CN109767442B - 一种基于旋转不变特征的遥感图像飞机目标检测方法 - Google Patents
一种基于旋转不变特征的遥感图像飞机目标检测方法 Download PDFInfo
- Publication number
- CN109767442B CN109767442B CN201910035876.2A CN201910035876A CN109767442B CN 109767442 B CN109767442 B CN 109767442B CN 201910035876 A CN201910035876 A CN 201910035876A CN 109767442 B CN109767442 B CN 109767442B
- Authority
- CN
- China
- Prior art keywords
- detection window
- point
- vector
- cpa
- window
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 130
- 239000013598 vector Substances 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000001629 suppression Effects 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 18
- 239000002245 particle Substances 0.000 claims description 8
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000006386 neutralization reaction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920000379 polypropylene carbonate Polymers 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002300 pressure perturbation calorimetry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
一种基于旋转不变特征的遥感图像飞机目标检测方法，按照模板轮廓图像的尺寸，将待检测遥感飞机多目标图像分成多个检测窗口，计算每一个检测窗口的CPA集和割线投影矩SPM特征集，并根据SPM特征集计算每一个检测窗口的H向量，将每一个检测窗口的CPA集和H向量与模板轮廓图像的CPA集和H向量进行比较，计算出每个检测窗口的得分并过滤掉低分窗口，通过多尺度自卷积MSA算法和非极大值抑制NMS算法确定飞机最可能存在的位置集。本发明能在复杂的机场背景和众多干扰物的情况下有效地对遥感图像中的飞机多目标进行检测，尤其是在对不同视距的遥感图像多目标检测中，综合准确率良好，且具有较强的适应性，召回率与查准率更高，且适用范围更为广泛。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种飞机目标检测的方法，特别涉及一种基于旋转不变特征的遥感图像飞机目标检测方法。
背景技术
飞机多目标检测一直是遥感卫星图像目标检测领域中的一个重点研究方向，在民事和军事领域都具有非常重要的应用价值，如机场的动态监管，航母的军事探测等。但由于飞机停泊地环境复杂，干扰众多，如何提高遥感图像多目标检测的准确率仍然极具挑战。
遥感图像飞机多目标检测方法主要分为“基于模型”与“基于轮廓”两大类。基于模型的方法最初应用于自然图像中的目标检测，是通过训练大量的正负样本来提取目标一些具有显著代表性的特征，以区别干扰物与背景，常用的有词袋模型和局部模型等。基于轮廓的方法一般会先对待检测遥感图像做二值处理，然后将二值图像某一区域内轮廓的梯度值、特定矩以及角点信息等作为特征与模板进行比对，继而判断该区域内是否存在目标。广义霍夫变换是一种经典的任意形状轮廓匹配算法，但其不具备旋转不变性。相比之下，Hu矩算法具有平移、旋转等不变性而更受青睐，就是一种利用Hu矩与其他多种不变矩相组合的方法对飞机多目标进行检测，但多种矩特征的直接组合导致兼容性不好，抗噪能力不强。近来提出了一种径向梯度角特征概念，此方法具有旋转不变性且简单易实现，但由于噪声点可能存在的位置众多，阈值偏大则查准率偏低，阈值偏小则召回率偏低。针对飞机轮廓提出了一种利用角点与边缘信息相结合的方法，此种方法召回率很高，但同时牺牲了极大的查准率。
综上所述，基于模型的遥感图像飞机多目标方法实现复杂，需要大量的先验信息，而基于轮廓的检测方法最突出的问题就是检测的准确率表现受算法对形状特征的敏感度以及背景的干扰较大。
发明内容
本发明提供一种基于旋转不变特征的遥感图像飞机目标检测方法，能在复杂的机场背景和众多干扰物的情况下有效地对遥感图像中的飞机多目标进行检测，尤其是在对不同视距的遥感图像多目标检测中，综合准确率良好，且具有较强的适应性，召回率与查准率更高，且适用范围更为广泛。
为了达到上述目的，本发明提供一种基于旋转不变特征的遥感图像飞机目标检测方法，包含以下步骤：
步骤S1、按照模板轮廓图像的尺寸，将待检测遥感飞机多目标图像分成多个检测窗口；
步骤S2、遍历整个待检测遥感飞机多目标图像，计算每一个检测窗口的CPA集和割线投影矩SPM特征集，并根据SPM特征集计算每一个检测窗口的H向量，将每一个检测窗口的CPA集和H向量与模板轮廓图像的CPA集和H向量进行比较，计算出每个检测窗口的得分并过滤掉低分窗口；
步骤S3、通过多尺度自卷积MSA算法和非极大值抑制NMS算法确定飞机最可能存在的位置集。
所述的步骤S2包含以下步骤：
步骤S2.1、计算每一个检测窗口的CPA集，计算每一个检测窗口的SPM特征集，继而计算出每一个检测窗口的H向量；
步骤S2.2、将每一个检测窗口的CPA集与模板轮廓图像的CPA集进行逐个像素点比对，统计检测窗口内的可能位置点数量作为检测窗口的得分；
步骤S2.3、计算检测窗口的H向量与模板轮廓图像的H向量的相关度，滤除相关度低的检测窗口。
步骤S2.1中，所述的计算每一个检测窗口的CPA集的方法包含：
一幅大小为m×n的飞机轮廓图形，O为其中心点，P为其质点，A为其轮廓上任意点；
中心角
和质点角βA分别由公式(1)与公式(2)计算：
其中，(XOA，YOA)是A点与O点的相对坐标，(XPA，YPA)是A点与P点的相对坐标，S函数是为了将角度转换到[0，2π)范围内，如公式(3)所示：
其中，(X，Y)表示坐标，中心点O的坐标以及质点P的坐标分别由公式(5)和公式(5)表述：
其中，h为轮廓像素点总数，xi为每一个轮廓像素点的横坐标，yi为每一个轮廓像素点的纵坐标；
根据公式(1)和公式(2)即可计算出A点的中心质点角：
步骤S2.1中，所述的计算每一个检测窗口的SPM特征集和H向量的方法包含：
割线投影矩定义为：设轮廓图像中距离最远的两个点M、N所连成的直线为MN，则轮廓上任意一点A到MN的投影距离就称作割线投影矩；
M、N为轮廓上距离最远的两个点，A为轮廓上任意一点，AO⊥MN，AO即为A点的割线投影矩，其长度由公式(7)计算：
其中，Q1、Q2分别是M、N点的坐标，P是A点坐标，||x||2是x的2范数，如下式描述：
设H向量共有λ个元素，用图形轮廓最大割线投影矩SPM值减去最小SPM值，再除以H向量元素个数，得到分组区间大小gap：
再根据公式(10)对每一个SPM值进行分组，SPM对应H向量第k个分组：
其中，floor(x)表示不超过x的最大整数；
最后，统计各分组的元素个数，即是H向量对应分组的值，即H向量一共包含λ个元素，每个元素的值对应其区间范围内的SPM值数量，这样就得出了轮廓的SPM特征，其一维向量形式用H向量表征。
步骤S2.2中，所述的统计检测窗口得分的方法包含：
将每一个检测窗口的CPA集与模板轮廓图像的CPA集进行比对，若模板轮廓图像内某一点A的CPA值可以在检测窗口的CPA集内寻找到绝对差值小于一定阈值的CPA值，将检测窗口内这些CPA值所表征的点都被定义为可能位置点，如公式(11)所述：
WP＝{A′||θA′-θA|＜ε，A∈Tset}，A′∈Wset (11)
其中，Tset是模板内所有有效像素点，即Tset＝{(i，j)|T(i，j)＝1}，A是其中任意像素点，即A∈Tset，θA是A点的CPA值；Wset是检测窗口内所有的有效像素点，即Wset＝{(i，j)|W(i，j)＝1}，A′是其中任意像素点，θA′是A′点的CPA值，ε是阈值，WP是检测窗口内与A点相匹配的所有可能点；
如此遍历模板内所有有效像素点的CPA值，统计检测窗口内的可能点数量，即为该检测窗口当前得分数，用SW表示，见公式(12)：
SW＝∑WP (12)。
步骤S2.3中，计算检测窗口的H向量与模板轮廓图像的H向量的相关度并滤除相关度低的检测窗口的方法包含：
采用皮尔逊系数计算检测窗口的H向量与模板轮廓图像的H向量的相关度：
范围为(0，1]；
若相关度大于一定阈值则给此窗口得分加分，若相关度低于一定阈值则直接将此检测窗口滤除，该过程由公式(14)描述：
其中δ和η是阈值，δ＞η，λ是增加的分数。
所述的步骤S3包含以下步骤：
步骤S3.1、采用多尺度自卷积MSA算法滤除干扰窗口；
步骤S3.2、将每个检测窗口的分数赋给此检测窗口的中心坐标，建立最终得分图；
步骤S3.3、采用非极大值抑制NMS算法对剩下的检测窗口进行非极大值抑制，得到最终检测结果。
步骤S3.1中，所述的采用多尺度自卷积MSA算法滤除干扰窗口的方法包含：
采用优化后的MSA去噪算法，将多像素点窗口导致的高分窗口滤除，优化形式由公式(15)描述；
其中，f是傅里叶变换，α、β、γ是尺度因子，且α+β+γ＝1，F(α，β)表示图像灰度值的数学期望，随α、β赋值的变化而变化，但相似图形在α、β确定时，其各自的F(α，β)总是接近的；
检测窗口内像素点首先会被连线、填充为区域块，然后计算并比较模板轮廓图像与检测窗口在几组(α，β)下仿射不变量的差值，若大于一定阈值，则定义此检测窗口为多像素点干扰窗口，对其滤除。
本发明提出具有旋转不变性的CPA集、SPM特征值与H向量特征的概念，能在复杂的机场背景和众多干扰物的情况下有效地对遥感图像中的飞机多目标进行检测，尤其是在对不同视距的遥感图像多目标检测中，综合准确率良好，且具有较强的适应性，召回率与查准率更高，且适用范围更为广泛。
附图说明
图1是本发明提供的一种基于旋转不变特征的遥感图像飞机目标检测方法的流程图。
图2是计算CPA集的示意图。
图3是计算SPM特征集和H向量的示意图。
图4是轮廓旋转后的中心质点示意图。
图5是本发明具体实施例中遥感飞机的图像。
图6是本发明具体实施例中遥感飞机图像的得分图。
图7是本发明具体实施例中原始飞机图像示意图。
图8是本发明具体实施例中最终检测结果示意图。
具体实施方式
以下根据图1～图8，具体说明本发明的较佳实施例。
如图1所示，本发明提供一种基于旋转不变特征的遥感图像飞机目标检测方法，包含以下步骤：
步骤S1、对于给定的模板轮廓图像T和待检测遥感飞机多目标图像I，对预处理(先将待检测遥感飞机多目标图像I转化为灰度图像，再对图像进行滤波去噪，最后再进行阈值化，得到轮廓二值图像)后的待检测遥感飞机多目标图像I按照模板轮廓图像T的尺寸(按照模板轮廓图像T的大小自左而右自上而言地，按照一定步长在待检测遥感飞机多目标图像I上滑动窗口，滑动步长根据模板轮廓图像T的大小决定，一般为模板轮廓图像T的大小的1/10)分成一定数量的作检测窗口W；
步骤S2、遍历整个待检测遥感飞机多目标图像I(自左而右，自上而下遍历遥感飞机多目标图像I预处理后的轮廓二值图像)，计算每一个检测窗口W的CPA(center-particalangle，中心质点角)集和割线投影矩(longest-secant projection moment，SPM)特征集，并根据SPM特征集计算每一个检测窗口W的H向量，将每一个检测窗口W的CPA集和H向量与模板轮廓图像T的CPA集和H向量进行比较，计算出每个检测窗口的得分并过滤掉低分窗口；
步骤S3、通过多尺度自卷积(Multi-Scale Autoconvolution，MSA)算法和非极大值抑制(on-Maximum Suppression，NMS)算法确定飞机最可能存在的位置集。
所述的步骤S2包含以下步骤：
步骤S2.1、计算每一个检测窗口W的CPA集，计算每一个检测窗口W的SPM特征集，继而计算出每一个检测窗口W的H向量；
步骤S2.2、将每一个检测窗口的CPA集与模板轮廓图像的CPA集进行逐个像素点比对，统计检测窗口内的可能位置点数量作为检测窗口的得分；
步骤S2.3、计算检测窗口的H向量与模板轮廓图像的H向量的相关度，滤除相关度低的检测窗口。
具体地，步骤S2.1中，所述的计算每一个检测窗口的CPA集的方法包含：
如图2所示，一幅大小为m×n的飞机轮廓图形，O为其中心点，P为其质点，A为其轮廓上任意点；
中心角
和质点角βA分别由公式(1)与公式(2)计算：
其中，(XOA，YOA)是A点与O点的相对坐标，(XPA，YPA)是A点与P点的相对坐标，S函数是为了将角度转换到[0，2π)范围内，如公式(3)所示：
其中，(X，Y)表示坐标，中心点O的坐标以及质点P的坐标分别由公式(5)和公式(5)表述：
其中，h为轮廓像素点总数，xi为每一个轮廓像素点的横坐标，yi为每一个轮廓像素点的纵坐标；
根据公式(1)和公式(2)即可计算出A点的中心质点角：
所述的步骤S2.1中，SPM特征集是一种新的具有旋转不变性的矩特征，称之为割线投影矩，并为了增加计算的简便性，将其转化成一维向量，定义为H向量。
所述的计算每一个检测窗口的SPM特征集和H向量的方法包含：
割线投影矩定义为：设轮廓图像中距离最远的两个点M、N所连成的直线为MN，则轮廓上任意一点A到MN的投影距离就称作割线投影矩；
如图3所示，M、N为轮廓上距离最远的两个点，A为轮廓上任意一点，AO⊥MN，AO即为A点的割线投影矩，其长度由公式(7)计算：
其中，Q1、Q2分别是M、N点的坐标，P是A点坐标，||x||2是x的2范数，如下式描述：
设H向量共有λ个元素，用图形轮廓最大割线投影矩SPM值减去最小SPM值，再除以H向量元素个数，得到分组区间大小gap：
再根据公式(10)对每一个SPM值进行分组，SPM对应H向量第k个分组：
其中，floor(x)表示不超过x的最大整数；
最后，统计各分组的元素个数，即是H向量对应分组的值，即H向量一共包含λ个元素，每个元素的值对应其区间范围内的SPM值数量，这样就得出了轮廓的SPM特征，其一维向量形式用H向量表征。
当轮廓目标发生旋转时，如图4所示，其轮廓上任意一点的中心角与质点角是相对不变的，即CPA具有旋转不变性。同时，对于任意不规则轮廓图形，每一个轮廓点与其中心质点角是一一对应的，即不存在多个可能的轮廓点具有相同的中心质点角，因此很容易分离出干扰像素点。采用一组中心质点角就可以表示任意不规则轮廓图形，从而大大提高了在复杂背景中对旋转不变性特征提取的鲁棒性。
步骤S2.2中，所述的统计检测窗口得分的方法包含：
将每一个检测窗口的CPA集与模板轮廓图像的CPA集进行比对，若模板轮廓图像内某一点A的CPA值可以在检测窗口的CPA集内寻找到绝对差值小于一定阈值的CPA值，那么检测窗口内这些CPA值所表征的点都被定义为可能位置点，如公式(11)所述：
WP＝{A′||θA′-θA|＜ε，A∈Tset}，A′∈Wset (11)
其中，Tset是模板内所有有效像素点，即Tset＝{(i，j)|T(i，j)＝1}，A是其中任意像素点，即A∈Tset，θA是A点的CPA值；Wset是检测窗口内所有的有效像素点，即Wset＝{(i，j)|W(i，j)＝1}，A′是其中任意像素点，θA′是A′点的CPA值，ε是阈值，WP是检测窗口内与A点相匹配的所有可能点；
如此遍历模板内所有有效像素点的CPA值，统计检测窗口内的可能点数量，即为该检测窗口当前得分数，用SW表示，见公式(12)：
SW＝∑WP (12)
步骤S2.3中，计算检测窗口的H向量与模板轮廓图像的H向量的相关度并滤除相关度低的检测窗口的方法包含：
采用皮尔逊系数(PPCs)计算检测窗口的H向量与模板轮廓图像的H向量的相关度：
范围为(0，1]；
若相关度大于一定阈值则给此窗口得分加分，若相关度低于一定阈值则直接将此检测窗口滤除，该过程由公式(14)描述：
其中δ和η是阈值，δ＞η，λ是增加的分数。
所述的步骤S3包含以下步骤：
步骤S3.1、采用多尺度自卷积MSA算法滤除干扰窗口；
步骤S3.2、将每个检测窗口的分数赋给此检测窗口的中心坐标，建立最终得分图；每个检测窗口的中心坐标，即为对应的待检测图像中这一点坐标的得分，得分越高表示这一点存在目标的可能性越大；
步骤S3.3、采用非极大值抑制NMS算法对剩下的检测窗口进行非极大值抑制，得到最终检测结果。
进一步，步骤S3.1中，所述的采用多尺度自卷积MSA算法滤除干扰窗口的方法包含：
采用优化后的MSA去噪算法，将多像素点窗口导致的高分窗口滤除，优化形式由公式(15)描述；
其中，f是傅里叶变换，α、β、γ是尺度因子，且α+β+γ＝1，F(α，β)表示图像灰度值的数学期望，随α、β赋值的变化而变化，但相似图形在α、β确定时，其各自的F(α，β)总是接近的；
检测窗口内像素点首先会被连线、填充为区域块，然后计算并比较模板轮廓图像与检测窗口在几组(α，β)下仿射不变量(简称MSA特征值)的差值，若大于一定阈值，则定义此检测窗口为多像素点干扰窗口，对其滤除。
所述的步骤S3.2中，将每个检测窗口的分数赋给此检测窗口的中心坐标，建立最终得分图，图6即是图5的得分图，若以不同颜色区别不同得分段，可以看出，图6中的显著区域正是图5中的飞机位置。
所述的步骤S3.3中，对整个得分图进行阈值判断，若以(x，y)为中心点的检测窗口得分大于一定阈值，则保留此检测窗口，得到目标可能存在的检测窗口集，再结合NMS算法对所有保留检测窗口进行非极大值抑制，进一步提高区域准确度，从而得到最终检测结果。
图7为谷歌地球遥感采集图例，其中包含各种场景下的飞机目标，也就是算法待检测图，图8对应图7图例通过本文算法检测后的效果示意图。
本发明提出具有旋转不变性的CPA集、SPM特征值与H向量特征的概念，能在复杂的机场背景和众多干扰物的情况下有效地对遥感图像中的飞机多目标进行检测，尤其是在对不同视距的遥感图像多目标检测中，综合准确率表现良好，且具有较强的适应性，召回率与查准率更高，且适用范围更为广泛，本发明提出的CPA集、SPM特征值与H向量特征的概念也同样适用于其他诸多场景中的多目标检测，如码头、停车场等。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (5)
1.一种基于旋转不变特征的遥感图像飞机目标检测方法，其特征在于，包含以下步骤：
步骤S1、按照模板轮廓图像的尺寸，将待检测遥感飞机多目标图像分成多个检测窗口；
步骤S2、遍历整个待检测遥感飞机多目标图像，计算每一个检测窗口的CPA集和割线投影矩SPM特征集，并根据SPM特征集计算每一个检测窗口的H向量，将每一个检测窗口的CPA集和H向量与模板轮廓图像的CPA集和H向量进行比较，计算出每个检测窗口的得分并过滤掉低分窗口；
步骤S3、通过多尺度自卷积MSA算法和非极大值抑制NMS算法确定飞机最可能存在的位置集；
所述的步骤S2包含以下步骤：
步骤S2.1、计算每一个检测窗口的CPA集，计算每一个检测窗口的SPM特征集，继而计算出每一个检测窗口的H向量；
步骤S2.2、将每一个检测窗口的CPA集与模板轮廓图像的CPA集进行逐个像素点比对，统计检测窗口内的可能位置点数量作为检测窗口的得分；
步骤S2.3、计算检测窗口的H向量与模板轮廓图像的H向量的相关度，滤除相关度低的检测窗口；
步骤S2.1中，所述的计算每一个检测窗口的CPA集的方法包含：
一幅大小为m×n的飞机轮廓图形，O为其中心点，P为其质点，A为其轮廓上任意点；
中心角
和质点角βA分别由公式(1)与公式(2)计算：
其中，(XOA,YOA)是A点与O点的相对坐标，(XPA，YPA)是A点与P点的相对坐标，S函数是为了将角度转换到[0,2π)范围内，如公式(3)所示：
其中，(X,Y)表示坐标，中心点O的坐标以及质点P的坐标分别由公式(4)和公式(5)表述：
其中，h为轮廓像素点总数，xi为每一个轮廓像素点的横坐标，yi为每一个轮廓像素点的纵坐标；
根据公式(1)和公式(2)即可计算出A点的中心质点角：
所述的步骤S2.1中，所述的计算每一个检测窗口的SPM特征集和H向量的方法包含：
割线投影矩定义为：设轮廓图像中距离最远的两个点M、N所连成的直线为MN，则轮廓上任意一点A到MN的投影距离就称作割线投影矩；
M、N为轮廓上距离最远的两个点，A为轮廓上任意一点，AO⊥MN，AO即为A点的割线投影矩，其长度由公式(7)计算：
其中，Q1、Q2分别是M、N点的坐标，A是A点坐标，||x||2是x的2范数，如下式描述：
设H向量共有λ1个元素，用图形轮廓最大割线投影矩SPM值减去最小SPM值，再除以H向量元素个数，得到分组区间大小gap：
再根据公式(10)对每一个SPM值进行分组，SPM对应H向量第k个分组：
其中，floor(x)表示不超过x的最大整数；
最后，统计各分组的元素个数，即是H向量对应分组的值，即H向量一共包含λ1个元素，每个元素的值对应其区间范围内的SPM值数量，这样就得出了轮廓的SPM特征，其一维向量形式用H向量表征。
2.如权利要求1所述的基于旋转不变特征的遥感图像飞机目标检测方法，其特征在于，步骤S2.2中，所述的统计检测窗口得分的方法包含：
将每一个检测窗口的CPA集与模板轮廓图像的CPA集进行比对，若模板轮廓图像内某一点A的CPA值可以在检测窗口的CPA集内寻找到绝对差值小于一定阈值的CPA值，将检测窗口内这些CPA值所表征的点都被定义为可能位置点，如公式(11)所述：
WP＝{A′||θA′-θA|＜ε，A∈Tset},A′∈Wset (11)
其中，Tset是模板内所有有效像素点，即Tset＝{(i,j)|T(i,j)＝1}，A是其中任意像素点，即A∈Tset，θA是A点的CPA值；Wset是检测窗口内所有的有效像素点，即Wset＝{(i,j)|W(i,j)＝1}，A'是其中任意像素点，θA′是A'点的CPA值，ε是阈值，WP是检测窗口内与A点相匹配的所有可能点；
如此遍历模板内所有有效像素点的CPA值，统计检测窗口内的可能点数量，即为该检测窗口当前得分数，用SW表示，见公式(12)：
SW＝∑WP (12)。
3.如权利要求2所述的基于旋转不变特征的遥感图像飞机目标检测方法，其特征在于，步骤S2.3中，计算检测窗口的H向量与模板轮廓图像的H向量的相关度并滤除相关度低的检测窗口的方法包含：
采用皮尔逊系数计算检测窗口的H向量与模板轮廓图像的H向量的相关度：
范围为(0,1]；
若相关度大于一定阈值则给此窗口得分加分，若相关度低于一定阈值则直接将此检测窗口滤除，该过程由公式(14)描述：
其中δ和η是阈值，δ>η，λ2是增加的分数。
4.如权利要求3所述的基于旋转不变特征的遥感图像飞机目标检测方法，其特征在于，所述的步骤S3包含以下步骤：
步骤S3.1、采用多尺度自卷积MSA算法滤除干扰窗口；
步骤S3.2、将每个检测窗口的分数赋给此检测窗口的中心坐标，建立最终得分图；
步骤S3.3、采用非极大值抑制NMS算法对剩下的检测窗口进行非极大值抑制，得到最终检测结果。
5.如权利要求4所述的基于旋转不变特征的遥感图像飞机目标检测方法，其特征在于，步骤S3.1中，所述的采用多尺度自卷积MSA算法滤除干扰窗口的方法包含：
采用优化后的MSA去噪算法，将多像素点窗口导致的高分窗口滤除，优化形式由公式(15)描述；
其中，f是傅里叶变换，α、β、γ是尺度因子，且α+β+γ＝1，F(α,β)表示图像灰度值的数学期望，随α、β赋值的变化而变化，但相似图形在α、β确定时，其各自的F(α,β)总是接近的；
检测窗口内像素点首先会被连线、填充为区域块，然后计算并比较模板轮廓图像与检测窗口在几组(α,β)下仿射不变量的差值，若大于一定阈值，则定义此检测窗口为多像素点干扰窗口，对其滤除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910035876.2A CN109767442B (zh) | 2019-01-15 | 2019-01-15 | 一种基于旋转不变特征的遥感图像飞机目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910035876.2A CN109767442B (zh) | 2019-01-15 | 2019-01-15 | 一种基于旋转不变特征的遥感图像飞机目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109767442A CN109767442A (zh) | 2019-05-17 |
| CN109767442B true CN109767442B (zh) | 2020-09-04 |
Family
ID=66453783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910035876.2A Expired - Fee Related CN109767442B (zh) | 2019-01-15 | 2019-01-15 | 一种基于旋转不变特征的遥感图像飞机目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109767442B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132773B (zh) * | 2019-06-24 | 2024-04-12 | 曜科智能科技（上海）有限公司 | 飞机头部机盖铆点缺陷检测方法、装置、设备和存储介质 |
| CN110910418B (zh) * | 2019-11-04 | 2022-08-05 | 北京理工大学 | 基于旋转不变性图像特征描述子的目标跟踪算法 |
| CN113538340A (zh) * | 2021-06-24 | 2021-10-22 | 武汉中科医疗科技工业技术研究院有限公司 | 目标轮廓的检测方法、装置、计算机设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663393A (zh) * | 2012-03-02 | 2012-09-12 | 哈尔滨工程大学 | 基于旋转校正的手指静脉图像感兴趣区域提取方法 |
| CN103942786A (zh) * | 2014-04-09 | 2014-07-23 | 北京航空航天大学 | 无人机可见光和红外图像的自适应团块目标检测方法 |
| CN104915949A (zh) * | 2015-04-08 | 2015-09-16 | 华中科技大学 | 一种结合点特征和线特征的图像匹配算法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103295183A (zh) * | 2013-05-17 | 2013-09-11 | 中国人民解放军空军装备研究院侦察情报装备研究所 | 多尺度自卷积快速变换算法的应用方法及装置 |
| CN103985120A (zh) * | 2014-05-13 | 2014-08-13 | 西北工业大学 | 一种遥感图像多目标关联的方法 |
-
2019
- 2019-01-15 CN CN201910035876.2A patent/CN109767442B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663393A (zh) * | 2012-03-02 | 2012-09-12 | 哈尔滨工程大学 | 基于旋转校正的手指静脉图像感兴趣区域提取方法 |
| CN103942786A (zh) * | 2014-04-09 | 2014-07-23 | 北京航空航天大学 | 无人机可见光和红外图像的自适应团块目标检测方法 |
| CN104915949A (zh) * | 2015-04-08 | 2015-09-16 | 华中科技大学 | 一种结合点特征和线特征的图像匹配算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109767442A (zh) | 2019-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107967482A (zh) | 图标识别方法及装置 | |
| CN106981077B (zh) | 基于dce和lss的红外图像和可见光图像配准方法 | |
| CN106778551B (zh) | 一种高速路段及城市道路车道线识别方法 | |
| CN109767442B (zh) | 一种基于旋转不变特征的遥感图像飞机目标检测方法 | |
| CN113076802B (zh) | 基于缺少断开图像样本的变电站开关分合状态图像识别方法 | |
| Hu et al. | Local edge distributions for detection of salient structure textures and objects | |
| CN109858438B (zh) | 一种基于模型拟合的车道线检测方法 | |
| CN111091111A (zh) | 一种车底危险目标识别方法 | |
| Zhang et al. | Saliency-driven oil tank detection based on multidimensional feature vector clustering for SAR images | |
| CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
| CN113436218B (zh) | 基于高斯滤波与均值滤波的sar图像边缘检测方法 | |
| Huang et al. | SAR and optical images registration using shape context | |
| CN114581658A (zh) | 一种基于计算机视觉的目标检测方法及装置 | |
| CN110796677B (zh) | 一种基于多波段特性的卷云虚警源检测方法 | |
| Jiao et al. | A novel and fast corner detection method for sar imagery | |
| Ye et al. | Fast and robust structure-based multimodal geospatial image matching | |
| Zhang et al. | Region-of-interest extraction based on spectrum saliency analysis and coherence-enhancing diffusion model in remote sensing images | |
| Wu et al. | Image Edge Detection Based on Sobel with Morphology | |
| CN115035350B (zh) | 一种基于边缘检测增强的对空地、地面背景小目标检测方法 | |
| Poornima et al. | A method to align images using image segmentation | |
| Liu et al. | SAR image matching based on speeded up robust feature | |
| Priyadharshini et al. | Automatic registration of images with simulated rotation and translation estimation using HAIRIS | |
| Huang et al. | An automatic detection and recognition method for pointer-type meters in natural gas stations | |
| Wu et al. | An accurate feature point matching algorithm for automatic remote sensing image registration | |
| Ye et al. | Improved edge detection algorithm of high-resolution remote sensing images based on fast guided filter |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200904 |