CN109427055B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN109427055B
CN109427055B CN201710787433.XA CN201710787433A CN109427055B CN 109427055 B CN109427055 B CN 109427055B CN 201710787433 A CN201710787433 A CN 201710787433A CN 109427055 B CN109427055 B CN 109427055B
Authority
CN
China
Prior art keywords
ship
image
entropy
slice
target
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
CN201710787433.XA
Other languages
English (en)
Other versions
CN109427055A (zh
Inventor
刘晶红
徐芳
王宣
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.)
Changchun Changguang Precision Instrument Group Co ltd
Original Assignee
Changchun Changguang Precision Instrument Group Co ltd
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 Changchun Changguang Precision Instrument Group Co ltd filed Critical Changchun Changguang Precision Instrument Group Co ltd
Priority to CN201710787433.XA priority Critical patent/CN109427055B/zh
Publication of CN109427055A publication Critical patent/CN109427055A/zh
Application granted granted Critical
Publication of CN109427055B publication Critical patent/CN109427055B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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]
    • 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
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]

Abstract

本发明公开一种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，包括以下步骤：采集光学遥感图像步骤，小波分解步骤，重构特征图步骤，计算显著图步骤，基于多变量高斯概率密度函数，统计所有特征图中对应位置像素的显著度，计算输入图像的全局显著图；保留舰船目标区域步骤，阈值分割步骤，切片提取步骤，用于提取出疑似舰船目标区域的切片；获取鉴别熵步骤，用于改进传统熵定义依赖图像空间结构信息的不足，获取能更好描述目标切片内容的鉴别熵；舰船目标与虚警鉴别步骤：使用改进的鉴别熵表征目标切片特征，有效区分舰船目标与虚警。本发明能够实现由粗到精地对光学遥感图像海面舰船目标进行检测和确认。

Description

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
技术领域
本发明属于遥感图像处理与分析领域的目标检测与识别，具体涉及一种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。
背景技术
舰船作为海上重要军事目标和运输载体，在军用和民用中占据着越来越重要的地位。在军事上，可以监视敌方重点海域的舰船部署与动态，分析敌方海上作战实力，评估战时海上打击效果，形成海上作战情报等；在民用方面，可以监控特定海域的海运交通，辅助遇难船只海洋救援，打击非法捕鱼、非法倾倒油污、走私和海盗。因此，对海面舰船目标进行检测与识别具有重要现实意义和应用价值。
随着航空航天搭载平台和传感器技术的迅猛发展，相比于合成孔径雷达图像和红外图像，可见光遥感图像能提供更清晰直观、细节丰富、结构明显的舰船特征，成为海面舰船目标检测研究中的重要内容。但在实际光学遥感成像中，拍摄距离远，相机抖动，还有海上云雾，杂乱的反光区域等干扰，易造成图像质量下降；另外，海面舰船目标小且很弱，海面杂波、海岸线、礁石，海岛，云，和云阴影等易引进虚警。
现有的可见光遥感图像舰船目标检测方法中，最常用的方法是根据舰船目标和海面背景的灰度统计特征差异进行阈值分割和目标边缘检测，该类方法适用于海面平静，纹理均匀且舰船与水体对比度较大的图像，缺点是易受海面背景干扰，虚警率较大，不能解决舰船目标黑白极性问题；基于分布模型的方法，使用最多的有视觉词带模型和部件模型，经过优化和改进，该类方法能使用局部结构的集合描述目标，提高了模型适应能力，但仍较难适应舰船目标在大小和方向上的变化；基于机器学习和深度学习的方法，将检测转为目标-非目标的分类问题，对目标在颜色、纹理、形状等方面的变化具有较强适应能力，对背景干扰有一定的抵抗能力，然而该类方法的抗干扰能力很大程度上依赖于特征的选取及训练库中样本数量，更适应于尺寸较大和对比度明显的目标，而在遥感图像中，舰船目标尺寸较小，有海雾情况下，目标较模糊，检测效果还不是很理想，容易出现漏检问题；除此，还有基于视觉注意机制的海面目标检测方法，在可见光遥感海面图像中，舰船是以区域斑块形式构成的小型团状目标，而海面背景中包含了大量的干扰和冗余信息，该类方法能滤除这些冗余信息，快速感知到感兴趣目标，大量基于空域和变换域的研究模型尝试模拟这种机制来检测舰船目标，但不同的显著性模型在进行海面舰船检测时，可能存在背景抑制能力不强，舰船目标边缘形状信息不明显，完整性差，甚至漏检等问题。
可以看出前述方法依然受到诸多条件的限制，如：复杂海面背景的干扰，很容易导致检测结果引入虚警；对于中低分辨率遥感图像，舰船相对较小，且舰船目标受天气光照变化影响较大，检测过程中可能会出现漏检问题；另外，在一幅遥感图像中，舰船目标与海面背景的差异性不一致，舰船目标的黑极性和白极性不确定，船体灰度分布不均匀，会很容易导致检测的舰船目标区域不完整。如何从海面背景复杂、目标特征不稳定、且数据量巨大的光学遥感图像中快速、准确、自动地检测出舰船目标是当前急需解决的难题。
发明内容
针对上述问题，本发明的目的是提出一种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和系统，由粗到精地对光学遥感图像海面舰船目标进行检测和确认。
为实现本发明的目的，本发明采用以下技术方案：
提供一种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，其特征在于，包括以下步骤：
采集光学遥感图像步骤，用于采集光学遥感影像数据，影像中包括有舰船目标，海雾，厚重云层，岛屿，其中舰船目标在海面上的位置分布和尺寸大小随机，颜色极性各不相同；
小波分解步骤，用于对输入的所有海面图像进行多颜色通道，多尺度和多方向的小波分解；
重构特征图步骤，用于在各尺度上，去掉图像的低频相似信息，对高频细节信息进行反小波变换，重构每一颜色和尺度上的特征图；
计算显著图步骤，基于多变量高斯概率密度函数，统计所有特征图中对应位置像素的显著度，计算输入图像的全局显著图；
保留舰船目标区域步骤，使用距离衰减公式对前述显著图进行增强处理，弱化显著图中高频虚警信息的干扰，保留舰船目标区域；
阈值分割步骤，用于根据最终显著图的灰度统计特征，计算出舰船目标与海面背景的自适应分割阈值，对显著图进行二值化；
切片提取步骤，用于提取出疑似舰船目标区域的切片；
获取鉴别熵步骤，用于改进传统熵定义依赖图像空间结构信息的不足，获取能更好描述目标切片内容的鉴别熵；
舰船目标与虚警鉴别步骤：使用改进的鉴别熵表征目标切片特征，有效区分舰船目标与虚警。
其中小波分解步骤中，所述的对输入的海面图像进行多颜色通道，多尺度和多方向的小波分解，包括如下子步骤：
颜色空间转换步骤：用于输入rgb彩色图像，并将输入的rgb彩色图像从rgb颜色空间转到CIE Lab颜色空间；
二维小波分解步骤：用于进行多尺度小波变换，分别对输入图像的照度分量L和色彩分量a、b进行二维小波分解，生成图像的各级分解系数。
其中保留舰船目标区域步骤所述的使用距离衰减公式对前述显著图进行增强处理，弱化显著图中高频虚警信息的干扰，保留舰船目标区域，将显著图中像素值大于0.5的显著像素保留，将其构成的区域作为绝对显著区域，该区域内像素点的坐标值记为(x”,y”)；
在绝对显著性区域外的显著点(x,y)值，使用该点到绝对显著区域内点的最小欧几里得距离权衡其显著性。
其中切片提取步骤所述的提取出疑似舰船目标区域的切片，包括如下子步骤：
框出疑似舰船目标区域步骤，用于计算二值化图像中的每个分离目标区域的最小外接矩形，外接矩形的宽和高与输入图像的宽和高平行，并在原始遥感图像中标记，框出疑似舰船目标区域；
确保切片中的舰船目标完整性的步骤，用于计算外接矩形的像素中心位置和长宽值，从原输入图像中提取该外接矩形中的目标区域，将每个目标区域的横纵坐标在原始坐标位置上扩大N个像素，N的取值范围是：8≦N≦12，确保切片中的舰船目标具有良好的完整性。
其中舰船目标与虚警鉴别步骤所述的使用改进的鉴别熵表征目标切片特征，有效区分舰船目标与虚警，包括如下子步骤：
信息熵计算步骤，用于对预提取出的目标切片图像进行灰度化处理，然后二值化目标切片，对二值切片图像计算其信息熵。
输出最终检测结果步骤，计算舰船与非舰船目标熵值的区分阈值，二值化目标切片的熵值小于区分阈值的是舰船目标，大于区分阈值的为虚警，经改进熵鉴别后，不是舰船目标的区域标记删除，是舰船目标的区域保留并重新标记，统计舰船检测个数，输出最终检测结果。
为实现本发明的目的，本发明还采用以下技术方案：
提供一种基于视觉注意机制和信息熵的遥感图像海面舰船检测系统，包括：
采集光学遥感图像模块，用于采集光学遥感影像数据，影像中包括有舰船目标，海雾，厚重云层，岛屿，其中舰船目标在海面上的位置分布和尺寸大小随机，颜色极性各不相同；
小波分解模块，用于对输入的所有海面图像进行多颜色通道，多尺度和多方向的小波分解；
重构特征图模块，用于在各尺度上，去掉图像的低频相似信息，对高频细节信息进行反小波变换，重构每一颜色和尺度上的特征图；
计算显著图模块，基于多变量高斯概率密度函数，统计所有特征图中对应位置像素的显著度，计算输入图像的全局显著图；
保留舰船目标区域模块，使用距离衰减公式对前述显著图进行增强处理，弱化显著图中高频虚警信息的干扰，保留舰船目标区域；
阈值分割模块，用于根据最终显著图的灰度统计特征，计算出舰船目标与海面背景的自适应分割阈值，对显著图进行二值化；
切片提取模块，用于提取出疑似舰船目标区域的切片；
获取鉴别熵模块，用于改进传统熵定义依赖图像空间结构信息的不足，获取能更好描述目标切片内容的鉴别熵；
舰船目标与虚景鉴别模块：使用改进的鉴别熵表征目标切片特征，有效区分舰船目标与虚警。
其中小波分解模块中，所述的对输入的海面图像进行多颜色通道，多尺度和多方向的小波分解，包括如下子模块：
颜色空间转换模块：用于输入rgb彩色图像，并将输入的rgb彩色图像从rgb颜色空间转到CIE Lab颜色空间；
二维小波分解模块：用于进行多尺度小波变换，分别对输入图像的照度分量L和色彩分量a、b进行二维小波分解，生成图像的各级分解系数。
其中保留舰船目标区域模块所述的使用距离衰减公式对前述显著图进行增强处理，弱化显著图中高频虚警信息的干扰，保留舰船目标区域，将显著图中像素值大于0.5的显著像素保留，将其构成的区域作为绝对显著区域，该区域内像素点的坐标值记为(x”,y”)；
在绝对显著性区域外的显著点(x,y)值，使用该点到绝对显著区域内点的最小欧几里得距离权衡其显著性。
其中切片提取模块所述的提取出疑似舰船目标区域的切片，包括如子下模块：
框出疑似舰船目标区域模块，用于计算二值化图像中的每个分离目标区域的最小外接矩形，外接矩形的宽和高与输入图像的宽和高平行，并在原始遥感图像中标记，框出疑似舰船目标区域；
确保切片中的舰船目标完整性的模块，用于计算外接矩形的像素中心位置和长宽值，从原输入图像中提取该外接矩形中的目标区域，将每个目标区域的横纵坐标在原始坐标位置上扩大N个像素，N的取值范围是：8≦N≦12，确保切片中的舰船目标具有良好的完整性。
其中舰船目标与虚警鉴别模块所述的使用改进的鉴别熵表征目标切片特征，有效区分舰船目标与虚警，包括如下子模块：
信息熵计算模块，用于对预提取出的目标切片图像进行灰度化处理，然后二值化目标切片，对二值切片图像计算其信息熵。
输出最终检测结果模块，计算舰船与非舰船目标熵值的区分阈值，二值化目标切片的熵值小于区分阈值的是舰船目标，大于区分阈值的为虚警，经改进熵鉴别后，不是舰船目标的区域标记删除，是舰船目标的区域保留并重新标记，统计舰船检测个数，输出最终检测结果。
相比于现有技术，本发明的有益效果在于：首先，针对海面背景下舰船目标的特点，提出了基于小波变换的全局显著性模型高效地搜索海面的潜在舰船目标区域，有效抑制了海面背景干扰，增强了检测到的舰船目标区域的整体连续性和目标间的可区分性，该搜索模型不依赖于海面背景与舰船目标分布特性的先验知识，可适用于不用分辨率图像和不同尺寸舰船目标。其次，针对目前舰船目标鉴别方法无法较好地兼顾目标的可区分性和方法的计算复杂度等问题，提出一种基于改进的舰船信息熵的鉴别方法。该方法克服了传统熵依赖图像空间结构信息的不足，可有效屏蔽海岸线，云朵，阴影，海杂波和部分具有高频干扰信息的海面背景，保留真正的舰船目标，使得舰船检测结果的准确率提高，虚警率降低，该鉴别方法简单快速，不需要对候选切片中的目标进行精细分割和特征提取等预处理，减少了工作的计算量，而且对较小目标切片也适用。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
图1为本发明实施的基于视觉注意机制和信息熵的遥感图像海面舰船目标检测方法的流程框图。
图2为小波分解过程图。
图3为多颜色通道，多尺度和多方向特征图及逐像素点的特征向量标示图。
图4为显著性检测得到的目标切片图。
图5为舰船与非舰船目标熵值计算结果图。
具体实施方式
下面结合附图对本发明具体实施方式进行详细说明。
本实施方式采用操作系统为WINDOWS 2007，处理器为英特尔i3-2120，主频为3.30GHz，内存为4.00GB，实验用软件处理平台为Matlab 2014a。
本发明提供一种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，包括以下步骤：
参照图1，具体说明本发明的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，沿着图1的流程框架，本发明具体包括以下步骤：
一、采集光学遥感图像步骤，采集光学遥感影像数据，影像中有舰船，海雾，厚重云层，岛屿等，其中舰船目标在海面上的位置分布和尺寸大小随机，颜色极性各不相同。
二、小波分解步骤，针对海面区域，对输入的海面图像f(x,y)进行多颜色通道，多尺度和多方向的小波分解，直到分解到最粗糙级，小波分解步骤，包括颜色空间转换步骤：转换图像颜色空间，输入rgb彩色图像f(x,y)，由于rgb颜色空间中各分量的相关性较大，为减少冗余，本发明将输入图像从rgb颜色空间转到CIE Lab颜色空间。
在小波分解步骤中，进行多尺度小波变换，分别对输入图像的照度分量L和色彩分量a、b进行二维小波分解，生成图像的各级分解系数，如图2所示，单元h(-n)和g(-m)分别是低通和高通分解滤波器，n和m是水平平移和垂直平移；包含2和向下箭头的圆圈表示下采样。
每当图像输入图2的滤波器组时，会被分解为4个较低分辨率的分量，WA c(j)通过两个低频滤波器产生，是j级小波分解的低频系数，对应着每个颜色通道的近似输出，表示图像信息的低频部分；
Figure BDA0001398409720000101
和
Figure BDA0001398409720000102
分别是不同颜色通道和不同分解尺度上的水平，垂直和对角方向小波系数，反映了在不同分解级上图像的细节，表示图像信息的高频部分。考虑到滤波尺寸，计算时间和处理效果，选用Daubechies(db.4)小波滤波器对图像进行多级小波分解，如下：
Figure BDA0001398409720000103
式中，(x,y)是输入图像的像素坐标，c是输入图像的颜色通道，c∈{L,a,b}。WTj(·)是第j级小波分解函数，J是小波分解的最大分解级数，对于一幅N×N的图像，其小波分解的最大分解级数为J＝[log2N]，[·]为取整操作，分解级数j∈{1,…,J}。
三、重构特征图步骤：用于在各尺度上，去掉图像的低频相似信息，保留水平、垂直和对角方向的高频细节成分，对高频信息进行反小波变换，重构每一尺度上的特征图。
特征图构建公式如下：
Figure BDA0001398409720000104
式中，fmj c(x,y)是对图像每个颜色通道进行j级分解再重构的特征图，(x,y)是特征图中的像素位置坐标，IWTj(·)是
Figure BDA0001398409720000105
和WD c(j)的反小波变换重构函数，此处对图像低频分量连续分解，重构时忽略WA c(j)。p是约束因子，式(2)中计算的特征图像素值分布范围较大，因此，合适的p值可以约束特征图，避免多个特征图间的协方差矩阵变动范围较大，多次实验后，选p＝104，对于c∈{L,a,b}，上式创建了三通道彩色图像的3×J个特征图，特征图的分辨率等于输入图像的尺寸。
四、计算显著图步骤：基于多变量高斯概率密度函数，统计所有特征图中对应位置像素的显著度，计算输入图像的全局显著图。
本步骤详细过程和计算公式如下：
逐像素计算特征图中每一位置的概率密度函数，如图3所示。在k＝3×J维特征空间中，定义特征图中同一像素位置点处的特征向量为vk(i)，i∈{1,…,ro×co}，ro和co为输入彩色图像的行和列数，即在k幅特征图中，所有像素的k维向量总共有ro×co个。逐个像素高斯概率密度计算如下：
p(vk(i))＝((2π)k/2|C|1/2)-1exp[-(vk(i)-μ)TC-1(vk(i)-μ)/2] (3)
C＝E[(vk(i)-μ)T(vk(i)-μ)] (4)
μ＝E[vk(i)] (5)
式中，μ是特征向量的均值，C是k×k维协方差特征矩阵，|C|是协方差矩阵的行列式；T是转置操作符。
当特征图中(x,y)位置处的分布概率较小时，其显著性是突出的，否则不突出，根据该反比关系，有：
S'(x,y)＝p(vk(i))-1 (6)
将上式进行高斯滤波，可以得到输入图像的全局显著图：
S″(x,y)＝G5×5*(log10S'(x,y))1/2 (7)
式中，G5×5为5×5的2-D高斯低通滤波器。全局显著图S”(x,y)包含了对各特征图的统计关系，具有较强的全局分布效应，可以给出更多局部对比度不能给出的重要信息。
五、保留舰船目标区域步骤：为进一步抑制显著图中的非显著信息，使用距离衰减公式对前述显著图进行增强处理，弱化显著图中高频虚警信息的干扰，保留舰船目标区域。
本步骤详细过程和计算公式如下：
考虑到图像中的某些舰船目标相对较弱小，将显著图中像素值大于0.5的显著像素保留，将其构成的区域作为绝对显著区域，该区域内像素点的坐标值记为(x”,y”)。
在绝对显著性区域外的显著点(x,y)值，使用该点到绝对显著区域内点的最小欧几里得距离权衡其显著性，计算公式如下：
S(x,y)＝S″(x,y)(1-dof′(x,y)) (8)
Figure BDA0001398409720000121
式中，S(x,y)为点(x,y)处的显著值，dof(x,y)是显著点(x,y)与其最近的绝对显著性区域内点(x”,y”)的欧几里得距离，dof’(x,y)是归一化处理后的值。
六、阈值分割步骤：根据最终显著图的灰度统计特征，计算出舰船目标与海面背景的自适应分割阈值，对显著图进行二值化。
Figure BDA0001398409720000122
本发明中使用OTSU方法(大津法)计算自适应分割阈值T实现对显著图粗分割，分割后的像素值等于1的区域表示目标区域，值等于0的区域表示海面背景区域，可以分离检测到的目标与海面背景。
七、切片提取步骤：用于计算各分离区域的包围框，并在输入图像中标记包围框位置坐标，找出每个疑似舰船目标区域，提取目标区域切片，初步剔除切片中像素面积过大和过小的区域，对剩余包围框重新排序。
切片提取步骤详细过程包括如下子步骤：
框出疑似舰船目标区域步骤：计算二值化图像中的每个分离目标区域的最小外接矩形，外接矩形的宽和高与输入图像的宽和高平行，并在原始遥感图像中标记，框出疑似舰船目标区域。
确保切片中的舰船目标完整性的步骤：计算外接矩形的像素中心位置和长宽值，从原输入图像中提取该外接矩形中的目标区域，将每个目标区域的横纵坐标在原始坐标位置上扩大N(8≦N≦12)个像素，以保证切片中的舰船目标具有良好的完整性。经过本步骤，可得到图像中的潜在目标区域切片，如图4所示。
八、获取鉴别熵步骤：改进传统熵定义依赖图像空间结构信息的不足，得到能更好描述舰船切片内容的鉴别熵。
本步骤详细过程包括：
一幅图像中变量u的传统信息熵定义如下：
Figure BDA0001398409720000131
式中，pi表示图像中灰度为i的像素占总像素个数的比重；M表示图像中存在的灰度级数，最大值为255；当pi＝0时，pilog(pi)＝0。
改进传统熵，传统的熵定义是基于图像像素灰度级分布的，如果给出了像素灰度分布的直方图，那么熵就确定了，却忽视了图像的空间几何结构信息，为改进该不足，我们不仅考虑图像中的当前像素，也考虑其相邻像素值，使用高斯核与图像卷积滤波，然后对滤波后的图像计算熵，一个改进的信息熵计算公式为：
Hg(u)＝H{g*u} (12)
式中，g是一个高斯低通滤波器。
九、舰船目标与虚警鉴别步骤：根据舰船目标切片和非舰船目标切片在像素分布结构上的差异，基于改进的鉴别熵，提出了一种有效区分舰船目标和虚警的鉴别方法。
本步骤详细过程包括如下子步骤：
信息熵计算步骤，用于对预提取出的目标切片图像进行灰度化处理，然后使用Otsu方法二值化切片，对二值切片图像计算其信息熵。
输出最终检测结果步骤，用于计算舰船与非舰船熵值的区分阈值。阈值的选取决定了最终检测结果的精度。设n幅舰船切片的熵值为Sn，m幅非舰船切片的熵值为Fm，T’为区分阈值，理想区分阈值T*可通过下式计算：
Figure BDA0001398409720000141
式中，Ta是舰船与非舰船熵值的平均值，CS(·)统计满足条件的个数。
二值化目标切片的熵值小于区分阈值的是舰船目标，大于区分阈值的为虚警，如图5所示。
经改进熵鉴别后，不是舰船目标的区域标记删除，是舰船目标的区域保留并重新标记，统计舰船检测个数，输出最终检测结果。
需要说明的是，在附图的流程框图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。
本发明还提供一种基于视觉注意机制和信息熵的遥感图像海面舰船检测系统，包括以下模块：
一、采集光学遥感图像模块，采集光学遥感影像数据，影像中有舰船，海雾，厚重云层，岛屿等，其中舰船目标在海面上的位置分布和尺寸大小随机，颜色极性各不相同。
二、小波分解模块，针对海面区域，对输入的海面图像f(x,y)进行多颜色通道，多尺度和多方向的小波分解，直到分解到最粗糙级，小波分解模块，包括颜色空间转换模块：用于转换图像颜色空间，输入rgb彩色图像f(x,y)，由于rgb颜色空间中各分量的相关性较大，为减少冗余，本发明将输入图像从rgb颜色空间转到CIE Lab颜色空间。
在小波分解模块中，进行多尺度小波变换，分别对输入图像的照度分量L和色彩分量a、b进行二维小波分解，生成图像的各级分解系数，如图2所示，单元h(-n)和g(-m)分别是低通和高通分解滤波器，n和m是水平平移和垂直平移；包含2和向下箭头的圆圈表示下采样。
每当图像输入图2的滤波器组时，会被分解为4个较低分辨率的分量，WA c(j)通过两个低频滤波器产生，是j级小波分解的低频系数，对应着每个颜色通道的近似输出，表示图像信息的低频部分；
Figure BDA0001398409720000151
和
Figure BDA0001398409720000152
分别是不同颜色通道和不同分解尺度上的水平，垂直和对角方向小波系数，反映了在不同分解级上图像的细节，表示图像信息的高频部分。考虑到滤波尺寸，计算时间和处理效果，选用Daubechies(db.4)小波滤波器对图像进行多级小波分解，如下：
Figure BDA0001398409720000153
式中，(x,y)是输入图像的像素坐标，c是输入图像的颜色通道，c∈{L,a,b}。WTj(·)是第j级小波分解函数，J是小波分解的最大分解级数，对于一幅N×N的图像，其小波分解的最大分解级数为J＝[log2N]，[·]为取整操作，分解级数j∈{1,…,J}。
三、重构特征图模块：用于在各尺度上，去掉图像的低频相似信息，保留水平、垂直和对角方向的高频细节成分，对高频信息进行反小波变换，重构每一尺度上的特征图。
特征图构建公式如下：
Figure BDA0001398409720000161
式中，fmj c(x,y)是对图像每个颜色通道进行j级分解再重构的特征图，(x,y)是特征图中的像素位置坐标，WTj(·)是
Figure BDA0001398409720000162
和WDc(j)的反小波变换重构函数，此处对图像低频分量连续分解，重构时忽略WA c(j)。p是约束因子，式(2)中计算的特征图像素值分布范围较大，因此，合适的p值可以约束特征图，避免多个特征图间的协方差矩阵变动范围较大，多次实验后，选p＝104，对于c∈{L,a,b}，上式创建了三通道彩色图像的3×J个特征图，特征图的分辨率等于输入图像的尺寸。
四、计算显著图模块：基于多变量高斯概率密度函数，统计所有特征图中对应位置像素的显著度，计算输入图像的全局显著图。
实现本模块功能的详细计算公式如下：
逐像素计算特征图中每一位置的概率密度函数，如图3所示。在k＝3×J维特征空间中，定义特征图中同一像素位置点处的特征向量为vk(i)，i∈{1,…,ro×co}，ro和co为输入彩色图像的行和列数，即在k幅特征图中，所有像素的k维向量总共有ro×co个。逐个像素高斯概率密度计算如下：
p(vk(i))＝((2π)k/2|C|1/2)-1exp[-(vk(i)-μ)TC-1(vk(i)-μ)/2] (3)
C＝E[(vk(i)-μ)T(vk(i)-μ)] (4)
μ＝E[vk(i)] (5)
式中，μ是特征向量的均值，C是k×k维协方差特征矩阵，|C|是协方差矩阵的行列式；T是转置操作符。
当特征图中(x,y)位置处的分布概率较小时，其显著性是突出的，否则不突出，根据该反比关系，有：
S'(x,y)＝p(vk(i))-1 (6)
将上式进行高斯滤波，可以得到输入图像的全局显著图：
S″(x,y)＝G5×5*(log10S'(x,y))1/2 (7)
式中，G5×5为5×5的2-D高斯低通滤波器。全局显著图S”(x,y)包含了对各特征图的统计关系，具有较强的全局分布效应，可以给出更多局部对比度不能给出的重要信息。
五、保留舰船目标区域模块：为进一步抑制显著图中的非显著信息，使用距离衰减公式对前述显著图进行增强处理，弱化显著图中高频虚警信息的干扰，保留舰船目标区域。
实现本模块功能的详细计算公式如下：
考虑到图像中的某些舰船目标相对较弱小，将显著图中像素值大于0.5的显著像素保留，将其构成的区域作为绝对显著区域，该区域内像素点的坐标值记为(x”,y”)。
在绝对显著性区域外的显著点(x,y)值，使用该点到绝对显著区域内点的最小欧几里得距离权衡其显著性，计算公式如下：
S(x,y)＝S″(x,y)(1-dof(x,y)) (8)
Figure BDA0001398409720000181
式中，S(x,y)为点(x,y)处的显著值，dof(x,y)是显著点(x,y)与其最近的绝对显著性区域内点(x”,y”)的欧几里得距离，dof’(x,y)是归一化处理后的值。
六、阈值分割模块：根据最终显著图的灰度统计特征，计算出舰船目标与海面背景的自适应分割阈值，对显著图进行二值化。
Figure BDA0001398409720000182
本发明中使用OTSU方法(大津法)计算自适应分割阈值T实现对显著图粗分割，分割后的像素值等于1的区域表示目标区域，值等于0的区域表示海面背景区域，可以分离检测到的目标与海面背景。
七、切片提取模块：用于计算各分离区域的包围框，并在输入图像中标记包围框位置坐标，找出每个疑似舰船目标区域，提取目标区域切片，初步剔除切片中像素面积过大和过小的区域，对剩余包围框重新排序。
切片提取模块内还包括如下子模块：
框出疑似舰船目标区域模块：计算二值化图像中的每个分离目标区域的最小外接矩形，外接矩形的宽和高与输入图像的宽和高平行，并在原始遥感图像中标记，框出疑似舰船目标区域。
确保切片中的舰船目标完整性的模块：计算外接矩形的像素中心位置和长宽值，从原输入图像中提取该外接矩形中的目标区域，将每个目标区域的横纵坐标在原始坐标位置上扩大N(8≦N≦12)个像素，以保证切片中的舰船目标具有良好的完整性。经过本模块，可得到图像中的潜在目标区域切片，如图4所示。
八、获取鉴别熵模块：改进传统熵定义依赖图像空间结构信息的不足，得到能更好描述舰船切片内容的鉴别熵。
本模块工作的详细过程包括：
一幅图像中变量u的传统信息熵定义如下：
Figure BDA0001398409720000191
式中，pi表示图像中灰度为i的像素占总像素个数的比重；M表示图像中存在的灰度级数，最大值为255；当pi＝0时，pilog(pi)＝0。
改进传统熵，传统的熵定义是基于图像像素灰度级分布的，如果给出了像素灰度分布的直方图，那么熵就确定了，却忽视了图像的空间几何结构信息，为改进该不足，我们不仅考虑图像中的当前像素，也考虑其相邻像素值，使用高斯核与图像卷积滤波，然后对滤波后的图像计算熵，一个改进的信息熵计算公式为：
Hg(u)＝H{g*u} (12)
式中，g是一个高斯低通滤波器。
九、舰船目标与虚警鉴别模块：根据舰船目标切片和非舰船目标切片在像素分布结构上的差异，基于改进的鉴别熵，提出了一种有效区分舰船目标和虚警的鉴别方法。
本模块包括如下子模块：
信息熵计算模块，用于对预提取出的目标切片图像进行灰度化处理，然后使用Otsu方法二值化切片，对二值切片图像计算其信息熵。
输出最终检测结果模块，用于计算舰船与非舰船熵值的区分阈值。阈值的选取决定了最终检测结果的精度。设n幅舰船切片的熵值为Sn，m幅非舰船切片的熵值为Fm，T’为区分阈值，理想区分阈值T*可通过下式计算：
Figure BDA0001398409720000201
式中，Ta是舰船与非舰船熵值的平均值，CS(·)统计满足条件的个数。
二值化目标切片的熵值小于区分阈值的是舰船目标，大于区分阈值的为虚警，如图5所示。
经改进熵鉴别后，不是舰船目标的区域标记删除，是舰船目标的区域保留并重新标记，统计舰船检测个数，输出最终检测结果。
需要说明的是，在附图的流程框图示出的模块可以在诸如一组计算机可执行指令的计算机系统中执行。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种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，其特征在于，包括以下步骤：
采集光学遥感图像步骤，用于采集光学遥感影像数据；
小波分解步骤，用于对输入的所有海面图像进行多颜色通道，多尺度和多方向的小波分解；
重构特征图步骤，用于在各尺度上，去掉图像的低频相似信息，对高频细节信息进行反小波变换，重构每一颜色和尺度上的特征图；
计算显著图步骤，基于多变量高斯概率密度函数，统计所有特征图中对应位置像素的显著度，计算输入图像的全局显著图；
保留舰船目标区域步骤，使用距离衰减公式对前述显著图进行增强处理，弱化显著图中高频虚警信息的干扰，保留舰船目标区域；
阈值分割步骤，用于根据最终显著图的灰度统计特征，计算出舰船目标与海面背景的自适应分割阈值，对显著图进行二值化；
切片提取步骤，用于提取出疑似舰船目标区域的切片；
获取鉴别熵步骤，用于改进传统熵定义依赖图像空间结构信息的不足，获取能更好描述目标切片内容的鉴别熵；
舰船目标与虚警鉴别步骤：使用改进的鉴别熵表征目标切片特征，有效区分舰船目标与虚警。
2.根据权利要求1所述的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，其特征在于，小波分解步骤中，所述的对输入的海面图像进行多颜色通道，多尺度和多方向的小波分解，包括如下子步骤：
颜色空间转换步骤：用于输入rgb彩色图像，并将输入的rgb彩色图像从rgb颜色空间转到CIE Lab颜色空间；
二维小波分解步骤：用于进行多尺度小波变换，分别对输入图像的照度分量L和色彩分量a、b进行二维小波分解，生成图像的各级分解系数。
3.根据权利要求1所述的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，其特征在于，保留舰船目标区域步骤所述的使用距离衰减公式对前述显著图进行增强处理，弱化显著图中高频虚警信息的干扰，保留舰船目标区域，将显著图中像素值大于0.5的显著像素保留，将其构成的区域作为绝对显著区域，该区域内像素点的坐标值记为(x’’,y’’)；
在绝对显著性区域外的显著点(x,y)值，使用该点到绝对显著区域内点的最小欧几里得距离权衡其显著性。
4.根据权利要求1所述的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，其特征在于，切片提取步骤所述的提取出疑似舰船目标区域的切片，包括如下子步骤：
框出疑似舰船目标区域步骤，用于计算二值化图像中的每个分离目标区域的最小外接矩形，外接矩形的宽和高与输入图像的宽和高平行，并在原始遥感图像中标记，框出疑似舰船目标区域；
确保切片中的舰船目标完整性的步骤，用于计算外接矩形的像素中心位置和长宽值，从原输入图像中提取该外接矩形中的目标区域，将每个目标区域的横纵坐标在原始坐标位置上扩大N个像素，N的取值范围是：8≦N≦12，确保切片中的舰船目标具有良好的完整性。
5.根据权利要求1所述的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，其特征在于，舰船目标与虚警鉴别步骤所述的使用改进的鉴别熵表征目标切片特征，有效区分舰船目标与虚警，包括如下子步骤：
信息熵计算步骤，用于对预提取出的目标切片图像进行灰度化处理，然后二值化目标切片，对二值切片图像计算其信息熵；
输出最终检测结果步骤，计算舰船与非舰船目标熵值的区分阈值，二值化目标切片的熵值，小于区分阈值的是舰船目标，大于区分阈值的为虚警，经改进熵鉴别后，不是舰船目标的区域标记删除，是舰船目标的区域保留并重新标记，统计舰船检测个数，输出最终检测结果。
6.一种基于视觉注意机制和信息熵的遥感图像海面舰船检测系统，其特征在于，包括：
采集光学遥感图像模块，用于采集光学遥感影像数据；
小波分解模块，用于对输入的所有海面图像进行多颜色通道，多尺度和多方向的小波分解；
重构特征图模块，用于在各尺度上，去掉图像的低频相似信息，对高频细节信息进行反小波变换，重构每一颜色和尺度上的特征图；
计算显著图模块，基于多变量高斯概率密度函数，统计所有特征图中对应位置像素的显著度，计算输入图像的全局显著图；
保留舰船目标区域模块，使用距离衰减公式对前述显著图进行增强处理，弱化显著图中高频虚警信息的干扰，保留舰船目标区域；
阈值分割模块，用于根据最终显著图的灰度统计特征，计算出舰船目标与海面背景的自适应分割阈值，对显著图进行二值化；
切片提取模块，用于提取出疑似舰船目标区域的切片；
获取鉴别熵模块，用于改进传统熵定义依赖图像空间结构信息的不足，获取能更好描述目标切片内容的鉴别熵；
舰船目标与虚警鉴别模块：使用改进的鉴别熵表征目标切片特征，有效区分舰船目标与虚警。
7.根据权利要求6所述的基于视觉注意机制和信息熵的遥感图像海面舰船检测系统，其特征在于，小波分解模块中，所述的对输入的海面图像进行多颜色通道，多尺度和多方向的小波分解，包括如下子模块：
颜色空间转换模块：用于输入rgb彩色图像，并将输入的rgb彩色图像从rgb颜色空间转到CIE Lab颜色空间；
二维小波分解模块：用于进行多尺度小波变换，分别对输入图像的照度分量L和色彩分量a、b进行二维小波分解，生成图像的各级分解系数。
8.根据权利要求7所述的基于视觉注意机制和信息熵的遥感图像海面舰船检测系统，其特征在于，保留舰船目标区域模块所述的使用距离衰减公式对前述显著图进行增强处理，弱化显著图中高频虚警信息的干扰，保留舰船目标区域，将显著图中像素值大于0.5的显著像素保留，将其构成的区域作为绝对显著区域，该区域内像素点的坐标值记为(x’’,y’’)；
在绝对显著性区域外的显著点(x,y)值，使用该点到绝对显著区域内点的最小欧几里得距离权衡其显著性。
9.根据权利要求8所述的基于视觉注意机制和信息熵的遥感图像海面舰船检测系统，其特征在于，切片提取模块所述的提取出疑似舰船目标区域的切片，包括如下子模块：
框出疑似舰船目标区域模块，用于计算二值化图像中的每个分离目标区域的最小外接矩形，外接矩形的宽和高与输入图像的宽和高平行，并在原始遥感图像中标记，框出疑似舰船目标区域；
确保切片中的舰船目标完整性的模块，用于计算外接矩形的像素中心位置和长宽值，从原输入图像中提取该外接矩形中的目标区域，将每个目标区域的横纵坐标在原始坐标位置上扩大N个像素，N的取值范围是：8≦N≦12，确保切片中的舰船目标具有良好的完整性。
10.根据权利要求9所述基于视觉注意机制和信息熵的遥感图像海面舰船检测系统，其特征在于，舰船目标与虚警鉴别模块所述的使用改进的鉴别熵表征目标切片特征，有效区分舰船目标与虚警，包括如下子模块：
信息熵计算模块，用于对预提取出的目标切片图像进行灰度化处理，然后二值化目标切片，对二值切片图像计算其信息熵；
输出最终检测结果模块，计算舰船与非舰船目标熵值的区分阈值，二值化目标切片的熵值小于区分阈值的是舰船目标，大于区分阈值的为虚警，经改进熵鉴别后，不是舰船目标的区域标记删除，是舰船目标的区域保留并重新标记，统计舰船检测个数，输出最终检测结果。
CN201710787433.XA 2017-09-04 2017-09-04 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 Active CN109427055B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710787433.XA CN109427055B (zh) 2017-09-04 2017-09-04 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710787433.XA CN109427055B (zh) 2017-09-04 2017-09-04 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

Publications (2)

Publication Number Publication Date
CN109427055A CN109427055A (zh) 2019-03-05
CN109427055B true CN109427055B (zh) 2022-12-20

Family

ID=65513809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710787433.XA Active CN109427055B (zh) 2017-09-04 2017-09-04 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

Country Status (1)

Country Link
CN (1) CN109427055B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027497B (zh) * 2019-12-17 2023-03-31 西安电子科技大学 基于高分辨率光学遥感影像的弱小目标快速检测方法
CN111222470A (zh) * 2020-01-09 2020-06-02 北京航空航天大学 基于多元高斯分布与PCANet的可见光遥感图像舰船检测方法
CN111695524A (zh) * 2020-06-15 2020-09-22 中国电子科技集团公司第二十八研究所 一种遥感图像海面舰船检测方法
CN111832502A (zh) * 2020-07-20 2020-10-27 中国人民解放军战略支援部队航天工程大学 面向卫星在轨应用的遥感影像视觉显著区域智能搜索方法
CN112184607B (zh) * 2020-09-27 2022-08-09 清华大学 毫米波太赫兹成像质量提升方法及成像系统
CN113781386B (zh) * 2021-05-06 2024-04-16 清华大学 一种基于多源遥感图像显著度模糊融合的舰船检测方法
CN113379694B (zh) * 2021-06-01 2024-02-23 大连海事大学 雷达图像局部点面对比度积舰船检测方法
CN113239944B (zh) * 2021-06-08 2023-07-14 矿冶科技集团有限公司 一种图像特征提取方法、装置、电子设备及介质
CN113379806B (zh) * 2021-08-13 2021-11-09 南昌工程学院 基于可学习稀疏转换注意力机制的目标跟踪方法与系统
CN116109936B (zh) * 2022-10-21 2023-08-29 中国科学院长春光学精密机械与物理研究所 基于光学遥感的目标检测与识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867196A (zh) * 2012-09-13 2013-01-09 武汉大学 基于Gist特征学习的复杂海面遥感影像舰船检测方法
WO2015161794A1 (zh) * 2014-04-24 2015-10-29 厦门美图之家科技有限公司 一种基于图像显著性检测的获取缩略图的方法
CN106384344A (zh) * 2016-08-30 2017-02-08 中国科学院长春光学精密机械与物理研究所 一种光学遥感图像海面舰船目标检测与提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867196A (zh) * 2012-09-13 2013-01-09 武汉大学 基于Gist特征学习的复杂海面遥感影像舰船检测方法
WO2015161794A1 (zh) * 2014-04-24 2015-10-29 厦门美图之家科技有限公司 一种基于图像显著性检测的获取缩略图的方法
CN106384344A (zh) * 2016-08-30 2017-02-08 中国科学院长春光学精密机械与物理研究所 一种光学遥感图像海面舰船目标检测与提取方法

Also Published As

Publication number Publication date
CN109427055A (zh) 2019-03-05

Similar Documents

Publication Publication Date Title
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
Zhang et al. Ship detection for visual maritime surveillance from non-stationary platforms
CN110414411B (zh) 基于视觉显著性的海面船只候选区域检测方法
CN110310264B (zh) 一种基于dcnn的大尺度目标检测方法、装置
Cheng et al. FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images
Zhang et al. S-CNN-based ship detection from high-resolution remote sensing images
Wang et al. New hierarchical saliency filtering for fast ship detection in high-resolution SAR images
CN107563303B (zh) 一种基于深度学习的鲁棒性舰船目标检测方法
Ai et al. A new CFAR ship detection algorithm based on 2-D joint log-normal distribution in SAR images
CN110031843B (zh) 基于roi区域的sar图像目标定位方法、系统、装置
Barbat et al. An adaptive machine learning approach to improve automatic iceberg detection from SAR images
CN102867196A (zh) 基于Gist特征学习的复杂海面遥感影像舰船检测方法
US10497128B2 (en) Method and system for sea background modeling and suppression on high-resolution remote sensing sea images
CN111079596A (zh) 高分辨率遥感影像的海上典型人造目标识别系统及方法
Song et al. Automatic ship detection for optical satellite images based on visual attention model and LBP
Hou et al. SAR image ship detection based on visual attention model
Corbane et al. Fully automated procedure for ship detection using optical satellite imagery
CN114764801A (zh) 基于多视觉显著特征的弱小舰船目标融合检测方法及装置
CN113674308A (zh) 基于图像增强与多重检测的sar图像舰船目标快速检测方法
Yu et al. Automated ship detection from optical remote sensing images
CN103810487A (zh) 一种海洋航拍图像的目标检测与识别方法及系统
Li et al. Detection of oil spills based on gray level co-occurrence matrix and support vector machine
Yang et al. A novel ship detection method based on sea state analysis from optical imagery
Haigang et al. A novel ship detection method for large-scale optical satellite images based on visual LBP feature and visual attention model
CN111222470A (zh) 基于多元高斯分布与PCANet的可见光遥感图像舰船检测方法

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
GR01 Patent grant
GR01 Patent grant