CN108717539A - 一种小尺寸舰船检测方法 - Google Patents
一种小尺寸舰船检测方法 Download PDFInfo
- Publication number
- CN108717539A CN108717539A CN201810596878.4A CN201810596878A CN108717539A CN 108717539 A CN108717539 A CN 108717539A CN 201810596878 A CN201810596878 A CN 201810596878A CN 108717539 A CN108717539 A CN 108717539A
- Authority
- CN
- China
- Prior art keywords
- image
- super
- pixel
- segmentation
- significant characteristics
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/30—Noise filtering
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种小尺寸舰船检测方法。海天背景下小尺寸舰船检测的难点主要在于海空背景形成的强干扰。在进行检测时,会把海面强干扰误判为目标,造成高的虚警。针对强干扰和高虚警问题,给出了一种利用显著性特征和边界连通性相结合的水上小船检测方法。在具体实现中,首先采用超像素线性迭代聚类(simple linear iterative cluster,SLIC)对图像进行超像素分割,并计算分割后的图像边界连通性,同时采用加权频率调谐方法提取显著性特征,然后将显著性特征和边界连通性特征组合,用于改进图割方法的能量函数,对图像进行分割,最后使用图像熵抑制海天分界线之上的背景干扰。该发明的小船检测方法可以有效抑制海天背景对小船检测的影响。
Description
技术领域:
本发明主要用于图像处理和目标检测领域,具体为一种小尺寸舰船检测方法
背景技术:
舰船检测是指从各种不同图像或图像序列中检测出舰船的位置及数目的图像处理过程。从图像中检测出艇、船等目标,在海域海湾、港口的监测与海洋运输以及渔业监管等领域有着广泛的应用。目前存在多种不同小尺寸舰船检测方法,主要分为两个主要方向:基于灰度特征、显著性特征的方法以及基于机器学习的方法。海天背景的复杂多变,图像中难免出现大片海浪、云层遮挡、水体反光,以及噪声、阴影等干扰因素,在这类图像中采用基于灰度特征的方法,则易产生较多的虚警。而基于机器学习的方法需要大量的正负样本进行训练,使得训练的计算量庞大。此外,训练得到的分类器的检测效果过于依赖样本的选择,经常会造成在同一种训练算法下,不同的训练样本会形成检测效果相差很大的分类器的情况。
显著性检测是指算法通过模拟人类的视觉注意机制,检测图像中的显著目标,滤除冗余的背景信息,从而只关注人类视觉感兴趣的图像区域。图像信息复杂多变,但是背景和前景之间必然存在着某种关系。边界连通性可以有效的对前景和背景进行分离,一个区域的边界连通性值越大,说明它和边界区域的关联度越大,即它是背景区域的概率就越大。相反,一个区域的边界连通性值越小,说明它和边界的关联程度越小,即它是显著性区域的可能性越大。
针对小船本身纹理、形状和结构特征不明显以及海空背景,波浪等强噪声干扰等问题,本发明改进了显著性检测频率调谐方法,并将其和边界连通性结合,重新定义了图割方法的能量函数,通过最小化函数达到分割舰船,抑制噪声、降低虚警目的。
发明内容:
海天背景下小尺寸舰船检测的难点主要在于海空背景形成的强干扰。在天空和海洋背景中,天空的云、移动的海面和起伏的波浪反光会使图像的对比度等信息随着浪高、距离的不同而不断变化,背景变化复杂。在进行全局检测处理时,会把海面强干扰杂波作为目标,造成较高的虚警率。针对强干扰和高虚警问题,本发明将显著性特征和边界连通性相结合,实现了水上小船的检测,并提高了检测性能。
本发明遵循了以下的技术方案:
1、对输入图像进行SLIC超像素分割,记录每个超像素的标记号以及超像素邻接矩阵;
2、利用加权频率调谐方法对分割后的图像提取显著性特征;
3、计算图像超像素的边界连通性特征;
4、将步骤2)中的显著性特征和步骤3)中的边界连通性特征组合,作为图割方法的能量函数,进行图像分割;
5、利用Hough变换提取海界线,并利用图像熵抑制背景噪声,完成舰船检测。
本发明的检测方法可以有效的抑制海天背景下波浪的起伏、日光的反射等造成的干扰,降低虚警率。
附图说明:
图1:小船检测算法流程
图2:待处理的小尺寸舰船图像
图3:小船检测结果
具体实施方式:
见图1,本发明提出一种基于显著性特征和边界连通性的小船检测方法,实现方式具体包括:SLIC超像素分割、加权频率调谐显著性检测、边界连通性计算、以及图像分割。首先采用SLIC对目标图像进行超像素分割,并计算分割后的图像边界连通性值,同时采用加权频率调谐方法提取显著性特征,然后将显著性特征和边界连通性值组合,用于改进图割方法的能量函数,对图像进行分割,最后使用图像熵去除海天分界线之上的背景干扰。下面对上述步骤进行详细说明。
1、SLIC超像素分割
将彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量[l a b x y],其中l,a,b为CIELAB颜色空间的三个变量,x,y为其空间位置。然后对5维特征向量构造距离度量标准,对图像像素进行局部聚类。
1)初始化种子点:按照超像素的个数,在图像内均匀的分配种子点。假设图片有M个像素点,预分割为K个大小相近的超像素块,那么每个超像素的大小为M/K,相邻种子点的距离近似为
2)计算每个种子点3×3邻域内所有像素的梯度值,将种子点移到该邻域内梯度最小的地方;
3)在每个种子点周围的邻域内,为每个像素点分配类标签。和标准的k-means算法不同,SLIC搜索范围是2S×2S,以加速算法收敛;
4)计算距离,更新质心。对于每个搜索到的像素点,分别计算它与该种子点的距离,取最小值对应的种子点作为该像素点的聚类中心;距离计算方法如下:
其中,dc代表颜色距离,ds代表空间距离,D为距离度量,m为归一化常数,s为相邻种子点的距离。
5)迭代优化,上述步骤不断迭代直到两次聚类中心点的差值小于一定的阈值。
2、用加权频率调谐方法提取图像显著性特征
图像在频率域可以分成低频部分和高频部分,设wlc为计算显著性需要的最低频率,whc为需要的最高频率。加权频率调谐方法设计了一个组合DOG滤波器来获得wlc到whc,其中每个DOG滤波器设定不同的权重来实现低频作用的增强。DOG滤波器通过成分的频率越低,其权重越大。
其中,单个DOG滤波器表达式为:
其带宽取决于σ1和σ2的比率。
加权频率调谐方法将多个DOG组成一个组合DOG滤波器,其表达式如下:
则图像的显著性特征Isal为:
其中,Iμ是图像的平均值,是经过FN滤波后的图像。
3、计算边界联通值
任意超像素p的边界连通性定义为:
其中,Lenbnd(p)为超像素p的边界长度,Area(p)为超像素p的生长区域。具体计算方法如下:
记录每个超像素的标记号以及超像素邻接矩阵
1)计算所有邻接超像素pi,pi+1欧氏距离;
其中li,ai,bi表示第i个超像素在CIELAB颜色空间的三个分量。
2)计算任意两个超像素pi和pj的距离;
其中n代表从pi到pj的路径上经过的超像素的个数。当i=j时,dgeo(pi,pj)=0。
3)计算生长区域;
其中N为超像素的个数,σclr为调节生长区域的参数,S(pi,pj)表示超像素pj对pi的区域影响。
4)计算边界长度;
其中,Bnd为图像边界上的超像素集合。
5)带入公式(5)可求出超像素pi的边界连通性特征。
4、将显著性特征和边界连通性特征进行组合作为图割方法的能量函数
根据图论的思想,将图像映射为带权图,将超像素看作图上的节点,源节点为S,汇节点为T,图割方法中定义区域项为S或T到每一个超像素点p的权重,边缘项为超像素点之间的权重。本发明通过重新定义区域项来改进符合小尺寸舰船检测的能量函数,然后优化能量函数使其值达到最小,完成目标分割。
其中能量函数为:
本发明重新定义的区域项为:
Isal(pi)表示步骤2)中得到的超像素pi显著性特征值,BonCon(pi)表示步骤3)中得到的超像素pi边界连通性特征。BonCon(pi)越大表示超像素pi是背景的可能性越大,故系数α应越小。Isal(pi)越大表示超像素pi是目标的可能性越大,1-α应越大,同时越小,这样当全部的像素都被正确划分为目标或者背景时,能量函数最小。
边缘项为:
其中,表示超像素pi的LAB颜色向量,dist(pi,pj)表示超像素pi和pj的距离。
通过求解上述能量函数的最小值,达到分割舰船的目的。
5、抑制海界线背景噪声
利用Hough变换提取海天分界线,并利用图像熵抑制天空背景干扰,完成舰船检测。
为了验证文中提出方法的有效性,我们在真实的海洋背景中获得了不同场景的视频图像。由于本算法针对的是小尺寸舰船检测,故所选数据集中目标小,在图像中仅有几十个像素(甚至更少)的图像、背景和起伏的海面波浪占较大比例的图像。典型的场景如图2所示。对海面采集的视频图像进行处理,共建立6组不同场景的船舶序列图像,总共68张图片,其中船只总数175。选择其中较为典型的图像,图2为原始图像,方框标注为舰船目标,图中目标亮度比较小,海岸背景和海面干扰占较大比例且目标与海岸背景间的对比度不大。图3显示的为分割结果,从图中可以看出,背景以及海面波浪干扰被很好的抑制消除,目标被分割出来。
Claims (3)
1.一种小尺寸舰船的检测方法,其特征在于具有以下步骤:
1)对输入图像进行SLIC(simple linear iterative cluster)超像素分割,记录每个超像素的标记号以及超像素邻接矩阵;
2)利用加权频率调谐方法对分割后的图像提取显著性特征;
3)计算图像超像素的边界连通性;
4)将步骤2)中的显著性特征和步骤3)中的边界连通性特征进行组合,并作为图割方法的能量函数,进行图像分割;
5)利用Hough变换提取海天分界线,抑制天空背景背景,完成舰船检测。
2.如权利要求1的方法,步骤2)中利用加权频率调谐方法提取图像显著性特征。图像在频率域可以分成低频部分和高频部分,分别用wlc和whc来表示频域上最低频率和最高频率。加权频率调谐方法设计了一个组合DOG(difference of gaussian)滤波器来获得wlc到whc,其中每个DOG滤波器设定不同的权重来实现低频作用的增强。
其中,单个DOG滤波器表达式为:
其带宽取决于σ1和σ2的比率。
加权频率调谐方法将多个DOG组成一个组合DOG滤波器,其表达式如下:
则图像的显著性特征Isal为:
其中,Iμ是图像的平均值,是经过FN滤波后的图像。
3.如权利要求1的方法,步骤4)中将显著性特征和边界连通性值进行组合作为图割方法的能量函数。图割方法中定义区域项为源节点或汇节点到每一个超像素点p的权重,边缘项为超像素点之间的权重。本发明通过重新定义区域项来改进符合小尺寸舰船检测的能量函数,然后优化能量函数使其值达到最小,完成目标分割。
其中能量函数为:
本发明重新定义的区域项为:
Isal(pi)表示步骤2)中得到的超像素pi显著性特征值,BonCon(pi)表示步骤3)中得到的超像素pi边界连通性值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810596878.4A CN108717539A (zh) | 2018-06-11 | 2018-06-11 | 一种小尺寸舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810596878.4A CN108717539A (zh) | 2018-06-11 | 2018-06-11 | 一种小尺寸舰船检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108717539A true CN108717539A (zh) | 2018-10-30 |
Family
ID=63912867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810596878.4A Pending CN108717539A (zh) | 2018-06-11 | 2018-06-11 | 一种小尺寸舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108717539A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977892A (zh) * | 2019-03-31 | 2019-07-05 | 西安电子科技大学 | 基于局部显著性特征和cnn-svm的舰船检测方法 |
CN110889386A (zh) * | 2019-12-02 | 2020-03-17 | 山东浪潮人工智能研究院有限公司 | 一种基于结构特征学习的手指静脉识别方法 |
CN110910417A (zh) * | 2019-10-29 | 2020-03-24 | 西北工业大学 | 一种基于超像素邻帧特征对比的弱小运动目标检测方法 |
GB2585933A (en) * | 2019-07-25 | 2021-01-27 | Bae Systems Plc | System and method for processing images |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809729A (zh) * | 2015-04-29 | 2015-07-29 | 山东大学 | 一种鲁棒的图像显著性区域自动分割方法 |
CN105678797A (zh) * | 2016-03-04 | 2016-06-15 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于视觉显著模型的图像分割方法 |
-
2018
- 2018-06-11 CN CN201810596878.4A patent/CN108717539A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809729A (zh) * | 2015-04-29 | 2015-07-29 | 山东大学 | 一种鲁棒的图像显著性区域自动分割方法 |
CN105678797A (zh) * | 2016-03-04 | 2016-06-15 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于视觉显著模型的图像分割方法 |
Non-Patent Citations (3)
Title |
---|
YURI BOYKOV, ET AL.: "Graph Cuts and Efficient N-D Image Segmentation", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
魏昱: "图像显著性区域检测方法及应用研究", 《中国博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 |
---|---|---|---|---|
CN109977892A (zh) * | 2019-03-31 | 2019-07-05 | 西安电子科技大学 | 基于局部显著性特征和cnn-svm的舰船检测方法 |
CN109977892B (zh) * | 2019-03-31 | 2020-11-10 | 西安电子科技大学 | 基于局部显著性特征和cnn-svm的舰船检测方法 |
GB2585933A (en) * | 2019-07-25 | 2021-01-27 | Bae Systems Plc | System and method for processing images |
GB2585933B (en) * | 2019-07-25 | 2023-07-19 | Bae Systems Plc | System and method for processing images |
CN110910417A (zh) * | 2019-10-29 | 2020-03-24 | 西北工业大学 | 一种基于超像素邻帧特征对比的弱小运动目标检测方法 |
CN110889386A (zh) * | 2019-12-02 | 2020-03-17 | 山东浪潮人工智能研究院有限公司 | 一种基于结构特征学习的手指静脉识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563303B (zh) | 一种基于深度学习的鲁棒性舰船目标检测方法 | |
CN109241913B (zh) | 结合显著性检测和深度学习的船只检测方法及系统 | |
Zou et al. | Ship detection in spaceborne optical image with SVD networks | |
CN108717539A (zh) | 一种小尺寸舰船检测方法 | |
CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
CN109460764B (zh) | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 | |
CN111415316A (zh) | 基于生成对抗网络的缺陷数据合成算法 | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
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 | |
CN110414509B (zh) | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 | |
CN111310582A (zh) | 基于边界感知和对抗学习的湍流退化图像语义分割方法 | |
Wang et al. | Ship detection based on fused features and rebuilt YOLOv3 networks in optical remote-sensing images | |
CN111783523A (zh) | 一种遥感影像旋转目标检测方法 | |
Wang et al. | Deep learning-based visual detection of marine organisms: A survey | |
CN112069910B (zh) | 一种遥感图像多方向舰船目标检测方法 | |
CN113239830A (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
CN109886267A (zh) | 一种基于最优特征选择的低对比度图像显著性检测方法 | |
Yousef et al. | Shoreline extraction from light detection and ranging digital elevation model data and aerial images | |
CN113850783A (zh) | 一种海面船舶检测方法及系统 | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
CN115393635A (zh) | 一种基于超像素分割以及数据增强的红外小目标检测方法 | |
Wang et al. | FIAD net: A Fast SAR ship detection network based on feature integration attention and self-supervised learning | |
CN114140484A (zh) | 一种基于光电传感器的高鲁棒性海天线提取方法 | |
CN117456376A (zh) | 一种基于深度学习的遥感卫星影像目标检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181030 |
|
WD01 | Invention patent application deemed withdrawn after publication |