CN108229433A - 一种基于直线段检测和形状特征的靠岸舰船检测方法 - Google Patents
一种基于直线段检测和形状特征的靠岸舰船检测方法 Download PDFInfo
- Publication number
- CN108229433A CN108229433A CN201810100959.0A CN201810100959A CN108229433A CN 108229433 A CN108229433 A CN 108229433A CN 201810100959 A CN201810100959 A CN 201810100959A CN 108229433 A CN108229433 A CN 108229433A
- Authority
- CN
- China
- Prior art keywords
- naval vessel
- remote sensing
- extra large
- land
- ship
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于直线段检测和形状特征的靠岸舰船检测方法,包括:步骤1,对海陆遥感图像中的海域部分和陆地部分进行分割得到海陆分界线,并基于海陆分界线得到海陆遥感二值图像;步骤2,基于所述海陆遥感二值图像对舰船船头进行检测得到舰船头部候选点;步骤3,根据所述海陆遥感二值图像上的所述舰船头部候选点确定舰船方向以及船身尺寸。本发明提供亚像素级的陆地和海域分割技术,解决由于背景的颜色和纹理与舰船呈高度相似性,造成的靠岸舰船与背景准确区分困难、靠岸舰船的检测准确度低等问题。
Description
技术领域
本发明涉及图像检测技术领域,尤其涉及一种基于直线段检测和形状特征 的靠岸舰船检测方法。
背景技术
近年来,随着航空航天技术的进步,遥感影像获取的手段日益成熟,影像 的分辨率,包括时间分辨率、空间分辨率、辐射分辨率和光谱分辨率正在不断 提高。目前,遥感已突破数据获取的瓶颈,正在走向全面应用的新阶段,为海 洋近岸目标的提取奠定了数据基础。舰船作为重要的海洋目标,是海上监测和 战时打击的重点目标,实时有效的获取舰船的基本信息,在民用和军事领域都 有着巨大的意义。在民用领域,辅助遇难船只救援,打击走私、非法倾倒油污、 非法捕鱼和海盗等违法行为,监控特定港口或海域的海运交通等都需要获取舰 船信息;在军事领域,通过对重点港口和海域的舰船进行检测、监视和识别,确定舰船的型号、种类、位置等重要信息,便于海战场环境态势的分析,从而 掌握对方的海上作战实力,评估战时海上打击效果,形成海上作战情报等,为 海上战场决策支持提供依据。
早期的舰船检测主要是使用SAR图像,且已比较成熟,可见光遥感图像 的舰船目标研究较晚,相关资料也较少。而在光学图像中,海洋背景下的舰船 检测也已有广泛研究,靠岸舰船检测相对海上舰船检测起步较晚。
目前,靠岸舰船检测的方法主要分为两大类:基于先验信息的方法和基于 边缘信息的方法。现有靠岸舰船检测方法的不足主要包括:
(1)基于先验信息的方法采用模型匹配的方式实现,检测准确度很大程度 上依赖于待检测图像与港口先验信息的精确匹配,但由于一方面先验信息构建 技术难度大,另一方面精确匹配困难,造成基于先验信息的方法的靠岸舰船检 测可行性差,很难实现。
(2)港口等背景与舰船的反射率差异较小,灰度差异不明显,导致靠岸舰 船与港口等陆地区域在颜色与纹理方面呈现出很高的相似性,采用基于边缘信 息的方法需要较好的提取连续的舰船边缘,在背景与舰船差异性小的情况下无 法有效获取边缘信息,检测准确度低,算法复杂度高。
发明内容
本发明要解决的技术问题是,提供一种基于直线段检测和形状特征的靠岸 舰船检测方法,克服现有技术对于靠岸舰船检测准确度不高、效率低的缺陷。
本发明采用的技术方案是,所述基于直线段检测和形状特征的靠岸舰船检 测方法,包括:
步骤1,对海陆遥感图像中的海域部分和陆地部分进行分割得到海陆分界线, 并基于海陆分界线得到海陆遥感二值图像;
步骤2,基于所述海陆遥感二值图像对舰船船头进行检测得到舰船头部候选 点;
步骤3,根据所述海陆遥感二值图像上的所述舰船头部候选点确定舰船方向 以及船身尺寸。
进一步的,在所述步骤1中,对海陆遥感图像中的海域部分和陆地部分进 行分割得到海陆分界线,包括:
步骤11,采用四叉树分割方法对所述海陆遥感图像进行分割得到海陆分界 线初始轮廓;
步骤12,采用多种活动轮廓模型对所述陆遥感图像上的海陆分界线初始轮 廓进行演化得到海陆分界线。
进一步的,所述步骤12,包括:
利用如下公式(1)的基于测地线活动轮廓模型的水平集演化方程以及公式 (2)的结合了CV(Chan-Vese)模型和LBF(Local Binary Fitting,局部二值拟 合模型)构造的符号压力函数,对未知的闭合曲线C进行演化得到海陆分界线:
其中,α是一个常数项,其作用是为了增加海陆分界线初始轮廓上各点法线 方向上的演变速度,div为散度算子,水平集函数如下:
(x,y)∈inside(C)表示在未知的闭合曲线C内部的点,(x,y)=C表示在未知的闭合曲线C上的点,(x,y)∈outside(C)表示在未知的闭合曲线C外部的点;w是一个 权重因子,0≤w≤1,f1和f2分别为LBF模型轮廓曲线内、外的图像局部区域 灰度函数,表达式如式(4),c1和c2分别为CV模型轮廓曲线内、外的图像灰度 均值,其计算公式如式(5);
式(4)中,Gσ是标准差为σ的高斯核函数,*表示卷积,I′(x)为原图像I(x,y) 经过平均平滑滤波之后与原图像I(x,y)作差得到的新图像,Hε为式(6)的 Heaviside函数;
其中,ε趋近于0。
进一步的,所述步骤2,包括:
步骤21,在所述海陆遥感二值图像上进行Harris角点检测;
步骤22,以每一个Harris角点为圆心以设定的半径绘出圆形区域,在各所 述圆形区域中根据设定的舰船头部夹角范围确定出在所述圆形区域中舰船的面 积范围,该面积范围中的舰船的面积最小值和最大值由如下公式确定:
其中,Scircle表示所述圆形区域的面积,S表示舰船的面积,θ为舰船头部的 夹角;
步骤23,根据在所述圆形区域中舰船的面积范围,在各所述圆形区域中剔 除虚假的Harris角点,保留下来的Harris角点作为舰船头部候选点。
进一步的,所述设定的舰船头部夹角范围为10~90度。
进一步的,在所述步骤3中,根据所述海陆遥感二值图像上的所述舰船头 部候选点确定舰船方向,包括:
步骤31,以每一个舰船头部候选点为圆心以设定的半径绘出圆形区域,并 对所述圆形区域进行LSD(Line Segment Detection,直线段检测)得出舰船头部 周围的直线段;
步骤32,针对检测得到的舰船头部周围的每一个直线段,找到与该直线段 最近的直线段,如果该直线段与所述最近的直线段之间的距离小于设定的距离 阈值,则记录该直线段及其对应的最近的直线段;
步骤33,当记录的任一个直线段及其对应的最近的直线段之间的夹角在 10~75度之间时,将这个直线段及其对应的最近的直线段作为组成“V”字形舰 船舰首的两条直线段;
步骤34,将组成“V”字形舰船舰首的两条直线段之间夹角的角平分线方 向作为舰船方向,角平分线的斜率根据式(8)求解;
|k-k1|/(1+k1·k)=|k2-k|/(1+k2·k) (8)
其中,k表示所述角平分线的斜率,k1表示所述两条直线段中第一条直线段 的斜率,k2表示所述两条直线段中第二条直线段的斜率。
进一步的,在所述步骤3中,根据所述海陆遥感二值图像上的所述舰船头 部候选点确定舰船方向,还包括:
步骤35,基于舰船方向和组成“V”字形舰船舰首的两条直线段,确定出 所述两条直线段的远离船头的端点的连线与舰船方向所在的直线的交点;
若所述交点处的灰度值与设定的灰度数值一致,则判定该舰船方向为正确 的舰船方向。
进一步的,在所述海陆遥感二值图像中,黑色为海洋,白色为陆地;
在所述步骤3中,根据所述海陆遥感二值图像上的所述舰船头部候选点确 定船身尺寸,包括:
步骤41,在所述海陆遥感二值图像上从所述舰船头部候选点开始沿着舰船 方向进行扫描,扫描线与舰船方向垂直,将寻找到的宽度稳定不再变化的两个 非陆地点之间的距离作为舰船的宽度;
步骤42,使用两个矩形框A和B,从所述舰船头部候选点开始沿着舰船方 向扫描,分别计算矩形框A内白色区域占矩形框A的第一面积比例、以及矩形 框B内白色区域占矩形框B的第二面积比例;若第一面积比例小于设定的第一 比例阈值且第二面积比例大于设定的第二比例阈值,则检测到舰船尾部,基于 所述舰船头部候选点以及检测到的舰船尾部确定出舰船长度;第一比例阈值小 于第二比例阈值。
进一步的,所述步骤41,包括:
步骤41-1,在所述海陆遥感二值图像上从所述舰船头部候选点开始沿着舰 船方向按照设定的像素数间隔进行扫描,扫描线与舰船方向垂直,将每次扫描 到的非陆地点记为B1和B2;
步骤41-2,设B1与B2之间的距离记为B1B2,对于非并排舰船,如果当 前扫描位置处的B1B2与前一扫描位置处的B1B2一致,则停止扫描,将当前扫 描位置处的B1B2作为舰船宽度;否则继续进行扫描,直到满足停止扫描的条件;
对于并排舰船,如果两次当前扫描位置处的B1B2与前一扫描位置处的 B1B2之差超过设定的变化阈值,则将前一扫描位置处的B1B2作为舰船宽度。
进一步的,在所述步骤3中,根据所述海陆遥感二值图像上的所述舰船头 部候选点确定船身尺寸,还包括:
通过将确定出的舰船长度、宽度和长宽比与设定的舰船长度、宽度和长宽 比进行比较,剔除虚警。
采用上述技术方案,本发明至少具有下列优点:
本发明所述基于直线段检测和形状特征的靠岸舰船检测方法,提供亚像素 级的陆地和海域分割技术,解决由于背景的颜色和纹理与舰船呈高度相似性, 造成的靠岸舰船与背景准确区分困难、靠岸舰船的检测准确度低等问题。本发 明能够减少陆地背景干扰和船头候选点数量,结合舰船形状特征,基于直线段 检测技术,快速确定舰船方向,提高靠岸舰船检测准确度和检测效率,降低虚 检率。
附图说明
图1为本发明实施例的靠岸舰船检测方法流程图;
图2为本发明实施例的靠岸舰船检测方法的详细流程图;
图3(a)、(b)分别为本发明实施例的四叉树分割过程中已区分图像和对应 的四叉树结构示意图;
图4(a)、(b)分别为本发明实施例的原图和海陆边界上检测角点效果示意 图;
图5(a)、(b)分别为本发明实施例的船头检测过程中圆形区域选取以及船 头虚警剔除情况示意图;
图6(a)~(d)分别为本发明实施例的船头候选点圆形区域选取、圆形区 域内LSD检测结果、基于直线段的舰船方向、舰船虚警剔除示意图;
图7(a)、(b)分别为本发明实施例的船身检测中舰船宽度计算、舰船长度 计算的示意图;
图8为本发明实施例的舰船检测结果示意图。
具体实施方式
为更进一步阐述本发明为达成预定目的所采取的技术手段及功效,以下结 合附图及较佳实施例,对本发明进行详细说明如后。
本发明实施例,一种基于直线段检测和形状特征的靠岸舰船检测方法,如 图1~2所示,包括以下具体步骤:
步骤1,对海陆遥感图像中的海域部分和陆地部分进行分割得到海陆分界线, 并基于海陆分界线得到海陆遥感二值图像。
具体的,靠岸舰船与港口等陆地背景极为相似,检测时陆地上许多与舰船 相似的目标会误检为舰船,因此对影像进行海陆分割,然后进行舰船目标检测, 将会剔除陆地干扰,提高检测的准确率、降低误检率。本发明先采用四叉树粗 分割给定初始轮廓,再利用多种活动轮廓模型细分割得到精确的海陆分割结果。
(1)四叉树分割
对于海陆遥感影像而言,影像中海域部分的像素灰度值具有一定的均匀性, 并且连通性较好,海域影像整体上边缘特征丰富,特别是在海陆分界处。基于 四叉树图像分割的优势在于分割速度快,并且是自动分割,但是对于弱边缘和 严重凹陷边缘不能准确地提取,因此四叉树分割可以为后续活动轮廓模型提供 初始轮廓。四叉树分割结构示意图如图2所示。由于利用四叉树分割方法确定 分界线是本领域的公知技术,此处不详述。
(2)多种活动轮廓模型海陆分割
近年来,活动轮廓模型在图像分割领域得到了广泛应用,特别是测地线活 动轮廓(Geodesic Active Contour,简称GAC)模型,GAC模型的能量函数为:
式中,C(q)为曲线C的弧长,g是边界停止函数,为原图像I的梯度,表示 梯度算子。
边界停止函数为:
式中,Gσ表示标准差为σ的高斯核,*表示卷积,p>1并且为常数,一般选择p 为2。
采用水平集演化方法求解GAC模型的能量函数的最小值,用水平集函数 来代替待演化的未知的闭合曲线C,水平集函数如下:
得到水平集演化方程为:
式(4)中,α是一个常数项,其作用是为了增加海陆分界线初始轮廓上各 点法线方向上的演变速度,div为散度算子。
GAC模型依靠边缘梯度信息演化曲线,能够自适应的处理拓扑结构变化, 提供高精度的闭合分割曲线,但是对噪声敏感,需要人工给定初始轮廓,对于 严重凹陷边缘容易陷入局部极小值而停止演化,影响提取的精度和可靠性。局 部二值拟合(Local BinaryFitting,简称LBF)模型利用图像的局部信息,对于 灰度不均图像具有很好的分割效果;但是只有局部信息,而没有涉及全局信息, 所以对初始轮廓敏感,抗噪性能较差,并且计算量大;Chan-Vese(CV)模型是 一种基于区域的活动轮廓模型,可以检测梯度变化不明显的弱边界目标,同时, CV模型利用图像的全局信息,因此对轮廓的初始化不敏感,并且对含噪声图像 能够有效地处理。综上所述,三种模型各有优劣,本发明实施例结合CV和LBF 模型的优点构造符号压力函数,如公式(5),用该符号压力函数代替GAC模型 的边界停止函数。
式(5)中,w(0≤w≤1)是一个权重因子,可以根据图像的细节和灰度不均匀性 进行调节。f1、f2分别为LBF模型轮廓曲线内、外的图像局部区域灰度的函数, 表达式如式(6),c1和c2分别为CV模型轮廓曲线内、外的图像灰度均值,其计 算公式如式(7)。由于原图像I是原图像的二维灰度矩阵, 是求出原图像I中各点的灰度参与计算时的 最大值。
式(6)中,Gσ是标准差为σ的高斯核函数,I′(x)为原图像I(x,y)经过平均平滑 滤波之后与原图像I(x,y)作差得到的新图像,为式(8)的Heaviside函数。
本发明实例用水平集函数来代替待演化的未知的闭合曲线C,该未知 的闭合曲线C具有一个初始值,将该初始值确定的水平集函数代入公式 (6)、(7)中以确定出对应的c1、c2、f1、f2,基于c1、c2、f1、f2确定出符号 压力函数spf(I)以代替边界停止函数g代入水平集演化方程中以计算出新的水平 集函数再一次代入公式(6)、(7)中以重复执行上述过程,从而迭代演 化出符合要求的闭合曲线C作为海陆分界线。
本发明所使用的该水平集函数以及符号压力函数spf(I)使得分割目标更加 突出,并且具有双向演化的能力,从而有效地改善了GAC模型无法同时提取弱 边缘和严重凹陷边缘的问题。经过上述过程便可获得海陆分割线。
(3)海陆二值图像获取
由(2)获得海陆分割线之后,根据海陆分割线对影像进行海陆分割,得到 海洋为黑色和陆地为白色的二值图像,后续处理均在该二值图像的基础上进行。
步骤2,基于所述海陆遥感二值图像对舰船船头进行检测得到舰船头部候选 点。
具体的,大多数舰船船头呈现出“V”字形。船头呈“V”字形是靠岸舰船 检测的一个重要特征。而且,舰船头部由于更少的受到船上装备阴影的影响, 相比于船身其检测效果更稳定。舰船船头检测算法如下:
(1)采用基于四叉树和改进GAC模型进行海陆分割,并在海陆二值图上 进行Harris角点检测。该方法可以有效排除陆地区域角点干扰,同时减少角点 数量,从而提高检测效率,减少计算量。如图4(a)、(b)所示,为原图和海陆 二值图角点检测情况对比图。
(2)以每一个Harris角点为圆心选取圆形区域,如图5(a)所示,然后在 圆形区域中计算连通区域的面积,并根据连通区域面积去除部分干扰。根据舰 船呈“V”字形特征,将舰船头部的夹角定义为12度-75度,可以计算连通区域 的面积范围,计算公式如(9)。根据最大面积阈值、最小面积阈值剔除虚假的 角点。如图5(b)所示。保留下来的Harris角点作为舰船头部候选点。
式中:Scircle表示圆形区域的面积,S表示连通区域面积阈值,θ为舰船头部 的夹角
实际上,舰船头部并不是严格的“V”字形,并且两个船头可能相邻,为了 确保舰船头部候选点都能够被检测到,需要将面积阈值范围扩大,本发明实施 例将舰船头部的最小夹角缩小至10度、最大夹角扩大至90度,本发明实施例 的最小面积阈值、最大面积阈值设置如式(10)所示。
式中:Sarea_min是指最小面积阈值,Sarea_max是指最大面积阈值。
步骤3,根据所述海陆遥感二值图像上的所述舰船头部候选点确定舰船方向 以及船身尺寸。
一、舰船方向计算:
获得舰船头部候选点之后,需要进行舰船方向的确定,为舰船船身的检测 奠定基础。本发明通过计算舰船头部两直线段的角平分线确定舰船方向。
舰船方向计算的步骤如下:
(1)对于每一个候选点,以候选点为圆心,选取圆形区域,如图6(a)所 示,并对该区域进行LSD直线段检测,检测舰船头部周围的直线段,如图6(b) 所示,这样避免了在计算舰船方向时,离头部候选点较远直线段的干扰,同时, 需要处理的直线段数量大量减少,使得舰船方向计算效率得到提升。
(2)对检测到的每一个直线段,找到与该直线段距离最近的直线段,如果 该距离小于设定阈值,则记录该直线段。
(3)对每一个直线段,检查满足步骤(2)的直线段,当两直线段夹角在 10~75度之间时,将这两条直线段作为“V”字形舰船的舰首。如图6(c)所示。
(4)获得舰首的两条直线段之后,计算两条线段的角平分线方向作为舰船 的方向,角平分线的斜率根据式(11)求解。
|k-k1|/(1+k1·k)=|k2-k|/(1+k2·k) (11)
式中:k表示角平分线的斜率,k1表示第一条直线段的斜率,k2表示第二条直线 段的斜率。
(5)经过(1)-(4)步之后,获得了舰船方向和舰船头部两条直线段,计 算舰船头部和舰船方向组成的直线与离舰船头部较远的两条线段端点组成的直 线的交点A,由于船身在二值图像上呈现白色,那么在该交点A处其灰度值为 255,可以依据该条件进一步确定正确的舰船方向原理如图6(d)所示。
二、船身检测:
船身的检测也是在上述海陆分割后的二值图像上进行。包括舰船宽度和舰 船长度的计算。
舰船宽度计算是依据已完成的舰船头部和方向检测展开,其基本思想是从 船头开始沿着舰船方向进行扫描,寻找宽度稳定不再变化的非陆地点,将两个 非陆地点之间的距离作为舰船的宽度。检测算法如下。
(1)寻找船身边缘点。沿着舰船方向OA扫描,将A点周围每次扫描到的 非陆地点记为B1和B2,B1、B2之间的距离为临时的舰船宽度;
(2)对于非并排舰船来说,如果本次扫描得到的舰船宽度与上一次扫描的 舰船宽度一致,则停止扫描;否则,继续进行步骤(2),直到满足停止扫描的 条件;
(3)对于并排舰船来说,如图7(a)所示,可能舰船头部的宽度还未达到 真正的舰船宽度,便与并排舰船相互遮挡,因此获得的舰船宽度并非该舰船的 宽度,可能是两条舰船并排停靠之后的宽度如图7(a)中的|C1C2|。因此,对 于并排舰船,计算舰船宽度时,如果两次舰船宽度之差超过阈值,即变化突然 增大,则将上一次计算的舰船宽度当作舰船宽度。
舰船长度的计算原理如图7(b)所示。使用两个矩形框A和B,从舰船的 头部点沿着舰船方向扫描,计算矩形框A和B内白色区域的面积,然后计算两 个白色区域面积与相应矩形框面积的比例,从而定位舰船尾部。若区域A的比 例小于一个阈值T_A,区域B的比例大于T_B,则检测到舰船尾部,舰船本身 有长度和宽度范围,因此,可以进一步剔除虚警。
本发明实施例的方法,对比已有技术,能够有效去除陆地等背景干扰,准 确、快速地实现舰船与背景相似度高、并排停放以及阴影遮挡情况下的靠岸舰 船检测,检测结果如图8所示。
通过具体实施方式的说明,应当可对本发明为达成预定目的所采取的技术 手段及功效得以更加深入且具体的了解,然而所附图示仅是提供参考与说明之 用,并非用来对本发明加以限制。
Claims (10)
1.一种基于直线段检测和形状特征的靠岸舰船检测方法,其特征在于,包括:
步骤1,对海陆遥感图像中的海域部分和陆地部分进行分割得到海陆分界线,并基于海陆分界线得到海陆遥感二值图像;
步骤2,基于所述海陆遥感二值图像对舰船船头进行检测得到舰船头部候选点;
步骤3,根据所述海陆遥感二值图像上的所述舰船头部候选点确定舰船方向以及船身尺寸。
2.根据权利要求1所述的基于直线段检测和形状特征的靠岸舰船检测方法,其特征在于,在所述步骤1中,对海陆遥感图像中的海域部分和陆地部分进行分割得到海陆分界线,包括:
步骤11,采用四叉树分割方法对所述海陆遥感图像进行分割得到海陆分界线初始轮廓;
步骤12,采用多种活动轮廓模型对所述陆遥感图像上的海陆分界线初始轮廓进行演化得到海陆分界线。
3.根据权利要求2所述的基于直线段检测和形状特征的靠岸舰船检测方法,其特征在于,所述步骤12,包括:
利用如下公式(1)的基于测地线活动轮廓模型的水平集演化方程以及公式(2)的结合了CV模型和局部二值拟合模型LBF构造的符号压力函数,对未知的闭合曲线C进行演化得到海陆分界线:
其中,α是一个常数项,其作用是为了增加海陆分界线初始轮廓上各点法线方向上的演变速度,div为散度算子,水平集函数如下:
(x,y)∈inside(C)表示在未知的闭合曲线C内部的点,(x,y)=C表示在未知的闭合曲线C上的点,(x,y)∈outside(C)表示在未知的闭合曲线C外部的点;w是一个权重因子,0≤w≤1,f1和f2分别为LBF模型轮廓曲线内、外的图像局部区域灰度函数,表达式如式(4),c1和c2分别为CV模型轮廓曲线内、外的图像灰度均值,其计算公式如式(5);
式(4)中,Gσ是标准差为σ的高斯核函数,*表示卷积,I′(x)为原图像I(x,y)经过平均平滑滤波之后与原图像I(x,y)作差得到的新图像,Hε为式(6)的Heaviside函数;
其中,ε趋近于0。
4.根据权利要求1所述的基于直线段检测和形状特征的靠岸舰船检测方法,其特征在于,所述步骤2,包括:
步骤21,在所述海陆遥感二值图像上进行Harris角点检测;
步骤22,以每一个Harris角点为圆心以设定的半径绘出圆形区域,在各所述圆形区域中根据设定的舰船头部夹角范围确定出在所述圆形区域中舰船的面积范围,该面积范围中的舰船的面积最小值和最大值由如下公式确定:
其中,Scircle表示所述圆形区域的面积,S表示舰船的面积,θ为舰船头部的夹角;
步骤23,根据在所述圆形区域中舰船的面积范围,在各所述圆形区域中剔除虚假的Harris角点,保留下来的Harris角点作为舰船头部候选点。
5.根据权利要求4所述的基于直线段检测和形状特征的靠岸舰船检测方法,其特征在于,所述设定的舰船头部夹角范围为10~90度。
6.根据权利要求1所述的基于直线段检测和形状特征的靠岸舰船检测方法,其特征在于,在所述步骤3中,根据所述海陆遥感二值图像上的所述舰船头部候选点确定舰船方向,包括:
步骤31,以每一个舰船头部候选点为圆心以设定的半径绘出圆形区域,并对所述圆形区域进行直线段检测LSD得出舰船头部周围的直线段;
步骤32,针对检测得到的舰船头部周围的每一个直线段,找到与该直线段最近的直线段,如果该直线段与所述最近的直线段之间的距离小于设定的距离阈值,则记录该直线段及其对应的最近的直线段;
步骤33,当记录的任一个直线段及其对应的最近的直线段之间的夹角在10~75度之间时,将这个直线段及其对应的最近的直线段作为组成“V”字形舰船舰首的两条直线段;
步骤34,将组成“V”字形舰船舰首的两条直线段之间夹角的角平分线方向作为舰船方向,角平分线的斜率根据式(8)求解;
|k-k1|/(1+k1·k)=|k2-k|/(1+k2·k) (8)
其中,k表示所述角平分线的斜率,k1表示所述两条直线段中第一条直线段的斜率,k2表示所述两条直线段中第二条直线段的斜率。
7.根据权利要求6所述的基于直线段检测和形状特征的靠岸舰船检测方法,其特征在于,在所述步骤3中,根据所述海陆遥感二值图像上的所述舰船头部候选点确定舰船方向,还包括:
步骤35,基于舰船方向和组成“V”字形舰船舰首的两条直线段,确定出所述两条直线段的远离船头的端点的连线与舰船方向所在的直线的交点;
若所述交点处的灰度值与设定的灰度数值一致,则判定该舰船方向为正确的舰船方向。
8.根据权利要求1所述的基于直线段检测和形状特征的靠岸舰船检测方法,其特征在于,在所述海陆遥感二值图像中,黑色为海洋,白色为陆地;
在所述步骤3中,根据所述海陆遥感二值图像上的所述舰船头部候选点确定船身尺寸,包括:
步骤41,在所述海陆遥感二值图像上从所述舰船头部候选点开始沿着舰船方向进行扫描,扫描线与舰船方向垂直,将寻找到的宽度稳定不再变化的两个非陆地点之间的距离作为舰船的宽度;
步骤42,使用两个矩形框A和B,从所述舰船头部候选点开始沿着舰船方向扫描,分别计算矩形框A内白色区域占矩形框A的第一面积比例、以及矩形框B内白色区域占矩形框B的第二面积比例;若第一面积比例小于设定的第一比例阈值且第二面积比例大于设定的第二比例阈值,则检测到舰船尾部,基于所述舰船头部候选点以及检测到的舰船尾部确定出舰船长度;第一比例阈值小于第二比例阈值。
9.根据权利要求8所述的基于直线段检测和形状特征的靠岸舰船检测方法,其特征在于,所述步骤41,包括:
步骤41-1,在所述海陆遥感二值图像上从所述舰船头部候选点开始沿着舰船方向按照设定的像素数间隔进行扫描,扫描线与舰船方向垂直,将每次扫描到的非陆地点记为B1和B2;
步骤41-2,设B1与B2之间的距离记为B1B2,对于非并排舰船,如果当前扫描位置处的B1B2与前一扫描位置处的B1B2一致,则停止扫描,将当前扫描位置处的B1B2作为舰船宽度;否则继续进行扫描,直到满足停止扫描的条件;
对于并排舰船,如果两次当前扫描位置处的B1B2与前一扫描位置处的B1B2之差超过设定的变化阈值,则将前一扫描位置处的B1B2作为舰船宽度。
10.根据权利要求8所述的基于直线段检测和形状特征的靠岸舰船检测方法,其特征在于,在所述步骤3中,根据所述海陆遥感二值图像上的所述舰船头部候选点确定船身尺寸,还包括:
通过将确定出的舰船长度、宽度和长宽比与设定的舰船长度、宽度和长宽比进行比较,剔除虚警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810100959.0A CN108229433B (zh) | 2018-02-01 | 2018-02-01 | 一种基于直线段检测和形状特征的靠岸舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810100959.0A CN108229433B (zh) | 2018-02-01 | 2018-02-01 | 一种基于直线段检测和形状特征的靠岸舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229433A true CN108229433A (zh) | 2018-06-29 |
CN108229433B CN108229433B (zh) | 2021-10-26 |
Family
ID=62670518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810100959.0A Active CN108229433B (zh) | 2018-02-01 | 2018-02-01 | 一种基于直线段检测和形状特征的靠岸舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229433B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190636A (zh) * | 2018-07-30 | 2019-01-11 | 北京航空航天大学 | 一种遥感图像舰船目标信息提取方法 |
CN109598729A (zh) * | 2018-11-28 | 2019-04-09 | 江苏科技大学 | 一种基于srm分割和分层线段特征的船舶目标检测方法 |
CN110866493A (zh) * | 2019-11-14 | 2020-03-06 | 生态环境部南京环境科学研究所 | 基于遥感影像的规模化生猪养殖场识别方法 |
CN112115891A (zh) * | 2020-09-24 | 2020-12-22 | 电子科技大学 | 一种基于一维多向抽取的sar图像港口检测方法 |
CN112464849A (zh) * | 2020-12-07 | 2021-03-09 | 北京航空航天大学 | 一种星载光学遥感图像中驻泊舰船目标检测方法 |
CN113192088A (zh) * | 2021-05-19 | 2021-07-30 | 山东纬横数据科技有限公司 | 一种基于遥感图像阈值分割的雷达图像固定背景掩模方法 |
CN115830049A (zh) * | 2022-07-18 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 角点检测的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886285A (zh) * | 2014-03-11 | 2014-06-25 | 武汉大学 | 先验地理信息辅助下的光学遥感影像舰船检测方法 |
US9196044B2 (en) * | 2014-02-26 | 2015-11-24 | Raytheon Company | False alarm rejection for boat detection candidates |
CN104077777B (zh) * | 2014-07-04 | 2017-01-11 | 中国科学院大学 | 一种海面舰船目标检测方法 |
CN106485722A (zh) * | 2016-09-21 | 2017-03-08 | 北京航天宏图信息技术股份有限公司 | 一种遥感影像中靠港舰船检测方法 |
CN107609601A (zh) * | 2017-09-28 | 2018-01-19 | 北京计算机技术及应用研究所 | 一种基于多层卷积神经网络的舰船目标识别方法 |
-
2018
- 2018-02-01 CN CN201810100959.0A patent/CN108229433B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9196044B2 (en) * | 2014-02-26 | 2015-11-24 | Raytheon Company | False alarm rejection for boat detection candidates |
CN103886285A (zh) * | 2014-03-11 | 2014-06-25 | 武汉大学 | 先验地理信息辅助下的光学遥感影像舰船检测方法 |
CN104077777B (zh) * | 2014-07-04 | 2017-01-11 | 中国科学院大学 | 一种海面舰船目标检测方法 |
CN106485722A (zh) * | 2016-09-21 | 2017-03-08 | 北京航天宏图信息技术股份有限公司 | 一种遥感影像中靠港舰船检测方法 |
CN107609601A (zh) * | 2017-09-28 | 2018-01-19 | 北京计算机技术及应用研究所 | 一种基于多层卷积神经网络的舰船目标识别方法 |
Non-Patent Citations (3)
Title |
---|
GE LIU ET AL.: "A New Method on Inshore Ship Detection in High-Resolution Satellite Images Using Shape and Context Information", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
喻金桃 等: "四叉树与多种活动轮廓模型相结合的遥感影像水边线提取方法", 《测绘学报》 * |
喻金桃: "基于遥感影像的海洋近岸目标提取技术", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190636A (zh) * | 2018-07-30 | 2019-01-11 | 北京航空航天大学 | 一种遥感图像舰船目标信息提取方法 |
CN109190636B (zh) * | 2018-07-30 | 2022-05-31 | 北京航空航天大学 | 一种遥感图像舰船目标信息提取方法 |
CN109598729A (zh) * | 2018-11-28 | 2019-04-09 | 江苏科技大学 | 一种基于srm分割和分层线段特征的船舶目标检测方法 |
CN109598729B (zh) * | 2018-11-28 | 2022-09-13 | 江苏科技大学 | 一种基于srm分割和分层线段特征的船舶目标检测方法 |
CN110866493A (zh) * | 2019-11-14 | 2020-03-06 | 生态环境部南京环境科学研究所 | 基于遥感影像的规模化生猪养殖场识别方法 |
CN112115891A (zh) * | 2020-09-24 | 2020-12-22 | 电子科技大学 | 一种基于一维多向抽取的sar图像港口检测方法 |
CN112115891B (zh) * | 2020-09-24 | 2022-06-14 | 电子科技大学 | 一种基于一维多向抽取的sar图像港口检测方法 |
CN112464849A (zh) * | 2020-12-07 | 2021-03-09 | 北京航空航天大学 | 一种星载光学遥感图像中驻泊舰船目标检测方法 |
CN112464849B (zh) * | 2020-12-07 | 2022-11-08 | 北京航空航天大学 | 一种星载光学遥感图像中驻泊舰船目标检测方法 |
CN113192088A (zh) * | 2021-05-19 | 2021-07-30 | 山东纬横数据科技有限公司 | 一种基于遥感图像阈值分割的雷达图像固定背景掩模方法 |
CN115830049A (zh) * | 2022-07-18 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 角点检测的方法和装置 |
WO2024016686A1 (zh) * | 2022-07-18 | 2024-01-25 | 宁德时代新能源科技股份有限公司 | 角点检测的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108229433B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229433A (zh) | 一种基于直线段检测和形状特征的靠岸舰船检测方法 | |
CN106384344B (zh) | 一种光学遥感图像海面舰船目标检测与提取方法 | |
CN108319949A (zh) | 一种高分辨率遥感图像中多朝向舰船目标检测与识别方法 | |
CN107203973B (zh) | 一种三维激光扫描系统中线激光中心的亚像素定位方法 | |
CN110414411A (zh) | 基于视觉显著性的海面船只候选区域检测方法 | |
CN110969624A (zh) | 一种激光雷达三维点云分割方法 | |
CN109815807B (zh) | 一种基于边缘线分析和聚合通道特征的靠岸船舶检测方法 | |
Rau et al. | Bridge crack detection using multi-rotary UAV and object-base image analysis | |
CN110443201B (zh) | 基于多源影像联合形状分析与多属性融合的目标识别方法 | |
CN105759268B (zh) | 基于多线程的sar图像cfar自适应快速检测方法 | |
CN111091095B (zh) | 一种遥感图像中船只目标的检测方法 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
CN109242870A (zh) | 一种基于图像划分和纹理特征的海天线检测方法 | |
CN106651880B (zh) | 基于多特征融合的热红外遥感影像的海上动目标检测方法 | |
CN104091324A (zh) | 一种基于连通域分割的棋盘格图像快速特征匹配算法 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN109215018A (zh) | 基于Canny算子和高斯形态学的船舶检测方法 | |
CN106056084B (zh) | 一种多分辨层次化筛选的遥感图像港口船舶检测方法 | |
CN104992172B (zh) | 基于沿岸突异区扫描的港口遥感图像靠岸船舶检测方法 | |
CN110428425B (zh) | 一种基于海岸线矢量数据的sar图像海陆分离方法 | |
CN109492525B (zh) | 一种测量基站天线工程参数的方法 | |
CN104166838B (zh) | 基于多层cfar的分层高分辨sar图像舰船检测方法 | |
CN110728668B (zh) | 一种小目标形态保持的空域高通滤波器 | |
Sinai et al. | Mine-Like Objects detection in Side-Scan Sonar images using a shadows-highlights geometrical features space | |
CN108288268A (zh) | 基于投影分析的高分辨率遥感图像中靠岸舰船检测方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210218 Address after: 100083 No. 211 middle Fourth Ring Road, Haidian District, Beijing Applicant after: NO.15 INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp. Applicant after: Information Engineering University of the Chinese People's Liberation Army Strategic Support Force Address before: 100083 No. 211 middle Fourth Ring Road, Haidian District, Beijing Applicant before: NO.15 INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |