CN108288268A - 基于投影分析的高分辨率遥感图像中靠岸舰船检测方法 - Google Patents
基于投影分析的高分辨率遥感图像中靠岸舰船检测方法 Download PDFInfo
- Publication number
- CN108288268A CN108288268A CN201810066426.5A CN201810066426A CN108288268A CN 108288268 A CN108288268 A CN 108288268A CN 201810066426 A CN201810066426 A CN 201810066426A CN 108288268 A CN108288268 A CN 108288268A
- Authority
- CN
- China
- Prior art keywords
- naval vessel
- water front
- inshore
- initial
- remote sensing
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Abstract
本发明公开了一种基于投影分析的高分辨率遥感图像中靠岸舰船检测方法,包括:对原始图像进行海陆分割得到海陆分割图像,对原始图像进行边缘分割得到边缘图像;在边缘图像上,利用Hough变换提取初始直线得到港口岸线;根据港口岸线得到舰船停泊初始区域,根据舰船停泊初始区域得到投影空间,在投影空间内进行沿垂直港口岸线方向的投影,得到投影曲线,根据投影曲线得到舰船位置;根据投影曲线和投影空间的分辨率,得到舰船初始尺寸和初始长宽比,当舰船初始尺寸满足尺寸约束且初始长宽比满足长宽比约束时,得到舰船尺寸和长宽比。本发明无需获取先验地理信息、可以检测多种形状的舰船、可以检测并靠舰船、检测速度快且适用范围大。
Description
技术领域
本发明属于图像目标检测领域,更具体地,涉及一种基于投影分析的高分辨率遥感图像中靠岸舰船检测方法。
背景技术
随着遥感技术的不断发展,高分辨率遥感成像技术日趋成熟,广泛应用在气象预报、智慧交通、灾害应急、水土管理、军事侦察等方面。与此同时,随着计算性能提高和算法迭代,以图像目标检测为代表的计算机视觉技术取得长足进步。将图像目标检测技术应用到高分辨率遥感图像中,实现自动目标检测识别,具有广阔的应用前景。其中,高分辨率遥感图像中的靠岸舰船检测技术,在船舶管理、海面侦察等方面有重要应用价值。
根据背景的复杂程度,舰船检测主要分为离岸舰船检测和靠岸舰船检测。相较于纯海洋背景的离岸舰船检测,靠岸舰船所处背景更复杂,既包含海洋背景,又包含港岸陆地背景,舰船与港岸在颜色和纹理特征上相似,空间上紧邻,如何将二者分开是靠岸舰船检测任务的难点。
目前,靠岸舰船检测相关技术研究较少,已有的靠岸舰船检测方法主要分为三类:第一类方法是事先通过侦察手段获取港口先验地理信息,绘制港口模板,利用图像匹配算法进行舰船目标检测;第二类是基于舰船轮廓编码的方法,利用不变性广义Hough变换或可变夹角链码的方式匹配舰船轮廓;第三类是基于局部特征的方法,提取舰船角点,结合机器学习算法实现目标检测。
现有的三类主要方法各有不足之处。第一类利用图像匹配的方法需要的先验地理信息往往难以获取,且匹配算法较为耗时;第二类基于舰船轮廓编码的检测方法,往往只能检测特定形状的舰船,且无法检测并靠舰船;第三类基于局部特征的方法往往假设舰船有“V”形船头,适用范围小,且难以从局部特征得到舰船整体形态和位置。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于投影分析的高分辨率遥感图像中靠岸舰船检测方法,由此解决现有技术存在先验地理信息难以获取、只能检测特定形状的舰船、无法检测并靠舰船、检测速度慢且适用范围小的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于投影分析的高分辨率遥感图像中靠岸舰船检测方法,包括:
(1)对原始图像进行海陆分割得到海陆分割图像,对原始图像进行边缘分割得到边缘图像;
(2)在边缘图像上,利用Hough变换提取初始直线,遍历初始直线后去除虚警得到港口岸线;
(3)根据港口岸线得到舰船停泊初始区域,根据舰船停泊初始区域得到投影空间,在投影空间内进行沿垂直港口岸线方向的投影,得到投影曲线,根据投影曲线得到舰船位置;
(4)根据投影曲线和投影空间的分辨率,得到舰船初始尺寸和初始长宽比,当舰船初始尺寸满足尺寸约束且初始长宽比满足长宽比约束时,得到舰船尺寸和长宽比。
进一步地,海陆分割的具体实现方式为:
采用K-means算法对原始图像进行分割,得到种子点,在种子点上进行区域生长,得到海陆分割区域,对海陆分割区域进行中值滤波后得到海陆分割图像。
进一步地,边缘分割的具体实现方式为:
利用sobel算子提取原始图像的梯度图,在梯度图上利用Otsu算子进行分割得到边缘图像。
进一步地,步骤(2)包括:
(2-1)根据边缘图像的对角线长度构造累加器,利用边缘图像上边缘点的梯度强度和梯度方向对累加器进行积分,得到直线参数,根据直线参数得到初始直线;
(2-2)将初始直线按方向分为0°≤θ≤90°和90°<θ<180°两个区间,当o°≤θ≤90°或者90°<θ<180°时,自右向左或者自左向右遍历边缘图像,得到港口岸线的起点,自左向右或者自右向左遍历边缘图像,得到港口岸线的终点,根据起点和终点得到初始港口岸线,去除初始港口岸线的虚警得到港口岸线。
进一步地,港口岸线的起点和港口岸线的终点的梯度方向与直线方向的夹角在70°到110°之间。
进一步地,虚警包括:初始港口岸线的两侧均没有水域和初始港口岸线的两侧的水域长度均超过阈值。
进一步地,步骤(3)还包括:
当原始图像中存在并靠舰船时,在投影空间内沿港口岸线方向进行投影,得到并靠舰船的分界线,利用并靠舰船的分界线得到新的投影空间。
进一步地,舰船尺寸为船长和船宽。
进一步地,尺寸约束为:船长为80m至340m,船宽为15m至45m。
进一步地,长宽比约束为长宽比的范围是4-11。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明无需提前获取港口先验地理信息,对舰船形状敏感性低可以检测多种类型靠岸舰船,可以有效检测并靠舰船,检测速度快且适用范围大。
(2)本发明采用K-means算法与区域生长相结合的方法,得到海陆分割图像,可以更好地处理海浪、阴影等干扰,减少分割空洞,提高分割精度。同时,提取边缘时,先利用sobel算子提取梯度图,在梯度图的基础上利用Otsu算子进行分割得到边缘图像,可以高效地获得边缘图像。
(3)本发明只对边缘图像上边缘点进行检测,大大减少了遍历点的数量,同时利用了边缘点的梯度强度和梯度方向信息,减少角度遍历范围,可以加快Hough变换计算速度,同时提高直线检测精度。
附图说明
图1是本发明实施例提供的靠岸舰船检测方法的流程图;
图2(a)是本发明实施例提供的原始图像;
图2(b)是本发明实施例提供的海陆分割图像;
图2(c)是本发明实施例提供的梯度图;
图2(d)是本发明实施例提供的边缘图像;
图3(a)是本发明实施例提供的传统Hough变换直线检测结果图;
图3(b)是本发明实施例提供的本发明Hough变换直线检测结果图;
图4是本发明实施例提供的港口岸线定位图;
图5是本发明实施例提供的靠岸舰船示意图;
图6是本发明实施例提供的垂直岸线方向投影的舰船投影曲线图;
图7(a)是本发明实施例提供的定位线段紧挨舰船时的舰船投影曲线图;
图7(b)是本发明实施例提供的定位线段有偏移时的舰船投影曲线图;
图8是本发明实施例提供的投影曲线基准值示意图;
图9是本发明实施例提供的沿岸线方向投影的舰船投影示意图;
图10(a)是本发明实施例提供的对并靠船图像;
图10(b)是本发明实施例提供的对并靠船检测结果;
图11(a)是本发明实施例提供的第一种原始图像;
图11(b)是本发明实施例提供的第一种原始图像的舰船检测结果;
图11(c)是本发明实施例提供的第二种原始图像;
图11(d)是本发明实施例提供的第二种原始图像的舰船检测结果;
图11(e)是本发明实施例提供的第三种原始图像;
图11(f)是本发明实施例提供的第三种原始图像的舰船检测结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,一种基于投影分析的高分辨率遥感图像中靠岸舰船检测方法,包括:
(1)图像预处理:对原始图像进行海陆分割得到海陆分割图像,对原始图像进行边缘分割得到边缘图像;
(2)岸线检测:利用Hough变换提取初始直线,遍历初始直线后去除虚警得到港口岸线;
(3)投影分析:根据港口岸线得到舰船停泊初始区域,根据舰船停泊初始区域得到投影空间,在投影空间内进行沿垂直岸线方向的投影,得到投影曲线,根据投影曲线得到舰船位置;
(4)目标确认:根据投影曲线和投影空间的分辨率,得到舰船初始尺寸和初始长宽比,当舰船初始尺寸满足尺寸约束且初始长宽比满足长宽比约束时,得到舰船尺寸和长宽比。
其中,图像预处理包括:采用K-means算法对如图2(a)所示的原始图像进行分割,得到种子点,在种子点上进行区域生长,得到海陆分割区域,对海陆分割区域进行中值滤波以去除局部噪声,得到如图2(b)所示的海陆分割图像。利用sobel算子提取原始图像的梯度图,如图2(c)所示,在梯度图上利用Otsu算子进行分割得到如图2(d)所示的边缘图像。
具体到实施例中,先以2×2区域块为单位,提取块区域灰度均值和方差作为K-means算法的特征,将所有块区域分为两类作为粗分割结果。再以粗分割结果作为种子点进行区域生长,可生长区域限定在粗分割边界附近一定范围内(设定的可生长区域为离粗分割边界10像素以内的区域),通过区域生长算法多次迭代得到最终细分割的结果。
采用Sobel算子提取图像梯度,该算子对噪声不敏感,同时可以方便地计算边缘梯度强度和方向。由于我们只关心港口岸线的边缘信息,而这部分边缘往往是梯度强度最强的区域,因此我们对Sobel算子得到的梯度图进行一次Otsu分割,得到分割的边缘图像。
岸线检测包括:
(2-1)基于改进的Hough变换的直线检测
Hough变换一种从图像空间到参数空间的映射关系,常用于图像中特定几何形状的检测。对于直线的检测问题而言,任意一条直线都可以用参数ρ和θ完全确定下来,其中ρ表示直线到原点的距离,θ表示直线的方向。其函数方程可表示为:
f(ρ,θ)=ρ-x cosθ-y sinθ=0
标准的Hough变换需要遍历全图像素,x为像素点的横坐标,y为像素点的纵坐标,对每一个像素点再遍历所有的角度θ,往往在计算上开销较大。针对这一问题,本发明提出一种基于梯度信息的Hough变换方法。首先,只对分割后的边缘点位置检测,大大减少了遍历点的数量。此外,直线上的边缘点梯度方向与该直线方向理论上垂直,因此边缘点的梯度方向可以作为该点Hough角度的指导,考虑到梯度方向可能存在误差,设置60度的角度阈值,减少角度遍历范围,缩短了计算时间;同时,梯度值越大的边缘点更有可能处于水域边界,因此在Hough投票环节,将Hough空间的累加器每次加1改为加上一个由梯度强度确定的权值。详细过程如下:
构造双精度累加器数组H[2×rho×180],其中rho表示边缘图像对角线长度,直线参数ρ取值范围在[-rho,rho]区间内;对于边缘图像上的每个边缘点,其坐标为(i,j),边缘点在梯度图对应的梯度强度为g,梯度方向为γ;直线方向参数θ从γ+60°到γ+120°递增,步长为1°,ρ=i×cosθ+j×sinθ;对于每一对参数(ρ,θ),累加器进行积分H[(ρ+rho)×360+θ]+=g;处理完所有边缘点,取累加器数组H前N个峰值,解析其对应的直线参数(ρ,θ);得到初始直线。
对于图2(d)所示的边缘图像,通过传统Hough变换直线检测结果如图3(a)所示;通过改进的Hough变换直线检测结果如图3(b)所示。
(2-2)港口岸线定位
港口岸线所在的初始直线提取出来后,还需进一步确定真实的岸线位置。首先,确定港口岸线的起点和终点。采取从上到下遍历边缘图像,若边缘点在初始直线上且该点是该初始直线上第一个被检测到的点,则记该点为岸线线段的起点。相应地,从下往上遍历边缘图像,若边缘点在所检测到的初始直线上且该点是该初始直线上第一个被检测到的点,则记该点为岸线线段的终点。为提高精度,我们进一步细化了起止点的检索方式:
将初始直线按方向分为0°≤θ≤90°和90°<θ<180°两个区间,起点检索时分别按照自右向左和自左向右两个方向进行,终点检索时相反,减少直线方向对起点和终点检索的影响;具体的:当0°≤θ≤90°时,自右向左遍历边缘图像,若边缘点在初始直线上且该点是初始直线上第一个被检测到的点,则该边缘点为港口岸线的起点,自左向右遍历边缘图像,若边缘点在初始直线上且该点是初始直线上第一个被检测到的点,则该边缘点为港口岸线的终点,当90°<θ<180°时,自左向右遍历边缘图像,若边缘点在初始直线上且该点是初始直线上第一个被检测到的点,则该边缘点为港口岸线的起点,自右向左遍历边缘图像,若边缘点在初始直线上且该点是初始直线上第一个被检测到的点,则该边缘点为港口岸线的终点。
为了减少杂波的干扰,只有梯度方向与直线方向的夹角在70°到110°之间时,被检边缘点才会被确定为起止点。
确定了起点和终点后的线段还可能包含虚警,虚警主要有两类:一类是该线段全部在陆地内部;另一类是该线段大部分处于水域中。若线段为港口岸线,则其两侧必有一侧包含水域,否则,初始港口岸线的两侧均没有水域,为第一类虚警;若线段为港口岸线,则其两侧不能同时包含大段水域,否则,初始港口岸线的两侧的水域长度均超过阈值,为第二类虚警。
假设线段上的点坐标为(x,y),线段与水平方向夹角为α,则线段两侧垂直距离为r的对应两点的坐标分别为(x-r×sinα,y+r×cosα)和(x+r×sinα,y-r×cosα),结合海陆分离结果判定这两点是否在水域中,用两组计数器分别记录线段两侧水域长度。通过分析线段两侧水域情况,排除两类虚警,剩下的线段被认为是港口岸线,本发明中也称为定位线段,如图4所示。
投影分析包括:
(3-1)舰船定位
定位线段为我们提供了舰船可能停泊的位置,接下来利用投影的方式进行舰船的定位。图5是一种靠岸舰船的示意图,[L1-L2]区间的线段为一条港口岸线。在分析过程中,我们先只考虑定位线段单侧的情况,作为示例,我们选取图5中定位线段[L1-L2]上方侧分析。
首先,确定一个投影空间,即确定一个用以投影的空间边界。具体流程为:遍历定位线段上每一个点i,从该点出发沿线段垂直方向寻找水域点,若连续出现水域长度超过设定的最大阈值(本发明实施例中该阈值为30m),或连续出现的陆地长度超过阈值(本发明实施例中该阈值为70m),则停止寻找,记录该停止点到岸线的距离li;遍历完整个定位线段后,选择所有li中的最大值max(li)作为投影边界到岸线的距离,投影边界为线段[L3-L4],由岸线和与之平行的投影边界确定了投影的空间,如图5中虚线范围。相关阈值可以通过分辨率信息转化为图像像素数。
确定投影空间后,将该空间内的点沿垂直于港口岸线的方向投影到港口岸线上,若该点为水域点则其投影值为0,若该点为陆地点(包括舰船)则其投影值为1,投影到港口岸线上同一位置的所有点的投影值累加,投影结束后可以绘制投影曲线。对图5所示情形,港口岸线[L1-L2]在L1,L2,L3,L4构成的投影空间内的投影曲线如图6所示。可以看出,若港口岸线一侧的投影空间内存在舰船,则其投影曲线呈凸曲线,拱长AB为舰船长度,拱高CD为舰船宽度,根据投影形态可以定位舰船位置,结合分辨率信息可以计算舰船实际尺寸。
理想情况下,定位线段紧邻舰船,投影曲线在没有舰船的位置投影积分结果为零,在有舰船的位置形成凸曲线,如图7(a)所示,此时容易确定舰船位置和尺寸。但由于检测误差,可能存在紧挨舰船的码头岸线漏检或者定位偏移的情况,如图7(b)所示。此时舰船定位较为困难,得到的凸曲线最高点不再对应舰船宽度,对提取舰船目标形态特征造成较大的干扰。
我们定义投影曲线整体偏移水平零点的量为投影基准值,若定位线段紧挨舰船则投影基准值为0,若定位线段距离舰船有偏移,则投影基准值不为0,如图8所示。对于后者,可以将该投影曲线整体减去投影基准值,将其转化为投影基准值为0的情况。我们采用以下流程获取投影曲线的投影基准值:
首先,将投影曲线上各投影值由小到大排列(p1,p2,p3,...,pk),建立投影值的直方图,统计各投影值出现的频次(n1,n2,n3,...,nk);然后,统计参与投影的陆地点数目为选择其10%N作为基准值对应的投影点数目;最后,从投影值直方图中最小投影值p1对应的频次n1开始递增,累计投影值对应的频次,直至满足投影基准值为pm
(3-2)并靠舰船的分离
如果多艘船并排地停靠在港口,若直接按上述方式投影,投影结果与单艘船舰在定位线段上的投影差异较大而无法检出或不能分隔出多条并列的船舰。
针对并靠船检测问题,本发明提出一种投影分析的方法。对每一条定位线段,我们假设其一侧停驻有多条并列的舰船,如图9所示。由于船舰形态通常上呈现首尾窄中间宽的特征,那么对海陆分割后的图像在其投影空间内沿定位线段方向投影,即从船头向船尾(或船尾向船头)方向投影,投影得到的投影曲线如图9所示,两条船舰中间的位置将形成波谷,船舰中轴线处将形成波峰,根据峰谷特性可以找到并靠船间的分界线。在实施例中,如果该波形曲线出现两个及以上波峰,相邻波峰值接近(误差不足20%),且相邻波峰间的波谷与波峰均值比值小于0.7的,可以认为该相邻波峰为两只并靠船中心线位置,波谷位置为并靠船分界线位置。
然后,在并靠船分界线位置“复制”一条定位线段,即拓展了定位线段集合,相应地,定位线段对应的投影空间也被分隔开来,每一条新的定位线段对应一个新的投影空间,如此将并靠船检测问题转化为单排舰船检测问题。本发明实施例提供的对并靠船图像如图10(a)所示;本发明实施例提供的对并靠船检测结果如图10(b)所示。
目标确认包括:
投影分析的方法除了定位舰船位置,还可以提供舰船形态特征。利用这些特征,可以进一步去除虚警。本文主要采用的去虚警策略有:结合图像分辨率,根据舰船长度和宽度范围去虚警,在实施例中检测大中型舰船,船长范围为[80m,340m],船宽范围为[15m,45m];计算舰船长宽比,去除不符合舰船长宽比特性的目标,在实施例中限定长宽比范围为4.0-11.0;结合目标最小外接矩形标记辅助分析,去除占空比过小的虚假标记,在实施例中设置最小占空比为0.5。
图11(a)是本发明实施例提供的第一种原始图像;图11(b)是本发明实施例提供的第一种原始图像的舰船检测结果;图11(c)是本发明实施例提供的第二种原始图像;图11(d)是本发明实施例提供的第二种原始图像的舰船检测结果;图11(e)是本发明实施例提供的第三种原始图像;图11(f)是本发明实施例提供的第三种原始图像的舰船检测结果。从3个原始图像及其检测结果,可以看出本发明具有无需提前获取港口先验地理信息,对舰船形状敏感性低可以检测多种类型靠岸舰船,可以有效检测并靠舰船,检测速度快等优点。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于投影分析的高分辨率遥感图像中靠岸舰船检测方法,其特征在于,包括:
(1)对原始图像进行海陆分割得到海陆分割图像,对原始图像进行边缘分割得到边缘图像;
(2)在边缘图像上,利用Hough变换提取初始直线,遍历初始直线后去除虚警得到港口岸线;
(3)根据港口岸线得到舰船停泊初始区域,根据舰船停泊初始区域得到投影空间,在投影空间内进行沿垂直港口岸线方向的投影,得到投影曲线,根据投影曲线得到舰船位置;
(4)根据投影曲线和投影空间的分辨率,得到舰船初始尺寸和初始长宽比,当舰船初始尺寸满足尺寸约束且初始长宽比满足长宽比约束时,得到舰船尺寸和长宽比。
2.如权利要求1所述的一种基于投影分析的高分辨率遥感图像中靠岸舰船检测方法,其特征在于,所述海陆分割的具体实现方式为:
采用K-means算法对原始图像进行分割,得到种子点,在种子点上进行区域生长,得到海陆分割区域,对海陆分割区域进行中值滤波后得到海陆分割图像。
3.如权利要求1或2所述的一种基于投影分析的高分辨率遥感图像中靠岸舰船检测方法,其特征在于,所述边缘分割的具体实现方式为:
利用sobel算子提取原始图像的梯度图,在梯度图上利用Otsu算子进行分割得到边缘图像。
4.如权利要求1或2所述的一种基于投影分析的高分辨率遥感图像中靠岸舰船检测方法,其特征在于,所述步骤(2)包括:
(2-1)根据边缘图像的对角线长度构造累加器,利用边缘图像上边缘点的梯度强度和梯度方向对累加器进行积分,得到直线参数,根据直线参数得到初始直线;
(2-2)将初始直线按方向分为0°≤θ≤90°和90°<θ<180°两个区间,当0°≤θ≤90°或者90°<θ<180°时,自右向左或者自左向右遍历边缘图像,得到港口岸线的起点,自左向右或者自右向左遍历边缘图像,得到港口岸线的终点,根据起点和终点得到初始港口岸线,去除初始港口岸线的虚警得到港口岸线。
5.如权利要求4所述的一种基于投影分析的高分辨率遥感图像中靠岸舰船检测方法,其特征在于,所述港口岸线的起点和港口岸线的终点的梯度方向与直线方向的夹角在70°到110°之间。
6.如权利要求4所述的一种基于投影分析的高分辨率遥感图像中靠岸舰船检测方法,其特征在于,所述虚警包括:初始港口岸线的两侧均没有水域和初始港口岸线的两侧的水域长度均超过阈值。
7.如权利要求1或2所述的一种基于投影分析的高分辨率遥感图像中靠岸舰船检测方法,其特征在于,所述步骤(3)还包括:
当原始图像中存在并靠舰船时,在投影空间内沿港口岸线方向进行投影,得到并靠舰船的分界线,利用并靠舰船的分界线得到新的投影空间。
8.如权利要求1或2所述的一种基于投影分析的高分辨率遥感图像中靠岸舰船检测方法,其特征在于,所述舰船尺寸为船长和船宽。
9.如权利要求8所述的一种基于投影分析的高分辨率遥感图像中靠岸舰船检测方法,其特征在于,所述尺寸约束为:船长为80m至340m,船宽为15m至45m。
10.如权利要求1或2所述的一种基于投影分析的高分辨率遥感图像中靠岸舰船检测方法,其特征在于,所述长宽比约束为长宽比的范围是4-11。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810066426.5A CN108288268B (zh) | 2018-01-23 | 2018-01-23 | 基于投影分析的高分辨率遥感图像中靠岸舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810066426.5A CN108288268B (zh) | 2018-01-23 | 2018-01-23 | 基于投影分析的高分辨率遥感图像中靠岸舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108288268A true CN108288268A (zh) | 2018-07-17 |
CN108288268B CN108288268B (zh) | 2020-07-24 |
Family
ID=62835653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810066426.5A Active CN108288268B (zh) | 2018-01-23 | 2018-01-23 | 基于投影分析的高分辨率遥感图像中靠岸舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288268B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325958A (zh) * | 2018-09-13 | 2019-02-12 | 哈尔滨工业大学 | 一种基于轮廓精化和改进广义霍夫变换的近岸船只检测方法 |
CN109815807A (zh) * | 2018-12-18 | 2019-05-28 | 浙江大学 | 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 |
CN109961065A (zh) * | 2017-12-25 | 2019-07-02 | 中国科学院沈阳自动化研究所 | 一种海面舰船目标检测方法 |
CN110147716A (zh) * | 2019-04-02 | 2019-08-20 | 北京理工雷科电子信息技术有限公司 | 一种基于频域与空域相结合的sar图像内波区域检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101586956A (zh) * | 2009-06-18 | 2009-11-25 | 上海交通大学 | 基于单目摄像机的河流水位监测方法 |
CN102201052A (zh) * | 2010-03-26 | 2011-09-28 | 新奥特(北京)视频技术有限公司 | 一种篮球广播视频中场地检测的方法 |
US20130039574A1 (en) * | 2011-08-09 | 2013-02-14 | James P. McKay | System and method for segmenting water, land and coastline from remote imagery |
CN103473787A (zh) * | 2013-07-29 | 2013-12-25 | 华中科技大学 | 一种基于空间几何关系的桥梁上运动目标检测方法 |
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 |
CN103927751A (zh) * | 2014-04-18 | 2014-07-16 | 哈尔滨工程大学 | 基于梯度信息融合的水面光视觉图像目标区域检测方法 |
CN106815553A (zh) * | 2016-12-13 | 2017-06-09 | 华中科技大学 | 一种基于边缘匹配的红外前视图像舰船检测方法 |
-
2018
- 2018-01-23 CN CN201810066426.5A patent/CN108288268B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101586956A (zh) * | 2009-06-18 | 2009-11-25 | 上海交通大学 | 基于单目摄像机的河流水位监测方法 |
CN102201052A (zh) * | 2010-03-26 | 2011-09-28 | 新奥特(北京)视频技术有限公司 | 一种篮球广播视频中场地检测的方法 |
US20130039574A1 (en) * | 2011-08-09 | 2013-02-14 | James P. McKay | System and method for segmenting water, land and coastline from remote imagery |
CN103473787A (zh) * | 2013-07-29 | 2013-12-25 | 华中科技大学 | 一种基于空间几何关系的桥梁上运动目标检测方法 |
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 |
CN103927751A (zh) * | 2014-04-18 | 2014-07-16 | 哈尔滨工程大学 | 基于梯度信息融合的水面光视觉图像目标区域检测方法 |
CN106815553A (zh) * | 2016-12-13 | 2017-06-09 | 华中科技大学 | 一种基于边缘匹配的红外前视图像舰船检测方法 |
Non-Patent Citations (5)
Title |
---|
JIAN XU 等: "Automatic Detection of Inshore Ships in High-Resolution Remote Sensing Images Using Robust Invariant Generalized Hough Transform", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
YONGGANG HU,YI WU: "Number estimation of small-sized ships in remote sensing image based on cumulative projection curve", 《2008 INTERNATIONAL CONFERENCE ON AUDIO, LANGUAGE AND IMAGE PROCESSING》 * |
王岳环 等: "基于港口匹配和海域分割的靠岸舰船检测方法", 《华中科技大学学报(自然科学版)》 * |
赵亚峰: "结构裂纹的机器视觉识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
黄英东 等: "一种基于海天线检测的舰船定位方法", 《弹箭与制导学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961065A (zh) * | 2017-12-25 | 2019-07-02 | 中国科学院沈阳自动化研究所 | 一种海面舰船目标检测方法 |
CN109325958A (zh) * | 2018-09-13 | 2019-02-12 | 哈尔滨工业大学 | 一种基于轮廓精化和改进广义霍夫变换的近岸船只检测方法 |
CN109325958B (zh) * | 2018-09-13 | 2021-11-05 | 哈尔滨工业大学 | 一种基于轮廓精化和改进广义霍夫变换的近岸船只检测方法 |
CN109815807A (zh) * | 2018-12-18 | 2019-05-28 | 浙江大学 | 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 |
CN110147716A (zh) * | 2019-04-02 | 2019-08-20 | 北京理工雷科电子信息技术有限公司 | 一种基于频域与空域相结合的sar图像内波区域检测方法 |
CN110147716B (zh) * | 2019-04-02 | 2021-02-19 | 北京理工雷科电子信息技术有限公司 | 一种基于频域与空域相结合的sar图像内波区域检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108288268B (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
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 | |
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 | |
CN110969624A (zh) | 一种激光雷达三维点云分割方法 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN109409283A (zh) | 一种海面舰船跟踪和监控的方法、系统和存储介质 | |
CN108121991A (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
US20030016869A1 (en) | Method and apparatus for identifying objects depicted in a videostream | |
CN105718870A (zh) | 自动驾驶中基于前向摄像头的道路标线提取方法 | |
CN109978869A (zh) | 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 | |
CN110378308A (zh) | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 | |
CN101145200A (zh) | 多视觉传感器信息融合的内河船舶自动识别系统 | |
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 | |
CN104217215A (zh) | 一种水面有雾图像和清晰图像的分类识别方法 | |
CN108229433B (zh) | 一种基于直线段检测和形状特征的靠岸舰船检测方法 | |
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 | |
CN115456970B (zh) | 一种基于降维回归的干舷分割船舶载重线识别方法 | |
CN107909002B (zh) | 基于海岸线匹配的红外遥感图像海陆分割方法 | |
CN113808282A (zh) | 一种多通航要素数据融合方法 | |
CN108229342A (zh) | 一种海面舰船目标自动检测方法 | |
CN106530313A (zh) | 一种基于区域分割的海天线实时检测方法 | |
CN110210428B (zh) | 一种基于mser的远距离复杂环境下的烟雾根节点检测方法 | |
CN101865859A (zh) | 一种图像划痕的检测方法及装置 | |
CN109961065A (zh) | 一种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 |