待检测的目标候选区域的特征向量;
(3)进行极限学习机检测
分别把前述每一个待检测的目标候选区域的特征向量,输入到前述完成训练的极限学习机模型,得到的输出结果如果是1,则该待检测的目标候选区域是船舶,否则该待检测的目标候选区域不是船舶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710985970.5A CN107766858A (zh) | 2017-10-20 | 2017-10-20 | 一种应用合成孔径雷达图像进行船舶检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710985970.5A CN107766858A (zh) | 2017-10-20 | 2017-10-20 | 一种应用合成孔径雷达图像进行船舶检测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107766858A true CN107766858A (zh) | 2018-03-06 |
Family
ID=61269396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710985970.5A Pending CN107766858A (zh) | 2017-10-20 | 2017-10-20 | 一种应用合成孔径雷达图像进行船舶检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766858A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921029A (zh) * | 2018-06-04 | 2018-11-30 | 浙江大学 | 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法 |
CN111796266A (zh) * | 2020-07-14 | 2020-10-20 | 哈尔滨工业大学 | 一种匀加速运动目标rd平面检测前跟踪方法 |
CN112183534A (zh) * | 2020-10-07 | 2021-01-05 | 西安电子科技大学 | 基于视频合成孔径雷达的动目标智能联合检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN106127228A (zh) * | 2016-06-16 | 2016-11-16 | 北方工业大学 | 一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法 |
CN106446804A (zh) * | 2016-09-08 | 2017-02-22 | 西安电子科技大学 | 一种基于elm的多粒度虹膜识别方法 |
-
2017
- 2017-10-20 CN CN201710985970.5A patent/CN107766858A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN106127228A (zh) * | 2016-06-16 | 2016-11-16 | 北方工业大学 | 一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法 |
CN106446804A (zh) * | 2016-09-08 | 2017-02-22 | 西安电子科技大学 | 一种基于elm的多粒度虹膜识别方法 |
Non-Patent Citations (1)
Title |
---|
车云龙: "基于RadarSat-2全极化SAR的船舶检测", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921029A (zh) * | 2018-06-04 | 2018-11-30 | 浙江大学 | 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法 |
CN111796266A (zh) * | 2020-07-14 | 2020-10-20 | 哈尔滨工业大学 | 一种匀加速运动目标rd平面检测前跟踪方法 |
CN112183534A (zh) * | 2020-10-07 | 2021-01-05 | 西安电子科技大学 | 基于视频合成孔径雷达的动目标智能联合检测方法 |
CN112183534B (zh) * | 2020-10-07 | 2023-05-23 | 西安电子科技大学 | 基于视频合成孔径雷达的动目标智能联合检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
CN109345507B (zh) | 一种基于迁移学习的大坝图像裂缝检测方法 | |
CN108021947B (zh) | 一种基于视觉的分层极限学习机目标识别方法 | |
CN108805070A (zh) | 一种基于嵌入式终端的深度学习行人检测方法 | |
CN112488210A (zh) | 一种基于图卷积神经网络的三维点云自动分类方法 | |
CN110135319A (zh) | 一种异常行为检测方法及其系统 | |
CN105426914B (zh) | 一种面向位置识别的图像相似度检测方法 | |
CN109886217A (zh) | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 | |
Akey Sungheetha | Classification of remote sensing image scenes using double feature extraction hybrid deep learning approach | |
CN115496752A (zh) | 一种基于一阶段目标检测算法的钢材表面缺陷检测方法 | |
CN112818969A (zh) | 一种基于知识蒸馏的人脸姿态估计方法及系统 | |
CN107766858A (zh) | 一种应用合成孔径雷达图像进行船舶检测的方法 | |
CN110751209A (zh) | 一种融合深度图像分类和检索的智能台风定强方法 | |
CN113344045A (zh) | 一种结合hog特征提高sar船只分类精度的方法 | |
Fan et al. | A novel sonar target detection and classification algorithm | |
CN114360038A (zh) | 基于深度学习的弱监督rpa元素识别方法及系统 | |
CN116935332A (zh) | 一种基于动态视频的渔船目标检测与跟踪方法 | |
CN114565824A (zh) | 基于全卷积网络的单阶段旋转舰船检测方法 | |
CN111428855B (zh) | 一种端到端的点云深度学习网络模型和训练方法 | |
CN109284752A (zh) | 一种车辆的快速检测方法 | |
CN117455868A (zh) | 基于显著融合差异图和深度学习的sar图像变化检测方法 | |
CN117788810A (zh) | 一种无监督语义分割的学习系统 | |
Liu et al. | Ground-based visible-light cloud image classification based on a convolutional neural network | |
CN116977265A (zh) | 缺陷检测模型的训练方法、装置、计算机设备和存储介质 | |
CN110135239A (zh) | 一种光学遥感影像港口舰船目标的识别方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180306 |