CN109584279A - 基于sar图像的船舶检测方法、装置及船舶检测系统 - Google Patents
基于sar图像的船舶检测方法、装置及船舶检测系统 Download PDFInfo
- Publication number
- CN109584279A CN109584279A CN201710909873.8A CN201710909873A CN109584279A CN 109584279 A CN109584279 A CN 109584279A CN 201710909873 A CN201710909873 A CN 201710909873A CN 109584279 A CN109584279 A CN 109584279A
- Authority
- CN
- China
- Prior art keywords
- ship
- sar image
- data set
- model
- image data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000013526 transfer learning Methods 0.000 claims abstract description 16
- 238000010200 validation analysis Methods 0.000 claims abstract description 6
- 230000003321 amplification Effects 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SAR图像的船舶检测方法、装置及船舶检测系统,包括:步骤1,获得用于训练和测试模型的SAR图像数据集A、及用于测试船舶检测模型鲁棒性的SAR图像数据B;步骤2,从SAR图像数据集A的数据中截取含有船只的区域以获得多幅包含船舶的栅格图像并构建用于训练SSD模型的数据集;步骤3,使用在PASCAL VOC数据集上训练好的SSD模型在构建的船舶检测的训练和验证数据集上进行迁移学习;步骤4,利用SSD模型的学习结果对SAR图像数据集A的测试数据进行检测和对SAR图像数据集B中的不同背景区域内的船舶位置进行检测。本发明选用SSD模型并将用于SAR图像的船舶在不同背景下的检测,采用迁移学习的方法克服了训练数据不足的问题。
Description
技术领域
本发明涉及船舶检测技术领域,特别涉及一种基于SAR图像的船舶检测方法、装置及船舶检测系统。
背景技术
SAR具有宽覆盖、全天候和不受云雾影响的特点,使其广泛用于海上船舶检测。目前船舶检测方法主要分为基于特征提取和深度学习的方法。这两者最主要的区别在于是否需要人为构建特征,然后在特征的基础上进行判别是不是船舶。前者需要人为为船舶检测构建特征,但由于设计的特征需要船舶的不同环境(海域、海岛和陆地),这种方法比较费时间。在基于特征的方法中,常用的船舶检测方法是CFAR,但由于陆地掩膜错误、以及在有风时对检测形成干扰,因此CFAR在陆地和海之间的区域容易产生虚警。
深度学习的方法不需要经过特征提取这一过程。自从2006年Hinton引起深度学习的热潮,在图像分类、对象检测和识别取得了巨大的突破。特别地,在对象检测领域,近年来,涌现出很多深度学习框架。近年来,深度学习也广泛用到遥感图像的处理中。例如,使用卷积神经网络来检测光学图像中的道路和建筑,也使用卷积神经网络来区别海冰和船舶。但是,目前将深度学习模型应用于遥感图像船舶检测中时,通常研究的对象是光学图像或者研究区域限制在全海域中,缺乏对船舶不同背景(例如,海岛附近或者包含陆地的港口附近)的研究。
但是,使用深度学习模型的一个缺点是需要大量的带标签的训练样本,但是在遥感SAR中获得这些数据是比较耗费人力和时间的。
发明内容
有鉴于现有技术在使用深度学习模型时需要大量的带标签的训练样本,但在遥感SAR中获得这些数据是比较耗费人力和时间的问题,本发明提供了一种基于SAR图像的船舶检测方法、装置及船舶检测系统。
本发明提供了一种基于SAR图像的船舶检测方法,包括:获得预定海域的用于训练和测试模型的SAR图像数据集A、及用于测试船舶检测模型的SAR图像数据集B;从SAR图像数据集A的数据中截取含有船只的区域以获得多幅包含船舶的栅格图像;使用在PASCAL VOC数据集上训练好的SSD模型在构建的船舶数据集的训练和验证数据集上进行迁移学习;利用SSD模型的学习结果对SAR图像数据集B中的不同背景区域内的船舶位置进行检测。
优选地,所述SAR图像数据集A和SAR图像数据集B被转存为栅格图像。
优选地,所述SAR图像数据集A和SAR图像数据集B被转存的栅格图像以单通道存储。
优选地,所述SAR图像数据集A中的70%用作训练数据、20%用作验证数据、10%用作测试数据。
优选地,从SAR图像数据集A的数据中截取含有船只的区域以获得多幅包含船舶的栅格图像中,具体包括:从SAR图像数据集A中,通过目视选择出包含船舶的多个子区域;将所述多个子区域用程序切分为宽度和高度分别为多个预定尺寸的小图像;通过程序用矩形框标记所述多个小图像中的船舶。
优选地,通过程序用矩形框标记所述多个小图像中的船舶包括:在标记的时候,记录包含船舶的矩形框的左上角和右下角的坐标,并将船舶类别、左上角的坐标、右下角的坐标保存到xml中以便训练和测试的时候使用。
优选地,从SAR图像数据集A中截取含有船只的区域以获得多幅包含船舶的栅格图像包括:将所述栅格图像按至少一种放大倍数放大到预定大小。
优选地,所述方法还包括:对不同放大倍数放大的栅格图像采用不同的单点检测SSD模型进行训练;根据对检测概率可虚警率的要求选择不同的单点检测SSD模型的学习结果对SAR图像数据集B中的船舶位置进行检测。
本发明还提供一种基于SAR图像的船舶检测装置,包括:
SAR图像获取模块,其配置为获得预定海域的用于训练和测试模型的多幅SAR图像数据集A、及用于测试船舶检测模型的多幅SAR图像数据集B;
栅格图像生成模块,其配置为从SAR图像数据集A的数据中截取含有船只的区域以获得多幅包含船舶的栅格图像;
SSD模型学习模块,其配置为使用在PASCAL VOC数据集上训练好的SSD模型在船舶的训练和验证的数据集上进行迁移学习;
SSD模型检测模块,其配置为利用SSD模型的学习结果对SAR图像数据集B中的不同背景区域内的船舶位置进行检测。
本发明还提供一种船舶检测系统,包括如上所述的基于SAR图像的船舶检测装置。
本发明选用SSD模型并将用于SAR图像的船舶在不同背景下的检测,采用迁移学习的方法克服了训练数据不足的问题。
附图说明
图1是本发明的流程图;
图2是某年4月28日的VH SAR图像;
图3是从图2中选取的训练数据区域一;
图4是从图2中选取的训练数据区域二;
图5是训练、验证和测试数据的输入图片;
图6是训练、验证和测试数据的输入图片的船舶位置图;
图7是海上小岛附近的SSD-300船舶检测结果图;
图8是海上小岛附近的SSD-512船舶检测结果图;
图9是全是海域的SSD-300船舶检测结果图;
图10是全是海域的SSD-512船舶检测结果图;
图11是包含陆地部分的SSD-300船舶检测结果图;
图12是包含陆地部分的SSD-512船舶检测结果图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案,下面结合附图和具体实施方式对本发明作详细说明。
为了解决这一问题,本发明将迁移学习中的微调策略用到船舶检测中。本发明中,迁移学习将在日常生活中的光学图像训练中的网络模型的前几层参数直接赋值给遥感中的待训练模型的参数,通过修改模型最后几层的结构,使得在学习参数的时候只需要学习最后几层的参数。
本发明提供了一种基于SAR图像的船舶检测方法,包括:
步骤1,获得预定海域的用于训练和测试模型的SAR图像数据集A、及用于测试船舶检测模型鲁棒性的SAR图像数据集B;
步骤2,从SAR图像数据集A的数据中截取含有船只的区域以获得多幅包含船舶的栅格图像;
步骤3,使用在PASCAL VOC数据集上训练好的SSD模型在船舶数据集的训练和验证上进行迁移学习;
步骤4,利用SSD模型的学习结果对SAR图像数据集B中的不同背景区域内的船舶位置进行检测。
上述技术方案中,本发明选用SSD模型并将用于SAR图像的船舶在不同背景下的检测,采用迁移学习的方法克服了训练数据不足的问题。
优选地,在步骤1中,所述SAR图像数据集A和SAR图像数据集B被转存为栅格图像。
优选地,所述SAR图像数据集A和SAR图像数据集B被转存的栅格图像以单通道存储。
优选地,所述SAR图像数据集A中的70%用作训练数据、20%用作验证数据、10%用作测试数据。
优选地,所述步骤2包括:步骤21,从SAR图像数据集A中,通过目视选择出包含船舶的多个子区域;步骤22,将所述多个子区域用程序切分为宽度和高度分别为多个预定尺寸的小图像;步骤23,通过程序用矩形框标记所述多个小图像中的船舶。
优选地,所述步骤23包括:在标记的时候,记录包含船舶的矩形框的左上角和右下角的坐标,并将船舶类别、左上角的坐标、右下角的坐标保存到xml中以便训练和测试的时候使用。
优选地,所述步骤2还包括:将所述栅格图像按至少一种放大倍数放大到预定大小。
优选地,所述方法还包括:对不同放大倍数放大的栅格图像采用不同的单点检测SSD模型进行训练;根据对检测概率可虚警率的要求选择不同的单点检测SSD模型的学习结果对SAR图像数据集B中的船舶位置进行检测。
下面,以一个具体的实施例,对本发明进行详细说明。
1.数据获取步骤:
我们从The Sentinel-1Scientific Data Hub网站中下载我国东海包含船舶的N1幅Sentinel-1SAR。在此基础上,将数据分为两部分:1)用于训练、测试模型N1幅图像;2)用于测试船舶检测模型鲁棒性的图像N2幅图像。其中N1+N2=N。
2.数据预处理步骤:
将N幅SAR图像转存为栅格图像N1,对应的两部分数据也进行转化,如图2所示。在这里也可以用单通道存储,以节省空间,但其数据较少,可能为了过拟合。
3.构建样本库步骤:
在实验中,从N1幅栅格图像的数据中截取含有船只的区域。在实验中,我们获得的小区域共有包含船舶的小栅格图像。我们按70%、20%和10%的原则将数据分为训练、验证和测试数据,具体步骤如下
(1)从N1栅格图像中,通过目视选择出包含船舶的Nsub个子区域,如图3和图4所示。
(2)将Nsub个子区域用程序切分为宽度和高度分别为Ntra-test个256×256的小图像,如图5所示。
通过程序用矩形框标记Ntra-test个图片中的船舶。具体而言,在标记的时候通过记录包含船舶的矩形框的左上角和右下角的坐标,并将船舶类别和这些坐标的数值保存到xml中以便训练和测试的时候使用。其中,标记的船舶位置的矩形框,如图6所示。
将Ntra-test个小图片按照机器学习中的70%-20%-10%的惯例,将其分为训练数据、验证数据和测试数据。
4.模型选择步骤:
SSD模型是深度学习中对象检测模型的一种。它兼顾检测速度和检测精度。SSD是深度学习中对象检测的一种方法,并且是计算机视觉中的PASCAL VOC数据集和COCO数据集上中的对象检测中在检测速度比较快的条件下,检测准确率最高。
由于SSD模型对小物体的检测可能会有遗漏,我们使用将图片宽度和高度分别放大到300和512,在此基础上我们选用在大量栅格图片(例如,PASCAL VOC数据集)中训练好的SSD-300模型和SSD-512模型。
5.模型学习
针对船舶检测图片数量比较少,我们采用迁移学习的策略。由于PASCAL VOC数据集上的目标识别和船舶检测的任务近似,前者是从图片中检测出21中不同类别的对象,而在船舶检测中则是从图像中检测出船舶。两者的任务类似,因此迁移学习可以用到船舶检测中。具体而言,我们采用在PASCAL VOC数据集上训练好的SSD-300和SSD-512,通过修改最后检测的类别数目,并在构建的船舶检测的训练和验证数据集上来微调这两个模型的网络参数。
模型参数的设置:
(1)检测矩形框长宽比:在SSD模型中框(bounding box)的比例是{1、1/2、2、1/3、3}以及一个默认的框(框的目的在于确定船舶的位置)。我们通过统计得出在Sentinel-1中的船舶的长宽比例大约为3:1或者5:1,因此在本文中我们采用适用于船舶的长宽比例,因此在本发明中我们设置框的在SAR图像上的长宽比例为{1、1/3、3、5、1/5}(确定船行驶方向和传感器的平行、成45°或者垂直时船舶的位置)以及模型默认设置的一个框(确定船行驶方向和传感器成其他角度时船舶的位置)。
(2)最大迭代次数:240000。
(3)基础的学习率:0.000001(如果设置过大,会导致损失值溢出)。
(4)训练的batch:6(实验中用到的GPU为GTX 1070,内存是8G,为了充分地利用GPU)。
(5)Moment:0.99。由于Moment为0.99比0.9有更好的收敛速度,因此在本发明将moment设置为0.99。
除此之外,为了适应船舶的环境,“RGB”三通道的均值不再是PASCAL VOC的数值,我们通过统计三幅SAR图像的JPEG的均值约为51,因此在这里我们将原始的数值改为51,以便更加适用于船舶的检测。此外,权重衰减系数为0.005。
6.模型测试与模型鲁棒性的分析
为了验证我们提出方法的有效性,我们不仅用测试数据,也用三个典型区域图像(海岛附近、包括陆地区域和全部是海域部分)通过在训练好的SSD-300和SSD-512模型基础上,进行推理并用矩形框确定船舶在数据中的左上角和右下角的坐标(标识检测到的船舶的位置)。
下面,提供一个验证实施例,对本发明中的算法进行验证。
1.实验数据
三幅Sentinel-1数据用来验证我们的方法,Sentinel-1数据信息如0所示,从其中两幅SAR图像中抽取船舶的训练数据,进而将其切分为长度和宽度都为256的小块图像。
表1 三幅Sentinel-1数据简介
获取时间 | SAR图像大小 | 分辨率 |
某年-2-12 | 25335×16742 | 5m×20m |
某年-4-28 | 25502×16731 | 5m×20m |
某年-6-3 | 25501×16731 | 5m×20m |
在实验中,从图像为某年-2-10和某年-4-28的数据中截取含有船只的区域(本文中所有的“某年”均指代为同一年)。在实验中,我们获得的小区域共有包含514只船舶的269幅小图像。我们按照机器学习中的做法:70%、20%和10%的原则将数据分为训练、验证和测试数据。因此,有188作为训练数据、54张小图片作为验证和27张用于测试。
2.实验评价标准
我们用评价船舶的两条标准检测准确概率和虚警概率来评价。由公式(1)和(2)定义:
其中Nfalse表示检测到的错误的船舶、Ntotal表示检测出的船舶数量、PFA表示的是虚警检测概率、Ntrue表示检测到的正确的船舶、Nground-truth表示图像中的船舶的数量、PD表示的是检测概率。
3.实验结果与分析
为了验证我们提出方法的有效性,我们通过在两种数据集上测试1)测试数据集2)SAR图像数据集B中包含三种不同船舶背景(海岛附近、陆地区域附近和全是海域)的图像来验证我们方法。其中在第一个数据集上用来验证学习到的模型,而第二个数据集用来验证模型的鲁棒性。
首先给出训练、验证和测试数据的结果,并给出实验分析,然后针对三种典型的区域给出实验分析。
(1)训练、验证和测试数据
训练和测试的实验结果如0所示:
表2 两种模型的训练检测率
模型 | 训练检测概率 |
SSD-300 | 0.828 |
SSD-512 | 0.956 |
为了验证测试数据集(26张小图片),我们对其进行检测概率和虚警检测概率进行了统计,结果如0所示:
表3 测试数据上的检测概率和虚警率
模型 | 检测数目 | 真实检测数目 | 实地数据 | 检测概率 | 虚警概率 |
SSD-300 | 38 | 35 | 37 | 0.9210 | 0.07894 |
SSD-512 | 35 | 34 | 37 | 0.9189 | 0.0286 |
从0,可以看出和模型SSD-300相比,模型SSD-512的虚警低,检测概率也低于模型SSD-300。通过0和0可以得出,SSD-512在训练数据集上好,而在测试数据集上稍微不好,原因可能是虽然训练数据经过数据增强以后数量会增加,但增加的数据不能包括船在不同背景下的情况,导致过拟合。
(2)典型区域分析
为了说明模型的鲁棒性,三个典型区域用来验证。这三个典型区域取自于获取时间为某年6月3号。如0和0所示。
表4 三个典型区域的船舶检测结果
模型 | 检测数目 | 真实检测数目 | 漏检数目 | 检测概率 | 虚警概率 |
SSD-300 | 330 | 280 | 3 | 0.9894 | 0.1515 |
SSD-512 | 293 | 267 | 16 | 0.9435 | 0.0887 |
我们首先给出三个典型区域的检测概率和虚警概率如0所示。
表5 典型区域为海岛附近的实验结果
模型 | 检测数目 | 真实检测数目 | 漏检数目 | 检测概率 | 虚警概率 |
SSD-300 | 64 | 49 | 0 | 1.0 | 0.2344 |
SSD-512 | 51 | 47 | 2 | 0.9592 | 0.0784 |
从0可以看出,和SSD-300相比,SSD-512的检测概率较低,然而虚警概率也低。这表明在选择的时候,可以根据需要进行选择,如果侧重检测概率,可以选择模型SSD-300,反之如果侧重虚警概率,可以采用SSD-512模型。类似的实验结果也出现在海域和包含陆地的船舶检测中,统计结果如0和0所示。
从图7和图8可以看出,模型SSD-300在小岛附近错误地将小岛部分错误地检测为船舶,而SSD-512则产生较少的虚警。具体的统计数据如0所示。
表6 海域的检测概率和虚警率
模型 | 检测数目 | 真实检测数目 | 漏检数目 | 检测概率 | 虚警概率 |
SSD-300 | 107 | 103 | 2 | 0.9809 | 0.03738 |
SSD-512 | 103 | 102 | 3 | 0.9714 | 0.0097 |
表7 包含陆地区域的船舶检测结果
模型 | 检测数目 | 真实检测数目 | 漏检数目 | 检测概率 | 虚警概率 |
SSD-300 | 159 | 128 | 1 | 0.9922 | 0.19497 |
SSD-512 | 139 | 118 | 11 | 0.9147 | 0.1511 |
从0、0和0可以看出1)两种模型在全是海域的时候检测概率都高,均大于0.97,虚警概率也低在0.05以下,表明这两种模型即SSD-300和SSD-512在全是海域的条件下,能够克服海面杂波的影响。2)SSD-300的检测概率均高于SSD-512,这是由于前者检测到多的船舶,对应的虚警概率也比SSD-512高。
本发明将单点检测器SSD和迁移学习相结合的策略来做船舶检测。其中,单点检测器兼顾推理时间和检测准确度,而迁移学习有助于克服训练数据不足。此外,本发明还采用两种不同的单点检测模型SSD-300和SSD-512用来克服SSD模型对小物体检测性能不是很好的缺点。除此之外,基于对船舶长宽的统计,改进了模型中适合船舶大小的框比例。
实验结果表明,在用训练时,SSD-512的船舶检测概率高;而在测试数据和三个典型区域,即,海域、包含海岛和包含陆地时,和SSD-300相比较,SSD-512得检测概率稍低,但虚警概率也低。同时,在这个典型区域中,海域船舶的检测精度和虚警概率都优于包含海岛和陆地。
同时,本发明还提供了一种基于SAR图像的船舶检测装置,包括:
SAR图像获取模块,其配置为获得预定海域的用于训练和测试模型的SAR图像数据集A、及用于测试船舶检测模型鲁棒性的的SAR图像数据集B;
栅格图像生成模块,其配置为从SAR图像数据集A的数据中截取含有船只的区域以获得多幅包含船舶的栅格图像;
SSD模型学习模块,其配置为使用在PASCAL VOC数据集上训练好的模型并在构建的船舶的训练和验证数据集上进行迁移学习
SSD模型检测模块,其配置为1)对由SAR图像数据集A中的测试图像进行检测;2)利用SSD模型的学习结果对SAR图像数据集B中的不同背景区域内的船舶位置进行检测。
应当理解的是,本领域技术人员结合上文的详细介绍,可以得到本发明的实施例的基于SAR图像的船舶检测装置的模块化架构,也可以依据本领域技术常识对本发明的实施例的基于SAR图像的船舶检测装置做不超出本发明所要求保护范围内的变化扩展,因此,本申请不再在说明书附图中以附图形式赘述相应的模块化架构。
本发明还提供了一种船舶检测系统,包括如上所述的基于SAR图像的船舶检测装置。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种基于SAR图像的船舶检测方法,包括:
获得预定海域的用于训练和测试模型的SAR图像数据集A、及用于测试船舶检测模型鲁棒性的SAR图像数据集B;
从SAR图像数据集A的数据中截取含有船只的区域以获得多幅包含船舶的栅格图像;
使用在PASCAL VOC数据集上训练好的SSD模型在构建的船舶检测的训练数据和验证数据集上进行迁移学习;
利用SSD模型的学习结果对SAR图像数据集B中的不同背景区域内的船舶位置进行检测。
2.根据权利要求1所述的基于SAR图像的船舶检测方法,其中,获得预定海域的用于训练和测试模型的SAR图像数据集A、及用于测试船舶检测模型鲁棒性的SAR图像数据集B:
所述SAR图像数据集A和SAR图像数据集B被转存为栅格图像。
3.根据权利要求2所述的基于SAR图像的船舶检测方法,其中,所述SAR图像数据集A和SAR图像数据集B被转存的栅格图像以单通道存储。
4.根据权利要求1所述的基于SAR图像的船舶检测方法,其特征在于,所述由SAR图像数据集A构建的数据集中的70%用作训练数据、20%用作验证数据、10%用作测试数据。
5.根据权利要求4所述的基于SAR图像的船舶检测方法,其中,从SAR图像数据集A的数据中截取含有船只的区域以获得多幅包含船舶的栅格图像,具体包括:
从SAR图像数据集A中,通过目视选择出包含船舶的多个子区域;
将所述多个子区域用程序切分为宽度和高度分别为多个预定尺寸的小图像;
通过程序用矩形框标记所述小图像中的船舶。
6.根据权利要求5所述的基于SAR图像的船舶检测方法,其中,通过程序用矩形框标记所述多个小图像中的船舶包括:
在标记的时候,记录包含船舶的矩形框的左上角和右下角的坐标,并将船舶类别、左上角的坐标、右下角的坐标保存到xml中以便训练和测试的时候使用。
7.根据权利要求2所述的基于SAR图像的船舶检测方法,其中,从SAR图像数据集A的数据中截取含有船只的区域以获得多幅包含船舶的栅格图像包括:
将所述栅格图像按至少一种放大倍数放大到预定大小。
8.根据权利要求7所述的基于SAR图像的船舶检测方法,其中,还包括:
对不同放大倍数放大的栅格图像采用不同的单点检测SSD模型进行训练;
根据对检测概率和虚警率的要求,选择不同的单点检测SSD模型的学习结果对SAR图像数据集B中的船舶位置进行检测。
9.一种基于SAR图像的船舶检测装置,包括:
SAR图像获取模块,其配置为获得预定海域的用于训练和测试模型的多幅SAR图像数据集A、及用于测试船舶检测模型的多幅SAR图像数据集B;
栅格图像生成模块,其配置为从SAR图像数据集A的数据中截取含有船只的区域以获得多幅包含船舶的栅格图像;
SSD模型学习模块,其配置为将栅格图像在PASCAL VOC数据集上训练好的SSD模型在构建的船舶检测的训练数据和验证数据集上进行迁移学习;
SSD模型检测模块,其配置为利用SSD模型的学习结果对SAR图像数据集B中的不同背景区域内的船舶位置进行检测。
10.一种船舶检测系统,包括如权利要求9所述的基于SAR图像的船舶检测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710909873.8A CN109584279A (zh) | 2017-09-29 | 2017-09-29 | 基于sar图像的船舶检测方法、装置及船舶检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710909873.8A CN109584279A (zh) | 2017-09-29 | 2017-09-29 | 基于sar图像的船舶检测方法、装置及船舶检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109584279A true CN109584279A (zh) | 2019-04-05 |
Family
ID=65918997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710909873.8A Pending CN109584279A (zh) | 2017-09-29 | 2017-09-29 | 基于sar图像的船舶检测方法、装置及船舶检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584279A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175535A (zh) * | 2019-05-08 | 2019-08-27 | 广州中交通信有限公司 | 一种基于深度学习的船舶识别系统及其识别方法 |
WO2021000906A1 (zh) * | 2019-07-02 | 2021-01-07 | 五邑大学 | 一种面向sar图像的小样本语义特征增强的方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794396A (zh) * | 2010-03-25 | 2010-08-04 | 西安电子科技大学 | 基于迁移网络学习的遥感图像目标识别系统及方法 |
JP2013196097A (ja) * | 2012-03-16 | 2013-09-30 | Mitsubishi Space Software Kk | 対象物検出システムおよび対象物検出方法 |
KR20160044801A (ko) * | 2014-10-16 | 2016-04-26 | 한국해양과학기술원 | 선박 식별 방법 |
CN105931256A (zh) * | 2016-06-03 | 2016-09-07 | 中国地质大学(武汉) | 基于cuda的大幅面遥感影像快速分割方法 |
CN106611162A (zh) * | 2016-12-20 | 2017-05-03 | 西安电子科技大学 | 基于深度学习ssd框架的道路车辆实时检测方法 |
CN106960446A (zh) * | 2017-04-01 | 2017-07-18 | 广东华中科技大学工业技术研究院 | 一种面向无人艇应用的水面目标检测跟踪一体化方法 |
CN107025654A (zh) * | 2016-02-01 | 2017-08-08 | 南京理工大学 | 基于全局迭代检查的sar图像自适应船只检测方法 |
CN107133958A (zh) * | 2017-04-26 | 2017-09-05 | 北方工业大学 | 基于块粒度预判平衡直方图的光学遥感船舶切片分割方法 |
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN107194349A (zh) * | 2017-05-19 | 2017-09-22 | 湖北工业大学 | 基于深度学习的高分辨率PolSAR图像城区地物分类方法 |
-
2017
- 2017-09-29 CN CN201710909873.8A patent/CN109584279A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794396A (zh) * | 2010-03-25 | 2010-08-04 | 西安电子科技大学 | 基于迁移网络学习的遥感图像目标识别系统及方法 |
JP2013196097A (ja) * | 2012-03-16 | 2013-09-30 | Mitsubishi Space Software Kk | 対象物検出システムおよび対象物検出方法 |
KR20160044801A (ko) * | 2014-10-16 | 2016-04-26 | 한국해양과학기술원 | 선박 식별 방법 |
CN107025654A (zh) * | 2016-02-01 | 2017-08-08 | 南京理工大学 | 基于全局迭代检查的sar图像自适应船只检测方法 |
CN105931256A (zh) * | 2016-06-03 | 2016-09-07 | 中国地质大学(武汉) | 基于cuda的大幅面遥感影像快速分割方法 |
CN106611162A (zh) * | 2016-12-20 | 2017-05-03 | 西安电子科技大学 | 基于深度学习ssd框架的道路车辆实时检测方法 |
CN106960446A (zh) * | 2017-04-01 | 2017-07-18 | 广东华中科技大学工业技术研究院 | 一种面向无人艇应用的水面目标检测跟踪一体化方法 |
CN107133958A (zh) * | 2017-04-26 | 2017-09-05 | 北方工业大学 | 基于块粒度预判平衡直方图的光学遥感船舶切片分割方法 |
CN107145874A (zh) * | 2017-05-13 | 2017-09-08 | 复旦大学 | 复杂背景sar图像中的舰船目标检测与鉴别方法 |
CN107194349A (zh) * | 2017-05-19 | 2017-09-22 | 湖北工业大学 | 基于深度学习的高分辨率PolSAR图像城区地物分类方法 |
Non-Patent Citations (6)
Title |
---|
丁军等: "一种联合阴影和目标区域图像的SAR目标识别方法", 《电子与信息学报》 * |
吴冰洁等: "基于改进的S-NMF方法的全极化SAR船舶检测", 《遥感技术与应用》 * |
周俊宇等: "卷积神经网络在图像分类和目标检测应用综述", 《计算机工程与应用》 * |
曾阳帆等: "结合非迭代PPB的快速FCM算法在SAR图像分割中的应用", 《信息工程大学学报》 * |
李磊等: "基于稀疏表示的船体检测方法研究", 《电子设计工程》 * |
杨文等: "基于SAR图像的点状目标检测方法研究", 《电波科学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175535A (zh) * | 2019-05-08 | 2019-08-27 | 广州中交通信有限公司 | 一种基于深度学习的船舶识别系统及其识别方法 |
WO2021000906A1 (zh) * | 2019-07-02 | 2021-01-07 | 五邑大学 | 一种面向sar图像的小样本语义特征增强的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | SVM-based sea ice classification using textural features and concentration from RADARSAT-2 dual-pol ScanSAR data | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
Nieto-Hidalgo et al. | Two-stage convolutional neural network for ship and spill detection using SLAR images | |
CN108052940A (zh) | 基于深度学习的sar遥感图像水面目标检测方法 | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
CN104680542B (zh) | 基于在线学习的遥感影像变化检测方法 | |
CN108460382A (zh) | 基于深度学习单步检测器的光学遥感图像舰船检测方法 | |
CN106650600A (zh) | 一种基于视频图像分析的森林烟火检测方法 | |
CN102867196A (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
CN103456020B (zh) | 基于treelet特征融合的遥感图像变化检测方法 | |
CN109242889A (zh) | 基于上下文显著性检测与sae的sar图像变化检测方法 | |
KR102425572B1 (ko) | 지역 및 계절에 대한 특성이 반영된 농도측정모델 및 농도추정모델을 이용한 미세먼지농도 측정 방법, 장치 및 프로그램 | |
CN108596883A (zh) | 一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法 | |
CN114612835A (zh) | 一种基于YOLOv5网络的无人机目标检测模型 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
Lam | Methodologies for mapping land cover/land use and its change | |
CN103093243B (zh) | 高分辨率全色遥感图像云判方法 | |
CN115965812B (zh) | 无人机影像对湿地植被物种和地物分类的评估方法 | |
CN110084284A (zh) | 基于区域卷积神经网络的目标检测与二级分类算法及装置 | |
CN107516082A (zh) | 基于自步学习的sar图像变化区域检测方法 | |
CN109726649A (zh) | 遥感影像云检测方法、系统及电子设备 | |
Ma et al. | Evaluating the performance of SVM in dust aerosol discrimination and testing its ability in an extended area | |
CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
CN109584279A (zh) | 基于sar图像的船舶检测方法、装置及船舶检测系统 | |
CN115909096A (zh) | 无人机巡航管道隐患分析方法、装置及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |