CN111027497B - 基于高分辨率光学遥感影像的弱小目标快速检测方法 - Google Patents
基于高分辨率光学遥感影像的弱小目标快速检测方法 Download PDFInfo
- Publication number
- CN111027497B CN111027497B CN201911298224.4A CN201911298224A CN111027497B CN 111027497 B CN111027497 B CN 111027497B CN 201911298224 A CN201911298224 A CN 201911298224A CN 111027497 B CN111027497 B CN 111027497B
- Authority
- CN
- China
- Prior art keywords
- image
- corner
- detection
- region
- gray
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 230000003287 optical effect Effects 0.000 title abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000000877 morphologic effect Effects 0.000 claims abstract description 22
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000003708 edge detection Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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 using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高分辨率光学遥感影像的弱小目标快速检测方法,主要解决现有技术漏检与误检高、检测速度慢的问题。其实现方案是:将待测多光谱4通道图像先转为8位RGB彩色图像,再转为灰度图;对灰度图进行扩展小波变换;对扩展小波变换后的图像进行角点检测,并过滤空间上密集的角点,保留分布分散的角点;对保留的角点进行先膨胀后腐蚀的形态学闭操作,得到形态学闭操作后的区域;对形态学闭操作后的区域提取形状参数与计算对比度和相关性,用这三个参数联合筛选角点,最终保留的角点所在的局部区域即为目标区域;本发明极大地降低了漏检与误检,提高了检测的准确性与检测速度,可用于对背景为山地、森林、荒漠的卫星遥感图像检测。
Description
技术领域
本发明属于图像处理领域,特别涉及一种弱小目标检测方法,可用于对背景为山地、森林、荒漠的卫星遥感图像检测。
技术背景
卫星遥感图像是一类重要的空间信息来源,其时效性强、实用性高,广泛应用于资源勘查、环境灾害检测、城市规划、农作物病虫害、军事侦察等许多领域,对国民经济、国防与社会发展有重大的影响。近年来我国边境、海域局势复杂,对宽幅高性能航天侦察相机应用需求不断提高,军事光学普查要求已提升到1m量级。基于光学遥感成像的目标侦察直观、准确、抗电子干扰能力强,常被作为航天侦察的重要手段。
随着光学遥感图像分辨率的不断提高,基于可见光遥感图像的目标检测方法引起了学者的高度重视,出现了许多相关的研究。现阶段遥感影像常用的目标检测方法可以分为:基于模板匹配、基于知识先验、基于对象基元、基于机器学习的目标检测方法,其中:
基于模板匹配的方法原理简单且易于实现,然而当目标尺寸、方向和形状的变化较大时,目标模板的设计会越来越复杂,且计算复杂度也不断提高。
基于知识先验的目标检测是通过融合先验知识获得较好的性能,但先验知识与检验规则的定义仍存在困难。
基于对象基元的方法是先通过分割算法分割得到图像基元,然后根据对象的纹理、上下文信息等特征进行分类,然而这种方法适用性差,并没有通用的分割方法。
基于机器学习的方法主要为特征提取加SVM的方法。例如基于梯度直方图加SVM分类器的方法,是先通过计算局部图像梯度方向信息的统计值来构建特征,然后使用梯度直方图特征结合SVM分类器进行检测。这种基于机器学习的方法提取的特征多为浅层特征,比如HOG、SIFT特征,或者根据先验知识手工设计的特征,特征提取过程冗长,速度慢,而且易受遮挡影响,对噪声敏感。另一方面,基于机器学习的方法可能只在某些特定场景下效果出色,一旦背景复杂且目标多样化时,泛化性就会变差。
近年来,深度学习技术飞速发展,已广泛应用于人脸识别、语音识别、机器对话等等各个领域,但深度学习在遥感领域还处于相对空白阶段。目前遥感领域目标检测仍基于自然图像的目标检测算法,通常针对600*600这种尺寸固定的小幅面遥感影像。然而高分辨率光学遥感影像空间分辨率较高,尺寸较大,即有3万*3万像素左右,如果使用基于自然图像的目标检测算法则需要将大尺寸图像裁剪为600*600的小尺寸图像,而小尺寸图像覆盖面非常小,所以在裁剪后的小尺寸图像上进行目标检测意义不大。另外,基于自然图像的目标检测算法需要对原始图像进行缩放,而自然图像中目标通常位于图像中心,占据图像主要部分或者在图像上比较显著,且数量较少,对整幅图像进行适当缩放通常不会影响检测结果。然而高分辨率遥感影像的目标数量较多且尺寸较小,如果对图像进行缩放可能会失去很多细节。而且待检测目标位置分布较为分散,与背景比较接近,增加了检测的难度。因此,现有的自然图像目标检测方法并不适用于大幅面遥感影像的目标检测。
尽管光学遥感图像得以广泛应用,基于可见光遥感图像的目标检测算法也不断涌现,然而这些方法针对性较强、泛化能力较弱,而军事应用需求对算法稳健性、有效性、实时性等都有很高要求,这就使得现阶段的目标识别和检测算法仍然处于以人工为主,计算机智能学习为辅的阶段。另一方面,在遥感影像中由于图像分辨率的影响,其中存在着大量的弱小目标。同时,遥感图像成像会受光学传感器拍摄角度、光照强度、天气情况等的影响,导致目标被遮挡、形状不完整、对比度低等,使得遥感图像弱小目标快速检测定位非常困难,存在大量的漏检与误检,整体检测效果不佳。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于高分辨率光学遥感影像的弱小目标快速检测方法,以降低漏检与误检,提高检测的准确性与检测速度。
本发明的技术方案是:首先将待测多光谱4通道图像转为8位RGB彩色图像,再转为灰度图;接着对灰度图像进行扩展小波变换,以抑制背景干扰,增加目标与背景的对比度;然后对扩展小波变换后的图像进行角点检测,并过滤空间上密集的角点,保留分布分散的角点;对保留的角点进行先膨胀后腐蚀的形态学闭操作,得到形态学闭操作后的区域;对形态学闭操作后的区域提取形状参数与计算对比度和相关性,以剔除虚警目标;最终保留的角点所在的局部区域即为目标区域,其实现步骤包括如下:
(1)将待测多光谱图像先转为8位RGB彩色图像,再转为灰度图像I;
(2)对二维灰度图像I用不同滤波核进行扩展小波变换,得到扩展小波变换后的灰度图像W;
(3)使用基于加速分割测试的fast9算法对扩展小波变换后的灰度图像W进行角点检测,得到角点检测结果c,再根据空间位置关系过滤掉密集的角点,保留分布较为分散的角点;
(4)以每一个保留的角点为中心,切取其固定尺寸大小的区域,并对每个区域进行先膨胀后腐蚀的形态学闭操作,得到形态学闭操作后的切片区域;
(5)对每个形态学闭操作后的切片区域进行如下处理:
(5a)对每个形态学闭操作后的切片区域进行像素联合概率密度统计,并对概率进行归一化,得到灰度共生矩阵P,再计算P的对比度S和相关性R;
(5b)使用canny边缘检测算子对每个切片区域进行边缘检测,再对边缘检测的结果进行连通区域标记,并选取面积最大的连通域;
(6)使用区域属性统计函数regionprops获取面积最大的连通区域的属性,并根据属性提取形状参数,即连通区域的长宽差h、紧致度t和矩形度g:
(7)利用(6)提取的形状参数与(5b)计算灰度共生矩阵P的对比度S和相关性R的联合特征来筛选角点,保留的每个角点所在的局部区域即为目标区域。
本发明与现有技术相比,具有如下特点:
1)本发明由于将角点检测与区域属性引入到目标检测中,可对背景为山地、森林、荒漠的卫星遥感图像进行检测。
2)本发明由于对检测图像进行了扩展小波变换,有效抑制了背景干扰,提高了目标检测的准确率。
3)本发明由于联合使用形状参数与灰度共生矩阵的对比度和相关性进行角点筛选,有效降低了误检率。
4)本发明由于使用了基于加速分割测试的fast9算法进行检测,提高了检测速度且降低了漏检率。
附图说明
图1是本发明的实现流程图。
图2是本发明中弱小目标的样例图。
图3是本发明方法对单幅3万*3万大幅宽可见光遥感图像进行检测的部分检测结果示意图。
具体实施方式
以下结合附图对本发明的实施例及效果做进一步详细描述。
本发明是针对图2所示的弱小目标进行检测,这些弱小目标较为抽象,无明显边缘且尺寸较小。
参照图1,本实例的实现步骤如下:
步骤1,对高分辨率光学遥感图像进行预处理。
本实例中高分辨率光学遥感图像是8位或16位的多光谱图像,需要转化为8位RGB图像,再转为灰度图才能用于后续处理。
(1a)判断待测图像的位数:
如果待测图像是16位4通道多光谱图像,则使用如下公式将其转为8位4通道多光谱图像E:
E=uint8(double(D)/4095*255)
其中,D是16位4通道图像,uint8是将图像强制转换为uint8格式的函数,double表示将像素值转为双精度浮点类型,/代表相除,*代表相乘;
如果待测图像是8位4通道多光谱图像,则不需要进行转换;
(1b)取8位4通道多光谱图像E的红色通道r、绿色通道g、蓝色通道b,并使用通道拼接函数cat将这三个通道合并,得到8位RGB图像M:
(1c)使用灰度转换函数rgb2gray将8位RGB彩色图像M转为灰度图I:
I=rgb2gray(M)。
步骤2,对灰度图I进行扩展小波变换。
传统的小波去噪是先进行多尺度分解,再进行各尺度去噪,最后通过小波逆变换,从而达到去噪的目的。但是这一过程计算复杂,处理速度慢。扩展小波变换通过考虑图像信号与噪声在不同尺度间的传播差异特性,不仅提升了处理速度,而且有效提升了目标与背景的对比度,更有利于检测;同时相邻尺度的水平系数与垂直系数和原始图像的尺寸一致,图像分辨率不会受到损失。
本步骤对灰度图I进行扩展小波变换的实现如下:
(2a)选取不同滤波核:
其中,i表示将灰度图I小波分解后的第i个尺度,z1 i和z2 i分别表示第i个尺度上的水平方向与垂直方向,Ii-1(z1,z2)表示当前尺度的上一尺度灰度图;
通过上述扩展小波变换后的灰度图W,可抑制背景干扰,提高目标与背景的对比度。
步骤3,使用基于加速分割测试的fast9算法对扩展小波变换后的灰度图像W进行角点检测。
fast9算法是一种基于模板和机器学习的角点检测方法,不仅检测速度快,而且精确度高。其对于角点的定义为:若某像素点的灰度值比其周围邻域内足够多的像素点的灰度值都大或都小,则该点可能是角点。
本步骤对扩展小波变换后的灰度图像W进行角点检测的实现如下:
(3a)设定角点检测阈值t的取值范围为20~120,
(3b)将t输入到fast9函数中并进行非极大值抑制,得到角点检测结果c:
c=fast9(W,t,1),
其中,数值1代表对检测结果进行非极大值抑制。
步骤4,根据空间位置关系过滤掉密集的角点,保留分布较为分散的角点。
由于本发明更关注于分布较为分散且隐蔽的角点,所以要过滤掉空间上大范围聚集的角点。具体实现如下:
(4a)先从角点检测结果c中任意选取一角点p1,将其坐标标记为(x1,y1),再从c中任意选取另一角点p2,将其坐标标记为(x2,y2);
(4b)根据两角点的横纵坐标之差确定两角点的位置关系:
如果第一个角点p1与第二个角点p2的横纵坐标之差绝对值都小于等于100,即:则认为这两个角点p1与p2在空间上是邻近的,若某个角点与其邻近的角点数量超过十个,则认为该角点及其邻近角点所在区域是密集的,则过滤掉该角点及其邻近角点;
否则,该角点的分布是分散的,保留该角点。
步骤5,以每一个保留的角点为中心,切取其固定尺寸大小的区域,并对每个切片区域进行先膨胀后腐蚀的形态学闭操作。
(5a)以保留的角点坐标(x,y)为中心,在扩展小波变换后的灰度图W上切取其固定尺寸大小的区域r:
r=W[(y-9)~(y+9),(x-9)~(x+9)],
(5b)对每个区域r进行先膨胀后腐蚀的形态学闭操作,其公式如下:
其中,m={-1,0,1},n={-1,0,1},d(x,y)为膨胀公式,e(x,y)为腐蚀公式,x和y分别表示图像的横纵坐标,
(5c)重复(5b)操作共3次,填充区域内细小空洞,连接邻近区域和平滑边界,得到形态学闭操作后的切片区域。
步骤6,对切片区域进行概率统计,求灰度共生矩阵P,并计算灰度共生矩阵P的对比度S和相关性R。
(6a)对切片区域进行概率统计,求灰度共生矩阵P:
(6a1)对于步骤(5c)得到的形态学闭操作后的切片区域,先取切片区域中任一点(x,y),其灰度值为g1,再取与其横纵坐标分别相距a,b的另一点(x+a,y+b),其灰度值为g2,然后将这两点的灰度对标记为(g1,g2);
(6a2)假设切片区域的灰度级数为k,则(g1,g2)共有k2种组合方式,统计每一种(g1,g2)出现的次数,并排列为方阵;
(6a3)用每一种(g1,g2)出现的次数除以(g1,g2)出现的总次数,得到概率P(g1,g2),其组成的方阵即为灰度共生矩阵P;
(6b)计算灰度共生矩阵P的对比度S和相关性R:
步骤7,对切片区域先进行边缘检测,再对边缘检测结果进行连通区域标记。
对切片区域进行边缘检测是通过边缘检测函数edge进行的。边缘检测函数edge的输入为一幅灰度图像,输出为与输入灰度图像同样大小的二值化图像,在二值化图像中,有边缘的地方为1,否则为0。
常用的边缘检测算子有微分算子、拉普拉斯高斯算子、sobel算子和canny算子,其中canny算子是这几种边缘检测算子中效果最好的,本步骤中先选取canny算子对切片区域进行边缘检测,再使用连通区域标记算法对边缘检测结果进行连通区域标记,其实现如下:
(7a)使用canny算子对步骤(5c)得到的形态学闭操作后的切片区域r进行边缘检测,得到二值化图像:ce=edge(r,canny),其中,edge表示边缘检测函数;
(7b)使用8邻接连通区域标记算法bwlabel对二值化图像ce进行连通区域标记,即采用一个像素点与周围全部8个像素点邻接的方式进行标记,得到连通区域标记结果L:
[L,num]=bwlabel(ce)
其中,num表示连通区域的数量。
步骤8,使用区域属性统计函数regionprops获取面积最大的连通区域的属性,并根据属性提取形状参数。
regionprops函数可以得到图像区域的一些属性,例如区域中像素总个数,包含区域的最小矩形,与区域具有相同标准中心二阶矩的椭圆离心率,本步骤根据包含区域的最小矩形BoundingBox计算形状参数,其实现如下:
(8a)使用regionprops函数获取面积最大的连通区域M的属性,其公式如下:
Z=regionprops(M,all)
其中Z是一个结构数组,结构数组的不同字段定义了不同的属性,all表示获取M所有的属性;
(8b)根据Z中字段BoundingBox的参数,计算形状参数长宽差h、紧致度t和矩形度g:
h=H-W
t=P2/A
g=A/(H×W)
其中,H和W分别是字段BoundingBox的长度和宽度,P、A分别是字段BoundingBox的周长和面积。
步骤9,联合形状参数与灰度共生矩阵P的对比度S和相关性R筛选角点。
本步骤是利用步骤(8b)提取的形状参数与步骤(6b)计算出的灰度共生矩阵P的对比度S和相关性R组成联合特征,用该联合特征筛选角点,这种联合形状特征与描述纹理的对比度和相关性特征,即可避免过度复杂的高维特征,又可以稳定、合理的降低误检率,其实现如下:
(9a)根据连通区域的长宽差h、紧致度t、矩形度g筛选角点:
若长宽差h大于9或者紧致度t小于0.4或者矩形度g小于0.8,则将对应角点剔除;
否则,执行(9b);
(9b)根据灰度共生矩阵P的对比度S与相关性R筛选角点:
若对比度S小于0.3,或者相关性R大于0.6,则将对应角点剔除;
否则,保留该角点。
本发明的效果可通过以下实验结果进行说明:
使用本发明方法对单幅3万*3万大幅宽可见光遥感图像中进行检测,该单幅图像中包含了大量的车辆目标,但车辆较为抽象、无明显边缘且尺寸较小,检测结果如图3。
从图3可见,本发明将图中的车辆目标几乎都检测了出来,诸如矩形框所标记的部分,误检率低于5%,漏检率低于1%。这种图像使用现有技术几乎是不能检测到目标的,这是因为现有技术通常是针对于尺寸较大且形状较为具体的目标。而本发明由于对待测图像进行了扩展小波变换,并使用fast9角点检测算法进行检测,且使用联合特征剔除虚警目标,所以极大的提高了检测的性能。
同时将本发明对该单幅3万*3万大幅宽可见光遥感图像进行检测的时间与现有技术相比,现有技术需要构建模型对遥感图像进行训练测试,耗费了大量的时间与精力,而本发明仅用120秒的时间就可以完成对整幅图像的检测。
综上,本发明不仅检测准确率高而且检测速度较快。
以上描述仅是本发明的一个具体实例,不构成对本发明的任何限制。显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修改和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于高分辨率可见光遥感影像的弱小目标检测方法,其特征在于,包括如下:
(1)将待测多光谱图像先转为8位RGB彩色图像,再转为灰度图像I;
(2)对二维灰度图像I用不同滤波核进行扩展小波变换,得到扩展小波变换后的灰度图像W;
(3)使用基于加速分割测试的fast9算法对扩展小波变换后的灰度图像W进行角点检测,得到角点检测结果c,再根据空间位置关系过滤掉密集的角点,保留分布较为分散的角点;
(4)以每一个保留的角点为中心,切取其固定尺寸大小的区域,并对每个区域进行先膨胀后腐蚀的形态学闭操作,得到形态学闭操作后的切片区域;
(5)对形态学闭操作后的切片区域进行如下处理:
(5a)对形态学闭操作后的切片区域进行像素联合概率密度统计,并对概率进行归一化,得到灰度共生矩阵P,再计算P的对比度S和相关性R;
(5b)使用canny边缘检测算子对每个切片区域进行边缘检测,再对边缘检测的结果进行连通区域标记,并选取面积最大的连通域;
(6)使用区域属性统计函数regionprops获取面积最大的连通区域的属性,并根据属性提取形状参数,即连通区域的长宽差h、紧致度t和矩形度g;
(7)利用(6)提取的形状参数与(5b)计算灰度共生矩阵P的对比度S和相关性R的联合特征来筛选角点,保留的每个角点所在的局部区域即为目标区域。
2.根据权利要求1所述的方法,其中(1)将待测多光谱图像转为8位RGB彩色图像,是根据待测图像的成像特性进行:
(1a)判断待测图像的位数:
如果待测图像是16位4通道多光谱图像,则使用如下公式将其转为8位4通道多光谱图像E:
E=uint8(double(D)/4095*255)
其中,D是16位4通道图像,uint8是将图像强制转换为uint8格式的函数,double表示将像素值转为双精度浮点类型,/代表相除,*代表相乘;
如果待测图像是8位4通道多光谱图像,则不需要进行转换。
(1a)然后置换8位4通道多光谱图像E的R、B通道,并合并R、G、B通道得到RGB彩色图像。
3.根据权利要求1所述的方法,其中(2)对二维灰度图像I用不同滤波核进行扩展小波变换,其实现如下:
(2a)选取不同滤波核:
其中,i表示将灰度图I小波分解后的第i个尺度,z1 i和z2 i表示第i个尺度上的水平方向与垂直方向,Ii-1(z1,z2)表示当前尺度的上一尺度灰度图;
4.根据权利要求1所述的方法,其中(3)中使用基于加速分割测试的fast9算法对扩展小波变换后的灰度图像W进行角点检测,其实现如下:
(3a)设定角点检测阈值t的取值范围为20~120,
(3b)将t输入到fast9函数中并进行非极大值抑制,得到角点检测结果c:
c=fast9(W,t,1)
其中,数值1代表对检测结果进行非极大值抑制。
8.根据权利要求1所述的方法,其中(5)中使用canny边缘检测算子对切片区域进行二值化,并对二值化后的图像进行连通区域标记,其实现如下:
(5a)使用canny算子分别对每个区域r进行边缘检测,得到二值化图像ce:
ce=edge(r,canny)
其中,edge表示边缘检测函数;
(5b)使用8邻接连通区域标记算法bwlabel对二值化图像ce进行连通区域标记,即采用一个像素点与周围全部8个像素点邻接的方式进行标记,得到连通区域标记结果L:
[L,num]=bwlabel(ce)
其中,num表示连通区域的数量。
9.根据权利要求1所述的方法,其中(6)中使用区域属性统计函数regionprops获取面积最大的连通区域的属性,并根据属性提取形状参数,其实现如下:
(6a)使用regionprops函数获取面积最大的连通区域M的属性,其公式如下:
Z=regionprops(M,all)
其中Z是一个结构数组,结构数组的不同字段定义了不同的属性,all表示获取M所有的属性;
(6b)根据Z中的字段BoundingBox的参数,计算形状参数长宽差h、紧致度t和矩形度g:
h=H-W
t=P2/A
g=A/(H×W)
其中,H和W分别是字段BoundingBox的长度和宽度,P、A分别是BoundingBox的周长和面积。
10.根据权利要求1所述的方法,其中(7)中利用(6)提取的形状参数与(5b)计算的灰度共生矩阵P的对比度S和相关性R的联合特征筛选角点,其实现如下:
(7a)根据连通区域的长宽差h、紧致度t、矩形度g筛选角点:
若长宽差h大于9,或者紧致度t小于0.4,或者矩形度g小于0.8,则将对应角点剔除;
否则,执行(7b);
(7b)根据灰度共生矩阵P的对比度S与相关性R筛选角点:
若对比度S小于0.3,或者相关性R大于0.6,则将对应角点剔除;
否则,保留该角点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911298224.4A CN111027497B (zh) | 2019-12-17 | 2019-12-17 | 基于高分辨率光学遥感影像的弱小目标快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911298224.4A CN111027497B (zh) | 2019-12-17 | 2019-12-17 | 基于高分辨率光学遥感影像的弱小目标快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027497A CN111027497A (zh) | 2020-04-17 |
CN111027497B true CN111027497B (zh) | 2023-03-31 |
Family
ID=70209621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911298224.4A Active CN111027497B (zh) | 2019-12-17 | 2019-12-17 | 基于高分辨率光学遥感影像的弱小目标快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027497B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528962B (zh) * | 2021-01-01 | 2021-07-20 | 生态环境部卫星环境应用中心 | 一种基于高分卫星遥感影像的牧区牛马群的监测方法 |
CN113223069B (zh) * | 2021-06-07 | 2023-02-10 | 西安电子科技大学 | 基于目标与背景差异的彩色图像背景杂波量化方法 |
CN113837184B (zh) * | 2021-09-27 | 2022-06-10 | 常州市宏发纵横新材料科技股份有限公司 | 一种蚊虫检测方法、设备及存储介质 |
CN115294439B (zh) * | 2022-08-02 | 2023-04-07 | 北京卫星信息工程研究所 | 空中弱小运动目标检测方法、系统、设备及存储介质 |
CN115082461B (zh) * | 2022-08-19 | 2022-11-04 | 成都中医药大学 | 一种基于边缘计算的预判过滤方法及装置 |
CN116630811B (zh) * | 2023-06-07 | 2024-01-02 | 自然资源部国土卫星遥感应用中心 | 一种河流提取方法、装置、终端设备和可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886747A (zh) * | 2016-12-28 | 2017-06-23 | 中国科学院长春光学精密机械与物理研究所 | 一种基于扩展小波变换的复杂背景下舰船检测方法 |
CN109191432A (zh) * | 2018-07-27 | 2019-01-11 | 西安电子科技大学 | 基于域变换滤波多尺度分解的遥感图像云检测方法 |
CN109427055A (zh) * | 2017-09-04 | 2019-03-05 | 长春长光精密仪器集团有限公司 | 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 |
-
2019
- 2019-12-17 CN CN201911298224.4A patent/CN111027497B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886747A (zh) * | 2016-12-28 | 2017-06-23 | 中国科学院长春光学精密机械与物理研究所 | 一种基于扩展小波变换的复杂背景下舰船检测方法 |
CN109427055A (zh) * | 2017-09-04 | 2019-03-05 | 长春长光精密仪器集团有限公司 | 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 |
CN109191432A (zh) * | 2018-07-27 | 2019-01-11 | 西安电子科技大学 | 基于域变换滤波多尺度分解的遥感图像云检测方法 |
Non-Patent Citations (3)
Title |
---|
像素级遥感图像融合并行算法研究与实现;张灿峰等;《计算机工程与科学》;20100915(第09期);全文 * |
基于Contourlet变换的多传感器图像融合;高斌等;《装备制造技术》;20090815(第08期);全文 * |
基于小波-Contourlet变换的遥感图像融合;何同弟等;《计算机工程与设计》;20081228(第24期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111027497A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
Cheng et al. | FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images | |
Chaudhuri et al. | Automatic building detection from high-resolution satellite images based on morphology and internal gray variance | |
CN107239751B (zh) | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 | |
CN104778721B (zh) | 一种双目图像中显著性目标的距离测量方法 | |
CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
CN108898065B (zh) | 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法 | |
CN104217196B (zh) | 一种遥感影像圆形油罐自动检测方法 | |
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 | |
Zhang et al. | Region of interest extraction in remote sensing images by saliency analysis with the normal directional lifting wavelet transform | |
WO2019071976A1 (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
WO2018076138A1 (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
CN112434745A (zh) | 基于多源认知融合的遮挡目标检测识别方法 | |
CN105512622B (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN112633185A (zh) | 图像处理的方法及装置 | |
Hou et al. | SAR image ship detection based on visual attention model | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
JP2009123234A (ja) | オブジェクト識別方法および装置ならびにプログラム | |
JP4285640B2 (ja) | オブジェクト識別方法および装置ならびにプログラム | |
CN106971402A (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN117079097A (zh) | 一种基于视觉显著性的海面目标识别方法 |
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 |