CN109815807B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109815807B CN109815807B CN201811555659.8A CN201811555659A CN109815807B CN 109815807 B CN109815807 B CN 109815807B CN 201811555659 A CN201811555659 A CN 201811555659A CN 109815807 B CN109815807 B CN 109815807B
- Authority
- CN
- China
- Prior art keywords
- edge
- port
- edge line
- ship
- gradient
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了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。首先,基于多尺度多结构元素形态学滤波实现海陆分割,并结合遥感图像中港口的矩形形状特点,定义边缘点梯度正切角和港口凹凸度特征对港口进行定位,获取港口感兴趣区域集合。然后提取船舶目标的聚合通道特征,构建基于聚合通道特征的船舶样本训练库,并利用AdaBoost算法完成分类器的训练,利用训练完成后的分类器完成船舶目标的最终判别确认。本发明可从大尺度遥感图像中快速定位港口,港口定位无需获取地理先验信息和进行大量特征匹配计算,同时利用聚合通道特征充分反映船舶特性,解决靠岸港口背景对船舶检测的严重干扰问题,同时可以检测多种类别的船舶且适用范围大。
Description
技术领域
本发明属于遥感图像目标检测领域,更具体地,涉及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。
背景技术
船舶作为海上航运的重要载体,对其进行有效的监测更便于了解海域的航运状况。近年来遥感技术水平的不断提高使得光学遥感图像有着越来越高的分辨率,光学遥感图像包含大量的可视化信息,不仅可以在船舶检测领域用于探测非金属材质的船舶和利用表面涂层与特殊结构设计对雷达进行隐身的船舶,完成以往合成孔径雷达不能完成的船舶探测任务;还可以提供大量和视觉感知相近的图像细节信息,便于人工解译。开展光学遥感图像船舶目标检测识别技术对发挥光学遥感卫星在监视海运交通、维护海洋权益、海上救援、提高海防预警能力的作用方面有着重要意义。
对于光学遥感图像下的船舶检测技术,由于光学遥感图像获取的图像地理覆盖范围大,图像中会同时具备陆地场景和海洋场景,且船舶目标在图像中所占据的图像区间较小。对于一张地理覆盖范围大的遥感图像,单个船舶目标所占据的区间不及图像总尺寸的百分之一,故基于光学遥感图像的船舶检测需要先定位船舶存在区域,再基于定位的区域对船舶进行检测。
在大范围的遥感图像中检测船舶目标,结合船舶目标具有航行和停靠的两种活动状态,船舶目标检测主要具有两种检测场景,一种检测场景为纯海洋场景,另一种为靠岸场景。对应船舶航行状态的纯海洋场景,此时船舶检测场景为颜色单一的海洋区域,由于海域场景比较单一而且陆地和船舶的灰度值普遍高于海洋区域的灰度值,使得船舶目标在图像灰度和遥感特性上有着区别于海洋场景的突出特点,纯海洋场景下的船舶检测在遥感图像中先利用海陆分割技术区分低灰度值的海洋区域和高灰度值的陆地区域,由于存在于海洋区域中的船舶目标具有比海洋区域高的灰度值,基于低灰度值的海洋区域进一步检测船舶目标,可以根据船舶的高灰度值和轮廓特征,便可以完成海洋背景的船舶检测。故海洋场景下的船舶检测技术难度不大。
而对于靠岸场景,由于船舶停靠在港口中,导致船舶目标和陆地场景连接在一起,利用纯海洋场景的海陆分割技术区分的海洋区域和陆地区域,高灰度值的船舶目标不再存在于低灰度值的海洋区域,而存在于高灰度值的陆地区域中,故在靠岸场景中船舶目标不仅和陆地区域连接在一起,而且根据灰度特征很难区分出陆地场景和船舶目标。故海洋场景下的船舶检测技术和靠岸场景下的船舶检测技术,在区分船舶目标和场景的技术方面有着本质的不同。故纯海洋场景下的船舶检测技术对于靠岸场景下的船舶检测技术有着明显区别。
同时,纯海洋背景下的船舶检测技术只需考虑单一的海洋场景,而靠岸场景下的船舶检测除了考虑海洋场景的存在,还需考虑港口码头等大量人工目标。考虑到港口一般为矩形形状,而船舶的轮廓也接近矩形形状(除了船首有一定圆弧度),故船舶目标除了和码头这些陆地人工目标有着相近的高灰度值特征,还和码头港口这些人工目标有着相近的形状轮廓特征。故与码头港口这些矩形形状的人工目标相比,船舶目标在形状和图像灰度不具有特别突出的特点,这些人工目标复杂场景的存在使得靠岸船舶目标检测一直是遥感图像船舶检测中的难点。
当前港口场景下船舶目标检测需要依据遥感图像先进行港口定位,定位出船舶目标停靠的港口区域之后,再基于提取出的港口区域进行船舶检测。目前,现有靠岸船舶检测方法主要不足主要包括:
(1)对于港口区域定位的研究上,研究方法主要分为基于港口先验信息的配准和基于港口几何特征的定位方法。基于港口先验信息配准的方法,需要事先获取港口模板图像并与待配准的港口图像进行特征匹配计算,即需要先获取待检测的港口图像,在检测某一港口之前需要建立该港口的港口模板知识库,所以很难定位没有记录在模板知识库的港口,对先验模板图像依赖性大。基于港口几何特征的定位方法一般利用港口的线特征、差分链码、角点特征,这些特征计算量较大且对噪声较为敏感,不利于实时性。
(2)对于港口船舶目标检测算法,研究方法主要分为基于角点和形状特征的检测方法。基于角点的检测方法依据船舶目标船首V型的特点,通过检测船舶的V型船首来定位船舶。该方法在角点检测的基础上利用船首的局部特征进行船舶检测,但检测时只能基于定位好的港口区域图像,没有在遥感图像中完成港口的区域定位,而是默认港口已经存在于待检测的区域图像中,而且该方法只能检测出具有尖V型角的船舶,检测的船舶类型比较单一。专利CN201610382461-一种多分辨层次化筛选的遥感图像港口船舶检测方法提出的利用突异检测方法和Harris角点检测方法来疑似船舶的船首特征的方法,容易把船首和矩形码头角点等其它干扰角点混淆在一起。不能很好地区分船舶目标和与船舶形状相似的码头目标。
基于形状特征的检测方法是在图像配准定位港口区域的基础上,在二值化的遥感图像上提取船舶目标的轮廓边缘线,对其轮廓形状特征进行分析。这样提取船舶目标,需要先对遥感图像进行二值化分割,较为依赖高度准确的图像海陆分割效果。由于海陆二值化分割高度依赖于陆地和海洋的灰度差异,对于具有复杂场景的陆地场景很难完成精准的海陆二值化分割,故该方法有一定局限性。专利CN201810100959-一种基于直线段检测和形状特征的靠岸船舶检测方法在检测靠岸船舶时提出的在海陆遥感二值图像上根据船舶头部候选点确定船舶方向以及船身尺寸的方法,需要依赖高度准确的海陆二值化分割图,对于复杂场景的遥感图像有一定局限性。
发明内容
针对现有技术在港口定位时需要依赖先验港口模板信息库且不能定位没有记录在模板知识库的港口、几何特征定位计算量大且特征对噪声较为敏感;在船舶检测时较为依赖高度准确的海陆二值化分割效果以及角点方法检测的船舶类型较为单一且干扰多等问题,本发明提出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来解决这些问题。
其中所述的边缘线分析方法,是在对遥感图像进行海陆分割提取大致海陆边缘线的基础上,定义港口边缘点梯度正切角特征和港口凹凸度特征对海陆边缘线进行特征点筛选以定位出港口区域。基于港口边缘点梯度正切角特征和港口凹凸度特征的边缘线分析方法无需提前获取港口先验地理信息,且特征计算量小,在定位港口区域时不需要港口模板先验信息库和繁杂的特征配准计算。
所述的聚合通道特征在遥感原图像中充分提取了船舶目标完整的形状轮廓特征以及内部纹理信息,不需要依赖精准的海陆二值化分割,而是充分利用了遥感原图像中丰富的细节信息,对船舶目标的轮廓形状特征和内部部纹理信息进行描述的聚合通道特征可以在船舶检测的过程中较好地区分船舶目标和与船舶形状相似的码头目标。对于靠岸场景下的船舶检测,基于聚合通道特征和Adaboost算法训练的分类器不仅可以有效区分船舶和其它人工干扰目标,还可以检测多种形状的船舶,且不依赖GIS系统。
本发明针对光学遥感图像下的船舶检测问题提出的方法在港口定位时不需要依赖先验港口模板信息库而且特征定位计算量小且噪声抗干扰性强,在船舶检测时不需要依赖精准的海陆二值化分割,充分利用了遥感原图像中丰富的细节信息,并且可以检测多种形状的船舶,且不依赖GIS系统。
本发明所采用的技术方案是,所述基于边缘线分析和聚合通道特征的靠岸船舶检测方法,包括:
步骤1,在原始高分辨率光学遥感图像上进行图像预处理,之后基于多尺度多结构元素形态学滤波实现海陆分割得到海陆二值化分割图;
步骤2,对海陆二值化分割图进行边缘线提取得到海陆边缘线,对提取出的海陆边缘线进行边缘线分析,结合遥感图像中港口的矩形形状特点,定义边缘点梯度正切角特征和港口凹凸度特征对港口进行定位,利用基于边缘点梯度正切角特征和港口凹凸度特征的边缘线分析方法获取港口区域;
步骤3,提取船舶目标的聚合通道特征,并通过聚合通道特征构建的样本训练库完成分类器训练,利用训练好的分类器在港口区域下区分船舶目标和干扰目标,完成船舶目标的最终判别确认。
所述步骤1中图像预处理的具体实现方式为:
利用中值滤波器和均值滤波器对原始高分辨率光学遥感图像进行滤波处理,去除原始光学遥感图像中的随机噪声干扰。
进一步的,基于多尺度多结构元素形态学滤波实现海陆分割的具体实现方式为:
定义0度、45度、90度及135度的形态学线结构算子,在三种尺度上对图像预处理之后的遥感图像进行形态学开、闭运算,所得图像各像素点的灰度值与原始图像各像素点的灰度值相加。对相加后的图像利用OSTU分割算法进行海陆分割,得到原始光学遥感图像的海陆二值化分割图。
进一步的,所述对海陆二值化分割图进行边缘线提取的具体实现方式为:
定义矩形卷积核对海陆二值化分割图进行卷积运算得到突出港口形状的边缘线,提取边缘线点的二维坐标得到边缘点坐标数组。同时为了去除边缘线上的噪声点,对边缘点坐标数组进行平滑卷积运算,得到最终的海陆边缘线;
更进一步的,所述的边缘点坐标数组的表现形式为:
边缘线点坐标数组A={(x1,y1),(x2,y2),…,(xn,yn)},每一个边缘点由该边缘点在图像中的像素点坐标(x,y)表示,n为边缘点的总数量。
进一步的,步骤2包括:
步骤2-1,对海陆二值化分割图进行边缘线提取得到海陆分割线;
步骤2-2,对提取出的海陆边缘线进行边缘线分析,结合遥感图像中港口的矩形形状特点,定义边缘点梯度正切角特征和港口凹凸度特征对港口进行定位,利用基于边缘点梯度正切角特征和港口凹凸度特征的边缘线分析方法获取港口区域。
进一步的,所述基于边缘点梯度正切角特征和港口凹凸度特征的边缘线分析方法的具体实现方式为:
基于港口形状为矩形形状的特点,考虑到矩形形状的四个角的角度为90度,利用边缘点梯度正切角特征筛选出边缘线上符合角度为90度的角点,在此基础上,为了去除不是港口区域中的90度角点,结合矩形形状长宽比值关系,定义港口凹凸度特征来进一步筛选出位于港口区域的90度角点,从而定位港口区域。
进一步的,所述的梯度正切角特征具体实现方式为:对于海陆分割提取出的边缘线,其边缘线点坐标数组A={(x1,y1),(x2,y2),…,(xn,yn)};对应的边缘线点一阶梯度dA={d1,d2,…,dn};n为边缘线点的数目。
边缘线分析方法提出的边缘点梯度正切角特征如公式(1)所示,其中di表示第i个边缘点的一阶梯度,θi表示第i个边缘点的梯度正切角。利用公式(1)依次对各边缘点计算其梯度正切角θ,由于矩形形状的拐点处相邻边缘线的梯度正切角θ理论上接近90度,利用90°-β<θ<90°从边缘线数组中筛选出符合θ范围的点,其中5°<β<10°。依据筛选出符合90°-β<θ<90°范围的边缘点集合P={g1,g2,…,gn},gi表示第i个符合条件的90度边缘点:
更进一步的,边缘线点一阶梯度的具体实现方式如公式(2)所示,其中di表示第i个边缘点的一阶梯度,xi和yi为第i个边缘点的边缘线点坐标。
进一步的,对于所述的港口凹凸度特征,其具体实现为:边缘线分析方法提出的港口凹凸度特征如公式(3)所示。其中l(gi,gi+3)为90度边缘点gi和gi+3之间的边缘线长度,d(gi,gi+3)为90度gi和gi+3之间的空间距离。所述的拐点之间的边缘线长度用边缘线上的像素点表示,拐点之间的空间距离用拐点坐标之间的欧式距离表示。所述检测的港口长宽比尺寸为3∶1到10∶1,利用7<B<21从边缘线数组中筛选出范围的点。将筛选出的港口拐点为中心点框取矩形区域可获取可疑港口区域,实现港口定位。
进一步的,步骤3包括:
步骤3-1提取船舶目标的聚合通道特征。
在定位出港口区域的基础上,提取船舶目标的聚合通道特征。进一步的,所述的聚合通道特征包括HSV颜色通道特征、梯度幅度特征和梯度方向特征。其中梯度方向特征可以有效描述船舶目标的轮廓形状特征,HSV颜色通道特征和梯度幅度特征可以有效描述船舶目标的局部纹理特征。
其中所述的HSV颜色通道特征由公式(4)(5)(6)求得,其中R、G、B为图像的RGB颜色通道特征,max=max(R,G,B)即RGB三个颜色通道的最大值,min=min(R,G,B)即RGB三个颜色通道的最小值,如果求取的H为负则H=H+360。
V=max (6)
进一步的,所述梯度幅度特征由公式(7)(8)(9)求得,其中f(x,y)为图像对应(x,y)坐标点的像素值,Gx(x,y)为图像像素点(x,y)水平方向的梯度幅值,Gy(x,y)为图像像素点(x,y)垂直方向的梯度幅值,G(x,y)为图像像素点总的梯度幅值,为图像的梯度方向。
Gx(x,y)=f(x+1,y)-f(x-1,y) (7)
Gy(x,y)=f(x,y+1)-f(x,y-1) (8)
进一步的,所述梯度方向特征由公式(10)求得,为图像的梯度方向。在提取梯度方向特征前,先对船舶目标区域进行canny边缘检测,依照边缘图提供的边缘信息,通过统计边缘点的方向梯度来构建船舶目标的梯度方向特征,共采取0度、30度、60度、90度、120度以及150度六个方向的方向梯度特征。其中梯度90度方向为码头和船的主轴方向。
步骤3-2,通过聚合通道特征构建的样本训练库完成分类器训练。
进一步的,分类器训练用AdaBoost算法实现。通过提取船舶目标的聚合通道特征构建分类器训练所需的正样本和负样本集合,其中,正样本为典型的船舶目标图像,尺寸为200pixel*60pixel到500pixel*150pixel。负样本为码头、海岛、陆地区域建筑物等非船舶目标,尺寸为200pixel*60pixel到500pixel*150pixel。训练多层级联分类器。AdaBoost算法选定的基学习器为CART决策树模型。
步骤3-3,利用训练好的分类器在港口区域下区分船舶目标和干扰目标,完成船舶目标的最终判别确认。
进一步的,基于边缘梯度正切角和港口凹凸度特征对港口进行定位所获得的港口区域集合,利用训练完成的分类器对港口区域进行滑动窗口检测,约束船舶目标长宽比10∶3,故检测窗口尺寸比为10∶3,检测窗口最小尺度为200pixel∶60pixel,最大尺度为500pixel∶150pixel。从区域的左上角到右下角依次滑动检测。滑动窗口检测所得检测船舶利用交并比特征去除重复窗口,获得最终检测结果。
更进一步的,对于两个重复的检测窗口,利用其交集面积和并集面积比,设定交并比阈值为0.3,去除重复检测窗口。
通过本发明构思的技术方案与现有技术相比,具有下列优点:
(1)本发明提出的基于港口拐点梯度正切角特征和港口凹凸度特征的边缘线分析方法无需提前获取港口先验地理信息,无需依赖GIS系统,便可以定位港口区域。所述的边缘线分析方法不需要港口模板先验信息库和繁杂的特征配准计算。
(2)在检测港口中的船舶目标时,本发明提出的聚合通道特征不需要依赖精准的海陆分割,而是充分利用原图中船舶目标的形状轮廓和局部纹理特征构造其聚合通道特征,从而有效判别船舶目标特征。
(3)本发明在定位港口区域时,只对边缘线上的边缘点进行特征检测,无需遍历全图像检测。后续的船舶检测是在提取出的港口区域中进行的,提高了检测速度的同时也减小了检测干扰。
附图说明
图1是本发明实施例提供的基于边缘线分析和聚合通道特征的靠岸船舶检测方法流程图。
图2是本发明实施例提供的原始遥感图像。
图3是本发明实施例提供的用于形态学滤波的0度、45度、90度、135度的线结构算子。
图4是本发明实施例提供的海陆分割效果图。
图5(a)是本发明实施例提供的形态学滤波前海陆灰度分布对比图。
图5(b)是本发明实施例提供的形态学滤波后海陆灰度分布对比图。
图6(a)是本发明实施例提供的矩形卷积核算子。
图6(b)是本发明实施例提供的海陆边缘线图。
图7(a)是本发明实施例提供的典型的港口区域。
图7(b)是本发明实施例提供的港口简化图。
图8是本发明实施例提供的海陆边缘线提取的港口拐点分布图。
图9是本发明实施例提供的提取出部分含有船舶目标的港口可疑区域。
图10(a)是本发明实施例提供的船舶目标聚合通道特征图。
图10(b)是本发明实施例提供的码头目标聚合通道特征图。
图11是本发明实施例提供的船舶检测结果图。
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,下面结合附图及实施例对本发明提供的基于边缘线分析和聚合通道特征的靠岸船舶检测方法进行详细说明。应当说明,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
本发明实施例,基于边缘线分析和聚合通道特征的靠岸船舶检测方法,如图1所示,包括:
步骤1在原始高分辨率光学遥感图像上进行图像预处理,之后基于多尺度多结构元素形态学滤波实现海陆分割得到海陆二值化分割图;
步骤2对海陆二值化分割图进行边缘线提取得到海陆边缘线,对提取出的海陆边缘线进行边缘线分析,结合遥感图像中港口的矩形形状特点,定义边缘点梯度正切角特征和港口凹凸度特征对港口进行定位,利用基于边缘点梯度正切角特征和港口凹凸度特征的边缘线分析方法获取港口区域;
步骤3提取船舶目标的聚合通道特征,并通过聚合通道特征构建的样本训练库完成分类器训练,利用训练好的分类器在港口区域下区分船舶目标和干扰目标,完成船舶目标的最终判别确认。
其中步骤1包括:采用中值滤波器和均值滤波器对如图2所示的原始图像进行预处理,得到去除噪声后的图像,并利用如图3所示的0度、45度、90度、135度的线形态学结构特征对图像进行多尺度形态学开闭运算,利用OTSU算法将形态学滤波后的图像进行海陆分割,得到如图4所示的海陆分割效果图。
具体的,光学遥感图像成像过程受天气、光照、海况、成像传感器参数等多种因素影响。获取的光学遥感图像会受到拍摄时间、天气状况、成像角度、船舶本身材料的光学反射特性等因素的影响。导致同一地点不同时刻拍摄的光学遥感图像在图像灰度特征上相差较大。这些因素的影响造成光学遥感图像的噪声干扰主要是高斯噪声和椒盐噪声。采用中值滤波器和均值滤波器可以有效地去除高斯噪声和椒盐噪声,具体到实施例中,采用3*3和5*5两种滤波器模板尺寸对图像进行滤波器处理。
进一步的,港口一般依据海岸线而建,港口存在的图像一般具有海陆并存的特点。陆地复杂的地物在船舶目标检测过程造成的干扰不可避免。海陆分割的重点在于区分灰度值较低的海洋区域和灰度值较高的陆地和船舶目标区域。如图5(a)所示,相比于灰度分布相对集中的海洋区域,陆地区域不仅灰度值偏高而且分布范围较广,这主要因为是复杂陆地地貌的存在使得陆地的灰度分布变化较大。复杂多样陆地地貌的存在不利于海陆分割。结合陆地边缘轮廓通常是直线或直线相交角的组合,本文选择的多样化形态学结构算子分别是0度、45度、90度、135度的线形态学结构特征。利用四个方向角度的线结构特征对图像进行形态开、闭组合运算,以擦除突兀边缘的干扰,具体到实施例中,采用3*3、5*5、7*7三种尺度的线结构算子对图像进行形态学滤波。形态学滤波过程如公式(1)所示。
其中,w为加权系数,b为线结构算子,j为结构算子的数目,i为结构算子尺度的数目,f为图像。
进一步的,如图5(b)所示,对图2所示的遥感图像进行形态学滤波后,图像中的灰度分布明显分成低灰度值海洋区域和高灰度值陆地区域及船舶目标区域的双峰分布。最大类间差法作为一种根据图像中场景与目标的灰度分布特性自适应确定阈值的方法,对于灰度分布呈双峰状的图像有很好的分割效果。故在多结构形态学滤波的基础上利用最大类检查法进行分割。
具体地,最大类间差法(OSTU)对于灰度图像f(x,y)尺寸为M×N,其总的灰度值数目为L,对于图像中小于某一灰度值L的图像像素数目为N0,其灰度均值为μ0;对于图像中大于某一灰度值L的图像像素数目为N1,其灰度均值为μ1。图像的总平均灰度记为μ,类间方差为v。
对于所有的灰度值数目为L,计算公式(2)和(3),求出使类间方差v最大的灰度值将其作为图像分割的阈值。具体到实施例中,在图像的灰度值区间[0,127]共有128个灰度值数目,对于这128个灰度值求取是类间方差v最大的灰度值。
步骤2包括:
步骤2-1,对海陆二值化分割图进行边缘线提取得到海陆边缘线。
经过海陆分割得到海陆分割二值图,考虑港口形状为狭长的矩形形状,利用图6(a)所示的矩形卷积核对海陆分割二值图进行卷积,提取出边缘线,同时突出港口的的形状。
其中,l为海陆分割二值图,为结构算子,i为结构算子的数目。利用公式(4)对海陆分割二值图进行卷积。具体到实施例中,采用3*3尺度的矩形卷积核对如图4所示的海陆分割效果图进行卷积提取边缘线。提取的边缘线图如图6(b)所示。
进一步的,对提取的边缘线利用矩形卷积核作用之后,考虑到边缘线细小的突起会被放大,之后需要进行滤波处理。为了提高处理速度,可直接提取出边缘线坐标数组,基于边缘线坐标数组进行处理,而不再基于二维图像处理。边缘线点坐标数组A={(x1,y1),(x2,y2),…,(xn,yn)},每一个边缘点由该边缘点在图像中的像素点坐标(x,y)表示,n为边缘点的总数量。为了平滑边缘线数组,只需定义一维卷积核进行平滑处理。通过一维卷积核的平滑处理,可以去除边缘的小突起。具体到实施例中,采用1*5尺度的一维均值卷积核对提取出的边缘线数组进行去噪处理。
步骤2-2,对提取出的海陆边缘线进行边缘线分析,结合遥感图像中港口的矩形形状特点,定义边缘点梯度正切角特征和港口凹凸度特征对港口进行定位,利用基于边缘点梯度正切角特征和港口凹凸度特征的边缘线分析方法进行港口区域定位。基于港口形状为矩形形状的特点,考虑到矩形形状的四个角的角度为90度,利用边缘点梯度正切角特征筛选出边缘线上符合角度为90度的角点,在此基础上,为了去除不是港口区域中的90度角点,结合矩形形状长宽比值关系,定义港口凹凸度特征来进一步筛选出位于港口区域的90度角点,从而定位港口区域。
进一步的,图7(a)为典型的港口区域,图7(b)为港口简化图,从图7(b)可以看出港口矩形形状拐点处相邻边缘点间斜率关系为垂直关系。结合边缘的梯度及相交的正切角进行判定,以提取出可疑拐点,从而依据可疑拐点提取出可能含有船舶目标的近岸港口区域。提取出的边缘线点坐标数组A={(x1,y1),(x2,y2),…,(xn,yn)};对应的边缘线点一阶梯度dA={d1,d2,…,dn};n为边缘线点的数目。相邻边缘线的梯度正切角特征如公式(5)所示。具体应用到实施例,对提取边缘线点坐标数组依次逐点求取梯度,再基于梯度数组求得各点的梯度正切角θ。由于矩形形状的拐点处相邻边缘线的梯度正切角θ理论上接近90度,利用90°-β<θ<90°从边缘线数组中筛选出符合θ范围的点,其中5°<β<10°。依据筛选出符合90°-β<θ<90°范围的拐点集合P={g1,g2,…,gn},gi表示第i个拐点。
边缘线点一阶梯度的具体实现方式如公式(6)所示,其中di表示第i个边缘点的一阶梯度,xi和yi为第i个边缘点的边缘线点坐标。
进一步的,港口凹凸度特征的具体实现为边缘线分析方法提出的港口凹凸度特征如公式(7)所示。其中l(gi,gi+3)为90度边缘点gi和gi+3之间的边缘线长度,d(gi,gi+3)为90度gi和gi+3之间的空间距离。所述的拐点之间的边缘线长度用边缘线上的像素点表示,拐点之间的空间距离用拐点坐标之间的欧式距离表示。所述检测的港口长宽比尺寸为3∶1到10∶1,利用7<B<21从边缘线数组中筛选出范围的点。将筛选出的港口拐点为中心点框取矩形区域可获取可疑港口区域,实现港口定位。
具体应用到实际例中,拐点之间的边缘线长度用边缘线上的像素点个数表示,拐点之间的空间距离用拐点坐标之间的欧式距离表示。对提取出的拐点集合依次逐点判别,设定符合港口形状的凹凸度阈值,选出港口区域点。图8所示为海陆边缘上提取的港口拐点分布图,将筛选出的港口拐点为中心点框取矩形区域可获取港口可疑区域,图9为提取出的部分含有船舶目标的港口可疑区域。
步骤3包括:
步骤3-1,提取船舶目标聚合通道特征.所述的聚合通道特征包括HSV颜色通道特征、梯度幅度特征和梯度方向特征。其中梯度方向特征可以有效描述船舶目标的轮廓形状特征,HSV颜色通道特征和梯度幅度特征可以有效描述船舶目标的局部纹理特征。
在港口中停靠的船舶目标与码头平行停靠在一起,图像二值化会导致船舶区域与码头区域相连,且码头与船舶均为刚性对称目标,码头为矩形形状,船舶为长条形且船首有尖角。为了合理区分船舶目标和码头目标,利用聚合通道特征来表征船舶目标更多的细节信息。聚合通道特征结合了图像多种特征通道:HSV颜色通道、梯度幅值、方向梯度直方图。这些通道能从不同的角度对图像信息进行描述。
具体的,HSV颜色通道特征由公式(8)(9)(10)求得,其中R、G、B为图像RGB的颜色通道特征,min=min(R,G,B),max=max(R,G,B),如果求取的H为负则H=H+360。梯度幅度特征由公式(11)(12)(13)求得,其中f(x,y)为图像对应(x,y)坐标点的像素值,Gx(x,y)为图像像素点(x,y)水平方向的梯度幅值,Gy(x,y)为图像像素点(x,y)垂直方向的梯度幅值,G(x,y)为图像像素点总的梯度幅值,为图像的梯度方向。
V=max (10)
Gx(x,y)=f(x+1,y)-f(x-1,y) (11)
Gy(x,y)=f(x,y+1)-f(x,y-1) (12)
进一步的,在依据公式(14)提取方向梯度直方图特征前,先对船舶目标区域进行canny边缘检测,依照边缘图提供的边缘信息,通过统计边缘点的方向梯度来构建船舶目标的方向梯度直方图特征,共采取0度、30度、60度、90度、120度以及150度六个方向的方向梯度特征。其中梯度90度方向为码头和船的主轴方向。具体应用到本实施例,截取只含有目标的图像区域图片,基于区域图片的灰度值在RGB三个通道,依据公式(8)(9)(10)提取HSV颜色通道特征。对于梯度幅值特征,对区域图片的像素点依据公式(11)(12)逐点提取各个像素点的水平梯度和垂直梯度,再利用水平梯度值和垂直梯度值依据公式(13)计算区域图片内各像素点的梯度幅值特征。对于方向梯度直方图特征的提取,先利用canny边缘算子提取目标区域图片的边缘图,依照边缘图提供的边缘信息,通过统计边缘点的方向梯度来构建船舶目标的方向梯度直方图特征,共采取0度、30度、60度、90度、120度以及150度六个方向的方向梯度特征,其中梯度90度方向为码头和船的主轴方向。提取的船舶目标聚合通道特征如图10(a)所示,提取的码头目标聚合通道特征如图10(b)所示。
步骤3-2,通过聚合通道特征构建的样本训练库完成分类器训练。分类器训练用AdaBoost算法实现。通过提取船舶目标的聚合通道特征构建分类器训练所需的正样本和负样本集合,其中,正样本为典型的船舶目标图像,尺寸为200pixel*60pixel到500pixel*150pixel。负样本为码头、海岛、陆地区域建筑物等非船舶目标,尺寸为200pixel*60pixel到500pixel*150pixel。训练多层级联分类器。AdaBoost算法选定的基学习器为CART决策树模型。
步骤3-3,利用训练好的分类器在港口区域下区分船舶目标和干扰目标,完成船舶目标的最终判别确认。基于边缘梯度正切角和港口凹凸度特征对港口进行定位所获得的港口区域集合,利用训练完成的分类器对港口区域进行滑动窗口检测,约束船舶目标长宽比10∶3,故检测窗口尺寸比为10∶3,检测窗口最小尺度为200pixel∶60pixel,最大尺度为500pixel∶150pixel。从区域的左上角到右下角依次滑动检测。滑动窗口检测所得检测船舶利用交并比特征去除重复窗口,获得最终检测结果。
在港口区域定位获取的可疑港口区域中,利用训练完成的分类器对可疑区域进行滑动窗口检测并去除重复窗口。具体应用到实施例,约束船舶目标长宽比10:3,故检测窗口长宽尺寸比为10∶3,检测窗口长宽最小尺度为200pixel∶60pixel,最大尺度为500pixel∶150pixel。从区域的左上角到右下角依次滑动检测。对于重复的检测窗口,利用其交集面积和并集面积比,设定交并比阈值为0.3,去除重复检测窗口,获得最终检测结果。如图11所示为实施例的检测结果。
本发明实施例的方法,对比现有技术,无需提前获取港口先验地理信息,在定位港口区域时不需要港口模板先验信息库和繁杂的特征配准计算,只对边缘线上的边缘点进行特征检测,无需遍历全图像检测;在检测港口中的船舶目标时,不需要依赖精准的海陆分割,而是充分利用原图中船舶目标的灰度纹理特征构造其聚合通道特征,检测是在提取出的港口区域中进行的,提高了检测速度的同时也减小了检测干扰,从而有效判别船舶目标特征。
本发明实施例所示的附图说明,可使本发明的目的、技术方案及优点介绍得更加清楚明白。应当说明,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。凡在本发明提供的方法思路和原则之内所作的等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种基于边缘线分析和聚合通道特征的靠岸船舶检测方法,其特征在于,包括:
(1)在原始高分辨率光学遥感图像上进行图像预处理,之后基于多尺度多结构元素形态学滤波实现海陆分割得到海陆二值化分割图;
(2)对海陆二值化分割图进行边缘线提取得到海陆边缘线,对提取出的海陆边缘线进行边缘线分析,结合遥感图像中港口的矩形形状特点,定义边缘点梯度正切角特征和港口凹凸度特征对港口进行定位,利用基于边缘点梯度正切角特征和港口凹凸度特征的边缘线分析方法获取港口区域;
(3)提取船舶目标的聚合通道特征,并通过聚合通道特征构建的样本训练库完成分类器训练,利用训练好的分类器在港口区域下区分船舶目标和干扰目标,完成船舶目标的最终判别确认;
所述基于边缘点梯度正切角特征和港口凹凸度特征的边缘线分析方法的具体实现方式为:基于港口形状为矩形形状的特点,考虑到矩形形状四个角的角度为90度,利用边缘点梯度正切角特征筛选出边缘线上符合角度为90度的角点,在此基础上,为了去除不是港口区域中的90度角点,结合矩形形状长宽比值关系,定义港口凹凸度特征来进一步筛选出位于港口区域的90度角点,从而定位港口区域;
所述边缘点梯度正切角特征的具体实现为:对于海陆分割提取出的边缘线,其边缘线点坐标数组A={(x1,y1),(x2,y2),…,(xn,yn)};对应的边缘线点一阶梯度dA={d1,d2,…,dn};n为边缘线点的数目;
边缘线分析方法提出的边缘点梯度正切角特征如公式(1)所示,其中di表示第i个边缘点的一阶梯度,θi表示第i个边缘点的梯度正切角;利用公式(1)依次对各边缘点计算其梯度正切角θ,由于矩形形状的拐点处相邻边缘线的梯度正切角θ理论上接近90度,利用90°-β<θ<90°从边缘线数组中筛选出符合θ范围的点,其中5°<β<10°;依据筛选出符合90°-β<θ<90°范围的边缘点集合P={g1,g2,…,gn},gi表示第i个符合条件的90度边缘点;
所述边缘线点一阶梯度的具体实现为:
边缘线点一阶梯度的具体实现方式如公式(2)所示,其中di表示第i个边缘点的一阶梯度,xi和yi为第i个边缘点的边缘线点坐标。
3.如权利要求1所述的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,其特征在于,所述提取船舶目标聚合通道特征的具体实现方式为:
在定位出港口区域的基础上,提取船舶目标的聚合通道特征;
所述聚合通道特征包括HSV颜色通道特征、梯度幅度特征和梯度方向特征;其中梯度方向特征可以有效描述船舶目标的轮廓形状特征,HSV颜色通道特征和梯度幅度特征可以有效描述船舶目标的局部纹理特征。
7.如权利要求1所述的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,其特征在于,所述分类器训练的具体实现方式为:
分类器训练用AdaBoost算法实现;通过提取船舶目标的聚合通道特征,构建分类器训练所需的正样本和负样本集合,其中,正样本为典型的船舶目标图像,尺寸为200pixel*60pixel到500pixel*150pixel;负样本为非船舶目标,非船舶目标包含码头、海岛、陆地区域建筑物,尺寸为200pixel*60pixel到500pixel*150pixel;训练多层级联分类器;AdaBoost算法选定的基学习器为CART决策树模型。
8.如权利要求1所述的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,其特征在于,所述船舶目标的最终判别确认的具体实现方式为:
基于边缘梯度正切角和港口凹凸度特征对港口进行定位所获得的港口区域集合,利用训练完成的AdaBoost分类器对集合区域进行滑动窗口检测,约束船舶目标长宽比10∶3,故检测窗口尺寸比为10∶3,检测窗口最小尺度为200pixel∶60pixel,最大尺度为500pixel∶150pixel;从区域的左上角到右下角依次滑动检测;滑动窗口检测所得检测船舶利用交并比特征去除重复窗口,获得最终检测结果。
9.如权利要求8所述的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,其特征在于,所述交并比特征为:
对于两个重复的检测窗口,利用其交集面积和并集面积比,设定交并比阈值为0.3,去除重复检测窗口。
10.如权利要求1所述的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,其特征在于,所述图像预处理的具体实现方式为:利用中值滤波器和均值滤波器对原始高分辨率光学遥感图像进行滤波处理,去除原始光学遥感图像中的随机噪声干扰。
11.如权利要求1所述的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,其特征在于,所述基于多尺度多结构元素形态学滤波实现海陆分割的具体实现方式为:定义0度、45度、90度及135度的形态学线结构算子,在三种尺度上对图像预处理之后的遥感图像进行形态学开、闭运算,所得图像各像素点的灰度值与原始图像各像素点的灰度值相加;对相加后的图像利用OSTU分割算法进行海陆分割,得到原始光学遥感图像的海陆二值化分割图。
12.如权利要求1所述的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,其特征在于,所述对海陆二值化分割图进行边缘线提取的具体实现方式为:定义矩形卷积核对海陆二值化分割图进行卷积运算得到突出港口形状的边缘线,提取边缘线点的二维坐标得到边缘点坐标数组;同时为了去除边缘线上的噪声点,对边缘点坐标数组进行平滑卷积运算,得到最终的海陆边缘线。
13.如权利要求12所述的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,其特征在于,所述的边缘点坐标数组的表现形式为:
边缘线点坐标数组A={(x1,y1),(x2,y2),…,(xn,yn)},每一个边缘点由该边缘点在图像中的像素点坐标(x,y)表示,n为边缘点的总数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811555659.8A CN109815807B (zh) | 2018-12-18 | 2018-12-18 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811555659.8A CN109815807B (zh) | 2018-12-18 | 2018-12-18 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109815807A CN109815807A (zh) | 2019-05-28 |
CN109815807B true CN109815807B (zh) | 2020-12-08 |
Family
ID=66602154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811555659.8A Active CN109815807B (zh) | 2018-12-18 | 2018-12-18 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815807B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288600A (zh) * | 2019-07-12 | 2019-09-27 | 黑龙江御林湾科技有限公司 | 一种基于一阶方向梯度算子的铁轨安全性检测方法 |
CN112037411B (zh) * | 2020-02-26 | 2021-05-07 | 青岛科技大学 | 基于区块链数据库的权限验证平台 |
CN111257348B (zh) * | 2020-03-27 | 2023-02-17 | 河海大学常州校区 | 一种基于机器视觉的led导光板缺陷检测方法 |
CN111931552A (zh) * | 2020-05-27 | 2020-11-13 | 淮阴工学院 | 一种基于直接线性变换的湖面船舶定位方法 |
CN112001449A (zh) * | 2020-08-27 | 2020-11-27 | 山东超越数控电子股份有限公司 | 一种船舶电力系统故障识别方法 |
CN112115891B (zh) * | 2020-09-24 | 2022-06-14 | 电子科技大学 | 一种基于一维多向抽取的sar图像港口检测方法 |
CN112287065B (zh) * | 2020-12-30 | 2021-03-09 | 成都四方伟业软件股份有限公司 | 一种解决Unity3D大模型打点穿模问题的方法及装置 |
CN112949484B (zh) * | 2021-03-01 | 2022-04-26 | 浙江大学 | 一种高速铁路落石实时检测方法 |
CN113705505B (zh) * | 2021-09-02 | 2024-05-17 | 浙江索思科技有限公司 | 一种面向海洋渔业的船舶目标检测方法和系统 |
CN116091499B (zh) * | 2023-04-07 | 2023-06-20 | 山东中胜涂料有限公司 | 一种涂料生产异常识别系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120056639A (ko) * | 2010-11-25 | 2012-06-04 | 현대중공업 주식회사 | 중소형 벌크선 조인트 건조공법 |
CN103886285B (zh) * | 2014-03-11 | 2017-06-09 | 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 |
US20160264220A1 (en) * | 2015-01-19 | 2016-09-15 | William P. Laceky | Boat loading system |
CN108288268B (zh) * | 2018-01-23 | 2020-07-24 | 华中科技大学 | 基于投影分析的高分辨率遥感图像中靠岸舰船检测方法 |
CN108304873B (zh) * | 2018-01-30 | 2020-09-11 | 深圳市国脉畅行科技股份有限公司 | 基于高分辨率光学卫星遥感影像的目标检测方法及其系统 |
CN108921066B (zh) * | 2018-06-22 | 2021-12-17 | 西安电子科技大学 | 基于特征融合卷积网络的光学遥感图像舰船检测方法 |
-
2018
- 2018-12-18 CN CN201811555659.8A patent/CN109815807B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109815807A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110414411B (zh) | 基于视觉显著性的海面船只候选区域检测方法 | |
CN107563303B (zh) | 一种基于深度学习的鲁棒性舰船目标检测方法 | |
Zhang et al. | S-CNN-based ship detection from high-resolution remote sensing images | |
CN108805904B (zh) | 一种基于卫星序列图像的运动舰船检测与跟踪方法 | |
Chen et al. | Ship detection from coastal surveillance videos via an ensemble Canny-Gaussian-morphology framework | |
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 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
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 | |
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 | |
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 | |
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 | |
CN110428425B (zh) | 一种基于海岸线矢量数据的sar图像海陆分离方法 | |
CN106530313A (zh) | 一种基于区域分割的海天线实时检测方法 | |
CN106803078B (zh) | 一种sar图像舰船目标分割方法 | |
CN108288268B (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 | |
CN107862271A (zh) | 一种舰船目标的检测方法 | |
CN113362293A (zh) | 一种基于显著性的sar图像舰船目标快速检测方法 | |
CN107704835B (zh) | 一种利用光谱遥感图像识别海上人工设施的方法 | |
CN110298855B (zh) | 一种基于高斯混合模型和纹理分析的海天线检测方法 | |
CN108765440B (zh) | 一种单极化sar图像的线引导超像素海岸线提取方法 | |
CN114140484A (zh) | 一种基于光电传感器的高鲁棒性海天线提取方法 | |
CN111105390B (zh) | 一种改进的海天线检测和评估方法 |
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 |